设计课堂讨论问题

以下内容面向一节以“生成式AI在教学评估中的应用与伦理”为主题的研讨课，提供基于证据的三个讨论问题，并配套关键依据与参考阅读；文末附APA第7版引用风格要点与示例，便于学生规范引证。

一、生成式AI在评估中的“可用性门槛”：我们何时可以让AI参与打分与反馈？

• 讨论问题
  • 对于形成性与总结性评估，采用生成式AI提供评分/反馈的必要与充分证据门槛是什么？哪些效度、信度与公平性证据需在部署前与运行中持续建立与监测？
• 核心论点
  • 任何评估工具（含AI）都需遵循“效度—信度—公平性”的证据链，且应有持续的后效研究与监测计划（AERA/APA/NCME, 2014）。生成式AI具有概率性与漂移风险，必须采用“人机协作+人类最终裁量”的治理模式，尤其在高风险/高利害评估中（UNESCO, 2023；U.S. Department of Education, 2023）。
• 证据要点
  • 效度：对目标群体与任务的内容效度、与人工评分的一致性证据、使用后果（intended/unintended consequences）研究（AERA/APA/NCME, 2014）。
  • 信度：与人工评分者的一致性（整合双评或抽样复核）、跨时间稳定性与提示词变动的鲁棒性（U.S. Department of Education, 2023）。
  • 公平性：不同语言、方言、能力与背景群体的偏差审计与误差分析；必要时差异化可及性与替代方案（UNESCO, 2023）。
  • 形成性优先：在形成性用途中，AI可提升反馈的时效性与频率，但须对齐高质量反馈特征与明确评分量规，避免通用化与幻觉信息（Black & Wiliam, 2009；UNESCO, 2023）。
• 建议阅读/引用
  • AERA, APA, & NCME (2014)
  • UNESCO (2023)
  • U.S. Department of Education, Office of Educational Technology (2023)
  • Black & Wiliam (2009)

二、公平性、可解释性与数据治理：如何把伦理落到可操作的政策与技术控制上？

• 讨论问题
  • 在真实教学场景中，如何将公平性审计、可解释性与隐私保护转化为可执行的制度与技术实践？哪些治理工件或标准能提升问责与透明？
• 核心论点
  • 生成式AI可能放大训练语料中的结构性偏见与代表性不均（Bender et al., 2021），因此需要以风险为本的治理框架与透明文档（如模型卡）支撑教育情境下的可靠使用（NIST, 2023；Mitchell et al., 2019）。
• 证据要点
  • 公平性：进行分组性能评估与偏差审计，采用基于任务与群体的“等效证据”与误差曲线；对异常分布/语言变体进行专项验证（AERA/APA/NCME, 2014；UNESCO, 2023）。
  • 可解释性与可质询性：通过可追溯审计日志、评分依据对照量规、示例对齐来增强可审查性；警惕“表面解释”可能与内部推理不一致（Bender et al., 2021；NIST, 2023）。
  • 数据治理与隐私：坚持最小化收集、用途限定、去标识化与数据保留策略；优先选择不入库/本地化或受控云方案，并公开第三方数据流向与模型版本（UNESCO, 2023；U.S. Department of Education, 2023）。
• 建议阅读/引用
  • Bender et al. (2021)
  • NIST (2023)
  • Mitchell et al. (2019)
  • UNESCO (2023)
  • U.S. Department of Education (2023)

三、在学术诚信与学习质量之间求解：评估如何重构以“用好AI、而非绕开AI”？

• 讨论问题
  • 面对生成式AI的普及，如何通过任务设计、透明政策与学习过程证据，既促进高阶学习与真实性评估，又降低学术不端风险？
• 核心论点
  • 与其依赖不可靠的AI文本检测器，不如通过任务重构与可核验的过程证据提升评估完整性，并将AI使用显性化、规范化（UNESCO, 2023；OpenAI, 2023；U.S. Department of Education, 2023）。
• 证据要点
  • 任务重构：强化真实情境与高阶认知要求；引入口头答辩、现场应用、数据/案例变体、个人化语境与反思性阐释，提升“不可替代性”（Black & Wiliam, 2009；U.S. Department of Education, 2023）。
  • 过程证据：要求提交草稿版本、提示词与迭代记录、理由陈述与自评，支持可追溯性与形成性反馈（UNESCO, 2023）。
  • 政策与指引：明确允许与禁止的AI使用清单、署名与致谢方式，以及违规后果；提供学生与教师层面的使用培训与公平访问支持（UNESCO, 2023；U.S. Department of Education, 2023）。
  • 谨慎对待检测：主流AI文本检测器准确性有限、存在群体误判风险，不应作为唯一证据（OpenAI, 2023；UNESCO, 2023）。
• 建议阅读/引用
  • UNESCO (2023)
  • U.S. Department of Education (2023)
  • OpenAI (2023)
  • Black & Wiliam (2009)

引用风格提示（APA第7版，适用于教育技术领域）

• 文内引注
  • 单一作者/机构：（作者，年份），如（UNESCO, 2023）。
  • 两位作者：首次与后续均列出两者，如（Black & Wiliam, 2009）。
  • 三位及以上作者：用“et al.”，如（Bender et al., 2021）。
  • 直接引语需给出页码或段落号，如（AERA et al., 2014, p. 23）。
• 参考文献表常见类型示例
  • 学术期刊：Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment. Assessment in Education: Principles, Policy & Practice, 16(1), 5–31. https://doi.org/10.1080/09695940903569647
  • 国际组织报告：UNESCO. (2023). Guidance for generative AI in education and research. https://www.unesco.org/en/education/generative-ai
  • 政府报告：U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. https://tech.ed.gov/ai/
  • 学术会议论文：Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). https://doi.org/10.1145/3442188.3445922
  • 标准与规范：American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
  • 政府/标准框架：National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
  • 网页/博客（可用于说明检测工具局限）：OpenAI. (2023, January 31). New AI classifier for indicating AI-written text. https://openai.com/blog/new-ai-classifier-for-indicating-ai-written-text
  • 模型卡/透明文档：Mitchell, M., Wu, S., Zaldivar, A., et al. (2019). Model cards for model reporting. In Proceedings of the Conference on Fairness, Accountability, and Transparency (pp. 220–229). https://doi.org/10.1145/3287560.3287596
• 引用生成式AI输出（APA建议）
  • 作为不可检索的“私有交流”，在文内描述对话并标注提供者和版本；如需入参考文献，可按软件条目处理：
    • 文内：我们使用ChatGPT（OpenAI, 2024）生成初稿反馈，并记录提示词与版本。
    • 参考文献：OpenAI. (2024). ChatGPT (Apr 2024 version) [Large language model]. https://chat.openai.com/
  • 同时在方法或附录中提供关键提示词、时间与版本信息，确保可复核性（U.S. Department of Education, 2023；UNESCO, 2023）。

参考文献（用于本次讨论的准备）

• AERA, APA, & NCME. (2014). Standards for educational and psychological testing. American Educational Research Association.
• Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots. Proceedings of FAccT 2021, 610–623. https://doi.org/10.1145/3442188.3445922
• Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment. Assessment in Education, 16(1), 5–31. https://doi.org/10.1080/09695940903569647
• Mitchell, M., Wu, S., Zaldivar, A., et al. (2019). Model cards for model reporting. FAT* ’19. https://doi.org/10.1145/3287560.3287596
• National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
• OpenAI. (2023, January 31). New AI classifier for indicating AI-written text. https://openai.com/blog/new-ai-classifier-for-indicating-ai-written-text
• UNESCO. (2023). Guidance for generative AI in education and research. https://www.unesco.org/en/education/generative-ai
• U.S. Department of Education, Office of Educational Technology. (2023). Artificial intelligence and the future of teaching and learning: Insights and recommendations. https://tech.ed.gov/ai/

提示：在课堂实施中，建议将三问与课程的评分量规和机构AI使用政策对齐，并要求学生在讨论前阅读上述参考文献，以便以证据支持自身立场与方案设计。

以下为“气候变化”主题的标准化“三问讨论”设计，遵循“证据—机制—行动”的跨学科统一模板，可在不同年级通过调整数据复杂度、概念深度与产出要求实现共用与磨课。每一问均配套可追溯数据源与数字化支撑，便于在线或混合式教学实施与评估。

一、发生了什么（证据与不确定性） 核心问题：基于权威公开数据，你能用两种尺度（全球/本地）与两类指标（如气温异常/极端事件频次或降水）描述近50–100年的气候变化特征，并界定证据的可靠性与局限吗？

• 讨论要点：
  • 明确基准期、单位与“异常值”定义；比较不同数据集间的一致性/差异。
  • 解释测量误差与不确定性区间对结论的影响；区分气候变率与长期趋势。
  • 反思可视化的选择如何影响解读（折线、移动平均、置信带、地图热度图）。
• 技术与数据支持（任选其一或组合）：
  • 全球/区域温度：NASA GISTEMP v4 数据与图形界面（NASA GISTEMP Team, 2024）。
  • 本地观测：NOAA Climate Data Online 或国家/地方气象台开放数据（NOAA NCEI, n.d.）。
  • 空间分布与极端事件：IPCC AR6 交互式图集（Interactive Atlas）（IPCC, 2021/2023）。
  • 可视化工具：Datawrapper、Flourish、Google Sheets/Charts；地理化展示可用 Kepler.gl 或 ArcGIS Online。
• 评估要点（简式）：学生需产出“主张—证据—推理”（CER）结构说明，并随图表附带数据来源、基准期与不确定性说明（APA 引用）。

二、为什么会这样、带来什么影响（机制与系统） 核心问题：哪些主要人类驱动因素（如温室气体辐射强迫、土地利用变化、气溶胶）最能解释上述观测到的变化？这些机制如何通过自然系统与社会系统的耦合影响健康、生态与经济风险？

• 讨论要点：
  • 区分归因与相关：基于物理机制阐释温室效应与辐射强迫的方向性与相对贡献（IPCC, 2023）。
  • 系统视角：以因果回路或影响路径图，连接“驱动—暴露/脆弱性—影响—反馈”（如热浪→健康风险→劳动生产率→适应行为）。
  • 公平与脆弱性：不同地区与群体的风险差异与适应能力。
• 技术与数据支持：
  • 驱动数据：全球温室气体排放与浓度序列（Global Carbon Project, 2023；IPCC, 2023 概述）。
  • 系统建模与协作绘图：Miro/Lucidchart/Kumu 绘制因果回路图；LMS 论坛分角色（科学/社会/经济）分层讨论。
  • 地图与风险：IPCC Interactive Atlas 的极端事件分布与趋势图层（IPCC, 2021/2023）。
• 评估要点（简式）：提交一页系统图与300–500字机制阐释，需包含至少两个跨学科环节（如物理机制+健康/经济影响）并附引文。

三、我们能做什么（策略、权衡与实施） 核心问题：在指定情境（校园/社区/城市）内，基于证据比较三类方案（减缓、适应、需求侧行为），从减排潜力、成本、协同效益、公平性与可行性等维度提出优先序与路线图。

• 讨论要点：
  • 使用多准则框架（MCDA）权衡方案；明确假设与数据来源，识别不确定性与可能的反弹效应。
  • 强调协同效益（如空气质量、健康、能源负担）与分配公平（IPCC, 2022）。
  • 形成实施计划：关键步骤、责任主体、时间表与监测指标。
• 技术与数据支持：
  • 系统情景：En-ROADS 在线情景模拟探索全球层面杠杆与本地启示（Climate Interactive & MIT Sloan, 2024）。
  • 方案证据库：IPCC AR6 WGIII 的减缓措施可行性与协同效益综述（IPCC, 2022）。
  • 决策工具：Google Sheets/Notion 构建 MCDA 表；LMS 中以小组汇报与同伴评审实现形成性评价。
• 评估要点（简式）：提交1页MCDA矩阵+1页执行摘要，量化权重与评分，并在结论中明确不确定性与后续数据需求。

跨年级适配参数（用于磨课与共享）

• 低年级：教师提供预选可视化与要点解释词汇表；学生对比两幅图并用CER口头陈述。
• 中学：学生自主选择数据集并完成基础图表；系统图包含至少一个反馈环；MCDA 采用3–4项指标。
• 高中/大学：加入置信带与显著性检验或简单时间序列分解；系统图体现跨尺度耦合；MCDA 报告需含数据来源、权重敏感性分析与局限性讨论。

引用与数据使用说明

• 坚持使用可追溯的一手或权威二手数据源，并在图表/文本中采用APA格式标注。
• 在平台（LMS/课堂网站）提供数据链接、变量字典与可复用模板，确保跨班级一致性与可比性。

参考文献（APA）

• Climate Interactive, & MIT Sloan Sustainability Initiative. (2024). En-ROADS Climate Solutions Simulator. https://www.climateinteractive.org/tools/en-roads/
• Global Carbon Project. (2023). Global carbon budget 2023. https://globalcarbonproject.org/
• Intergovernmental Panel on Climate Change. (2021/2023). Interactive Atlas of the IPCC Sixth Assessment Report. https://interactive-atlas.ipcc.ch/
• Intergovernmental Panel on Climate Change. (2022). Climate change 2022: Mitigation of climate change. Contribution of Working Group III to the Sixth Assessment Report. Cambridge University Press.
• Intergovernmental Panel on Climate Change. (2023). Climate change 2023: Synthesis report of the IPCC sixth assessment report. https://www.ipcc.ch/report/sixth-assessment-report-cycle/
• NASA GISTEMP Team. (2024). GISTEMP v4: NASA Goddard Institute for Space Studies surface temperature analysis. https://data.giss.nasa.gov/gistemp/
• NOAA National Centers for Environmental Information. (n.d.). Climate Data Online (CDO). https://www.ncei.noaa.gov/cdo-web/