今日所见

一位老人实际需要多少帮助，可能涉及身体能力、住宅条件、家庭支持和日常风险。标准化工具可以提高评估的一致性，却不一定能完整表达每个人的生活。如果评估人员在现场看见了表格没有捕捉到的问题，却只能接受系统给出的等级，专业知识就无法充分进入最后的决定。老人和家属还可能需要通过较长的申诉程序重新解释自己的处境。真正的问题不只是机器有没有犯错，而是制度有没有为纠错留下可执行的道路。

对于公共服务设计，这意味着服务蓝图不能停在“系统给出结果”。还需要画出发现异常、补充证据、人工复核、修改决定、通知当事人的后续路径。每一步都应说明谁有权限、需要什么材料、需要等待多久。学生也可以把同样的方法用于校园资助、住宿分配或其他需要分类判断的服务。一个真正以人为中心的系统，不只是允许人输入信息，还允许人的真实处境改变结果。

这组数字不能用来计算真实作弊率。问卷记录的是自我报告和对同伴行为的估计，敏感行为可能被低报，学生也可能高估其他人的使用程度。但两种回答之间的落差仍然值得关注：当一个学生相信周围的人都借助机器轻松完成作业，他可能开始觉得独立思考反而吃亏。即使这种印象没有得到证实，它也可能影响学习选择。技术于是改变的不只是个人效率，还有课堂里的相互信任和努力是否被公平看见的感受。

对设计思维教育来说，单纯规定“可以使用AI”或者“不得使用AI”可能不够。课程需要让学生知道哪些步骤鼓励协作、哪些判断必须自己形成，以及什么证据能够说明学习真正发生。例如，学生可以使用AI帮助整理资料，但仍需亲自解释为什么选择某个设计挑战、放弃另一个方案。教师评价的重点也应从工具使用次数转向问题理解和判断依据。当学习规则不够清楚，人们可能开始按照想象中别人的行为，而不是自己的学习目标作决定。

继续阅读｜Dartmouth AI Survey 官方原始调查

这一发现把“做成”和“学会”清楚地区分开来。学生使用AI可以完成一张复杂的数据图、提出完整的设计机制，甚至制作出能运行的原型；这可能是有价值的协作成果，却不自动证明他理解其中每一个条件。反过来，要求所有任务都必须独立完成也不合理：现实中的设计师本来就依赖软件、同事和外部知识。关键在于课程目标究竟是交付可用成果，还是让某种判断能力真正留在学生身上。两者都值得，但需要不同的评价方式。

设计思维课堂可以保留一项很小的“双轨检验”：允许学生与AI共同完成设计蓝图，同时在汇报时请他不看屏幕，解释一项关键选择、指出方案最可能失败的条件，或根据新的使用者证据调整定义。这样不必否定人机协作，也能看见哪些知识已经成为学生自己的能力。一次成功交付说明人和工具共同完成了工作；真正学会多少，还需要在没有工具时单独检验。

继续阅读｜Nature Human Behaviour 原始随机试验

一项真正新的研究，可能缺少成熟先例，甚至无法被传统学科框架轻易归类。若评价者主要依靠过去成功申请的语言与结构判断质量，那么“看起来可靠”和“值得冒险探索”就可能逐渐混在一起。人工评审当然也会保守，研究并未证明机器天然反对创新；样本只来自单一资助机构、特定年份和一种模型设置。但它提醒我们，评价工具不是完全中性的筛选器。它所熟悉的表达方式，可能影响什么样的想法更容易被看见。

设计课堂尤其需要防止这一点。AI很擅长指出方案是否完整、逻辑是否清楚、表达是否规范；但一个陌生的空间机制、一种尚未验证的材料用法，可能恰恰因为不够成熟而值得继续探索。可以要求AI分别评估可行性、证据完整性、新颖性与待验证风险，而不是直接给出一个综合分数。对于最不寻常的方案，保留一次由学生和教师共同讨论的机会。好的评价不是只找到最像成功案例的答案，也要为尚未被证明的可能性留出位置。