单源官方｜OpenAI实验拆分ChatGPT与批判训练

OpenAI在8月27日发布了一项与博科尼大学研究者合作的学生随机实验。这次增量清楚落在实验设计上：研究者把两类干预拆开测量，一类是给学生ChatGPT访问，另一类是给学生因果推理训练。

实验的设计比结论更值得先看。它覆盖超过1000名博科尼大学大一学生，任务是真实世界商业案例作业。学生被随机分到四组：有ChatGPT访问、接受因果推理训练、两者都有、两者都没有。ChatGPT访问使用的是GPT-4o。

评估也不只看学生自评。OpenAI披露，提交内容由受训人类评分员按5分制rubric评分，并配合文本分析。公告摘录称，有ChatGPT访问的学生在5分制上“almost a full point higher”，中文应写成接近提高1分，而不是长期学习能力提高一档。

因果推理训练带来的变化不体现在同一个分数里。它让学生提出更宽的原创想法，并更会解释方案为什么有效以及何时会失败；但用户给出的任务口径明确要求写清：这项训练没有提高rubric分数。PDF已经可访问，但本文没有逐项复核全部附录回归表，也没有找到独立博科尼页面；长期追踪和更细效应量仍需后续材料确认。

对教师和学校管理者来说，这项实验最直接的启发是评估对象要拆层。成品质量、想法差异性、解释能力和过程证据可能被不同干预影响。把这些东西压成一个总分，会遮住AI工具和思维训练的分工。

实验设计先看分组

这项研究的基本设计比许多教育AI讨论更强。研究者没有依赖学生事后回忆“感觉是否更会思考”，而是在同一类真实商业案例任务中随机分配干预，并让人类评分员用rubric给作品打分。随机化让“谁本来就更强”这个干扰因素降低，真实作业又比抽象问卷更接近课堂场景。

四组设置也很关键。只有ChatGPT访问的组，可以观察工具本身对成品质量的影响。只有因果推理训练的组，可以观察思维框架是否改变想法结构。两者都有的组，则回答一个现实问题：如果学校既允许使用AI，又教学生如何拆解因果关系，结果会不会互补。

分组	干预内容	公告披露的主要变化	证据边界
对照组	无ChatGPT访问，无因果训练	作为比较基线	不代表所有高校学生
ChatGPT组	使用GPT-4o完成商业案例	5分制评分接近提高1分	不能证明长期能力提升
因果训练组	接受因果推理训练	想法差异性和解释能力增强	不应写成rubric分数提高
组合组	同时获得工具和训练	覆盖更高质量和更广想法范围	交互效应需看完整统计表

这个表格也解释了为什么这条新闻值得进深度。学校争论“能不能用AI”时，经常把工具访问、任务设计、评分标准和学习迁移混成一个问题。OpenAI与博科尼这次至少把其中两项拆开了：ChatGPT访问改善产出质量，因果训练影响思路范围和解释方式。

实验任务是商业案例，这一点也要保留。商业案例天然看重问题结构、方案质量、证据解释和可执行性。它适合观察“答案是否更连贯、更接近专家建议”，但它不能代表数学证明、文学写作、编程项目或实验室技能训练。不同学科的学习目标不同，AI工具可能改变的指标也不同。

结果不是单一分数故事

OpenAI公告的标题用了“Better answers, broader thinking”。对应到中文，比较稳妥的翻译是“答案更好，思路更广”。前半句指向ChatGPT访问带来的作业质量提升，后半句指向批判性或因果推理训练带来的想法范围变化。

最硬的数字是接近1分。因为评分量表是5分制，接近一分不是小差异。它说明在这类真实商业案例任务中，让学生使用GPT-4o，确实可能显著改善最终提交物的质量、连贯性和接近专家建议的程度。

但这不是一个可以简单宣传的“AI让学生更会学习”结论。人类评分员看到的是提交物。文本分析看到的是作品中的特征。它们都能说明作业表现变化，却不能自动说明学生在无工具环境下也获得了同等能力。

因果推理训练的结果更有教育含义。它没有提高rubric总分，却让学生提出更广的原创想法，并更能解释解决方案为什么可能有效、在什么条件下会失败。这说明传统rubric可能更偏爱清晰、完整、贴近标准答案的成品，而不是一定能奖励探索范围和反事实解释。

如果只看5分制总分，ChatGPT访问会显得更“有效”。如果把评价拆成原创性、差异性、解释深度和失败条件，因果训练的价值就会显现。教育机构更应该吸收的结论是：评分体系需要区分成品质量和推理质量，不能把“上ChatGPT就能提高成绩”当成完整答案。

证据矩阵与信源边界

本篇主事实来自OpenAI当日官方公告和本次采集到的正文摘录。RSS提供发布时间、标题和摘要锚点；CDP正文采集提供实验设计和关键数字。它们共同确认这是2026年8月27日的新发布。

博科尼大学的参与来自OpenAI公告和PDF。普通检索没有找到可稳定引用的独立博科尼研究公告页；PDF文件已经可访问，但本文没有逐项复核全部附录回归表。因此，正文只使用公告和PDF中可直接核对的样本、分组、模型和评分口径，不展开研究者姓名、回归模型、显著性水平或完整rubric维度。

OpenAI的ChatGPT Edu和Study Mode页面只提供背景。它们能说明OpenAI长期把高校和学习场景作为产品方向，却不能证明这项实验的任何效果。MIT高校AI教学报告和Microsoft Research关于生成式AI与批判性思考的研究也只用于解释教育治理问题，不能替OpenAI实验背书。

这种来源结构决定了本文的置信边界：发布事实和公告中的关键数字为高置信；对高校评估制度的含义属于编辑判断；对长期学习迁移、不同学科适用性和真实课堂推广效果保持开放。

高校评分面临的核心挑战

高校最难处理的问题，是作业到底在测什么，而不只是学生有没有点开ChatGPT。如果目标是让学生交出更接近专家建议的商业分析，工具访问本身就可能明显提高成品。如果目标是训练学生发现因果机制、解释边界条件和提出原创方案，单纯放开工具未必足够。

这项实验把“高质量答案”和“宽思路”放在同一张桌上比较。前者容易被rubric捕捉，因为评分员可以看到结构、论据、结论和表达是否成熟。后者更难被总分捕捉，因为想法差异性和失败条件解释可能分散在文本细节里，不一定被传统作业分数充分奖励。

这会倒逼课程设计变化。教师需要决定哪些环节允许AI参与，哪些环节要求学生留下过程证据。比如，最终报告可以允许使用ChatGPT，但要求学生提交问题框架、备选方案、反事实推理和舍弃方案理由。这样才能判断学生是在整理模型输出，还是在用模型支持自己的分析。

对学生来说，最有用的训练可能不是“提示词技巧”本身。更关键的是知道该把问题拆到什么层次。因果推理训练的价值正在这里：它要求学生说明变量之间的关系、干预为什么会产生结果、方案在什么条件下失效。这些问题比“让答案更漂亮”更接近可迁移能力。

对学校管理者来说，政策也要避免两个极端。完全禁用AI会把真实工作流挡在课堂外；完全放开又可能让学生把短期成品改善误认为能力增长。更可行的路线是明确任务类型：哪些作业考查表达和整合，哪些作业考查思路生成，哪些作业考查无工具情况下的基础能力。

接下来看什么

后续最需要补齐的是更易复核的数据、代码和附录统计表。每组样本数、随机化平衡、rubric细项、评分员一致性、统计显著性和文本分析方法都应能被外部读者复查；否则结论仍主要停留在公告和PDF披露层。

长期追踪同样关键。一个商业案例作业上的高分，和学生在下一个任务中独立迁移能力，是两件不同的事。教育实验如果只测即时作品，很容易高估工具对学习能力的贡献。

课堂政策是否开始改rubric也值得观察。若高校继续用单一成品分数评估学生，ChatGPT访问会自然占优。若rubric把方案多样性、因果解释、失败条件和过程记录拆成明确维度，因果训练的价值才可能被制度看见。

不同学生群体未必受益相同。大一学生、商科案例、GPT-4o、博科尼教学环境共同构成这次实验的边界。基础能力较弱或较强的学生，非商科任务，非英语或多语言课堂，都可能得到不同结果。

教育产品能否把研究结论转成功能，决定这条线索是否继续发酵。OpenAI可以把这项研究用于推广学习模式和高校产品，但有用的功能应该帮助学生解释自己的选择，而不只是把最终报告写得更流畅。