吴岩：教育质量标准，将发生革命性变化

在2026年求是医学教育论坛上，教育部原党组成员、副部长吴岩谈到教育数字化带来的变化时提出，未来质量标准将发生革命性的变化，教学质量标准的评判重心由知识储备转向问题解决能力。

2026年世界数字教育大会上，教育部部长怀进鹏提出，要以人工智能改进学生综合素质评价，搭建过程性、多维度的表现性指标，推动评价从以知识分数为主转向以问题解决能力和创新素养为重。

为什么要从知识转能力？

传统课堂普遍沿用教师讲、学生听的授课形式。在教育资源有限、信息获取途径稀缺的年代，这一模式发挥了重要作用。但随着人工智能特别是生成式AI的快速普及，知识获取的门槛被大幅降低，传统课堂以知识讲授为核心的优势正在不断减弱，单向灌输式教学的局限也日益显现。

这种变化首先体现在教师对课堂教学的感受上。麦可思近期面向高校教师开展的“高校教师AI应用现状与影响研究”显示，67%的高校教师认为AI让课堂教学重心发生转变，教学从知识讲授转向能力培养。

但现实情况是，99%的受访教师认为学生使用AI的实际情况与教学预期存在错位。其中，“能力发展错位”最为突出，64%的受访教师观察到，学生使用AI后减少了独立思考和推导，高阶能力有所弱化，与教师希望学生“先思考再使用AI、强化高阶能力”的期待存在明显差距。

与此同时，评价也成为教师面临的突出困境。在认为学生使用AI与教学预期错位的受访教师中，几乎全部感受到由此带来的管理/教学困境。其中评价重构困境最为突出，60%的教师认为相关错位需引入过程性/答辩式评价，但组织实施成本高。

AI时代，需要什么能力？

数据显示，教师认为AI普及后，学生最需强化专业实践与问题解决能力（63%），其次是AI应用与人机协作能力（52%）；认为学生需要强化独立思考与批判性判断能力、创新与综合表达能力的教师分别有33%和21%。

当知识性内容越来越容易通过AI获得，高校课堂的价值也需要重新审视。学生能否发现问题、分析问题、运用知识解决实际问题，以及能否在复杂任务中进行创新、沟通和协作，正在成为人才培养需要关注的内容。

这种能力需求的变化，也正在延伸到就业市场。

与此同时，以大模型为代表的生成式人工智能加速推广，并与制造业、服务业等领域深度融合，对就业市场产生渐进性、持续性、全局性的影响。在这一背景下，新兴岗位不断涌现，应届毕业生就业竞争格局加速重塑；部分传统岗位面临替代风险，各类岗位的职责内涵和能力要求也普遍发生变化。

以本科毕业生就业量较大的典型专业技术类（电气/电子）与服务类（销售）岗位为例，专业技术类岗位不再仅局限于单一技术执行，转而更加看重从业者的底层逻辑构建能力和对复杂问题的快速诊断能力；服务类岗位进一步看重深度沟通能力与理解能力。

用人单位越来越重视毕业生的解决问题能力、创新能力、跨学科思维、批判性思维、沟通协作能力等，对单纯知识储备的依赖逐步在降低。这一变化进一步推动高校突破传统知识传授模式，加快人才培养由知识导向向能力导向转变，帮助学生适应人工智能时代职业发展和能力变迁的新要求。

这些能力，怎么评价？

在人工智能快速发展的背景下，仅仅知道学生“记住了什么”“答对了多少”，越来越难完整反映学习质量。但能力不像知识点那样可以直接通过一道题判断，大学究竟用什么证明学生已经具备了这种能力？

一个可行的思路，是把能力放进真实任务中考察。学生是否能够运用所学知识分析问题、完成任务、解决实际问题，都可以通过任务过程和最终成果呈现出来。近年来，一些高校已经在课程考核中进行了这样的尝试。

例如，长沙理工大学2025年开设的《人工智能基础A、B》课程，把综合作品作为课程考核的重要依据。课程要求学生3人组队，借助深度学习、大模型等技术，结合专业背景完成综合作品。理工科学生需要针对专业工程问题进行方案设计、代码编写，解决实际工程问题；文科学生则可以利用大模型完成文档处理、数据预测、视频、PPT等任务，最终根据作品质量进行评价。

海外高校也在探索如何将这些能力落实到具体评价中。例如美国田纳西理工大学把“批判性思维”和“问题解决能力”拆解成可以观察、可以评分的具体表现。学校开发的批判性思维评价测试（Critical-thinking Assessment Test，CAT）并不主要考查学生能否记住某个知识点，而是把题目放进真实情境中，让学生利用已有知识处理一个并不存在唯一标准答案的问题。测试中的大部分题目采用简答或论述形式，要求学生从复杂信息中筛选有效信息、判断证据是否充分、分析不同解释、提出解决方案，并说明当条件发生变化时，原有方案是否需要调整。

例如，在问题解决类任务中，学生面对的不是“某个知识点是什么”这样的题目，而是一个具有现实约束的问题情境。学生需要先区分哪些信息与问题有关，哪些信息可以排除，再利用相关信息提出解决方案，并进一步解释，如果问题中的条件发生变化，解决方案是否也需要调整。这样一来，教师评价的就不只是学生最后给出的答案，还包括学生如何筛选信息、如何分析和整合信息，以及能否根据新的条件修正判断。

为了让这些能力真正能够被评价，CAT还将评价内容进一步拆解。例如，在“信息评价”方面，考查学生能否区分事实与推断、判断证据能否支持某一结论；在“创意思维”方面，考查学生能否提出对同一信息的不同解释，以及能否根据新的信息调整原有判断；在“学习与问题解决”方面，则考查学生能否区分相关与无关信息、整合信息解决问题，并将新获得的信息应用到实际情境中。

评分方式也相应发生变化。由于这类题目大多没有简单的唯一答案，CAT采用详细的评分指南，并由至少两名评分者分别评分，出现分歧时再由第三名评分者处理，以提高评价的一致性。学校还可以采用课程前测量、课程后测量的方式，对一门课程或多个阶段的学习经历所带来的能力变化进行比较。

AI正在改变知识获取和知识应用的方式，高校人才培养也需要重新审视评价标准。未来，学生掌握了多少知识之外，能否运用知识解决真实问题，能否独立思考、创新实践，也将成为衡量人才培养质量的重要依据。

主要参考文献：

[1] 浙江大学医学院. 浙江大学2026求是医学教育论坛｜携手，让新医科与智慧教育双向奔赴[EB/OL]. 2026-08-15.

[2] 教育部. 怀进鹏在2026世界数字教育大会作主旨演讲[EB/OL]. 2026-05-12.

[3] 长沙理工大学教务处. 关于人工智能基础A、B课程考核的通知[EB/OL]. 2025-12-03.

[4] Tennessee Technological University, Center for Assessment & Improvement of Learning. About the CAT[EB/OL].

[5] 教育部网站、麦可思研究等.

☞ ☞ ☞ ☞ ☞ ☞ ☞ ☞

声明：麦可思研究原创内容全面开放非盈利目的的转载授权，转载请留言或添加编辑微信获得长期白名单授权（电话或微信搜索18602824882）。转载要求——

1.文首注明“转载于麦可思研究”。

2.转载请在文章发布的24小时后进行。