EdTech 全球风向标

jiaojianli.com

EdTech 全球风向标

2026年11月21日 · 第 32 期 · 全球教育技术与 AI 教育应用每日精选
今日主线:欧盟把”AI 能力”从工具技能改写成判断力,而三项新研究同时指向同一个结论——
无论制度还是模型,真正稀缺的不是”会答”,而是”知道什么时候不该答”。

全球政策

欧盟教育部长理事会通过 AI 能力结论:不设必修课,先把”何时不该用”写进能力定义

11 月 19 日,欧盟教育、青年、文化与体育(EYCS)理事会在布鲁塞尔通过《与人工智能互动的技能与能力》结论(Council Conclusions on Skills and Competences to Engage with Artificial Intelligence),同期通过《STEM 教育与培训》结论。会议由爱尔兰轮值主席国主持,会后由爱尔兰教育与青年部长 Hildegarde Naughton、继续与高等教育、研究、创新及科学部长 James Lawless 共同发布。文件属政治指引性质,供成员国在国别政策与相互合作中参照,不设欧盟层面新的必修课,本身也不产生约束性立法;《人工智能法案》等其他义务仍按各自条件适用。

  • 能力界定:AI 能力不等于”会写提示词”,包含理解算法与数据、识别系统局限、核验生成内容、评估技术的社会与环境影响,并明确包含”判断何时不应使用 AI”。
  • 基础技能优先:读写、数学与科学仍是发展数字与 AI 能力的前提;技术应支持学习,而非替代知识的获得。
  • 教师:职前培养与持续专业发展均须覆盖 AI 素养,目标不是熟悉工具,而是能判断某系统是否真的改善某项教学活动、是否适龄、结果是否可核验;鼓励同伴学习网络与实践共同体。
  • 评价:要求各级教育重审评价方式,包括明确 AI 使用与披露规则、考察学习过程、采用能证明个体理解的形式;机构须就学术诚信、抄袭、版权、透明度、人类监督、隐私与安全制定政策。
  • 风险清单:过度依赖、认知卸载、错误信息、算法歧视、学习损失;同时承认个性化学习、教师支持与材料适配等机会,主张决策保持”以人为本”。
  • 纵向延伸:鼓励高校与职业教育更新课程、开设短期课程与微证书;请欧盟委员会把 AI 素养框架从中小学延伸到其他教育阶段,强化数据收集与政策交流。

文件援引 2026 年 6 月欧盟委员会与 OECD 发布的共同 AI 素养框架(含 19 项中小学 AI 能力)作为成员国修订课程的参照。欧盟委员会正筹备”AI 素养证书”,计划于 2027/28 学年试点。欧盟委员会执行副主席 Roxana Mînzatu 在会上表示:”我们越多地部署技术,就越需要人性。”

https://www.eubusiness.com/education/eu-calls-on-states-to-equip-citizens-for-the-age-of-ai
https://2eu.brussels/en/news/eu-council-calls-for-ai-ready-education-teacher-training-and-lifelong-reskilling

学术研究

400 人预注册实验:苏格拉底式追问胜过”个性化解释”,练习对齐题上高 0.24 个标准差

11 月 15 日,Michael W. Asher 等人在 arXiv 提交预注册在线实验(arXiv:2611.20061)。400 名 Prolific 成年被试练习”列约束方程”,每次作答后被随机分配到四种反馈之一:直接给正确答案、通用解释、针对其具体错误生成的大模型个性化解释、苏格拉底式辅导(不公布答案、用追问把学生带回正确方程)。前三组各约 100 人,苏格拉底组 99 人。

结果分三块。其一,苏格拉底组在 206 次错误中解决了 131 次(64%),练习对齐的后测题得分比解释组高 0.24 个标准差(约 9 个百分点,p=.048),这推翻了作者”无差异”的预注册假设。其二,”个性化”没有产生增量:针对个人错误定制的解释,在任何一项成绩指标上都不优于通用解释;而两种解释也都没有稳定优于”直接看正确答案”。其三,收益不外溢:前测对齐题从 15% 升到 64%,四组完全一致;挑战题上无组间差异。效应只出现在”练过的那类题”上。

有意思的是主观体验与时间成本的方向相反。苏格拉底组平均耗时 13.3 分钟,其他组 6.8–7.3 分钟,接近两倍;但兴趣更高、挫败感与”感知成本”各降约 0.38 个标准差。在苏格拉底组内部,每多解决一个错误,练习对齐表现就高 0.41 个标准差。实现上使用 Gemini 3.5 Flash 默认设置,单条消息约 800 输入、900 输出 token,约 1 美分,人均 12 美分;对话上限为 6 轮未果即公布答案、最多 8 轮或 1 万字符,全程无人工介入。

学者点评:这项研究最有价值的地方,不是”苏格拉底式更好”,而是它把”解释”从教学的核心位置上请了下来。我们花了很多力气让模型更懂学生的错——把错误诊断得更准、解释写得更贴身——数据说这条路几乎没有回报。真正起作用的变量是”错误有没有被闭合”:学生有没有在对话里亲手把方程改对。这也解释了为什么收益不外溢——它训练的是把一类题做完的能力,不是解题的通法。对产品团队的含义很直接:把评测指标从”解释质量”换成”错误闭合率”,把交互预算从”讲得更清楚”挪到”多给一次重试”。需要提醒的是,被试是成年人、任务结构良好、时长 20 分钟上下,把它外推到一学期的课堂仍要打折扣;而 0.24 个标准差与 Khanmigo 两年 0.06–0.08 的课堂效应之间的落差,恰恰说明”实验室里有效的对话”要变成”课堂里有效的习惯”,中间还隔着一层教学设计。

https://arxiv.org/abs/2611.20061

学术研究

37 位教师、17 个学科、75 道”防 AI 题”:最强模型仍答对 83%

11 月 16 日,Bonam Mingole、S. Shyam Sundar、Amulya Yadav 等人在 arXiv 提交研究(arXiv:2611.21476),直接把”AI-proof”当成一个可检验的假设。团队向 10 所美国高校与 1 所英国高校的 37 位教师征集 75 道真实课程评价题,覆盖 17 个学科;其中 61 道由教师刻意设计为”抗大模型”,另 14 道取自在线课程作为对照。随后用三个当时最强的模型在有、无补充课程材料两种条件下作答。

核心数字:表现最好的模型在无补充材料时答对约 83%,给了课程材料后升到 85%。研究同时用主题分析归纳出教师让题目”变难”的五类策略,并逐一检验其实际效果;结果显示模型之间、答案形式之间、以及不同”加难”策略之间存在显著差异。作者据此讨论了对评价设计、学术诚信政策与教育场景部署伦理的含义。

学者点评:83% 这个数字真正的杀伤力,不在”AI 又赢了”,而在它把”防”这个动作的成本结构暴露了出来:教师投入大量专业判断去改造题目,换来的只是两三个百分点的下降。这说明”AI-proofing”作为一种个体防御策略,边际收益极低——你面对的不是一个会背题库的考生,而是一个能读题、能推理、还能看你给了什么材料的读者。更值得追的问题是那”五类策略”为什么效果不一:如果提高难度靠的是增加推理链长度,模型恰好擅长;如果靠的是本地情境、未公开的课堂约定、对某次讨论的引用,模型就无从下手。也就是说,真正有效的不是”更难”,而是”更具体、更属于这个班”。这对评价改革的启示是:把命题重心从”能不能答对”转向”能不能说明白自己怎么想到的”,并接受一个事实——只要作业可以带回家,纸面证据就不再是有效证据。

https://arxiv.org/abs/2611.21476

学术研究

EGS:给教育大模型加一层运行时护栏,把”该拒绝的”改写成”该引导的”

11 月 17 日,Zexuan Fei 等 7 位作者在 arXiv 提交《EGS: A Complementary Safety Framework for Educational LLMs》(arXiv:2611.22203)。论文的出发点是一个常被忽略的错配:面向青少年的教育模型,其风险大量出现在”含糊”与”出于好奇”的提问里,而当前对齐主要依赖二元的”答/拒”。作者主张教育安全应超越二元拒答,转向情境化引导。

EGS(Educational Guardrail System)是一个轻量、模型无关的运行时框架,分三层:查询审核,按风险等级对输入分流;情境感知的教学引导,对灰区提问不作阻断,而是给出分类别的教育性干预;输出审核,在交付前复核生成内容。实验在通用基准与教育专门基准上进行,结果显示该框架在多种模型上同时改善了审核表现、拒答质量与越狱鲁棒性,并保留了教学所需的有用性。作者称代码与模型权重将公开。

学者点评:这篇论文抓住了一个我们常在评审会上争论、却少有实证的问题:把”拒答率”当安全指标,会系统性惩罚好的教学行为。学生问”人为什么会死”,拒答是安全的,也是失职的。EGS 的思路是把安全从”权重里的偏好”搬到”运行时的一层流程”——这带来两个好处:可以按学段、学科、场景配置,也可以留下审计记录;代价是责任随之外移,部署方成了护栏的配置者,配置错了就是部署方的错。我会追问两点:一是”分类别的教育性干预”这套分类学从何而来、由谁验证——如果它只是作者的经验归纳,那它本身就是一个待检验的假设;二是三层串联后的延迟与成本,在一节课四十个学生同时提问的场景里能不能撑住。护栏做得越细,越需要一张公开的、可被同行推翻的效果表。

https://arxiv.org/abs/2611.22203

企业研发

微软把 AI 助教挂进作业里:教师先定”允许用到哪一步”,学生一键进入 Study and Learn

微软在 Microsoft 365 教育博客公布新能力:教师可在 Teams 作业或通过 Microsoft 365 LTI 在 LMS 中,直接从作业里指派 Study and Learn 或 Copilot。教师在常规作业中加入说明、学习目标与资源后,设置”学生 AI 准则”——允许使用、仅限编辑或头脑风暴、或禁止使用 AI——并可自定义准则的标题与描述以匹配本校政策;可为一门课设默认值,也可按单次作业覆盖。选择”禁止使用”时,学生在该作业上看不到启动智能体的入口。官方说明该准则的作用是让期望”可见”,技术上并不阻止学生在作业之外使用 AI。发布前可用 Student preview 预览,并点 Try it out 自己试一遍。

学生点开 Study and Learn 后,作业标题、说明与受支持的文件会自动进入对话,学生不必再把题目重述一遍。智能体据此给出起点建议,并就每一部分所需概念进行辅导:提问、给提示、对学生尝试给反馈;引用作业资源时会标注来源,便于学生回到课程材料。对话保持”辅导模式”,并记录已完成与待处理的部分。此前的学习功能延续:可把对话转成练习测验、抽认卡、配对或填空,再针对错处继续辅导。使用条件为 13 岁以上、具备 Microsoft 365 教育版 A1/A3/A5 许可并启用 Copilot Chat,13–17 岁需 IT 管理员开启;目前在 Web 与 Windows 桌面端可用;测验类作业与 Learning Accelerator 作业不支持该指派。

研发者推介:这次更新解决的是一个很小的界面问题,但它决定了 AI 进课堂的性质。过去教师的 AI 政策写在教学大纲里,学生打开的是一个空白聊天框;现在政策写在作业上,学生打开的是一段已经知道”老师要你做什么”的对话。我们刻意做了两个取舍:一是把”禁止”做成”看不见入口”,而不是弹一个警告——规则应该在开始之前生效,而不是在事后拦人;二是 Copilot 不自动注入作业上下文,只有 Study and Learn 会。因为通用助手一旦拿到全量上下文,就会忍不住替学生把活干完。至于那句”技术上不阻止作业之外的使用”,我们选择写在文档里而不是含糊过去:一个诚实的边界,比一个假装严密的边界更有用。

https://techcommunity.microsoft.com/blog/EducationBlog/assign-study-and-learn-or-copilot-from-assignments/4572691

企业研发

北大全校师生免费用 Qoder:AI 编程智能体开始按”算力配额”进校园

据新华社 11 月 19 日报道,北京大学与阿里云合作,面向全校师生免费提供智能体服务:学生安装 Qoder 编程智能体后登录即可使用,每个授权账号每月获得一定算力额度,用完可再次申请。报道记录的课堂场景是,北大智能学院博士生李鸿泽在 Qoder 中输入”请帮我设计一套地表分类算法并给出流程图”,模型随即查询资料、进行分析并给出完整流程图。他的对比是:过去用大模型要多步操作、手动拼接,现在通过智能体可直接调用多种模型,检索文献、生成文件、修改文档、下载邮件可以一次完成,且不必担心成本。

这不是孤例。报道称今年秋季学期以来,北京多所高校以”发 Token、发算力券、开算力账户”的方式为师生提供免费算力:清华大学近期联合企业启动”清华专属算力券 2.0″,未来三年为全体在校师生提供总计 3000 万元算力支持,每年释放 1000 万元额度,开放 Token、容器云、GPU 集群、大模型推理等全栈资源;北京邮电大学为约 1 万名本科与研究生新生开通免费 AI 算力账户。

研发者推介:把编程智能体免费给一所大学,听起来是市场动作,工程上其实是一道预算题。一次真实任务要读仓库、查文献、跑命令、改文件、再自测,动辄几十步工具调用、几十万 token 上下文——这跟”每人每天聊几句”完全不是一个成本结构。所以我们给的是”配额”而不是”无限”:配额让学生学会规划任务,也让学校能把账算清。产品上真正难的不是生成代码,是让一个入口同时接住”写算法”和”下邮件附件”这两种跨度极大的意图,还要在每一步留下可回溯的痕迹。至于为什么先在高校落地:这里的使用者是未来的开发者,他们对”智能体能做多少、会在哪里骗你”的判断,会决定这项技术五年后的形状。

https://www.ce.cn/xwzx/kj/202611/t20261120_3300290.shtml

企业研发

FEV Tutor 团队推出 TutorCloud:用”持续评估”替代阶段性测验,只在看见理解时才放行

11 月 16 日,TutorCloud 在美发布,面向 K-12 学校与家庭。团队来自高剂量在线辅导服务商 FEV Tutor,长期与学区合作做一对一与小组辅导。产品的核心是一套”持续评估与持续学习”(CECL)系统:在学生做题的过程中持续寻找理解的证据,而不是等到预设的测验节点;学生、教师、管理者与家长各有一个角色的进展视图。

教学法上采用苏格拉底式提问,学生须自行推理出答案,只有表现出真正理解才进入下一个主题。流程被拆成四步:Guide(讲解、练习与引导,给路径而非可抄的答案)、Check(CECL 在工作过程中取证,即时反馈给教师)、Adapt(按学生节奏调整路径)、Connect(把”卡在哪里”送达能帮上的人)。同一套进展数据支撑教师端工作台 iTEMA,用于备课、生成练习纸与测验、查找与州标准对齐的资源,并提供课中实时支持与教师共享社区的入口。访问按角色分级;产品对齐州标准,通过 SOC 2 Type II、ISO 27001 认证,符合 COPPA、FERPA,具备 1EdTech 认证,并已接入 Clever 与 ClassLink。

研发者推介:做 AI 辅导最容易偷懒的地方,是把”评估”做成对话结束时的一句总结。我们把它挪到了过程中间——每一个动作都可能是理解的证据,也可能是模仿的证据,区别在于学生能不能在换一个问法之后仍然走得通。这件事在工程上意味着大量”低置信度”的判断,所以我们给产品定了一条纪律:系统只负责把模式指出来,”这个模式意味着什么、接下来做什么”留给教师。这也是我们坚持做 iTEMA 的原因——如果 AI 只给学生反馈而不改变教师第二天要上的那节课,它就只是个更贵的练习册。我们也不假装能替代人:信任与家长的引导无法自动化,能自动化的只是”让帮的人更快看到该帮谁”。

https://ewa.org/members-news/press-releases/tutorcloud-launches-ai-tutor-built-by-educators

平台数据

腾讯披露:WorkBuddy 教育公益版覆盖约 66 万教师,轻量模型承担七成以上 Token

11 月 20 日,腾讯 SSV(可持续社会价值事业部)披露 WorkBuddy 教育公益版上线一个月的数据:自 10 月 19 日上线以来累计覆盖用户约 66 万人;混元系列模型承担该版本 76.3% 的 Token 消耗,为主力模型;11 月 16 日上线的混元 Hy4 flash,三天内 Token 调用量达到首日的 3.64 倍。产品依托企业版技术底座,针对备课、课件制作、学情分析、家校沟通等教研场景优化,并配套”教师积分普惠计划”——面向全国 K-12 教师提供 12 个月、每月 2000 积分的免费额度,经”腾讯WorkBuddy”微信公众号申请,3 个工作日内开通。

报道把这组数据放进了一个更大的行业转向里:2026 年以来,教育 AI 的重心从学生端伴学与学习硬件,转向面向教师备课教研的工具,科大讯飞、好未来与多家互联网厂商相继推出教师智能体产品。此前该产品已在山东莱州等地实现区域全域部署,为当地 6000 多名中小学教师配备 AI 助教。数据也印证了”高低搭配”的落地方式:教案润色、素材生成、常规习题整理等高频标准化任务交给轻量高速模型,课题研究、长文本学情研判再调旗舰模型。报道同时指出约束条件:教育场景对内容准确性、学生信息安全与内容适龄性要求严格,AI 产出须由教师审核;教师群体付费意愿偏弱,普惠免费能快速拉起规模,但黏性与可持续商业模式仍是共同考题。

事件:教育公益版上线一个月覆盖约 66 万教师,混元承担 76.3% Token,新上的轻量模型三天调用量涨至首日 3.64 倍。
值得关注的原因:这是国内少见的、把”教师端 AI”真实用量拆到模型粒度公开的数据。它说明教师场景的负载结构与学生端完全不同——不是长对话,而是大量短、碎、要求快的高频任务;也说明”免费 + 配额”已经成为这一赛道拉新的标准配置,接下来要回答的是留存。

https://huacheng.gz-cmc.com/pages/2026/11/20/13b0c5684b1145f4ba563cc4d9a599ab.html

基础设施

斯坦福上线校级 MCP 网关:一个连接器,把 Google、Slack、Jira、Tableau 接进校园版 Claude 与 ChatGPT

斯坦福大学 IT(UIT)在 11 月平台更新中宣布,斯坦福 Model Context Protocol(MCP)网关正式上线。师生用一个”Stanford University MCP Gateway”连接器,即可把校内常用应用接入 Claude for Education 与 ChatGPT Edu;首批支持 Google、Slack、Airtable、Jira、Tableau,后续继续扩充。此前每接一个系统要单独配置一次授权与权限,现在收敛为一个入口。

同月更新还包括:Claude for Education 已把 Claude Chat、Claude Code 与 Claude Cowork 打包进教学、学习、研究与行政场景,Premium 账户可用 Claude Fable 5.2,并启用 Claude Motion(由内容生成动画讲解)与 Claude Dashboards(可视化数据看板);ChatGPT Edu 加入 Codex 与 Images 2.6;Gemini Enterprise 上线 Gemini 4 Carbon(复杂推理与技术工作)与 4 Hydrogen(日常编码、数据分析的快速档),以及 Gemini Omni 1.2 Flash 视频生成;AI API 网关新增 DeepSeek V4.1 Flash 等模型。另有一项硬性安排:用 stanford.edu 邮箱注册的个人 Claude 账户须在 12 月 31 日前迁移到校方账户,否则 2027 年 1 月 1 日起停用,未迁移的对话、项目、连接器与记忆将无法访问。

事件:斯坦福把 MCP 做成校级网关,用单一连接器打通校内应用与两家商用助手,并同步把 Claude Code、Codex 纳入校园许可范围。
值得关注的原因:当”智能体能调用什么”变成学校统一配置的基础设施,治理的抓手也就随之出现——一个连接器意味着一份权限清单、一处审计日志、一次统一撤权。这比逐院系逐工具地签合同要可控得多,也可能成为高校采购 AI 的新模板。

https://uit.stanford.edu/news/stanford-ai-tools-november-2026-platform-updates

国家部署

卡塔尔发布国家级 AI 学习助手:4–12 年级、六门国家课程,教师端配学情看板

11 月 19 日,卡塔尔通信与信息技术部(MCIT)联合教育与高等教育部发布面向 4–12 年级学生的 AI 学习工具”Smart Assistant”。发布会在多哈四季酒店举行,与卡塔尔承办 2026 年国际电信联盟全权代表大会同期。工具围绕卡塔尔国家课程构建,覆盖六门核心科目,以交互式对话与定向提问引导学生理解内容,并把学生指向教材中的相关页码;课内与课外均可使用,官方称此举延长了自主学习时间,也为家庭提供了额外学业支持。

教师端配套提供备课工具、作业准备功能,以及显示个体与班级进展的看板;官方将其定位为减轻行政负担、并让教师更精确地看到学生卡在哪里。同场还发布了面向卡塔尔大学学生的”Academic Advisor Assistant”,用于课程选择与学业要求导航。适用范围上,Smart Assistant 主要服务公立学校及采用国家课程的私立学校;开设英式、美式等课程的国际学校不强制使用,现有课程与督导义务不变。发布时未披露全面铺开的时间表、成本与预期用户规模,官方称将依据教师与学生反馈迭代。

事件:卡塔尔以国家课程为底、由两个部委联合发布覆盖 4–12 年级的 AI 学习助手,并把教师备课与学情看板作为同一套产品交付。
值得关注的原因:“指向教材第几页”看似朴素,却是最实在的接地策略——它把生成内容锚定在可核查的官方材料上,绕开了纯生成式辅导最容易被质疑的幻觉问题。而由国家统一供给、以国家课程为边界的做法,也提示了另一条路径:不是让学校各自去市场上挑工具,而是把工具做成公共基础设施的一部分。

https://britishschoolsasia.com/news/2026-11-19-qatar-smart-assistant-ai-schools-2026

本期共收录 10 条动态:全球政策 1 条 · 学术研究 3 条 · 企业研发 3 条 · 平台与基础设施 3 条
内容整理自公开来源,链接均为原始出处