Anthropic 教育报告：大学生如何使用 Claude

AI 系统不再只是专业的研究工具：它们已成为日常的学术伙伴。随着 AI 更深入地融入教育环境，我们需要思考关于学习、评估和技能培养的重要问题。迄今为止，大多数讨论都依赖于调查和受控实验，而非学生在真实环境中自然地将 AI 融入其学业工作的直接证据。

为填补这一空白，我们开展了首批大规模研究之一，考察高等教育中真实世界的 AI 使用模式，分析了 Claude.ai 上 100 万条匿名学生对话。

我们的《教育报告》的主要发现如下：

STEM 学生是 Claude 等 AI 工具的早期采用者，其中计算机科学专业学生的占比尤为突出（占学生对话的 36.8%，而该专业仅占美国学位授予量的 5.4%）。相比之下，商科、健康和人文学科学生的采用率相对于其入学人数而言较低。
我们识别出学生与 AI 交互的四种模式，这四种模式在我们的数据中出现的比例大致相当（各占对话的 23-29%）：直接解决问题、直接产出内容、协作解决问题和协作产出内容。
学生主要使用 AI 系统进行创造（利用信息学习新知识）和分析（拆解已知事物并识别其间关系），例如创建编程项目或分析法律概念。这与 Bloom 分类法中的高阶认知功能相符。这引发了关于如何确保学生不将关键认知任务外包给 AI 系统的疑问。

识别教育领域的 AI 使用情况

在研究人们如何使用 AI 模型时，保护用户隐私至关重要。在本项目中，我们使用了 Claude Insights and Observations，即“Clio”，这是我们用于洞察人们如何使用 Claude 的自动化分析工具。Clio 通过将用户对话提炼为高层级的使用摘要（如“排查代码问题”或“解释经济概念”），实现自下而上的 AI 使用模式发现。Clio 采用多层自动化流程，从对话中移除用户私人信息。我们构建这一流程时尽可能减少在层与层之间传递的信息。我们在此前的博客文章中介绍了 Clio 的隐私优先设计。

我们使用 Clio 分析了约 100 万条匿名¹对话，这些对话来自与高等教育邮箱地址关联的 Claude.ai Free 和 Pro 账户。² 随后，我们筛选出与学生和学术相关的对话——例如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 Clio 随后对这些对话进行分组，以得出与教育相关的汇总洞察：不同学科领域的分布情况；学生与 AI 交互方式的差异；以及学生委托给 AI 系统的认知任务类型。

学生用 AI 做什么？

我们发现，学生主要使用 Claude 来创建和改进跨学科的教育内容（占对话的 39.3%）。这通常涉及设计练习题、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（33.5%）——与 AI 一起调试和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。其中一些使用可能也涉及作弊，我们将在下文讨论。学生使用中较小但仍相当可观的一部分是分析和可视化数据（11.0%）、支持研究设计和工具开发（6.5%）、创建技术图表（3.2%），以及在语言之间翻译或校对内容（2.4%）。

以下是各学科常见请求的更详细细分。

Common student requests from the top four subject areas, based on the 15 most frequent requests in Clio within each subject. — 基于 Clio 中各学科最常见的 15 个请求，学生在四个主要学科领域中的常见请求。

各学科中的 AI 使用情况

我们接下来考察了哪些学科显示出 Claude 的不成比例使用。我们通过将 Claude.ai 的使用模式与美国学士学位授予数量进行比较来做到这一点。⁴ Claude 使用最不成比例偏重的是计算机科学：尽管只占美国学士学位的 5.4%，计算机科学却占 Claude.ai 对话的 38.6%（这可能反映了 Claude 在计算机编程方面的特殊优势）。自然科学和数学在 Claude.ai 中的占比也高于学生入学比例（分别为 15.2% 对 9.2%）。

相反，商业相关的教育对话仅占对话的 8.9%，尽管占学士学位的 18.6%，显示出 Claude 的使用比例不成比例地低。健康专业（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也较少。

这些模式表明，STEM 学生，尤其是计算机科学专业的学生，可能是出于教育目的更早采用 Claude 的人群，而商业、健康和人文学科的学生可能将这些工具更缓慢地整合到他们的学术工作流程中。这可能反映了计算机科学社区对 Claude 的更高认知度，以及 AI 系统在 STEM 学生执行的任务上相对于其他学科学生执行的任务具有更强的能力。

Comparing the percentage of Claude.ai student conversations that are related to an National Center for Education Statistics (NCES) subject area (gray) to the percentage of U.S. college students with an associated major (orange). Note that percentages don’t sum to 100% as some conversations were classified under the “Other” category from the NCES which we exclude from our analysis. — 将 Claude.ai 学生对话中与 National Center for Education Statistics（NCES）学科领域相关的百分比（灰色）与美国大学中拥有相关专业的学生百分比（橙色）进行比较。请注意，百分比总和不为 100%，因为一些对话被归类为 NCES 的“其他”类别，我们将其排除在分析之外。

学生如何与 AI 互动

与 AI 互动的方式有很多种，它们会以不同方式影响学习过程。在我们对学生如何与 AI 互动的分析中，我们识别出四种不同的互动模式，并按下图所示沿两个不同维度对它们进行了分类。

第一个维度是“交互模式”。这可能包括：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进行对话以实现自己的目标。第二个维度是交互的“期望结果”。这可能包括：（1）问题解决，即用户寻求问题的解决方案或解释；（2）产出创建，即用户寻求生成演示文稿或论文等较长的产出。将这两个维度组合起来，就得到了下面呈现的四种模式。

Our taxonomy for student-AI conversations, along with sample conversation topics based on those surfaced by Clio. — 我们对学生与 AI 对话的分类体系，以及基于 Clio 所呈现的对话主题的示例对话话题。

这四种交互风格出现的比例相近（各占对话的 23% 至 29%），显示出学生对 AI 用途的多样性。传统网络搜索通常只支持直接答案，而 AI 系统则能支持远为多样的交互，并随之带来新的教育机会。一些选出的积极学习示例包括：

解释并阐明哲学概念和理论
创建全面的化学教育资源与学习材料
为学术作业解释肌肉解剖、生理和功能概念

与此同时，AI 系统也带来了新的挑战。一个常见的问题是：“学生用 AI 作弊的程度有多严重？”这个问题很难回答，尤其是因为我们并不知道 Claude 的每一次回复是在何种具体教育情境中被使用的。例如，一次直接问题解决对话可能是为了在带回家的考试中作弊……也可能是学生正在核对练习测试的答案。一次直接产出创建对话可能是为了从零开始写一篇论文……也可能是为了为后续研究创建知识摘要。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 对话是直接型的——也就是说，以最少的互动寻求答案或内容。虽然其中许多服务于正当的学习目的（如提出概念性问题或生成学习指南），但我们确实发现了令人担忧的直接型对话示例，包括：

为机器学习多选题提供答案
为英语语言测试题提供直接答案
改写营销和商业文本以规避抄袭检测

这些引发了关于学术诚信、批判性思维能力的培养以及如何最好地评估学生学习的重要问题。即便是协作对话，也可能带来可疑的学习结果。例如， “带解释地解决概率与统计作业问题”，可能涉及 AI 与学生之间的多轮对话，但仍将大量思考工作外包给了 AI。我们将继续研究这些交互，并尝试更好地辨别哪些交互有助于学习并培养批判性思维。

特定学科的 AI 使用模式

不同学科的学生以不同方式使用 AI：

自然科学与数学对话倾向于问题解决，例如“用分步计算解决特定的概率问题”和“用分步解释解决学术作业或考试问题”。
计算机科学、工程学以及自然科学与数学倾向于协作式对话，而人文学科、商科和健康则在协作式与直接式对话之间分布更为均匀，两者都较强。
教育对输出创作的偏好最强，占对话的74.4%。然而，这种使用情况可能源于我们筛选方法的不完善。其中许多对话涉及“创[建]全面的教学材料和教育资源”以及“创[建]详细的教案”，这表明教师也在使用Claude获取教学支持。总体而言，教育占所有对话的3.8%。

这表明，将AI融入教育的做法很可能需要因学科而异。我们的数据是帮助认识不同学科学生与AI互动方式差异的第一步。

Distribution of conversations across interaction styles, for each NCES subject. — 各NCES学科中对话在互动风格上的分布。

学生委托给AI的认知任务

我们还探究了学生如何将认知职责委托给AI系统。我们使用了Bloom分类法，⁶这是一个教育中用于将认知过程从简单到复杂进行分类的层级框架。虽然该框架最初是为学生的思维而设计的，但我们对其进行了调整，用以分析Claude在与学生对话时的回应。

我们看到AI在Bloom分类法各领域上呈现出一种倒置的模式：

Claude主要完成的是高阶认知功能，其中创造（39.8%）和分析（30.2%）是Bloom分类法中最常见的操作。
低阶认知任务则不那么普遍：应用（10.9%）、理解（10.0%）和记忆（1.8%）。

这种分布也因互动风格而异。正如预期的那样，输出创作任务，例如生成学术文本摘要或对论文的反馈，涉及更多的创造功能。问题解决任务，例如求解微积分问题或解释编程基础，涉及更多的分析功能。

AI系统展现出这些技能，并不妨碍学生自己也参与这些技能——例如，共同创作一个项目，或在另一种情境中使用AI生成的代码来分析数据集——但它确实指向了学生将认知能力外包给AI的潜在担忧。人们有理由担心，AI系统可能会为学生提供拐杖，抑制支撑高阶思维所需的基础技能的发展。毕竟，倒置的金字塔可能会倒塌。

局限性

我们的研究基于真实世界数据。这在研究结果的有效性及其应用于教育情境方面有许多优势。然而，它也带来了可能影响我们研究结果范围的局限性：

我们的数据集很可能捕捉到的是早期采用者，可能无法代表更广泛的学生群体；
目前尚不清楚Claude的使用相对于教育中整体AI使用情况有多大的代表性——许多学生使用的AI工具不止Claude.ai，这意味着我们只呈现了他们整体AI参与模式的部分图景；
在对话分类中很可能同时存在假阳性和假阴性。我们依赖的是与高等教育邮箱地址相关联的账户中的对话：其中一些被我们的分类器判定为与学生相关的对话，实际上可能来自教职员工。此外，其他学生对话很可能存在于与非大学邮箱地址相关联的账户中；
出于隐私考虑，我们仅分析单个 18 天保留窗口内的 Claude.ai 使用情况。随着学业任务的波动，学生的使用情况在一年中可能有所不同；
我们只研究学生委托给 AI 的任务，而不研究他们最终如何在学业中使用 AI 输出，也不研究这些对话是否有效支持了学习成果；
将学生与 AI 的对话按学科分类，可能无法完全涵盖跨学科工作，因为在这些工作中 AI 使用模式可能差异显著；
将布鲁姆分类法应用于 AI（而非学生）的认知过程并不完美。像“记忆”这样的技能在 AI 系统的语境中更难量化。

各机构关于在教育中使用 AI 的政策差异很大，并且可能以我们在此数据集中无法衡量的方式显著影响我们观察到的模式。

结论与展望

我们的分析提供了学生在现实世界中何处以及如何使用 AI 的鸟瞰图。我们认识到，我们才刚刚开始理解 AI 对教育的影响。

在与学生和教育工作者的讨论中，我们看到 AI 能够以非凡的方式赋能学习。例如，AI 已被用于支持学生的核聚变反应堆项目，并促进课堂上学生与教师之间更好的沟通。

但我们并不幻想这些初步发现能够完全涵盖教育中正在发生的深刻变化。AI 正以各种方式让教育者的生活更具挑战性，而这项研究并未完全捕捉到这些。当学生将更高阶的认知任务委托给 AI 系统时，根本性问题随之出现：我们如何确保学生仍然发展基础认知和元认知技能？在 AI 赋能的世界中，我们如何重新定义评估和作弊政策？如果 AI 系统能够近乎即时地生成精炼的文章，或迅速解决一个人需要数小时才能解决的复杂问题，那么有意义的学习意味着什么？随着模型能力增长以及 AI 更深入地融入我们的生活，从作业设计到评估方法的一切是否都会发生根本性转变？

这些发现有助于教育工作者、管理者和政策制定者之间正在进行的讨论，即我们如何确保 AI 深化而非削弱学习。进一步的研究将帮助我们更好地理解学生和教师如何使用 AI、其与学习成果的联系，以及对教育未来的长期影响。

Anthropic 的教育方法

除了这份教育报告之外，我们正在与大学合作，以更好地理解 AI 在教育中的作用。作为早期步骤，我们正在试验一种学习模式，该模式强调苏格拉底式方法和概念理解，而非直接给出答案。我们期待与大学在未来的研究上合作，并更直接地研究 AI 对学习的影响。

Bibtex

如果你想引用这篇文章，可以使用以下 Bibtex 键：

@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},
}

致谢

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 对所有实验所需的技术基础设施进行了迭代。Esin Durmus、Michael Stern、Mike Schiraldi、Saffron Huang、Stuart Ritchie、Steven Syverud 和 Kamya Jagadish 提供了宝贵的反馈和讨论。Margaret Vo、Matt Bell 和 Deep Ganguli 全程提供了详细的指导、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 提供的有益讨论和评论。