5.0
关注
AI SCORE
行业动态2025-04-09 23:41
大学生使用Claude的行为研究
Hacker News · anthropic.com#Claude#用户研究
Editor brief · 编辑速览
Anthropic发布学生用户研究报告，揭示新一代开发者的AI工具使用习惯。
Anthropic发布学生用户研究报告，揭示新一代开发者的AI工具使用习惯。
AI 系统不再只是专业化的研究工具：它们已经成为日常学习中的伙伴。随着 AI 更深入地融入教育环境，我们需要思考与学习、评估和技能发展相关的重要问题。迄今为止，大多数讨论依赖的是调查和对照实验，而非关于学生如何在真实环境中自然地将 AI 融入学业的直接证据。
为弥补这一空白，我们开展了首批针对高等教育领域真实 AI 使用模式的大规模研究之一，分析了 Claude.ai 上 100 万条经过匿名化处理的学生对话。
我们的《教育报告》主要发现如下：
STEM 专业学生较早采用 Claude 等 AI 工具，其中计算机科学专业学生的占比尤其突出：他们的对话占学生对话总量的 36.8%，而该专业仅占美国学位总数的 5.4%。相比之下，商科、健康相关专业和人文学科学生的采用率相对于其在校人数较低。
我们识别出学生与 AI 交互的四种模式，各模式在数据中的出现比例大致相当（分别占对话总量的 23%～29%）：直接解决问题、直接创建产出、协作解决问题和协作创建产出。
学生主要使用 AI 系统进行创造（运用信息学习新内容）和分析（拆解已知内容并识别其中的关系），例如创建编程项目或分析法律概念。这与布鲁姆分类法中的高阶认知功能相符。由此也产生了一个问题：如何确保学生不会将关键的认知任务转交给 AI 系统。
在研究人们如何使用 AI 模型时，保护用户隐私至关重要。在这个项目中，我们使用了自动化分析工具 Claude Insights and Observations（简称“Clio”），来深入了解人们如何使用 Claude。Clio 通过将用户对话提炼成“排查代码问题”或“解释经济学概念”等高层级使用摘要，实现对 AI 使用模式的自下而上发现。Clio 采用多层自动化流程，从对话中移除用户的私人信息。我们在构建这一流程时，尽可能减少从一层传递到下一层的信息。我们曾在之前的一篇博客文章中介绍 Clio 以隐私为先的设计。
我们使用 Clio 分析了 Claude.ai 免费版和 Pro 版账户中与高等教育电子邮箱地址关联的大约 100 万条匿名化¹对话。² 随后，我们根据学生和学术相关性筛选这些对话，例如判断对话是否涉及课程作业或学术研究，最终得到 574,740 条对话。³ 接着，Clio 对这些对话进行分组，以得出教育相关的汇总洞察，包括不同学科的分布情况、学生与 AI 交互方式的差异，以及学生交由 AI 系统完成的认知任务类型。
我们发现，学生主要使用 Claude 创建和改进不同学科的教育内容，占对话总量的 39.3%。这通常包括设计练习题、编辑论文或总结学术材料。学生也经常使用 Claude 为学术作业提供技术解释或解决方案，占 33.5%，例如与 AI 一起调试并修复编程作业中的错误、实现编程算法和数据结构，以及解释或解决数学问题。其中一些使用行为也可能属于作弊，我们将在下文讨论。另有一部分比例较小但仍相当可观的使用行为，包括分析和可视化数据（11.0%）、支持研究设计和工具开发（6.5%）、创建技术图表（3.2%），以及进行跨语言翻译或校对（2.4%）。
下面是各学科常见请求的更详细分类。
接下来，我们研究了哪些学科对 Claude 的使用比例显著偏高。为此，我们将 Claude.ai 的使用模式与美国授予的学士学位数量进行了比较。⁴ Claude 使用比例最高且最不成比例的学科是计算机科学：尽管计算机科学仅占美国学士学位总数的 5.4%，却占 Claude.ai 对话总量的 38.6%（这可能反映了 Claude 在计算机编程方面的突出能力）。自然科学与数学在 Claude.ai 上的占比相对于学生入学比例也更高，分别为 15.2% 和 9.2%。
相反，与商科教育相关的对话仅占对话总量的 8.9%，而商科占学士学位总数的 18.6%，表明 Claude 在该领域的使用比例明显偏低。健康相关专业（5.5% 对 13.1%）和人文学科（6.4% 对 12.5%）相对于这些学科的学生入学比例，同样代表性不足。
这些模式表明，STEM 专业学生，尤其是计算机科学专业学生，可能更早开始将 Claude 用于教育目的；而商科、健康相关专业和人文学科的学生，可能正以较慢的速度将这些工具融入其学术工作流。这可能是因为计算机科学社区对 Claude 的认知度更高，也可能是因为相较于其他学科学生所从事的任务，AI 系统更擅长完成 STEM 专业学生所从事的任务。
与 AI 交互的方式有很多种，而不同方式会对学习过程产生不同影响。在分析学生如何与 AI 交互时，我们识别出四种不同的交互模式，并沿两个不同维度对其进行分类，如下图所示。
第一个维度是“交互模式”，包括：⁵（1）直接对话，即用户希望尽快解决自己的问题；（2）协作对话，即用户主动寻求与模型展开对话，以实现自己的目标。第二个维度是交互的“期望结果”，包括：（1）解决问题，即用户寻求问题的解决方案或解释；（2）创建产出，即用户希望生成演示文稿或论文等较长内容。将这两个维度组合起来，就得到了下面介绍的四种模式。
这四种交互方式的占比相近，分别占对话总量的 23%～29%，体现了学生使用 AI 的多样性。传统网页搜索通常只能提供直接答案，而 AI 系统能够支持更加多样的交互方式，并由此带来新的教育机会。部分具有积极学习价值的示例包括：
解释和阐明哲学概念与理论
创建全面的化学教育资源和学习材料
为学术作业解释肌肉解剖学、生理学和功能相关概念
与此同时，AI 系统也带来了新的挑战。一个常见问题是：“学生在多大程度上使用 AI 作弊？”这个问题很难回答，尤其是因为我们并不知道 Claude 的每个回答具体被用于怎样的教育情境。例如，一次直接解决问题型对话，可能是在居家考试中作弊……也可能是学生在核对练习测试的答案。一次直接创建产出型对话，可能是从零开始生成一篇论文……也可能是为了进一步研究而创建知识摘要。一次协作对话是否构成作弊，也可能取决于具体的课程政策。
尽管如此，近一半（约 47%）的学生与 AI 对话属于直接交互，也就是以最少的互动来寻求答案或内容。虽然其中许多行为具有合理的学习目的，例如询问概念性问题或生成学习指南，但我们确实发现了一些令人担忧的直接对话示例，包括：
提供机器学习选择题的答案
直接提供英语语言测试题的答案
改写营销和商业文本，以逃避抄袭检测
这些行为引发了关于学术诚信、批判性思维能力培养以及如何更好地评估学生学习成果的重要问题。即便是协作对话，也可能产生值得质疑的学习结果。例如，“在提供解释的同时解决概率与统计学作业题”可能包含 AI 与学生之间的多轮对话，但仍然将大量思考工作转交给了 AI。我们将继续研究这些交互，并尝试更准确地识别哪些交互有助于学习和培养批判性思维。
不同学科的学生与 AI 交互的方式各不相同：
计算机科学、工程学以及自然科学与数学更倾向于协作式对话，而人文学科、商科和健康相关学科在协作式对话与直接式对话之间的分布则更为均衡。
教育学科对成果创作表现出最强的偏好，占对话总数的 74.4%。然而，这一使用模式也可能源于我们过滤方法的不完善。许多此类对话涉及“创建全面的教学材料和教育资源”以及“创建详细的课程计划”，这表明教师也在使用 Claude 获取教育支持。总体而言，教育学科占全部对话的 3.8%。
这表明，将 AI 融入教育的方法可能需要针对具体学科进行设计。我们的数据是帮助识别不同学科学生使用 AI 方式差异的第一步。
我们还研究了学生如何将认知责任委托给 AI 系统。我们采用了布鲁姆分类法（Bloom's Taxonomy），6 这是一个教育领域使用的分层框架，用于将认知过程从简单到复杂进行分类。尽管该框架最初旨在分析学生的思维活动，但我们对其进行了调整，用于分析 Claude 与学生对话时给出的回答。
我们发现，AI 所呈现的布鲁姆分类法领域分布形成了一个倒置模式：
Claude 主要完成高阶认知功能，其中，创造（39.8%）和分析（30.2%）是布鲁姆分类法中最常见的认知操作。
低阶认知任务所占比例较低：应用（10.9%）、理解（10.0%）和记忆（1.8%）。
这种分布也因交互方式而异。正如预期，成果创作任务（例如生成学术文本摘要或为论文提供反馈）涉及更多创造功能。问题解决任务（例如解答微积分题或解释编程基础知识）则涉及更多分析功能。
AI 系统展现出这些技能，并不意味着学生自己就不会同时运用这些技能——例如，学生可以与 AI 共同创作一个项目，或者在另一种情境中使用 AI 生成的代码分析数据集——但这确实指出了一个潜在问题：学生可能会把认知能力外包给 AI。人们有理由担忧，AI 系统可能成为学生的拐杖，阻碍其发展支撑高阶思维所必需的基础技能。毕竟，倒置的金字塔是可能倾倒的。
我们的研究基于真实世界的数据。这在研究发现的有效性及其对教育情境的适用性方面具有诸多优势。然而，这种方法也存在一些可能影响研究结论适用范围的局限：
我们的数据集可能主要涵盖早期采用者，因此未必能代表更广泛的学生群体；
Claude 的使用情况在多大程度上能够代表教育领域整体的 AI 使用情况尚不明确——许多学生会使用 Claude.ai 以外的 AI 工具，这意味着我们呈现的只是其整体 AI 使用模式的局部视图；
对话分类中可能同时存在误报和漏报。我们依赖的是与高等教育机构电子邮箱地址关联的账户所产生的对话：其中一些被分类器认定为学生相关的对话，实际上可能来自工作人员或教师。此外，其他学生对话很可能来自与非大学电子邮箱地址关联的账户；
出于隐私方面的考虑，我们只分析了单个 18 天保留窗口内 Claude.ai 的使用情况。随着学生在一年中承担的教育任务发生变化，他们的使用方式也很可能有所不同；
我们只研究学生将哪些任务委托给 AI，而没有研究他们最终如何在学术工作中使用 AI 的输出，也没有研究这些对话是否有效促进了学习成果；
将学生与 AI 的对话归入不同学科，可能无法充分涵盖跨学科工作，而跨学科情境中的 AI 使用模式可能存在显著差异；
将布鲁姆分类法应用于 AI 而非学生的认知过程并不完善。在 AI 系统的语境中，记忆等技能更难量化。
各机构关于在教育中使用 AI 的政策差异很大，并且可能以我们无法在此数据集中衡量的方式，显著影响所观察到的模式。
我们的分析从宏观视角展示了现实世界中学生在何处以及如何使用 AI。我们认识到，对于 AI 给教育带来的影响，我们才刚刚开始形成理解。
通过与学生和教育工作者的交流，我们已经看到 AI 能够以非凡的方式赋能学习。例如，AI 曾被用于支持一名学生的核聚变反应堆项目，也被用于促进课堂上学生与教师之间更有效的沟通。
但我们并不认为这些初步发现已经完全涵盖教育领域正在发生的深刻变化。AI 正以各种方式让教育工作者的工作变得更具挑战性，而本研究并未完整捕捉这些挑战。当学生将高阶认知任务委托给 AI 系统时，一些根本性问题随之出现：我们如何确保学生仍能发展基础认知技能和元认知技能？在 AI 赋能的世界中，我们应如何重新定义考核制度和作弊政策？如果 AI 系统能够近乎瞬间生成润色完善的论文，或快速解决一个人需要耗费数小时才能解决的复杂问题，那么有意义的学习究竟是什么样的？随着模型能力不断增强，AI 日益融入我们的生活，从家庭作业设计到考核方法的一切是否都会发生根本性转变？
这些发现为教育工作者、管理人员和政策制定者之间持续展开的讨论提供了参考，以探讨如何确保 AI 深化学习，而不是削弱学习。进一步研究将帮助我们更好地理解学生和教师如何使用 AI、AI 使用与学习成果之间的联系，以及其对教育未来的长期影响。
除发布这份教育报告外，我们还在与各大学合作，以更深入地理解 AI 在教育中的作用。作为早期探索的一部分，我们正在试验一种学习模式，该模式相较于直接给出答案，更强调苏格拉底式教学法和概念理解。我们期待未来与各大学合作开展研究，并更直接地研究 AI 对学习产生的影响。
如果你想引用本文，可以使用以下 Bibtex 条目：
@online{handa2025education,
author = {Kunal Handa and Drew Bent and Alex Tamkin and Miles McCain and Esin Durmus and Michael Stern and Mike Schiraldi and Saffron Huang and Stuart Ritchie and Steven Syverud and Kamya Jagadish and Margaret Vo and Matt Bell and Deep Ganguli},
title = {Anthropic Education Report: How University Students Use Claude},
date = {2025-04-08},
year = {2025},
url = {https://www.anthropic.com/news/anthropic-education-report-how-university-students-use-claude},
}
Kunal Handa* 和 Drew Bent* 设计并执行了实验、制作了图表，并撰写了这篇博客文章。Alex Tamkin 提出了初步实验方案，并提供了详细的指导和反馈。Miles McCain 迭代改进了开展所有实验所需的技术基础设施。Esin Durmus、Michael Stern、Mike Schiraldi、Saffron Huang、Stuart Ritchie、Steven Syverud 和 Kamya Jagadish 提供了宝贵的反馈并参与了讨论。Margaret Vo、Matt Bell 和 Deep Ganguli 在整个过程中提供了详细指导、组织支持和反馈。
此外，我们感谢 Rose E. Wang、Laurence Holt、Michael Trucano、Ben Kornell、Patrick Methvin、Alexis Ross 和 Joseph Feller 提供的有益讨论和意见。
1 这些对话来自 Claude.ai 上连续 18 天的数据，以便我们继续按照隐私和数据保留政策管理数据。有关 Clio 如何保护隐私的更多信息，请参阅我们的研究博客。
2 具体而言，我们将分析范围限定为使用全球高等教育机构相关电子邮箱地址注册的账户，例如使用 .edu 和 .ac.uk 域名的邮箱。我们认识到，并非所有教育机构邮箱地址都属于学生。因此，我们随后会进一步过滤相关对话，仅保留可能涉及学生课业的对话。
3 Clio 使用 Claude 以自动化方式过滤对话。在本研究中，Clio 将对话过滤为“很可能是学生在寻求学术、课业、复习、学习新概念、学术研究等方面的帮助”的对话。我们此前有关 Clio 的论文详细介绍并验证了这一过滤机制。
4 数据来自美国国家教育统计中心（National Center for Education Statistics，NCES）。
5 在我们的实验中，我们使用术语"Transactional"和"Dialogic"来分类对话，因为我们发现这些术语能最准确地捕捉 Clio 发现的自下而上的交互模式。具体来说，我们使用 Clio 将对话分类为以下其中之一：Transactional Problem Solving、Transactional Output Creation、Dialogic Problem Solving 或 Dialogic Output Creation；Clio 被提供了每种交互模式的相关描述。为了便于理解，在本报告中，我们用术语"Direct"和"Collaborative"代替"Transactional"和"Dialogic"。
6 特别是，我们使用 Anderson 和 Krathwohl（2001）对 Bloom 分类法的修订版本和他们的认知过程分类法。
Opus 5 是 Opus 层的一个质的飞跃，为长时间运行的智能体提供支持，同时在编码和专业工作中实现了性能改进。