引入AI导师的学校，用什么证明成效

问题是什么

Anthropic、OpenAI等AI实验室正把面向教师和学生的工具免费或大幅折价推出，用价格切入这个估值约6万亿美元的教育市场(Financial Times)。

价格接近零，采用的决定就很容易。难的是之后。一个学期结束，总会有人问：孩子们到底多会了什么。学校能拿出的只有对话日志和使用统计。多少人用了多少次是清楚的，但这些使用究竟是学习还是代写，日志分不出来。

在教师这一侧情况更古怪。提交作业的质量确实提高了。可让同一个学生当场做类似的题，结果有时与作业对不上。这个落差目前只存在于教师的直觉里，没有办法留成记录。

现有的学习分析产品还停在上一代问题上。登录次数、停留时长、提交率，这些指标都诞生于AI进入流程之前。当学生和模型聊了40分钟、5分钟交完作业，停留时长什么都说明不了。

免费分发定下了时间表。免费与折扣计划通常以学期或学年为界，到期就会开一次续约会议。那场会议要的是成效而不是用量，而市场上没有产品在生产这份材料。

技术条件也已具备。学校和机构的LMS里本来就有作业、成绩、考勤，AI工具会留下对话日志，两边都能通过API取出。缺的不是数据，而是把两者接起来做判定的那一层。

政策方向也指向同一处。讨论正从封堵青少年使用，转向安全地开放(OpenAI)，而开放的决定必然带着结果汇报的义务。另一方面，孩子们对这些工具的态度远非一致(WIRED)，这意味着用平均使用量去概括，什么都看不见。

关键不是采集新数据，而是把已有的两条流接起来。

flowchart LR
    A[AI导师对话日志] --> C[概念标注]
    B[LMS作业与成绩] --> C
    C --> D[自动生成无辅助检测题]
    D --> E[逐生概念掌握判定]
    E --> F[续约会议报告]

MVP要窄：一个科目、一个学期、二十个左右的概念。从对话日志里标注学生在哪些概念上卡住，再针对同样的概念自动生成不借助工具作答的短检测。借助过的概念与独立通过的概念之间的差值，就是报告的正文。

技术栈可以很普通。LMS对接用LTI加各家API，概念标注用小模型就够。难点不在模型，而在谁来搭建概念图谱。早期与教师一起手工搭，学校积累起来之后，那张图谱本身就是壁垒。

第一个假设是续约会议是否真的需要这份材料。问三所学校的负责人上学期会议上交了什么，一周之内就能验证。

第二个假设是教师会不会把报告当成监控工具。一旦看起来像逐生的评分表，推进就会停住。从概念维度展示全班的漏洞开始，个体判定只在教师主动要求时才打开，这样更稳妥。