AI 出题对教师来说已经不新鲜：给 DeepSeek 一段知识点描述，几十道候选题几秒钟就排出来。效率确实可观，但教师这个职业的责任线也很清楚——考卷发出去，每一道题的后果都算在命题人头上。所以 AI 用法的分界要划明白：AI 供题，教师定稿；审题权始终留在人手里。
AI 供题、教师定稿的分工
把 AI 当成一个随叫随到的题库供料方，是心态上的第一步。它能承担的是从零到候选的工作：按知识点出变式题、按难度梯度出练习、按题型模板出仿写题。用豆包或 Kimi 出题时，把教材版本、章节范围、难度要求、题型格式一并写进提示词，产出的可用率会明显提高。但「候选」和「定稿」之间隔着整个审题环节——模型不知道你这届学生学到哪、哪些表述他们没见过、哪些考点今年怎么考。这些信息在你的脑子里，不在模型的参数里。
分工反过来就危险。让 AI 直接组卷、教师只看个开头结尾，等于把命题责任转交给一个不了解你课堂的工具，出了错没有任何转嫁的出口，这一点在教师使用 AI 的三条底线一篇里作为底线明确写过：命题终审不外包。
| 环节 | AI 能承担的部分 | 只能由教师判断 |
|---|---|---|
| 出题 | 按知识点出变式题、按难度梯度出练习 | 这届学生学到哪 |
| 表述 | 按题型模板出仿写题 | 学生是否见过这类表述 |
| 组卷 | 批量生成候选题 | 今年的考点怎么考 |
| 定稿 | 提供候选，不承担责任 | 命题终审不外包 |
审题要核的四类问题
AI 生成的题目常见四类毛病，审题就按这四类查。一是事实性错误，年份、数据、史实细节、学科常识，模型张口就来，错了还很自信；二是超纲与错位，题目可能用到学生没学过的概念，或与教材的表述体系对不上，理化符号的习惯写法、历史学科的表述口径都要核对；三是答案存疑，选项设计出现模糊地带，模型自己给的参考答案未必站得住，开放题的评分要点也常有遗漏；四是表述脱节，句式风格和平时的训练题型不一致，学生读起来别扭，测出来的就不是真实水平。对拿不准的题目，可以用不确定性声明里讲的方法追问模型「这道题的答案你确定吗」，回答含糊的先放下，查证后再用。最管用的动作仍然是：出题人自己做一遍，做题时卡壳的地方，学生大概率也会卡。
题库怎么沉淀才可靠
审过的题不要用完就丢，沉淀成自己的题库，AI 的效率红利才能复利。做法不难：AI 生成的题先统一进「待审区」，核验通过的才转入正式题库，并在每道题后面记来源与审定日期；下学期复用时按日期抽查，教材改版了就重新过一遍。题目里的事实性细节怎么逐条核，备课材料的幻觉怎么抓一篇有专门流程，两篇配套使用。配图可以用即梦生成示意图，知识点标签用表格工具整理，都是顺手的事。题库越厚，AI 的角色就越往后退——你只需要它补差额、出变式，主干题都在自己手里，把关权自然就稳了。
延伸阅读：AI 出的题为什么一眼就假。
审题四查清单
- 查事实：年份、数据、史实细节逐个核
- 查范围：没超纲，表述与教材版本一致
- 查答案：参考答案自己做一遍再定
- 查表述：句式风格贴近学生平时的题型
关于教师出题的三问三答
- AI 出的题目直接用会怎样？：可能一次两次没事，但事实错误、超纲内容一旦进了正式考试，后果由命题教师承担，这道风险不值得冒，逐题审过再定稿是成本最低的保险。
- 审题会不会把省下的时间又花光了？：熟练之后单题核查很快，重点火力放在事实类细节和答案推敲上；题库沉淀起来之后，复用的题只需抽查，整体净省时间。
- 让 AI 自己检查自己的题目行吗？：可以让它列考点、查表述，但模型核模型存在共同盲区，它没学过的知识两边一起错。最终核验要靠教材和教师本人。
