全球AI教育观察 · 2026-10-05

全球AI教育观察

域外 AI 教育资讯 · 每日精选　｜　2026 年 10 月 5 日

域外 AI 教育本周的主线是「能力建设跑在技术采购前面」：秘鲁随机对照试验显示教师培训显著提升提示质量与错误识别能力，却没有带来时间节省；尼日利亚 2,586 名教师的调查显示 AI 意识中等而教学技能偏低；Anthropic 与莱曼预备学校则把投入押在「人先于工具」的能力体系上。

本期共 24 条，按四个板块分色导航

7最佳实践10研究论文4行业报告3法律政策

本期目录

最佳实践

01　曼哈顿莱曼预备学校推出「以人为本的 AI 教师认证」02　以新的教师培训推进 AI 教育03　韩国小学开设 AI 课程，力争成为全球 AI 强国04　专栏：AI 应当进入教育，但不应无处不在05　AI 正通过教师培训与能力框架进入课堂06　当教职员工用 AI 出了错，学校领导者该怎么做？07　总理：青年必须掌握新前沿知识以推动国家前行

研究论文

08　超越速度：秘鲁的 AI 实验说明为何教师能力比技术可及性更重要09　透明度困境：AI 使用披露如何侵蚀信任10　STEM 教育中的数字孪生：一项系统性综述11　人多力量大？与生成式 AI 多智能体系统的个体与协作交互对学习表现与批判性思维…12　导航 AI 的教育未来：专家情景及其对教学与教师培养的启示13　创意教育中的生成式 AI：关于学习过程、艺术表现与作者身份的前测关联证据14　在 AI 世界中设计以人为本的评估：让学习者思维可见的框架15　尼日利亚教师的 AI 意识与教学技能水平：性别与教学经验的差异16　人工智能在小学语言教育中的应用：一项系统性综述17　教师将人工智能整合进教学与学习所面临的挑战：一项系统性文献综述

行业报告

18　Anthropic 投入 1 亿美元推出 Claude 前沿学院…19　三只受益于教育领域 AI 治理转向的股票20　在线 K-12 教育市场规模、份额与趋势分析报告21　AILitHub：构建 AI 素养基础设施，让框架落地实践

法律政策

22　随着学生滥用增加，阿拉斯加大学将出台 AI 政策23　白宫 AI 事务负责人公布工作组目标与成员24　谷歌在 K-12 学校推广 AI 辅导工具遭到反弹

1曼哈顿莱曼预备学校推出「以人为本的 AI 教师认证」

Léman Manhattan Preparatory School Launches Human-Led AI Teacher Certification

纽约曼哈顿的莱曼预备学校（Léman Manhattan Preparatory School，一所 IB 世界学校，覆盖学前至 12 年级）宣布推出为期四周的「以人为本 AI 教师认证」（Human-Led AI Teacher Certification），与 Collegio Partners 联合开发，目标是让教师摆脱零散、不均衡的 AI 使用状态，转向能够自主创建与治理 AI 支持型教学实践。项目围绕四个递进能力展开：Lead（把 AI 当作有纪律的思考伙伴，教师保留目的、批判、核验与最终判断权）、Build（把有效交互沉淀为可复用的学科工作流）、Create（开发可复用的 AI 教学工具）、Delegate（学会设计并治理边界清晰、可问责的 AI 智能体）。

贯穿全程的原则是「Brain First. AI Second. Human Judgment Always」（先大脑、后 AI、人类判断永远在场），认证依据实践凭证而非出勤。校方引述一项经济政策研究中心（CEPR）研究作为背景：该研究追踪 26,811 名中国学生 30 个月的 AI 使用情况，发现采用 AI 后作业成绩上升 18%、完成时间下降 30%，但月度闭卷考试成绩在六个月内下降 20%，高利害入学考试的长线降幅达 18% 与 24%，且损失最集中于把作业外包给 AI 的学生群体。

校方由此主张：学生产出提升不等于学习发生，既不全面禁止也不无批判地拥抱，而应追问「某项 AI 使用究竟要培养人的哪一种能力」。该校同时通过创新学习中心、教师发展与「AI 创业学者」项目把这一路径延伸到适龄教学、原型开发与创业教育。

2以新的教师培训推进 AI 教育

Advancing AI Education with New Teacher Training

2026 年 10 月 5 日是世界教师日，联合国教科文组织（UNESCO）将以「与教师站在一起：守护职业 60 年、提升地位、塑造未来」为主题，纪念《关于教师地位的建议书》发布 60 周年。为配合这一节点，UNESCO 发布了《教师 AI 能力框架》（AI Competency Framework for Teachers），围绕人工智能、伦理、教学法与以人为本四条主线，列出 15 项关键能力，目标是帮助教师在借力 AI 的同时，把人的能动性与教师权利置于教育变革的核心。

与之呼应，美国职业传播集团（Career Communications Group, CCG）宣布完成其《教师 AI 培训教材》与《AI 早期人才培训认证》，两者完全对齐马里兰州教育厅《K-12 学校人工智能指南》与《马里兰州 AI 赋能战略》。教材面向 K-12 教师、教学领导者、学区与教师专业发展项目，涵盖 AI 基础、课堂教案与教学活动、提示工程实务、AI 伦理与偏见、隐私与网络安全、数字公民素养、批判性思维、职业探索与学生参与策略等模块，由马里兰州劳工部提供部分资助。

CCG 董事长兼 CEO Tyrone D. Taborn 表示，教师若没有知识、信心与教学资源，就无法为学生准备好未来的职业；课程强调 AI 应当增强而非替代有效教学。该举措与马里兰州新近生效的《AI 就绪学校法案》（Artificial Intelligence Ready Schools Act）形成配套——该法案要求州教育厅制定指南、扩大专业发展、确立最佳实践并推动 K-12 AI 素养。

CCG 同期在 STEM City USA 元宇宙平台上线 ASCEND Knowledge on Demand 学习与技能平台。

3韩国小学开设 AI 课程，力争成为全球 AI 强国

Korean primary schools teach AI in bid to become global superpower

韩国启动面向小学三至六年级学生的人工智能基础试点课程，课程内容覆盖数据管理、AI 算法、积木式编程、人脸识别与 AI 伦理，首批约 3,000 名学生参与，分布在首尔的六所学校。这是韩国把 AI 贯穿整个教育体系的国家战略的一部分：自 2020 年以来，韩国已培训超过 34,000 名教师掌握 AI 相关教学内容与方法。

报道指出，该项目意在让下一代为 AI 影响力持续扩大的社会环境做好准备，同时服务于韩国成为全球 AI 产业重要参与者的国家目标。从国际比较角度看，这一试点与新加坡「2027 年前所有高等教育学生必修 AI 技能」的规划、哈萨克斯坦「自 2026 年 9 月起中小学一年级起必修 AI 课程」的安排，共同反映出东亚与中亚地区正在把 AI 素养从选修兴趣课推向基础教育必修内容。

试点阶段的观察重点包括：低龄学生的认知负荷与屏幕时间安排、人脸识别等敏感技术内容如何与伦理教育配套讲授、教师培训是否足以支撑课程常态化，以及六校试点能否扩展为可复制的全国模式。报道未披露课程评估方式与学习成效数据，相关结论有待后续跟进。

4专栏：AI 应当进入教育，但不应无处不在

Column: AI belongs in education, just not everywhere

这是《檀香山星广报》「Island Voices」栏目的一篇学生视角评论，作者 Chloe Yang 是夏威夷 ʻIolani 学校 2027 届学生。文章从「AI 已成为学生群体中最被爱恨交织的存在」切入，主张不应把 AI 在教育中的角色简化成是非题。

作者认为 AI 的持续使用会导致「认知债务」（cognitive debt），即独立思考能力的长期流失，并援引麻省理工学院（MIT）研究指出 AI 会降低认知投入、削弱把信息转化为知识的能力。但作者同时给出自身经验：备考时用 AI 生成额外练习题、遇到卡壳的概念时让 AI 换不同方式讲解，仍然需要自己解题与理解，AI 只是在教师不在场时提供了另一种学习路径。

她观察到学科差异明显——STEM 领域 AI 辅助效果较好，人文学科与写作领域的风险更大，因为人文没有唯一答案，若请 AI 代写就会剥夺只能通过亲手完成才能习得的技能；不过拼写与语法等机械性环节，AI 确有帮助。文章引用数据称，68% 的 K-12 教育工作者与 61% 的高等教育工作者至少偶尔在课堂上使用 AI；一位教师称 AI 为其每周节省至少两小时备课时间，可用于更多关注学生，但坚持评分、成绩评语与面向学生的任务不应由 AI 替代。

作者结论是：AI 可用于教育中重复性的部分，但必须限制其在课堂的使用边界，真正的问题不是「要不要用」，而是学校如何教学生负责任地使用、教师如何让学习更有效而非更省力。

5AI 正通过教师培训与能力框架进入课堂

AI is being incorporated into classrooms with teacher training and competency frameworks

首届欧洲 EducaIA 论坛在西班牙圣地亚哥－德孔波斯特拉举行，由 Siena Educación 与《Magisterio》报主办、加利西亚自治区政府支持，来自十余个自治区的教育部长、司长与创新负责人参加，经合组织（OECD）教育主管 Andreas Schleicher 通过视频连线分析技术冲击带来的挑战。会议将作为与马德里欧洲大学合作编写《人工智能与教育白皮书》的基础，汇总各国经验与建议。

报道详述了两个区域样本：卡斯蒂利亚－莱昂宣布把 AI 融入学前、小学、初中与高中各学段的能力框架，不新设独立学科，框架分四块——理解 AI 是什么、在让机器行动前先思考与阅读、核验与交叉比对数据、在承担责任的前提下创造；该区本年度安排 540 项培训活动、9,000 个名额（上年度为 460 项、7,500 个），95% 的教师已持有含 AI 内容的数字能力认证，并为管理团队规划 30 门课程、1,500 个名额。阿拉贡则强调减负与证据，近 3,000 名教师完成 140 小时培训（覆盖伦理、课程设计、课堂应用、评估、无障碍与包容），培训基于对 1,574 名教师的调查，并参与欧盟 PAIDEIA 项目。

文中引用的关键框架包括：UNESCO 教师 AI 能力框架（15 项能力、五个维度、三个层级）、2026 年 6 月欧盟委员会与 OECD 联合发布的 19 项 AI 素养能力框架（与 AI 互动、用 AI 创造、管理 AI、参与塑造 AI）。风险方面，西班牙 STEs-Intersindical 一项涵盖 5,866 名教师与 1,054 名学生的调查显示，92% 的受访学生在校园场景中使用 AI，许多人承认未加核验即接受输出结果，专家与工会最担忧的是「认知委托」。

同时多数意见认为 AI 检测器可靠性不足，主张评估学习过程而非仅看最终产品。

6当教职员工用 AI 出了错，学校领导者该怎么做？

What Should Leaders Do When Staff Get AI Wrong?

作者 Dan Fitzpatrick 是 The AI Educator 创始人，自称已在 30 多个国家培训超过 15 万名教育工作者。文章提出核心判断：多数 AI 事故的根因是「缺规则」而非「人失职」，因此领导者首先要问的不是「这是否该走纪律程序」，而是「是否存在一条足够具体、当事人在事前读得到并能判断自身行为被涵盖在内的书面规则」。

指引不等于规则，培训日的一张幻灯片也不等于规则。数据支撑来自 CoSN《2026 美国教育技术现状》（2026 年 1 月 14 日至 3 月 1 日采集 607 个学区的回应）：79% 的学区已有 AI 指引（上年度 57%），但只有 56% 有生成式 AI 可接受使用政策（上年度 38%），「有指引的学区多于有规则的学区」这一缺口正是事故高发处。

文中还援引：哥伦比亚特区教育厅 2026 年 9 月发布的《教职员 AI 示范政策》把教职 AI 使用分为红、黄、绿三档，但未规定分级后果、报告义务或违规处理程序；英国教育部立场文件（最近更新于 2025 年 8 月 12 日）把责任同时归于文档产出者与其所属机构；Curran 与 Goo 对佛罗里达州 73 个学区行为准则的分析显示，仅 23.3% 提及 AI，其中约 94% 将其归入学术不诚实并附惩罚，这是领导者不假思索沿用的模板。作者提出「规则优先检验」（Rule-First Test）三步回应：写规则（若原本无规则则不施加后果）、纠正成果并支持当事人（若有规则但被误用）、启用既有教职行为流程（若明知而故犯）。

他强调严重程度决定响应速度与通报范围，但不决定当事人是否做错；并提醒「错误率大致恒定、上报率不是」——对一次无心之失施加纪律处分，信息就不再上达。

7总理：青年必须掌握新前沿知识以推动国家前行

PM: Youth must master new frontiers to propel nation forward

马来西亚总理安瓦尔·易卜拉欣在吉隆坡会议中心举行的 2026 年青年经济论坛（YEF 2026）上表示，马来西亚青年必须掌握包括人工智能在内的新知识前沿，以在全球快速变化中保障国家未来。他强调「我们必须掌控 AI；否则 AI 将掌控我们」，因此应为年轻人提供系统掌握这一知识领域的空间，并把 AI、量子计算与数字化列为国家经济竞争力的关键。

安瓦尔同时重申技术应服务于人，青年在追逐前沿科技时不能放弃价值观、传统、文化与人性，「在向天空伸手的同时必须扎根大地」。他与青年及体育部长 Mohammed Taufiq Johari 共同接收了由 Perdana Fellows 校友会提交的六项青年政策建议，这些建议基于对 2,000 多名受访者的全国调查以及与 112 名青年参与者和领袖的焦点小组讨论，六大方向包括：扩大人工智能的可及性、培育绿色创业、最大化外国直接投资效益、改善公共服务供给、拓宽经济机会、建立常设的青年参与平台。

Taufiq 指出，青年最关心的三个现实问题是生活成本、十年后岗位是否仍在、以及失足时谁能接住他们，因此在推动数字化转型时必须保持社会保障网稳固。这条报道反映东南亚国家正把 AI 素养纳入青年政策与劳动力准备的框架，而非仅视为课程改革议题。

8超越速度：秘鲁的 AI 实验说明为何教师能力比技术可及性更重要

Beyond Speed: Peru's AI Experiment Shows Why Teacher Skills Matter More Than Technology Access

一项由世界银行发展研究组与教育全球实践局、威斯康星大学麦迪逊分校及多伦多大学研究者合作开展的随机对照研究，在秘鲁利马都会区的公立学校检验了「AI 的主要价值是让工作者更快」这一流行假设。实验涉及 390 所公立学校的 1,269 名六年级教师，其中 196 所学校 660 名教师进入处理组，194 所学校 609 名教师构成对照组；干预组合为一天线下培训、开通 Microsoft Copilot 使用权限，以及为期八个月通过 WhatsApp 的持续跟进。

结果显示：Copilot 激活率提升 20.4 个百分点，教师在 28 周项目期内累计多出 3.15 个活跃周；把 Copilot 列为最常用 AI 工具的比例上升 29.3 个百分点（对照组基数为 9.6%）。然而，更高的 AI 使用并未在七类主要专业活动中带来显著的时间节省，包括备课、差异化教学、评估设计、批改、协作、行政事务与家长沟通。

真正的增益出现在质量维度：受训教师的提示词表现在不同指标上提升 4.6% 至 16.9%；整体提示质量依培训方评估提升 9.2%，依独立评估（衡量清晰度、具体性与情境）提升 11.1%；受训教师错误判断弱提示的比例降低 9.9 个百分点，把不合格 AI 回应误判为合格的比例降低 6.7 个百分点。研究还发现年龄效应值得关注：年龄高于中位数 54 岁的教师起初在提示能力上弱于年轻教师，但受训后进步幅度明显更大，结构化 AI 培训缩小而非扩大了年龄差距。

秘鲁的数字基础较好（2021 年 99% 公立教师有手机、81% 有笔记本或平板、88% 有移动数据套餐），研究者据此指出政策挑战正从「接入」转向「能力」，并提醒对教育系统 AI 项目的评估不应只统计许可证数量或注册教师数，而应关注提示质量、错误识别、课程对齐乃至学生学习成效。

9透明度困境：AI 使用披露如何侵蚀信任

The transparency dilemma: How AI disclosure erodes trust

该研究综合 13 项预注册实验（元分析合并 4,093 个观测值），检验一个反直觉假设：主动披露使用生成式 AI 的行为者，是否会比保持沉默者获得更低的信任。理论机制建立在微观制度理论上，核心解释是「感知合法性」——披露 AI 使用被视为偏离了「工作应体现人类判断」的默认期待，从而降低合法性并侵蚀信任。

总体效应显著：披露 AI 使用者受信任程度显著更低（θ = 0.81, z = 10.52, 95% CI [0.66, 0.96], p < 0.001）。教育相关证据出现在研究 1：195 名本科商科学生评价教授时，被告知使用 AI 评分的教授得分（M = 2.48）显著低于人类助教（M = 2.87）与未披露条件（M = 2.96），F(2,192) = 15.92, p < 0.001, η² = 0.14。

权力更大的评判者惩罚更重：85 名有招聘经验的主管对 AI 披露者的评分（M = 2.91）远低于无披露者（M = 4.40, d = 1.42）；345 名投资者分别为 M = 4.18 与 M = 5.08（d = 0.69）。合法性中介效应得到支持（间接效应 ab = −0.56, SE = 0.06）。

研究 10 显示效应超越一般性的「算法厌恶」：披露 AI 的人类（M = 4.94）低于自主 AI 代理（M = 5.61）与未披露人类（M = 5.72）。研究 13 发现第三方曝光比自我披露更糟（M = 2.49 vs 3.15 vs 无披露 4.02）。

稳健性检验中，六种披露框架（一般、人工审核、仅校对、说明意图、错误警告、透明度承诺）全部导致信任低于无披露（所有 p < 0.02）；强制披露（d = 0.74）与自愿披露（d = 0.64）两种制度下均存在惩罚；即使评判者已知存在 AI 使用，效应仍存。作者提示教育读者谨慎外推：唯一与教育相关的实验衡量的是「信任判断」而非学习成效，其价值在于预示披露规范可能如何落地，而非证明 AI 对教学或学习的效果。

10STEM 教育中的数字孪生：一项系统性综述

Digital Twins in STEM Education: A Systematic Review

该综述遵循 PRISMA 流程并采用 Borrego 等人的工程教育研究五阶段方法，检索 ACM Digital Library、IEEE Xplore、Taylor & Francis Online、Wiley Online Library 与 Scopus 五个数据库，共识别 329 条记录，经去重、筛选与作者间三角验证后最终纳入 11 项原始研究（时间跨度为 2020–2025 年）。综述指出该领域存在明显的「技术—教学鸿沟」：几乎所有研究都能搭出可运行原型，但极少严格验证学习效果。

架构上，三层模型（物理/通信/虚拟）占 36.4%，五层框架占 27.3%，CPS/ECPS 框架占 36.4%；技术上 63.6% 采用双向数据流，Arduino 与 Unity3D 分别占 63.6% 与 54.5%，MQTT 占 45.5%，并有 4 项研究报告云端延迟超过 500 毫秒。学习效果方面，6 项（54.5%）报告学业成绩提升，5 项（45.5%）报告动机或投入度提升，但仅 3 项（27.3%）达到统计显著：Baranov 等的期末考试成绩提升 15.2%（p < 0.01, Cohen's d = 0.68），Hu 的前后测知识提升 23.7%（t(87) = 12.45, p < 0.001），Lin 等的物理成绩高出 18.5%（p = 0.03）。

结论指向界面设计而非架构深度：复杂仪表板易致认知超载，简洁界面反而减轻负担。障碍方面：开发复杂度被 8 项研究（72.7%）列为问题，原型周期 3–12 个月；社交互动减少出现在 6 项（54.5%）；缺乏触觉反馈 3 项（27.3%）；可扩展性受限，5 项仅支持 1–3 名并发用户；硬件成本每个工作节点 2,000–15,000 美元且无任何投资回报分析；仅 2 项（18.2%）测试混合模式。

方法论缺陷集中：样本量少于 50 人的占 72.7%，单学期干预占 81.8%，仅依赖李克特自评占 45.5%，无对照组占 36.4%。作者建议推动教育数字孪生标记语言、总拥有成本研究与边缘计算应用，并提示 11 项研究全部报告某种正向收益，存在发表偏倚风险。

11人多力量大？与生成式 AI 多智能体系统的个体与协作交互对学习表现与批判性思维的影响

Many hands make light work? Individual and collaborative interaction with a GenAI-powered multi-agent system: Effects on learning performance and critical thinking

该研究以完整班级为单位，把 87 名学生（男 32 人占 36.8%，女 55 人占 63.2%，年龄 18–21 岁）分入三种条件：无 AI 支持的同伴协作组（PC，n = 26，13 对）、个体与生成式 AI 多智能体系统交互组（MAS-IL，n = 33）、配对与该系统交互组（MAS-CL，n = 28，14 对）。三组由同一教师授课八周，目标、内容与资源完全一致。

学习表现由 10 题知识测验（KR-20 前后测分别为 0.617 与 0.788）与 100 分设计项目（五维评分表，ICC = 0.871）衡量；批判性思维意识采用四题量表（α 前后测 0.774 与 0.924）；交互按 Murphy 五阶段编码，Cohen's kappa 为 0.848。结果呈任务依赖性分化：知识测验上三组增益无统计差异（χ²(2) = 0.825, p = 0.662）；设计项目上组间差异显著（χ²(2) = 9.09, p = 0.011），Dunn 事后检验显示 MAS-CL 高于 PC（p = 0.039）与 MAS-IL（p = 0.014），而 PC 与 MAS-IL 之间无差异。

批判性思维意识的模式相反：MAS-IL 的增益最大（M = 0.41, SD = 0.57），PC 基本持平（M = 0.06, SD = 1.02），MAS-CL 略为负值（M = −0.04, SD = 0.61），仅 MAS-IL 与 MAS-CL 之间达到显著（p = 0.039）。滞后序列分析与认知网络分析把差异解读为两条认知轨迹而非能力高低：个体组的优势转移集中在「识别→分析」与「评估→评估」自我循环，网络聚类于分析与评估，被作者理解为持续的内部监控；配对组呈现更宽、更分散的转移集合，网络中心在「理解」，且离题交流更多，被解读为关系建立与语境锚定而非分心。

ENA 在水平轴上区分两组（U = 861.00, p = 0.01, r = −0.33）。作者给实践者的建议是：把「人—AI 配置」与学习目标对齐——复杂意义建构与设计任务宜用协作式多智能体交互，而以批判性思维意识或自我调节为目标时宜采用个体交互；当学习者同时与同伴和智能体协作时，应显式嵌入反思或批判性思维脚手架，以抵消观察到的个体元认知监控下降。

12导航 AI 的教育未来：专家情景及其对教学与教师培养的启示

Navigating AI's educational future: expert scenarios and implications for teaching and teacher preparation

该研究由 20 名来自 13 个国家、18 个机构的教育研究者组成 UNESCO EDUsummIT 2025 第五主题工作组，共同建构六个描述 2030 年 AI 充分融入学校的情景，覆盖小学、中学、技术与社区学院以及三个高等教育愿景。研究者采用 Braun 与 Clarke 的六阶段反思性主题分析，并改造为「人—AI 系统化协作」：ChatGPT-5.1 生成初始编码并提出九个候选主题，Claude 4.5 Sonnet 通过「自动访谈」技术用于主题质询与论证分析，四名人类研究者验证编码并作出分析判断，包括把一个过于复杂的主题拆解为三个。

最终从 329 条引用中析出 12 个主题，并归纳为三个元模式：一是「更人性化悖论」（more-human paradox）——AI 饱和反而强化而非取代人类教学工作，某情景中教师角色「演进但未被削弱」，AI 承担常规工作以便教师促进互动、辅导社交技能；二是「能动性—脚手架张力」——学生与 AI 的批判性、能动性伙伴关系必须被刻意搭建而非默认可得，贯穿从小学到高等教育的全过程；三是「情境差异」——批判性 AI 伙伴关系在不同学段有发展性不同的形态。值得注意的是，「可及性、包容或福祉」出现在全部六个情景中（频次 22），而「张力、局限与意外后果」仅出现在三个情景且全部位于高等教育，提示参与者总体偏乐观。

基于此，作者提出职前教师培养的三个优先领域：发展批判性、能动性的 AI 伙伴关系；编排 AI 增强的学习生态；建设可信、可及、公平的 AI 基础设施。作者同时说明该方法本身即人—AI 协作案例，并强调人类保留解释权、把 AI 贡献置于与人类分析同等的验证标准之下，是分析严谨性的前提。

局限方面，参与者—研究者双重身份带来立场风险；多模型编码、成员核查与情景撰写分离可在一定程度上缓解但无法消除内部人偏倚。

13创意教育中的生成式 AI：关于学习过程、艺术表现与作者身份的前测关联证据

Generative AI in creative education: baseline-linked evidence on learning processes, artistic performance, and authorship

该研究以某本科艺术课程 133 名学生为样本，创新地链接三类数据：既往课程成绩、由评审打分的期末创意表现评估，以及项目后问卷，从而把生成式 AI 使用区分为两类——「辅助性使用」（用于构思、打磨与技法学习）与「内容生成性使用」（AI 直接贡献创作产出）。核心发现是「过程—结果脱钩」：AI 使用与更强的感知支持、技能迁移相关，但期末艺术表现及前测到期末的变化并无对应增益。

具体而言，二元 AI 使用与审美判断（β = 0.28, p = 0.010）、技能迁移（β = 0.26, p = 0.01）正相关，与感知支持的关系较弱（β = 0.16, p = 0.055）；期末艺术表现与表现变化则无对应关联。基线调整模型把 AI 使用与质量信心（β = 0.36, p < 0.001）与展示身份（β = 0.29, p < 0.001）并列，展示准备度仅为边缘显著（β = 0.15, p < 0.10）。

既往课程表现是最稳定的预测因子：基线分数预测期末总分（β = 0.46）、创造力（β = 0.39）、作者身份（β = 0.37）与完成度（β = 0.43），均 p < 0.01，并对表现变化呈负向预测（β = −0.61, p < 0.001），因为低分学生有更大上升空间。内容生成性 AI 使用与更低的作者身份评价相关（ANOVA F = 10.34, p < 0.001, η² = 0.137），作者将其解读为 AI 塑形的作品遮蔽了学生自身的创作决策。

控制既往表现与 AI 经验后，二元 AI 使用在各项发展性结果上接近零（标准化系数 0.04–0.07，均不显著）；真正与这些结果同步的过程变量是「内化」，表现为继续意愿（β = 0.51, p < 0.001）、社会价值取向（β = 0.28, p < 0.05）与发展取向（β = 0.40, p < 0.001）。研究设计为观察性，采用基线调整模型、倾向得分调整与多重稳健性检验；20 分量表评审一致性以 Cohen's kappa 在分数协调后检验。

作者的核心警示是「过程增益不等于学习增益」，因此建议以学生如何记录、说明与反思 AI 使用来评估整合质量，而非仅看作品本身。

14在 AI 世界中设计以人为本的评估：让学习者思维可见的框架

Designing Human-Centered Assessment in an AI World: A Framework for Making Student Thinking Visible

这是一篇概念性／立场论文（非实证研究，无样本数据），作者为 De La Cruz。论文主张生成式 AI 引发的评估争论被错误的提问方式框定：检测与学术诚信执法解决的是「作者身份」问题，而非「效度」问题，因为前者无法回答「判断学生学习究竟需要什么证据」。

作者在真实性评估（authentic assessment）与证据中心设计（evidence-centered assessment）的基础上，提出「以人为本的评估」（Human-Centered Assessment）方法，主张评估重心应从「检测 AI」转向「设计能产生更丰富思维证据的评估」。论文提出六个核心要点：真实声音（authentic voice）、反思（reflection）、判断力（judgment）、情境（context）、过程透明（process transparency）、伦理化的 AI 整合（ethical AI integration）；并给出三个按序推进的互补框架：理解原则、审计现有作业、为 AI 中介的学习环境重新设计评估。

作者强调检测式回应不充分——它针对作者身份而非效度。对实践者的建议包括：教师应审视一项作业实际能提供什么证据，若提交的作品是思维的唯一证据，则应把「过程透明」作为再设计目标，加入草稿、理由说明与反思；评估设计者与专业人员应将效度问题与诚信问题分离；教师发展者可将三框架序列用作工作坊结构；管理者需为该方法的额外工作量预留教师时间与支持，否则框架难以支撑一个学期。

论文自陈局限：属概念性写作、发表于会议论文集，未提供实证评估来验证该方法是否真的提升效度；六要点与三框架缺乏信度与效度证据，未提供应用工具；面向高等教育评估受众，未讨论大规模招生或资源匮乏环境的约束。

15尼日利亚教师的 AI 意识与教学技能水平：性别与教学经验的差异

Levels of AI awareness and pedagogical skills among Nigerian teachers: The differentials of gender and teachers' experience

该研究采用横断面分层随机抽样，样本为尼日利亚六大 geopolitical zones 的 2,586 名中学教师，是撒哈拉以南非洲地区规模最大的教师 AI 素养实证样本之一。测量工具包括 8 项二元量表（AI 意识）与 20 项《教育者 AI 素养量表》（AI 教学技能，Cronbach's α = .977，1–5 分量表，自我报告）。

核心发现是两个维度并不同步：AI 意识处于中等水平（M = 3.13, SD = 1.79），而 AI 教学技能显著偏低（M = 2.47, SD = 0.86）；两者呈中等正相关（r = .378, p < .001）。性别差异方面，男性教师意识略高（d = 0.17）、技能略高（d = 0.31），统计显著但效应量小。

经验因素呈现不对称模式：经验对 AI 意识的影响不显著，但对教学技能影响显著，且早期与中期职业教师的技能显著高于资深教师（η² = 0.008）。上述模式在控制学校类型后依然成立，作者据此把尼日利亚中学教师定位在 AI 整合的早期至中期阶段。

实践建议包括：教师与培训者不应假设「能描述生成式 AI」的同事就能用 AI 教学，自我评估的熟悉度不能反映教学设计需求，培训应围绕实操能力（enactment）而非概念讲解，并设计规划、提示与评估类任务；政策制定者应针对「意识—技能缺口」差异化供给专业发展，关注性别差异与早期职业教师的技能优势；研究者应把「意识」与「技能」作为默认的分离测量选择，因为单一准备度分数会掩盖核心发现，并建议在其他撒哈拉以南教育系统中重复验证。局限包括横断面自我报告设计、两个量表刻度与格式不一致（差距大小可能部分是测量假象）、性别与经验效应虽显著但很小、样本限于一国中学教师因而推广性未经验证。

16人工智能在小学语言教育中的应用：一项系统性综述

Artificial Intelligence (AI) in elementary language education: A systematic review

该综述遵循 PRISMA 与 PICOS 框架，并以创新扩散理论为组织线索，检索六大主要数据库中 2013 至 2025 年发表的同行评审研究，采用双重独立筛选（评分者间信度 κ = 0.75）与混合方法评估工具（MMAT）进行质量与偏倚风险评估，最终纳入 31 项研究。综述回答两个问题：小学情境下 AI 研究涉及哪些语言教育方面；哪些 AI 技术及应用占主导并如何支持学习成果。

主要发现是：文献高度集中于口语、读写与词汇，而语法、听力理解与手语明显不足；AI 的教学用途集中在动机、评估与个性化互动，而非基础技能发展；最常见的技术是对话式 AI 与自然语言处理，而自适应学习系统与生物特征反馈的使用远低于预期，这与更广泛 AI 教育文献中的承诺形成明显落差。方法论上，多数研究采用定性或混合方法、样本量中等且缺乏年级针对性，因此难以就幼儿学习得出结论；综述明确指出小学阶段理论化不足，大量证据是从高等教育或笼统的「教育」情境泛化而来，而非直接研究低龄学习者。

实践启示包括：教师采用 AI 语言工具前应先核实它实际训练的是什么，打着「语言学习」旗号的工具可能对语法或听力毫无帮助；课程设计者为低龄学习者评估工具时应明确指定年级段，不应假定针对较大儿童所得证据可迁移至幼儿课堂；政策制定者应把公平与基础设施视为采纳的组成部分，而非事后补充；研究者应直接填补语法、听力理解与手语等被点名的空白，采用更强设计并明确年级段。局限包括：仅覆盖 2013–2025 年六大数据库的 31 项研究，受检索策略与索引范围限制；多数研究为定性或混合方法，综述只能描述领域形态而无法合并效应量；采用单一理论视角，偏重采纳而非学习机制；语言覆盖范围未充分报告，多语言与低资源环境的结论建立在并不具代表性的文献之上。

17教师将人工智能整合进教学与学习所面临的挑战：一项系统性文献综述

Challenges Faced by Teachers in Integrating Artificial Intelligence (AI) into Teaching and Learning: A Systematic Literature Review (SLR)

该系统性文献综述由马来西亚国立大学（Universiti Kebangsaan Malaysia）教育学院研究者 Nur Alia Arshad 与 Khairul Azhar Jamaludin 完成，旨在识别教师在把人工智能整合进教学与学习过程中面临的挑战及成因。方法上遵循 PRISMA 协议，检索 Scopus、Web of Science 与 Google Scholar 三大数据库，经由严格筛选流程从初检 4,031 篇文献中选出 2021 至 2025 年发表的 19 篇文献进行分析；采用 MMAT 工具进行质量评估，结果表明多数文献质量处于中等至高等水平。

核心发现是：教师面临的首要挑战是缺乏培训与 AI 素养（12 篇文献提及），其次是学术诚信与抄袭问题（9 篇）以及对伦理与数据隐私的担忧（9 篇）。关键成因方面：缺乏持续性专业培训被 11 篇文献提及，AI 技术的快速演进被 9 篇提及，教师对 AI 的负面态度或恐惧被 8 篇提及。

研究结论认为，AI 在教育中的整合需要整体性路径，包括持续的教师专业发展、明确的伦理准则与稳健的基础设施支持，才能确保 AI 技术在教育系统中被有效且合乎伦理地使用。从研究分布看，该综述与同期的尼日利亚教师 AI 意识研究、西班牙 STEs-Intersindical 的教师调查形成呼应，共同指向同一结论：在多数教育系统中，教师能力建设而非技术采购才是 AI 落地的实际瓶颈；且培训供给的「一次性」特征（研讨会式而非持续陪伴式）是主要失效原因之一。

该论文可自由访问摘要与关键词部分，完整全文需通过期刊页面获取。

18Anthropic 投入 1 亿美元推出 Claude 前沿学院，计划培养一万名工程师

Anthropic launches $100 million Claude Frontier Academy to train 10,000 engineers

Anthropic 于 2026 年 10 月 2 日宣布推出 Claude Frontier Academy，投入 1 亿美元计划到 2027 年底认证 10,000 名「前沿部署工程师」（Frontier Deployed Engineers, FDE），首批席位提供给埃森哲、贝恩、德勤与麦肯锡等机构的员工，而非开放市场。旗舰项目 FDE Residency 由 Anthropic 工程师讲授多日线下课程，随后工程师回到本机构进行 12 周驻场，在 Anthropic 支持下主导一次真实的 Claude 部署；首批获得「Claude 前沿部署工程师」徽章的毕业生预计在 2027 年初出现。

目前已在美国旧金山、纽约与伦敦开班，学员由埃森哲、贝恩、凯捷、澳大利亚联邦银行、德勤、麦肯锡、摩根士丹利与诺和诺德等机构提名。该学院设有公开申请通道，企业需通过其 Anthropic 客户团队或合作伙伴客户经理申请席位，这意味着第一批认证的 Claude 专家将位于企业惯常聘请来做 AI 落地的咨询与系统集成商内部，而非更广泛的开发者群体。

对正在评估 AI 供应商的企业而言，这一设计改变了权衡：选择 Claude 而非竞品，越来越意味着从 Anthropic 自己培训与筛选的人才池中挑选，而不是在市场上招聘通用 AI 工程师。Anthropic 将该学院定位为其既有 Claude Partner Network 之上的更高层级——后者已发出超过 17.5 万份 Claude 认证、覆盖 4.6 万家企业，近 4,000 人完成 Basecamp 入门课程。

澳大利亚联邦银行集团 CTO Rodrigo Castillo 表示，该行团队在过去一年使用 Claude 工具「代码变更产出提升了最多 3 倍」，该数字由该行提供、未经独立核实。值得关注的是，Anthropic 尚未公布定价、提名之外的资格标准，或现有企业客户之外的公司申请席位的流程。

19三只受益于教育领域 AI 治理转向的股票

3 Stocks Riding The AI Governance Shift In Education

这篇由 Simply Wall St 发布的分析指出，AI 正在批改论文、标记学术不端并改写校园生活规则，而每一起争议或误判都需要有人解释边界所在，这一法律与合规的灰色地带正在成为 AI 治理类企业的真实检验场，也是资本可能的下一个流向。

文章点出三家暴露于该主题的上市公司：Research Solutions（Nasdaq: RSSS），市值约 7,000 万美元，运营帮助研究者检索、评估与获取科学内容的云平台，包含 AI 辅助的学术诚信工作流，其收入结构约为出版期刊 4,800 万美元（美国 2,700 万、欧洲 1,600 万、其余地区 500 万），被定位在 AI 辅助研究、版权合规与学术诚信的交汇点；Huron Consulting Group（Nasdaq: HURN），市值约 24 亿美元，为医疗系统、高校与商业客户提供绩效改进、合规管理与 AI 赋能运营，教育业务收入约 5.15 亿美元（医疗 8.99 亿、商业服务 3.60 亿），其相关性在于高校与医院越来越需要外部力量来写规则、测试控制并在 AI 触及评分、结算或研究监督时处理纠纷；Coursera（NYSE: COUR），市值约 13 亿美元，收入约 5.5 亿美元来自消费者业务（含学位）、3.36 亿美元来自企业客户，其相关性在于它销售高校与雇主用于大规模培训合规、学术诚信与负责任 AI 使用的课程与评估基础设施。

文章同时提示各标的的风险：Research Solutions 的利润率取决于机构如何为「AI 治理下的研究获取」付费这一关键假设；Huron 面临高校与医院预算压力可能导致多年期项目被推迟或缩减；Coursera 则受全球监管审查加剧与法律不确定性推高合规成本的影响。

文末声明为一般性评论，不构成投资建议。

另有 41 家同样暴露于该主题的上市公司未在文中展开。

20在线 K-12 教育市场规模、份额与趋势分析报告

Online K-12 Education Market Size, Share & Trends Analysis Report

该市场研究报告覆盖小学（1–5 年级）、初中（6–8 年级）与高中（9–12 年级）学段，评估 2026 至 2035 年的市场发展，基准年为 2025 年，历史数据为 2021–2024 年，共 91 页。规模数据方面：在线 K-12 教育市场 2025 年估值 93.6436 亿美元，预计 2026 年底达到 101.416 亿美元，并在 2026–2035 年间以 8.3% 的年复合增长率增长，2035 年达到 208.6265 亿美元。

与 AI 直接相关的关键发现包括：人工智能正在通过自适应辅导、自动反馈与个性化路径重塑在线教学，K-12 教育中的 AI 细分市场预计在 2025 至 2033 年间以 38.1% 的年复合增长率扩张；AI 已成为 2025 年受访美国各州教育技术的第一位优先事项；2025 年美国高中生使用生成式 AI 完成课业的比例达到 84%（年初为 79%），到 2025 年 5 月仍维持该水平。学段结构上，高中（9–12 年级）预计占据约 40% 的应用需求，为最大细分，支撑因素包括考试备考、高级课程、大学预备、科目专精、辅导与学分修补；美国 2023 年秋公立中小学在校生约 4,950 万人，其中 9–12 年级约 1,560 万人。

区域上，北美预计保持领先（2025 年占更广泛数字教育市场的 31%），亚太地区增长最快（到 2031 年相关数字教育市场年增速约 28%）。产品开发方向正从独立数字教材转向 AI 辅助学习：Pearson 报告称使用其 AI 学习工具的学习者展现主动阅读行为的可能性高 3 倍，使用 AI 自适应练习者在不额外学习时间的情况下达到初始掌握的可能性高 90%；新东方智能学习系统与设备在截至 2026 年 2 月的季度覆盖约 60 个城市、约 36.7 万活跃付费用户。

报告同时指出，AI 素养、学生数据保护、教师培训、学术诚信与负责任使用正成为设计层面的硬性要求。

21AILitHub：构建 AI 素养基础设施，让框架落地实践

AILitHub: Building AI Literacy Infrastructure to Situate Frameworks into Practice

AILitHub 由 Wang、Xiao、Yu、Nieu、Tseng、Stamper、Hou 等人提出，旨在解决 AI 素养领域的「双向缺口」：框架端，AI 素养框架（如 OECD 框架）描述了教师「应该知道什么」，但内容抽象、难以应用于日常教学决策；实践端，框架制定者缺乏持续的、覆盖各类课堂情境的真实案例来检验与打磨框架。AILitHub 被定位为案例收集基础设施而非课程：教师提交一段教学叙事案例，标注为「AI 素养案例」或「非 AI 素养案例」，指定涉及的利害相关者（学生、教师、家长、学校管理者、政府、课程开发者、教育科技公司、研究者、社区等），并映射到 OECD AI 素养框架的一个或多个能力项（框架四大领域为参与 AI、用 AI 创造、用 AI 管理、设计 AI）。

系统为多语言网页系统，支持英语、西班牙语、简体中文与繁体中文；部署于某东亚地区的在线直播教师专业发展项目中，参与者接受框架讲解后约有 10 分钟操作时间，参与自愿且经伦理审查批准。样本为 53 位不同教师提交的 53 个完整案例（来自 200 多名在职教师的项目，收到 69 份提交）。

参与者特征：51/53 教授信息技术以外的学科，仅 13%（N = 7）报告有过 AI 相关培训，75% 为女性，62% 任教于公立学校。关键发现：利害相关者角色狭窄，师生配对出现在 26 个案例（49%），家长（N = 9）与社区成员（N = 6）远居其后；能力映射集中于实践判断，平均每个案例带 7.52 个能力项，最常选的是「评估 AI 输出应被接受、修改还是拒绝」（N = 38）与「描述 AI 系统如何被设计来解决社区问题」（N = 31）；框架强调的批判性能力被冷落，社会偏见（N = 5）、伦理一致性（N = 6）、AI 的能源与资源消耗（N = 9）、数据策管（N = 9）鲜有选择；正例远多于负例，43 个为「AI 素养」案例、仅 10 个为「非 AI 素养」案例，而后者中有一半几乎照搬工具自带示例，提示脚手架塑造了回答而非教师自身的处境化判断。

22随着学生滥用增加，阿拉斯加大学将出台 AI 政策

AI policy coming to University of Alaska as student misuse increases

阿拉斯加大学（UA）系统目前没有一份统一治理十余个校区的 AI 政策，学生手册中仅有禁止「使用未经教师授权的设备」的条款，现行指引允许教授在各自教学大纲中自行决定课堂 AI 的允许程度。由于学生使用 AI 作弊日益普遍，UA 董事会将于今年晚些时候审议一份指导全系统 AI 使用的文件。

据 UAA 发言人 Catalina Myers 说明，允许教师自行决定课堂 AI 使用「优于一刀切的统一政策」，因为这保全了学术自由、给予教师灵活性，并使其继续作为本学科的主题专家；UA 首席信息技术官 Ben Shier 于夏季起草了该 AI 意向文本，其中包含员工与学生反馈，但 Shier 承认反馈范围有限。由教务长办公室在 AI 工具协助下完成、于 8 月发布的 UAA 学生生成式 AI 使用报告指出，「数据显示学生作业中对生成式 AI 工具的依赖呈增长趋势，课堂学术诚信维护面临持续挑战」，并称「涉及 AI 使用的案件已占据行为办公室处理案件的多数」。

具体数据：UAA 上学期 150 名被认定学术不端的学生中有 119 人使用了 AI，占该校 10,500 余名在校生的 1.1%；AI 相关抄袭同比增加 73%，学术不端总体增加 56%。负责向董事会呈现草案文本的特别项目负责人 Stephanie Erickson 表示，越来越多美国高校采用的 AI 政策正被工具使用「显著甩在后面」，「我们需要审慎决定如何与 AI 相处，而不是让它随意发生在我们身上」。

文件提出「每个学科都应有恰当的 AI」并强调人必须保持在回路中——「AI 可以建议，但由人决定；AI 不能单独行动」。UAA 研究、创新与经济发展副校长 Aaron Dotson 则认为高等教育的责任是教学生如何学习，而不是管控他们学习所用的工具。

董事会将在 11 月审议融入 AI 的指导原则。

23白宫 AI 事务负责人公布工作组目标与成员

White House AI czar outlines task force goals and members

据《华尔街日报》报道，白宫已成立一个工作组，以协调与人工智能教育相关的联邦层面工作，其依据是总统签署的 AI 教育行政令。该倡议的目标是在学生与教育工作者中推广 AI 素养与熟练度，重点包括把 AI 纳入课程、为教师提供培训，以及让学生尽早接触 AI。

工作组由白宫科技政策办公室主任担任主席，成员涵盖教育部长、劳工部长、能源部长以及国家科学基金会主任等关键内阁级与机构负责人。在更广泛的举措中，政府还任命了一名新的 AI 特别顾问（通常被称为「AI 沙皇」），并宣布组建一支专门的「AI 部队」，但具体细节尚未披露。

这一任命延续了此前的安排，包括风险投资人 David Sacks 曾担任该职务。政府强调其承诺支持 AI 发展而不增加额外监管约束，这一立场同时引来支持与批评。

从教育政策角度看，这一动向的意义在于：联邦层面正在把 AI 教育从各州与学区自行探索，纳入跨部门协调的国家议程，涉及课程、教师培训、劳动力准备与研究资助的联动；而「以支持创新为主、少加监管」的基调，则意味着短期内美国在 K-12 与高等教育 AI 使用上的具体规则仍主要由州法与学区政策承担，联邦更多扮演协调与资源角色。这与同期马里兰州《AI 就绪学校法案》、哥伦比亚特区《教职员 AI 示范政策》等州与地方层面的立法动作形成互补，也解释了为何 CoSN 等机构调研显示学区「有 AI 指引的多、有可执行规则的少」这一结构性缺口在短期内仍将持续。

24谷歌在 K-12 学校推广 AI 辅导工具遭到反弹

Google faces backlash over AI tutor rollout in K-12 schools

该条目属于 AI 争议追踪平台的记录（编号 SCAND-277616，截至 2026 年 10 月 4 日噪音指数 40/100），记录的是围绕谷歌在 K-12 教育产品中扩展 AI 辅导功能的争议。事实层面：《华尔街日报》于 2026 年 10 月 1 日报道了谷歌把 AI 辅导功能进一步整合进 K-12 教育产品的动作；10 月 2 日，教育工作者 Gerry Doyle 通过 Bluesky 公开发声，要求限制未成年人接触 AI 工具，并援引该报道。

批评方主张，自动化辅导工具可能削弱教师的教学权威，并在学生数据保护与认知发展方面缺乏足够的保障措施，有观点认为应把生成式 AI 系统与低龄学习者隔离，以维护以人为核心的教学。谷歌方面的立场是，其教育 AI 工具旨在补充而非替代课堂教学，并符合学生隐私相关法规。

该条目指出，这场争议反映出教育科技企业在学校部署大语言模型时尚未解决的更广泛问题：适宜年龄的部署边界与监督机制应当如何设定，而在安全与效用之间，各方立场仍深度分裂。平台的预测（明确标注为预测而非事实）认为，学区可能在新的安全审查完成前暂停或限制谷歌 AI 辅导试点，因为家长压力通常会在广泛采用恢复之前促使行政层面趋于谨慎。

从政策视角看，该事件与同期美国联邦与各州的监管动向形成呼应：联邦层面刚成立 AI 教育协调工作组且基调偏「少监管」，州与学区层面则通过立法与指南承担具体规则制定，而企业在缺乏统一年龄门槛与监督标准的环境中推广面向未成年人的教学型 AI，仍是信任风险的高发点。

一句话观察：本期所有证据都指向同一句结论——AI 进课堂的瓶颈不在模型，而在教师能否判断「什么时候该用、用到什么程度、以及学生是否还在自己思考」。