从《Data Empire》看数据驱动校园决策与高校 AI 讨论
Roopika Risam 所著《Data Empire》于 2026 年 7 月出版,为高校 AI 讨论提供数据如何既被用作控制与剥夺、也被用作进阶机制的历史脉络。作者指出数据从不是中立的,掌握数据收集、控制与所有权的一方往往服务于自身目标,很少追问哪些群体因此被削弱。该书将高校 AI 扩散与数据治理相连接,并凸显其中的权力问题。
Roopika Risam 所著《Data Empire》于 2026 年 7 月出版,为高校 AI 讨论提供数据如何既被用作控制与剥夺、也被用作进阶机制的历史脉络。作者指出数据从不是中立的,掌握数据收集、控制与所有权的一方往往服务于自身目标,很少追问哪些群体因此被削弱。该书将高校 AI 扩散与数据治理相连接,并凸显其中的权力问题。
Microsoft 推出 Microsoft IQ 智能层,帮助高校把 AI 与智能体接入既有系统和工作流,并在现有安全、身份与合规框架内使用。
Khan Academy 提出有用的测评系统应回答三个问题:学生现在在哪、为什么卡住、下一步该做什么,而不只是每年测三次。
EdTech Magazine 刊文指出,学校讨论学生使用 AI 时常聚焦作业,但更需关注聊天机器人被用于一般建议、情绪支持和关系指导这类隐形使用。
教培机构投流预算越来越高、利润却越来越薄,AI 被定位为现有增长体系的「增效补丁」而非替代方案。文章提出「增长型AI」在五个节点落地:线索清洗、试听邀约与到课提醒、课程销售、社群运营与学生陪伴、销售全路径管理。作者称同样投 10 万广告费,用 AI 筛线索 ROI 可比同行高 20%,用 AI 辅助销售转化率高 20%,用 AI 管理销售过程人效高 30%。
NWEA 的 Megan Kuhfeld 研究发现,疫情后阅读成绩整体回升,但初中最低分读者每年仍在退步,早期有效的读写改革并未设计用于帮助已落后的初中生。Coursemojo 联合创始人 Dacia Toll 指出,六年级学生读得流利却答不出基础理解题,源于文本变难与背景知识更专门化同时发生,并区分了直接给答案的 AI 工具与把学生推回文本自行求解的工具。
一项针对计算机科学干预项目 Penda Learning 的元分析覆盖 13 个独立校本样本、超过 33,000 名学生,发现科学成绩显著提升,但各校结果存在差异。
美国 2024 年仅 30% 八年级学生阅读达到熟练水平,为 30 年来最低,问题出在初中阶段普遍遭遇的“理解墙”。在得克萨斯州一个大型城市学区和田纳西州一个高度多元化学区,使用 AI 支持读写教学模式的初中在州阅读测评中的同比增长显著高于未使用的同类学校。作者主张采用基于阅读科学的定制读写工具,用于精准诊断、及时反馈和差异化支持,而非把通用聊天机器人交给学生。
纽约从教 13 年的英语与特殊教育教师发现,学生面对文学分析问题时直接回答"我用 ChatGPT,我怎么知道",课堂思考明显减少。她将这一现象与认知卸载研究联系起来:Microsoft Research 与卡内基梅隆大学 2024 年研究发现,越依赖生成式 AI 的员工,批判性评估与独立推理越少。
一位教育科技从业者指出,学习科学证据显示手写字母比打字更能激活阅读脑回路,一项训练研究中手写组在听写任务上的正确率约为打字组的两倍,纸面阅读理解也略优于屏幕。与此同时,美国学区近十年开始系统采用高质量教学材料(HQIM),但这些课程多按纸笔设计,教师被批改和课堂管理淹没。文章主张用技术承担扫描、评分、标记错误概念等后勤工作,让学生继续用纸笔学习。
中国教育信息化历经30余年,截至2023年各级各类学校互联网接入率达100%、99.5%的学校拥有多媒体教室,但设备普及并未自动消除教育差距,反而从"接入差距"转向"素养鸿沟"。