while advanced economies face broader AI exposure overall, workers in lower-income countries may have less access to the complementary skills and infrastructure that allow AI to augment rather than replace their work
✅ 提纲称「援引 IMF 关于互补技能与基础设施的观察」——属实，出处是 IMF 2024 年 Staff Discussion Note。注意 IMF 原话的结构是先承认发达经济体整体 exposure 更广，再补充低收入国家缺互补技能与基础设施，因而 AI 更可能替代而非增强。这是机制假说（may have），不是实证结论。原文还补了一条自家旁证：低收入经济体即便控制任务结构差异后，仍更多以自动化方式使用 Claude。
even if occupation-level exposure metrics—which tend to be higher in advanced economies—suggest otherwise
🔴 这半句直接翻转第 11 题的方向，提纲完全没提。原文说：职业层面的客观 exposure 指标在发达经济体反而更高，与自评方向相反。所以「AI 可替代性与 GDP 负相关」只在自评口径下成立，客观口径下是正相关。第 11 题若要论证低收入国家更易被替代，只能建立在主观感知加 IMF 的机制推测上，不能宣称有实测支撑——否则一被追问「哪个 exposure 指标」就会崩。
the average share of tasks people report AI can do for them now is about 10 percentage points lower among high-income countries.
⚠️ 提纲称「Figure 3.4 —— 可替代任务份额与国家 GDP 负相关」。数字方向对得上（高收入国家低约 10pp），但口径被改动：原文测的是 reported exposure，即人们自己认为AI 能替自己做多少，是主观感知，不是任何客观的可替代份额。原文全篇严格区分 reported（自评）／observed（实测使用）／theoretical（理论上限）三种 exposure。转述时把「自评感知」写成「可替代任务份额」是把主观指标当客观指标用。
The Economic Index Survey is not representative of the general population. We reach a random sample of Claude users, there may be selection in who completes the survey, and we filter out infrequent users from our analysis.
🔴 作者主动声明的样本限定，第 7、10、11 题引用本章任何数字都要带上这句：非人口代表性；只覆盖 Claude 用户；填答本身存在自选；低频用户（会话数 <5）被剔除。最后一条尤其重要——被筛掉的正是「用了觉得不好用就走了」的那批人，与三月报告的幸存者偏差是同一个结构性问题。
where the measurement suite is being studied with nearly 20,000 students aged 16-18 over several months
🔴 跨页关键事实：爱沙尼亚那项「2 万学生纵向研究」的对象是 16-18 岁未成年人，时长「several months」。这一条同时确认了两件事——(1) OpenAI 的国家级部署确实把未成年学生纳入了直接使用与研究对象，与 Anthropic「仅 18 岁以上」的对比成立；(2) 所谓「纵向」目前只有几个月，别按多年期读。
we’ve begun this work as part of the broader Global Al for Learning Alliance (GAILA)
提纲漏掉的一条：教育板块挂在多方联盟 GAILA 之下，Anthropic 是参与方之一，不是主导方。第 11 题陈述「Anthropic 在撒哈拉以南非洲和印度做基础教育 AI」时应加上「与盖茨基金会及联盟伙伴共同」，否则夸大单一厂商的作用，也削弱了论点的可信度。
The largest part of our partnership will focus on improving health outcomes in low- and middle-income countries
直接影响第 6、11 题的量级判断：合作里最大的一块是全球健康，教育只是并列四板块之一，而且经济流动性板块的重心还在农业。把这项合作说成「AI 教育公平的旗舰工程」会显著高估其教育投入份额。
set up these programs and apply Claude to real-world problems
🔴 阶段判定（第 11 题的关键）：全文没有任何成果数据、试点结果或受益人数。结语用的措辞是「期待……把这些项目搭建起来」「预计会学到更多」——处于意向与搭建期。全篇唯一确定的既成事实是资金承诺和合作范围。这项合作只能当「投入方向」的论据，不能当「效果」的论据。
In sub-Saharan Africa and India, we are creating AI-powered apps that support foundational literacy and numeracy programs.
⚠️ 提纲称「非洲与印度的基础读写/算术 AI 应用」——三处口径要收窄：(1) 原文是撒哈拉以南非洲，不是整个非洲；(2) 时态是 are creating（在建），不是已部署；(3) 定位是 support…programs，即辅助既有的读写与算术项目，不是 AI 直接教学生。第 11 题若假设「AI 已让基础教育公平大幅提高」，本页提供不了任何支撑。
Education systems are a critical route through which this gap is closed.
框架自陈，值得对着念：本页开篇把问题定义为「capability overhang」——AI 能做的和人们实际在用的之间的落差，然后把教育系统定位为闭合这个落差的「关键通路」。即教育在此被明确表述为技术采纳的渠道。这不是阴谋论解读，是原文自己的因果链，第 11 题追问主权时可直接引。
Our first cohort includes Estonia, Greece, Italy’s Conference of University Rectors (CRUI), Jordan, Kazakhstan, Slovakia, Trinidad & Tobago, and the United Arab Emirates.
第 11 题「主权」的具体案例清单：首批 8 个国家／机构，且注意其中意大利进来的不是教育部而是大学校长会议 CRUI，即入口既有政府也有大学联合体。⚠️ 但全页没有一个字涉及数据驻留、模型权重本地化、退出条款或政府对系统提示词的控制权——「主权」在这份公告里只有部署规模，没有治理安排。
giving every teacher and high school student equal access to AI tools purpose-built for learning
⚠️ 张力点，辩论可直接用：爱沙尼亚 AI Leap 的 CEO 说的是「每一位教师和高中生平等获取」，而 OpenAI 自己在同一页只承认中学是 small pilots。同一份公告里官方合作方的口径比厂商口径更激进——引用「全国部署给中学生」时要标明这是爱沙尼亚方表述，不是 OpenAI 的承诺。
AI tools like ChatGPT Edu have already been deployed nationwide in Estonia, across public universities and secondary schools, reaching more than 30,000 students, educators, and researchers in its first year.
✅ 提纲称「爱沙尼亚全国部署、公立大学＋中学、首年逾 3 万人」逐字对得上。但口径必须说清：more than 30,000 是「学生＋教育者＋研究者」三类合计，不是 3 万学生；原文没有给出三者各自占比。爱沙尼亚全国 15-19 岁人口本就只有约六万量级，这个 3 万里教师占多少，直接决定「学生直连」这个论断的强弱。
Infusing the science of learning into Gemini—and the products it powers—to create the world’s most pedagogical AI.
提醒读者定位：这是 cloud.google.com 的产品营销页，页首标语是「打造世界上最具教学法的 AI」，其余大半页是 Google Cloud 的导航与产品目录。研究内容只占约 200 行，且全部以摘要形式呈现、正文在外链 PDF 里。引用塞拉利昂 RCT 时应直接引技术报告原文，而不是这张落地页的概述。
Expert pedagogical raters evaluated LearnLM to GPT-4o, Claude 3.5, and Gemini 1.5 Pro in a wide variety of simulated learning scenarios.
口径：比较对象是 GPT-4o 与 Claude 3.5（2024 年的模型代际），场景是 simulated learning scenarios——模拟对话，没有真实学生、没有学习成果指标。到 2026 年仍把这条挂在产品页上作为竞争力证据，在「三大厂对垒你信谁」这个问题上正好可以反用：这类跨厂比较的保鲜期极短，且从未由第三方复现。
In a head-to-head competition, educators and experts preferred Gemini 2.5 Pro over other models when evaluating its pedagogy and effectiveness in helping with learning goals
厂商自评的典型形态：比赛由 Google 组织、评分维度是 Google 自己提出的「五条学习科学原理」、结论是自家模型在每一条上都胜出。这是偏好评分，不是学生学习成果。区分产品营销与研究表述的分界线就在这里——本页把 arena 偏好、专家评分、真实课堂 RCT 三种证据放在同一列表里平铺，但它们的可信度相差一个数量级。
more likely to solve novel problems on subsequent topics than students who worked with human tutors alone
再次确认对照组：human tutors alone（仅人类辅导）。即 5.5pp 证明的是「加了 AI 的人类辅导」优于「纯人类辅导」，而非 AI 优于无辅导。任何把它读成「AI 可替代教师」的转述都反了——实验里教师始终在环。
LearnLM proved to be reliable, with only 0.1% of all messages containing factual errors.
对照阅读：0.1% 错误率与 5.5pp 均来自 165 人的英国 Eedi 探索性 RCT，与塞拉利昂 1763 人的试验是两项完全独立的研究，人群、场景、干预方式（教师在环聊天辅导 vs 学生用 Guided Learning 模式）都不同。产品页把它们并列展示会造成「证据累积」的错觉，实际上二者不能互相佐证。
Gemini’s Guided Learning shown to boost learning outcomes in math for Sierra Leone students
🔴 独立性问题：执行方 Fab AI 是 Google.org 2025 年 11 月宣布的资助对象之一（当时的说法就是「将开展国际研究以测量 AI 对学生学习成果的影响」），研究结果发布在 Google Cloud 的产品页上，报告由 DeepMind 自行托管。预注册确实提高了可信度，但资助方＝被评估方＝发布方这条链条没有断开，也未见同行评审。证据等级：设计良好但非独立的厂商研究。
By standard conversion, that gain reflects roughly 1.8 to 2.5 years of extra learning progress.
🔴 「相当于 1.8–2.5 年额外学习进度」是教育研究里最容易夸大的换算。所谓 standard conversion 依赖一条参照曲线：某人群每学年在测验上平均涨多少分。在塞拉利昂这类基线学习增速极低的环境，分母很小，同样的效应量会被换算成惊人的「学年数」。本页既未说明用了哪条参照曲线、也未给效应量的标准差单位。上台时用百分位表述，别用「多学两年」。
giving them a large boost—equivalent to moving a student from the 50th to the 64th percentile in mathematics
口径：14 个百分位的位移，是相对于同一实验人群分布的位置变化，不是绝对分数提升，也不是相对于英美同龄人的排名。⚠️ 提纲说 RCT「评估提升」暗示结果未出——实际上结果已在 2026 年 5 月的技术报告中给出，而且相当大。这一点提纲低估了；但同时提纲用它论证「假设成功不再是假设」仍属过度推论，因为这是剂量条件下的子群体效应（见上一条）。
The results demonstrate that engaging with Gemini's Guided Learning mode for at least 12 hours over the 8-week trial significantly improved students' learning
🔴 本页最重要的一处方法学限定，提纲完全没提：效应量是对「8 周内实际使用满 12 小时」这个子群体报告的，不是意向性分析（ITT）。按使用剂量筛选样本会破坏随机化——能坚持用满 12 小时的学生本身在动机、设备、供电、家庭支持上就系统性更强。所以这个数字混合了「AI 的效果」和「能高频使用 AI 的孩子本来就学得更好」。追问一句即可击穿：全体随机分组的 ITT 效应是多少？本页不给。
to conduct a pre-registered randomized controlled trial (RCT) with 1763 students from junior secondary school (Grades 7 and 8) in Sierra Leone
✅ 提纲的四个关键词全部逐字命中：pre-registered（预注册）、randomized controlled trial、1763 students、junior secondary school（7–8 年级，即初中）、Fab AI、塞拉利昂。这是三大厂教育证据里设计规格最高的一项。⚠️ 但提纲把「后续将在美、英、印、塞拉利昂继续 RCT」也挂在本页——本页查无此表述，那句话出自 2025-11 的 blog.google 公告，引用时须换源。
will conduct international studies to measure AI’s impact on student learning outcomes
🔴 利益冲突要点：Fab AI 是本页宣布的 Google.org 资助对象之一，而它承担的正是「测量 AI 对学生学习成果影响」的国际研究——后来塞拉利昂那项 1763 人 RCT 就是它做的。即评估方由被评估方出资。这不必然意味着结果造假，但在「你信哪家的证据链」这一问上，独立性缺失必须标注为证据等级的扣分项。