AIedu 2026-10-28｜AI 赋能学习与高等教育数字化转型日报

覆盖窗口：2026-10-26 ~ 2026-10-28（周三） 主题聚焦：AI 赋能学习 · 高校数字化转型 · AI 教育 · 教学改革 本期主线：学术诚信从"查文本"转向"查过程" · 高校开始向 AI 供应商提商业条件 · 省域"十五五"把算力中心写进专栏 · 教育 AI 的"评测标准"本身成了研究问题

一、今日速览

二、重点解读（8 条）

1. 省域"十五五"再落一子：贵州把"教育智能算力共享中心"写进规划专栏

事件内容 10 月 27 日，贵州省教育厅与省发展改革委联合印发《贵州省教育发展"十五五"规划》。规划把"实施教育数字化战略行动"单列为第八项重点任务，其中三条直接指向 AI：

• 第 23 条 教育数字化转型：支持有条件地区和学校深化智慧校园建设，开展省级教育数字化转型试点；推动国家智慧教育公共服务平台与全省各级各类平台深度融合；健全完善师生数字素养标准和人工智能应用指引，开展分级分类全员培训。
• 第 24 条 AI 助力教育变革：坚持"育人为本、素养为先、应用导向、智能向善”，推动 AI 与教育教学全过程深度融合，目标是撬动教育理念、教学模式、教师发展、国际交流、科研范式和教育治理六项变革；探索”人机共教共学“新模式，挖掘教育行业大语言模型应用场景；在县域开展"人工智能+教育"试点；同时明确要"强化人工智能教育应用治理，保障教育类模型生成内容积极健康，AI 应用安全、可信可控”。
• 专栏 8 数智教育引领工程（量化指标）：建成"贵州教育智能算力共享中心“和 100 个省级数字化转型试点校，基本实现全省大中小学智慧教育平台使用全覆盖，在 20 个县开展"人工智能+教育"试点。

配套还有终身学习侧的动作：启动贵州省终身教育计划，加快学分银行建设，打造全省职业教育智慧云平台，建成覆盖全省的终身学习网络。

为什么值得关注 ①**“算力共享中心"从校级跃升到省级**——此前高校建 AI 算力多为单点自建，贵州把它写进五年规划专栏，意味着西部省份正用"省级共享 + 县域试点"的方式解决校际算力鸿沟，这对省属院校是可复制的降本路径； ②试点放在"县域"而不是只放省会——20 个县的"AI+教育"试点，把 AI 教育从头部高校推向最需要资源下沉的场景，是"十五五"期间教育公平命题的具体抓手； ③**“素养标准 + 应用指引 + 分级分类全员培训"三件套与北京的三类清单、浙江的 29 场景框架是同一套语法，说明省级 AI 治理模板正在收敛**：先定标准，再拆场景，最后挂培训与考评。正在起草本校或本省方案的团队，可以直接拿这套结构做本地化。

2. 学术诚信进入"过程留痕"阶段：江南大学要求研究生保存提示词，答辩设 AI 质询

事件内容 10 月 27 日，教育媒体对江南大学近期发布的学位 AI 管理通知做了集中梳理，其中一个具体观察窗口引发广泛讨论。该校明确：自 2027 年春季学期起，研究生使用 AI 开展科研、完成学位论文，应当保留提示词、生成内容等全过程记录，并以脚注标识相关使用情况；答辩等环节原则上应设置 AI 使用质询程序。通知同时要求学位论文接受 AIGC 检测，但强调检测结果只是审核参考，最终须根据人工鉴定作出结论。

放到更大背景里看，“能不能用 AI"正在被拆成四个可管理的问题：用于什么任务 / 是否替代独立研究 / 怎样披露 / 如何核查。同一件事在不同学校给出的边界并不一致：

国际侧的数据同样说明"披露"仍是全球性难题：牛津大学出版社 2026 年 9 月一项覆盖 2600 余名研究者的全球调查显示，74% 的受访者不清楚哪些 AI 使用需要披露，只有 36% 主动记录研究中的 AI 使用情况，44% 担心披露会影响他人对成果的评价。

为什么值得关注 ①**“保存提示词"把举证责任从"事后检测"前移到"过程记录”——这比阈值检测更可辩护，也把学生从"被算法审判"转为"自己能讲清楚怎么做的”； ②“答辩设 AI 使用质询程序"是可直接复制的教务动作**，成本极低：只需在答辩流程里加一个固定提问环节，就能同时起到核查与教育双重作用； ③检测结果"仅作参考、人工鉴定为准"正在成为共识条款（南大此前已明确 AIGC 检测不作为原创性判定依据），配合近期多刊拒收 AI 稿、期刊电话抽查、学位中心本科论文抽检与 AIGC 检测全面挂钩，国内已经形成"期刊端卡发表 + 高校端卡毕业"的双端链条。对高校而言，现在最紧迫的不是选哪款检测器，而是把"什么必须留痕"写进答辩与学位审查流程。

3. 澳大利亚塔斯马尼亚大学给"安全评估"定标准：身份、作者身份、被观察

事件内容 10 月 28 日，ABC News 报道，塔斯马尼亚大学（UTAS）将在部分课程中增加线下与受监督的考核比重。该校与人工认证公司 Proudly Human 共同制定了一套新标准，核心要求是：每门课程必须向外部审计方证明，学生确实达成了关键学习成果——即证明课程中"受监督 vs 不受监督"的考核配比是恰当的。

标准的三个确认要素被明确表述为 identity（身份）、authorship（作者身份）、observation（被观察）：

• 身份：完成考核的人确认为在册学生本人；
• 作者身份：成果确由该学生产出；
• 被观察：学生在产出过程中被实际观察到。

审计机制由 Proudly Human 每年进校 1~2 次，方式是"坐下来请学校讲流程，然后设想学生可能怎么绕过，问你的系统在各种场景下如何确保他们没法用 AI 完成考核”。UTAS 副校长 Luke Bereznicki 直言：如果学校不认真区分线上与线下考核，“一名学生可能拿到学位，而我们根本不知道到底是他本人做的，还是 AI 工具做的”。

值得注意的是，“安全考核条件"的具体形式是学校自己定的，Proudly Human 只做审计。艾伦·芬克尔（Alan Finkel，澳大利亚前首席科学家、Proudly Human 创始人）列举的形式相当传统：课堂内写论文、口头答辩、监考考试、法学生的模拟法庭。悉尼大学两年前已引入类似模式。学生侧的反应也值得记录：塔斯马尼亚大学学生会主席表示，学生普遍担心"别人滥用 AI 会拉低我的学位在业界的含金量”。

为什么值得关注 ①它把"AI 时代的考核"从技术对抗转成了审计问题——不去追检测准确率，而是要求学校自证"哪些学习成果必须在安全条件下考核”，这是一条绕开检测器军备竞赛的制度路径； ②**“identity / authorship / observation"三要素可以直接搬进中国高校的期末与答辩规程**，尤其是研究生答辩环节加一次现场复述或口头质询，成本极低而证据力很强； ③学生自身的焦虑被摆到了台面上——担心的不是被抓，而是"我的学位贬值”。这提示院校在推 AI 规范时，公开透明地向学生说明规则本身就能显著降低抵触，学生会的这番表态其实是支持而非反对。

4. 英国高校集体向 AI 供应商提条件：Jisc 发布六项"期望领域”

事件内容 10 月 27 日，由英国 sector IT 机构 Jisc 组织、Universities UK（UUK）与 Guild HE 等机构背书的行业声明”call to suppliers“正式发布。声明指出，过去关于 AI 与教育的讨论大多集中在学习、考核与环境影响，但可持续的财务采纳同样必须被纳入考量。声明提出 AI 供应商与教育部门打交道的六个"期望领域”，并要求它们成为合同与采购谈判的标准程序：

1. 签约时的透明度保障；
2. 保护"随时间推移的价值"（value over time），即供应商须按约履行；
3. 完整披露服务权益、定价结构、用量指标、计费机制与用量模型——机构需要理解"AI 服务如何被消耗、成本如何产生、常见的教学/科研/运营负载会转化成多少支出"；
4. 提供粒度化的用量数据，以便机构管理预算、防止"成本失控"；
5. 模型版本连续性——“在某些教学、科研与运营场景中，持续访问特定模型版本对于一致性、治理与可复现性是必要的”；
6. 避免供应商锁定：机构应能在"不产生不必要中断、不产生额外成本"的前提下适应技术变化。

Jisc 许可总监 Caren Milloy 表示：“随着采用规模扩大，机构需要确信自己仍然掌控着成本、选择与风险。通过为供应商设定共同期望，我们希望建立透明度、问责制和商业基础，使大学和学院能够可持续、有信心地拥抱 AI。”

为什么值得关注 ①这是高校第一次以"集体买方"身份向 AI 厂商提结构性条件，而不是被动接受订阅条款。对中国高校的采购部门来说，这六条几乎可以原样抄进招标文件的技术与商务条款； ②**“模型版本连续性"这一条极具教育场景特殊性**——同一门课两个学期用了不同模型版本，学生成绩与教学研究的可复现性就断了。这个问题在国内几乎还没被正式提出； ③它揭示了一个正在全球同步发生的转向：高校 AI 治理的重心正从"教学怎么用"扩展到"买得值不值、能不能换、数据看不看得见”。谁先把采购条款写清楚，谁就能在下一轮预算周期里少踩坑。

5. 师范院校的 AI 转型样本：内师大 × 西电战略签约，两院驱动"双引擎"

事件内容 据中国教育信息化网 10 月 27 日报道，内蒙古师范大学与西安电子科技大学举行战略合作协议签约仪式。内蒙古师大党委书记李树林、西电党委书记任小龙见证签约，副校长贾美林与刘宏伟代表两校签署。协议覆盖学科建设、教师队伍建设、教育教学与人才培养、科学研究等方向，目标是推动教育链、人才链与创新链衔接贯通。

报道同时披露了内蒙古师大把"人工智能+教育"确立为改革发展主战略的完整打法：

• 顶层文件：实施"人工智能赋能工程"，出台《深入实施"人工智能+“行动方案》；发布《“人工智能+“赋能本科教育教学改革行动方案》，明确专业体系、课程体系、数字化资源、师生数智素养、应用场景 5 大路径、15 项改革举措；
• 学科组织：确立"人工智能+X"学科发展新思路，实体化成立人工智能学院（聚焦技术研发、场景落地与产业协同）与未来科学与技术学院（着力"人工智能+优势学科"交叉创新），两院协同构成"双引擎”；
• 平台资质：获批自治区人工智能学院人才培养试点，成立自治区未来人工智能研究院。

报道的表述值得注意：”师范教育的深厚积淀与电子信息领域的技术优势深度融合，既为人工智能提供了真实丰富的教育场景，也为教师教育转型提供了有力技术支撑。”

为什么值得关注 ①这是一次典型的"场景方 × 技术方"结对——师范院校有最真实的教育场景与数据，电子信息强校有模型与工程能力。相比"高校 × 企业"合作，这种校校结对在学科共建与师资互聘上更可持续； ②**“5 大路径 + 15 项举措"是可以直接对照的改革清单**，比"推进教育数字化转型"这类原则性表述更可考核； ③实体化建院 + 交叉研究院的双引擎结构，回应了一个普遍难题：AI 学院容易变成"又一个计算机学院”，而"未来科学与技术学院"这类交叉平台才是让 AI 真正渗透进其他学科的组织载体。对地方师范院校而言，这是一条不靠巨额投入也能起步的路径。

6. 具身智能加速走进课堂：教育场景联盟成立，标准与适配成为新议题

事件内容 10 月 27 日，以"智汇山城·育见未来“为主题的大会在重庆举行，由中国教育发展战略学会人工智能与机器人教育专业委员会主办，重庆通用智能学会、重庆邮电大学、北京爱宾果科技有限公司承办，北京师范大学教育学部提供学术支持。会上成立了具身智能教育场景联盟，宾果智能、北师大数智教育研究院、宇树、智元机器人、原力无限等 14 家教育科研机构及机器人企业参与，重点探索三件事：教育应用标准、产品适配、场景合作，同期还举行了科研合作与实验室建设项目签约。

爱宾果科技创始人、董事长闵海波提出了一个关键判断：具身智能机器人种类日益丰富，但不同产品能否适应教学需求，还涉及课程内容、软硬件适配及应用标准等问题；他认为重庆拥有汽车、电子信息等产业基础，产业智能化升级将对技术人才的 AI 素养提出更高要求，具身智能教育可以与职业教育、实训平台建设相结合。

同期还有一组校企签约在山东落地：山东师范大学 × 山东优宝特智能机器人有限公司签署战略合作协议，并为”智能机器人与具身智能产教融合实训基地“揭牌。企业向学院开放设备底层架构，支撑师生科研开发、学科竞赛与实践教学；学院则把产业项目转化为课程内容，依托实训平台构建沉浸式实践生态。

为什么值得关注 ①联盟的工作重心是"标准与适配"而非"采购设备”——这说明具身智能进校园的第一道门槛已经不是买不买得起，而是课程怎么接、软硬件怎么配、教学场景怎么定义。谁先参与标准制定，谁就在下一轮采购中掌握话语权； ②**“开放设备底层架构"是校企谈判中一个值得争取的条款**——不开放底层接口，机器人就只能做演示，无法进入算法与实践教学； ③职业院校与实训平台被明确为优先落地场景，这与"具身智能 + 新工科/新职教"的政策方向一致。对地方高校来说，具身智能可能是比大模型更容易做出差异化教学特色的切入口。

7. 教育 AI 评测的两记"冷水”：评估口径能差 39 个百分点，互动日志预测不了成绩

事件内容 本周两篇 arXiv 论文从方法论层面给教育 AI 降温，值得并列阅读。

其一，MISCONCEPTDIALOGUE（arXiv:2610.31679）：研究者用 5 个 7B~14B 开源模型做数学辅导，与 LLM 模拟学生跑了 5000+ 轮对话，考察"能否诊断学生错误概念并通过多轮对话补救"。论文的"头条发现"对领域并不友好：在一模一样的对话上，常见的 benchmark 式精确匹配打分给出的补救成功率是 42.1%，而经过人工校准的 LLM-as-judge 给出 81.3%——39.2 个百分点的差距，大于辅导模型、教学策略、是否提供诊断信息三项因素的总和。这不是单裁判假象：四个独立 LLM 裁判与 200 条人工标注收敛在几个百分点内（kappa 最高 0.91）。更尖锐的是能力侧结论：告诉辅导模型学生真实的错误概念，或故意给它一个调换过的错误概念，分数几乎没有变化——在测试的诊断呈现格式下，这些模型并未表现出可靠地"利用"诊断信息的能力。

其二，LLM 辅导互动的增量预测价值（arXiv:2610.33488）：研究者用一门本科 AI 课程两次开课的 175 条学生-学期记录，检验"LLM 辅导互动特征能否增量预测学生成绩"。结论是：所有模型的 fold 平均 R² 为负——没有一个模型能比"常数基线"更好地解释方差。作者给出的实践建议非常直接：把任何辅导分析模型先跟常数基线比一比，在模型 MAE 旁边同时报告中位数预测的 MAE；按分数段拆误差，而不是只看全队列均值——一个总体与基线持平的模型，在最低四分位上可能错得很离谱，而支持决策恰恰发生在这个区间。

为什么值得关注 ①**“换个评分口径，成功率能差 39 个百分点"是近年教育 AI 领域最重要的一条方法论警告**——它意味着很多"AI 辅导有效"的结论，可能只是评分口径的产物。院校在采购或自建教学智能体时，必须先问"你们的评测口径是什么、有没有人工锚定”； ②**“给不给真实诊断信息，分数一样"说明当前的辅导模型在"因材施教"上名不副实**——它更像在生成一段看起来合理的讲解，而不是基于学生错误概念做针对性补救。这对"个性化学习"的宣传口径是一记直球； ③互动日志不是成绩度量——很多学校正在把"学生问了 AI 多少次"放进学习分析仪表盘，这篇论文的结论是：在出现跨课程验证之前，它只能作为形成性对话的素材，不能用于预测与干预。这个边界值得写进任何学习分析系统的设计文档。

8. Google.org 资助非洲 AI 赋能计划：从"消费 AI"到"塑造 AI”

事件内容 肯尼亚 Strathmore University（斯特拉斯莫尔大学）宣布，其计算与工程科学学院（SCES）入选 Google.org 资助的 Africa AI Upskilling Programme，成为肯尼亚 6 所入选高校之一。该项目由尼日利亚 FATE 基金会与非洲数学科学研究所（AIMS）南非共同管理，目标是到 2028 年覆盖肯尼亚、加纳、尼日利亚、南非 4 国的 30 所大学。

项目要点：

• 训训师（train-the-trainer）模式：Strathmore 首批团队为 5 名 AI Champion + 5 名助教，先接受专门训练，再向 successive cohorts 的学生授课；首次教师工作坊于 2026 年 10 月 12~16 日在 USIU-Africa 举行，其中设置了名为 “Lecture It Back” 的同伴教学环节——参与者备课、做材料、向同事讲授复杂技术概念，专门训练"把深奥 AI 知识翻译成可上手的课堂体验"的能力；
• 课程来源：采用 Google DeepMind 的 AI Research Foundations 课程与 伦敦大学学院（UCL）开发的教学工具包，内容涵盖语言数据表示、分词、嵌入、神经网络、Transformer 架构、模型微调、对齐与优化；
• 学期制课程 + 实践实验 + 毕业设计，并讨论数据隐私、同意、公平、治理、表征与环境可持续；
• 实施时间：Strathmore 暂定 2027 年 1 月启动，首批面向 STEM 学生。

报道也如实列出了障碍：当代教学资源获取受限、有实战经验的 AI 教师短缺、算力基础设施不足，以及本地相关数据集稀缺——没有反映肯尼亚语言、社群、产业与生活经验的数据，再强的系统也可能忽视它本应服务的人群。

为什么值得关注 ①**“训训师 + Lecture It Back"是一个低成本、高杠杆的师资扩散设计**——它解决的是所有院校共同面对的瓶颈：没有足够的 AI 教师。先训 5 人、再由他们训全院的杠杆结构，比全员外训更可持续，值得高校教师发展中心直接借鉴； ②**“本地数据集稀缺"这一条对中国高校是镜像提醒**——我们同样面临"教育场景数据不出校、不出省"的困境。谁先建起合规的本地教育语料，谁就掌握了垂域模型的真正壁垒； ③这是"全球南方不甘只做 AI 消费者"的明确信号，与此前 UNESCO 关于协商式治理的讨论是同一脉络。中国高校在 AI 教育国际合作上（如中国-东盟教育交流周、多彩智慧学院）已有布局，这类"课程共建 + 师资共建"的项目形态值得作为参照模板。

三、快讯速递

四、趋势观察

1. 学术诚信的证据形态正在从"文本"转向"过程”。 保存提示词、脚注标识、答辩质询、保留使用前材料——这四项都不依赖检测器的准确率。当检测工具本身无法解释标红逻辑时，唯一稳固的证据是"你能讲清楚自己怎么做的”。

2. 高校第一次以"买方集体"身份向 AI 供应商提结构性条件。 Jisc 的六项期望把 AI 采购从"教学讨论"推进到"商业与治理基础”，其中"模型版本连续性"和"粒度化用量数据"两条，国内高校的招标文件里目前基本空白。

3. “安全评估条件”（身份 / 作者身份 / 被观察）正在成为可审计的制度产品。 UTAS 与悉尼大学的实践说明，与其追检测准确率，不如要求课程自证"哪些学习成果必须在受监督条件下考核"，并由外部审计。

4. 省域"十五五"规划的语法正在收敛。 贵州的"素养标准 + 应用指引 + 分级分类培训 + 算力共享中心 + 县域试点"，与北京的三类清单、浙江的 29 场景框架、湖南的单列成章是同一套结构：先定边界，再拆场景，最后挂算力与考评。

5. 具身智能进入课堂的瓶颈已从"设备"转为"标准与适配"。 联盟成立、实训基地揭牌、中试基地建实训室，同步出现的都是"课程内容—软硬件适配—应用标准"这三个词。这是从演示走向教学的分水岭。

6. 教育 AI 的评测方法论正成为独立的批评对象。 评分口径可让成功率差 39 个百分点、辅导互动日志对成绩无增量预测力——这两条共同指向一句话：在讨论"AI 有没有用"之前，先校准尺子。

五、编辑视角：本周可以直接落地的三个动作

① 给答辩加一道"AI 使用质询"，成本最低、证据力最强。 不需要采购任何工具，只需在答辩/期末流程中固定一个提问环节：“你在哪些环节用了 AI？提示词大致是什么？AI 给你的东西你改了什么、为什么改？” ——江南大学的"脚注 + 质询"和 UTAS 的"observation"其实指向同一件事：让过程可被讲述。

② 在采购 AI 教学工具时，把"模型版本连续性"写进合同。 同一门课跨学期用了不同模型版本，学生成绩对比与教学研究的可复现性直接归零。参照 Jisc 的表述，可写成：“供应商须就模型版本变更提前通知，并为教学与科研场景提供一定期限的指定版本访问。”

③ 别再用"学生问了 AI 多少次"做学习预警。 本周两篇论文给出了同一个方向的提醒：互动量更多反映课程设计与任务形态，而不是学习；所有模型的预测力都打不过常数基线。如果要做学习分析，至少做到按分数段拆误差，并先报告常数基线的 MAE。

六、技术侧简报（AI HOT 精选，供高校技术选型参考）

本期共收录 8 条重点、11 条快讯、6 条趋势判断。 覆盖窗口：2026-10-26 ~ 2026-10-28 · 已主动避让 10-24 ~ 10-27 日报已收录条目（北京 AI 应用指南、南京大学 AI 必修、I8 杭州共识、中南大学护理大模型、UC Berkeley 停批作业、HolonIQ Q3 观察等）。 数据与事实以公开报道为准，部分政策与论文请以官方原文为准；就业市场报告为第三方机构数据，引用前建议核验样本与口径。

@WoLoveAI · AI 高等教育日报 · 2026年10月28日