夜雨聆风
上一篇文章发出去之后，很多朋友问我：
“情境化测评到底考什么？能不能给个具体的例子？”
问这个问题的，有正在备考教资的大学生，有教了十几年书的在职教师，还有不少家长——他们不是要考教资，但他们想知道：未来教我孩子的老师，到底会被怎么考？
这个问题问得好。因为《行动计划》原文只给了一句话——“构建情境化测评系统，开发智能化、梯度化的测评工具”——但到底什么叫“情境化”，没有人展开说过。
所以今天，我决定自己来。
我设计了 5 道“情境化测评题”。每一道都是一个真实的教学场景，没有标准答案，考的不是你背了多少 AI 知识，而是你在真实课堂里能不能用 AI 解决问题。
但这篇文章不只是写给考教资的人看的。
如果你是在职教师，每一道题背后的解法，都是你下周就能搬进课堂的思路。
如果你是家长，每一个场景，都是你孩子正在或即将经历的课堂现实——看完你会更清楚，什么样的老师是真正“会教”的老师。
准备好了吗？开考。
情境一：一份成绩单背后的秘密
场景：期中考试刚结束，你拿到了全班 45 名学生的数学成绩。平均分 71 分，看起来还行。但校长在教研会上问了一句：“这个班的问题到底出在哪？下半学期你打算怎么调？”你看着手里的成绩单，一时语塞。
这是每个老师都经历过的场景。一张成绩单，45 个分数，你能看出什么？
传统做法是：算平均分、看最高最低分、数一下不及格人数，然后凭经验判断“函数部分学得不好”。这不是不对，但它太粗了——你知道“函数不好”，但你不知道是概念没理解、还是计算出错、还是应用题读不懂题意。你知道有 12 个人不及格，但你不知道这 12 个人的问题是不是一样的。
AI 时代的做法完全不同。
你不需要变成数据分析师，你只需要做一件事：把这次考试的成绩明细（最好包含每道题的得分情况）丢给 AI，然后问它一个问题——“帮我分析这个班的学情，找出共性问题和个性问题。”
AI 会在几秒钟内给你一份远比“平均分 71”有用得多的诊断：
它会告诉你，全班在第 17 题（函数图像变换）的正确率只有 23%，这是一个共性薄弱点，说明你的教学在这个环节可能需要调整。它会告诉你，不及格的 12 个学生可以分成三类：4 个是计算能力薄弱（基础运算频繁出错）、5 个是阅读理解障碍（应用题读不懂条件）、3 个是概念混淆（把函数和方程搞混了）。它甚至会告诉你，有两个平时成绩不错的学生这次异常失分，集中在最后三道大题——可能不是不会，而是时间分配出了问题。
拿到这份诊断，你再去回答校长那个问题，底气完全不一样。更重要的是，你下半学期的教学调整不再是“感觉函数要多讲讲”，而是针对三类不同问题的学生，分别设计不同的补强方案。
这道题考的是什么？不是考你会不会用 AI，而是考你有没有“数据驱动决策”的意识。传统教师凭经验教学，AI 时代的教师用数据教学——AI 只是帮你把数据变成洞察的工具。
三重启发：
对准教师来说，这就是未来教资可能考你的方向——不是让你手算标准差，而是看你能不能从一堆数据里提出正确的问题。
对在职教师来说，这件事今天就能做，你甚至不需要任何专业工具，把成绩表贴进任何一个大模型对话框就行。
对家长来说，如果你孩子的老师还在用“这次考得不好，回去多做题”来总结期中考试，你可以礼貌地问一句：能不能帮我看看，我家孩子具体哪个知识模块有问题？
情境二：这篇作文，是谁写的？
场景：你是一名语文老师。周一收上来的作文里，有一篇让你眼前一亮——用词精准，结构完整，甚至有几处比喻相当老练。但你总觉得哪里不对。这个学生平时写作水平中等偏下，上周的随堂练笔还语句不通。你怀疑这篇作文是 AI 写的，但你没有证据。直接质问学生？万一冤枉了人呢。不管？那以后全班都用 AI 交作业，你还怎么教？
这个场景，2023 年之前几乎不存在。但从 ChatGPT 问世的那一刻起，它就成了每个语文老师、英语老师、甚至政治历史老师的日常。
先说一个残酷的事实：目前没有任何 AI 检测工具能 100% 准确地判断一篇文章是不是 AI 写的。那些号称“AI 检测率 99%”的工具，误判率高得吓人。所以，靠技术手段“抓作弊”，这条路走不通。
那怎么办？换一个思路。
有经验的老师不会去纠结“这篇作文是不是 AI 写的”，而是会设计一套让 AI 代写“无处藏身”的评估方式。
如果你的学校已经部署了智慧学习平台，这件事其实可以从源头解决——在平台上建课，让学生在线上完成写作，系统自动记录写作过程：什么时候开始写的、中间修改了几次、哪些段落是一气呵成的、哪些是反复删改的。有了这条“写作轨迹”，AI 代写几乎无所遁形。当然，在平台上建一门真正好用的课本身也不容易，需要投入不少精力。
但如果你没有这个条件——大多数老师目前确实没有——也完全不用慌。下面三步，用最简单的工具就能做到。
第一步，不要只看成品，要看过程。你可以让学生在课堂上用 15 分钟写一段“这篇作文最难写的部分是什么，你是怎么想到这个思路的”。AI 可以帮你写一篇满分作文，但它没法帮你回忆写作时的纠结和取舍。如果学生能清晰地描述自己的构思过程——“我本来想用排比，但觉得太刻意了，后来改成了一个反问”——那大概率是自己写的。如果支支吾吾说不出来，那答案不言自明。
第二步，用 AI 来帮你做对比分析。把这个学生最近三次作文和这篇一起丢给 AI，问它：“对比这四篇作文的用词习惯、句式结构和论证方式，分析是否存在明显的风格断裂。”AI 非常擅长做这种文本风格比对——它不是在判断“是不是 AI 写的”，而是在判断“是不是同一个人写的”。
第三步，也是最根本的一步：重新设计作业本身。与其布置“写一篇 800 字的议论文”这种 AI 三秒钟就能完成的任务，不如布置“用 AI 生成一篇议论文的初稿，然后标注出你认为写得不好的三处，改写它们，并解释为什么你的版本更好”。这种作业，AI 不仅没法代劳，反而成了教学工具的一部分——学生在批判 AI 的过程中，锻炼的恰恰是最核心的写作能力：审美判断力和修改能力。
这道题考的是什么？不是考你能不能“抓住 AI 作弊”，而是考你能不能在 AI 时代重新定义“什么是好的作业设计”。当旧的评估方式失效时，你有没有能力设计出新的评估方式——既利用 AI，又不被 AI 架空。
三重启发：
对准教师来说，“作业设计能力”在 AI 时代的权重会急剧上升。以前作业就是“课后第 3 题到第 8 题”，未来作业本身就是一道教学设计题。
对在职教师来说，“让学生用 AI，然后评价 AI”这个思路可以立刻用起来——不只是作文，理科的解题过程、英语的翻译练习，都可以用这个框架。
对家长来说，如果你发现孩子的作业越来越“完美”，别急着高兴。跟孩子聊聊：“这道题你是怎么想的？”如果他能讲清楚思路，那是真进步；如果讲不清楚，可能是 AI 在替他“进步”。
情境三：同一道题，五种不同的“不会”
场景：你是一名英语老师，刚批完一次单元测验。班上有 5 个学生都在同一道现在完成时的题目上丢了分。但你仔细一看，5 个人错的原因完全不同：小明选了一般过去时（分不清“过去的动作”和“对现在的影响”）；小红用对了 have 但动词没变过去分词（语法规则记混了）；小刚整道题空着没写（可能根本没学过这个时态）；小美选了正在进行时（时态概念整体混乱）；小亮写了个接近正确但拼写错误的答案（其实他懂了，只是粗心）。你想给他们布置有针对性的练习，但你只有一个人，而全班还有 40 个学生等着你。
这是教育领域最经典的矛盾：大班教学 vs 个性化需求。每个老师都知道“因材施教”好，但一个人面对 45 个学生（大多数老师可不止45个学生），怎么因材施教？
传统的解决方案是分层教学——把学生分成 A、B、C 三组，布置不同难度的作业。但这种分层太粗糙了。就像上面这个例子，5 个学生都错了同一道题，但他们需要的练习完全不同。把他们扔进同一个“差生组”，是对其中至少三个人的不公平。
AI 能做到的，是真正的“一人一方案”。
具体怎么做？你把这 5 个学生的错题情况（最好连同他们最近几次的测验数据一起）交给 AI，告诉它：“根据每个学生的错因，分别生成一套有针对性的巩固练习，每人 5 道题，从基础到进阶。”
AI 会给小明生成一组专门区分“一般过去时”和“现在完成时”的对比练习——两个句子放在一起，一个用过去时，一个用完成时，让他在对比中理解“对现在的影响”这个核心概念。给小红生成一组过去分词变形专项练习——不是枯燥的填空，而是把动词原形、过去式、过去分词放在真实语境里，让她在使用中记住规则。给小刚生成一组从零开始的现在完成时入门材料——先讲概念，再给最简单的例句，最后才是练习题。给小美生成一组“时态大乱斗”的综合辨析题——把四种常见时态混在一起考，帮她建立完整的时态体系。给小亮？不需要语法练习，给他一组拼写专项就够了。
五个学生，五套方案，AI 生成只需要一两分钟。而你作为老师要做的，是看一眼这些方案，根据你对每个学生的了解做微调——比如你知道小明是视觉型学习者，那就让 AI 在练习里多加一些时间轴图示；你知道小刚最近家里有事情绪低落，那就在他的练习前面加一句鼓励的话。
AI 负责“量”，你负责“质”。AI 负责生成，你负责判断。这才是人机协同的正确姿势。
我自己做过一个“英语即诊即学”的智能体，逻辑就是这样的：学生拍照上传错题，AI 自动识别题目、分析错因、生成分层练习——基础巩固两道、变式训练两道、拓展提升一道。整个过程不到一分钟。我家孩子用了一个学期，效果非常明显：他不再需要做大量“已经会了”的重复练习，每一道题都精准打在他的薄弱点上。
这道题考的是什么？考的是你能不能跳出“一刀切”的教学惯性，用 AI 实现真正的因材施教。技术门槛不高——任何大模型都能做这件事。真正的门槛是教师的诊断能力：你得先看出 5 个学生的错因不同，AI 才能帮你对症下药。
三重启发：
对准教师来说，“学情诊断能力”会成为未来教师的核心竞争力。AI 能生成一万道题，但只有你能判断哪道题该给哪个学生。
对在职教师来说，你不需要自己开发什么智能体（当然有能力开发更好），最简单的做法是：把学生的错题拍照发给 AI，说“分析错因并生成针对性练习”，今晚就能试。
对家长来说，这就是“AI 个性化学习”的真实样子——不是让孩子对着一个冷冰冰的屏幕刷题，而是让每一道练习都精准匹配孩子此刻最需要突破的那个点。如果你的孩子还在用同一本练习册从头做到尾，那他至少有一半的时间是在做“已经会了的题”。
情境四：“老师，AI 说你讲错了。”
场景：高中物理课，你正在讲牛顿第三定律的应用。一个学生举手：“老师，我刚才用手机问了 AI，它说你举的那个例子不太准确。”全班哄堂大笑，气氛瞬间微妙。你看了一眼学生手机上的回答，发现 AI 说的……好像还真有点道理。但也不完全对。你怎么办？
这个场景正在以越来越高的频率出现在真实课堂上。学生口袋里揣着一个“什么都知道”的 AI，而你站在讲台上，随时可能被“打脸”。
先说一个很多老师不愿意承认的事实：在知识的广度和检索速度上，你永远赢不了 AI。如果你把自己定位为“知识的权威来源”，那你在 AI 面前毫无胜算。但如果你换一个定位，局面就完全不同了。
最差的应对方式：呵斥学生“上课不许玩手机”，或者强行说“AI 说的不对，听我的”。这两种反应都在回避问题，而且会让你在学生心中的专业形象大打折扣。
及格的应对方式：诚实地说“我看看”，然后认真读一下 AI 的回答，当场做出判断。
真正优秀的应对方式：把这个“意外”变成一堂课最精彩的教学环节。
你可以这样做：把 AI 的回答投屏到大屏幕上，对全班说：“很好，我们来一起看看 AI 说了什么。”然后带着全班一起做一件事——批判性地分析 AI 的回答。
“AI 说的这个部分是对的，它引用的公式没问题。但大家注意看这里——它在这个推导过程中偷换了一个前提条件，它把‘理想状态’和‘实际情况’混在一起说了。这恰恰是物理学习中最容易犯的错误：公式是对的，但适用条件搞错了。”
这一刻，你教给学生的东西，比原来那个例子重要一百倍——你教会了他们：AI 不是不会错，而是它的错误往往更隐蔽、更难发现，因为它的表述总是自信而流畅。学会质疑 AI，比学会使用 AI 更重要。
你还可以顺势追问全班：“如果 AI 的回答和老师的讲解不一致，你们觉得应该怎么判断谁对谁错？”这个问题没有标准答案，但讨论的过程本身就是在培养学生最稀缺的能力——批判性思维。
这道题考的是什么？考的是你在课堂权威被挑战时的应变能力，以及你能不能把“危机”转化为“教学机会”。AI 时代的教师权威，不再建立在“我知道你不知道”的信息差上，而是建立在“我能带你分辨对错”的判断力上。
三重启发：
对准教师来说，未来的课堂一定会出现这种场景，你的反应速度和处理方式，直接决定了学生对你的信任度。这不是“万一遇到”，而是“一定会遇到”。
对在职教师来说，与其害怕学生用 AI 来“挑战”你，不如主动把 AI 引入课堂——你自己先用 AI 生成一个“看起来对但其实有问题”的回答，让学生来找茬。这比你讲十遍“要有批判性思维”有用得多。
对家长来说，如果你的孩子回来说“今天 AI 说老师讲错了”，别急着站队。问他：“那你自己觉得谁说得对？为什么？”培养孩子在 AI 时代最重要的能力，不是“会用 AI”，而是“会质疑 AI”。
情境五：当 AI 把学科的墙拆掉
场景：学校要求你设计一个跨学科的项目式学习方案，主题是“我们的城市”。你是一名科学老师，但这个项目需要融合地理、数学、语文甚至美术。你自己都不确定其他学科的知识怎么串起来，更别说设计一个让学生能真正动手做的完整项目了。
跨学科教学喊了很多年，但一线老师都知道，真正落地的少之又少。原因很简单：一个老师很难同时精通多个学科的知识体系，更难把它们有机地融合在一起。
但 AI 天然就是跨学科的。它没有“学科壁垒”，你问它物理它懂，问它文学它也懂，问它怎么把物理和文学结合起来做一个项目，它也能给你思路。这恰恰是 AI 最适合发挥作用的场景。
这个情境的解法不是一个简单的操作，而是一套项目设计的思路。我用两个具体案例来说明。
案例 A：小学/初中——“校园气象站”项目
这个项目的核心任务是：学生分组建立一个校园气象观测站，持续记录一个月的天气数据，最终完成一份“校园气候报告”并向全校展示。
你作为科学老师，只需要负责你最擅长的部分——气象观测的科学原理。其他学科的融合，AI 可以帮你设计框架：
科学课负责：气象要素的观测方法、天气系统的基本原理、数据采集的科学规范。数学课负责：数据的统计与可视化——平均气温怎么算、温度变化趋势图怎么画、降水量的柱状图怎么做。语文课负责：观测日志的写作、最终报告的撰写、展示时的口头表达。美术课负责：报告的版面设计、数据图表的美化、展示海报的制作。信息技术课负责：用 AI 工具辅助数据分析和图表生成。
你不需要自己精通所有这些学科的教学设计。你可以把项目的整体框架告诉 AI——“我要做一个校园气象站的跨学科项目，涉及科学、数学、语文、美术、信息技术，学生是六年级，项目周期一个月，请帮我设计每个学科在每周的任务分配和衔接逻辑”——AI 会给你一个完整的项目骨架。然后你拿着这个骨架去找其他学科的老师协商调整，效率比从零开始高十倍。
案例 B：大学/职教——“社区商业生态调研”项目
这个项目的核心任务是：学生团队选择校园周边一个商圈，完成一份包含数据分析、消费者洞察和改进建议的完整调研报告。
经济学提供分析框架：供需关系、消费者行为理论、商圈竞争分析模型。统计学负责数据处理：问卷设计、样本量计算、数据清洗和统计检验。写作课负责报告呈现：调研报告的结构规范、数据叙事的技巧、可视化图表的文字解读。AI 工具在整个过程中扮演的角色：辅助设计调查问卷、清洗和分析原始数据、生成初步的图表和摘要、对报告初稿提出修改建议。
这个项目的关键设计原则是：AI 做“体力活”，学生做“脑力活”。AI 可以帮你三秒钟生成一份问卷初稿，但决定“该问什么问题”的是学生。AI 可以帮你瞬间跑出数据分析结果，但解读“这个数据意味着什么”的是学生。AI 可以帮你润色报告的语言，但提出“这个商圈应该怎么改进”的洞察，必须来自学生自己的观察和思考。
这道题考的是什么？考的是你能不能用 AI 打破学科壁垒，设计出真正意义上的跨学科学习体验。技术门槛不低——你需要理解项目式学习的设计逻辑，需要知道怎么跟 AI 协作完成一个复杂的教学设计，需要能够协调多个学科的教师。但这也正是未来教育最需要的能力：不是“教好一门课”，而是“设计好一个学习体验”。
三重启发：
对准教师来说，跨学科教学能力正在从“加分项”变成“必备项”。新课标已经明确要求跨学科主题学习不少于 10% 的课时，而 AI 是帮你跨过学科门槛的最佳工具。
对在职教师来说，不要被“跨学科”这三个字吓住。你不需要精通所有学科，你只需要会用 AI 搭建项目框架，然后拉上其他学科的老师一起干。第一步可以很小：找一个你教的知识点，问 AI“这个知识点可以跟哪些学科做交叉？给我一个一课时的跨学科活动设计”。
对家长来说，如果你的孩子回来说“今天我们做了一个项目，又要算数据又要写报告又要画海报”，别觉得学校在“搞花样”。这种学习方式培养的，恰恰是未来最值钱的能力——面对一个复杂的真实问题，能把不同领域的知识串起来解决它。
考完了，你得了几分？
五道题做完，你可能会发现一个规律：没有一道题考的是“AI 的技术原理”，也没有一道题需要你写代码、搭系统、做开发。
每一道题考的都是同一件事——你能不能在真实的教学场景中，把 AI 变成放大你专业判断力的工具？
情境一考的是数据意识：你会不会用 AI 把模糊的经验变成精准的诊断。情境二考的是设计思维：当旧的评估方式失效时，你能不能设计出新的。情境三考的是因材施教的能力：你能不能借助 AI，让“一人一方案”从口号变成现实。情境四考的是教学机智：你能不能在权威被挑战时，把危机变成最好的教学素材。情境五考的是系统思维：你能不能用 AI 打破学科的墙，设计出真正的综合学习体验。
这五种能力，没有一种是 AI 能替你长出来的。AI 能帮你分析数据，但“该分析什么”是你决定的。AI 能帮你生成方案，但“这个方案适不适合这个学生”是你判断的。AI 能给出一个看起来完美的回答，但“这个回答对不对”是你把关的。
这就是为什么《行动计划》要搞“情境化测评”，而不是加一门选择题考试。因为选择题能考出你“知不知道 AI”，但只有真实情境才能考出你“会不会用 AI 教书”。
上一篇文章结尾我说过一句话：不是从“学 AI”开始，而是从“用 AI 解决你手头一个具体问题”开始。
今天这五个情境，就是五个具体问题。
挑一个你最有感触的，今天就试一次。
这一步迈出去，后面的路就更清楚了。
往期相关：
