澳洲大學正透過擴大 ChatGPT 存取權培育 AI 原生畢業生

OpenAI 正擴大其在澳洲大學的佈局，但多項面向全校學生的推行計劃仍安排於 2027 年進行。澳洲大學正透過更廣泛的工具存取權及教學改革，培育 AI 原生畢業生。更棘手的工作，是決定學生仍必須獨立展示甚麼能力。

這個分別相當重要，因為機構帳戶是一項投入，而畢業生能力才是成果。大學可以集中派發軟件；但要教導學生質疑其答案，則需要在個別課程、作業及專業培訓中作出決定。

核心張力在於 AI 輔助練習與可信的學生學習證據之間。Microsoft Copilot 及大學自行開發的教學工具已經在這個領域中佔一席位。因此，ChatGPT 的擴展帶來一個實際問題：大學可藉着更廣泛的存取權，完成甚麼額外的教育工作？

澳洲大學正透過分階段存取權培育 AI 原生畢業生

OpenAI 的大學合作項目涵蓋 UNSW Sydney、University of Sydney、La Trobe University 及 Adelaide University。其介紹提及機構存取權、課程工作及實際應用。這些計劃各有不同時間表及目的，並非一次同步的全國性推出。

眼前的改變，是機構須為 AI 存取權負責；而教育轉型則是一個更長期的過程。

根據 OpenAI 所述，La Trobe 計劃在 2027 年第一季，為全體學生及教職員提供通用存取權。該公司亦描述了協助學生練習作決策的輔助醫療情境。這些例子說明預期方向，但並未證實畢業生表現已有可量度的改善。

在描述這次擴展時，時間安排值得留意。已公布可用性、試點參與、帳戶啟用及日常課堂使用，代表不同階段。若把它們視作同一回事，便會令採用情況看來比公開時間表所支持的更為全面。

對學生而言，這些階段會帶來實際影響。參與試點的人，與正在等待全面推出的人，體驗並不相同。大學公告可以確立一項承諾，卻不代表每位學習者都能即時使用相同功能。

機構層面的轉變，也改變了誰需要回答有關軟件的問題。個人自行嘗試時，學生須自行選擇工具、理解設定，並判斷可接受的使用方式。由中央支援的存取權，則帶來大學會連同帳戶提供指引的期望。

這種期望不限於技術支援。學生需要知道某工具是否適合用於某項作業，以及可以提交哪些資料。教育工作者則需要清楚說明，其使用方式如何連繫課程目標。

這些責任令推行計劃既是教育項目，也是採購決定。合約可以訂明存取安排，卻不能自行決定學生是否理解統計結果，或能否為專業建議辯護。

因此，「AI 原生畢業生」這個說法需要具體定義。此處是指準備好在工作中使用 AI 的畢業生。它應代表對何時使用 AI 有知情判斷，而不只是熟悉聊天介面。

相關公告確立了朝這個目標邁進的方向，卻不能證實參與大學已在所有畢業班中達成這個目標。關於學習、遷移應用及專業表現的證據，需要另一類評估。

這個分別令報道保持務實。澳洲大學正在改變學生接觸 AI 的條件。其教育意義，取決於教師和學生在這些條件下實際做甚麼。

ChatGPT Edu 令課程設計承受壓力

UNSW 於 9 月 11 日發布的更新，更清楚展示了實施情況。其校園推行計劃把存取權延伸至研究學位候選人及兼職學術人員，並以 2027 學年為目標，讓更廣泛的學生群體可使用。

該大學表示，試行計劃涉及約 800 名學生及教職員。在其中一門課程中，115 名學生於 10 周內錄得逾 41,000 次互動。這些數字顯示特定環境中的大量參與，而非全校層面的學習成果。

隨着存取權擴展，課程設計者面臨壓力，須說明 AI 對特定學習任務有何貢獻。

參與度與學習之間的分別影響深遠。互動總數顯示人們使用過一個系統，卻不能說明他們是否保留知識、辨認錯誤，或在失去協助後表現更佳。

一項被大量使用的工具，可能支援有成效的練習；也可能鼓勵學生反覆索取自己難以評估的答案。要區分這兩種可能性，必須檢視活動及其教育目的，而非只計算請求次數。

以一項示範性的程式設計作業為例。學生可使用 AI 提出實作方案，然後解釋其假設並測試其行為。教育價值取決於學生能夠檢視、修改及論證甚麼。

若相同輸出未經檢視便直接提交，其用途便截然不同。即使呈現出可運作的示範，學生是否理解仍不明確。軟件完成與學習仍是兩個不同問題。

這會對評核設計構成壓力，也就是用以判斷學生達成程度的任務及證據。教育工作者必須決定作業應揭示哪些能力，然後設計能讓這些能力可被觀察的任務。

壓力尤其落在那些過去把精緻輸出當作能力便利指標的課程上。AI 生成的文字或程式碼令這個指標變得複雜。教師需要額外方法，分辨一件可接受的作品與一位知情的作者。

這不代表每份作業都必須變成考試，而是要求協助與評估之間有經過深思熟慮的關係。課程可以支援探索，同時保留特定時刻，讓學生解釋自己的推理。

UNSW 亦提及業界項目，以及通往專業機會的規劃路徑。這些計劃把校園活動與就業抱負連繫起來。應以學生實際獲得的機會，以及他們能否獨立討論自己的工作來評估。

僱主亦有相應責任。詢問求職者是否「使用 AI」，所得到的資訊有限。詢問求職者如何核對輸出結果，或如何處理分歧，則更能反映其判斷能力。

因此，對大學而言，最有力的回應必須具體：說明一項 AI 輔助活動培養哪種學科能力、教師如何觀察它，以及學生之後必須展示甚麼。這讓讀者可以評估擴大存取權的教育理據。

AI 輔助練習需要獨立展示學習成果

監管層面的討論早於這些最新合作關係。澳洲高等教育質素與標準署在 2023 年 11 月 23 日發布其評核改革指引。當中指出，生成式 AI 一方面加劇既有的評核挑戰，另一方面亦創造教育機會。

這個框架將目前的公告放進一個更長期的機構問題之中。大學本已需要提供可信證據，證明學生達成課程成果。AI 再增加一個理由，促使人們檢視熟悉的作業是否仍能提供該等證據。

受支援的練習與獨立展示有不同目的，而可信的學位需要兩者之間存在經過深思熟慮的關係。

受支援的練習給予學生探索空間。他們可以要求不同解釋、比較不同方法，或檢視一個建議方案。當教育工作者協助學生識別及檢視錯誤時，錯誤亦可成為有用材料。

獨立展示回答另一個問題：學習者在指定條件下能解釋或完成甚麼。這些條件應由所評估的能力引導，而非假設每項任務都需要相同限制。

例如，一項示範性的研究練習可以容許 AI 協助，同時要求學生檢視原始材料。其後的討論可探究他們為何接受某些主張、拒絕另一些主張。這個組合使工具使用與學科理解都變得可見。

當工具取代學生本身需要練習的活動時，教育目的便較難辯護。在自己嘗試前便要求完成的詮釋，改變了學習次序。這是否有幫助，取決於任務本身及教師如何安排後續活動。

這是設計問題，而非對 AI 作出一概而論的判決。生成不同解釋可以支援比較；生成最終答案，也可能移除獨立形成解釋的機會。

因此，教育工作者需要識別重要的智力工作。在某些活動中，找到有用的起點是核心；在另一些活動中，核心工作是詮釋證據、建構論點，或回應意料之外的結果。

這些差異應塑造規則。泛稱 AI 可供使用，無法解決這些問題。學生需要明確期望，將獲准的協助與特定評核的目的連繫起來。

清楚的期望亦能保障謹慎使用工具的學生。作業應說明使用 AI 是否改變他們必須提供的證據。否則，學生只能猜測克制使用會否造成劣勢，或探索使用會否帶來誠信風險。

相同推理亦適用於專業準備。工作場所工具會改變，但責任仍歸於作出決定的人。畢業生需要練習辨識何時一項輸出未有足夠支持去承擔相關後果。

這需要的不只是懂得如何提出更好的問題，還需要足夠的學科知識來辨識可疑答案。缺乏這個基礎時，看似有用的回應可能變得難以質疑。

因此，評核辯論正處於存取權故事的中心。大學正在選擇 AI 如何進入學習過程。其可信度取決於能否保留清楚證據，顯示學生本身理解甚麼。

ChatGPT 加入大學既有的 AI 工具組合

University of Sydney 的負責任 AI 使用指引已列出多項工具，包括 Microsoft Copilot、由教育工作者設計的 Cogniti，以及供法律學生使用的 Harvey AI。ChatGPT Edu 是進入這個既有環境，而非取代所有其他選項。

這很重要，因為不同工具可以承擔不同的教育角色。通用助理、課堂環境及法律研究工具未必解決同一種問題。若只按品牌知名度比較，便會忽略當中涉及的制度選擇。

真正相關的比較，是每項工具如何在大學規則下支援特定工作，而非哪一個產品獲得最廣泛的公布。

課堂活動或會要求教育工作者控制學生接觸到的材料。自主研習時段則可能更着重靈活探索。專業練習或會要求兼顧特定學科的做法與責任。

這些是不同的要求。只要角色明確，大學合理地可以維持多種工具。困難在於，當學生需要從愈來愈長的可用產品清單中自行推斷這些角色時。

工具選擇於是成為 AI 素養的一部分，即適當選取、評估及使用 AI 的能力。學生需要理解為何某一環境適合某項工作，也需要辨識何時使用一般搜尋或直接閱讀會更有幫助。

對開發者而言，這帶來模型能力與制度實用性之間的實際分別。一個功能強大的系統仍須配合課程、可獲得的支援及資訊規則。單靠更好的輸出，不能解答每一項採用決策。

對企業買家而言，校園案例亦帶來相關啟示：提供多項工具可以擴大選擇，同時增加對獲批准工作流程的不確定性。清晰的工作指引有助人們把可用性轉化為一致的實務。

大學環境令這個問題尤其明顯，因為學生會在不同學科之間流動。一堂課中可接受的工作流程，可能與另一堂課的目標相衝突。產品存取權本身無法傳達這些差異。

這項比較亦令有關職場準備的說法更複雜。熟悉 ChatGPT 可能有用，但工作場所可圍繞不同系統安排 AI 的使用。畢業生若理解可轉移的評估習慣，而非死記一個介面，會更有裨益。

這些習慣包括辨識工作、選取合適資訊、核查結果，以及記錄重要決定。當大學或僱主更換偏好的工具時，它們仍然適用，也令學生的貢獻更容易說明。

當知識整理支援可追溯性時，也應納入這個討論。能夠回到原始閱讀材料的學生，可以更仔細檢視 AI 摘要。對此差異感興趣的讀者可進一步了解 個人知識管理。

這個關連很實際：有用的 AI 工作，部分取決於人們如何保存其證據。當底層材料仍可存取，流暢的回答便更容易評估。這是大學可以跨產品教授的學習習慣。

受管理的存取權並不免除判斷需要

Sydney 的 ChatGPT Edu 指引 安排於 2027 年第一學期向一般學生提供服務。指引亦說明保留資料會儲存在澳洲，而處理工作則可能在海外進行。較敏感的功能須先經另行評估，才會啟用。

這些細節限定了中央管理存取權的含義。制度監管改變了人們使用工具的環境，卻不會消除有關合適資訊、可接受活動或回應可靠性的判斷。

管治控制措施處理特定風險；學生及教職員仍須在這些控制範圍內作出判斷。

大學帳戶可以令獲批准的途徑更容易辨識。當學生接觸到外觀相近的個人及機構服務時，這一點尤其有用。這項區別很重要，因為使用者可能以為熟悉的品牌代表相同的權限。

資訊處理亦需要比「安全 AI」更精確的說法。儲存地點與處理地點描述的是不同活動。除非機構清楚解釋，籠統的保證可能掩蓋這項差異。

對學生而言，相關問題很具體：他們可為這項作業提交甚麼？一般產品說明無法回答涉及研究材料或個人資料的每一種情況。指引需要把環境與所涉資訊連結起來。

可執行操作的功能亦同樣如此。提出文字建議的助理，與改動已連接系統的助理，構成不同的操作情境。大學在廣泛提供這些功能前，須評估其後果。

這對開發教育應用程式的開發者尤其相關。一個有說服力的示範可以顯示某工作流程在技術上可行。制度採用還需要就權限、監管、支援及責任作出額外決定。

學習成效的說法同樣值得審慎看待。供應商有利益展示合作夥伴的成功例子。這些例子可提供有用的報道線索，但其取樣並不能證明成果可代表整個學生群體。

恰當的懷疑態度，是追問每項證據量度的是甚麼。推出日期量度的是實施進度；參與量度的是覆蓋範圍；學生自述的信心反映的是感受，仍有別於經獨立評估的能力。

這項分別不會令信心或投入失效。兩者皆可協助教育工作者理解一段經驗。問題在於，某些說法利用它們暗示原本並非為證實的結果。

僱主相關說法亦有一條重要界線。為 AI 驅動的職場培養學生是制度目標。要證明已作出這種準備，須觀察相關表現，而非假定單憑存取權便能帶來專業準備。

澳洲大學正以明確的實施步驟，把培養 AI 原生畢業生作為教育抱負。公開材料支持報道這些步驟，但對持久學習成效及就業優勢的更廣泛主張，仍有待評估。

有用的論述應保留這兩項事實。大學正作出具體改變，而這些改變值得按其教育層面審視。當熱忱與懷疑各自針對實際可得的證據時，兩者便更具資訊價值。

下一個訊號是存取權、課程規則及證據

下一階段應按實施細節評估，而非再作一項籠統的抱負聲明。已公布的時間表建立了實際檢查點，也讓學生及教育工作者有基礎提出更具體的問題。

三項訊號將說明，更廣泛的存取權是否正成為連貫的教育計劃。

第一，留意分階段提供服務是否依照已公布的時間表進行。有用的更新會區分合資格使用者、已啟用帳戶，以及可存取的獲批准功能。僅公布廣泛資格，仍會令學生實際可使用的體驗存在不確定性。

若大學在提供存取權時配備清晰的支援安排，這項訊號將加強實施的論述。若出現延誤，則需要解釋，尤其是在課程依賴原定供應安排的情況下。無論哪種結果，均不能單獨證明學習是否有所改善。

第二，留意學生在課程中收到的指示。重要證據將見於評核說明、容許使用聲明，以及對學生必須完成工作的解釋。這些文件揭示機構如何把宏觀策略轉化為日常期望。

清晰的課程規則將加強大學正有意識地整合 AI 的說法。互相矛盾或不完整的指示，則會暴露制度存取權與課堂實務之間的落差。學生不應只能靠猜測來彌補這個落差。

第三，留意能把熱忱與已證明能力區分開來的評估。有用的報道會說明學生學到了甚麼、教師如何評估，以及協助在哪些地方促進或妨礙表現，亦應說明評估的限制。

較強獨立推理能力的證據，將支持教育方面的論據。高使用量如沒有相應的學習說明，仍會令該論據不完整。即使參與者重視這項工具，這個分別仍然重要。

在未來數月，為 2027 學年作準備，提供了一個觀察這些決定的實際窗口。大學可以澄清服務供應、發布指引，並說明教育工作者將如何評估學生的工作。無須預測全面的勞動市場轉型，也能觀察這些發展。

僱主應仔細解讀由此產生的證據。一名畢業生能夠說明一套已核查、已修訂且可辯護的工作流程，比泛泛而談熟悉 AI 傳達更多資訊。招聘問題可以使這項差異更清楚。

學生亦可把同一標準套用於自己的經驗。當帳戶支援他們理解並能夠說明的工作時，它便有用。當他們能辨識協助改變了甚麼，以及哪些責任仍屬於自己，教育價值便更清晰。

澳洲大學正透過有關存取權、實務及評估的決定，培養 AI 原生畢業生。隨着這些決定進入課堂，請向你的大學查詢影響你學習的細節：有哪些工具可用？每項作業容許哪些協助？你將如何證明自己的理解？保留原始來源以便存取，記錄具意義的 AI 貢獻，並檢視生成答案背後的推理。比較課程或準備面試時，應聚焦於你能夠辯護的工作，而非你曾試用過的產品。最有用的準備證據，是一個例子：你選取了合適的協助、核查了其結果，並為最終決定承擔責任。