加州大學柏克萊分校電腦科學不及格率因 AI 使用與數學技能下降而激增

加州大學柏克萊分校電腦科學課程的學業表現下降

2026 年春季，多門加州大學柏克萊分校電腦科學課程的不及格成績激增，遠遠超過系所的評分指引。根據 Berkeleytime 的資料，35.3% 的 CS 10（「The Beauty and Joy of Computing」）以及 10.6% 的 CS 61A（「The Structure and Interpretation of Computer Programs」）的學生獲得不及格成績。

這標誌著與 2024 年與 2025 年春季相比的顯著上升，當時兩門課程的不及格率均低於 10%。這些數據與電機工程與電腦科學系（EECS）的指引相差甚遠，該指引建議低年級課程的學生僅有 7% 應獲得 D 或 F 成績。此外，這些課程的平均 GPA 降至 2.3（C+），遠低於典型的 2.8 至 3.3 範圍。

生成式 AI 與學術不誠實的角色

授課教授 Dan Garcia 指出，由 Claude、ChatGPT 與 Google Gemini 等大型語言模型（LLM）所驅動的「學術不誠實大幅增加」是這些不及格率的主要原因。其影響以兩種不同方式呈現：

直接起訴： 大量不及格成績是因學生被抓作弊並送至學生行為中心所致。僅在 CS 10，就有近 30 名學生在開放式考試中被抓作弊。
技能退化： 許多學生過度依賴 LLM 完成作業，導致他們在無法使用 AI 協助的高風險考試中缺乏準備。

Garcia 教授反對使用分數曲線，因為他認為這會掩蓋系統性問題。他主張設定明確且公開的分數門檻以決定等級，讓學生有多次機會達到標準，而不是降低門檻。

數學基礎能力的衰退

除了 AI 的使用外，教師們報告說新生在先備數學技能方面嚴重不足。副教學教授 Gireeja Ranade 觀察到 EECS 127（「Optimization Models in Engineering」）的不及格率為 16.8%，遠高於上層課程通常的 5%。

Ranade 指出，在辦公時間中與線性代數有困難的學生透露，部分加州大學柏克萊分校的先備課程已採用「開放網路、開放 AI」政策進行作業與考試，可能削弱了對基礎概念的掌握。

針對這些趨勢，Garcia 與 Ranade 與超過 1,300 名加州大學教師一起簽署請願，要求恢復 ACT 與 SAT 標準化測驗成績作為 STEM 入學的考量，並主張免測驗入學未能可靠評估學生的準備程度。

機構挑戰與學生參與度

人力短缺與參與度下降進一步使教育環境變得複雜：

支援減少： 由於助教時薪偏高，EECS 系所減少了本科生招生人數與本科助教數量。這迫使 Ranade 教授取消 EECS 127 的期末專案，該項目通常能為學生帶來高分。
參與下降： Garcia 與 Ranade 均報告辦公時間出席率出現意外下降。Garcia 提到，經過多年滿員的辦公時間後，他發現自己獨自坐在辦公室，顯示學生與教學支援之間的斷層。

社群觀點綜合

技術專業人士與校友之間的討論顯示，柏克萊的經驗是更廣泛認知轉變的一部分。

「認知衰退」假說

多位觀察者認為 LLM 正在形成依賴，侵蝕深度思考與腦力激盪的能力。一位評論者指出，即使是博士級別的專業人士在沒有 LLM 的情況下也難以編程或寫作，暗示「認知衰退」已超出課堂，延伸至職業環境。

入學與教學法的辯論

雖然部分人將不及格率歸因於 AI，另一些人則認為取消標準化測驗是根本原因，聲稱大學現在錄取的學生缺乏國中數學能力。還有人認為問題出在過時的教學法，主張傳統的講授與測驗模式在 AI 時代已不合時宜。

AI 作為學習工具與捷徑的比較

共識是，若將 AI 用於蘇格拉底式對話或聚焦練習，它可成為強大的教學工具；但若用來繞過學習的「掙扎」，則會產生負面影響。正如 Garcia 教授所總結的：「困惑是學習的汗水」，而許多學生現在正避免這種努力。