Drew University 将开设面向 1 至 8 年级的 AI 驱动私立学校

Drew University 将于 2026 年秋季开设一所面向 1 至 8 年级的学校，把以 AI 为中心的学习模式带入大学校园。这则消息作为另一篇地方教育新闻登上 Google News，但其背后的实验具有全国性的意义。Drew 并非只是为课堂增加软件，而是在围绕软件主导的学科学习和人工主导的辅导重组整个学校日程。

Drew School 将设在新泽西州麦迪逊的大学校园内，并与和 Alpha School 相关联的课程平台 2HR Learning 合作开发。学生将通过自适应学习技术完成核心学科学习，随后参与项目、生活技能课程和由大学支持的活动。

这种结构形成了核心争议。Drew 和 2HR Learning 认为，自适应软件可以压缩学科学习时间，让孩子拥有更多时间进行协作和创造性工作。批评者则认为，辅导软件无法取代合格教师的判断力、师生关系和更广泛的职责。

据 Drew 称，这也是 2HR Learning 模式首次与大学建立合作关系。这项合作为该模式提供了 Alpha 自有校区之外的机构化场景，也让 Drew 成为检验大学能否将其教育理念延伸至小学和初中阶段的一项高度可见的试验。

与其说开学本身是一条 Google News 标题，更重要的是它将成为一项可衡量的课堂实验。招生情况、学生进步、家庭留存率、隐私实践和独立评估，将决定这项合作是否值得获得更广泛的关注。

Drew University 实际上要推出什么

Drew School 改变了核心教学由谁提供、学生如何进阶，以及成年人在校日中承担什么工作。

Drew 于 2026 年 8 月公布该项目。学校计划在 2026 年秋季学期于大学麦迪逊校区开设。Drew 将其描述为面向 1 至 8 年级的项目，不过学校招生页面最初邀请的是 1 至 7 年级的创始家庭。

该项目结合了教育领域中常常分别出现的三项要素：自适应学术软件、掌握式进阶，以及以项目为导向的下午活动。掌握式进阶是指学生在证明自己已理解后再继续前进，而不是仅因预定单元结束就进入下一阶段。

根据大学的学校公告，自适应技术将为每位学生设定个性化学习节奏。专职学习教练将支持这一过程。Drew 表示，大学设施、教职人员和其他专家将参与导师指导和学习活动。

计划中的生活技能课程包括公开演讲、金融素养、AI 素养、韧性、时间管理、领导力和健康习惯。学生还将开展 Drew 所称的 Discovery Projects，并在 Creator’s Studio 中学习。这些活动旨在让学习与传统练习题之外的问题建立联系。

该大学将这所学校定位于一种更广泛的教育理念之中，即教育从童年延续至成年后的更晚阶段。校长 Hilary L. Link 将 Drew 的战略描述为一条超越传统大学学位的学习轨迹。这所新学校将更低龄的学习者纳入这一机构愿景。

Brian Holtz 将领导该校。Drew 称他是 Alpha School 的联合创始人，也是 2HR Learning 课程的设计者。他的参与使这一新项目直接连接到 Alpha 既有的方法，而非 Drew 自行构建的一项独立试验。

这一模式也改变了教育工作者的角色。成年人将负责激励辅导、组织工作坊和指导学生。软件则承担核心学科学习中大量与进度安排、练习和测量相关的工作。

这种劳动分工才是真正的改变。许多学校都会使用数字作业、自动化练习或学习管理系统。Drew 则围绕这些系统设计每日课程安排，并将相当一部分人工关注转向辅导和项目学习。

这一差异很重要，因为 AI 辅助学校不必然等同于 AI 授课学校。自适应程序可以推荐练习、调整难度并追踪表现，而无需像开放式聊天机器人那样运作。Drew 尚未发布详细的技术清单，说明学生将使用的每一种应用程序或模型。

学校自己的项目说明强调好奇心、导师指导、深度学习和个体进步。这些目标在许多私立学校中并不陌生。Drew 的不同之处在于，它试图利用从传统全班授课中节省出来的时间来支持这些目标。

如今，这一承诺必须经受真实学校运营的考验。软件可靠性、课程衔接、学生动机、可及性和成人干预都会塑造实际体验。开学公告并未证明这些环节将如何有效协同运作。

为什么 Google News 的报道预示着更大规模的扩张

Drew 的合作将一种另类私立学校模式转化为一项测试：大学是否会成为以 AI 为中心学校的运营者、承办方或背书者。

Drew School 到来之际，Alpha 正在远远超出其最初版图的范围进行扩张。2026 年 8 月，Alpha 告诉 Axios，公司计划在该学年将校区数量从约十余个增至约 50 个，并预计将在 27 个市场开展运营。

这一扩张改变了 Drew 所处的背景。单一的实验性校区可以依赖创始人、积极性异常高的家庭以及严密的运营监督。分布在多个市场的网络则必须稳定复制人员配置、学生支持、课程质量和安全实践。

据扩张报道，一些此前公布的 Alpha 校区因房地产问题而延期开设。将学校设在 Drew 可能会消除其中一部分困难。大学校园已具备实体基础设施、专业设施以及一批潜在导师。

这种合作还提供了一种较为无形的东西：机构信誉。评估一种新教育模式的家长，必须同时判断其学术质量和组织持续性。即便结果数据尚未出现，大学合作关系也能让一所陌生的学校显得更加成熟可靠。

这种信誉也给 Drew 带来压力。大学的名称将与课堂实践、学生成果及影响幼儿的运营决策联系在一起。Drew 不能把该项目视为一项可以在一个学期后悄然停止的软件试点。

这项合作也可能吸引面临人口和财务压力的其他高校。一所小学可以建立社区联系，以不同方式利用校园资源，并在大学申请开始前多年就让家庭接触到一所教育机构。

不过，这些机构层面的益处并不能验证该学术模式。大学校园可以提供实验室、图书馆、艺术空间和教师专业知识，但并不能自动证明软件主导的核心教学能够带来持久的理解。

传统学校面临的是另一种压力。多数学校无法围绕个性化软件重新设计整天日程。它们受到人员配置规则、公共问责要求、协商后的时间安排、残障保护措施以及服务每一位符合资格学生的义务约束。

Drew 可以从一个规模小、由家庭自主选择构成的群体开始。学校表示将邀请 10 至 12 个创始家庭。这一规模有利于密切关注，但也限制了早期结果能够证明的范围。

小规模群体中的家庭可能拥有不同寻常的资源、更强的家长参与度，或对教育实验有特定偏好。这些因素可以独立于软件影响学习成绩，也会使其与学区学校之间的比较变得困难。

Google News 的呈现方式可能会让这一事件看起来只是一次普通的校园开学。更大的故事是：一种以 AI 为中心的私立学校模式被移植进大学环境。如果 Drew 报告出有说服力的结果，这一转变可能为类似合作提供模板。

关注这项试验的大学应当区分三个问题。大学能否承办这类学校？该项目能否产生可信的成果？这种方法能否适用于小型、经过谨慎筛选群体之外的学生？

Drew 很可能会很快回答第一个问题。后两个问题则需要多年收集的透明证据才能作答。

“两小时”承诺与教学工作的现实相遇

该模式的核心押注是，软件可以加快练习进度，同时不会剥离使练习具有意义的人类判断。

Alpha 将其方法描述为 2 Hour Learning。学生每天大约花两小时进行核心学科学习，其余在校时间则用于项目、体育活动和实用技能。“两小时”指的是学术学习时段，而非整个学校日的长度。

自适应系统在结构化练习中可以提供真正的优势。它们可以呈现不同难度的材料，识别反复出现的错误，并让进度较快的学生继续前进。它们还可以提供即时反馈，而无需一位教师同时监督每一份练习单。

该模式最有力的论点并不依赖于移除人类角色，而在于将重复性练习交给软件，同时将成年人的关注保留给激励、解释、讨论和社会性发展。

然而，辅导与教学并不能互换。辅导员帮助学习者解决明确的问题，或强化某项具体技能。教师还要选择有价值的问题、解读误解、管理群体互动，并随着时间推移连接不同的观念。

Penn State 教育学教授 Gerald LeTendre 在讨论以 AI 为中心的学校时作出了这一区分。他告诉 Axios，AI 辅导在拥有深入人际接触和合格教学的环境中使用时可以发挥帮助作用。

Drew 表示，其学生将获得辅导和导师指导，也计划让教职人员和学科专家参与其中。尚未解决的问题是，这些关系是否足够持续，能够支持那些需求不符合软件学习序列的孩子。

年幼学习者常常会间接表达困惑。他们可能草率作答、失去投入、碰巧猜对，或避免寻求帮助。表现仪表板可以捕捉答题模式，却未必能够识别背后的情绪、语言或发展原因。

该系统还必须区分完成一道练习和理解一个概念。孩子可能学会平台如何奖励答案，却无法解释其背后的理念、将其迁移到新情境，或与他人协作使用。

下午的项目可以检验这种迁移能力。一项金融素养项目可能需要算术、阅读、规划和沟通。Creator’s Studio 的活动则可能揭示，学生能否在没有软件提示的情况下应用学术知识。

这使得下午课程不只是拓展活动。它也是学校检验压缩式学术学习能否转化为可实际运用的知识的场所。Drew 应记录项目如何与上午的学习衔接，以及成年人如何评估这种衔接。

该模式对激励机制的处理同样值得审视。Alpha 在一天的大部分时间里使用引导员，而非传统课堂教师。引导员会指导学生完成目标，并帮助维持参与度。

激励可以改善学习，但并非简单的输入变量。奖励或许能带来短期坚持，却未必能培养长期好奇心。一些学生会在明确目标下表现出色，另一些学生则会将仪表盘和绩效追踪视为压力。

该系统必须兼顾这两种反应。它还必须在软件建议失效、内容无法获取，或学生需要以不同形式获得解释时提供支持。

Drew 的大学资源可以强化这一模式中人为支持的一面。教师导师、艺术家、作家、技术专家和社区合作伙伴可以让学生接触专家式思维。这些体验可能很难由一所独立的微型学校复制。

只有当这些体验构成连贯的教育项目时，这一合作才会成功。偶尔使用令人印象深刻的设施，无法弥补日常教学的薄弱。大学关联必须影响学生日常实际做什么，而不只是影响学校如何营销自己。

Google News 无法验证的结果问题

围绕 2 Hour Learning 最重要的主张，在独立研究人员能够审查其方法、对照组和长期结果之前，仍只是公司的主张。

Alpha 表示，其学生的学习速度快于同龄人，并且在全国学业衡量指标中接近顶尖水平。这些说法有助于解释该模式为何吸引家庭和机构合作伙伴。但它们不应被视为已得到独立证实的结果。

标准化成长数据可以回答一些有用的问题，但如何解读取决于学生入学时的情况。研究人员需要了解基线分数、学生特征、流失情况、测试条件，以及恰当的对照组。

选择效应在私立教育中尤为重要。选择实验性学校的家庭可能会提供更多学业支持，或拥有更大的灵活性。难以适应该模式的学生可能会离开，从而改变剩余学生群体的表现。

可信的评估必须报告这些离校情况。它应展示所有入学学生的结果，而不只是完成完整学期或学年的学生。还应考察结果是否因年龄、既有学业水平、残障状况、语言背景和家庭情况而异。

斯坦福大学教育研究生院副教授 Victor Lee 曾批评 Alpha 缺乏外部审查。概述其评论的报道指出，独立研究人员尚未获得足够的访问权限来检验该组织的主张。

当一所大学加入这一模式时，这一缺口就更具影响。Drew 拥有研究专长和与证据相关联的学术声誉。它可以要求采取比私立教育公司单独提供时更清晰的评估实践。

独立审查并不意味着发布一份庆功式年度报告。它意味着允许合格研究人员界定方法、分析匿名数据、披露局限性，并发布不利发现。

结果不应局限于考试分数。Drew 应追踪学生写作、数学推理、项目质量、协作、出勤、福祉和持续性。它还应考察学生离开该项目后的表现。

隐私是另一个尚未解决的质量衡量问题。个性化学习系统需要有关学生进展和行为的详细信息。这些记录可能暴露弱项、注意力模式、兴趣和其他敏感特征。

Drew 尚未公开说明哪些供应商将接收学生数据、记录将保存多久，或这些信息是否会用于训练商业模型。它也尚未详细说明家庭如何对自动化建议提出质疑。

这些问题并非行政脚注。它们关系到家长能否给予知情同意，以及学生能否对自己的教育记录保有有意义的控制权。

UNESCO 的AI 教育指导意见呼吁采取数据隐私保护措施，并为未成年人独立使用生成式 AI 平台设定年龄限制。该指导意见反映了一项基本原则：儿童不应承担未经验证部署的风险。

美国教育部的整合工具包同样强调透明度、利益相关方认知，以及退出 AI 赋能应用的机会。私立学校的运作方式可能与公立学区不同，但这些保护措施仍然具有相关性。

因此，Drew 应披露每种工具是生成式、自适应式、预测式，还是主要用于行政管理。这些类别带来的风险不同。选择下一道练习题的数学程序，并不等同于生成开放式解释的聊天机器人。

家庭还需要知道何时由成年人审核建议。如果软件将某名学生标记为学习困难，就应有人在这一结论影响分班或预期之前进行核实。自动化指标应为专业判断提供参考，而不是悄然取而代之。

公开的 Google News 报道可以识别此次启动，并重复该项目所宣称的设计。它无法审计算法、检验学习主张，或确定儿童是否获得足够的人为支持。

这一验证缺口构成了本文的核心转折。该合作关系看似是对一个成熟模式的认可。实际上，它创造了独立评估该模式的新机会与新责任。

Drew 的实验落在一个尚未准备好的学校体系中

在许多教育工作者仍缺乏使用 AI 开展工作所需的基本制度指导之际，这所新学校正在扩展一种依赖 AI 的方法。

2026 年 5 月的一项 Gallup 调查发现，只有 18% 的美国公立学校教师曾从管理人员那里获得关于在工作场所使用 AI 的正式指导。约 48% 的受访者表示只获得过非正式指导，34% 表示完全没有获得指导。

同一项教师指导调查发现，十分之六的教师会将 AI 用于工作。其中十分之三至少每周使用一次。因此，应用速度正快于机构规则制定。

Drew 的回应远比发布一项可接受使用政策更为激进。该校从一开始就围绕自适应技术设计其教学结构。这避免了学校将孤立工具添加到传统课表时产生的一些问题。

但这也带来了不同的风险。围绕软件建立的学校，会依赖供应商表现、数据治理、内容质量和技术支持。当平台组织着核心学术课程时，平台故障不再只是小小的不便。

New Jersey 已经鼓励学区为 AI 做准备。2024 年，该州教育部门发布了课堂 AI 资源，涵盖负责任的整合方式和行政用途。

该州的方法强调对教学与学习的支持。Drew 的模式提出了一个要求更高的问题：在支持演变为替代之前，技术应承担多少教学责任？

公立学校无法轻易复制这一实验。它们必须教育规模更大、背景更多元的人群，其中包括需要专业服务的学生。它们还面临不同的监督、采购、人员配置和问责要求。

不过，即便其完整模式从未得到迁移，Drew 仍能产出有用的经验。学区可以研究哪些形式的自适应练习能节省教师时间，哪些仪表盘有助于教育工作者，以及哪些项目设计能提升学生参与度。

这所学校也可能暴露失败模式。学生可能厌倦持续与软件互动。教练花在排障上的时间可能多于指导时间。个性化路径可能会孤立那些需要共同讨论的学习者。

透明的试点会让这些失败具有参考价值。以营销为主导的推广则会将它们隐藏起来，直到家庭或员工遭遇伤害。Drew 的机构角色应推动该项目走向前一种做法。

私立学校环境还带来了另一种围绕可及性的张力。规模较小的创始学生群体可以受益于大量成人关注和大学设施。这些条件很难在普通学校系统中复制。

因此，关于改变教育的主张，应区分教学方法和周边资源。软件可能对某种结果有所贡献，但小规模群体、选择性招生、导师指导和家庭支持的贡献可能同样重要。

Drew 可以通过在报告结果的同时报告投入来解决这一问题。它应披露师生比例、干预时间、软件使用情况、项目时长和学生离校情况。否则，观察者无法确定真正产生结果的因素。

大学还可以比较不同组成部分，而不是将该项目视为单一套餐。研究人员或许可以考察，自适应练习是否对某些学科、年龄段或学习者群体的帮助更大。

这种分析比简单的成功故事更能服务教育工作者。学校需要的是关于条件和局限性的证据，而不只是被包装为普遍答案的品牌化模式。

决定该模式能否成立的三项信号

招生稳定性、独立证据和透明的保障措施，将比早期宣传或醒目的考试分数更为重要。

第一项信号是创始学生群体是否入学、留校并扩大规模。Drew 计划仅以 10 至 12 个家庭起步。这使得每一次离校都具有意义，尽管隐私限制了学校能够披露的信息量。

留存率将揭示家庭是否认为日常体验符合承诺。它无法证明学术成效，但较低的留存率会挑战有关参与度和满意度的主张。

Drew 应报告汇总后的留存情况，并解释当学生需要更多直接教学时，该项目如何回应。家庭还应了解学生能否在软件主导和成人主导的支持之间转换，而不被贴上污名化标签。

第二项信号是独立研究的访问权限。Drew 应宣布评估合作伙伴、公布研究问题，并在结果揭晓前确定时间表。预先定义的方法可以减少只挑选有利衡量指标的诱惑。

严肃的评估应包括基线数据，并将离开的学生纳入考量。它应将结果与相似学习者进行比较，并披露不确定性。它应衡量的不只是软件平台内的进步。

如果 Drew 允许这种审查，大学合作关系即使在结果喜忧参半时，也会增强该模式的可信度。如果评估始终停留在内部，这种关联看起来就更像品牌背书，而非学术调查。

第三项信号是面向公众的隐私和人为监督框架。家长需要一份清晰的工具、数据实践和干预程序清单。学生需要获得符合年龄特点的解释，了解技术如何影响他们的学习。

Drew应明确哪些决策仍须完全由人类作出。这些决策应包括重大的安置调整、纪律处分、特殊教育判断，以及会实质影响孩子教育路径的结论。

学校还应说明，当工具生成不当内容或给出错误建议时将如何处理。教职员工必须有权推翻系统决定、记录错误，并防止类似问题再次发生。

这三个信号需要结合起来看。稳定的招生规模若缺乏独立证据，说明的是需求，而非成效。考试成绩显著提升却没有隐私保障，仍存在重大的伦理缺口。谨慎的政策若没有实质性成果，也不足以证明教学模式重构的合理性。

更大规模的 Alpha 扩张增加了紧迫性。一个正进入数十个市场的模式，可能在研究人员和监管机构尚未理解其影响前，就已形成既定做法。Drew 有机会稍微放慢这一进程，为可信的观察留出空间。

这并不意味着要拒绝教育技术。自适应辅导可以支持练习，教师也早已将 AI 用于许多任务。关键在于，一家机构能否在整合这些工具的同时，保护儿童所需要的人际关系。

Drew 的答案将通过日常细节显现。观察者应关注：谁会帮助困惑的学生，成年人多快能察觉学生失去投入，以及项目作业是否展现出真正的理解。

他们还应审视由谁控制数据、谁能够对软件提出质疑。这些流程比是否贴有 AI 标签，更能揭示教育质量。

这则报道通过 Google News 触达读者，是因为一所由 AI 驱动的私立学校构成了引人注目的标题。它真正的重要性在于，Drew 是否会将一项宣传性主张转化为一项可问责的教育研究。

随着首个学期展开，家长和教育工作者应要求了解评估计划、隐私规则、人员配置模式和留存数据。如果 Drew 公布这些答案，这项实验就能为 Madison 以外的学校提供参考；如果没有，Google News 的关注只会在证据到来之前放大一项承诺。