GPT-4o 帮学生刷高 1 分，映出学术评分标准的集体失效

用GPT-4o把大纲跑一遍，效率高到让我想直接把论文交给它写，太离谱了，前提是你得先自己列好大纲，要不它也生不出花样。博科尼大学做过一项对照实验，结果很值得琢磨。他们在市场营销课的作业里，抽选了 1053 名学生，分成两组。结果是，借助 GPT-4o 的那组，平均分涨了将近 1 分。 表面上看，AI 确实是个好帮手。但仔细想，这件事更像是一面镜子，照出了传统学术评分体系的尴尬。这个实验说明，我们过去几十年依赖的评分标准，奖励的不是真正的思考，而是一种“格式化”的表达。 在大多数学术评价里，教授打分时心里都有一个隐形模板。一篇被认定为“优秀”的作业，关键往往不在于观点多深刻，而在于它是否精准踩中了某种概率分布——结构是否严谨，术语是否专业，案例是否得体。而这些，恰恰是大语言模型最擅长模仿的东西。 ## AI高分背后隐藏着什么认知陷阱？ 这就带来一个很讽刺的局面。一个学生可能脑子里没什么真东西，但只要 Prompt 用得好，AI 就能给他拼出一篇看起来极其专业、逻辑自洽的答卷。在评分者眼里，这是 A 级论文；在实际认知过程中，这却只是一个“指令翻译”的结果。 这里面有两个值得警惕的悖论。 一个是高阶技能的“平庸化”。过去，写出结构完整、论证严密的文章被认为是高阶能力。但在 AI 时代，这种能力正快速贬值成一种基础工具。如果一个学生的竞争力仅仅在于“能写出符合标准的论文”，那他在 AI 面前几乎没有护城河，因为这种“标准化”输出的成本已经被压到近乎为零。 ## 标准化能力为何正快速贬值？ 另一个是知识获取的“假象”。博科尼大学的实验已经证明，AI 提升的是分数，不是知识。很多人用 AI 优化工作流时，潜意识里跳过了最关键的逻辑构建和知识内化。当你习惯用一个 Prompt 直接拿到完美答案，而不是自己去查资料、推敲逻辑、反复修改，这种所谓的“高效”其实是在透支长期的认知能力。 面对这种冲击，必须重新定义学习和评估。如果考试考的依然是知识的提取和套用，那人类注定会输给模型。在检索和组合能力上，我们无法与算力竞争。 ## 人类真正的护城河在哪里？ 真正的竞

期末论文全靠它套模版，现在才发现如果教授要求深挖逻辑，我根本答不上来。博科尼大学那项对照实验里，借助 GPT-4o 的小组平均分涨了近 1 分，可这涨的分奖励的只是“格式化”的表达——结构严谨、术语专业、案例得体，全是大模型最擅长模仿的概率分布。真到了要我解释为什么这个论点能成立、为什么那个反例不能推翻我的结论时，我脑子里只剩 AI 拼出来的那层壳，里面是空的。

逻辑乱编就算了，最怕它一本正经胡说八道，差点被教授挂了。比如博科尼大学做过一项对照实验，结果很值得琢磨。他们在市场营销课的作业里，抽选了 1053 名学生，分成两组。结果是，借助 GPT-4o 的那组，平均分涨了将近 1 分。表面上看，AI 确实是个好帮手。但仔细想，这件事更像是一面镜子，照出了传统学术评分体系的尴尬。这个实验说明，我们过去几十年依赖的评分标准，奖励的不是真正的思考，而是一种“格式化”的表达。在大多数学术评价里，教授打分时心里都有一个隐形模板。一篇被认定为“优秀”的作业，关键往往不在于观点多深刻，而在于它是否精准踩中了某种概率分布——结构是否严谨，术语是否专业，案例是否得体。而这些，恰恰是大语言模型最擅长模仿的东西。这就带来一个很讽刺的局面。一个学生可能脑子里没什么真东西，但只要 Prompt 用得好，AI 就能给他拼出一篇看起来极其专业、逻辑自洽的答卷。在评分者眼里，这是 A 级论文；在实际认知过程中，这却只是一个“指令翻译”的结果。这里面有两个值得警惕的悖论。一个是高阶技能的“平庸化”。过去，写出结构完整、论证严密的文章被认为是高阶能力。但在 AI 时代，这种能力正快速贬值成一种基础工具。如果一个学生的竞争力仅仅在于“能写出符合标准的论文”，那他在 AI 面前几乎没有护城河，因为这种“标准化”输出的成本已经被压到近乎为零。另一个是知识获取的“假象”。博科尼大学的实验已经证明，AI 提升的是分数，不是知识。很多学生用 AI 优化工作流时，潜意识里跳过了最关键的逻辑构建和知识内化。当你习惯用一个 Prompt 直接拿到完美答案，而不是自己去查资料、推敲逻辑、反复修改，这种所谓的“高效”其实是在透支长期的认知能力。面对这种冲击，必须重新定义学习和评估。如果考试考的依然是知识的提取和套用，那人类注定会输给模型。在检索和组合能力上，我们无法与算力竞争。真正的竞争力应该迁移到 AI 难以模拟的领域，比如处理那些极端复杂、模糊且缺乏先例的现实问题，或者带有强烈个人风格与情感深度的决策。未来的教育评价体系，必须从“结果导向”彻底转向“过程导向