1053名学生实验：ChatGPT提高得分，原创性却靠因果训练

2026年8月27日，博科尼大学与OpenAI合作开展的一项随机对照实验公布结果：1053名大一学生被分入ChatGPT、因果推理训练、两者兼有和对照四种条件。博科尼大学公布的数据 显示，ChatGPT使一次营销作业的五分制评分提高约0.86分，而学生之间想法差异的主要增量来自因果推理训练。

这项8月27日公布的实验给出的直接答案不是“AI改善或损害学习”二选一：ChatGPT提高了按既定标准评出的作品质量，却没有证明学生形成了可长期保持的独立能力；因果训练促成了更不常规的方案，开放ChatGPT也没有消除这项收益。所谓“原创性”，在这里特指文本中想法的多样性和语义差异，而非对现实创新价值的完整判断。

四组实验分别识别工具与训练的作用

CEPR讨论论文 将研究设计描述为2×2随机对照实验：参与者分别接受ChatGPT Edu访问、因果推理训练、两项干预，或两项都不接受。这样的设计可以单独估计语言模型和思维训练的效果，也能观察二者结合后是否相互加强或抵消。

• 对照条件：没有ChatGPT访问，也不接受因果推理指导。
• ChatGPT条件：可使用由GPT-4o支持的ChatGPT Edu，不接受因果训练。
• 因果训练条件：学习建立因果链、解释作用机制并识别可能使结论失效的条件，不使用ChatGPT。
• 组合条件：同时接受因果训练并获得ChatGPT访问。

所有学生处理同一项限时商业任务，为提高校友对大学纪念品商店的认知和使用提出顾问式建议。统一任务让组间比较更清楚，但也把结论限定在一个结构明确、标准营销知识丰富的问题上，不能直接外推到数学证明、开放式研究或长期课程学习。

0.86分提高的是作品评分，不是学习证明

学生答案按照1至5分量表评价，核心标准是建议能否提高商店认知度和使用率。获得ChatGPT访问后，评分相对估计为2.09分的对照基准提高约0.86分；答案还包含更多想法、逻辑更连贯，并更接近三名领域专家给出的建议。

这项优势不只是语言润色。控制文本特征、句式复杂度、逻辑连贯性和想法数量后，仍有约一半的评分效应未被这些因素解释，说明模型也改变了建议内容。不过，准确结论仍是ChatGPT改善了这一次特定任务的最终产出，而不是学生已经掌握了营销知识。

实验评估的是提交文本，没有通过延迟考试检验记忆，也没有要求AI组关闭工具后重新完成陌生任务。因此，高分无法说明学生能否解释方法、迁移推理，或在下一次独立作答时保持表现。

因果训练扩大了想法差异

研究没有把常规总分直接当作创造力，而是分别分析每份答案包含多少核心想法、同一答案内的想法是否多样，以及一名学生的核心方案与其他参与者相距多远。这样可以区分“写出更多点子”和“提出别人较少想到的点子”。

ChatGPT明显增加了想法数量，却没有对学生之间的想法差异产生清晰的独立提升。因果训练的作用不同：学生更常说明建议为什么可能奏效、通过什么机制发生作用，以及在哪些条件下可能失败；他们的核心方案也与同伴更不相似。

组合条件保留了因果训练带来的多样性，同时获得了与单独使用ChatGPT相近的评分和想法数量。由此可以把标题中的“原创性靠因果训练”限定得更准确：在这项任务及其代理指标内，因果训练是扩大想法差异的主要驱动力；数据不支持“ChatGPT必然损害原创性”，也不能证明训练会普遍提升所有形式的创造力。

既有量表更奖励标准答案

因果训练没有带来更高的常规评分，并不等于训练没有改变思考。该量表重点奖励围绕“提高认知”和“促进使用”形成清晰、完整并符合标准营销知识的建议，没有单独奖励罕见方案、作用机制或可证伪条件。

统计分解显示，逻辑连贯和想法数量与高分相关；偏离典型答案、强调机制和失败条件的产出却没有获得同等回报。ChatGPT因而更容易帮助新手生成评分者熟悉的专家式答案，因果训练则把学生带向更宽的解题空间，而总分没有完整捕捉这种差异。

这揭示的是评价工具的边界。只看最终文本及其规范程度，无法区分学生真正理解了问题、善于调用模型，还是获得了一个更符合量表的答案；如果教学目标包含提出替代假设和解释机制，这些能力需要成为独立评价维度。

随机化增强了因果判断，场景仍然有限

随机设计比比较“经常使用AI”和“不使用AI”的学生更能隔离干预效应，四种条件也让研究者看到因果训练在ChatGPT可用时仍能发挥作用。但随机分配以课堂为单位，样本来自同一所大学的基础管理课程，实验只覆盖一次短时营销任务。

8月28日发表的一篇 独立方法解读 核对了任务约45分钟、答案上限180词等设计，并指出研究没有设置延迟保持测试、跨任务迁移测试或无AI后测。因此，实验能够回答两种干预如何改变当场提交的作品，却不能回答学生本人是否长期学得更好。

研究目前以CEPR讨论论文形式发布，尚无独立复现；想法差异也依赖自动文本分析和语义距离指标。这些指标适合比较大样本中的相对差异，但不能直接判断某项建议在现实中是否新颖、可行或有效。

现有证据支持的是互补关系：ChatGPT提高标准化任务的评分、逻辑和想法数量，因果训练主要增加机制解释、可证伪思考和方案差异。接下来仍需更长周期、更多学科和关闭AI后的测试，才能判断作品层面的提升是否转化为学生可保持、可迁移的能力。