达特茅斯实测AI判作业：学生嫌它死板，用的人反而考得更好
- 达特茅斯学院在151名统计课学生中试点了AI学习平台Phosphor，作为完全自愿、不计分的教材替代品，由Claude Sonnet 4.6负责给简答题判分。
- 90.2%的学生至少用过一次该平台，是这门课学生和老师自报阅读达标率（10到15%）的6倍以上。
- 完整使用（24课全上完，加3次跨课复习全通过）对比零使用，期末成绩差距在控制先验成绩后为0.71个标准差，不控制则为1.30个标准差。
- 三个模块因学生反馈换了两次考试形式，意外形成一次自然实验：只有需要学生自己作答的简答题模块保留了「多做题多得分」的关系，纯选择题模块这个关系几乎消失。
- 平台自带的AI答疑聊天侧栏全学期只被查询72次，只有14名学生用过一次以上。
把AI判卷塞进教材，九成学生自愿买账
达特茅斯学院统计课团队最近在151名学生中试点部署了AI学习平台Phosphor，把简答题和选择题测验直接嵌进课文阅读流程，由Claude Sonnet 4.6按老师定的评分标准给简答题判分。
这套平台要解决的，是一对现成的矛盾。一边，大学生几乎不读教材：自1980年代以来阅读达标率一路下滑，学生主动抵触阅读任务，客观测量出来的达标率远低于自报。这门课（MATH 010 统计入门）里，学生自报的阅读达标率约15%，老师估计只有10%，个别学生的原话从「压根没人会去读」到「这也要录下来吗」。
另一边，放任学生自由用AI，反而可能伤学习。Bastani等人在近千名学生的随机对照实验里发现，不加约束地给学生用GPT-4，等工具被拿走后，成绩反而降了17%，学生把它当成了拐杖而非学习工具；只有加了教学护栏的版本才避开了这个副作用。与此同时，学生用AI做作业的比例还在猛涨：2026年高等教育政策研究所（HEPI）的调查显示，94%的大学生在计分作业里用过生成式AI，两年前这个数字才53%。
Phosphor（前身名 Spongium）想做的，是把「主动作答」变成阅读体验里的一道结构性环节：读课文的同时就得做AI判分的小测。它的设计前提是，AI最有用的位置是直接嵌进内容传送系统本身，这也呼应了教育研究里有据可查的「doer效应」，稍后会讲到。
读完课文马上考，考完AI立刻判
Phosphor是一个网页应用，课程内容按「课」组织，每一课配一个15到20题的题库。学生读完一课，就在同一页做一次小测；做完，机器和AI当场给分。
CRQ（构造性问答，也就是简答题）不是从几个选项里挑答案，而是让学生自己写一段话作答，再由AI拿老师定的评分标准和参考答案去比对，给分并说明理由。它比选择题多要求一步：把答案用自己的话组织出来。
这套设计押的是「doer效应」：做练习题带来的学习效果，比单纯阅读大好几倍。真正起作用的是「主动作答」这个动作本身，而不是读了多少页。把练习嵌进阅读，就是想把这个效应变成默认发生的事。至于这个押注对不对，下一节的自然实验给出了一个直接的答案。
简答题和选择题，到底哪个在拉分
三个模块本来该用一样的考试形式，结果因为学生反馈，中途换了两次，反而凑出一个近乎对照实验的局面。
模块1（描述统计，9课）用的是简答加选择的混合小测；模块2（概率与抽样，8课）因为大量学生反馈「简答自动判卷太死板、太打击人」，把小测砍成了纯选择题；到了模块3（统计推断，7课），团队分析了考试结果，觉得纯选择题的小测几乎没带来学习收益，又把简答题加了回来。
于是同一批学生、同一门课，在不同模块里经历了不同的考试形式。把「多完成一课」和「考试多得几分」的关系拉出来看，三个模块给出的斜率完全不一样。
三个模块只差在考试形式：简答题在的时候，「多完成一课、期末多得分」的关系就出现；换成纯选择题，这个关系就消失（R²从0.123掉到0.001）；换回简答题，关系又回来。真正拉动分数的，是「要自己组织语言写出答案」这个动作。这也和测验效应的研究一致，Kang等人发现，带反馈的简答题在长期记忆上的效果强于选择题（d=0.41）。
点开看三段回归的完整数字（Table 2）
| 对象 | 模块1 → 期中1（简答+选择） | 模块2 → 期中2（纯选择） | 全24课 → 期末 |
|---|---|---|---|
| 全部平台用户 | 1.64x + 77.9，R²=0.123 | 0.90x + 76.0，R²=0.027 | 0.41x + 84.7，R²=0.091 |
| ≥1课完成 | 1.37x + 80.0，R²=0.111 | −0.29x + 84.7，R²=0.001 | 0.45x + 84.0，R²=0.096 |
模块2「全部用户」那一列看起来有正斜率，只是因为把零完成和非零完成拉开了距离；一旦只看有完成记录的学生，斜率就转负。
真正拉分的，是跨课的复习测验
把所有对照排下来，效果最大的一项不是单课小测，而是覆盖整个模块的复习测验。通过全部三次模块复习的学生，期末比没通过的高出7.1分。
Cohen's d 把两组分数的差异，换算成「相当于几个标准差」，方便跨研究比大小。教育研究里 d=0.66 通常算中到大的效应，而多数课堂干预的效应量远小于这个数。下面这根 d=0.66 的柱子，是全文最大的单一效应。
在五项预先设定的对照里，只有「通过全部三次复习」这一项，经过Holm多重比较校正后仍然成立（p<0.0001）。这批学生也是全研究里最挑过的一群人，所以作者把更硬的证据锚在一个更干净的对比上：在模块2内部，通过复习的学生比没通过的期中多6.1分（d=0.39），内容、时间、班级都固定，方向和量级都对得上。
模块复习和单课小测差在几处：它覆盖多课、把不同话题交错在一起、门槛更高（90%）、还能选做简答题。哪一处是关键分不出来，但最可能起作用的，是「跨话题的交错检索练习」，再加上学生自己长出来的间隔复习节奏。
学生自己攒出了「间隔重复」
三次模块复习里，三分之二的重考尝试（237次里的157次）都会回来重考至少一次，而这些重考大多是隔了一段时间才回来，而不是当场再刷。
重考的间隔中位数约1.5天，三个模块的重考率也接近（分别是61%、77%、56%）。这种「隔一天再回来」的行为，正好是记忆研究里推崇的间隔复习，而它是学生在没有强制的情况下自发形成的。
满分参与和零参与，差多少
把「上了多少课」和「通过了几次复习」两条参与线一起放进一个模型，估算满参与和零参与之间的期末差距。这里用的是Tobit模型。
这次期末有27%的学生考到了满分封顶。如果直接用普通回归，这些封顶的学生看起来和其他高分学生没差别，会把真实的分数差距低估。Tobit模型专门处理这种「一批人撞到天花板」的情况，把那些「本该更高、但被满分挡住」的分数折算回来。
结果给出一个区间，取决于要不要把学生的先验水平也扣掉：
不控制其他变量时，满参与（24课加3次复习全过）对比零参与，期末差14.7分（1.30个标准差）。一旦控制住两次期中成绩，差距腰斩到8.0分（0.71个标准差）。
作者强调，0.71这个数是保守下限，不是最佳估计。因为期末考的是同一批内容，两次期中其实是同一个结果的平行测量，把它当控制变量扣掉，等于连Phosphor在学期早期已经产生的学习效果也一并扣掉了。所以合理的效果区间落在0.71个标准差（过度调整）到1.30个标准差（掺了自选择）之间。按教育干预的观察性研究标准，这个量级不小。
点开看 Tobit 三列模型（Table 4）
| 系数 | 仅参与 | +期中1 | +期中2 |
|---|---|---|---|
| 课时完成（0–24） | 0.074 (1.8) | 0.060 (1.8) | 0.058 (1.6) |
| 复习通过（0–3） | 0.584 (1.8) | 0.162 (0.6) | 0.180 (0.7) |
| 期中控制项 | — | 15.55 (8.0) | 11.63 (6.9) |
| 满参与 vs 零参与差（/100） | 14.7 | 8.0 | 8.0 |
| 换算成标准差 | 1.30 | 0.71 | 0.71 |
控制期中后，复习那一项的系数被大幅吸收（z≈0.6），而每课完成的系数基本没动（z≈1.8）：复习的收益到期中时已经兑现，课时剂量则还带着独立的学期末信号。
AI答疑侧栏，几乎没人打开
平台还配了一个AI答疑聊天侧栏，用的是检索增强（RAG）技术。它的使用量和测验功能差了两个数量级。
RAG（检索增强生成）聊天助手，会先把学生的问题转成向量，去匹配这门课的内容库，把最相关的段落塞进AI的回答素材里，让AI只根据这门课的内容作答，不跑题、不瞎编。它就装在阅读页的侧栏，随时能问。
整个学期，聊天侧栏一共只被查询72次，只有14名学生用过一次以上。学生给的理由有两个：通用AI工具对他们的问题更快更强；课程内容本身已经讲够了，读的时候没攒够问题，犯不上专门开个聊天框去问。
这个冷清和外界的观察对得上：可汗学院此前也报告过，只有15%的用户会经常使用他们的辅助聊天机器人。把AI直接嵌进「测验加反馈」这条评估主流程，比做成一个外挂聊天窗口，更容易被学生真正用起来。
这研究有多可信，作者接下来想干嘛
作者把局限摆得很清楚。这是一项观察性研究，只在一所精英院校的一门课里试点，没有随机对照。
最大的解释威胁是自选择：愿意多做题的学生，本身可能就更强、更有动力。作者用两次期中成绩去控制先验水平，给出了效果的上下界，但跨模块的课时对比仍然被内容领域、时间点、以及模块复习的同时引入这几件事搅在一起，而「三次复习全过」那组又是全研究里最被挑过的一群人。问卷数据也来自小样本，可能有社会期许偏差。
研究里还浮出一个潜在的权衡：关掉简答题后，小测完成率从49.6%升到58.8%；重新开启后，又跌到33.4%。效果最强的功能，未必是学生最愿意用的功能。
作者下一步计划把课时完成度和课程成绩挂钩，好拿到更干净的「剂量对效果」测量，并在更多学校的入门课里复现。对简答题和选择题做随机分组的对照实验，也在计划里，这样才能把「简答题更管用」这个因果说法坐实。
这些结果表明，高参与度和可测量的学习效果可以同时达到；AI用大规模、按评分标准给简答题判分的这份能力，在教学上是有意义的，而不只是替老师省事。 Phosphor 论文摘要与讨论段（iTextbooks 2026）