StudentBench：AI 辅导与人类辅导在 GRE 学习增益上相当

研究团队发布 StudentBench 评测套件与公开平台，累计收集超过 17.5 万条学生与 AI 的对话消息。在 2383 名参与者中对比 AI 辅导、人类辅导与无辅导三种条件，结果显示 AI 辅导在 GRE 学习增益上与专家人类辅导统计等价（p = .015）；七个 GRE 领域中五个领域的最佳 AI 辅导者平均超过人类辅导者。第二个研究由专家人类辅导者通过 2028 次成对评分，比较 LLM 生成的教案与练习题。

此前 AI 教育评估多聚焦模型能力本身，缺少与人类辅导的规模化对照。该研究提供了 2383 人、17.5 万条消息的实测数据，并给出统计等价结论，把讨论从模型分数推进到学习结果与成本结构。

平台通过公开接口大规模采集学生与 AI 的对话、答题与练习数据，将学习增益量化为 GRE 题目正确率变化，再与人类辅导组和无辅导组对照。第二项研究用成对评分把 AI 与人类辅导者拆分为教案、出题、对话教学、成本和参与度五个维度分别比较。

若学习增益可等价而成本显著更低，教育类产品可将 LLM 用于规模化辅导与练习生成，把人类辅导者转向审核与高阶干预。定量 GRE 场景中，更快的 AI 回复与更多学生消息、更多正确练习和更大增益相关，提示响应延迟与交互轮次是可优化的产品指标。

• 在教育产品中把 AI 辅导与人类辅导按教案、出题、对话教学、成本、参与度五个维度分别评测，而非只比较整体效果。
• 针对定量类科目优化 AI 回复延迟，把更快响应与更多有效练习轮次作为可验证的产品指标。
• 基于 StudentBench 的公开平台建立自有学科的学习增益基线，再决定人机分工与定价。
• 将 AI 生成的教案与练习题先交由人类辅导者按评分标准审核，再投入学生使用。

• StudentBench 的结论是否可迁移到 GRE 之外的学科、学段和非考试类学习场景？
• AI 辅导的长期留存效果与学习迁移是否与短期 GRE 增益一致？
• 成本对比中人类辅导每小时 4.81 美元与 AI 0.0052 美元的计费口径是否包含平台、审核与运维开销？
• 五个领域 AI 超过人类、两个领域未超过的具体领域分布和原因是什么？