从 CMU 数据库课程看 AI 时代的课程评价：理解、判断与迁移

2026 年秋季，卡内基梅隆大学（CMU）的数据库课程 15-445/645，为不同编程项目规定了 AI 编码代理的使用权限：前两个项目禁止使用，后两个项目允许使用。无论代码由谁生成，学生都必须理解自己提交的内容，能够解释设计、发现问题，并作出合理修改。[1]

围绕这一要求，课程安排了两次调试与推理检查。学生拿到自己提交过的代码片段，注释可能被移除。他们需要解释代码如何工作，也可能面对被引入的细微错误，识别问题、分析后果，并说明怎样修复。[1]

提交之后的程序，成为学生继续分析和解决问题的材料。这为 AI 时代的课程评价提供了一个值得推广的方向：学生可以借助工具完成作品，课程同时要求他能够理解其中的知识，作出有依据的判断，并在问题变化时继续运用这些知识。

围绕学生提交的成果，考查其理解、判断与迁移能力，或许将会成为 AI 时代最重要的课程评价方式。 这种评价向学生提出了一项完整的学习要求：完成一份成果，并能够在此基础上继续工作。

一、成果完成之后，学生还能够做什么

同一份成果的两层意义：判断是否学会，以及练习与 AI 持续工作

一个能够运行的程序，意味着眼前的任务有了结果。继续使用和发展这个程序，还会遇到其他问题：它为什么采用这样的结构？输入发生变化后，它还能正确运行吗？有了新的需求，应该修改哪里？

回答这些问题，需要学生掌握程序背后的知识，也需要他能够阅读、分析和调整已经存在的代码。随着 AI 更多地参与代码生成，学生怎样理解和处理代码，可能会在课程的学习目标中占据更重要的位置。

CMU 将学生对所提交代码的掌握称为 code ownership。要求覆盖全部提交代码，包括获准使用 AI 生成的部分。课程除了纸笔形式的调试与推理检查，还安排与助教面对面的代码推理面谈，每位学生至少参加一次，围绕自己的项目解释、调试或修改代码。[1]

这些要求也进入了成绩结构。项目部分占课程总成绩的 40%，其中成果提交占 30%，两次调试与推理检查占 10%。[2] 学生获得的评价，既与交出的程序有关，也与自己怎样理解和处理程序有关。

类似的方向已经出现在教师的公开讨论中。2026 年 9 月，计算机科学教师协会（CSTA）网站刊登了 Shreyas Rane 的文章，讨论如何让学生解释、测试、调整并说明所交代码的设计理由。他将这些做法称为 verification-based assessment，并把阅读、测试、调试与设计判断视为计算机学科本身的重要工作。[3]

这些任务首先帮助教师判断，学生是否达到了课程的学习目标。相似的成果可能对应不同的掌握程度；通过学生对设计的解释、对问题的分析和实际作出的修改，教师能够进一步了解，他是否理解相关知识，能否将其用于判断和解决问题。

它们也指向一种与 AI 协作的工作方式。借助 AI 形成一个结果之后，人需要读懂它，判断哪些内容可靠、适用于什么条件，再根据新的信息和要求决定下一步怎样做。成果可以继续修改，也可以成为提出新问题、开展下一项工作的基础。这种持续运用知识的能力，或许也会成为课程越来越重要的培养目标。

这两层意义彼此相连：评价帮助教师了解学生是否学会，而基于 AI 参与形成的成果继续工作的能力，本身也可以成为课程希望学生学会的内容。

这样的评价，既检验学生对知识与方法的掌握，也为学生怎样在 AI 参与的工作中持续运用它们提供指引。 如果在布置任务时就说明这些要求，学生在完成成果的过程中，就能有意识地练习理解、判断和继续推进工作。

二、让一份报告成为继续研究的起点

调查报告的后续任务：解释结论、改变条件、提出新问题、继续人机协作

这种评价怎样进入非编程课程，可以从一份调查报告来考虑。

假设一门研究方法课允许学生借助 AI 整理资料、分析数据和撰写报告。一名学生完成了校园阅读调查，报告根据问卷结果，认为本校学生对电子阅读的接受程度较高。

围绕这份报告，教师可以请学生说明：哪些数据支持这一结论？问卷记录的是阅读频率、使用习惯，还是阅读偏好？这些不同的指标，分别能够回答什么问题？

这里需要学生运用的是研究方法。他要把概念、测量与结论联系起来，说明自己怎样从问卷回答走到了对校园阅读状况的判断。

随后，教师可以提出一个变化：如果问卷主要通过电子阅读兴趣社群发放，原来的结论应该怎样调整？

学生需要判断样本能够代表谁，指出哪些推断受到影响，修改结论的适用范围。如果继续开展调查，还需要说明怎样补充样本，以及新的抽样安排能够解决什么问题。

这个任务中的“修改”，要求学生实际处理研究问题。说出“样本有偏差”只是开始，他还要知道偏差影响了什么，并让修改后的报告与证据相称。

研究也可以沿着新的问题向前推进。例如，接下来想了解电子阅读的使用频率与阅读投入之间有什么关系，原来的问卷是否足够？哪些数据可以继续使用？还需要怎样界定和观察“阅读投入”？

学生可以提出自己的后续问题，说明这个问题为什么值得追问，并设计下一步需要收集的证据。教师据此评价他是否能够形成可研究的问题，选择合适的方法，以及辨认现有材料能够支持什么。

这些回应为教师提供了评价学生是否掌握研究方法的依据：概念与指标是否对应，推断有没有超出证据，修改是否回应了问题，后续方案能否获得所需的信息。学生可以提出不同的方案，但需要交代各自的理由。

后续研究同样可以安排人机协作。学生借助 AI 整理已有文献、提出问卷草案，再判断哪些材料与研究问题有关，哪些题目能够获得所需的信息。新的调查结果出现后，他还要决定怎样解释，以及是否需要修订原来的判断。

学生由此练习的是一个可以持续展开的工作过程：理解已有成果，提出下一步问题，选择方法，再根据新的结果调整判断。AI 可以参与其中的多个环节，学生则需要运用研究方法，把这些环节连成有依据的研究。一份报告也就成为了继续工作的起点。

这套安排可以在布置调查作业时就说明。学生在使用 AI 分析数据、组织文字的过程中，也就需要持续思考这些问题。他学习的范围，从完成报告延伸到了理解研究、审视结论和推进研究。

三、把知识带到变化后的问题中

不同课程可以围绕自己的学习目标，设计这种成果之后的任务。

在写作课中，学生提交文章后，教师可以提供一份与核心论点有关的新材料，请他判断新材料与原有证据的关系。有的材料会削弱原来的论点，有的只影响其中一个限定条件，还有的能帮助论证变得更充分。学生需要决定怎样使用它，并实际修订相应段落。

这一过程让评价进入了写作中的判断：作者是否理解自己的主张需要什么支持，能否辨认不同证据的作用，以及怎样调整论证。文章已经写完，思考仍然可以继续。

在设计课中，可以改变作品的一项使用条件。例如，原先面向熟练使用者的界面，现在需要服务首次接触它的人。学生要分析哪些设计决策受到影响，选择一处修改，并解释新的方案怎样回应使用者的需要。

这样的任务要求学生理解已有设计，也要求他能够在新的情境中作出选择。教师可以评价问题分析、修改依据和方案效果，而不是只听取一段事先准备好的作品介绍。

这些做法有一个共同结构：以学生完成的成果为起点，选择其中与学习目标有关的知识和判断，再通过解释、变化或延伸任务，让学生继续运用它们。

任务可以由教师提出，也可以让学生提出值得检验的假设、需要改进的地方或新的应用方向，并说明依据。课程仍然需要明确评价标准，同时为不同的推理和方案保留空间。

无论是修订论证还是调整设计，学生都需要把学科知识用于新的判断。任务中的表现既能帮助教师了解学生对知识的掌握，也让学生练习怎样接着已有成果继续工作。

四、评价如何成为学习的指引

如果把这类任务纳入课程，作业的设计也会随之改变。

教师可以把成果要求、AI 使用范围和后续任务一起说明：一项作业最终要交出什么，哪些环节可以使用工具，学生需要能够解释哪些关键判断，以及怎样回应条件的变化。学生据此了解整项作业，也能在使用工具时留意自己需要掌握的知识。

例如，研究方法课可以在布置调查时就明确：学生需要说明关键指标怎样测量研究对象，判断结论的适用范围，并在调查条件变化后修订方案。这些内容可以进入课堂练习和阶段性反馈，再进入正式评价。

学习目标也决定了怎样安排后续任务。考查推理，需要给学生分析的时间；考查修改，需要让他实际完成修改；考查研究设计，则需要看他提出的问题与证据方案是否相称。纸笔、面谈、现场操作或分阶段修订，都可以成为合适的形式。

独立完成的环节能够帮助教师了解学生本人的掌握程度；在使用工具的任务中，学生对选择依据的说明、对工具输出的判断，也可以成为评价内容。课程可以根据所测能力规定工具权限，让人机协作与个人知识的运用都有明确的位置。

教师不必一次重做全部作业。可以从一份报告、一个设计或一个程序中选取承载核心学习目标的部分，安排一次有针对性的解释、修改或延伸任务，再逐步积累适合本课程的做法。

如果这类任务成为课程的常规安排，学生从接到作业时就会知道，获得一份完成度很高的作品之后，还有哪些工作值得继续。这些后续工作也就有了进入课堂练习、反馈和正式评价的位置。

我认为，未来课程评价的重要变化，或许就在于同时关注成果的质量，以及学生理解、判断和继续发展成果的能力。教师由此判断学生是否学会，学生也由此练习怎样以一份成果为起点，继续与 AI 协作、运用知识和推进工作。

参考资料

AI 贡献声明

作者确定文章选题、核心认识、判断语气与修改方向；AI 参与资料核对、结构整理、文字改写和配图生成。