如何为法律课程的 AI 使用制定评估规则

为法律教育制定人工智能规则时，与其先问“AI 是好是坏”，不如先问：这项作业究竟要证明学生具备什么能力？如果一份法律备忘录要展示的是学生发现争点、衡量法源并构成可辩护论证的能力，那么由工具直接提供结构或文字，就可能遮蔽课程真正要评估的工作。反过来，若练习的目的正是训练学生监督 AI 输出，全面禁止又会遮蔽另一项重要能力。

伯克利法学院自 2026 年夏季起生效的默认政策，把这一差别说得很清楚：学生不得借助 AI 对计入学分的作业进行构思、列提纲、起草、修订、翻译或编辑；考试中不得因任何目的使用 AI；AI 检索仅可用于识别潜在来源；课程材料也不得上传至生成式系统。与此同时，教师可以提前以书面形式制定适合本课程的例外规则，并要求学生披露获准的使用。

这里真正有价值的启示不是每一项法律作业都应采用同样边界，而是边界必须说明：正在评估什么能力、哪些数据不能离开受保护环境、以及学生需要保留什么证据来说明工具如何被使用。

先定义被评估的能力，再定义工具边界

只写“不得使用 ChatGPT”的规则很快会过时，也无法清楚处理相邻产品。搜索引擎、文字处理软件、法律检索服务、转录工具和文件审阅平台都在加入生成式功能。教育上的关键不在产品名称，而在功能是否替代了作业本来要考察的学生判断。

如果考试要评估法律分析，受保护的工作可能包括选择关键事实、识别规则、区分判例，以及在有限时间内表达结论。规则可以禁止生成式工具参与这些步骤，而不必声称所有场景中的 AI 都不合适。若作业考察检索能力，边界可以更窄：系统可以帮助列出潜在判例，但学生必须阅读原始法源、核对引注，并自行判断该法源是否支持所述观点。

这种做法也让评估更容易解释。学生知道课程要求他们练习什么，教师也能说明为什么在一个场景中限制便利功能、在另一个场景中允许它。

用四类许可把规则写得可执行

一份可操作的课程规则可将 AI 使用分成四类。第一类是必须独立完成的工作，例如考试答案、第一版法律分析或初步提纲。第二类是可以限定允许的辅助，例如寻找公开来源、生成练习问题，或批评已经完成的初稿。第三类是使用前必须取得书面许可的情形。第四类是绝不能上传的信息，包括类客户假设、未公开课程材料、录音或含有个人数据的文件。

每一类都应使用可观察的动词。“可以用 AI 做研究”仍然含糊；“可以请 AI 建议检索词，但不得在未阅读并核对所引法源前依赖其生成的判例摘要或引注”则清楚得多。伯克利对“识别来源”和“提交的作业”的区分，正说明了这种精确性：找到判例与判断判例含义不是同一项学习活动。

让获准使用可复核，而不是不可见

披露最有用的形式，是记录足以判断过程的信息，而不是要求学生提交每一次按键。简短声明可以写明所用工具、获准目的、提供给工具的材料，以及学生如何核验最终采用的结果。对高风险项目，提示词记录或版本历史可能更合适。

这样做会改变教学对话。教师不必只从润色后的文字中猜测作者身份，而可以追问为何选择某项法源、为何接受或拒绝某条 AI 建议、以及如何完成核验。口头追问、分阶段草稿和迭代式写作都能直接考察推理。伯克利的问答也提到，具体情境下可采用口头展示和迭代写作等评估方式。

披露不应预设每一次使用都是违规；它的作用是区分获准的协助与未披露的替代，并给学生机会展示自己的判断。

将隐私和职业责任纳入能力要求

法律工作常涉及不应发送至公共生成式服务的信息。即使在课堂中，阅读材料、作业、讨论录音和假设性客户事实也可能涉及保密、知识产权或隐私问题。强有力的课程规则应把这些限制与学术诚信要求分开说明，让学生理解：即便工具不会替他们写最终答案，也可能不适合处理相关材料。

这一区分也与法律实务相呼应。美国律师协会指出，律师使用生成式 AI 时，既有职业义务并不会消失。为进入这一环境做准备的学生，需要练习的不只是判断输出质量，还包括判断服务会接收什么数据、生成答案实际支持什么结论，以及发生错误时由谁承担责任。

通过作业反馈修订规则，而不是靠口号

有效的 AI 政策是一项可以检验的教学设计。一个学期后，教师可以复盘学生是否理解了许可范围、规则是否兼顾无障碍需求、常见误解出现在哪里，以及作业是否仍在衡量目标能力。答案可能是补充一个具体例子、优化披露表，或调整评估方式，而不一定只是更严格地禁止。

核心原则具有持久性：当独立推理正是评估对象时，法律教育应保护它；当受监督的 AI 使用正是教学对象时，法律教育应教授它。清晰边界、明确披露、经核验的来源与受保护的数据，能让这两个目标同时更可实现。