AI发展太快，教育政策怎么办？
——英国最新“循证教育政策”框架及其对科学教育的启示
01
人工智能正在快速进入学校、课堂和教育管理。但一个越来越现实的问题也随之出现：
当技术迭代的速度超过传统教育研究的速度，教育政策应该依据什么作出判断？
2026年9月24日，英国教育部发布《快速变化技术环境下循证政策制定原则》。这份报告由英国教育部科学咨询委员会人工智能与数字教育工作组制定，重点讨论如何在技术快速变化、长期研究证据尚不充分的情况下，改进教育政策的证据基础和决策方式。
报告虽然以人工智能教育为重要应用场景，但其讨论的问题远不止“AI如何进课堂”。
它真正关注的是：
当教育技术变化得越来越快，我们应该如何认识、获取和使用证据？
传统的“等证据充分了再决策”，
正在面临挑战
02
教育政策强调循证，并不是新鲜事。
长期以来，随机对照试验、准实验研究和系统综述等方法，一直是教育政策获得可靠证据的重要途径。高质量研究能够帮助我们回答一个关键问题：某项教育干预是否真正带来了预期效果？
但人工智能的发展速度正在改变这一过程。
一项教育研究从设计、实施到发表，往往需要较长时间。而在研究完成之后，人工智能产品的功能、使用方式甚至产品本身都可能已经发生变化。
这意味着，研究所评价的技术版本，可能已经不是学校正在使用的版本。
这并不意味着传统研究方法失效。相反，在技术相对稳定、研究问题明确的情况下，严格的实验研究仍然具有重要价值。
真正需要改变的是：
不能把“等待最终证据出现”作为面对快速变化技术时唯一的政策路径。
从“寻找最终答案”转向
“持续积累证据”
03
英国报告提出了一个非常值得关注的思路：持续积累和更新证据。
简单来说，政策制定者不应等待某一项研究给出最终答案，而应综合不同来源、不同强度的证据，形成当前最合理的判断，并随着新证据出现不断修正。
因此，评价人工智能教育时，问题不应该只有一个：
“这项人工智能技术有没有效果？”
还应该继续追问：
对谁有效？
在什么条件下有效？
为什么有效？
是否存在潜在风险？
教师如何使用会影响效果吗？
当技术发生变化以后，原来的结论是否仍然成立？
这也是报告提出的一系列原则背后的核心逻辑。
从整体上看，可以概括为三个方面。
第一，多种证据相互补充
实验研究可以帮助判断因果关系，教师经验能够反映真实课堂中的使用情况，学生反馈可以揭示学习过程中的变化，使用数据可以帮助研究者了解技术如何被实际使用，专家判断则有助于识别潜在风险。因此，面对快速变化的技术，政策制定不能简单地寻找一种所谓“最高等级”的证据，而应该根据问题综合使用不同证据。
第二，不同问题需要不同证据
例如，“某项技术是否能够完成某项功能”和“教师应该如何使用这项技术”，本身就是不同问题。如果关注学生学习效果，就需要考察学习结果；如果关注课堂应用，就需要研究教师行为、教学设计和学生参与；如果关注教育公平，则必须进一步分析不同学生群体之间是否存在差异。
这意味着：一种技术可能总体上有效，却并不意味着它对所有学生、所有教师和所有学校都同样有效。
第三，证据需要持续更新
人工智能在变化，教师的使用方式在变化，学生的学习方式也可能发生变化。因此，一次研究并不能永久回答一个问题。
政策评价也应该从“一次性判断”逐渐转向“持续学习”。
评价人工智能教育，
不能只问“工具有没有用”
04
这份报告特别值得科学教育工作者关注的一点，是它把评价对象从单纯的“技术产品”扩展到了技术使用的条件和情境。
一款人工智能工具在某所学校取得较好效果，并不意味着换到另一所学校仍然有效。
影响结果的因素可能包括：教师是否接受相关培训；技术是否与课程目标匹配；学生是否具备相应的数字素养和人工智能素养；教师是否进行了必要的指导和监督；学校是否建立了相应的数据治理机制；人工智能是否替代了学生原本应该完成的认知活动。
因此，一个更加科学的问题应该是：
不是“这个工具有效吗”，而是“它对谁有效、在什么条件下有效、通过什么机制产生效果”。
这一点与科学教育研究尤其契合。
科学学习并不是简单的信息输入。科学概念理解、实验探究、证据推理和科学论证，都受到任务设计、教师指导、学生先备知识和课堂环境等因素影响。
因此，即使人工智能能够生成高质量的科学解释，也不能简单地把“生成了正确答案”等同于“学生学会了科学”。
“完成任务”不等于
“真正发生学习”
05
这一问题正在成为人工智能教育研究的重要议题。
国际研究已经发现，生成式人工智能在具有明确教学目的和合理教学设计的情况下，可能促进学习；但如果只是把原本需要学生完成的认知任务交给人工智能，学生可能得到更好的任务结果，却未必获得相应的学习增益。
例如，一个学生借助人工智能迅速完成了一份科学报告，报告可能更加完整、语言也更加流畅。
但科学教育真正需要关注的是：学生是否理解了科学概念？能否解释证据与结论之间的关系？能否识别人工智能生成内容中的错误？能否独立设计实验？能否提出新的科学问题？在没有人工智能帮助时，是否仍然能够完成相关推理？
因此，人工智能时代需要更加明确地区分：“任务表现”与“真实学习”。
这也意味着，未来科学教育评价不能只看最终作品，还需要更加关注学生的思维过程。
从“选择好工具”走向
“建立持续学习的教育系统”
06
英国报告还提出了一个重要方向：建立更加持续的证据基础。
如果希望真正了解人工智能在真实教育环境中的作用，就不能每隔几年重新开展一次大型研究，而应该持续关注：人工智能在学校中的实际使用情况；不同学生群体之间的使用差异；学习结果的长期变化；教师在真实课堂中的使用经验；不同技术版本带来的变化；独立研究对技术效果的评价。
这实际上意味着，教育技术评价正在从“产品评价”走向“教育生态评价”。
对科学教育而言，
真正值得关注的是什么？
07
如果把英国这份报告放回科学教育领域，会发现它提出的不仅是“人工智能怎么用”的问题，而是一个更基础的问题：
在技术快速变化的时代，我们应该如何判断一种新的教育技术是否值得进入课堂？
过去，我们可能更多关注：有没有新的人工智能工具？能不能提高教学效率？能不能帮助学生完成学习任务？
未来则需要进一步追问：它改善的是学习过程，还是只改善了任务结果？它促进了学生的科学思维，还是替代了学生本应完成的思考？它对不同学生是否产生不同影响？教师需要具备什么新的专业能力？什么证据能够支持学校作出使用决策？当技术快速更新时，原有结论还能持续多久？
这些问题正在推动科学教育研究从单纯的“技术应用研究”，进一步走向“证据—机制—情境—效果”研究。
结论
08
人工智能进入教育之后，真正发生变化的可能不仅是课堂中的教学工具，也包括教育政策获取知识、判断证据和作出决策的方式。
英国此次发布的框架，其核心思路可以概括为：
不要等待一个永远不会及时到来的“最终答案”，而是在明确风险边界的基础上，综合多种证据，持续更新认识，并让新的证据不断修正教育实践。
这并不意味着降低科学证据的标准，也不是用教师经验取代严谨研究。
相反，它强调的是：面对不同问题、不同技术成熟程度和不同风险水平，需要选择合适的研究方法，并让不同类型的证据彼此补充。
对于快速发展的人工智能教育而言，这或许比“哪一个人工智能工具最好用”更加值得关注。
因为当技术持续变化时，教育真正需要建立的，不只是使用新技术的能力，更是持续判断新技术、评价新证据和修正教育实践的能力。