开放准备、人类解释与教师综合：AI 丰富高等教育的人类尺度方法
历史与综述
2026-04-13 v1
摘要
在 AI 丰富的高等教育中，精炼的数学书面文档比可信的理解证据更容易生成。本文发展了一种面向服务数学的、以信息学为主要案例的人类尺度方法。其核心策略并非禁止工具，而是重新定位证据信任。学生进行开放式准备，常借助数字工具，但与评分相关的证据转向现场解释、随机提问和对课程目标的累计观察。设计受现实数学教育、以问题为导向的任务构建、短人类尺度数学任务以及教师在学生尝试后的综合指导等多方面影响。该方法贡献了每周操作循环、区分专业、学科和经验主义现实主义的框架、对工具的中间层白盒/黑盒立场、为学生和教师设定的有限范围内基于检索的 AI 助手角色，以及面向小中型班级的累计口头证据模型。本文提供了具体的实现构件：流程图、问题类型生态系统、时间预算估算、证据等级制度以及五级口头评估标准。本文是一篇方法论文，而非有效性研究。其主张是所提出的设计在教育学上连贯、在人类尺度教学情境下可操作，且回应当前关于 AI、口头证据和 undergraduate 数学教育中主动学习的关切。
引用
@article{arxiv.2604.08778,
title = {Open Preparation, Human Explanation, and Instructor Synthesis: A Human-Scale Methodology for AI-Rich Higher Education},
author = {Siniša Miličić},
journal= {arXiv preprint arXiv:2604.08778},
year = {2026}
}