AI教育试点设计清单

一、试点问题与目标

• 明确要解决的具体问题，例如反馈滞后、学生差异过大或教师重复答疑过多。
• 只选择一个主要学科、一个学习阶段和一组明确学生。
• 把目标写成可测量结果，例如教师批改时间下降30%，而不是“提升智能化水平”。
• 确定试点不解决的问题，防止范围不断扩大。

二、Learning Rail设计

• 教师已经定义阶段学习目标和最低掌握标准。
• 已限定Agent可使用的材料、任务类型和难度范围。
• 已定义学生何时可以自由探索，何时只能获得提示。
• 已设置必须独立完成、不得即时获得AI帮助的检查任务。
• 已定义Agent何时必须停止并请求教师介入。

三、教师控制与责任

• 教师可以修改目标、路径、提示强度和任务顺序。
• 正式学习结论需要教师确认，而不是由模型自动定案。
• 教师能看到异常、停滞、提示依赖和证据不足的学生。
• 已明确谁处理技术故障、内容错误、情绪风险和家长沟通。

四、学习证据

• 记录学生的解释、迁移、纠错和独立完成表现。
• 区分最终答案、AI协助过程和学生自身能力。
• 记录提示次数、求助节点和帮助逐步减少的情况。
• 为每项正式评价保留可追溯证据。

五、安全、隐私与告知

• 学生和家长知道AI在试点中承担什么、不承担什么。
• 不输入不必要的个人隐私、账户信息和敏感材料。
• 明确数据保存期限、访问权限和删除方式。
• 低龄学生和高风险场景有成人监督。

六、验收与复盘

• 试点前已经记录基线数据。
• 同时衡量学习效果、教师工作量、学生依赖和人工干预。
• 记录失败案例，而不只记录成功案例。
• 试点结束后决定继续、修改、停止或扩大，而不是自动扩张。

现场记录