如今，AI不再只是专业的研究工具，它已成为大学生日常学习的好帮手。
随着AI越来越深入地融入教育环境，需要思考一系列关于学习、评估和技能培养的重要问题。
目前，大多数相关讨论都基于调查和对照实验，却缺乏学生在真实学习场景中自然融入AI的直接证据。
为了填补这一空白，Anthropic开展了一项针对高等教育中AI实际使用的大规模研究，分析了Claude.ai平台上100万条匿名学生对话记录。
报告的主要发现如下：
- 理工科学生是Claude等AI工具的早期使用者，其中计算机专业尤为突出。计算机专业仅占美国学位的5.4%，但在Claude.ai的对话中，占比却高达36.8%。相比之下，商科、健康科学和人文学科的学生，Claude的使用率相对较低。
- 总结了学生与AI交互的四种模式，每种模式在数据中的占比大致相同（各占对话总数的23-29%），分别是直接解决问题、直接生成内容、协作解决问题和协作生成内容。
- 学生使用AI主要是为了创造新知识和进行分析，如创建编程项目或分析法律概念。这与布鲁姆分类法中的高阶认知功能相契合。不过，这也引发了人们的担忧：如何防止学生过度依赖AI，而放弃自身关键认知能力的锻炼？
教育领域的AI使用情况
研究人们如何使用AI模型时，保护用户隐私是重中之重。
Claude Insights and Observations（简称Clio）是一款自动分析工具，能帮助了解人们使用Claude的具体情况。
Clio能深入挖掘用户与Claude的对话内容，将其提炼成诸如「调试代码」「解释经济概念」等高层次的总结，从而发现AI的使用模式。
研究中，Clio分析了来自Claude.ai免费和专业账户约100万条匿名对话。
然后，进一步筛选出与学生学业紧密相关的对话，如课程作业、学术研究，最终得到574,740条有效对话。
接着，Clio对这些对话进行分类汇总，从不同角度得出有价值的见解，包括不同学科在对话中的占比、学生与AI交互方式的差异，以及学生交给AI完成的任务类型等。
学生用AI做什么？
研究发现，学生使用Claude的主要目的，是跨学科地创建和优化教育内容，这类对话占比达到39.3%。
具体为设计练习题、润色论文、总结学术资料等。
33.5%的对话是让Claude为作业提供技术解答，如帮学生调试代码、修复编程错误、实现算法和数据结构，或解答数学难题。
其中部分行为可能存在作弊嫌疑，后面会详细讨论。
另外，还有一部分学生用来分析和可视化数据（11.0%）、辅助研究设计和工具开发（6.5%）、绘制技术图表（3.2%），以及进行翻译和校对（2.4%）。
下图是各学科常见请求的详细分类。
各学科使用AI的情况
通过对比Claude.ai的使用模式和美国各学科颁发学士学位的数量，发现计算机专业使用Claude的比例极高。
虽然计算机专业在学士学位中仅占5.4%，但在Claude.ai的对话中却占了38.6%。这可能是因为Claude在编程方面的独特优势。
自然科学和数学专业Claude.ai的使用占比，也高于这两个专业的学生人数的占比（分别为15.2%和9.2%）。
理工科学生，特别是计算机专业的学生，可能更早地将Claude用于学习。
这可能是因为计算机学生对Claude更熟悉，同时AI系统在处理STEM任务时，也更出色。
商科相关的对话在Claude.ai上仅占8.9%，而商科学位在美国学士学位中占比高达18.6%，可见Claude在商科领域的使用率较低。
学生如何与AI互动
分析学生与AI的交互时，识别出了四种不同的交互模式，按照两个不同维度分类，具体如下图。
第一个维度是「交互模式」，包括：
（1）直接对话，指的是用户期望尽快得到问题的答案，解决自己的疑问。
（2）协作对话，即用户主动与模型展开交流，通过对话来实现自己的目标。
第二个维度是交互的「期望结果」，分为：
（1）解决问题，也就是用户寻求问题的解决办法或解释。
（2）生成输出，意味着用户想要生成像演示文稿、论文这类较长的内容。
这4种交互在对话中的占比相近（均在23%-29%之间），体现了学生对AI的多元应用。
传统的网络搜索通常只能提供直接答案，而AI支持更为丰富的交互方式，为教育带来了新的机遇。
以下是一些用于学习的案例：
- 阐释哲学概念与理论，帮助理解其内涵。
- 打造全面的化学学习资料，助力化学知识的学习。
- 为作业讲解肌肉的解剖结构、生理机能和功能概念。
与此同时，AI也带来了新的难题。
一个备受关注的问题是：「学生在多大程度上利用AI作弊？」
这个问题很难给出确切答案，因为并不清楚Claude的每一个回复在具体学习场景中的实际用途。
比如「直接解决问题」的对话，既可能是学生在居家考试中作弊，也可能只是在检查练习题答案。
「直接生成成果」的对话，也许是学生想直接生成一篇论文，也可能是为进一步研究总结知识要点。
至于协作对话是否属于作弊，也取决于具体的课程规定。
实际上，近一半（约47%）学生与AI的对话属于直接对话，即参与度较低，只是单纯寻求答案或内容。
虽然很多对话是出于合理的学习目的（如询问概念性问题、生成学习指南），但还是发现了一些令人担忧的情况：
- 让AI提供机器学习选择题的答案。
- 直接获取英语测试题的答案。
- 借助AI改写营销和商业文本，以躲避抄袭检测。
这些现象引发了关于学术诚信、批判性思维能力培养，以及如何有效评估学生学习效果的思考和讨论。
即使是协作对话，学习成果也可能存在争议。
比如「求解概率和统计作业问题并给出解释」，虽然涉及学生与AI的多次交流，但大部分思考过程是由AI完成的。
Anthropic会持续关注这些交互情况，努力甄别哪些真正有助于学习和批判性思维的养成。
特定学科的AI使用模式
不同学科的学生与AI的互动方式存在差异。
在自然科学与数学领域，学生的对话多围绕解决问题展开，常见的如「通过逐步计算求解特定概率问题」「为学术作业或考试题目提供详细解答」。
计算机科学、工程以及自然科学与数学专业的学生，更倾向于选择协作对话。而人文、商业和健康领域的学生，在协作对话和直接对话之间的选择相对均衡。
教育领域的对话中，生成输出的需求最为突出，占比达到74.4%。不过，这可能是由于筛选方法不够完善。
这表明，针对不同学科制定专门的AI教育策略，或许能取得更好的效果。
学生交给AI的认知任务
团队还研究了学生将哪些认知任务交给AI处理。
研究采用了布鲁姆分类法，这是一种在教育领域用于将认知过程从简单到复杂进行分类的框架。
虽然该框架最初是针对学生思维设计的，对其进行调整，用来分析Claude与学生对话时的回复。
研究结果显示，Claude主要承担高阶认知功能，创造（39.8%）和分析（30.2%）是最常见的操作。
低阶认知任务的占比相对较低，应用（10.9%）、理解（10.0%）和记忆（1.8%）。
生成学术文本摘要、撰写论文反馈等生成任务，更多涉及创造。而解决微积分问题、解释编程基础知识等任务，则更多运用分析功能。
虽然AI具备这些能力，但这并不意味着学生不能自己运用这些技能。
比如，学生可以和AI共同完成项目，或者在其他场景中利用AI生成的代码来分析数据集。
不过，这确实引发了人们的担忧，学生是否会过度依赖AI，导致自身认知能力发展受阻。
毕竟，如果基础技能得不到锻炼，就如同倒金字塔一样，难以稳固支撑高阶思维的发展。
