學生退學的真正原因並非能力問題，而是因為進度落後。

在美國大學就讀的學生中，大約有 40% 的人在完成學業前退學。在英國，非續讀率也有所不同，從牛津和劍橋的低於 2% 到某些機構的超過 20% 不等。其經濟代價是驚人的：僅在美國，每年估計損失達 38 億美元，而每位在第一年後離開的學生，都代表著學校永遠無法收回的 10 萬至 20 萬美元學費收入。

關於學生為何離開的傳統假設是，他們在學術上沒有做好準備、不夠投入，或者選錯了課程。這些因素確實存在，但它們並非主要驅動力。研究一致指向更具結構性且更可預防的問題：一個滾雪球般的惡性循環——最初的微小差距不斷擴大，直到追趕變得不可能，而退學似乎成了唯一的選擇。

雪球般擴大的差距

這個循環通常始於微不足道的事情。學生在第 3 週錯過了一堂課，或者沒有完全理解該模組後續內容所基於的一個概念。第 4 週的材料預設了第 3 週的理解，因此錯過第 3 週的學生現在在兩週的內容上都落後了一點。到了第 5 週，差距進一步擴大，而建立在他們尚未掌握的基礎之上的新材料，也變得越來越令人費解。

此時，社交動態使學術問題更加複雜。學生環顧階梯教室，似乎每個人都在跟著進度走。他們覺得自己是唯一在掙扎的人，這讓他們不願舉手、不願在教師答疑時間求助，也不願向同學請教。承認自己迷失的尷尬，加上逐漸意識到追趕需要付出不知從何下手的巨大努力，形成了一種退縮模式。他們開始缺席講座，因為當他們聽不懂內容時，出席就顯得毫無意義。他們脫離了課程。到了學期中旬，他們在心理上已經退出了，而正式退學的決定，不過是手續追趕上數週前就已發生的實際離開罷了。

這種模式在各個機構、學科和國家都出奇地一致。它影響著那些完全有能力掌握材料的學生，那些如果能在關鍵時刻獲得適當支持就能蓬勃發展的學生。問題從來都不是能力。問題在於，一個微小的差距被允許擴大成一個無法逾越的鴻溝，因為沒有任何干預及早發現它。

為什麼傳統干預錯過了窗口期

大多數大學的留存計劃都是圍繞著被動觸發機制設計的。早期預警系統會標記那些出勤率下降或成績低於閾值的學生。學術顧問進行聯繫，提供導師輔導，並提供諮詢服務。

這些干預措施有所幫助，但它們有共同的結構性限制：它們是在學生已經遇到麻煩之後才啟動的，通常是在學生已經脫離學習之後。當出勤數據顯示出某種模式時，學生已經掙扎了數週。當成績反映出問題時，學期可能已經過了一半。當顧問聯繫到學生時，學生可能已經決定離開了。

另一個限制是人力資源。大多數機構的學術顧問平均每人要負責數百名學生。教師答疑時間有限，而且往往很少有人參加，部分原因是最需要這些時間的學生最不可能出現（導致退縮模式的同一種尷尬感，使得尋求幫助變得令人難以啟口）。同儕輔導計劃很有價值，但取決於志願者的可用性和學科覆蓋範圍。

真正能打破這一循環的干預措施，是那種在差距開始形成時就能提供的服務、學生可以私下獲取而無需付出承認自己掙扎的社交代價，且能針對其特定課程材料解決其特定困惑。這種描述一直指向同一個答案：個人輔導。

布魯姆的證據

1984 年，班傑明·布魯姆（Benjamin Bloom）發表的研究表明，接受一對一輔導並進行掌握學習（mastery learning）的學生，其表現比接受傳統教學的學生高出 兩個標準差，這意味著接受輔導的平均學生表現優於 98% 的僅在課堂學習的小組。大約 90% 接受輔導的學生達到了傳統學生中僅前 20% 才能達到的水平。

這種效果是巨大的，原因也很容易理解：學生出錯時能獲得即時反饋、適應學生理解速度的彈性步調、在標準解釋不起作用時提供個性化解釋，以及防止大多數講座中常見的被動脫離的積極互動。

布魯姆將其稱為「兩標準差問題」（two sigma problem），因為在經濟上不可能大規模提供這種干預措施。每位學生配備一名導師對於任何教育系統來說都不是一個可行的模式。這項研究被擱置了四十年，它確鑿地證明了個人輔導是有史以來評估過最有效的教育干預措施，但與此同時，其規模化的成本卻令人難以承受。

發生了什麼變化

一個基於學生實際課程材料、教學大綱、錄音錄影、指定閱讀材料、演講簡報 和 教科書章節 的 AI 導師，掌握了使人類輔導有效的數個機制。

它提供即時反饋：學生在週日晚上 11 點提出問題，並在幾秒鐘內獲得基於其課程材料的解答。它能適應學生的步調：清晰的概念會得到簡短的回應，令人困惑的概念會得到更長的解釋，並輔以從指定閱讀中提取的例子。它會引用其來源：每個答案都指向相關內容涵蓋的具體頁面、幻燈片或 錄音錄影的時間戳記。而且，它的使用不會帶來阻礙許多掙扎中的學生尋求幫助的社交代價，因為這裡沒有評判、沒有尷尬，也無需配合有限的教師答疑時間。

至關重要的是，AI 導師 根據學生實際的課程材料進行回答，而不是根據通用的訓練數據。當學生詢問第 3 週的概念時，答案來自其教授的講座、指定的閱讀材料和課程筆記，而不是網路上碰巧關於該主題的任何內容。解釋使用了他們課程所使用的框架，這意味著學生正在建立直接適用於其評估的理解。

哈佛大學於 2025 年發表的一項隨機對照試驗發現，與主動學習課堂相比，學生使用設計良好的 AI 導師，每小時的學習效率大約是其兩倍。該 AI 導師是圍繞著使人類輔導有效的相同原則設計的：搭建支架、主動回想、自適應步調和蘇格拉底式提問。

打破循環

導致大多數學生流失的雪球般擴大的差距具有特定的結構，而 AI 導師會在每個階段進行干預。

最初的困惑。 學生在第 3 週有不懂的地方。與其將這種困惑帶到第 4 週，他們不如讓 AI 導師 使用講師的框架和指定的閱讀材料來解釋它。差距不會形成，因為困惑得到了立即解決。

追趕的負擔。 已經落後的學生可以讓導師總結他們錯過周次的關鍵概念、生成練習題，並確定他們在繼續前進之前需要理解的內容。追趕是私下進行的，按他們自己的步調，無需向任何人承認自己落後了。

評估準備。 學生無需帶著數週累積的差距去面臨考試，而是可以讓導師複習該模組的材料、找出他們的薄弱領域，並生成有針對性的複習。導師知道涵蓋了哪些內容，因為它有課程材料，並且可以將複習重點放在學生確切需要的內容上。

持續的支持。 導師會記住 學生學習過什麼、他們在哪些方面遇到過困難，以及他們之前問過什麼。在一個學期的過程中，它會建立起關於學生學習的上下文，這意味著每一次互動都比上一次更有用。

機構的考量

對於大學行政人員來說，算術很簡單。

一所擁有 15,000 名學生、第一年退學率為 15% 的中型機構，每年大約會流失 2,250 名學生。每位在第一年後離開的學生，都代表著其剩餘學年的學費收入，在美國機構通常為 10 萬至 20 萬美元，在英國機構通常為 27,000 至 37,000 英鎊。單一屆學生流失所造成的總收入損失高達數億美元。

以每位學生每月幾美元的成本，為每位學生提供一個了解其課程材料的 AI 導師，其花費僅為機構目前在啟動太晚的留存計劃上花費的一小部分。如果該工具能留住哪怕很小比例原本會離開的學生，其投資回報也是巨大的。

但是，財務論點固然重要，卻非全貌。每位退學的學生都要承擔個人代價：沒有學位卻負債累累、職業軌跡中斷、失敗感。減少流失對機構來說是財務上的當務之急，而對在其中工作的人來說則是道德上的義務。一個可供每位學生使用、部署成本幾乎為零，且能解決導致大多數人退學的具體機制的干預措施，值得認真考慮。

常見問題

這真的能解決學生退學的首要原因嗎？ 經濟壓力和個人境遇是學生流失的重要因素，AI 導師並不能直接解決這些問題。它解決的是學術脫離循環，研究一致表明這是導致退學的首要學術驅動因素。一個感到獲得支持且有能力的學生也更有可能在經濟困難中堅持下去，因為這項投資讓人覺得值得。

這與現有的學術支持服務有何不同？ 它是補充而非替代。學術顧問、諮詢服務和同儕輔導仍然很重要。區別在於可用性和針對性：AI 導師在任何時間都可用，能即時回應，並根據學生實際的課程材料進行回答。它在差距擴大之前就將其捕捉，而這往往是傳統支持服務無法觸及的階段。

如何看待利用 AI 作弊的學生？ 基於課程材料的 AI 導師其功能不同於通用聊天機器人。它幫助學生理解他們指定的閱讀材料和講座、引用特定來源，並建立理解，而不是生成論文。理解支持與學術不端行為之間的區別 是清晰且可執行的。

我們如何衡量影響？ 為期一學期且設有對照組的試點項目可提供有意義的數據。衡量指標包括：成績分佈、學生滿意度、參與頻率，以及學期末與未使用該工具的對等群體相比的留存率。詳細方法請參閱 試點框架。

延伸閱讀：布魯姆的兩標準差問題、學生退學的代價、AI 輔導與 ChatGPT、大規模個人輔導。相關頁面：AI 導師、學生專區、AI 輔導應用案例。