8 月 27 日，OpenAI 发布研究报道《Better answers, broader thinking: What students gain from ChatGPT and critical-thinking training》，并同步公开论文《Training novices to think, or giving them LLMs? Evidence from an RCT》。这项由博科尼大学（Bocconi University）研究者与 OpenAI 经济研究团队合作的预注册随机对照实验，把一个在教育界争论已久的问题变成了可以测量的问题：当学生用 ChatGPT 完成真实作业时，质量的提升是否以牺牲原创性为代价？
实验的回答是：两种干预作用在不同层面。ChatGPT 访问权提升了作业的质量与连贯性；一次因果推理训练——批判性思维的一种形式——则让学生产出更多独特的想法。同时接受两者的学生，两组效果兼得。
实验在博科尼大学进行：1,053 名经济学、管理学与金融学的大一新生、13 个班级，在课堂时间内完成一项真实商业案例——为学校的纪念品商店撰写不超过 180 词的咨询式营销建议，目标是提升校友对商店的知晓度与使用率，营销学中的两个标准指标。学生事先不知道自己正在参与实验，参与即正常出勤。
按班级随机分组，学生进入四种条件之一：仅因果推理训练（256 人）、仅 ChatGPT 访问（197 人）、两者皆有（351 人，超额抽样以检验交互效应）、两者皆无（249 人对照组）。因果推理训练与 AI 无关，通过一个游戏、若干示例、问题与反馈完成教学，训练学生把问题组织成"原因—机制—结果"的链条，并说明方案在什么条件下会失效；ChatGPT 组获得的是教育版访问权（GPT-4o）。
评价采取双轨：20 名硕士生担任评分者，每份方案由 3 人按 1—5 分量表打分；自动文本分析则分别测量每份方案的想法数量与多样性、因果推理的迹象，以及与 3 位领域专家方案的相似度。
获得 ChatGPT 访问权的组，在五点量表上比对照组（估计均值约 2.09 分）高出约 0.85 分。他们的方案包含更多想法、逻辑更清晰，也更接近专家写出的推荐——用论文的话说，LLM 让新手在训练有素的标准化任务上" resemblance 专家"。论文的效应分解显示，文本连贯性与想法数量约能解释其中一半，其余部分在所有控制变量下依然存在：模型改善的不只是表述，还有方案的内容实质。
值得记录的是 OpenAI 强调的一点：学生并不是把作业整体交给 ChatGPT。他们仍需决定问什么、评估模型的回答、选择哪些内容进入最终方案。
因果推理训练带来了更出乎意料的结果。完成训练的学生能更清楚地解释自己的方案为什么可行、何时会失效——机制识别提升约 0.5 个标准差，可证伪逻辑提升约 0.8 个标准差。但他们的量表得分没有提高：评分标准只衡量方案对"提升知晓度与使用率"两个标准营销目标的回应程度。
文本分析揭示了量表没有捕捉到的收益：完成训练的学生产出的想法范围更宽，与同侪的想法距离更远。论文对此的表述是，传统量表可以奖励一份清晰、结构良好的回答，却无法奖励"想出一个别人都没有的想法"。数据中还有一个更冷的细节：评分者奖励方案内想法的丰富度，却惩罚偏离典型方案空间的方案。
同时接受两者的学生表现出两组效果的叠加：想法多样性与仅训练组持平，量表得分与想法数量和仅 ChatGPT 组相当；而在连贯逻辑、可证伪逻辑与机制理解三项因果推理指标上，这一组呈现出整个实验中最强的增益。总体上，结合组的获益覆盖了最宽的测量维度。
论文里最值得教育者留意的一句结论藏在结果深处：因果训练的收益在 LLM 可用时依然存在——学会了的推理技能并没有被"外包"挤掉。随机设计让研究者得以把 ChatGPT 访问、思维训练与两者组合的效果彼此分离，这也是这项研究对快速增长的"AI 与学生"文献的主要贡献。
实验指向一个更大的问题。当 AI 能帮助学生产出打磨精良、类专家的作品时，只看最终答案，对学生真正理解了多少所提供的信息越来越少。论文的措辞更进一步：实验所用的量表惩罚偏离常规答案的方案——"如果我们想超越常规答案，约束条件可能在于我们要求与评估多样、新颖、原创答案的能力"，而这是 LLM 正在让更显眼、更紧迫的一个长期难题。
OpenAI 把这个问题放进一种延续数十年的模式里：技术与教育共同演化，服务于学生进入现代社会所需的技能。相应地，作业与评估需要开始奖励原创性、推理过程与多方案考量，而不只是最常规、最漂亮的答案。
一句话的结论：AI 让学生的答案更好，思维训练让学生的想法更宽。在为学生未来做准备这件事上，两者扮演着互补的角色。