一次教研讨论里，有人说：“AI 已经来了，我们必须跟上。”另一人追问：“那教师的判断还剩下什么？”
这是一个设想的场景，却能帮助我们进入本文的问题：在讨论一项技术之前，我们使用的语言，会不会已经替在场的人安排好了位置？
Margaret Bearman、Juliana Ryan 与 Rola Ajjawi 的这篇批判性文献综述，检查的是高等教育研究怎样谈论 AI。作者没有给教师测量接受度，而是回到学术文本，追问其中的定义、价值和角色安排。
论文首页的作者署名提供了一个背景：Bearman 与 Ajjawi 当时署名于澳大利亚迪肯大学的评价与数字学习研究中心（CRADLE），Ryan 署名于拉筹伯大学教育学院。她们从高等教育研究内部追问 AI 的意义，把教学、评价与社会关系带入技术讨论。作者信息，p. 369；研究目的，p. 371 ↗
文字版已补充修订，音频保留原版。
一分钟读懂
- 读完可以：把笼统的 AI 主张拆成技术、任务、相关各方和责任四个问题，辨认一句“必须”省略了什么。
- 研究对象：十本高等教育期刊中，对“人工智能”有实质讨论的 29 篇文章；检索截至 2020 年 11 月。
- 核心发现：定义稀少而含混；分析识别出“必须响应”和“改变权威”两套主要话语。
- 阅读边界：这是对选定文献的解释性分析，不是 ChatGPT 时代教师态度的调查，也没有证明 AI 改善或损害了学习。
01 · 先看清作者研究了什么
研究团队结合三个期刊排名来源，选出十本高等教育期刊，在各刊检索“artificial intelligence”。92 篇文章进入筛选，最终纳入 29 篇有实质讨论的文本。方法，pp. 371–373 ↗
这样的取样有一个明确用途：观察一组高教期刊怎样构造 AI 的意义。它也有边界。只检索这一词组，会漏掉以机器学习、数据挖掘等其他名称讨论相关技术的文章；教育技术等领域的平行讨论也没有被完整收进来。局限，p. 382 ↗
论文在 2022 年 10 月在线发表，编入 2023 年的期刊卷期；文献检索更早，止于 2020 年 11 月。读者可以用它提出今天的问题，但不能把其中的数量当作当下高教研究的全貌。
从92篇筛到29篇，只回答了“读了什么”。接下来更重要的是：研究者怎样从这些文本中识别话语？作者采用 Gee 的话语分析，沿着五个角度阅读：词语在上下文中的意义、语言赋予人的社会身份、文本之间的引用与呼应、被描绘出来的理想社会世界，以及文章参与的更广泛论争。分析过程，p. 373 ↗
例如，作者注意到一些文章用“前所未有”“革命”“转型”描述AI。这样的用词先规定变化的速度和规模，再让某些回应显得必要。继续追问，就能看到教师被写成引领变化的人，还是需要被改造的人；大学被期待提高竞争力，还是守护某种公共使命。同样提到技术进步，文本组织出来的责任与身份可以很不一样。
五个角度在分析中彼此连接。词语把某种未来写得可信，未来图景为行动要求提供理由，行动要求又把机构、教师和学生放到不同位置。“必须响应”与“改变权威”，是在这一解释过程中形成的概括。因此，两套话语可以出现在同一篇文章里，也不适合拿来给每位作者贴一个终身立场标签。方法与结果，pp. 373–374 ↗
这项方法的贡献，也决定了我们怎样评价它。 解释是否有说服力，要看作者能否把判断接回具体措辞、上下文和角色安排，并处理不符合概括的材料。29篇提供了一个可分析的语料范围；篇数本身不能告诉我们某套话语在所有高校中有多普遍，更不能证明某一句口号已经改变了教师行为。
02 · 定义模糊，角色却已经被分配
29 篇文章中，只有五篇讨论或提供了 AI 的定义，其中四篇来自 1980 年代。作者指出，这些定义常常含混、循环，或者借助人的行为说明机器何时算智能。定义分析，p. 374 ↗
因此，准确的说法是“在这组文章中，定义稀少”，不能简化成“没人定义 AI”。
作者借用“机器中的幽灵”这一说法，描述 AI 在文本中的位置：它被赋予实在的影响，却经常以隐身的成分、修辞或模糊对象出现。讨论，p. 380 ↗
这并不意味着技术没有真实作用。问题在于，当一个词同时指向软件、社会变化和未来想象时，我们可能在同一场讨论里谈着不同的东西。
03 · 第一套话语：必须响应
“必须响应”（imperative response）把 AI 描绘成迅速而重大的变化。大学、教师和学生都被放在需要作出回应的位置。结果与表 2，pp. 374–377 ↗
这种回应可以是采用，也可以是抵抗。乐观的文本期待技术带来提升；悲观的文本要求人们防止被削弱。两者对未来的判断不同，却都可能把“必须回应变化”放在讨论中心。
把这个发现放回专业学习，是本栏目的延伸解释： 如果一次培训从“人人必须掌握 AI”开始，在场的人关于任务是否适合、工具是否可靠、责任如何分配的疑问，可能被误听成跟不上变化。我们可以先让这些疑问被说清楚，再讨论需要学习什么。
把原文的分析再展开，就能看到“必须回应”并不是一句空泛口号。作者分别追踪了三种位置。表 2 及分析，pp. 375–377 ↗
- 学校的位置：乐观叙事把改变视为通往更好大学的道路，悲观叙事则要求大学抵抗某些变化，以保住其公共价值。双方都可能把回应与大学的存续联系起来。
- 教师的位置：一些文本期待 AI 增强教学，让教师转向其他工作；另一些文本担忧专业判断被数据化削弱。增强与削弱的叙事，都可能转化成对教师学习新能力的要求。
- 学生的位置：学生既被描述成能借助技术更自主地学习，也被描述成可能失去对话、思考和判断空间的人。两种说法都在规定学生需要学会什么。
细读这三种位置，会发现作者关心的并非哪一方更乐观，而是未来图景怎样变成对不同人的行动要求。一个文本可以支持某项工具，同时反对它背后的管理安排；不能只贴上赞成或反对的标签，就停止分析。后一种可能性是本栏目的延伸理解。
04 · 第二套话语：改变权威
“改变权威”（altering authority）关注学术工作中权威和能动性的位置。文本可能把技术描述成对教师能力的延伸，也可能把它描述成教师、学生向机构、企业或软件交出判断空间的过程。结果，pp. 377–379 ↗
因此，“权威从教师移到 AI”只讲到了部分情形。论文要求我们同时看见机构、工作人员、学生以及技术背后的企业。
设想一个团队用 AI 为课程作业提供反馈。谁决定评价标准？谁可以否决建议？发生错误后，谁向学生解释？这三个问题是本栏目的情境延伸，并非论文中的实验任务。它们把一个抽象的“使用 AI”拆成了可以讨论的责任安排。
原文对教师的分析还提出一个细微差别：有些叙述希望把教师的专业权威放进技术，让系统模仿好的指导；另一些叙述却把教师描述成受技术及企业利益制约的人。两者都出现 AI，却描绘了不同的权威来源与去向。教师与权威，pp. 378–379 ↗
对学生也是如此。在赋权叙事里，技术提供更高效、主动的学习；在批判叙事里，学生可能被看成可追踪的数据来源，决定学习方向的权力却留在机构、企业或软件那里。这里分析的是文本如何描述学生的能动性，不能把它直接当成学习效果的比较实验。
因此，值得追问的不只是“人还是机器说了算”，还有“哪一个人、哪一个机构，凭借什么取得了说了算的位置”。这个问题能够把技术讨论里被省略的关系重新找回来。
05 · 从宏大判断，走向具体关系
两套话语中贯穿着两组二元对立：眼前的反乌托邦与即将到来的乌托邦，以及人与机器。作者没有否定一切二元区分；她们担心的是，这种鲜明语言压过了对具体技术与情境的细致讨论。讨论，p. 380 ↗
文章最后提出三个研究方向：发展更细致的 AI 语言，追踪问责与劳动，以及研究超出单项创新的教学关系。研究议程，pp. 381–382 ↗
这里的“研究关系”，包括教师、管理者、企业、机器和学生怎样配合、绕行和彼此影响。作者用 assemblage 描述人和非人要素不断构成的整体，其中包括数据、不同软件、制度程序和企业；教师、学生与管理者也可能被包含或排除在某些安排之外。问责议程，p. 381 ↗
这样看，一次“AI 作出的决定”就需要拆开：系统如何运行，组织如何采用，人怎样参与，责任在哪里落定。作者把问责视为权威的一种具体体现，并进一步追问，被说成可以替代的低地位岗位或职能，在自动化之后究竟发生了什么。
关系也因此不限于人对工具的感受。它涉及劳动的分配、判断的权限，以及哪些声音能够进入决策。作者呼吁更细致的实证研究来追踪这些过程，并没有指定唯一的研究方法。
06 · 研究启发
如果沿着本文继续研究，一个有价值的问题是：同一项技术主张在不同场合出现时，行动义务与解释责任怎样变化？例如，学校通知说“教师应当使用AI提高效率”，教研会议却在讨论“谁有时间核查输出”。两段话谈的是同一工具，却可能把不同的工作放在不同人身上。
本栏目提出一种可行的阅读路径：围绕一次具体的AI采用决定，收集公开政策、培训材料与当事人的解释，逐段标出谁被要求行动、谁被允许提出异议、谁需要说明结果。先从材料中辨认这些位置，再看原文的两套话语是否有助于解释；也要留下它们解释不了的表达。
随后还可以追踪决定进入工作后的变化。文件中承诺减轻教师负担，实践里可能节省起草时间，也可能新增复核和申诉处理。话语分析能帮助发现谁被赋予责任；责任实际上怎样落定，则需要过程记录和当事人经验。这两类证据接起来，才可能看清一项承诺怎样变成日常安排。原文的问责与劳动议程，pp. 381–382 ↗
07 · 延伸阅读与思考
沿着自己的问题，选择一条阅读路径。下面的追问由本栏目提出，供阅读和讨论。
- 生成式 AI 出现后，人们怎样想、怎样用？ 读 Lyu 等人（2025）的高校教师研究 ↗。研究于 2024 年 3 月调查美国一所大学的 178 名教师，讨论 GenAI 实践、认识以及信任与不信任。它提供了检索截止时间之后的实践材料，适合对照宏大话语与具体经验；它不是对 Bearman 两套话语的直接复验，单校结果也不代表所有高校。
- 两套话语怎样分析出来？ 先读原文p.373的分析过程，再对照表2中的角色位置。选一个原文使用的例子，追踪措辞、社会身份与未来图景如何连在一起。方法与表2 ↗
- 谁来负责？ 回到 Bearman 等人的原文，pp. 381–382 ↗，重点读问责、劳动和教学关系。带着一个具体场景思考：采用这项技术后，谁获得判断空间，谁承担更多劳动和责任？
- 信任怎样变成依赖？ 读 Lee 与 See（2004），Trust in Automation: Designing for Appropriate Reliance ↗。它讨论信任如何影响对自动化的依赖，以及情境如何影响这种关系。可以追问：面对同一个系统，哪些任务我愿意交给它，哪些仍需要自己复核？研究对象是自动化，迁移到生成式 AI 时仍须检查任务差异。
- 不同立场怎样被理解？ 读 Van Exel 与 de Graaf 的 Q 方法入门，§§2.1–2.4（PDF） ↗，了解话语场、陈述集与排序指导语。可以追问：两个人都说“支持 AI”，各自优先考虑的事情是否相同？
读完可以试着拆开一句 AI 主张。 以下四问是本栏目依据论文整理的阅读练习，不是原文提出的量表：
- 技术：这里说的具体是哪种系统，它怎样工作？
- 任务：它被安排来做什么，什么算完成得好？
- 相关各方：谁决定采用，谁实际使用，谁能提出异议？
- 责任：出现错误时，谁复核、解释并承担后果？
把四个答案放在一起，再看原来的主张是否仍然清楚。比如“提高效率”究竟减轻了谁的工作，又可能把复核工作交给了谁？
再次遇到“高校必须拥抱 AI”，可以先把句子停在“必须”那里。补上技术、任务、相关各方和责任之后，我们才更有可能谈论同一个问题。
原文与版本
Bearman, M., Ryan, J., & Ajjawi, R. (2023). Discourses of artificial intelligence in higher education: a critical literature review. Higher Education, 86, 369–385.
本篇为独立中文精读，场景与讨论问题由本栏目编写。页码均为期刊印刷页码。原文摘要使用 imperative change，正文小标题及表 2 使用 imperative response；本篇按正文译为“必须响应”。
更新于 2026-09-20 · v0.6。本版补充话语分析过程、方法评价与责任追踪问题。