OECD发布数字教育展望2026，聚焦GenAI

2026年1月19日，经济合作与发展组织（OECD）发布《OECD数字教育展望2026：探索生成式AI在教育中的有效应用》（OECD Digital Education Outlook 2026：Exploring Effective Uses of Generative AI in Education）报告，这是OECD继2021和2023年后发布的第三份数字教育展望报告。该报告基于现有最佳的实证研究、设计实验和专家见解，探讨了GenAI的应用前景以及教育利益相关者如何有效且负责任地引导其应用。

报告指出，证据表明，GenAI可以扩展个性化学习支持、提高反馈质量并实现部分评估流程的自动化。但这种便利性也可能带来一些弊端。当学生过度依赖GenAI时，元认知参与度——即将答案转化为理解所需的思维过程和努力——会下降。这会导致任务完成情况与真正学习成果之间出现脱节。

此外，虽然一些研究表明GenAI可以提高学生的产出和学习效果，但另一些研究却并非如此，尤其是在工具直接提供答案而非支持真正的学习过程时。将GenAI有效地融入教学可能需要教师鼓励学生的自主性，并强调学习过程，例如学生如何思考和学习，而不是仅仅关注学生的最终产出。将GenAI与明确的教学模式相结合的混合系统，例如结构化辅导策略或以证据为中心的评估设计，比通用聊天机器人更有前景。

报告重点从生成式AI在学习、教学与管理中的应用进行了分析：

1.利用GenAI提升学生学习

报告指出，生成式AI最引人注目的用途之一是辅导。与传统AI辅导系统僵化的对话模式不同，GenAI可以进行灵活、个性化的对话，根据每个学习者的需求调整解释和语言。

一些AI辅导系统采用苏格拉底式提问等方法来发展学生的学科知识、批判性思维和反思能力。相关证据仍在不断涌现，但原型系统已展现出良好的前景。

除了一对一辅导之外，GenAI还在支持协作学习。研究表明，GenAI在协作学习中主要扮演四个角色：充当信息中心、生成个性化材料以支持小组工作、向教师提供反馈以及在小组任务中充当同伴参与者。

虽然目前证据有限，但一些研究发现，GenAI可以使学科学习取得小到中等的进步，并在批判性思维和团队合作方面取得显著进步。

GenAI也可能有助于激发创造力。证据表明，GenAI在缓慢使用、支持迭代探索和反思时效果最佳，而不是用于快速生成内容。从这个意义上说，它也可能通过减少原创性思维而阻碍创造力。

重要的是，GenAI有潜力为数字基础设施有限地区的学生提供支持。在巴西农村地区进行的一项大规模实验表明，即使在网络连接不稳定且设备有限的情况下，AI也能提供反馈和指导。小型语言模型可以在移动设备上离线运行，尽管存在技术限制，但它们代表着GenAI弥合数字鸿沟的一个有前景的途径。

2.利用生成式AI提升教师绩效

生成式AI有望从多个方面彻底改变教师的工作方式，包括提高工作效率和教学质量。它已经能够快速撰写摘要、设计练习，甚至提供实时辅导支持。但过度依赖生成式AI也存在风险，可能导致教师技能和教学专业知识的丧失。

关于人类和AI如何协同工作的概念框架提出了三种途径：替代、互补和增强。对于某些任务的替代需要谨慎评估，以避免教师与学生互动机会的减少。互补是更好的选择，即将人类的判断力与机器的效率相结合。但最有效的方法是通过协作参与来实现增强。在这种模式下，教师和AI协同工作，互相批评和改进彼此的输出。这种迭代过程最有潜力提升教学质量，同时保留教师的专业判断。

目前的关键问题之一是，大多数工具都是为通用目的而设计的。现成的聊天机器人很少与课程内容相匹配。因此，一些人主张开发专门用于教育生成式AI系统。这些工具可以由教师和学生共同创建，使教育工作者能够控制机器的行为方式以及学生与机器的互动方式。例如，这可以使教师设置工具的“幻觉”程度，并就学生与生成式AI的互动提供反馈。

目前已有多种生成式AI工具被用于支持教师，尤其是在高等教育领域。例如，一些AI教学助手可以帮助教师、助教和学生完成各种教学任务，同时允许人工监督。学生对其中一种工具的评价是，其在清晰度、准确性和专业性方面与人类助教相当，但在激励和发展指导方面稍逊一筹。

其他早期证据表明，教育生成式AI工具可以提高在线辅导质量，特别是对于经验不足的教师。研究还强调了AI生成的教学材料和分析工具对于有效课堂对话的益处。然而，激励、人际关系和社会情感学习仍然是人类固有的责任。

3.改进系统和机构管理

生成式AI也在简化系统和机构管理，并催生新的分类和推荐方式。在机构层面，GenAI已经开始重塑行政工作。基于嵌入的模型可以映射课程和项目之间的等效关系，从而使招生、职业指导和课程分析等任务更加快速准确。大规模试点项目表明，GenAI具有较高的预测准确性和效率提升，但人机协作仍然必不可少。

除了反馈之外，高风险标准化评估是GenAI有望带来变革的另一个领域。它可以大规模生成考试题目，并设计更真实的任务，例如模拟现实生活交流的交互式写作和口语任务。通过与AI协作，教师可以显著提高工作效率。

GenAI对研究的影响也值得关注。在自然科学领域，它可以加速从假设生成到实验设计的各个环节。这项技术已经在改变教育研究的开展方式，并有可能改善教育系统的成果。例如，AI生成的模拟真实教育数据集的合成数据集可以扩展研究的可能性，并将研究成果反馈到政策和实践中。

报告最后指出，如果以有效的教学法和以人为本的方法进行设计，GenAI的作用远不止于帮助学生完成任务。它有可能深化学生的学习，改进教学实践，并简化机构管理和研究。但这些益处也伴随着风险。过度依赖GenAI可能导致学生沦为被动的知识消费者，教师沦为监督者。

为了充分发挥GenAI的潜力，教育必须超越通用聊天机器人，转向专为教育设计的工具。精心整合通用GenAI工具至关重要——这有助于充分发挥GenAI的学习优势，并培养学生未来职业所需的GenAI素养。政策制定者面临的挑战是确保GenAI成为学习伙伴，而不是学习捷径。

资料来源：

OECD (2026), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD Publishing, Paris, https://doi.org/10.1787/062a7394-en.

[本文为教育部国别和区域研究基地中国教育科学研究院国际教育研究中心成果]

本文由中国教育科学研究院“教育国际前沿”课题组整理，课题组负责人张永军，编辑刘强。点击左下角阅读原文可下载该文献。

本文为原创，转载请注明。