OECD AI 教育报告发现：使用 AI 的学生通常成绩更低
OECD AI 教育报告揭示了一个棘手的矛盾：大多数使用聊天机器人完成学业的学生，得分低于避开这类工具的学生。这一模式出现在一项覆盖 91 个国家和经济体、76 万名 15 岁学生的 2025 年评估中。
但这一标题并不意味着每位学生都应关闭 ChatGPT 或 Gemini。适度使用者有时表现优于偶尔使用者或高频使用者。当学校教导学生评估 AI 生成的信息时，高频使用者也获得了轻微优势。
因此，真正的分野并不在于 AI 使用者与非使用者之间，而在于认知外包与引导式练习之间。聊天机器人可以给出一份润色完善的答案，却无法确保使用者理解其中的问题、证据或推理过程。
这一差异促使学校、家庭和 AI 开发者重新思考，教育领域的应用应衡量什么。更快完成作业和更美观的提交成果，并不自动代表真正学到了知识。独立完成任务的表现，仍是更困难也更重要的检验。
OECD AI 教育报告究竟发现了什么
不使用 AI 完成学业的学生总体上表现优于使用者，但这一结果描述的是相关性，而非已被证实的伤害。
OECD 于 2026 年 9 月 8 日发布了其 PISA 2025 results。PISA，即国际学生评估项目，衡量 15 岁学生如何将知识应用于陌生问题。
2025 年评估是该项目规模最大的一届，覆盖 91 个参与国家和经济体的 76 万名学生。科学是主要评估科目，阅读和数学则提供了关于基础知识的补充衡量。
PISA 首次收集了学生使用 AI 聊天机器人完成学业的频率等详细信息。相关问题涵盖四项常见活动。
学生报告了自己是否使用聊天机器人来辅助学习、研究新主题、总结指定阅读材料，或起草书面作业。调查还区分了偶尔使用、适度使用、每周使用和几乎每天使用。
对大多数学生而言，AI 已经成为常态。在 OECD 国家中，只有 14% 的学生表示，在所调查的每一项学业活动中，他们从不或几乎从不使用聊天机器人。
然而，非使用者的科学成绩总体上高于使用者。不使用 AI 起草作业的学生，也优于表示曾将其用于此目的的学生。
这一模式因活动类型和使用频率而异。每周使用 AI 辅助学习的学生，其调整后的科学成绩与非使用者相近。几乎每天使用或仅偶尔使用的学生，往往得分较低。
在总结和初步研究方面，适度使用者的表现优于使用较少者和高频使用者。OECD 将这类任务中的适度使用定义为每月一次至每周两次之间。
在起草作业方面，这种中等使用频率的优势较弱。不使用聊天机器人起草作业的学生，整体上仍保持最明显的领先。
这些比较已根据学生的社会经济地位调整预测科学成绩。这一调整很重要，因为 AI 的采用并不均匀。
高频使用者往往来自条件更优越的背景。非使用者则更可能面临社会经济劣势，包括设备、稳定网络连接或付费 AI 服务的获取受限。
即使考虑社会经济背景，使用行为与学习倾向仍难以分离。学习困难的学生可能因为作业本身已很困难而转向 AI。高强度使用 AI 也可能减少培养独立技能所需的投入。
该报告无法判定哪一种方向占主导。它提供的是横截面证据，也就是说，调查是在同一评估期间记录使用情况和表现。
因此，OECD 并未声称打开一个聊天机器人会直接降低学生成绩。其更有力的结论更具实践意义：仅有使用渠道并不能预测更好的学习效果。
这一结论挑战了课堂采用 AI 背后的一个常见假设。可用性很容易统计，而理解程度则更难衡量。
更好的作业可能掩盖更弱的学习
生成式 AI 可以提高已完成作业的质量，同时削弱帮助学生独立完成任务的练习过程。
OECD 的发现与更广泛的实验研究相吻合。通用聊天机器人通常能改善学生在获得协助时完成任务的即时产出。但一旦移除协助，这些收益可能消失。
该机构的 digital education outlook 将这一问题描述为表现与学习之间的差距。表现衡量学生是否成功完成当天的任务；学习衡量学生能否在之后应用这些知识。
学生可以让聊天机器人总结一章内容，并获得准确、易读的回应。但这种产出几乎无法说明学生是否识别了核心论点、权衡了证据，或记住了材料。
起草作业带来了更尖锐的矛盾。聊天机器人可以在几秒内将简短提示转化为结构完整的文章。最终提交的作业可能展现出学生无法独立复现的词汇与组织能力。
可见的成品变好了，但隐藏的学习过程缩小了。学生投入在提取信息、解决不确定性、选择证据和修正薄弱推理上的时间更少。
这些步骤可能让人感觉效率不高，但许多学习恰恰发生在这里。
这一机制有助于解释 PISA 数据中不同寻常的使用频率曲线。适度使用可以补充积极的学习过程，而高频使用则创造了更多替代这一过程的机会。
偶尔使用者也可能因多种原因得分较低。有些人可能只在感到困惑或落后时才打开聊天机器人。因此，他们的使用频率反映的可能是既有困难，而非造成困难的原因。
OECD Digital Education Outlook 考察了一项在 Türkiye 高中生中进行的受控数学研究。学生在练习期间获得了通用 GPT-4 界面或专门设计的辅导版本。
与无法使用 AI 的学生相比，辅导系统使练习表现提高了 127%。通用聊天机器人则提高了 48%。
然而，与从未获得 AI 使用权限的学生相比，使用通用聊天机器人练习的学生在闭卷考试中的成绩低了 17%。辅导组避免了大部分这类损失。
底层的 controlled math study 提供了重要比较。两个系统使用同一底层模型家族，但它们的行为引导了不同的学生行动。
通用界面会轻易给出答案。辅导工具则包含旨在引导学生解决问题、而非立即代替他们完成任务的保护机制。
这一差异使讨论超越了模型准确性。即使答案正确，如果它在学生形成并检验独立思路之前就到来，也可能损害学习。
因此，教育 AI 需要另一项质量衡量标准。开发者通常评估模型能否正确回答、遵循指令并满足用户。学习系统还必须保留富有成效的努力过程。
富有成效的努力并不意味着扣留所有答案。它意味着提示回忆、要求解释、识别误解，并在学习者尝试解决问题后再提供协助。
传统聊天机器人优化的是即时帮助性。教育辅导工具有时必须克制这种冲动。
这带来了令人不安的产品冲突。学生往往偏好能减少工作量的工具，而学校需要的是能提升独立能力的工具。
使用量、完成速度和满意度可能会奖励错误的设计。一个让作业毫不费力的系统，可能在仪表盘上看起来很成功，却削弱了考试表现。
PISA 的 AI 学生成绩让这一衡量问题在全球范围内变得可见。学校不能仅凭采用率或作业质量来判断教育技术。
它们需要证据证明，技能能够迁移到聊天机器人缺席、受限，或无法提供现成答案的情境中。
AI 素养改变结果
当学校将高频 AI 使用与明确练习质疑其生成信息相结合时，学生获益最大。
在 OECD 国家中，大约十分之六的学生表示，曾收到要求评估 AI 生成信息的课堂作业。各国比例从 31% 到超过 80% 不等。
在这些学生中，46% 表示自己有时会完成此类活动。约 33% 经常这样做，22% 表示自己非常经常这样做。
学生获得了更多评估普通网络信息的练习。约十分之八的学生表示，课程曾要求他们评估互联网信息的质量。
这一差异很重要，因为 AI 输出带来了特定挑战。即使推理或证据并不完整，聊天机器人也能生成流畅的语言。
评估这些内容既需要常规阅读能力，也需要对生成式系统如何构建回应有一定理解。学生必须审查主张、追溯来源、识别不确定性，并将答案与可靠材料进行比较。
PISA 发现，在获得这些学习机会的学生中出现了一个幅度不大但值得注意的逆转。学会评估 AI 信息的高频使用者，略微优于非使用者以及每月使用 AI 两次或更少的学生。
这一结果并不能证明评估课程导致了改善。提供更强 AI 教学的学校，也可能拥有更优秀的教师、资源或更广泛的学业支持。
不过，这削弱了 AI 使用必然有害的观点。教育环境和学生行为似乎会塑造结果。
OECD 的 AI literacy findings 强调理解和解读，而非被动消费。这一重点将阅读能力置于有效使用聊天机器人的核心位置。
一项有用的课堂练习可以向学生提供一段 AI 生成的解释，其中包含准确陈述、缺乏支持的假设和一条错误引用。随后，学生应为每项主张添加注释并进行核验。
另一项作业可以要求学习者先在不使用 AI 的情况下写出初步回应。之后，他们可以请聊天机器人提出批评，再说明自己接受或拒绝了哪些建议。
这些活动保留了学生的主体性。模型成为分析对象或反馈来源，而非自动答题机。
它们也会产生教师可以检查的证据。一篇最终文章本身可能掩盖了有多少推理来自学生。草稿、提示词、来源笔记和书面判断则能展现过程。
这正是个人知识管理实践能够支持负责任使用的地方。保存来源和个人笔记的学生，可以将 AI 回应与一条证据链进行比较。
结构化的学生工作区可以帮助将阅读材料、笔记和问题关联起来。但学习价值仍取决于学生如何使用这些材料。
批判性评估不能成为一次性的 AI 安全课。它必须融入日常的科学、历史、写作和研究任务之中。
学生也需要被允许质疑看似流畅的回答。聊天机器人往往以自信的方式表达，而年轻用户可能会将润色得体的语言误认为权威。
教师可以通过奖励核实与纠正来抵消这种影响。能够指出模型无依据主张的学生，应因其推理过程获得认可，而不只是因为得出了预期答案。
目标并非为了怀疑而怀疑，而是基于证据、任务类型和不确定性建立校准后的信任。
这种方式更贴合 AI 对学习的实际影响。同一个模型既可能缩短思考过程，也可能提供延展思考的反馈。
分数差距并不能证明 AI 导致了成绩下滑
OECD 数据揭示了一个警示信号，但无法将聊天机器人从影响学生表现的众多因素中单独剥离出来。
有关 AI 用户得分更低的标题，很容易跑在证据前面。PISA 并未将数十万名学生随机分配为使用或不使用聊天机器人。
学生描述的是自己的行为。自我报告的使用频率可能不够准确，而且受访者对“帮助我学习”的理解也可能不同。
一名学生可能用 AI 生成完整答案。另一名学生可能要求练习题、反馈或另一种解释。两者都可能被归入同一个宽泛的使用类别。
科学成绩也反映了长期积累的知识，而不只是 2025 年完成的活动。学生参加评估时，所处学校、教师、家庭支持、学习动机和既往成绩各不相同。
反向因果关系仍然存在合理性。成绩较低的学生可能因为需要额外帮助而更频繁依赖聊天机器人。即使用户群体因此分数较低，也不能证明 AI 造成了这一差距。
OECD 公开承认了这一限制。其表示，这些关系并不一定说明 AI 对科学表现产生了负面影响。
更广泛的成绩趋势也早于生成式 AI 的普及。OECD 国家中，阅读成绩在 2015 年至 2025 年间下降了 28 分，数学成绩下降了 22 分。
OECD 将这些变化折算为：阅读方面约相当于一年半的学习量，数学方面则略超过一年。
ChatGPT 直到 2022 年末才向公众开放。它无法单独解释长达十年的成绩下滑。
疫情造成的扰动、出勤情况、家庭参与、数字化干扰、课程变化和学习条件，都应纳入分析。PISA 结果并未为每项因素分配其对下滑的精确影响比例。
在 OECD 平均水平上，科学表现从 2022 年到 2025 年保持稳定。这种稳定性进一步使“聊天机器人普及导致整体立即崩塌”的说法变得复杂。
与此同时，缺乏因果证明不应抹去这一警示。观察到的模式反复显示，相比高强度、无引导的辅助，不使用、适度使用或在引导下使用通常更有利。
受控研究也提供了使学习损失可信的机制。当学生在尝试提取记忆和推理之前就获得答案时，他们练习的技能会更少，而这些技能随后会在无辅助条件下被测量。
因此，最有力的立场介于恐慌与自满之间。PISA 并未证明 AI 会让学生变得不那么聪明。它表明，常规采用尚未带来普遍的学业优势。
这一发现应改变举证责任。学校不应仅因学生将聊天机器人用于课业，就假定它具有教育价值。
AI 开发者同样需要提供参与度以外的证据。如果一家公司营销学习产品，就应通过延迟且独立的评估证明其能够带来持久收益。
这类测试应比较通用聊天机器人、受约束的辅导工具、教师引导式使用，以及无 AI 练习。还应追踪其收益是否能在不同学科和学生群体中持续存在。
公平性又增添了一层不确定性。处境不利的学生较少获得涉及评估 AI 生成信息的课堂任务。
他们也更可能是非用户，潜在原因是访问受限。在不扩大引导的前提下扩大访问，可能只是用一种鸿沟替代另一种。
核心风险不只是有些学生拥有更好的模型，而是有些学生学会了如何审问模型，另一些学生却只得到即时答案。
学校必须重新设计任务，而不只是监管聊天机器人
这些发现将压力从一刀切的访问决策，转向作业、评估和 AI 产品的设计。
学校起初主要将生成式 AI 视为学术诚信问题。这一担忧依然重大。
在另一项 OECD 教师调查中，72% 的初中教师表示，AI 可能损害诚信，因为它让学生能够将生成内容作为自己的作品提交。
仅靠检测并不是有力的回应。AI 检测器可以估计文本是否类似机器辅助写作，但无法可靠地还原学生是如何完成作业的。
学生可能将 AI 用于头脑风暴、语法反馈、缺乏依据的起草，或完全替代。最终文本很少能清晰揭示这些区别。
评估设计可以捕捉更有价值的证据。教师可以要求提交提纲、来源注释、中间稿、口头说明，或简短的受监督后续任务。
这些方法让推理过程变得可见。即使学校允许某些形式的 AI 辅助，它们仍然有用。
闭卷考试提供了一种衡量独立能力的方式。但它不应成为唯一答案，因为学习还包括研究、协作、修订和工具使用。
平衡的体系可以同时评估两种模式。学生应展示无 AI 条件下的基础知识，以及借助 AI 进行负责任应用的能力。
OECD 的全球发布公告主张有目的、适度地使用技术。它也警告，不应以技术取代注意力、努力和理解。
这一原则为学校提供了可操作的标准。一项作业应明确哪些认知工作应由学生完成，以及 AI 可以在哪些环节贡献价值。
例如，教师可以在初步解题阶段禁止 AI，但在修订阶段允许使用。随后，学生可以将自己的方法与模型的回答进行比较。
历史作业可以允许探索主题，但要求每一项事实主张都关联至认可来源。学生还应提交对任何被拒绝的 AI 建议的简短说明。
写作课程可以把聊天机器人作为批评者而非作者。模型可以标记表述不清的段落，但学生应自行决定如何修改。
这些设计让使用 AI 比复制答案更慢。当这种摩擦迫使学习者审视自己的思考时，它就具有价值。
开发者也面临并行的设计挑战。教育模式需要的不只是友好的语气、简化的解释或针对年龄的界面控制。
可信的导师应能诊断误解，要求学生先给出答案，并逐步调整提示。它应避免过早完成核心的智力任务。
教师也需要看到互动过程。一个实用的课堂系统可以总结学生尝试过的概念、请求过的提示和纠正过的错误，同时不暴露不必要的个人数据。
隐私和安全依然重要，尤其涉及未成年人。学校需要明确规定，涵盖数据保留、模型训练、年龄适宜性以及访问学生对话的规则。
教师准备是另一个压力点。OECD 报告称，2024 年有 37% 的初中教师在工作中使用 AI。
教师无法仅凭政策文件引导学生行为。他们需要按学科划分的示例，说明 AI 在何时支持学习、何时又会消除必要练习。
正确的方法因学科而异。在掌握数学概念后，类似计算器的辅助或许合适；但在概念引入阶段，它可能有害。
语言学习者可以从对话练习中受益。但他们仍需要有机会在没有自动补全的情况下提取词汇并组织句子。
因此，问题并不是每间教室是否都应采用或禁止 AI，而是每一种使用方式是否保留了课程意在培养的心理活动。
三项信号将显示教育 AI 是否正在改善
下一阶段应通过独立学习、引导式使用的可及性和产品行为来判断，而非只看聊天机器人的原始采用率。
第一项信号是无辅助条件下的表现。学校和研究人员需要延迟评估，以检验学生在使用 AI 后是否能保留并迁移技能。
即时的作业质量并不足够。一个有用的系统应在工具不可用时、以及问题不同于练习示例时，依然能改善结果。
如果未来的随机研究显示各学科均存在持续收益，OECD 的警示将会减弱。如果经过润色的作业持续先于较弱的考试表现出现，它则会更加强烈。
第二项信号是获得明确 AI 评估教学的机会。PISA 发现，约十分之六的学生在课堂上接受过评估 AI 生成信息的某种训练。
这一比例应当提高，但仅有参与还不够。研究人员应衡量这些课程的质量、频率以及与学科教学的融合程度。
他们还应关注社会经济差距。目前，处境不利的学生报告称，在课堂中评估 AI 输出的机会较少。
如果这一差距缩小，同时接受引导的用户取得进步，AI 素养将看起来是一项有意义的干预措施。如果访问扩大却没有带来独立能力的提升，学校将需要更深层的教学变革。
第三项信号是教育产品是否抵制答案替代。开发者应说明辅导模式如何保留学生推理，以及如何在辅助结束后衡量学习成效。
有价值的证据包括独立评估、透明的研究设计，以及与普通聊天机器人的比较。参与度数据无法回答教育问题。
产品在日常使用中的行为同样重要。导师是否会在给出解决方案前要求学生先尝试？它是否要求提供证据，并揭示不确定性？
教师能否为每项任务配置可提供帮助的类型？学生能否回顾自己的推理是如何变化的，而不只是得到一份完成的回答？
这些选择将决定 AI 会成为捷径、导师，还是两者之间不均衡的混合体。
OECD 的 AI 教育报告并不支持假装聊天机器人会从学校中消失。大多数受访学生已经使用过它们，执法也无法扭转这一现实。
但它确实证明需要采用更高标准。学生完成一项 AI 辅助任务后，应比之前懂得更多，而不只是拥有更好的文本。
家长和学习者也可以立即采用同样的测试。使用聊天机器人后，关闭它，然后解释这个概念、解决一道相关问题，或用来源为答案辩护。
如果理解会随着聊天窗口关闭而消失，那么工具完成了工作，却没有支持学习。接下来的问题是，学校和开发者是否会为这种区别而设计。
