賓夕法尼亞大學教育學院博士學生 Sheria Mcrae 以自身在新澤西州特倫頓經營特許公立學校的經驗,主張學校推動 AI 工具前,必須先鞏固學生的基本閱讀與獨立論證能力。她以水患說明為例:學生不僅要比較聊天機器人、城市報告與社區居民敘述,還須指出哪些主張獲得證據支持,以及為何修正自己的判斷。
文章援引《2024 年全國報告卡》指出,美國四、八年級平均閱讀成績均較 2022 年下降;在閱讀基礎尚未穩固時,若學生先接觸 AI 摘要,可能失去自行辨識重點、困惑與反證的練習。真正的 AI 素養不是寫出漂亮提示詞,而是判斷答案是否值得信任。
賓大現有本科教學原則已要求教師揭露 AI 使用範圍,並設計可評量學習目標的作業。Mcrae 主張將「先閱讀、再提出主張、對照 AI 答案、最後獨立說理」納入各校師資培育;擴大工具試辦時,評準應是學生能否指出證據、解釋修訂理由,而非成品是否華麗。
這場爭議的本質並非傳統政商利益角力,而是教育典範轉移時,「效率提升」與「判斷能力形成」之間的方法論衝突。AI 能以數秒整理複雜文本,卻可能先替學生決定何謂重要、哪些細節值得懷疑;若摘要成為第一次接觸,學生失去的正是形成閱讀判斷力所需的延遲與摩擦。
土耳其的一項高中數學研究提供了關鍵警訊:使用通用聊天機器人的學生,在工具陪伴下練習題表現較佳,但隔次無 AI 考試分數比未使用 AI 練習組低 17%;相較之下,使用由教師設計、僅提供提示版本的學生,無 AI 考試表現與無 AI 練習組相當。短期操作績效不等於長期能力留存,輔助答案與依賴答案之間存在結構性落差。
另一層風險來自語言與觀點代表性。UNESCO 已提醒生成式 AI 可能偏向主流語言、價值與資料來源;對黑人、拉丁裔及多語學生而言,通用摘要未必涵蓋社區經驗。Freire 與 Macedo 所主張的「閱讀世界」因此有了操作意義:學生應追查誰的聲音被呈現、誰被忽略,以及原文翻譯或摘要造成哪些資訊損失。
真正的制度判準不應是 AI 使用量、生成速度或作業外觀,而應是學生能否在不依賴工具時完成論證。如果一項工具讓答案更華麗,卻讓學生更難說明自己為何相信答案,工具便由學習媒介退化成思考替代品。
這場辯論與歷史上印刷術、線上檢索及個人電腦進入教育的歷程相似:工具每次都提高資訊取得效率,卻不會自動形成判斷能力。下一階段的關鍵,不會是禁止校園 AI,而是把「閱讀—判斷—核驗—解釋」重新放回學習流程的核心。
歷史教訓是,技術帶來的速度不會自動取代教育的目的;真正具有擴散力的制度,是能用學生放開工具後仍能完成什麼,作為續用與退出的共同尺度。
立即風險檢查:盤點學校或教育機構現有 AI 作業,確認是否要求來源引用、版本紀錄與無工具複核,並優先找出以摘要取代首次閱讀的課程。
評量制度改造:把原始文本閱讀、AI 對照與獨立說理拆成三個可觀察環節;擴大工具試辦前,加入延遲測驗及口頭答辩,避免把短期操作分數誤認為學習成效。
中小長期佈局:由教育主管機關、大專院校與產業共同建立教師 AI 素養課程、資料治理規範及弱勢學生公平性基準,讓採購標準由生成品質轉向能力留存與社會責任。
01 起因觸發:閱讀成績下滑與生成式 AI 快速進入校園,引發「效率工具是否侵蝕基礎能力」的論辯
02 一階傳導:中小學、大專院校與師資培育開始重設 AI 使用規則、閱讀作業及無工具評量
03 二階擴散:教育科技業者須提供來源追溯、過程紀錄、延遲測驗與公平性保障,採購標準同步改寫
04 宏觀終局:個人微/巨觀(個/巨)觀素養價值上升,AI 從代寫答案轉向協助判斷與訓練獨立思考
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報