COE：面向教育的 CO

应用 COE 状态分析阶段（试点筹备中）许可 CC BY 4.0 基础 CO v1.1

COE 是 CO 在教师一侧的领域应用。它不禁止 AI 的使用，而是重新设计评估，使得学生与 AI 的协作过程让学生的判断力更加清晰可见，而非被掩盖。

核心洞见在于：既然学生无论如何都会使用 AI，就应设计这样的评估，使得「学生如何使用 AI」本身成为有价值的信号。COE 光谱为教师提供了四个层级的递进式自主度，每上升一层，评估的侧重点也随之改变。

COE 光谱

四个评估层级，自完全由教师把控，逐步过渡到完全由学生自主：

层级 1	层级 2	层级 3	层级 4
遵循指令	设计实验	设计方法论	教授他人

每上升一层，学生对 AI 协作配置的设计责任即相应增加。在第 4 层级，学生需为其他学生设计一套可用的配置。这是最困难的评估：它要求学生对学科与方法论均具备真正的理解。

COE 部署两类代理：

学生端（由教师配置，由学生使用）：

代理	角色
学科专家	根据课程层次校准的学科知识
方法论向导	引导学生完成作业工作流

评估端（教师侧，用于评估学生作品）：

COE 在架构层面应对「学生会让 AI 全部代劳」这一问题：

评估焦点发生迁移。 在第 1 层级，产出本身是关键；在第 3 层级，审议日志比产出更为重要；在第 4 层级，学生所设计配置的可用性即是评估对象。让 AI「全部代劳」必然导致审议日志贫乏、所设计的配置也难以为他人所用。

审计痕迹完整留存。 学生与 AI 的每一次交互均生成日志。模式检测员识别出偏离既定工作流的情形；异常标记员捕获统计上的离群值（例如：完成时间异常短，或各量表维度的质量异常一致）。

量表完全透明。 学生在开始作业前即可看到量表。这并非陷阱，而是明确信号：值得关注的要点在此。若所考察的是判断力，则学生必须展现其判断；AI 无法代为完成。

COE 定义两条并行工作流：

学生工作流（五阶段）：

教师工作流（四阶段）：

三道审批关卡要求教师在成绩最终确定前作出判断。

每一项学生动作均可追溯。COE 借助密码学审计痕迹（基于 EATP（英文）信任协议），使教师能够完整核验提交作品回溯至学生原始提示词与决策的整条链路。

COE 与 COL 互为补充：

这一分工对应 CARE（英文）中的双平面模型（英文）。

COE 目前处于分析阶段，试点筹备中。以下链接提供当前研究版本的访问方式。

完整安装指南（英文）逐步介绍各项步骤。