从学习辅助到评价重构:生成式 AI 影响大学学习的文献综述
Author: yila.ai
摘要
生成式 AI 进入大学学习场景后,高等教育研究的中心问题已经从“学生能否使用 ChatGPT”转向“生成式 AI 如何改变学习过程、评价制度和教师支持”。现有文献显示,GenAI 在语言学习、写作支持、医学教育、学习反馈和个性化辅导中具有明显潜力,但其教育价值并不等同于工具可用性;学习动机、元认知投入、评价设计、学术诚信、教师角色和机构治理共同决定它是否真正促进学习。本文基于 OpenAlex 检索形成的高等教育与学习相关文献包,将研究进展概括为四条主线:第一,GenAI 作为学习助手主要支持解释、反馈、语言生成和任务分解;第二,它对学生学习过程的影响具有双面性,既可能降低进入门槛,也可能造成元认知懒惰和过度依赖;第三,评价与写作教学是冲突最集中的场景,传统作业、考试和原创性判断受到挑战;第四,未来研究需要从态度和潜力讨论转向学习结果、调节机制、课程设计和机构治理的可比较证据。总体看,高质量综述应把 GenAI 放在“学习任务—学习过程—评价制度—治理边界”的框架中,而不是写成工具功能清单。
1. 引言:大学学习中的 GenAI 不是单一工具,而是学习环境变化
生成式 AI 对大学学习的影响之所以复杂,是因为它同时进入了知识获取、写作、反馈、练习、评价和学术诚信多个环节。高等教育综述和评论性研究普遍指出,ChatGPT 等工具可以帮助学生解释概念、生成示例、改写文本、准备讨论和获得即时反馈,但也可能削弱独立思考、原创表达和评估可信度 [1] [2] [3] [4]。因此,文献综述不能只列举“应用场景”,还要追问这些场景改变了学习活动的哪个环节:认知加工、元认知监控、同伴互动、教师反馈,还是制度性评价。
这一领域的证据边界也需要格外清楚。许多文献仍是 scoping review、观点文章、SWOT 分析、内容分析或早期调查,能够说明研究主题和风险格局,但不等于已经证明长期学习效果 [5] [6] [3] [7]。个别实证研究开始直接测量 GenAI 对学习动机、过程和表现的影响,但总体证据仍处于快速积累阶段 [8]。因此,更稳妥的综合判断是:GenAI 已经重塑大学学习的条件和规则,但关于“何时、对谁、通过什么机制提升学习”的证据仍不充分。
2. 学习支持:解释、反馈、语言生成与任务分解
GenAI 最直接的教育价值,是降低学生获得解释、反馈和语言支持的成本。语言教学与学习的 scoping review 显示,GenAI 可用于写作辅助、语法反馈、对话练习、材料生成和个性化语言输入 [5];医学教育文献也强调,它可能支持案例讨论、知识解释、临床推理练习和学习材料生成 [9]。这些应用的共同点是把教师或学习资源中的部分反馈功能即时化、个性化和低成本化。
但“能生成支持”并不等于“能促进深度学习”。写作过程中的学生和教师视角研究显示,GenAI 在构思、草稿、修改和反馈环节有帮助,但教师和学生对原创性、学习责任和评价公平的理解并不一致 [10]。Prompt pattern catalog 等提示工程文献也提示,学生是否能有效使用 GenAI,取决于任务分解、提示设计、迭代追问和输出评价能力 [11]。这意味着 GenAI 学习支持的关键不是把答案交给学生,而是帮助学生形成更好的问题、判断和修订过程。
3. 学习过程:机会与元认知懒惰并存
生成式 AI 对学习过程的影响具有明显的双面性。一方面,它可以降低认知进入门槛,为学生提供解释、示例、练习和反馈,从而帮助不同基础的学习者进入任务;另一方面,它也可能让学生跳过检索、计划、推理、写作和自我检查等关键学习步骤 [1] [2] [3]。这解释了为什么高质量教育综述不能简单判断 GenAI “有益”或“有害”,而要分析它影响的是学习过程中的哪一类认知和元认知活动。
“元认知懒惰”研究把这一问题具体化。相关实证研究讨论了生成式 AI 对学习动机、过程和表现的影响,并提示学生可能因为工具便利而减少自我监控、深度加工和任务坚持 [8]。这一发现并不意味着应禁止 GenAI,而是说明课程设计需要把 AI 使用转化为可见的学习过程:要求学生记录提示迭代、解释采纳或拒绝 AI 建议的理由、比较多个输出、反思错误并提交修订轨迹。换言之,学习收益来自“与 AI 一起思考”,而不是“让 AI 代替完成”。
4. 评价重构:传统作业、写作教学与学术诚信受到挑战
评价是 GenAI 冲击最高等教育制度的核心场景。关于高等教育评价转型的 scoping review 指出,GenAI 迫使教师重新思考作业设计、评分方式、反馈角色和学术诚信政策 [6]。传统论文、课后作业和标准化问答容易被模型协助完成,因此单纯依赖最终文本来判断学生能力越来越困难。关于 ChatGPT 是否意味着传统评价终结的讨论,也把矛盾集中到原创性、真实性和评估目标之间 [12]。
更成熟的方向不是把所有评价转为监控和检测,而是重构评价对象。写作教学可以从“最终成品”转向“构思—提示—草稿—反馈—修订—反思”的过程证据;专业课程可以增加口头答辩、课堂应用、情境问题和个人化数据;开放性作业可以要求学生批判性评价 AI 输出而不是隐藏 AI 使用 [10] [6] [4]。这样一来,GenAI 不只是评价风险,也成为评价学生判断力、元认知和专业推理的材料。
5. 教师与机构治理:从个人使用规范到课程系统设计
GenAI 对大学学习的影响不能只交给学生个人自律。教师需要决定哪些任务允许使用 AI、使用到什么程度、如何披露、如何评价 AI 协作过程,以及如何帮助学生识别幻觉、偏见和不恰当引用 [1] [3] [13]。如果没有清晰教学设计,学生可能把 GenAI 当作捷径;如果一概禁止,课程又可能错过培养 AI 素养和批判性使用能力的机会。
机构层面的问题则包括政策一致性、教师培训、数据隐私、可及性、公平性和课程认证。高等教育影响研究和综合性教育综述都指出,GenAI 将改变教师角色、学生支持服务和课程治理 [7] [4]。因此,未来研究需要把干预从单节课或单项工具扩展到课程和机构层面,比较不同使用规范、任务设计和教师支持对学习结果的影响。
表 1. GenAI 大学学习研究的证据矩阵
| 研究层次 | 主要问题 | 代表文献线索 | 可支持的综述判断 | 需要避免的过度表述 |
|---|---|---|---|---|
| 学习支持 | GenAI 能在哪些任务中提供解释、反馈和生成支持 | 语言学习、医学教育、教育潜力综述 [5] [9] [2] | GenAI 可降低学习支持成本并扩展反馈场景 | 不等同于已证明长期学习成效 |
| 学习过程 | 工具使用如何影响动机、深度加工和元认知 | 元认知懒惰研究、学生教师视角研究 [10] [8] | 学习收益取决于学生是否进行监控、修订和反思 | 不把工具便利直接写成学习提升 |
| 评价制度 | 作业、写作和考试如何被重构 | 高等教育评价 scoping review、传统评价争论 [6] [12] | 评价应更多关注过程证据和情境应用 | 不把 AI 检测作为唯一治理方案 |
| 教学设计 | 教师如何把 AI 使用纳入课程目标 | SWOT 分析、高等教育影响研究 [3] [4] | 教师角色从答案提供者转向任务设计和判断训练 | 不把教师责任简化为禁止或允许 |
| 机构治理 | 政策、隐私、公平和培训如何影响应用 | 教育综合综述、风险分析 [7] [13] | 需要课程、学院和机构层面的规范 | 不把个人工具使用当作系统改革 |
6. 结论:GenAI 学习研究的下一步是机制证据,而不是应用清单
生成式 AI 已经改变大学学习的条件,但文献最需要推进的不是继续增加应用场景清单,而是解释学习机制。现有研究能够较清楚地说明 GenAI 的潜力、风险和评价挑战;相对不足的是纵向学习结果、课程层面实验、不同学生群体差异、教师干预机制和机构政策效果 [5] [8] [6] [7]。因此,高质量综述应把“能不能用”转化为“怎样使用才促进学习、怎样使用会削弱学习、如何评价和治理这种使用”。
未来研究可以沿三条路径推进。第一,把 GenAI 使用过程数据纳入学习分析,例如提示迭代、输出评价、修改轨迹和反思质量,以判断学生是否真的进行了深度学习。第二,设计课程级和学期级研究,比较不同 AI 使用规范、评价方式和教师反馈结构对学习结果的影响。第三,把 AI 素养作为高等教育目标,培养学生识别错误、追问证据、解释选择和承担学术责任的能力。只有完成这些转换,GenAI 才可能从“便捷工具”进入“可设计、可评价、可治理的学习环境”。
证据范围说明
本文基于题名、摘要、元数据和可追踪标识进行摘要级综合,适合作为 GenAI 与大学学习研究进展的草稿。文中未声称完成全文系统评价,也不对具体课程干预效果作最终判断。正式使用时应补充 ERIC、Scopus、Web of Science、教育学核心期刊和全文级实证研究核查。
7. 结论与研究议程:从工具采纳到学习制度再设计
生成式 AI 对大学学习的影响,最终不是一个“学生是否使用 ChatGPT”的问题,而是大学如何重新设计学习任务、反馈机制、评价制度和学术诚信规范的问题。已有文献已经说明,GenAI 可以提供解释、写作辅助、任务分解和即时反馈[1][2][6],也可能诱发认知外包、浅层学习和不透明依赖[8][12][13]。因此,正式综述的结论不能简单落在“促进应用”或“严格禁止”两端,而应转向条件化判断:在哪些课程目标、学习阶段、任务类型和评价安排下,GenAI 能增强学习;又在哪些场景中,它会削弱学生的生成、判断和反思能力。
未来研究首先需要把“使用”拆成可测量的学习行为。学生让 AI 解释概念、生成提纲、润色语言、调试代码、模拟答辩、生成参考答案,背后的认知负荷和学习结果并不相同[2][4][10][11]。如果研究只记录是否使用 AI 或使用频率,就很难判断学习机制。更有解释力的设计应区分提示设计、交互轮次、学生修改行为、错误识别能力和最终作品质量,并把这些过程指标与学习动机、元认知监控和成绩变化联系起来[7][8]。这样,GenAI 研究才能从态度调查推进到机制证据。
评价制度是最需要重构的层面。传统课后作文、通用报告和一次性编程作业在 GenAI 环境下很容易失去测量效度[3][5][12]。但这并不意味着所有评价都要回到闭卷考试。更合理的方向是把形成性评价、过程证据、口头解释、版本记录、同伴反馈和 AI 使用声明结合起来,使评价对象从“产物是否像学生独立完成”转向“学生是否理解、判断、修正并承担责任”[5][10]。这种转向也改变了教师角色:教师不只是检测 AI 使用,而是设计能暴露思考过程的任务。
机构治理需要在支持创新和控制风险之间建立可执行规则。学术诚信文献提醒,完全禁止往往难以执行,也容易让学生转入隐蔽使用;完全放开则可能扩大不平等、降低学习要求并增加虚假引用和不可靠内容[12][13]。大学更需要透明政策:哪些任务允许 AI,允许到什么程度,学生如何声明,教师如何评价,敏感数据如何保护,弱势学生如何获得同等支持。没有这些制度安排,GenAI 的教育价值会被个体经验和平台能力左右。
| 研究问题 | 已有证据 | 未来应补足的证据 |
|---|---|---|
| GenAI 是否提升学习表现 | 初步实验和综述显示潜在收益[1][7] | 长期学习、迁移能力和课程差异 |
| 学生如何使用 GenAI | 态度、写作和医学教育研究较多[6][9][10] | 交互日志、修改过程和元认知指标 |
| 评价如何改变 | 学术诚信和 assessment 争议突出[3][5][12] | 过程性评价、口头解释和任务设计实验 |
| 风险如何治理 | 风险与争议已有批判性分析[13] | 机构政策效果、数据安全和公平性评估 |
从综述写作角度看,GenAI 教育主题特别能检验 skill 是否会写成“应用清单”。高质量写法应当围绕学习理论、评价效度和制度治理组织证据,而不是列出写作、编程、问答、翻译等功能。学生学习不是功能总和,而是目标、任务、反馈和评价之间的关系。GenAI 改变的是这套关系,因此正式综述应把技术能力放在教育设计之下讨论。
这也解释了为什么本主题需要 standard 篇幅。短稿可以说明 GenAI 的机会和风险,但不足以展开学习支持、元认知风险、评价重构、教师角色和机构治理之间的连锁关系。若缺少这一层展开,综述看起来信息密集,实际却不能指导课程设计。standard 综述必须让读者读完后知道:哪些证据已经支持课堂尝试,哪些风险需要制度约束,哪些研究还只是态度和预测,哪些问题必须通过课程级或机构级实证研究回答。
课程设计研究还应关注学科差异。医学教育、写作教学、编程学习和通识课程对 GenAI 的需求并不相同[6][9][10][11]。医学教育强调安全、证据和临床推理,写作教学强调论证、声音和修改过程,编程学习强调调试和问题分解,通识课程则更重视信息判断和表达能力。若综述把这些场景放在同一层面,只会得到“GenAI 既有用又有风险”的空泛结论。更好的写法是比较不同学科的学习目标和风险结构,说明同一工具为何在不同任务中产生不同教育后果。
学生差异也是重要边界。已有研究讨论学习动机、过程和表现[7][8],但对先验能力、语言背景、数字素养、经济条件和自我调节能力的调节作用仍不足。GenAI 可能帮助基础较弱学生获得即时解释,也可能让缺乏判断能力的学生更依赖错误答案;它可能降低语言表达门槛,也可能扩大熟练提示者和普通使用者之间的差距。未来研究若能把学生差异纳入模型,教育结论会更接近真实课堂,而不是停留在平均效应。
最后,GenAI 教育综述还应把平台变化纳入证据边界。模型能力、价格、隐私政策和学校许可状态会快速变化,导致 2023 年的态度研究未必能解释 2026 年的课堂实践[1][13]。因此,综述写作需要记录研究时间、工具版本和任务环境。对快速变化技术而言,证据不是一次性累积,而是需要持续更新的学习生态记录。
GenAI 大学学习综述还需要把证据类型分层。概念性论文可以提出评价危机,学生和教师访谈可以揭示接受度与担忧,实验研究可以检验特定任务的表现变化,课程设计研究则能说明制度化使用是否可行[3][7][10][12]。这些证据不能互相替代。若用态度调查证明学习效果,或用单次实验推断长期能力,就会高估证据强度。正式综述应在每一节提醒读者:当前结论主要来自哪类证据,它能回答什么问题,又不能回答什么问题。
一个更成熟的研究框架可以把 GenAI 学习影响拆成“输入—过程—产出—治理”四层。输入层包括学生能力、课程任务和工具可用性;过程层包括提示、反馈、修改和反思;产出层包括成绩、作品质量、概念理解和迁移能力;治理层包括诚信规则、数据保护和教师工作量。这个框架能帮助综述避免只讨论工具功能,而把技术重新放回大学教学系统中。
这类主题的结论也应保留教育价值判断。大学不是为了让学生更快完成文本产物而引入技术,而是为了促进理解、判断、创造和责任感。如果 GenAI 只提高产出速度,却削弱解释能力和学术诚实,教育收益就需要重新评估。换言之,GenAI 教育研究的最终对象不是工具效率,而是学习质量和大学教育目标之间的重新匹配。这一判断也能帮助课程团队把技术使用规则写成教学设计,而不是事后补救,并让学生理解为什么使用边界本身也是学习目标的一部分。
参考文献
- Malik Sallam. ChatGPT Utility in Healthcare Education, Research, and Practice: Systematic Review on the Promising Perspectives and Valid Concerns. Healthcare, 2023. 10.3390/healthcare11060887
- Locky Law. Application of generative artificial intelligence (GenAI) in language teaching and learning: A scoping literature review. Computers and Education Open, 2024. 10.1016/j.caeo.2024.100174
- Rosario Michel‐Villarreal, Eliseo Luis Vilalta-perdomo, David Ernesto Salinas-Navarro, Ricardo Thierry-Aguilera, Flor Silvestre Gerardou. Challenges and Opportunities of Generative AI for Higher Education as Explained by ChatGPT. Education Sciences, 2023. 10.3390/educsci13090856
- Christy Boscardin, Brian C. Gin, Polo Black Golde, Karen E. Hauer. ChatGPT and Generative Artificial Intelligence for Medical Education: Potential Impact and Opportunity. Academic Medicine, 2023. 10.1097/acm.0000000000005439
- Sandeep Singh Sengar, Affan Bin Hasan, Sanjay Kumar, Fiona Carroll. Generative artificial intelligence: a systematic review and applications. Multimedia Tools and Applications, 2024. 10.1007/s11042-024-20016-1
- David Baidoo-Anu, Leticia Owusu Ansah. Education in the Era of Generative Artificial Intelligence (AI): Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning. Journal of AI, 2023. 10.61969/jai.1337500
- Alex Barrett, Austin Pack. Not quite eye to A.I.: student and teacher perspectives on the use of generative artificial intelligence in the writing process. International Journal of Educational Technology in Higher Education, 2023. 10.1186/s41239-023-00427-0
- Yizhou Fan, Luzhen Tang, Huixiao Le, Kejie Shen, Shufang Tan, Yueying Zhao, et al.. Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 2024. 10.1111/bjet.13544
- Marcello M. Mariani, Yogesh K. Dwivedi. Generative artificial intelligence in innovation management: A preview of future research developments. Journal of Business Research, 2024. 10.1016/j.jbusres.2024.114542
- Qi Xia, Xiaojing Weng, Fan Ouyang, Tzung‐Jin Lin, Thomas K. F. Chiu. A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 2024. 10.1186/s41239-024-00468-z
- Jürgen Rudolph, Samson Tan, Shannon Tan. ChatGPT: Bullshit spewer or the end of traditional assessments in higher education?. Journal of Applied Learning & Teaching, 2023. 10.37074/jalt.2023.6.1.9
- Humaid Al Naqbi, Zied Bahroun, Vian Ahmed. Enhancing Work Productivity through Generative Artificial Intelligence: A Comprehensive Literature Review. Sustainability, 2024. 10.3390/su16031166
- Ilya Jackson, Dmitry Ivanov, Alexandre Dolgui, Jafar Namdar. Generative artificial intelligence in supply chain and operations management: a capability-based framework for analysis and implementation. International Journal of Production Research, 2024. 10.1080/00207543.2024.2309309
- Mohammadreza Farrokhnia, Seyyed Kazem Banihashem, Omid Noroozi, A.E.J. Wals. A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, 2023. 10.1080/14703297.2023.2195846
- Sajan B Patel, Kyle Lam. ChatGPT: the future of discharge summaries?. The Lancet Digital Health, 2023. 10.1016/s2589-7500(23)00021-3
- Nishith Reddy Mannuru, Sakib Shahriar, Zoë Abbie Teel, Ting Wang, Brady Lund, Solomon Tijani, et al.. Artificial intelligence in developing countries: The impact of generative artificial intelligence (AI) technologies for development. Information Development, 2023. 10.1177/02666669231200628
- Zied Bahroun, Chiraz Anane, Vian Ahmed, Andrew Zacca. Transforming Education: A Comprehensive Review of Generative Artificial Intelligence in Educational Settings through Bibliometric and Content Analysis. Sustainability, 2023. 10.3390/su151712983
- Yee Hui Yeo, Jamil S. Samaan, Wee Han Ng, Peng–Sheng Ting, Hirsh D. Trivedi, Aarshi Vipani, et al.. Assessing the performance of ChatGPT in answering questions regarding cirrhosis and hepatocellular carcinoma. Clinical and Molecular Hepatology, 2023. 10.3350/cmh.2023.0089
- Krzysztof Wach, Cong Doanh Duong, Joanna Ejdys, Rūta Kazlauskaitė, Paweł Korzyński, Grzegorz Mazurek, et al.. The dark side of generative artificial intelligence: A critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review, 2023. 10.15678/eber.2023.110201
- Maria Bordukova, Nikita Makarov, Raul Rodriguez‐Esteban, Fabian Schmich, Michael P. Menden. Generative artificial intelligence empowers digital twins in drug discovery and clinical trials. Expert Opinion on Drug Discovery, 2023. 10.1080/17460441.2023.2273839
- Jules White, Quchen Fu, Sam Hays, Michael Sandborn, Carlos Olea, Henry Gilbert, et al.. A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv (Cornell University), 2023. 10.48550/arxiv.2302.11382
- Inês Carvalho, Stanislav Ivanov. ChatGPT for tourism: applications, benefits and risks. Tourism Review, 2023. 10.1108/tr-02-2023-0088
- Juan Dempere, Kennedy Prince Modugu, Allam Hesham, Lakshmana Kumar Ramasamy. The impact of ChatGPT on higher education. Frontiers in Education, 2023. 10.3389/feduc.2023.1206936
- Dominik K. Kanbach, Louisa Heiduk, Georg Blueher, Maximilian Schreiter, Alexander Lahmann. The GenAI is out of the bottle: generative artificial intelligence from a business model innovation perspective. Review of Managerial Science, 2023. 10.1007/s11846-023-00696-z
- Ruchi Gupta, Kiran Nair, Mahima Mishra, Blend Ibrahim, Seema Bhardwaj. Adoption and impacts of generative artificial intelligence: Theoretical underpinnings and research agenda. International Journal of Information Management Data Insights, 2024. 10.1016/j.jjimei.2024.100232
- Heather Johnston, Rebecca Wells, Elizabeth M. Shanks, Timothy Boey, Bryony N. Parsons. Student perspectives on the use of generative artificial intelligence technologies in higher education. International Journal for Educational Integrity, 2024. 10.1007/s40979-024-00149-4
- Carl Preiksaitis, Christian Rose. Opportunities, Challenges, and Future Directions of Generative Artificial Intelligence in Medical Education: Scoping Review. JMIR Medical Education, 2023. 10.2196/48785
- Partha Pratim Ray. ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. Internet of Things and Cyber-Physical Systems, 2023. 10.1016/j.iotcps.2023.04.003
- Renana Peres, Martin Schreier, David A. Schweidel, Alina Sorescu. On ChatGPT and beyond: How generative artificial intelligence may affect research, teaching, and practice. International Journal of Research in Marketing, 2023. 10.1016/j.ijresmar.2023.03.001
- Chung Kwan Lo. What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature. Education Sciences, 2023. 10.3390/educsci13040410
- Yue Liu, Zhengwei Yang, Zhenyao Yu, Zitu Liu, Dahui Liu, Hailong Lin, et al.. Generative artificial intelligence and its applications in materials science: Current situation and future perspectives. Journal of Materiomics, 2023. 10.1016/j.jmat.2023.05.001
- Debby Cotton, Peter A. Cotton, J. Reuben Shipway. Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 2023. 10.1080/14703297.2023.2190148
