AI实验室评估应看过程证据

AI实验室的评估，最容易被一张漂亮的演示文稿带偏。学生展示出完整的文本、图像或方案，并不等于真正完成了学习。成果可能来自一次生成，也可能经历了需求分析、资料筛选、结果核验和多轮修改。若只看最后一页，教师很难判断学生究竟学会了什么。

成品之外，还要看什么

过程证据不是让学生增加一堆形式材料，而是回答几个关键问题：问题是谁提出的，专业约束是什么，人工智能介入了哪一步，输出为什么被采用或舍弃，最终判断由谁负责。

因此，实验任务可以要求学生保留任务说明、资料来源、人工智能使用记录、关键操作思路、结果筛选依据、修改过程和反思说明。材料不必复杂，但要能看出思路如何变化。比如，学生发现生成内容与课程知识不一致，是否主动回到资料中核对；原方案无法回应真实需求时，是否重新定义问题；团队成员意见不同时，是否依据专业标准作出取舍。

这类记录还有一个好处：它把“会不会用工具”转换成了更值得评价的能力。教师可以观察学生是否能提出清晰问题，是否理解人工智能的边界，是否具备核验意识，是否能把输出转化为专业成果。不同专业的评价重点当然可以不同，但生成速度、内容数量和表面完整度不应成为核心标准。

过程证据也需要边界

过程记录并不意味着人工智能使用越多越好。学生可能留下了完整操作痕迹，却没有真正承担判断责任；也可能写出很长的反思，却无法解释关键结论的依据。因此，评价仍要回到专业标准：法律相关性、数据与决策的关系、用户需求和表达效果，都不能被流畅的生成结果替代。

实验室建设者还应考虑教师是否有能力阅读和评价这些证据。如果记录要求过于繁琐，学生会把它当成额外作业；如果标准过于模糊，教师又容易凭印象打分。更可行的做法，是围绕真实任务设计简明记录，并让专业教师与人工智能相关教师共同确定评价重点。

一个值得追问的问题是：学生离开实验室后，能否解释自己的选择，并在发现错误时修正方案？如果答案只能从最终成品中寻找，评估就仍然不够可靠。真正有分量的成果，应该不仅“看起来完成”，还经得起过程追问。