高校跨学科AI课程如何防止工具化?

很多高校一提到跨学科 AI 课程，第一反应往往是“教学生用什么工具”。我觉得这一步很容易把课程带偏：学生确实可能很快学会生成文本、整理资料或辅助编程，却说不清问题为何这样定义，结果是否可信，更不知道专业判断应该由谁负责。AI 一旦只剩下一个快捷按钮，课程就被工具化了。

防止这种倾向，关键不是少用 AI，而是把它放回完整的学习过程。可以先要求学生独立提出问题，明确判断标准；再让 AI 参与资料整理、方案比较或初步生成；接着核验输出，记录修改依据；最后解释 AI 帮了什么、错在哪里，以及自己为什么接受或拒绝某个结果。评价也不能只看最终文档是否漂亮，还要看问题定义、事实核验、过程记录和口头答辩。

跨学科也不能只是计算机、法律、经济或管理内容各讲一段。更有效的做法，是围绕一个单一专业难以解决的真实问题展开。比如校园服务优化，就可能同时涉及用户需求、数据分析、管理流程、隐私保护和成本评估。不同专业不是轮流交作业，而是必须共同形成一个方案，彼此的判断还可能发生冲突。只有这样，学生才会理解跨学科协作不是课程拼盘，而是解决问题的必要条件。

我尤其赞成给课程加入真实项目的“摩擦感”：需求会变化，资料会缺失，结果会不稳定，团队也会意见不一致。学生需要完成需求分析、AI 辅助处理、结果验证和展示答辩，并说明哪些环节不能交给 AI。涉及个人信息、未公开资料或受版权保护内容时，还要提前划清输入边界和人工复核责任。

所以，课程设计不应从采购工具清单开始，而应先搭建能力链：定义问题、开展协作、合理使用 AI、验证结果、表达并承担责任。学生最后不只是“会用 AI”，而是能解释每一次调用如何改变判断，并在专业边界内对结果负责。