# 复旦期末开卷再创新：学生反向出题“训练”AI，4人拿下满分
近日，复旦大学一门课程的期末考试因其独特的“反向出题”模式引发教育界广泛关注。与传统闭卷或开卷考试不同，该课程要求学生自拟题目并利用AI工具生成答案，随后对AI的输出进行“训练”与纠错，最终由教师根据学生的出题质量、AI交互过程及成果修正水平综合评分。据悉，共有4名学生凭借出色的设计获得满分。这一创新尝试不仅打破了“考试即答题”的固有范式，更将AI工具从辅助学习角色提升为“被考核对象”，重新定义了评价体系中的主体关系。
## 从“答题者”到“出题者”：知识建构的逆向重塑
该课程的核心突破在于将主动权交还学生。传统考试中，学生被动接收题目，考查的是陈述性知识的记忆与再现；而“反向出题”要求学生首先深入理解课程知识框架，然后设计出能精准考察知识盲区、逻辑漏洞或应用场景的优质题目。这一过程实质上是“知识建构”的逆向工程——学生需要站在学科高度，提炼核心概念，并预测AI可能犯错的典型路径。例如，有学生设计的题目涉及跨学科交叉推理，迫使AI在逻辑链条中暴露出隐含假设，从而通过“训练”修正其输出。这种高阶认知活动远超传统刷题，直接指向批判性思维与元认知能力的培养。
## AI作为“镜像”：人机协作中的教学相长
值得注意的是，该考试并非简单“用AI答题”，而是强调“训练AI”的过程。学生需记录与AI交互的对话历史，分析AI的初始错误模式，并给出针对性提示或反问，引导AI逐步收敛至正确解答。这一过程本质上是对AI“黑箱”的透明化解剖——学生必须理解AI的局限性（如对歧义表述的敏感度、知识库的时效性缺口等），才能设计出有效的训练策略。教师则通过观察学生如何“调教”AI，评估其问题拆解能力、逻辑连贯性及对学科本质的把握。满分获得者普遍展现出对AI模型的深度理解，例如能识别出大模型在概率推理中的常见偏差，并设计出“反直觉”的题目来强化模型鲁棒性。
## 教育范式转型：从“知识传授”到“智能素养培育”
复旦此举折射出高等教育在AI时代面临的深层变革。当AI可以轻松完成标准化知识问答时，考试的意义必须从“检测记忆”转向“评估人机协作能力”。这种“反向出题”模式本质上是对学生“智能素养”的综合考核：它要求学生在信息检索、逻辑验证、批判性思考、创意设计等多个维度展现能力，而这些恰恰是AI难以替代的。同时，该模式也倒逼教师重新思考课程设计——如何将AI工具内化为学习过程的有机组成部分，而非简单禁止或依赖。
当然，这一创新也面临挑战，例如如何确保学生不会利用AI的“作弊”漏洞、如何设计统一的评分标准，以及如何避免形式主义模仿。但无论如何，复旦的探索为AI深度融入教学评价提供了宝贵样本。未来，类似“人机协同测评”或将成为常态，而教育的核心目标也将从“传授知识”进一步转向“培育驾驭智能工具的能力”。
