AI摧毁大学写作后会发生什么？

在大学论文的大部分历史中，完成的草稿是几件事同时的合理证据：学生理解了指定材料、能够组织论证，以及花费真实时间在页面上解决问题。大型语言模型一步就打破了这种联系——它可以在几乎任何提示上在不到一分钟内生成流畅、结构完整的草稿，学生无需理解材料。这并不意味着写作作业作为教学工具停止有效。这意味着完成的论文本身不再是证明它曾经证明的东西的可靠证据，教师必须找到现在做这项工作的是什么。论文作为思考问题的方式并没有变差——作为独立证明特定人员进行了思考的方式变差了。

居家论文之所以受欢迎，部分原因是它很有效率——教授可以布置作业、收集30篇完成的论文，并在不观察30个独立写作过程展开的情况下对输出进行评分。一旦完成产品便宜且很难与AI输出区分开来，这种效率就完全破裂了。许多教师不是放弃写作作业，而是重新分配成绩：最终论文的份额较小，周围部分的份额较大——课堂写作样本、提交的大纲、关于论证的简短对话。居家论文仍然没有从大多数课程大纲中消失；它只是不再仅凭自己完成整项工作。

过程证据是任何记录写作如何组织的东西的通用术语，而不仅仅是完成后的内容。实际上这通常很平凡：文档的版本历史显示论文在多个会话中构建而不是一次性出现、在论文前一周提交的手写大纲、学生实际阅读和注释的来源边注。这些单独证明不了什么——版本历史可以被操纵、大纲可以事后写——但放在一起，在整个学期中，它们构建了一个比单个抛光论文更难被令人信服地伪造的模式。

口头答辩并非新事物——它们已经存在论文和学位论文。改变的是教师现在为更短的作业运行同一想法的缩小版本：五到十分钟的对话，有时在办公时间，有时作为课前或课后的快速检查。重点不是质疑学生或在谎言中抓住他们。这是一种快速判断提交论文的人是否能够解释和为其中的选择辩护的方法，这是AI生成的文本本身无法给予学生练习做的事情。

在整个学期中伪造风格比在单个论文中伪造风格要困难得多，这是为什么一些教师故意在学期初建立基准——课堂诊断论文、在第一周纸上写的简短回应——在任何东西作为居家作业到期之前。学生的真实写作往往带有小的、一致的习惯：特定的句子节奏、重复的单词选择、他们对声明进行对冲或在想法之间移动的特定方式。这些习惯正是当草稿来自语言模型时会磨平的，正是已经读过学生未经打磨的课堂写作的教师开始注意到缺失的。

AI检测器是这个图景的一部分，但份额比很多报道建议的要小。在一个教师可能要评分80或100篇论文的大型讲座课程中，检测器分数是标记少数值得仔细查看的提交的实用方法，而不是任何人视为自身判决的东西。转向过程证据和口头检查正是存在的原因，因为百分比分数，无论如何产生，不是教师可以仅凭自己采取行动的东西——它是与这里描述的所有其他东西一起权衡的一个信号，而不是替代任何它。已经考虑过这个问题的部门倾向于将这种区分明确写入政策：检测器标志打开与学生的对话，它不关闭。

每个AI检测器都共享相同的几个限制，它们在课堂中比几乎任何其他地方都更重要，因为错误调用的赌注是学生的成绩或学术记录。轻微编辑的AI草稿——几句话由手工改写——经常得分低于未编辑草稿会得分，而没有实际上更多地是学生自己的工作。非英语本地使用者的标记率明显高于英语本地使用者，原因与他们是否使用AI无关。简短的作业会产生不稳定的分数，在少数编辑的句子上大幅摇摆。没有任何东西使检测器无用，但这正是为什么没有合理的政策将检测分数视为自身充分证据的原因。

因为没有检测器能够完全单独关闭间隙，很多真正的重新设计工作已经在作业级别发生。提示越来越多地要求学生对该周课堂中发生的特定事项做出反应——特定讨论、客座演讲、同学的演讲——通用模型无法看到的材料。投资组合评分，其中学生的写作在整个学期中构建的多个部分中评估，而不是基于一个孤立的论文进行判断，使任何单个AI草稿提交变得远不那么重要且更容易作为异常值被发现。这是对AI摧毁单个课程中大学写作后会发生什么的公平总结：不是崩溃，而是围绕通用模型无法伪造的东西构建的重新设计。

对于学生，对所有这些的实际反应更少是关于完全避免AI，更多是关于能够说明自己的工作。在维护版本历史的平台中写作，即使没有人曾要求看到它。保留你的大纲和来源笔记，而不是在最终草稿完成后删除它们。准备用自己的话解释，不看论文，你为什么做了你所做的选择——因为那个对话，比任何单一分数更多，是很多评分实际上所依靠的。这都不意味着写作必须感觉像它在监视下；主要只是意味着将自己的草稿过程视为作业的一部分，而不是一旦最终版本完成后就丢弃的草稿工作。

AI摧毁大学写作后会发生什么，最终并不是写作从课程中消失。论证、证据和清晰思维仍然是重点——转变在于教师用来检查这些东西是否真正是学生自己的东西。完成的论文仍然是图景的一部分，但现在它与更难以外包的草稿、笔记和简短对话一起。NotGPT的文本检测器是一门课程可能与所有这些一起使用的一个小部分——一个附带置信度以及AI生成/人写/混合占比的概率分数，作为早期标志而不是最终答案很有用——但此处描述的更大变化发生在作业如何构建，而不是学校碰巧运行的检测工具。