尚博文：人工智能时代法学研讨式教学的“质证式教学法”探索

来源 | 微信公众号：中国法律评论

作者 | 尚博文，对外经济贸易大学涉外法治研究院

助理研究员、法学院助理教授

北大法律信息网签约作者

一、人工智能时代法学研讨式教学的困境与挑战

（一）人工智能时代法学教育面临的困境

回视大模型广泛应用之前的法学教育，师生双方往往都在寻求一种“确定性”：比如有标准答案的试卷、有成熟范本的文书翻译，或是能够找到丰富参考文献的课程论文。为此，学生所投入的精力主要集中在学习、理解繁杂的法律逻辑与规则上。

但人工智能的出现让我们不得不承认，在相当多以成品文稿为主要评价依据的任务中，大模型已经能够迅速生成形式完整、语言通顺的答案，单纯依据文本判断学生投入程度和专业能力的评价效度正在下降。

造成这一困境的原因在于，原有的法学教育模式是逐级而上的高塔，学生逐步攀登方知高塔的全貌。而AI提供了一条直达顶端的表象，无需再遍历每级台阶。显然，再试图加强从塔底爬上高塔的“运动能力”（比如资料搜集、整理和初步阅读等），边际收益会很低。

人工智能时代法学教育所需要培养学生的核心能力应随之改变：学会如何拾级而“下”，即从AI给出的确定性结论回溯其生成过程，逐一验证结论背后逻辑的正确与否。这种识别、验证和判断能力，将会是未来法学学习和研究的核心能力之一。

对此，《关于加强新时代法学教育和法学理论研究的意见》提出，要适应“互联网+教育”新形态新要求，创新教育教学方法手段。《“人工智能+教育”行动计划》强调要探索人机协同教学模式。

《人工智能+X》是对外经济贸易大学的一门全校硕士公共必修课，本学期我在这门课上尝试应用了“质证式教学法”，有一些探索心得和教训。

“质证式教学法”指的是在课堂展示等教学场景中，吸收质证程序所包含的提出、核验、质疑与回应理念和机制，鼓励学生根据所讨论的具体议题与AI进行交互，将这些AI生成内容视为待核验材料，不直接采信其定论；教师居中主持并设定结构化的角色分工，分阶段有序组织学生主动对AI生成结论进行校验和修正，目标在于训练学生对AI生成内容能够作出独立判断的能力。

（二）人工智能时代法学研讨式教学的新挑战

研讨式教学通常用于实现激发学生兴趣、提升参与度等教学目标，比如师生熟知的“Pre”（Presentation）就是一种形式。但在AI已经被广泛应用后，研讨式教学会面临很多新的挑战。

第一，“搭便车”现象与团队协作评价问题。

教师很难在课堂展示的分组、准备阶段进行过程管理，任务容易集中于少数骨干成员，集体行动问题易导致分工不均和分数评价失衡。在AI广泛应用后，“搭便车”变得更加容易，只需几分钟便可利用AI生成完整的逐字稿和PPT，甚至无需阅读一手材料。教师难以区分高投入与低投入的展示成果，评价机制由此可能反向激励学生降低真实投入。

第二，检索任务门槛降低导致传统考核标准的失效。

过去，学生为完成一份高质量的展示，需将大量时间耗费在基础材料的检索与初步整理之上。这些本应属于基础技能训练范畴的工作，在AI辅助下其效率已发生颠覆性改变。

当学生和教师信息检索和材料整理的时间成本大幅下降，如果我们在考核中仍然将重心放在资料收集等初阶工作上，或是仅要求学生给出一个结论，考核结果容易受到学生所使用模型及提示方式的显著影响。这样做会加重不必要的学业负担，更难以实质达到课程教学的目标。因此，需要探索给学生减负的同时提升其对AI原理和应用认识的教学方法。

第三，结果导向的路径依赖损害法学的严谨性与批判性思维。

当习惯于直接采纳AI提供的确定性时，就容易忽视知识生成过程所应持有的审慎与敬畏。以往的课堂展示模式缺乏核查环节，AI编造的虚假案例或错误法条易混入研讨内容。学生对AI生成结果的信赖，以及教师无法穷尽对展示内容进行核查，都将会主动或被动地削弱学生的批判性思维。

上述问题的存在，并非源于法学教育者对人工智能技术的漠视。恰恰相反，近年来各法学院校在法律和技术复合型人才培养方面已有诸多积极探索，有意识地在课程体系中增加了人工智能技术原理的讲授内容。但是原理知识与法学学习、研究中实际使用人工智能工具的能力之间缺乏有效的衔接。知道如何根据人工智能生成内容追问或是换个视角提问，并且熟于在与AI的对话中坚守独立判断，这是当前教育时常被忽略的一个环节。

二、法学研讨式教学中“质证式教学法”的应用

（一）研讨题目与规则

《人工智能+X》这门课的教学目标决定了既要讲授人工智能在法学领域应用的现状和问题，又需要培养学生掌握和运用AI进行科学研究的能力。所以，我运用“质证式教学法”对课堂研讨的规则作出调整。课程聚焦当前人工智能法律研究的重点内容，设置了14个研讨题目，每个小组由4-5人组成。

课堂展示的四条基本规则是：

1.全程使用AI。必须要全程使用最新的大模型进行检索和思考，鼓励使用多个大模型对比效果。

2.禁止虚假内容。禁止未经核实直接使用 AI 内容，所有研讨内容必须真实准确，虚假内容会直接影响评分，避免学生对AI的盲目信任。

3.展示提示对话。每组一般设置提示位、核实位、转换位、陈述位和对抗位五个位置。每个位置均需要上台汇报，呈现自己如何与AI进行对话，将思维过程可视化。

4.注重事实分析。展示内容强调对法律事实与规范适用的梳理，比如人工智能在特定领域的应用现状，分析域内外现行法的适用边界、监管盲区，并在此基础上探讨法律规则如何适用、增补或调适的可能。

（二）角色分工与职责要求

每个研讨小组需依照以下角色进行任务分工。

1.提示位

职责是对AI发出提示指令，生成报告初稿。要求不使用“请撰写一篇关于智能驾驶法律挑战和归责原则的文章”这类初级问法，探索结构化的法律提问路径：先引导AI搭建分析框架，再针对细化的层次进行追问。

汇报需重点展示从无效提问到精准提问的过程，阐述其Prompt设计的逻辑、所遇障碍及交互心得。

2.核实位

职责在于识别并纠正AI可能产生的幻觉错误。例如，当AI在论述“金融人工智能监管”时引用了某项虚构的美国证券交易委员会执法案例，核实位应当利用法院、立法机关、监管机构官方网站以及Westlaw等专业数据库追溯原始材料。搜索引擎和其他大模型可以用于辅助定位，但其输出不得替代原文核查。

汇报时，指出AI在本主题下生成的虚假案例、捏造的法条或存在偏差的事实陈述，并详细说明通过何种交叉验证手段发现上述错误，以及验证过程中所采用的具体方法与反思。未发现明显错误的，也应说明抽查范围、信源层级和判断依据。评价不以发现错误的数量为标准。

教学经验反映出，其一，核实位需要与提示位保持紧密沟通，才能在框架完整、逻辑清晰的材料之上进行核实；其二，核实位无需对所有AI生成内容都逐一深入查证，要主动辨别什么内容需要进一步核实，以此减轻准备负担。

3.转换位

核心任务是将AI生成的原始素材，重构为严谨规范的法言法语，将AI观点纳入既有法学规范体系。

汇报时，需着重展示文本改写前后的对比样本。应总结AI行文逻辑跳跃、用语泛化等特征，并阐述如何将AI素材调整为符合法律逻辑与学术规范的专业表述。

4.陈述位

即传统课堂展示中的汇报人角色，整合全组的研究，形成结论进行汇报，时长较其他位置更长。

5.对抗位

负责对本组成果进行“挑刺”与风险评估，汇报时，需集中展示本组论证中可能存在的逻辑漏洞、被忽略的相反法律观点或风险。4人小组可以由一人兼任对抗位和陈述位。

6.教师的职责要求

一是过程引导。准备阶段，教师需对各小组的角色分工、选题思路、初步形成的Prompt设计方向及时答疑，及时指出提问逻辑中的偏差或核查方法中的疏漏。并且，对每个分工角色的展示内容均进行有效的点评，还需讲授每个选题所涉及的实体法律问题。

二是课堂主持与追问。在课堂展示过程中，教师的职责不仅是维持流程，更在于敏锐捕捉各角色研讨中的问题，进行即时的追问与深化，将课堂上引导学生探讨得出的经验转化为共同认知，强调其他小组进行展示时要避免这些问题的出现。

三是评价标准的重构与解释。教师需明确告知规则，课程的展示评价不以最终结论的“创新性”或者说所谓的确定性为唯一标尺，以规避“无效创新”。而是将相当权重分配于人机交互过程的呈现质量，且各个角色分工的评价标准也要有差异。比如对提示位的评价，重点在于提问逻辑的演进过程是否清晰、是否体现了结构化思维等内容；对核实位的评价，聚焦于其交叉比对信源的创新方法和严谨度。

三、“质证式教学法”的探索效果：基于学生前后测自陈数据

（一）研究设计与数据处理

为观察课程实施前后学生在AI认知、核实意识和独立判断倾向等方面的自我评价变化，本课程在第一次课和最后一次课分别发放内容相同的问卷，采用单组前后测设计，比较同一批学生在课程开始和结束时的自陈数据变化。问卷采用六点李克特式量表，1分表示“完全不符合”，6分表示“完全符合”，围绕AI认知与判断边界、法律事实与规范核实、法律论证与规范表达、批判性思维与风险评估四个维度设置题目。

第23题属于指令性注意力检验题，要求学生直接选择“完全不符合”，不计入总分。其余27道题中，第1—16题采用反向计分，第17—22题、第24—28题采用正向计分。换算后的得分越高，表明学生的回答越符合本课程所强调的教学目标，即能够审慎认识AI的功能边界，并具有较强的核实意识、规范表达能力和独立判断倾向。

教学班上共有28名学生同时参加前后两次调查。凡前测或后测任一阶段未通过注意力检验者均不纳入后续分析，最终取得23份前后对应的配对样本。问卷总量表前测与后测的Cronbach's α系数分别为0.798和0.855，表明正式计分题在总体上具有较好的内部一致性。

注：

1.问卷数据处理过程使用ChatGPT 5.6-Sol模型进行辅助分析。其中，配对样本t检验和Wilcoxon符号秩检验分别用于参数与非参数比较，Cohen's dz用于衡量配对差异的效应量。鉴于样本数量较小，同时报告两种检验结果，以考察结论对分布假设的敏感性。对于四个维度的比较，进一步采用Holm方法校正多重检验可能造成的偶然显著结果。

2.本问卷为依据课程教学目标编制的探索性工具，各题项按照理论设定划分为四组，总量表和分组结果主要用于描述本班学生前后变化，不宜解释为标准化能力测量结果。

3.问卷作答与课程成绩无关，学生在知悉教学研究用途的基础上自愿参加；姓名仅用于前后测配对，完成匹配后即以匿名编号替代，统计分析和论文写作均不披露可识别个人身份的信息。

（二）学生总体表现及不同维度的变化

总体来看，学生总量表均值由4.501分提高至4.744分，平均增加0.243分。配对样本t检验显示，总量表前后差异达到统计显著水平〔t（22）=3.355，p=.003〕；Wilcoxon符号秩检验得到相同方向的结果〔W=32.0，p=.002〕。Cohen's dz=0.700，按常用经验标准属于中等偏大的效应。

23名学生中，19人的总得分提高，1人保持不变，仅3人有所下降。两种统计检验的一致结果、较为明显的效应量以及多数学生共同上升的分布，均表明课程结束后，学生对自身使用和判断AI生成内容方式的评价总体有所提高。

四个维度的平均得分均有所提高，其中批判性思维与风险评估的变化最为突出。该维度均值由4.239分上升至4.685分，平均提高0.446分，效应量达到0.863。配对样本t检验和Wilcoxon检验均显示差异具有统计意义；在实施Holm校正后，这一变化仍然保持显著。由此可见，课程对于学生独立审视AI结论、寻找相反观点和评估法律风险的影响最为明显。

AI认知与判断边界、法律论证与规范表达也呈现较为清楚的上升趋势。其中，法律事实与规范核实维度前测均值已经达到5.261分，较高的初始得分可能压缩了可观察的提升空间。

（三）题项与个体变化所反映的教学效果

具体题项的变化进一步呈现了课程作用的重点。变化幅度最大的是第28题：“在处理复杂的实体法律争议时，我有绝对信心主导‘人机协作’的全流程，而非被算法预设的路径所限制。”该题均值由4.174分上升至4.870分，平均提高0.696分；23名学生中有13人提高，9人保持不变，仅1人下降。选择5分或者6分的学生比例也由47.8%上升至69.6%。这一变化说明，课程所培养的一个方面是学生在人机协作中保持主导权的意识和信心。

第4题同样出现较大变化。该题询问：“只要大模型输出的文本逻辑自洽、行文流畅，我很少会去深究其背后的法理漏洞。”经过反向计分后，均值由3.957分上升至4.609分，平均提高0.652分，其中13名学生得分提高。这表明学生在课程结束后更少将语言流畅和形式上的逻辑自洽等同于法律论证正确，开始更加注意文本背后的规范依据与漏洞。

第20题询问“针对模型涉及的域外法内容，我具备独立溯源至该国官方立法机构网站进行原件校验的能力与习惯”，均值也由4.522分提高至5.174分。该题达到5分或6分的学生比例由60.9%上升至87.0%。这一结果与核实位所要求的原始信源追溯、域外法原文核查具有直接联系，表明相应教学安排不仅强化了学生对核实重要性的认识，也提高了其对自身核实能力的评价。

个体变化同样具有一定的说明意义。以匿名编号的学生F为例，其正式计分总分由前测的125分提高至后测的152分，增加27分，题均分由4.630分提高至5.630分。该生在四个维度上均有提高，其中法律论证与规范表达提高1.667分，批判性思维与风险评估提高1分。

（四）研究结论的解释边界

上述数据为“质证式教学法”的实施效果提供了较为积极的探索性证据。学生的总体得分显著提高，批判性思维与风险评估方面的变化尤其明确。不过，前后测问卷测量的主要是学生对自身认知、行为倾向和能力的评价，而非对其法律核实与论证能力的客观测试。

数理统计能够较为规范地呈现这些自陈评价的变化方向、分布及幅度，但不能据此将主观认知变化直接等同于实际能力提升。尤其是在课程目标和问卷题项方向较为明确的情况下，后测结果还可能受到课程期待效应和社会赞许性偏差的影响。

四、“质证式教学法”的定位与适用

（一）“质证式教学法”的定位

前后测结果表明，“质证式教学法”的影响较为集中地体现于批判性思维和风险评估。这一结果也说明，该方法重点在于改变学生对AI生成结论的接受方式，使其由结论的接收者转为论证过程的审查者。

在此种模式下，AI能够协助学生完成部分重复性、初步性的工作，使学生将更多精力用于审查信息来源、辨析规范依据，并验证支撑结论的理由是否成立。这恰恰是人类识别与判断能力的体现。

同时，此类创新的规则能在一定程度上解决“搭便车”问题，细化角色分工使得每个人的职责边界更清晰，贡献过程变得可视化，增强团队参与的真实性与有效性。

“质证式教学法”不宜取代讲授法、案例教学法等既有方法，而应定位为人工智能条件下的专项判断训练。其有效实施以一定的法律知识和独立检索能力为前提；如果基本的部门法知识和规范识别能力不充分，核实环节就容易演变为利用一种人工智能工具验证另一种人工智能工具，仍然可能无法锻炼自主判断真伪的能力。

硕士生、高年级本科生和法学博士生的专题研讨课具备相对充分的知识基础，更适宜采用这一模式。对于低年级基础课程，则应当以系统讲授和基本规范训练为主，在此基础上逐步引入核实和对抗环节。

第三章的研究结果还提示，应当对质证式教学法的效果作功能化理解。事实与规范核实维度的前测得分已经较高，短期内继续上升的空间有限；批判性思维和风险评估的变化则更加稳定。这表明，质证式教学法更有利于培养学生面对人工智能结论时的审慎程度和独立判断意识，至于事实核实、规范表达等能力，还需要更长期的专业训练。因此，该方法更适合作为有明确指向的判断力训练。

（二）“质证式教学法”的适用要求

1.对教师使用AI和教学能力的要求

其一，教师教学和评价重心的转向。从原来在课堂上对学生成果的验收，转向更为繁复的过程评价，这意味着教师需投入更多精力审阅学生和AI的交互对话记录，准确评估提示逻辑的恰当与否，以及学生识别幻觉的方式和精准程度。这也对教师的时间精力分配提出了较大的考验。

其二，教师自身技术素养的压力。教师需对大语言模型的运行特性、逻辑局限与前沿动态保持必要的了解，尤其是能熟练运用多个前沿的AI产品。若自身对AI运行机制与常见缺陷的认知不足，便难以在课堂上对学生的交互过程作出恰切点评。

其三，对教学实体内容的驾驭与应变能力。前述两点聚焦于“质证式教学法”的程序把控，但教师更需回归知识传授的本源，对每个选题涉及的实体法律问题进行深入讲解。

对此，除了对课堂讨论议题有较充分的知识储备，能够预判AI可能生成的常见观点与谬误之外，教师还要改变课堂备课思路：无需再对“质证式教学法”下已形成共识的基础性知识重复投入备课精力，而应将讲授重心聚焦于分歧所在，以有限的课堂时间实现精讲和纠偏。同时，需在课堂上实时消化学生与AI协作产出的内容，识别各组研讨中的论证亮点和问题，进行即时、有深度的总结点评。

2.对学生适应和执行能力的要求

“质证式教学法”一方面要求学生完成思维转换，学生不能止步于AI提供的确定答案，要对该答案进行审视与质疑。因为要求学生对以往所熟知的学习路径进行较大调整，同时也是对心理惰性、路径依赖的克服，需要在教师的引导下逐步培育。尤其是如果长期习惯于寻找唯一正解，初期往往会对这种思维方式重构的过程感到不适。

另一方面，学生既需依托传统的法学知识体系以甄别“法言法语”、厘清法律关系，又需掌握与AI高效交互的提示词工程技巧。这要求学生掌握跨学科知识，具备较强的适应力。在贸大本门课程的设置安排中，前面已有几次课专门是技术原理导向的授课，学生的确有相对应的积累基础。

五、走向“论证责任本位”的法学课堂

质证式教学法反映出的是未来法学课堂的“论证责任本位”理念：凡是进入课堂讨论的法律判断，提出者都负有说明事实根据、规范依据和推理过程的责任，并应当接受质疑和修正。论证责任本位意味着法学研讨式教学评价重心的调整。法学训练需要更加深入地考察学生如何筛选材料、理解规范，又如何在相互冲突的理由之间作出选择。

在法学教育中落实“论证责任本位”的理念，须嵌入法治人才培养的整体结构，课堂教学的改革可从三个层面展开。

第一，以论证过程为主线重塑课堂组织与评价标准。

教师端的问题设计、课堂讨论推进以及课程作业布置，应当更加重视法律判断的生成过程。问题设置需要保留必要的开放性，课堂讨论则应避免停留于不同结论的简单分类。教师可以通过追问事实根据、规范依据及其推理联系，引导学生回应相反论点，并说明坚持、调整或者放弃原有立场的理由。

课程作业和评价标准也应作出相应调整，在考察结论完整性和表达质量的同时，进一步关注学生如何甄别材料并修正判断，必要时将资料检索、讨论参与和文本修改等过程纳入评价。由此，课堂评价得以减少对最终成果的依赖，更为准确地呈现学生法律论证能力的形成状况。

第二，以论证能力的养成为导向重构教学资源体系。

现有教学资源多以传递既定知识为主要功能，教材、案例和数据库通常呈现已经形成的规范与结论，法律判断所经历的材料取舍、观点权衡则较少进入教学过程。论证责任本位要求教学资源适度保留法律问题的开放结构。案例材料可以呈现事实认定中的疑点与裁判理由之间的分歧，数据库应当便利学生追溯原文，AI教学工具也需要支持资料来源标识、文本版本比较和论证过程留痕。

第三，以协同育人为依托拓展论证训练的实践场域。

法律论证能力难以完全依靠课堂内部的模拟、探讨获得，还需要在真实或高度拟真的法治情境中加深认识。法学院校可以与法治实务部门共同开发实践教学项目，将经过适当处理的案件材料、制度难题和新型法律争议转化为课程任务，由学生在事实尚未完全确定、规范存在解释空间的条件下提出处理方案。

实务人员的参与也应深入问题设计和成果评价，帮助学生理解书面论证与实际决策之间的距离。模拟法庭、法律诊所和专业实习可以据此形成更紧密的衔接：课堂训练提供分析框架，实践项目检验其适用能力，实践中发现的问题再返回课堂讨论。

结语

技术可以不断缩短获取答案的时间，但法学教育的使命恰恰在于抵抗这种效率对思考过程的消解。无论我们采用什么样的具体教学方法，有一点是确定的：人工智能对法学教育模式，尤其是课堂授课及评价的挑战，已是一个无法回避的真问题。

直面这一挑战，探寻重塑法学核心能力的路径，正是技术浪潮一代法学教师必须承担的使命。我要特别感谢这门课程的法学院学生，荣幸与你们共同进行这场略带冒险色彩的教学实验。

点击进入下方小程序

获取专属解决方案~

责任编辑 | 吴晓婧

审核人员 | 张文硕

本文声明 | 本文章仅限学习交流使用，如遇侵权，我们会及时删除。本文章不代表北大法律信息网（北大法宝）和北京北大英华科技有限公司的法律意见或对相关法规/案件/事件等的解读。