详细内容或原文请订阅后点击阅览
人工智能使用不积极是选择结构性挤压的一个症状
随着大学削减选修模块以平衡收支，麦克·马歇尔 (Mack Marshall) 发现，选择受限是与人工智能使用脱离的最明显关联之一
来源:Wonkhe | 高等教育政策、人物与政治有一些东西在我们的焦点小组记录中反复出现 - 并不总是用这些确切的词，但它几乎是同一件事。
一名学生开始描述一项作业。这个模块，或者它的评估方式，感觉不合适。感觉这与他们来大学的原因无关。然后最后期限临近了。人工智能成为显而易见的解决方案——不是学习，而是克服、应对。
一名网络安全学生在描述有关事件响应的作业时清楚地解释了这一点：
我把作业放到了我最喜欢的法学硕士中。然后我也把标题也放进去了，我问它我应该如何格式化作业，我应该如何写它。我基本上只是问它如何构建它，因为写作结构确实是我的问题。有了这个标题，我想它会帮助我以一种能够获得非常好的成绩的方式进行结构。
他对自己实际所做的事情的总结——将自己的想法并使用人工智能将其转化为符合评分标准的东西——是对在兴趣和评估分离的系统中合理分配努力的恰当描述。
数字显示什么
在今年的《学生的秘密生活》之前，我们着手深入了解现有的人工智能采用统计数据，并提出其他更有趣的问题。学生是否觉得他们真正了解了自己的成果？当他们决定如何在特定工作中使用人工智能时，他们会权衡什么？以及哪些更广泛的因素与（有问题的）人工智能使用相关？我们对人工智能的研究从来都不是关于不当行为和作弊，而是回归目的、实践学习和评估的作用。
当我们查看《Trained to Stop Learning》中的调查数据（来自 52 个提供商的 1,055 名学生，根据性别和学习水平进行加权）时，我们发现智力参与度和人工智能使用之间存在明显的梯度。
但更明显的区别不在于学生是否使用人工智能，而在于如何使用人工智能。