# 教育与服务AI：即时帮助与长期效果

前沿版本：2026-10-16.1；进展：ADV22
事实范围：2026-10-12；各研究的首发与修订日期见下方时间线
阶段：教育以受控试点为主，公共服务有特定流程证据；低资源语言有基准改善，长期公平和稳定部署证据不足。
状态：active


## 概念与例子：教育、公共服务与语言覆盖怎样评价

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。

- 教学护栏：通过追问、提示和分步支持保留学生的思考。
- 延迟测试：经过一段时间再测知识掌握。撤除工具后的测试可以在同堂课发生，两者不同，不能把当堂撤除当长期学习证据。
- 标准差：跨不同测验衡量效果大小的尺度，不能当作百分比提升。
- 低资源语言：可供模型训练和评测的高质量数字文本较少的语言，不代表使用者能力较低。
- 4B / CPT：4B是约40亿参数；CPT是继续预训练，让基础模型再学习目标语言资料，不是已经完整对话调优的产品。
- 复合基准分：合并多项测试的平均表现；百分点差不能直接换算成现实服务收益。
- 排序与通过门槛：判断两份答案谁较好，与判断某份答案是否达到统一合格线是不同任务。

## 具体进展

### 即时练习表现与撤除后学习效果

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。[塞拉利昂试验](https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_sierraleone_may26.pdf)

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。[土耳其试验](https://pmc.ncbi.nlm.nih.gov/articles/PMC12232635/)

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。[IZA研究](https://www.iza.org/publications/dp/18792/experimental-evidence-on-the-learning-impact-of-generative-ai)

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
对应材料：[塞拉利昂试验](https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_sierraleone_may26.pdf)、[土耳其试验](https://pmc.ncbi.nlm.nih.gov/articles/PMC12232635/)、[IZA研究](https://www.iza.org/publications/dp/18792/experimental-evidence-on-the-learning-impact-of-generative-ai)

### 公共服务任务出现不同方向结果

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”。[爱尔兰试验](https://arxiv.org/html/2502.09479v1)

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。[12333案例](https://www.ndrc.gov.cn/xwdt/ztzl/xhyshj/dfdt/202601/t20260120_1403379.html)

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
对应材料：[爱尔兰试验](https://arxiv.org/html/2502.09479v1)、[12333案例](https://www.ndrc.gov.cn/xwdt/ztzl/xhyshj/dfdt/202601/t20260120_1403379.html)

### 低资源语言扩展与评审门槛

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。[BYOL](https://arxiv.org/abs/2601.10804)

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。[跨语言评审偏差](https://arxiv.org/abs/2607.14480)

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
对应材料：[BYOL](https://arxiv.org/abs/2601.10804)、[跨语言评审偏差](https://arxiv.org/abs/2607.14480)

## 时间线

- 2025-02-13（论文公开 / 日期）：对应研究公开；课堂实施或工作试验时间另读方法。
  日期依据：原文在线/首稿记录；不是介入日
- 2025-06-25（论文公开 / 日期）：对应研究公开；课堂实施或工作试验时间另读方法。
  日期依据：原文在线/首稿记录；不是介入日
- 2026-01-15（论文/项目页面发布 / 日期）：BYOL的原始发布记录；不代表实验在该日完成
  日期依据：arXiv首稿记录
- 2026-01-15（论文公开 / 日期）：对应研究公开；课堂实施或工作试验时间另读方法。
  日期依据：原文在线/首稿记录；不是介入日
- 2026-07-16（论文/项目页面发布 / 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
  日期依据：arXiv首稿记录
- 2026-08-26（论文修订 / 日期）：跨语言评审偏差的版本修订，应按对应版本读取结论
  日期依据：原始页面修订记录
- 2026-10-12（研究材料范围 / 资料截止）：这份研究摘要的资料范围，不是上述事件统一发生的日期。
  日期依据：原研究报告事实范围

## 工作意义

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。

### 后续观察

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。

## 证明材料

### 塞拉利昂试验

[塞拉利昂试验](https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_sierraleone_may26.pdf)；类别：原始研究或机构项目说明；状态：active
支持：指定8周教育结果，不是全学年或普遍AI效果。
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。
原始发布：未知；修订：未提取；原始发表日期未提取，保留未知
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。
2026-10-14书目信息，非实验复验。

### 土耳其试验

[土耳其试验](https://pmc.ncbi.nlm.nih.gov/articles/PMC12232635/)；类别：期刊论文或文献摘要；状态：active
支持：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。
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。
原始发布：2025-06-25；修订：未提取；同论文在线发表日期
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。
2026-10-14书目信息，非实验复验。

### Experimental Evidence on the Learning Impact of Generative AI

[IZA研究](https://www.iza.org/publications/dp/18792/experimental-evidence-on-the-learning-impact-of-generative-ai)；类别：原始研究或机构项目说明；状态：active
支持：继承报告的用法与短期留存差异，不外推长期效果。
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。
原始发布：未知；修订：未提取；原页面未提取到可靠发布日期，保持未知
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。
2026-10-14书目信息，非实验复验。

### Assessing Generative AI value in a public sector context: evidence from a field experiment

[爱尔兰试验](https://arxiv.org/html/2502.09479v1)；类别：研究预印本；状态：active
支持：GPT-4o两种任务实现、评分与自报耗时；不能合并成通用效果。
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。
原始发布：2025-02-13；修订：未提取；arXiv v1提交记录
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。
2026-10-14书目信息，非实验复验。

### 【山东东营：创新打造AI+12333全场景智慧 服务平台】-国家发展和改革委员会

[12333案例](https://www.ndrc.gov.cn/xwdt/ztzl/xhyshj/dfdt/202601/t20260120_1403379.html)；类别：原始研究或机构项目说明；状态：active
支持：前后运营口径，非随机或总成本对照。
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。
原始发布：未知；修订：未提取；原页面未提取到可靠发布日期，保持未知
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。
2026-10-14书目信息，非实验复验。

### BYOL: Bring Your Own Language Into LLMs

[BYOL](https://arxiv.org/abs/2601.10804)；类别：研究预印本；状态：active
支持：指定4B继续预训练与12项复合基准差异。
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。
原始发布：2026-01-15；修订：未提取；arXiv v1提交记录
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。
2026-10-14书目信息，非实验复验。

### Lower-Resource, Higher Scores: Language Bias in LLM Evaluators

[跨语言评审偏差](https://arxiv.org/abs/2607.14480)；类别：研究预印本；状态：active
支持：排序和通过门槛的基准差异，非现实伤害率。
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。
原始发布：2026-07-16；修订：2026-08-26；arXiv首稿记录
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。
2026-10-14书目信息，非实验复验。

本页整理：2026-10-14；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。

## 变化与限制
课堂试验区分练习得分与撤除后的独立考试；央行员工试验中，文件检索问答改善、转SQL分析却变差。教育与服务AI应连同介入方式和长期结果阅读。
指定研究的编辑判断，未对本站任务做新的完整现场验证。地区、语言与人群另需适配。
来源→机制→任务适配，不分配来源分数给任务。

## 原子影响
尚未建立本站原子映射，不硬配职业。

网页不授予业务权限，相邻研究不证明当前任务通过，未知保持未知。