AI 辅助教学的学生数据与归因风险
这条风险覆盖什么
把对话式生成式 AI 用于教师备课、出题、写评语、整理复习资料或做初步学情分析时，存在三组典型风险：
- 学生数据与隐私：涉及姓名、成绩、家庭信息或学生作品、照片、答题数据等敏感信息被上传到公共模型或公开对话。
- 学情归因：模型把成绩相关性写成学生退步原因并被采纳进课堂决策，或将学生困难错误归因到家庭、学习习惯、智力等因素。
- 教师判断替代：教师在没有明确教学目标的情况下，用模型输出替代自己的判断，把模糊输入的低质量结果直接下发给学生。
来源边界提示：以上三类风险为通用结构。SRC-LEARN-003 主要覆盖"学生数据上传""学情归因""教师判断替代"三组；SRC-LEARN-004 在此基础上补充了"图像科学性失真""实验数据脱敏""算法偏见"等表现形态。两份来源对同一风险现象的描述角度不同，合并时按主题归类、不做合成式结论。
风险点
学生数据上传
- 含姓名、学号、成绩、健康或家庭信息的学生数据上传公共模型前应先做去识别化，按学校制度与所用服务当前的隐私条款复核。
- 不应公开含学生信息的对话日志或截图。
- 涉及全班或全年级的大批量成绩数据上传前应评估数据量、可识别度与学校合规流程。
- 学生作品、照片、答题记录等敏感信息在上传前应获得相应授权（学校或监护人）。
- 用真实学生实验数据训练或微调模型存在二次泄露风险，应避免或显式审批。
学情归因
- 模型仅凭分数自动认定"退步原因"是不可接受的：分数变化必须回到答卷、作业、出勤和师生沟通记录核对。
- 模型输出中的"可能是因为""建议家长关注"等推断语气必须保留，并显式标注需要人工核查。
- 把"模型相关性结论"当作"教师归因结论"使用，可能放大或缩小对某一学生的干预强度，造成不公平的评价。
- 对模型给出的归因应保持怀疑，要求其提供证据链，而不是直接采用为教学决策依据。
教师判断替代
- 教师在无法写明教学目标时，应先暂停生成并补做教学判断，而不是把任务直接交给 AI。
- 用 AI 输出替代"先想清楚再写"的备课流程，会把空泛输出、低质量题与平均分式分析传递到课堂。
- 一线教师应在交付前对照教材、课标、学情和隐私逐项核对，必要时回到 教学输出的人工验收清单（教材/课标/学情/隐私） 流程。
平台与模型混杂风险
- 部分发布平台会附带广告或未经来源支撑的模型能力宣传（含所谓模型"智商"数字），不应据此推断所使用模型的实际能力。
- 模型功能、价格、隐私政策可能持续变化，应以学校制度和所用服务当前的隐私条款为准。
人工复核点
- 在交付前，习题逐题验算并核对年级、册次与知识点归属。
- 评语逐句对照该学生实际表现，而不是把通用句套到不同人。
- 学情报告中的因果推断回到答卷、作业、出勤、师生沟通记录。
- 复习材料中的年代、人物、概念、条约回到教材或权威资料核对。
- 涉及学生的文本、表格、截图在公开前先做去识别化。
- 对 AI 生成的图像按学科要素清单复核（如科学课中的生物结构、地理现象等），不直接当标准答案使用——此要点来源于 SRC-LEARN-004 的小学科学课例补充。
适用品类与禁忌
- 适用：把 AI 用作备课助手的教师与教研组。
- 不适用/谨慎：
- 在缺少学科判断的情况下直接把生成稿发给学生；
- 把含姓名、学号、成绩、健康或家庭信息的原始学生数据直接上传公共模型；
- 把模型给出的"退步原因"当作最终归因写入家长沟通或学生档案；
- 把 AI 生成图像（特别是含学科要素标注的图）直接当作"标准答案"下发；
- 用真实学生实验数据训练或微调公共模型。
与其他风险页的关系
相关页面
来源边界
- 风险点的核心三组（学生数据上传、学情归因、教师判断替代）源自 SRC-LEARN-003 中谢信妃文章"输出示例"段落的边界声明与人工核对步骤，并非逐字逐条的合规清单。
- "图像科学性失真被误用为标准答案""实验数据脱敏""算法偏见倾向某些表达风格"等补充要点源自 SRC-LEARN-004 关于小学科学课例的处理，整理者将其归入本页与 AI 理科备课的科学性失真（图像标注、实例分类、超纲） 共有的交叉区域，并明确标注来源。
- 隐私与数据合规要求会因学校制度、地区法规和所用服务条款而变化，整理者在写作时仅依据 2026-07-13 观察到的页面内容归纳。