一份优秀报告，可以来自学生的独立能力，也可以来自有效协作，还可以主要来自外部系统。三种情况都可能产生有用成果，但教育认证必须说明自己测量什么。课程可以同时承认独立能力与协作能力，却不应让两者在分数里毫无区分。
本书建议并列报告四类结果：必要基础的独立掌握、工具支持下的任务表现、高层判断的质量，以及改变条件后的迁移表现。它们不宜过早压成一个总分，因为一个维度的优势可能掩盖另一个维度的关键缺口。
例如，一名学生在有AI时表现出色，撤去生成支持后仍能辨认前提与设计检验，但写作速度明显下降。这不等于没有学会。另一个学生在有AI时也表现出色，却不能说明结果的适用范围，则应得到不同的评价。撤用考核应测目标能力，而不是要求把机器提供的全部产能复制进人脑。
给学生一套熟悉格式，他可能凭经验完成选择；改变一个关键条件，才更容易看到结构理解。因此，评价应同时包含正常任务与边界任务：遗漏一项前提、改变样本来源、替换目标、加入反例，或把相同原理放入不同的表面情境。
本书将”有效认知层级”定义为，在约定任务范围与扰动条件下，学习者能够以足够依据稳定完成判断的最高组织层面。这一定义需要在具体研究中操作化，不能根据一段宏大文字直接判定某人达到最高层级。
有效颗粒度也应类似测量。不是统计回答里有多少理论名称，而是检验学生能同时组织多大范围的关系，并在其中一个接口变化时作出相应调整。操作失败时，应记录究竟是基础不足、块过大、接口不清，还是判据错误。
以下量表只是可试行的教学原型，不是已经验证的心理测量工具，也不是SDE创新智商量表。每个维度采用零至三级，并分别报告，不据此宣称学生的总体智力。
结果判断维度：零级是无依据接受或拒绝；一级能够指出表面问题；二级使用与任务相关的检验；三级能够解释检验的覆盖范围与剩余不确定性。关系判断维度：零级混淆问题与答案；一级能说出关联；二级能比较前提与适用条件；三级能处理模型冲突并给出整合或保留分歧的理由。
关键展开维度：零级不能定位风险；一级随意复查；二级能选择与风险相关的节点；三级能说明展开所得如何改变整体判断。问题发生维度：零级仅换措辞；一级增加一般问题；二级改变了变量、边界或证据需求；三级进一步设计了能够检验新问题的任务。
迁移维度另行记录：在新材料中能否保持核心判断，是否仍依赖原来的提示，以及经过多久仍能完成。不同维度的三级不应简单相加成为一个”革命程度分”。量表首先服务反馈，其可靠性与公平性需要研究检验。
课堂可以要求学生对关键选择作简短口头说明，但不应要求他背诵全部对话过程。重要的是三个节点：最初怎样判断，哪项证据改变了判断，现在还保留什么不确定性。说明应当与实际作品中的可见变化相对应。
同时，反思文字也可能被AI代写。评价者不宜把一份漂亮的”学习心得”直接当作认知过程证据。可以临场更改一个条件，要求学生指出影响；可以展示一个未见过的竞争方案，请他选择应检查的节点。这样的互动更接近对实际支配能力的观察。
评价也应允许多种表达方式。语言组织不流利，不必然意味着概念结构薄弱；学生可以借助图示、算式、操作和适当的辅助表达。需要保持的不是同一表面形式，而是判断任务与证据要求的可比性。
让学生在AI作品末尾签上名字，并不能自动产生主体性。可追责的使用至少包括知道结论的边界，能够说明依赖来源，出现错误时能够修订，并知道哪些部分需要请他人复核。责任必须与实际可获得的信息及能力相匹配。
教师不应以末端签字把全部风险移给学生，也不应因为AI参与就取消学生责任。合理方式是分层注明：哪些判断由学生形成，哪些来自工具支持，哪些尚未经独立确认。这个说明不是为了统计谁写了多少字，而是为了让依赖结构可见。
如果学校的课程目标已经转向高层判断，而评价仍只奖励最后答案，改革就会被旧机制拉回去。评价革命的核心，是把学生能够支配的关系、能够识别的边界与能够实施的修订，真正纳入能力认证。
把代走率 ρ（生成位被 AI 占据的程度）与候选显影度 k（否决被显式暴露的程度）作为两个坐标，对话式学习的全部形态落在一个平面上。四个象限性质截然不同，而通行的讨论把它们混为一谈。
| 低 k（否决不显示） | 高 k（否决显示） | |
|---|---|---|
| 高 ρ（AI 生成） | 代答式——默认形态。成品路径，高流畅，高满意度，高归属错记。预测撤机读数为负。 | 样例式——相当于一份好的教师板书。判定被暴露但仍非学生所作。预测撤机读数接近零或略正。 |
| 低 ρ（学生生成） | 盲问式——只提问不给结构。学生被留在岔口上，但看不到候选空间。预测高挫败、高退出率，读数方差大。 | 逼走显影式——学生说下一步，AI 在其说出之后补充被他忽略的候选与排除依据。预测撤机读数最高。 |
四个象限给出的第一个结论是：“用不用 AI”是一个没有信息量的问题。同样是”用 AI 学习”，代答式与逼走显影式在这张表上处于对角线两端，预测的读数方向相反。任何不区分象限的效果研究，测的是一个混合物；任何不区分象限的政策，管的是一个不存在的对象。
第二个结论指向产品验收。目前 AI 学习产品的通行验收方式是：带机任务完成度、用户满意度、使用时长、带机测验成绩。这四个指标全部随 ρ 上升而上升——也就是说，现行的产品验收体系在结构上奖励代答式。一个产品越是往左上角走，它的商业指标越好看，而它的撤机读数越差。
因此本书提出三条采购与验收判据，它们不依赖本书任何未被实测的主张，只依赖第一编的单位错位：
判据一（位置披露）：任何声称”提升学习”的产品，应当公布其默认交互形态在 ρ–k 平面上的位置，并给出编码方法与样本转写。这是可核查的，因为转写就在产品自己手里。
判据二（读数位置）：效果宣称必须标明读数取在何处。取在带机环节的，只能宣称”提高了带机表现”；要宣称”提升学习”，读数必须取在撤机之后并有延迟。
判据三（等时长对照）：任何效果对比必须包含等学习时长的非 AI 对照臂。缺少这一臂的效果宣称，无法区分”AI 起作用”与”多学了若干小时”。