计算机科学课不及格率创新高 学生不会自己解题
当 AI 成为学生写作业的日常工具，考试成绩也开始反映它带来的影响。 加州大学柏克莱分校 2026 年春季多门计算机科学课程不及格率大幅攀升，教授指出，过度依赖 ChatGPT 等大型语言模型，正让部分学生在真正需要独立解题时暴露能力落差。
根据校内成绩统计平台Berkeleytime与校园媒体报道，2026年春季学期，多门基础计算机科学课程的不及格率明显攀升，部分教授认为，学生过度依赖AI、数学基础能力不足，以及教学资源缩减，都是背后的重要原因。
数据显示，计算机科学入门课程 CS 10 本学期有 35.3% 学生拿到 F，另一门核心课程 CS 61A 则有 10.6% 学生不及格。 相较于2024与2025年春季学期，两门课的不及格率都未超过10%，今年的变化格外明显。
依据电机工程与计算机科学（EECS）系的评分指引，低年级课程的D、F比例通常约为7%，而平均GPA应落在2.8至3.3之间。 但今年两门课平均成绩仅为C+，约相当于2.3 GPA。
教授：AI 过度使用让学生考试时“原形毕露”
负责教授 CS 10 与 CS 61A 的教学教授 Dan Garcia 表示，异常偏高的不及格率，主要原因之一是学生大量依赖大型语言模型完成作业。 他指出，一部分不及格学生是因为作弊遭查获并移送学生纪律单位处理; 另一部分则是在平时过度依赖 AI 完成作业，等到考试无法使用工具时，才发现自己并未真正掌握课程内容。
Garcia表示，仅在 CS 10 这门课，本学期就有近 30 名学生因居家考试作弊遭到查处，而涉及的工具包含 Claude、ChatGPT 与 Google Gemini 等生成式 AI 系统。
不采成绩曲线 让问题直接浮现
值得注意的是，Garcia本学期并未采用常见的“曲线调分”（grading curve），而是采固定门槛制度，只要达到标准就能取得对应成绩，学生彼此之间不互相竞争。 他认为，若使用曲线调分，可能会掩盖学生整体能力下滑的现象。 Garcia表示，课程应该明确定义 A、B、C 各自代表的能力标准，并提供学生足够机会达成，而不是限制只有固定比例的人能拿高分。
数学基础能力下滑也成隐忧
除了 AI 使用习惯外，教授们也发现学生的数学能力出现明显落差。 教授Gireeja Ranade负责的EECS 127“工程最佳化模型”课程，本学期F比例达16.8%，同样远高于系上高年级课程约5%的正常水平。 Ranade 表示，这门课要求学生具备线性代数、向量微积分与数学证明等先备知识，但她在办公时间辅导学生时发现，不少人连基本线性代数都不熟悉。 更令她意外的是，有学生透露自己修习的线性代数课程，作业与考试都允许“开放网络、开放 AI”。
两位教授目前也都已加入超过1,300名加州大学教师联署，支持恢复STEM科系招生采计ACT与SAT标准化考试成绩，希望改善学生的数学基础能力。
助教减少、学生互动意愿下降
除了学习方式改变，教学资源缩减也加重了挑战。 由于经费压力，柏克莱近年持续缩减大学部计算机科学招生名额及助教人力。 Ranade表示，她原本安排由教授与助教共同指导的期末专题，今年因人力不足而被迫取消。 两位教授也都提到，学生参与度明显下降。 过去经常挤满学生的 Office Hour，如今常常空无一人。
Garcia 坦言，过去办公时间总是坐满学生，但最近两个学期，竟然第一次出现“整段时间没有人来”的情况，让他相当意外。
AI 时代更需要培养独立思考能力
面对 AI 已成为学习工具的新环境，两位教授都认为，大学教育不应因此降低要求，而是应该更加重视批判思考与分析能力。 Ranade强调，未来世界竞争只会更加激烈，教育的目标是培养学生面对未知挑战的能力，而不是让 AI 代替他们思考。 Garcia 则引用同事的一句话作为总结：“困惑，是学习流下的汗水（Confusion is the sweat of learning）。”他认为，许多学生现在最大的问题，或许正是没有愿意投入这份学习所需的努力。
