加州大学伯克利分校的多门计算机科学入门课程出现了前所未有的高不及格率，远超院系指导标准。授课教师认为，学生对 ChatGPT 等 AI 工具的过度依赖、数学基础薄弱以及助教资源不足是导致成绩恶化的主要原因。这一现象也伴随着课堂参与度和答疑时间到场率的明显下降，促使教师们开始反思教学策略，并考虑加强补救性支持。
挂科率显著飙升
与往年相比，2026年春季学期部分计算机课程的成绩出现了令人担忧的下滑。
- CS 10 ("计算之美与乐趣") 的不及格率（F等）高达 35.3%。
- CS 61A ("计算机程序的结构与解释") 的不及格率也达到 10.6%。
- 作为对比，在过去两年中，这两门课的不及格率均未超过10%。
- 院系指导方针建议，低年级课程的 D 等和 F 等成绩比例应控制在 7% 左右。
此外，这两门课程的平均绩点（GPA）也远低于正常水平，显示出整体学生表现的普遍下降。
原因一：过度依赖AI与学术不端
授课教授丹·加西亚（Dan Garcia）认为，成绩异常的“主要驱动力”是学生因使用大型语言模型（如 ChatGPT）而导致的“学术不端行为急剧增加”。
“你看到的部分挂科学生，是因为我们抓住了他们（作弊）并进行了处理……但在其他情况下，是一些学生过于依赖大型语言模型来完成作业，导致他们在考试时完全没有准备好。”
在CS 10课程中，近30名学生因在带回家的考试中作弊被发现。加西亚教授坚持不采用按比例拉分的评分方式，这意味着学生的成绩只取决于他们是否达到预设标准，而非与同学竞争。他认为，明确的评分标准和多次达标机会才是公平的方式，按比例拉分会“掩盖问题”，假装一切正常。
原因二：数学基础日益薄弱
除了对AI的依赖，许多学生的数学基础不扎实是另一个普遍问题。
- 副教授吉里贾·拉纳德（Gireeja Ranade）在她的 EECS 127 课程中也注意到了类似问题。该课程的不及格率高达 16.8%，远超高年级课程的典型水平。
- 学生本应具备线性代数、向量微积分等先修知识，但许多人在答疑时表现出对线性代数的挣扎。
- 更令人震惊的是，有学生透露他们在伯克利上的线性代数课在作业和考试中都采取了“开放网络、开放AI”的政策。
因此，加西亚和拉纳德等超过1300名加州大学教员签署了一份请愿书，呼吁在STEM专业的招生中恢复对 SAT/ACT 等标准化考试成绩的要求。
其他因素：人员短缺与学生参与度下降
- 助教资源不足：由于助教时薪较高，学校削减了本科生助教的数量。这直接导致拉纳德教授不得不取消了EECS 127课程中通常能帮助学生提高分数的期末项目。
- 学生参与度下降：教授们发现，曾经“人满为患”的答疑时间（Office Hours）如今变得门可罗雀。
加西亚教授说：“我的答疑时间过去总是满的，但现在第一次出现没人来的情况。一个人孤零零地坐在办公室里，这太令人惊讶了。”
未来的思考与对策
面对这些挑战，教授们正在重新思考他们的教学方法。加西亚计划在新学期一开始就向学生说明之前发生的情况，并寻找方法来识别需要额外辅导的学生。拉纳德则强调，在人工智能时代，教授应该教给学生“更多，而不是更少”的知识，特别是批判性思维和分析能力。
两位教授都认为，学生需要更适应解决难题的过程。
“我非常喜欢我同事的一句话：‘混乱是学习的汗水。’ 我认为很多学生没有付出这种汗水。”