学生展示进行到第三组时，你已经能猜到下一页会出现什么。
问题背景。
三点分析。
一个听起来稳妥的解决方案。
幻灯片整齐，逻辑完整，措辞也没有明显错误。
下一位学生上台，又出现了一种说不清的熟悉感。
每份作品单独看都合格。放在一起，却很难回答一个简单的问题：
哪一个判断，只有这个学生作出过？
生成式 AI 正在帮助更多人快速达到不错的完成水平。这当然有价值。不会设计的人可以做出清楚的页面，不擅长起稿的人可以更快获得结构，第一次接触陌生主题的学生也不必一直困在空白页前。
当合格答案不再稀缺，作品中属于学生自己的部分，就需要被重新看见。
一项研究让这种变化更容易看见
一项发表于 Science Advances 的线上实验，让参与者完成短篇故事写作。部分参与者可以从生成式 AI 获得故事构思。
结果显示，获得 AI 构思帮助的作品平均得到更高的创意、写作质量和可读性评价，原本创意表现较弱的参与者受益尤其明显。
与此同时，AI 辅助完成的故事彼此更加相似。
这项研究只考察了一种特定的短篇创作任务。它不能证明 AI 会让所有学生的思想趋同，也不能预测所有课堂和项目中的结果。
研究结果同时说明了两件事：同一个工具，可以提高个人作品的完成水平，也可能把许多人引向相近的表达路径。
UNESCO 的生成式 AI 教育指南也提醒，模型依赖既有材料生成内容，可能放大占优势的观点和熟悉的表达方式，使输出出现同质化。
AI 没有让创造力消失。
它只是让「看起来不错」不再足以证明一个人认真想过。
在答案出现之前，孩子看见了什么？
一项城市设计任务可能要求学生提出改善公共空间的方案。
AI 可以马上列出二十个常见方向：增加绿地、改善照明、设置休息区、优化交通。
这些建议可能都合理。
但孩子为什么开始关心这个地方？
也许他发现，下雨天学校门口总有人被迫走进车道。
也许她注意到，社区活动中心的指示牌对第一次来的人并不友好。
也许一次和老人聊天时，对方提到最近的长椅总在阳光最晒的位置。
问题的价值，常常在生成答案之前就已经开始形成。
它来自一个人是否真的看过、听过、停下来问过。
有辨识度，不一定是提出一个从未有人想过的宏大创意。更常见的情况是，一个学生注意到了别人略过的细节，并愿意继续追问：
「这个问题对谁最麻烦？」
「大家嘴上说没问题，实际使用时也是这样吗？」
「我们是不是从一开始就问错了问题？」
在不会的时候，孩子怎样继续？
AI 让找到资料和初步解释变得更快，但学习并不等于迅速获得一段说明。
一个进入陌生问题的人，很快会发现新的空白。
研究无障碍空间，需要理解一点设计，也可能需要读政策文件、观察真实路线、访问使用者，再学习怎样整理反馈。
没有一门课会预先把完整知识打包好。
孩子需要一边做，一边发现：
「我现在缺的不是更多观点，而是不会判断哪份资料可靠。」
「我有一个想法，但没有数据支持。」
「我会做问卷，却还不会问出不带暗示的问题。」
OECD Learning Compass 把学生主动性与设定目标、反思、负责任地行动联系起来。学生不只是等待下一条指令，而是逐渐学会在陌生环境中找到方向。
工具会更新。
一个人从「我完全不会」走到「我知道先弄清哪一件事」的能力，会更长久。
答案完成以后，还要让它碰到现实
屏幕上的方案很容易自洽。
现实不会这么配合。
一个用户可能礼貌地说产品很好用，第二天却再也没有打开。
一项社区建议可能获得所有人的点头，真正实施时才发现，有一群人的需要从未被问到。
共情与叙事不是作品最后的包装。
共情帮助学生发现，谁没有出现在任务说明里，谁说了「没关系」，却其实已经放弃参与。
叙事帮助学生决定，哪些细节需要被解释，怎样让别人理解一个结论从哪里来，又为什么值得相信。
它们会影响孩子选择哪个问题、相信哪项证据，以及一个方案离开幻灯片后还能不能成立。
给作品留下一条「判断轨迹」
下一次孩子使用 AI 完成作业或项目，不必先问：
「这是不是 AI 写的？」
可以一起检查四个位置。
AI 打开之前
孩子已经观察到什么？有哪些疑问？目前倾向于相信什么？
AI 回答之后
哪条建议被采用了？哪条被拒绝了？为什么？
继续研究以后
哪项证据改变了原来的想法？还有什么没有弄清？
作品完成之前
谁真正使用过、经历过或了解这个问题？作品是否得到过一次来自现实的反馈？
这套方法不会让任务完成得更快。
它会让一份作品留下判断发生过的痕迹。
孩子不需要为了显得独特，故意反对所有常见答案。
但他/她应该能够说清：
「这是我先注意到的。」
「这是 AI 给出的建议，但我没有采用。」
「这是后来出现的新证据，所以我改了想法。」
当好答案越来越容易得到，最值得保留的未必是一种没人见过的表达。
作品完成以后，我们仍然看得见：有一个人认真观察过，作出过取舍，也愿意为最后的判断负责。