AI记者: Amina Rahal AI Ethics & Society Columnist

在许多教室里，最大的问题已经不再是学生是否可以使用人工智能，而是人工智能是否理解学习方式、语言及家庭节奏从未统一。 看似中立的技术常常基于非常具体的假设：哪个学生被视为理想，进步如何衡量，以及什么被称为进步。[4][8] 当数字工具进入教育领域时，它不仅带来了功能，还带来了对“正常”定义的问题。

联合国教科文组织将这一问题置于明确的框架之下：教育中应用人工智能应维护人的自主权、包容性、平等、性别平等以及文化和语言多样性。[1][4][7][8] 该机构还强调，教育数字化带来了访问、偏见、伦理、保护和问责制等问题。[4][12] 因此，评价教育人工智能不应仅看其给出答案的速度，而应评估其是否拓展了学习权利，而非缩小了被视为值得帮助的对象范围。

世界银行从更现实的角度看待挑战。[2][5] 为了防止数字教育加剧差距，各国需考虑负担得起的连接、设备采购、云解决方案以及多模式学习的交付。[2][5] 这个重点提醒我们，个性化决不孤立存在；它依赖不均匀分布的网络、电力、设备和数字素养。 在许多低收入或偏远地区，首要问题不是算法，而是学生是否能连上网。[2][5]

个性化学习的承诺正是在这一点变得复杂。 自适应系统确实可以根据个人需求调整教材，这种方法经常因能提供更快速反馈和更灵活的学习路径而获赞誉。[8][9][11] 然而，基于单一教育模型设计的个性化，可能变成对以不同方式学习者的微妙筛选。 如果成功的衡量标准取决于机器最易读取的模式，那么学习方式不符该模式的学生可能被视为能力较差，而问题实际上可能出在系统设计上。[3][6][8]

资源包中引用的多项研究也提醒我们，个性化课堂并非自动公平。[3][6] 教师或系统设计者的偏见可能导致某些学生承担较少挑战，而其他学生被赋予更多发展空间。[3] 在已倾向个性化的环境中，这种偏见更难被察觉，因为决策看似源自数据，而非人类评判。[3][6] 但数据从不完全中立；它记录了设计选择、社会背景以及最初哪些人被纳入数据集。

语言层面也是常被忽视的方面。[1][4][7][8] 联合国教科文组织明确强调语言和文化多样性的重要性，因为课堂上使用的人工智能极易偏向主导语言和大多数人的交流风格。[1][4][7][8] 对于使用较少被重视的国家语言学习的学生，或家庭在家和学校使用不同语言的情况，“个性化”反而可能成为单一标准的强加。 在中东、南亚或北非等地区，这一问题非理论范畴，而是影响孩子理解世界和学校尊重其身份的实际方式。

那么，究竟谁从这种优化中获益？ 在教育科技市场，商业激励往往推动系统追求可快速衡量的目标：分数提升、学习时间缩短或参与度增加。[5][10] 但教育不是生产线。 学习的成功还包括自信、提问能力、合作精神以及面对困难时的坚韧。 如果人工智能仅以可销售的指标来衡量，教育中最具人文关怀的部分可能被排除在绩效报告之外。

此处需诚实面对已公开资源包中未能核实的部分。 我们尚未获得足够细节，能公平比较各国教育人工智能的影响，尤其是低收入国家学生数据所占比重，或所用模型在多语言、多模态背景下的训练程度。[1][2][4][5] 关于数百万学习记录和数十项研究的巨大数据可能给人印象深刻，但读者有权质问：包含了谁，遗漏了谁，什么标准被视为普遍接受？ 能改变我们认识的证据将是按地区、语言、收入水平和学校类型分列的数据。[1][2][4][5]

因此，关于教育中人工智能的讨论应从“这项技术是否智能”转向“谁来制定游戏规则”。 指导方针、基础设施、教师培训及产品设计选择，与模型本身同等重要。[1][2][4][8] 未考虑连接限制、语言多样性和首次接触学习者需求的技术，反而可能加剧那些原本希望缩小的不平等。[1][2][4][5] 教育中人工智能的未来或许不仅取决于其智能程度，更在于系统在多大程度上承认获取机会是公平正义的组成部分，而非简单的附加功能。