达特茅斯学院的MATH010（统计学导论）有一个公开的秘密：选这门课的学生，几乎没人读教材。学生自报的阅读完成率大约15%，授课教师私下估得更低——10%。对学生而言，这不是什么羞于启齿的事。一位受访学生反问研究者：“说真的，谁会读？”
但2026年春季学期，情况变了。有人把一个叫Phosphor的平台放进了课程里——和教师的严格程度无关。这个平台把教材内容拆成了24节课，每节课后跟一组4道题的测验——其中大约40%是简答题，由Claude（Anthropic的大语言模型）对照教师编写的评分标准自动批改。学生做完就出分，做不过可以无限次重试。没有任何分数挂钩，纯自愿。
结果：151名注册学生中，90.2%主动使用了这个平台。课程结束后，完整使用Phosphor的学生，期末考试成绩比从未使用的学生高出0.71到1.30个标准差。
在教育研究里，0.4个标准差就算”显著”。0.71是很大的效应量。
0.71个标准差到底是什么意思？
标准差是统计学里衡量数据”分散程度”的尺子。在考试成绩的场景下，如果全班平均分是75，标准差是10，那提高0.71个标准差意味着提高了大约7分。
但效应量（Cohen’s d）的妙处在于，它让不同研究之间可以横向比较。教育领域一些经典干预的效应量，可以帮读者建立直觉：
- 把班级人数从25人减到15人：约0.2个标准差
- 用”间隔重复”替代临时抱佛脚式复习：约0.6个标准差
- 一对一人类导师辅导（Bloom的”两个标准差问题”）：约2.0个标准差
Phosphor的0.71到1.30，大致落在”间隔重复”和”人类一对一辅导”之间。换句话说，这个AI工具做了一件通常需要真人介入才能做到的事。
但标题里的0.71和1.30是两个不同的数字。区别在哪？
论文采用了Tobit回归模型来同时估算两种参与行为的贡献：完成了多少节课的测验（0到24节），以及通过了多少轮模块复习（0到3轮）。模型预测，一个”完全参与”的学生（24节课全做完 + 3轮复习全通过）与一个”零参与”的学生相比：
- 不控制任何变量：期末成绩差距约1.30个标准差
- 用期中考试成绩控制学生本身的学业水平后：差距缩窄到0.71个标准差
后一个数字更保守，也更诚实——它把”好学生本来就好”的因素尽量剥离了出去。论文作者明确说，0.71应该被理解为一个保守的下限，而非精确点估计。期中考试本身和期末考试考的是重叠内容，用期中成绩做控制变量，相当于把Phosphor可能在中途已经产生的效果也一同”控制”掉了。
90%自愿使用率，比效应量本身更值得关注
在Hacker News的讨论中，一位ID为Rperry2174的用户写了一条被广泛认可的评论：
“不管这玩意有没有效果，使用率本身更值得关注。这门课原先的教材阅读率是10-15%，而这个AI平台拿到了90%的自愿使用率。哪怕它单位时间的学习效率比传统教材略差，你实际上正在让6-9倍的学生参与到学习中来。”
笔者的判断是，这个角度切中了要害。在教育技术领域，最精致的教学设计和最先进的技术手段，如果学生根本不用，效果就是零。Phosphor真正的突破在于它重新设计了”阅读”这件事本身——把被动的、孤独的、无反馈的阅读行为，变成了一种主动的、即时有反馈的、类似”刷题”的互动。
学生对平台的接受度相当高。两次课堂匿名调查显示：94%的学生认为Phosphor比传统教材”更有趣”，94%-97%的学生认为它帮助自己更好地记住了内容。76%-87%的学生表示使用平台后上课准备更充分。
但要注意，这些调查是课堂上当堂做的。面对正在教这门课的教授，坐在教室里的学生有多大概率会说”你这玩意没用”？社会期望偏差在这里不可忽视。
这不是一个AI聊天机器人
准确地说，Phosphor的核心机制是：学生阅读一段材料后，系统从题库里随机抽4道题。
AI让简答题的自动批改变得可行了——这才是关键，AI是否”理解”了学生回答倒在其次。在LLM出现之前，在线教学平台几乎清一色使用选择题——因为只有选择题可以零成本自动批改。而几十年的认知科学研究反复表明，要求学习者自己生成答案（constructed response）比从选项里挑答案（multiple choice），学得更深、记得更牢。
Phosphor的实验设计里恰好嵌入了这一验证：课程共三个模块，模块1和模块3的测验包含简答题（由AI批改），而模块2的测验因应学生反馈被临时改成了纯选择题。回归分析显示，模块1中每多完成一节课的测验，期中成绩大约提高1.6个百分点（R²=0.123，p<0.001）；而模块2的纯选择题测验，完成更多题目与学生成绩之间没有任何剂量-反应关系（R²=0.001）。当模块3重新恢复简答题后，剂量效应也跟着恢复了。
AI在这套系统里真正的价值是批改简答题。一旦把简答题拿掉，AI就变成了一个普通的多选题刷题器——学生照用不误，但学习效果消失。
对照组在哪？——方法论的诚实审视
这篇论文最不能被回避的问题，Hacker News上已经替笔者问了：这是观察性研究，没有随机对照。
论文是观察性研究。没有随机分组，没有对照组。所有学生都有机会使用Phosphor，最后按使用程度分成了高参与组和低参与组（或零参与组）。论文作者在”局限性”一节的开头就坦承：“自我选择是核心威胁——完成更多测验的学生可能本来就更有动力、能力更强。”
具体来说，完成全部24节课测验的学生只有11.2%（16人），而同时完成全部测验和全部模块复习的学生只有31人。这些学生本身就是最自律的一批人。把一个零参与学生（可能根本没来上过几节课）和一个24节课全做完的学生放在一起比期末成绩，然后说差距是AI平台造成的——这在因果推断上站不住脚。
但论文做了一些值得肯定的处理。用期中考试成绩做控制变量的Tobit回归，把差距从1.30个标准差”打折”到0.71个标准差，这个折扣相当大，恰好说明自我选择确实解释了相当一部分效果。作者对”0.71是保守下限”的判断也有其逻辑：期中考试和期末考试大量重叠，期中成绩这个控制变量可能吸收了Phosphor在前半学期已经产生的部分效果。
HN用户radioactivist提供了一个尖锐但准确的总结：“基于他们的表格，大约16个学生（11.2%）完成了’完全参与’，而他们和零参与组之间的差距推动了主要结论。这不是一个大型随机对照试验。”
这篇论文的价值在于：它在一个真实课堂环境中，用可复现的方法，收集到了一组少见的高质量数据。90%的自愿参与率、简答题vs选择题的自然对比、以及0.71这个即便大幅打折后依然不小的效应量——这三件事放在一起，已经足够让教育技术领域认真对待。
AI的规模化效率 vs 人类教师的个性化深度
现在进入那个不太好聊的部分。
如果类似Phosphor的平台被证明有效，一个可以预见的路径是：顶尖大学用它增强传统教学，资源匮乏的学校用它替代一部分教学。前者是”AI+好老师”的叠加加成，后者可能是”AI替代请不起的老师”。
这不是科幻剧情。Khan Academy已经在大规模部署AI辅导功能，但2026年初他们自己报告的数据显示，只有15%的用户会规律性地使用他们的AI聊天功能。换句话说，即便是免费提供给全世界的AI教育工具，大部分人也不用。真正用得多的，是那些本身学习动力就强的学生——同样一批人，给什么工具都能学好。
Phosphor的90%使用率之所以引人注目，恰恰因为它打破了”AI教育工具没人用”的魔咒。但如果把这个平台扔进一个完全不同的教育环境——班级规模更大、学生基础更薄弱、缺乏课前动员和同辈压力——还会是90%吗？笔者没有看到任何理由认为会。
这指向一个更根本的张力：AI教育工具的效率优势在于规模化——一次开发，无限分发；但它的效果优势恰恰在于个性化——对每个学生给出针对性的反馈和判断。而”个性化”这件事目前仍然严重依赖学生的自主参与意愿。没有意愿，就没有交互；没有交互，AI和一本旧教材的区别只是排版更漂亮。
这篇论文真正告诉我们的事情
抛开”AI颠覆教育”的宏大叙事，这篇论文的核心发现其实相当朴素：
-
大学生不读教材是一个真实、普遍、且极其顽固的问题。 不只是Dartmouth。1980年代以来，美国大学的教材阅读完成率从80%一路跌到20%以下。无论教师怎么强调、怎么考核、怎么变换教材形式，这个趋势没有逆转。
-
把阅读变成”做题”，学生会用。 Phosphor没有让教材变得更有趣、更生动、更互动——它直接改变了活动的性质。学生在Phosphor上做的事，本质是”在读完一段之后立刻被问问题”——这更接近刷题App（比如多邻国）的逻辑，而不是Kindle的逻辑。
-
简答题的AI批改，可能是一个被低估的杠杆。 教育研究里关于”测试效应”（testing effect）的文献已经累积了几十年：考试不只是检验学习的工具，考试本身就是最有效的学习方式之一。尤其是要求学生自己生成答案的简答题，比选择题效果好得多（Kang et al., 2007, d=0.41）。LLM让简答题的规模化批改变得可能，这在十年前要么纯靠人力（成本不可承受），要么不做。
-
非随机实验中最大的效应量，往往有一半是自我选择。 1.30变成0.71，打了45%的折扣。对于任何在非实验条件下得出的大效应量，把这当做一条经验法则来参考，大差不差。
尚未回答的问题
这篇论文是一篇workshop论文（发表在2026年Intelligent Textbooks研讨会上），只有7页，作者是达特茅斯的一位学生（Jonah Bard）。它不是一篇经过多年打磨、多轮同行评审的期刊论文。它更像一个”我们做了这件事，这是目前看到的结果，请学术界检验”的信号弹。
以下问题这篇论文没有回答，后续研究如果要跟进，绕不开：
- 长期效果。 一学期后，学生是否还记得更多？是否在后续课程中表现出更好的统计基础？
- 作弊问题。 用Claude批改简答题，学生会不会同时用另一个LLM生成答案？论文没有讨论这个。
- 可迁移性。 统计学有标准答案。换成文学课、哲学课、法律课——那些”对错”模糊的领域——AI评分还管用吗？
- 互动深度。 AI批改简答题是一回事，理解学生为什么错、怎么引导，是另一回事。Phosphor的AI只做”判断对错+给解释”，不做”诊断错误原因+推荐补救练习”。
最后一条值得展开。人类导师的真正价值是：从你的错误里看出你卡在哪个概念上，然后换一种方式重新讲一遍。目前的LLM可以在第一层做得很好——判断对错——但在第二层，也就是”理解你为什么错”这一层，还远不够可靠。Phosphor连一个”学习仪表盘”都没有，学生看不到自己在哪些知识点上薄弱，教师也看不到全班的概念掌握热力图。这些都是人类导师（或好的教学系统）做得到而Phosphor没做的事。
笔者写这篇文章时，反复在一个念头上打转：我们也许不需要讨论”AI能不能替代老师”。更紧迫的问题是，有老师在的地方，AI可以把老师的精力从批改作业中解放出来，投入到更有价值的互动中去；而没有老师在的地方——那些连足够数量合格教师都凑不齐的学校——AI做到”及格”水平，可能比现状的”零”要好。
但”可能”这个词里住着太多假设。教育公平不是一个技术问题。技术可以让差距变小，也可以让差距变大——取决于谁用、怎么用、为谁而建。
参考链接：
- 原始论文：Bard, J. (2026). Balancing Efficacy and Engagement in Interactive Texts. https://intextbooks.science.uu.nl/workshop2026/files/itb26_s1s2.pdf
- Hacker News 讨论：https://news.ycombinator.com/item?id=48796817
- Bloom’s 2 Sigma Problem（一对一辅导的效应量基准）：https://en.wikipedia.org/wiki/Bloom%27s_2_sigma_problem
- Bastani et al. (2025) — 无约束GPT-4对学生学习的负面影响：https://www.pnas.org/doi/10.1073/pnas.2422633122
- HEPI 2026 学生生成式AI使用调查报告：https://www.hepi.ac.uk/reports/student-generative-ai-survey-2026/