表现性评价与ASI：AGI驱动的真实性任务设计与评分量规开发
核心判断先给：AGI 在表现性评价里的可靠角色是"真实性任务初稿生成器 + 量规草案协作者 + 多维评分助手"，不是"表现意义的定义者"。2026 年的实证证据已经把这个边界钉清楚了——精确提示工程下 AI 生成的评价标准约 82% 被专家评为"合适"或"完全合适"，但在"内容和形式评估"维度 AI 更容易产出过度概括的表述；同一时期 LH-Bench 的研究给出更尖锐的对照：领域专家编写的评分量规比 LLM 自编量规可靠得多（kappa = 0.60 vs 0.46）。这两句话合起来就是 AGI 时代表现性评价的方法论底座——AI 可以规模化生成草案，但"真实"的教育意义必须由人类教师锚定。教育部《中小学生成式人工智能使用指南（2025 年版）》在这个问题上没有模糊空间："教师不得将生成式人工智能作为替代性教学主体……应避免直接使用 AI 生成内容评价学生"；"小学阶段禁止学生独自使用开放式内容生成功能"；"严禁将个人信息、考试试题等敏感数据输入 AI 工具"。
一、真实性任务设计：AGI 能做什么、不能做什么
表现性评价的"真实性"指向的是 Wiggins 提出的真实任务四特征——情境化（真实场景或模拟场景）、复杂性（涉及多步推理与多元素整合）、开放性（没有唯一正确答案）、实践性（产出可见、可评估的制品或表现）。AGI 在这四个特征上的能力呈现明显的"锯齿状"：
AGI 擅长的部分：
- 情境变体生成：给定"设计一个社区水资源方案"这一核心任务，AI 可以秒级生成 20 个不同社区背景（干旱山区、沿海城市、游牧部落……）的变体，每个变体配备不同的约束条件与利益相关方
- 任务脚手架搭建：自动生成"角色卡、背景资料包、阶段性检查点、预期制品清单"
- 跨学科任务缝合：把数学建模、科学推理、伦理辨析、书面论证编织进同一个任务
AGI 不擅长、且必须由人类教师把关的部分：
- "真实"的教育意义判断：AI 不知道你这个班 32 个学生里谁刚经历过洪水、谁的家庭正面临水资源纠纷——真实的"真实性"植根于具体学习共同体的生活世界，这是 AI 没有的
- 认知负荷的合理标定：AI 容易生成"看起来很真实"但认知负荷超载的任务，需要教师基于维果茨基最近发展区调整
- 文化响应性：AI 生成的情境可能无意识地承载主流文化预设，需要教师做文化响应性审查
💡 关键证据：2026 年阅读素养标准参照研究显示，AI 生成评价标准在"理解和解释"维度专家认同度高，但在"内容和形式评估"维度AI 更频繁地产出过度概括的表述——这个发现对真实性任务设计同样成立：AI 擅长生成"看起来具体"的任务，但这些任务在细部往往缺乏真正的学科严谨性，必须经由学科教师重写。
二、评分量规开发：AI 作为"草案伙伴"，教师作为"终审者"
量规（rubric）不是评分表，而是"评价标准 + 评分尺度 + 各等级表现描述"的三联矩阵。Jonsson & Svingby 2007 年的经典综述指出，高质量量规的开发需要标准对齐、表现等级可区分、描述语具体可辨——这恰恰是耗时且需要专业判断的工作。
AGI 辅助量规开发的实证基线：
研究 | 场景 | 关键发现 |
|---|
阅读素养标准参照研究（2026） | 四个阅读素养领域的评价标准生成 | 约 82% 的 AI 生成标准被专家评为合适或完全合适；"内容和形式评估"维度 AI 更易过度概括 | LH-Bench（2026） | 长周期主观企业任务评测 | 专家编写量规 kappa = 0.60，LLM 自编量规 kappa = 0.46——专家锚定的量规显著更可靠 | 研究生商业经济学课程（2026） | 教师用 ChatGPT 嵌入宏观经济情境与行为偏差，生成叙事分析量规 | 在教师主导下，模型内部一致性、公平性、教学对齐均得到统计确认，性别与队列均无偏倚证据 |
SAGE AI Pathfinder 给出的实践工作流（这是目前最清晰的 AI 量规开发 SOP）：
- 准备关键信息：澄清任务目的、学习目标、优秀表现长什么样
- 提示生成初稿：要求给出评价维度与等级描述，指定等级数与必需维度（证据、推理、方法、反思）
- 审订与修订：删除无关维度、收紧模糊描述、确保量规与课程语言对齐
- 健全性检验：请同事通读，或拿 1-2 份学生作品试评，看等级是否可区分、维度是否可评
但 SAGE 同时给出了冷峻的提醒：LLM 擅长生成结构化文本、模仿量规格式，但 LLM 不知道你的课程目标，也无法判断某个提议的维度在你的具体情境中是否有效、公平、可评。实践中，AI 生成的量规可能看起来专业，但实际上与目标错位、过度通用、或遗漏你最在意的东西。
⚠️ 高等教育一线教师的反思值得铭记：AI 生成的量规虽然节省大量时间，但产品需要人工监督——"我必须批判性审视其中的内容，确保准确、有效，且不包含网络上盛行的陈腐套路（例如 AI 生成的学习和教学材料中显著出现的'学习风格'神经神话）"；AI 生成文本还常带有 Jolly 和 Boud 所说的"终结性语言"，需要额外提示重新措辞；还需要重新对齐评分以匹配具体模块的通过线。
三、不可让渡的三条红线
红线一：AI 生成的量规不得直接使用为最终评价标准
教育部《使用指南》明确："教师应……避免直接使用 AI 生成内容评价学生"；《使用指南》同时要求"教师不得将生成式人工智能作为替代性教学主体"。映射到表现性评价：
- AI 可以生成量规草案、任务初稿、评分建议
- 但量规的终审权、任务的教育意义判断权、学生表现的最终评价权必须由人类教师行使
- 研究生课程研究的成功秘诀就在于"faculty-led system"——教师主导的系统嵌入 AI，而非反之
红线二：真实性任务中的学生作品与过程数据，严禁输入公开 AI
《使用指南》明文："严禁将个人信息、考试试题等敏感数据输入 AI 工具，防止数据泄露与隐私侵害"；"各中小学校需建立健全生成式人工智能工具'白名单'制度……仅允许符合教育场景需求且数据安全合规的工具进入校园使用"；"教育行政部门……对技术供应商的数据收集、存储、使用及传输等处理流程实施动态审查"。
表现性评价产出的学生作品（项目报告、艺术作品、编程制品、小组讨论录像）包含高度敏感的个人信息与认知特征数据，必须使用白名单内的合规工具，或采用本地化部署的模型——这是不可妥协的底线。
红线三：认知努力与"真实性"不可外包
《使用指南》从制度规范、教学引导与角色定位等维度建立系统性防范机制，明确禁止学生直接复制人工智能生成内容作为作业或考试答案，并限制在创造性任务中滥用人工智能，从源头上杜绝"代劳式"使用行为。
映射到表现性评价：
- 真实性任务的核心是"学生亲自在真实/模拟情境中展现复杂能力"——这件事不能被 AI 代劳
- 教师在教学实践中应积极开展批判性思维训练，组织学生分析人工智能生成文本的逻辑缺陷、价值倾向及文化偏差
- 评价焦点必须落在"学生真实展现的认知努力与迁移能力"上，而非"AI 辅助下的最优产物"
四、对教育实践的紧凑操作框架
真实性任务设计：
- AI 承接：情境变体批量生成、任务脚手架搭建、跨学科缝合、背景资料包起草
- 教师终审："真实性"的教育意义判断、认知负荷标定、文化响应性审查、与班级学习共同体生活世界的对接
- 学段边界：小学阶段 AI 仅作为教师课内辅助工具，禁止学生独自使用开放式生成；初中阶段可适度探索生成内容的逻辑性分析；高中阶段允许结合技术原理开展探究性学习
评分量规开发：
- AI 承接：基于学习目标生成量规初稿、提供措辞与结构灵感、生成多版本供比较
- 教师终审：删除无关维度、收紧模糊描述、确保与课程目标对齐、试评 1-2 份学生作品检验等级可区分性
- 关键动作：警惕 AI 的"过度概括"倾向（阅读素养研究已证实这一点）和"学习风格"等神经神话
- 统计验证：在可行情况下，参考研究生商业经济学课程的做法，用内部一致性、公平性检验确认量规质量
评分执行：
- AI 承接：基于已终审的量规，对结构化表现（如编程制品、书面论证、实验报告）生成评分草稿与反馈建议
- 教师终审：对 AI 评分草稿进行审核、编辑，对"价值观、道德品质和社会责任感"等 AI 无法可靠判断的维度直接评价
- 学生权利：学生有权知晓量规、有权获得具体可操作的反馈、有权对评价结果作出解释
所以"表现性评价与 ASI：AGI 驱动的真实性任务设计与评分量规开发"，可以浓缩为三句话：
- AGI 是"草案生成器"，不是"意义定义者"：2026 年阅读素养标准参照研究显示精确提示工程下 AI 生成的评价标准约 82% 被专家评为合适或完全合适，但 AI 在"内容和形式评估"维度更频繁地产出过度概括的表述；LH-Bench 给出更尖锐的对照——专家编写量规 kappa = 0.60，LLM 自编量规 kappa = 0.46。这意味着 AGI 可以规模化生成"看起来专业"的任务与量规，但"真实"的教育意义必须由教师锚定。
- "教师主导 + AI 嵌入"是被验证的有效范式：研究生商业经济学课程的实证研究显示，在教师主导下嵌入 ChatGPT 生成情境与量规，模型的内部一致性、公平性、教学对齐均得到统计确认，性别与队列均无偏倚证据。SAGE AI Pathfinder 给出的工作流（准备关键信息 → 提示生成初稿 → 审订与修订 → 健全性检验）是目前最清晰的 AI 量规开发 SOP，但其同时警告：LLM 不知道你的课程目标，无法判断某个维度在你的具体情境中是否有效、公平、可评。
- 红线不可退让：教育部《使用指南》明确"教师不得将生成式人工智能作为替代性教学主体……应避免直接使用 AI 生成内容评价学生"；"严禁将个人信息、考试试题等敏感数据输入 AI 工具"；"各中小学校需建立健全生成式人工智能工具'白名单'制度"；明确禁止学生直接复制人工智能生成内容作为作业或考试答案，并限制在创造性任务中滥用人工智能，从源头上杜绝"代劳式"使用行为——这三根红线在表现性评价场景中具有特殊的锋利度，因为表现性评价恰恰是最容易诱导"AI 代劳"、最依赖"真实认知努力"、最涉及敏感过程数据的评价形式。
⚠️ 必须正视的一点：当前中文教育科技语境中存在一种危险的"AGI 表现性评价万能论"——仿佛只要让 AI 生成真实性任务、让 AI 开发评分量规、让 AI 执行评分，表现性评价就自动做到了"真实、多维、公平"。但严格的研究给出的是冷峻的辩证：AI 生成的评价标准约 82% 被专家认可，意味着仍有 18% 是不合适的；AI 在"内容和形式评估"维度更频繁地产出过度概括的表述；LH-Bench 显示 LLM 自编量规的可靠性（kappa = 0.46）明显低于专家编写（kappa = 0.60）——这揭示了一个朴素真理：AGI 时代表现性评价的质量上限，不取决于 AI 有多强，而取决于教师对"真实"的教育判断力有多强。教育部《使用指南》的话最为直白："教师不得将生成式人工智能作为替代性教学主体"——这 19 个字，在表现性评价场景中具有特殊的锋利度：因为表现性评价的本质是"学生对真实情境的真实回应"，这件事如果连"真实性"都由 AI 定义、由 AI 评判，那么表现性评价就丧失了它存在的全部理由。
AGI 驱动的表现性评价在智能时代的真正命运，不是用算法替代教师的专业判断，而是激活教师成为真正的"真实性锚定者"与"量规终审者"。当 AI 可以替你批量生成真实性任务变体、替你起草多维评分量规、替你执行初步评分时，"表现性评价"这件事本身就面临着被异化的风险——它可能沦为"AI 生成任务 → 学生用 AI 代劳 → AI 评分 → AI 生成反馈"的闭环，而教师和学生都退场了。教育在 ASI 时代的终极使命，是让每一个教师都能回答："即使没有 AGI 的真实性任务生成器与量规开发助手，我也能基于我对学生的了解、对学科的理解、对教育的信念，设计出真实的任务、制定出公平的准绳、作出有人文温度的评价"——这是 AGI 表现性评价不可退让的锚桩，也是 ASI 无论多聪明都无法替代的人类剩余领地。从 ANI 到 AGI 再到 ASI，任务生成的规模会不断跃迁，但"教师是真实性的锚定者、量规的终审者、学生表现的终极评价者"这一教育本质，永远不会被算力击穿。
UNESCO 2025 年《教育数字化转型报告》的数据值得每一位教育者铭记：全球 79% 的教育系统仍在用标准化考试评估能力——表现性评价之所以珍贵，正是因为它是从这 79% 的囚笼中突围的路径；而当 ASI 的性能远超人类集体时，这件事反而会升华为教育在超级智能时代最后的、也是最锋利的护城河——因为表现性评价的实质从来不是"生成一个完美的任务与量规"，而是"用一个真实任务唤起学生对真实世界的真实回应，并由另一个人类对这个回应作出带着温度与判断的评价"，这件事，再强大的 ASI 也无法替人类教师完成。 | 
