斯坦福大学最新分析显示，人工智能研究虽然发展迅速，但能够指导现实教育决策的严谨研究仍然很少。
斯坦福大学教育研究生院 SCALE 项目聚焦于人工智能在 K-12 教育中的应用，其研究发现，尽管人工智能工具正在快速进入课堂，但关于它们实际如何影响教学与学习的高质量证据依然匮乏。
这份题为《K-12 人工智能证据基础：2026 年回顾》的报告，分析了超过 800 项学术研究（其研究库目前已扩展至 1100 多篇论文），但其中仅有 20 项因果研究能够严格衡量人工智能工具对学生或教师的学习成果带来的影响。结果显示，人工智能的应用与证据之间存在日益扩大的差距——学校在缺乏扎实研究基础的情况下，正将人工智能融入日常教学。
研究虽快，因果证据有限
教育领域对人工智能的关注度显著上升，报告指出，近几个月相关研究成果的数量激增。然而，大多数研究仍集中在技术开发、模型性能或观察性分析上，而非可衡量的实际影响。
只有极少数研究达到了因果证据的标准，即能够证明人工智能工具是否直接改善或改变了学习成果。这给教育管理者在采购、政策制定和课堂应用方面带来了挑战。
报告将这种差距视为当前教育科技领域的一个结构性问题：各种工具正在大规模部署，但验证其有效性的研究却迟迟跟不上。
研究存在明显偏向
分析表明，大多数研究都将学生视为人工智能工具的使用者，而对教师或学校领导如何在实际工作中使用人工智能的关注明显不足。
在已确定的因果研究中，很大一部分集中在数学相关的学习成果上，而关于读写能力、其他学科或社会情感发展的研究则相对较少。
此外，关于人工智能如何影响不同学生群体的研究也十分有限，涉及公平性、获取机会和长期发展成果等方面的问题鲜有涉及。报告指出，大多数研究侧重衡量短期表现，而非持续学习。
早期证据：学习效果参差不齐
在回顾的 20 项因果研究中，初步结果显示，当学生积极使用人工智能工具时，在数学练习、写作和编程等任务上的表现会有所提升。
然而，当学生在没有人工智能辅助的情况下参加评估时，结果则不尽相同。有些情况下学生的表现有所提高，另一些情况下则不变甚至下降。
这引出了一个核心问题：人工智能工具究竟是在支持学生的技能发展，还是仅仅在帮助他们完成任务？
报告还指出，工具的设计差异是一个关键因素。相比那些直接给出答案的通用工具，能够引导推理、提供提示或搭建学习框架的人工智能系统，更有可能带来稳定且积极的效果。
报告中提到的学习科学框架——包括认知负荷理论、最近发展区和元认知——表明，那些减少了有效学习所需的努力的工具，可能会限制长期学习成果。
教师效率提升初现潜力
尽管以学生为中心的研究仍占主导地位，但报告也指出了早期证据，表明人工智能工具有望在特定领域为教师提供支持。
多项因果研究显示，面向教师的人工智能工具可以减少备课时间，支持实时教学决策，并提供关于学生进度的见解，而不会降低教学质量。
一些研究表明，人工智能可以帮助教师提出更有针对性的问题，并根据自动反馈调整教学。不过，与学生的使用情况一样，这方面的证据基础仍然有限。
普及加速，关键缺口犹存
报告指出了几个研究仍严重不足的领域：
– 目前尚无针对美国 K-12 课堂学生使用人工智能的高质量因果研究。
– 现有的大多数研究均为短期研究，并未考察长期学习效果、知识迁移能力，或更广泛的影响，如学生的身心健康与社会发展。
然而，人工智能工具正以惊人的速度进入课堂，教师和学生已在正式学习环境内外广泛使用它们。
对政策与教育技术决策的启示
研究结果凸显了教育管理者在缺乏坚实证据基础的情况下，被迫就人工智能做出决策的压力。
报告呼吁在政策制定、产品采购和课堂实施中采取更加以证据为导向的方法，并指出当前的讨论往往由工具的可用性或未来预测驱动，而非来自实际可衡量的影响。
通过聚焦因果研究，该综述为当前已知的情况提供了一个基准，并指明了未来需要深入研究的领域。
对于教育技术供应商和教育系统而言，方向已经明确：随着人工智能融入教学，能否展现出可衡量的影响，将越来越成为一项核心要求——尤其是在学校需要证明投资合理性并评估长期成果的背景下。
新研究表明，使用 AI 仅 10 分钟就可能使人变得懒惰和愚钝
AI 或将取代你的工作，但它也将创造这 22 种新职业AI 巨头紧密布局，Google、OpenAI、Anthropic 教育应用加速进入院校课堂