共计 3619 个字符，预计需要花费 10 分钟才能阅读完成。
在当今时代，人工智能已不再仅仅是学术研究的工具，它已经成为大学生学习过程中不可或缺的助力。
随着人工智能在教育领域的深度应用，关于学习方法、评估机制及技能培养等一系列重要问题亟需讨论。
尽管目前的讨论主要依赖于调查数据和对照实验，但缺乏学生在实际学习环境中与 AI 自然互动的直接证据。
为了填补这一信息空白，Anthropic 进行了一项针对高等教育中人工智能使用的广泛研究，分析了 Claude.ai 平台上百万条匿名学生对话记录。
研究的主要结论如下：
理工科学生尤其是计算机专业的学员，成为了 Claude 等人工智能工具的先锋用户。计算机专业虽然在美国学位中仅占 5.4%，但在 Claude.ai 的对话中，其使用比例却高达 36.8%。相比之下，商科、健康科学和人文学科的学生对 Claude 的依赖程度相对较低。
研究总结了学生与人工智能互动的四种主要模式，这四种模式在数据中的占比相似（各占 23-29%），分别是解决问题、生成内容、协作解决问题及协作生成内容。
学生主要利用 AI 进行知识创造和分析，例如开发编程项目或解析法律概念。这一点与布鲁姆分类法中的高阶认知能力相符。然而，这也引发了一个重要问题：如何防止学生过于依赖 AI，而忽视自身关键认知能力的训练？
教育领域内 AI 的应用情况
在研究人们如何使用 AI 模型的过程中，保护用户隐私至关重要。
Claude Insights and Observations（简称 Clio）是一款自动分析工具，旨在帮助理解用户如何使用 Claude。
Clio 能够深度挖掘用户与 Claude 的对话内容，并提炼出如“调试代码”“解释经济概念”等高层次的总结，从而识别 AI 的使用模式。
在本次研究中，Clio 分析了来自 Claude.ai 的约 100 万条免费和专业账户的匿名对话记录。
接着，研究者筛选出与学生学习密切相关的对话，如课程作业和学术研究，最终得到 574,740 条有效对话。
随后，Clio 对这些对话进行分类汇总，从多个角度提炼出有价值的见解，包括不同学科在对话中的占比、学生与 AI 的互动方式及学生交给 AI 的任务类型等。
学生使用 AI 的目的
研究结果显示，学生使用 Claude 的主要目的，是跨学科地创建和优化学习内容，这类对话达到了 39.3% 的比例。
具体表现为设计练习题、润色论文和总结学术资料等。
另外，33.5% 的对话则是请求 Claude 为作业提供技术性解答，比如调试代码、修复编程错误、实现算法和数据结构，或者解答数学问题。
其中一些行为可能存在作弊的风险，后面将对此进行详细讨论。
还有一部分学生利用 AI 进行数据分析和可视化（占 11.0%）、辅助研究设计和工具开发（占 6.5%）、绘制技术图表（占 3.2%），以及翻译和校对（占 2.4%）。
下图展示了各学科常见请求的详细分类。
各学科 AI 的使用情况
通过对 Claude.ai 使用模式的分析，结合美国各学科的学士学位颁发情况，发现计算机专业的 AI 使用比例极为突出。
尽管计算机专业在学士学位中仅占 5.4%，但在 Claude.ai 的对话中却占到了 38.6%。这或许是由于 Claude 在编程领域表现出的独特优势。
自然科学和数学专业的 Claude.ai 使用占比也高于这两个专业学生人数的比例（分别为 15.2% 和 9.2%）。
理工科，尤其是计算机专业的学生，似乎在更早的阶段将 Claude 应用于学习。
这或许是因为计算机专业的学生对 Claude 更为熟悉，而 AI 系统在处理 STEM 相关任务时展现出更强的能力。
商科相关的对话在 Claude.ai 中的占比仅为 8.9%，而商科学位在美国学士学位中则占比高达 18.6%，这显示出 Claude 在商科领域的使用相对较少。
学生与 AI 的互动方式
在分析学生与 AI 的交互时，识别出了四种不同的互动模式，并根据两个不同的维度进行了分类，具体如下图所示。
AI 在学生学习中的交互模式分析
首先，我们可以将交互方式分为两大维度，其中一个是「交互模式」，具体包括：
（1）直接对话，意味着用户希望迅速获得问题的解决方案，解答自己的疑惑。
（2）协作对话，指用户积极与模型进行互动，通过交流来实现自己的学习目的。
另一个维度则是交互的「期望结果」，可细分为：
（1）问题解决，用户寻求解答或解释以应对特定问题。
（2）生成输出，用户希望创建如演示文稿或论文等较长的内容。
这四种交互形式在对话中的比例相对均衡，均在 23% 至 29% 之间，显示出学生对 AI 的多样化使用。
与传统的网络搜索相比，后者通常只提供简洁的答案，而 AI 则支持更加丰富的交互方式，给教育领域带来了新的机遇。
以下是一些学习场景的实例：
阐释哲学理论帮助学生理解核心概念。
整合全面的化学学习资料以提升学生对化学知识的掌握。
为作业讲解肌肉的解剖结构、生理机能与功能概念。
然而，AI 的使用同样带来了新的挑战。
一个备受热议的问题是：「学生在多大程度上利用 AI 进行作弊？」
这一问题难以明确回答，因为并不清楚 Claude 的每个回复在具体学习场景中的真实用途。
比如，在「直接解决问题」的交互中，学生可能在家中考试时作弊，也可能仅仅是在核对练习题的答案。
而「直接生成成果」的对话，或许是学生急于完成一篇论文，也可能是为进一步研究总结要点。
至于协作对话是否构成作弊，往往取决于具体课程的规定。
实际上，接近一半（约 47%）的学生与 AI 的对话属于直接对话，说明参与度较低，仅仅在探求答案或内容。
尽管许多对话出于合理的学习目的（如询问概念问题、生成学习指南），但也发现了一些令人担忧的现象：
让 AI 提供机器学习选择题的答案。
直接获取英语测试题的解答。
利用 AI 重写营销及商业文本，以规避抄袭检测。
这些情况引发了关于学术诚信、批判性思维能力培养，以及如何有效评估学生学习效果的反思与讨论。
即使是协作对话，其学习成果也可能存在争议。
例如，「求解概率与统计作业问题并给出解释」，虽然涉及学生与 AI 的多次互动，但大部分思考过程可能由 AI 完成。
Anthropic 将持续关注这些交互情况，努力识别哪些对学习和批判性思维的培养真正有帮助。
不同学科中的 AI 使用模式
学生在不同学科领域与 AI 的互动方式有显著差异。
在自然科学和数学领域，学生的对话主要集中在解决具体问题上，例如「通过逐步计算求解特定概率问题」或「为学术作业或考试提供详细解答」。
计算机科学、工程以及自然科学与数学专业的学生更倾向于采用协作对话，而人文、商业和健康领域的学生在协作对话和直接对话之间的选择较为均衡。
教育领域的对话中，生成输出的需求尤为突出，占比达到 74.4%。这可能与筛选方法的完善程度有关。
这表明，为各学科制定专门的 AI 教育策略，或许能带来更理想的效果。
学生交给 AI 的认知任务分析
团队还针对学生将哪些认知任务交由 AI 处理进行了研究。
研究采用了布鲁姆分类法，这一框架用于在教育领域将认知过程从简单到复杂进行分类。
尽管该框架最初是为学生思维设计的，但经过调整后，适用于分析 Claude 与学生之间的对话。
研究结果显示，Claude 主要承担高阶认知功能，其中创造（39.8%）和分析（30.2%）是最常见的任务。
而低阶认知任务的比例则相对较低，分别为应用（10.9%）、理解（10.0%）和记忆（1.8%）。
生成学术文本摘要、撰写论文反馈等任务更倾向于创造性，而解决微积分问题、解释编程基础知识等任务则多涉及分析能力。
尽管 AI 具备这些能力，学生仍然能够独立运用这些技能。
例如，学生可以与 AI 共同完成项目，或者在其他场景中利用 AI 生成的代码进行数据集分析。
然而，这确实引发了人们的忧虑：学生是否会过度依赖 AI，从而阻碍自身认知能力的发展。
毕竟，如果基础技能得不到锻炼，就如同一座倒置的金字塔，难以稳固支撑高阶思维的发展。
参考资料：
标题：大学生如何利用 Claude：一项新兴教育研究
随着人工智能技术不断进步，越来越多的学生开始在学习过程中依赖 AI 工具。最近的一项研究揭示了大学生如何使用 Claude 进行项目完成和数据集分析。这一现象引发了广泛关注，人们不禁思考：这种依赖是否会影响学生的自主思考能力？
基础能力的培养至关重要。若学生过于依赖 AI，可能会导致基本技能的缺失。这就像一座倒置的金字塔，缺乏坚实的基础，难以支撑更高层次的思维发展。因此，如何平衡 AI 的使用与个人能力的提升成为了教育界亟需解决的问题。
未来的教育模式也许需要加入更多关于 AI 的课程，帮助学生在掌握技能的同时，合理利用技术工具。毕竟，AI 的价值在于辅助学习，而非取代思考。只有在这一点上达成共识，才能更好地培养出既懂技术又有独立思考能力的人才。
