AI 教材要做练习，别只做聊天

提交给 iTextbooks 2026 的论文"Balancing Efficacy and Engagement in Interactive Texts"介绍了 Phosphor——一个围绕 LLM 批改形成性评估设计的数字学习平台，评估环节直接嵌入教学内容之中。Jonah Bard 报告了 2026 年春季在 Dartmouth MATH 010（统计学入门）课程的早期试点：三个教学班初始注册 151 人，最终 143 人完成。

我认为这篇论文的价值在于它把"AI 进教育"这个问题收窄了。它不是在说学生需要一个更聪明的聊天机器人，而是在说：当 AI 嵌入阅读流程、绑定评分标准，让检索练习便宜到学生真正愿意去做时，它才变得有用。

答案快照

问题	我的看法
发生了什么？	Dartmouth 的一项试点把 Phosphor 作为统计学入门课传统阅读材料的可选、不评分替代方案进行了测试。
核心结果是什么？	论文称，足量使用 Phosphor 与期末优势相关：控制先前考试成绩后效应量为 0.71 SD，未调整时为 1.30 SD。
有用的设计结论是什么？	嵌入式的构造式回答练习和累积复习，看起来比通用的 RAG 聊天侧边栏更重要。
需要注意什么？	这是在一所精英院校做的观察性试点，没有随机对照，自我选择仍是最大的威胁。

卖点不是聊天魔法

Phosphor 是一个网页应用：课程以可翻页的页面呈现，每页都有完成状态标记。每课配有 15–20 道题的题库，学生完成 4 道题的单元小测。选择题自动批改；构造式回答题由 Claude Sonnet 4.6 按教师针对每题设定的标准批改，提示词中包含学生回答、题目、参考答案和评分标准。

这很重要，因为 AI 不只是在回答学生的问题。它把一种经典的学习科学做法变成了可操作的流程：读一点、回忆一点、拿反馈、再试一次。学生单元小测达到 75% 即通过，内容不锁定，重试次数不限。模块复习加入累积练习，门槛提高到 90%。

平台还配了一个基于 RAG、以课程内容为知识基础的聊天助手。但论文自己的使用数据表明，聊天功能其实是次要的：助手总共收到 72 次查询，只有 14 个学生提交过超过一次。学生反映通用 LLM 更快，或者参考资料本身已经够用。我反复回到的就是这个细节：重点不是对话式 AI 取代教材，而是评估把教材变成了学生要动手操作的对象。

参与度才是亮点

让人意外的是采纳率。Phosphor 是可选的、不计分的，但 90.2% 的注册学生至少使用过一次单元小测或模块复习。论文估计阅读完成率在 48%–76% 之间，而该课程以往学生和教师给出的基线大约只有 10%–15%。在课堂实时调查中，两轮调查都有 94% 的受访者认为 Phosphor 比传统阅读材料更有吸引力。

我不会把这些数字当成普遍预测。Dartmouth 的统计学入门课是一个特定场景，调查样本也不大。但作为产品信号，它仍然有意义。很多教育科技不是死在效果上，而是死在学生根本不用上。Phosphor 在这个试点里看起来跨过了第一道门槛。

学习效果方面的信号更复杂，也更有意思。论文报告，通过全部三个模块复习的学生在期末考试上比未通过者高 7.1 分，Cohen's d 为 0.66。Tobit 模型显示，完全参与和零参与的差距在 0–100 量表上调整前为 14.7 分，控制期中成绩后为 8.0 分。作者把调整后的 0.71 SD 看作保守下界，把未调整的 1.30 SD 看作被选择效应膨胀过的估计。

这个措辞是对的：是"相关"，不是"证明"。结果之所以值得关注，是因为效应大到不能忽视，又具体到值得继续追。它并不能证明 Phosphor 造成了全部差距。

护栏背景不能忽视

这篇论文发表在一个学生已经在大量使用 AI 的世界里。HEPI 的 2026 年学生生成式 AI 调查显示，95% 的英国本科生报告至少以一种方式使用过 AI，94% 说他们用生成式 AI 帮助完成考核作业。同一页面也指出，只有 36% 觉得学校鼓励他们使用 AI，38% 说学校提供了 AI 工具。即便在该报告的公开评论区，也有读者质疑：自我报告的生产力提升，能不能被当作学习效果？

正因如此，我看好 Phosphor 的方向。它面对 AI 普及的浪潮，把设计问题从"学生会不会用 AI"换成了"哪种 AI 使用方式仍然逼着学生自己动脑"。

外部证据也指向同一个方向。Wharton 对 Hamsa Bastani 等人研究的总结Without Guardrails, Generative AI Can Harm Education介绍了一项覆盖近 1000 名高中数学学生的田野实验。文中提到，使用无限制 GPT Base 界面的学生在 AI 辅助练习时表现更好，但移除 AI 后比对照组差了 17%；而有防护措施的 GPT Tutor 则缓解了这种伤害。Stanford 的 SCALE 仓库把同一项研究总结为随机对照试验，并指出辅导型护栏基本消除了负面效应。

Phosphor 不是同一种干预，Dartmouth 的统计课学生也不是土耳其的高中数学学生。但设计模式是相通的：无限制的辅助会变成拐杖；有边界、围绕任务设计的辅助，才能把学生推回学习本身。

构造式回答才是关键赌注

论文里最有价值的自然变异来自测验格式的变化。模块 1 的单元小测混合了选择题和构造式回答。模块 2 在学生反映构造式回答自动批改"太僵硬、打击信心"后，把单元小测改成了纯选择题。模块 3 又恢复了构造式回答，因为考试结果显示纯选择题的学习收益几乎可以忽略。

练习数据也印证了这个差别。模块 1 各单元的完成情况与第一次期中大约 1.6 个百分点的额外得分相关。到了模块 2，在所有用户中看似正向的关系，在至少完成过一次的学生中消失了，斜率甚至略微为负。在累积期末考上，每次单元完成情况大约带来 0.4 个百分点的额外得分，论文认为这个信号主要由包含构造式回答练习的模块贡献。

这在直觉上说得通。选择题有用，但很容易一路点过去。构造式回答强制生成：学生必须回忆、组织语言、把自己理解错的地方暴露出来。AI 的贡献不在于模型懂统计学，而在于 LLM 批改让这种低风险的构造式回答在课堂规模上变得可行。

批改仍需保持谦逊

论文对批改可靠性的讨论很谨慎。它引用了先前关于 LLM 批改构造式回答的研究，但也指出可靠性随题目复杂度变化，且本试点并未进行正式的评分者一致性检验。每次看到这些结果就兴奋的时候，都得把这个提醒拿出来再看一遍。

这方面有旁证。Owen Henkel 等人的短答题批改研究报告，GPT-4 在基础少样本提示下 kappa 达到 0.70，接近其数据集上人类水平 0.75 的基准，并认为这可以支持低风险的形成性评估。2025 年的一篇综述Harnessing Large Language Models for Scalable and Effective Formative Assessment in Higher Education把形成性评估定位为有价值但难以规模化的做法，受时间、班级规模、资源和落地障碍制约。

这正是我认为 Phosphor 所在的赛道：低风险、重复性的形成性练习，而不是高风险的评分权威。评分标准、参考答案、重试机制、教师设计的评分规则、课程边界——这些不是装饰，而是让模型批改足够可信、值得去测试的安全护栏。

短板也是真实的

论文的局限性部分分量格外重。这是一项在单一精英院校做的观察性试点，缺乏随机对照。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或成绩更好。跨模块比较受到内容领域、时间节点以及模块复习同步引入的混淆影响。通过全部复习的组别，也是研究中最自我选择的群体。

这并不意味着研究没用，而是让下一步变得很清楚。我希望看到：跨测验格式的随机分配，在其他基础课程中复制，对 LLM 批改可靠性做正式检验，并在课程开始前就确定分析计划。论文也指出，未来工作应包括构造式回答与选择题格式的对照研究、与课程成绩挂钩的完成度要求，以及跨院校复制。

我对"与成绩挂钩"这一点会谨慎。它可能带来更清晰的剂量数据和更高的使用率，但也可能改变那个让可选试点变得有趣的体验。如果构造式回答批改感觉僵硬、打击信心或不公平，强制纳入成绩就会把一个不错的学习循环变成另一种合规任务。产品问题不只是学生是不是学得更多，还有这个系统是不是让努力值得重复。

为什么它契合智能教材这个趋势

更大的研讨会背景值得交代。2026 年学习节页面把第七届智能教材研讨会的主题描述为：AIED 方法如何把教材从静态内容变成交互式学习环境，今年特别聚焦生成式 AI 和 LLM。Phosphor 就是这个理念的一个具体版本。

这也是为什么我觉得这篇论文比一个通用辅导演示更有意思。教材仍然是锚点。AI 不是来用最流畅的方式回答每一个问题的，它是来制造一个循环：阅读、回忆、拿反馈、重试、复习，并留下参与的痕迹。这比作业捷径更接近一个学习系统。

我的结论

我不会说 Phosphor 已经被证明。研究太早期、太依赖观察、太局限于一所院校。但我会说它是一个有用的产品假设，而且下一步的检验方向异常清晰。

那种通用助手坐在学生身边、承诺无限帮助的 AI 教育故事，我不太信。我更信的是更窄的那条路：用 AI 把高难度练习变便宜，把它留在课程里，按明确标准批改，然后测量当辅助消失后学生是否还能表现。Phosphor 指向这个方向。接下来的问题是：这种效果能不能经受住随机化、复制，以及真实课堂里各种琐碎的现实摩擦。