OpenAI与意大利博科尼大学研究人员8月27日公布了一项随机实验，试图回答教育界最难的问题之一：学生获得生成式AI后，作业质量、推理和原创性会怎样变化。超过1000名博科尼大学一年级本科生参与实验，他们要为学校纪念品商店提出真实营销建议。研究者按课堂时段随机分为四组：使用GPT-4o、接受因果推理训练、两者都有，或两者都没有。

实验结果不是简单的“AI好”或“AI坏”。获得ChatGPT的学生，在五分制人工评分中平均提高接近1分，答案包含更多想法、逻辑更清楚，也更接近专家建议。接受因果推理训练的学生，并未在传统评分表上显著提高，却提出了更广泛、更不相似的想法，并更能解释方案为什么有效、在什么条件下可能失效。同时获得AI和推理训练的学生，同时保留了答案质量和想法多样性的优势。

这项研究提供的是一个特定课堂任务中的因果证据，不是“AI已全面提高学生能力”的证明。样本来自同一所商学院的一年级学生，任务是营销案例，使用的模型为GPT-4o；结论能否复制到数学证明、历史写作、编程、医学或中小学课堂，需要新的实验。研究还由OpenAI Economic Research参与，读者应同时查看论文方法、数据和潜在利益关系。

AI提高了成品质量，却也暴露传统评分表的盲点

学生提交内容由受训人工评分者依据五分制量表评价，量表关注建议是否有效回应提升商店知名度和使用率两项目标。ChatGPT组提高接近1分，说明模型能帮助新手快速获得结构、表达和常见专业框架。学生并非只需复制输出，他们仍要决定如何提问、筛选建议并组合最终答案；但AI显著降低了生成一份“看起来像专家作品”的门槛。

问题在于，传统评分表更容易奖励清晰、完整和符合常规的答案，却不一定奖励独特性。因果推理训练组能够提出与同学更不相似的方案，但这些差异没有充分反映在总分里。研究者通过自动文本分析，才观察到想法数量、差异程度、因果解释和与专家文本相似度之间的不同变化。

如果学校继续只看最终成品，AI时代的分数会越来越难区分学生真正理解了什么。一个表达成熟的方案，可能来自学生深入推理，也可能主要来自模型提供的结构。相反，一个不够光滑但提出新路径的答案，可能蕴含更高的独立判断。评估设计需要从“成品是否标准”扩展到问题定义、证据选择、假设检查、过程记录和口头答辩。

因果推理训练本身并不针对AI。学生通过游戏、案例、问题和反馈学习连接原因与结果，思考方案为什么可能成功或失败。它没有提高传统总分，却提升了推理解释和想法多样性。这提醒学校，批判性思维不是一句抽象口号，而可以被拆成可练习的具体动作，也需要专门的评价指标才能被看见。

最合理的课堂策略不是禁用或放任，而是把两种能力组合

实验中同时获得ChatGPT和因果推理训练的学生，评分与想法数量接近仅使用AI组，想法多样性则接近仅接受推理训练组；他们还表现出更强的逻辑连贯性，更愿意寻找解释和质疑假设。这说明AI工具和思维训练并非零和关系。模型可以帮助学生跨过知识与表达门槛，训练则帮助他们避免所有人收敛到同一套漂亮答案。

课堂实施可以据此分成多个阶段。学生先独立写出问题、假设和初步方案，再使用AI扩展或反驳观点；随后标注哪些内容来自模型，说明采纳或拒绝理由，最后通过口头讨论或新情境迁移验证理解。评分则分别考虑成品质量、原创性、因果链、证据可靠性和反思过程。这样，AI提供效率，但不能替代判断。

教师还要控制任务与数据边界。研究任务没有涉及高敏感个人信息，现实课堂却可能包含学生记录、健康或家庭材料。学校需要使用受管理账户、限制可上传数据，并明确模型错误由谁复核。对未成年人，还要处理家长知情、年龄要求和可退出机制。

复制研究也很重要。后续实验应更换学校、学科、模型和任务难度，比较短期高分能否转化为几周后的独立作答，并记录学生实际提示、修改过程和事实错误。如果学生只在可用AI时表现更好，却没有形成迁移能力，教育价值与工具依赖需要分别评价。相反，如果结构化使用能帮助学生逐渐学会提出问题和检查因果链，才说明课堂设计产生了持续学习效果。

这项实验最重要的结论，不是ChatGPT让学生“变聪明了”，而是不同教学干预改善了不同维度。AI让答案更专业、更完整；因果推理训练让想法更广、更能解释边界。学校如果只奖励 polished answer，就会遗漏原创性；如果只禁止AI，也会放弃帮助新手接近专业框架的工具。真正需要重做的是作业和评分，使工具能力与人的独立推理都成为可观察、可检验的学习成果。