随着 AI 使用增加和伯克利 CS 课程数学能力下降，不及格成绩飙升

原文 ↗ Hacker News 讨论 ↗

标题与引入

  • 几位评论者认为文章标题含糊或有标题党嫌疑，但讨论很快转向实质：AI、作弊、数学能力，以及伯克利及其他地方 CS 课程的招生政策。

AI 使用、作弊与不及格成绩

  • 许多人认为 LLM 降低了在编程和数学作业中作弊的门槛：学生会直接粘贴完整的 GPT 输出，其中包含从未教授过的构造，或写出明显不属于自己的、过于正式的数学解答。
  • 在课堂上进行的无 AI 考试则暴露出差距：那些把作业“外包”出去的学生无法应对，导致 F 级成绩上升。
  • 也有人指出，入门 CS 中的作弊本就很常见（例如被 MOSS 检测出的抄袭），而 LLM 主要只是把一个既有问题放大了。

数学准备与招生标准

  • 一个主要的反假设是：数学准备能力下降早于 LLM，且与加州大学取消标准化考试（SAT/ACT）以及高中数学变化有关。
  • 有人提到，数百名 UC STEM 教员曾联名请愿恢复这些考试，认为即使控制人口统计因素，它们仍最能预测大学 STEM 表现。
  • 也有人质疑时间线：如果考试在 2021 年取消，为什么到 2026 年才出现不及格率的急剧上升，而不是平滑趋势？因果关系被广泛争论，仍不清楚。

学生与专业人士如何使用 LLM

  • 存在两种相互对照的模式：
    • 有益用法：作为讲解器、读代码辅助、调试器或个性化导师；生成练习题；或探索本地教学质量之外的高级主题。
    • 有害用法：让它代做作业，甚至代写邮件，导致理解浅薄，无法应对现场问题求解。
  • 一些专业人士表示自己感觉“变懒了”，或注意到技能退化；另一些则称，在自己已经理解领域的前提下，生产力大幅提升。

感知到的认知与文化影响

  • 许多人担心长期认知退化：对 LLM 思考的依赖，类似 GPS 侵蚀导航能力，但程度要深得多。
  • 也有人认为这只是另一波认知卸载（比如计算器、搜索或社交媒体），但承认这里的规模和深度前所未有。

教学质量与评估重设计

  • 一些人把责任归咎于教授和授课风格（照着幻灯片念、缺乏教学法），另一些人则指出伯克利有专门的教学教员和很强的 CS 教学体系。
  • 提出的应对措施包括：
    • 更多线下、无设备考试，以及高频低风险小测。
    • 颠倒课堂，把内容放到家里学习，把课堂时间用于解题。
    • 明确教授“如何用 AI 学习”与“如何用 AI 绕过学习”之间的区别。
  • 对评分曲线存在分歧：有人认为它们掩盖了问题；也有人认为在考试校准不当时这是必要的。

政策想法与开放问题

  • 建议范围从禁止未成年人使用生成式 AI，到把它作为一种类似“《小淑女插图读本》”风格、但带有约束的导师来拥抱它。
  • 许多人认同：核心挑战是重新设计教育和评估，让 AI 增强真正的学习，而不是取代学习。