Anthropic 教育報告：大學生如何使用 Claude

Anthropic 發布了一項大規模研究，分析了 Claude.ai 上的一百萬次匿名對話，以了解大學生如何自然地將 AI 整合到他們的學術工作流程中。報告顯示，STEM 領域的學生，特別是電腦科學專業的學生，是主要的早期採用者，且學生經常將高階認知任務——例如創作與分析——委派給 AI 系統。

Data Methodology and Privacy

Anthropic 使用了一款名為 "Clio" (Claude Insights and Observations) 的專有自動化分析工具，將使用者對話濃縮為高階的使用摘要，同時移除使用者的私人資訊。該研究分析了來自與高等教育電子郵件地址相關聯的 Claude.ai 免費版與 Pro 版帳戶的大約一百萬次對話。在過濾掉學術相關性後，最終數據集包含 574,740 次對話。

AI Adoption Across Academic Disciplines

與美國學士學位的人數比例相比，AI 的採用率在 STEM 領域呈現不成比例的高比例：

Computer Science: 代表了 Claude.ai 對話的 38.6%，儘管其僅佔美國學士學位的 5.4%。
Natural Sciences and Mathematics: 相對於學生人數，顯示出較高的代表性（分別為 15.2% 與 9.2%）。
Underrepresented Fields: 商業 (8.9% 的對話 vs. 18.6% 的學位) 、健康專業 (5.5% vs. 13.1%) 以及人文學科 (6.4% vs. 12.5%) 顯示出不成比例的低採用率。

Anthropic 將這些模式歸因於 AI 系統在 STEM 相關任務中的高熟練度，以及電腦科學社群對這些工具較高的認知度。

Patterns of Student-AI Interaction

Anthropic 識別出四種不同的互動模式，每種模式出現在大約 23% 至 29% 的對話中。這些模式由「互動模式」（直接 vs. 協作）與「期望結果」（問題解決 vs. 產出創作）來定義。

Interaction Taxonomy

Direct Problem Solving: 使用者尋求特定問題的快速解決方案或解釋。
Direct Output Creation: 使用者尋求產出較長的內容，例如論文或簡報。
Collaborative Problem Solving: 使用者透過對話來共同尋找解決方案或解釋。
Collaborative Output Creation: 使用者與 AI 進行迭代式的工作以產出內容。

雖然這些模式可以促進正向學習——例如釐清哲學理論或製作化學學習教材——但近一半（約 47%）的對話屬於「直接」模式。這引發了對學術誠信的擔憂，因為部分使用者要求 AI 直接回答選擇題，或要求 AI 改寫文本以規避抄襲檢測。

Delegation of Cognitive Tasks

透過改編布魯姆分類法 (Bloom's Taxonomy)，Anthropic 分析了學生在與 AI 互動期間 AI 所執行的認知過程。結果顯示出認知委派的「倒金字塔」現象：

Higher-Order Functions: 創作 (39.8%) 與分析 (30.2%) 是 Claude 最常見的操作。
Lower-Order Functions: 應用 (10.9%)、理解 (10.0%) 與記憶 (1.8%) 的比例顯著較低。

這種分佈顯示學生經常將最複雜的認知任務委派給 AI。Anthropic 指出，雖然這並不排除學生學習的可能性，但這會產生一種風險，即 AI 可能成為一種「拐杖」，抑制了高階思考所需的基礎技能發展。

Subject-Specific Usage Trends

互動風格因學科而異：

Natural Sciences & Mathematics: 傾向於問題解決，特別是逐步計算與作業解釋。
Computer Science, Engineering, and Natural Sciences: 較偏向協作式對話。
Humanities, Business, and Health: 在協作與直接互動之間呈現較均勻的分佈。
Education: 對產出創作展現出最強烈的偏好 (74.4% 的對話)，儘管 Anthropic 指出這可能也包含教職員在製作教案與教學教材。

Study Limitations

Anthropic 識別出研究結果的幾項限制，包括數據集捕捉的是早期採用者而非一般學生群體，且依賴於單一的 18 天留存窗口。此外，該研究僅分析了委派給 AI 的任務，而非最終的學習成果，亦或是學生如何將 AI 生成的內容應用於其最終的學術工作之中。