证据与方法
教育随机试验、公共部门任务研究和多语言评审研究开始同时观察质量、时间、长期能力与门槛公平。
整理 2026-10-14 · 原研究范围 2026-10-12
先理解研究对象
教育AI的目标是帮助学生学会，而不是替学生给出答案；公共服务AI的目标是解决真实请求。不同语言、群体与任务需要不同的质量与公平检查。
学生练习时答对更多题，却在撤掉工具后考得更差，说明即时生成和长期学习不是同一效果。一个统一评分器也可能对不同语言宽严不同。
教育需区分有工具时做题与撤除后学会。原报告记载塞拉利昂12校1763学生的8周数学随机试验，追问/分步提示系统报告约0.258个标准差学习增益，较强基线学生收益更多；本轮未重核这条原始来源。[1]
土耳其近千名高中生在2023–24学年秋季参加课堂数学随机试验。普通GPT-4练习期可提高得分，但同堂课撤除工具后，无护栏组独立考试比对照低17%；GPT Tutor根据教师素材提供提示护栏，与对照的撤除后表现无显著差异，不能说已证明长期留存提升。[2]
另一个大学生试验观察一周后知识留存，解释/检索型用法与代写型即时帮助有不同结果；这里只继承原报告范围，一周也不代表长期教育效果。[3]
既有研究报告的事实摘要与条件说明；具体引用在正文标注
爱尔兰央行143名员工预注册试验测试两种实现：监管文件理解用GPT-4o检索给定文档再回答，评分1.89→2.21（约+17%），自报耗时50→33分钟（约−34%）；数据分析用GPT-4o把自然语言转SQL（Vanna/SQLite），质量低12%，耗时无显著变化。不同实现与任务不能混成一种“AI公共服务效率”。[4]
东营12333热线公告报告等待时间降32%、通话小结130→37秒、重复来电少36%；是缺对照和成本核算的官方前后比较，本轮未重核，不与员工随机试验当同等因果证据。[5]
既有研究报告的事实摘要与条件说明；具体引用在正文标注
BYOL让模型继续学习奇切瓦语、毛利语资料。4B继续预训练版本相对同尺寸Gemma-3 4B-PT，在12项基准复合平均分分别高11.87和11.65个百分点；它支持指定语言/训练版本的基准改善，不是所有语言或现实服务有效率。[6]
另一项23语言/8评估器研究报告，两答案排序准确率仍超90%，但统一合格门槛下语言间通过率最高差43个百分点。会排序不保证门槛公平；这是基准差异，不是现实伤害率。本轮未重核全部评估器原文，应用时仍需本地语言专家核对任务、事实与安全错误。[7]
既有研究报告的事实摘要与条件说明；具体引用在正文标注
论文发布、修订、业务进度和资料截止分别标识。未披露的事件日不补成精确日期。
对应研究公开；课堂实施或工作试验时间另读方法。
原文在线/首稿记录；不是介入日 · 日期
对应研究公开；课堂实施或工作试验时间另读方法。
原文在线/首稿记录；不是介入日 · 日期
BYOL的原始发布记录；不代表实验在该日完成
arXiv首稿记录 · 日期
对应研究公开；课堂实施或工作试验时间另读方法。
原文在线/首稿记录；不是介入日 · 日期
跨语言评审偏差的原始发布记录；不代表实验在该日完成
arXiv首稿记录 · 日期
跨语言评审偏差的版本修订，应按对应版本读取结论
原始页面修订记录 · 日期
这份研究摘要的资料范围，不是上述事件统一发生的日期。
原研究报告事实范围 · 资料截止
部署前应按课程、语言和人群验证，并把人工升级、申诉和撤除后的能力纳入评估。
教育扩展需同时看到延迟留存、撤除工具后的独立作答和不同基础学生收益；公共服务需公布错误、申诉改判、一次解决率、弱势群体可及性和每宗全成本。语言覆盖须经本地专家留出与方言、混语安全阈值校准，且不增加人工升级负担；并以跨地区持续复验作为上调条件。
正文中的编号指向下列材料。材料类别、具体支持与限制一起阅读，不能按链接数量累计独立验证。
[1] 原始研究或机构项目说明
塞拉利昂试验
支持的内容：指定8周教育结果，不是全学年或普遍AI效果。
阅读定位：数学教学试验的随机分配、系统提示和学习结果；本轮继承原报告。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
此入口的书目探测失败不代表历次或其他入口的读取都失败。实际原文阅读范围见本材料说明。
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[2] 期刊论文或文献摘要
土耳其试验
支持的内容：普通GPT-4与教师素材护栏的同堂课比较；Tutor未证明留存更优。
阅读定位：同论文PMC全文：实验方法、GPT Tutor素材/护栏、表1撤除后独立考试。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[3] 原始研究或机构项目说明
IZA研究
支持的内容：继承报告的用法与短期留存差异，不外推长期效果。
阅读定位：大学生试验方法与一周后留存结果；本轮未重核全文。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[4] 研究预印本
爱尔兰试验
支持的内容：GPT-4o两种任务实现、评分与自报耗时；不能合并成通用效果。
阅读定位：v1 §2.1–2.2、§3.1–3.2/§3.5；附录E.1（检索）/E.2（转SQL）。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[5] 原始研究或机构项目说明
12333案例
支持的内容：前后运营口径，非随机或总成本对照。
阅读定位：热线官方公告中的等待、小结和重复来电数据；本轮未重核。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[6] 研究预印本
BYOL
支持的内容：指定4B继续预训练与12项复合基准差异。
阅读定位：v1 §3.1.1、表1–2。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
[7] 研究预印本
跨语言评审偏差
支持的内容：排序和通过门槛的基准差异，非现实伤害率。
阅读定位：多语言评估研究的排序与统一阈值比较；本轮未重核全部正文。
先核对介入方式、工具是否撤除、指标与语言；短期得分不当长期效果。
2026-10-14（北京时间）检查了书目/获取信息；不等于重新验证结果。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
结果依据继承原研究 2026-10-12，具体配置和局限需沿原文核对。
本页整理：2026-10-14 · 研究事实范围：2026-10-12。概念解释与既有研究展开；元数据访问不是原始实验复验。
这是一项领域观察，目前没有本站任务的直接验证。可以先了解概念和原始材料。