AI 能不能少停几天课？菲律宾把卫星、灾害图和学校数据接进教育系统

教育 AI 不只用来出题、批改和写教案。灾害来临时，它能否帮助学校更精确地保护安全、维持学习？

2026 年 8 月 26 日，菲律宾教育部宣布在全国推广 LIGTAS+（Learning Institution Geohazard Tracking and Assessment for Safety Plus）。这个系统把学校信息、多灾种风险图、卫星影像、地理空间分析和 AI 天气预报放进同一个决策界面，目标不是让算法替校长宣布停课，而是让地方教育部门和学校在暴雨、洪水、高温、地震、火山活动等风险来临前，能更早看到“哪一所学校、面临哪一种风险、需要怎样的响应”。来源：菲律宾国家通讯社

这件事值得关注，并不因为它听起来很“未来”。恰恰相反，它把教育 AI 从最常见的课堂工具，拉回了一个更基础的问题：学生能不能安全、连续地学习。

不是让 AI 决定停课，而是减少“所有学校都一样”的盲区

面对台风或强降雨，教育系统经常只能采取范围很大的动作：整片区域停课，或者等风险已经发生后再逐校应对。这种方式有必要，但它也有一个现实难题——同一座城市、甚至同一个行政区里的学校，地势、通行条件、建筑安全、是否被用作临时避难所，都可能完全不同。

LIGTAS+ 的思路，是把这种差异变成可见信息。该平台由菲律宾教育部灾害风险管理部门与教育人工智能研究中心共同建设，公开介绍显示，它覆盖 4.8 万多所公立学校、九类灾害风险；洪水部分接入 Sentinel-1 合成孔径雷达周度图，气象部分使用 AI 预报模型输出未来 24—120 小时的预测及不确定性区间，另有地震、山体滑坡、风暴潮、热指数、海啸、干旱与火山风险模块。来源：LIGTAS+ 项目说明

这并不意味着系统会给出一个绝对的“该停”或“不该停”。风险图只能提供证据，最终决定仍要由教育部门、地方政府和学校根据现场情况做出。它真正有价值的地方，是把原本模糊的、靠经验汇总的信息，变成能被追问的判断依据：这次预警影响的是哪几所学校？风险来自积水、道路中断、建筑、极端高温，还是校舍将被征用为避难所？如果不必全域停课，有没有学校可以转为远程学习、错峰上课或提前转移物资？

停一天课，损失不止一天内容

把学习连续性放到教育 AI 的中心，并非小题大做。联合国儿童基金会在《Learning Interrupted》报告中指出，2024 年，85 个国家约 2.42 亿学生曾因极端气候事件而中断学习。来源：UNICEF

菲律宾的证据尤其提醒人们，不要把短期停课当成无关紧要的“小波动”。亚洲开发银行基于菲律宾 2019 年 TIMSS、学校行政记录和台风预警数据的研究发现：因学校被用作紧急避难所而产生的一天停课，与学生成绩下降 0.12—0.14 个标准差相关，折算约为半学年至一学年的学习量。研究作者强调，这一结果描述的是关联和特定情境下的影响，但它至少说明：频繁、看似短暂的中断，可能会累积成学生兴趣和学习节奏的明显损失。来源：ADB 工作论文

所以，教育系统需要的并不是一张更炫的灾害地图，而是一条完整的“风险—决策—学习恢复”链路。若系统只能提醒风险，却不能帮助学校准备备用课程、联系家庭、安排临时学习点或统计返校情况，它仍然只是一个信息看板；若它能把这些环节串起来，才可能成为教育韧性的基础设施。

这类 AI 应该怎样被评价？看四个结果，而不只看模型

第一，看安全。系统有没有更早识别需要撤离、暂停线下活动或保护设施的学校？这一指标必须优先于“少停课”。如果为了减少停课而忽略真实风险，技术就失去了教育价值。

第二，看连续性。在同等风险下，学校是否能更早启动备用课程、补课、远程支持或学习材料分发？重点不是追求零中断，而是缩短从风险发生到学习恢复的时间。

第三，看公平。数据较少、网络较弱、地处偏远的学校，会不会反而被模型看不见？系统要特别追踪最脆弱学校是否获得更快支持，而不是让数据完整的大城市学校先受益。

第四，看可解释与可复盘。每次决策都应能回答：使用了哪些数据？谁做了最终判断？预测与实际情况差在哪里？这既是改进模型的依据，也是学校、家长和地方政府建立信任的前提。

联合国教科文组织国际教育规划研究所将教育紧急情况中的数据系统视为韧性建设的一部分，但同时强调数据应服务于规划、协调与公平资源分配，而不是取代地方知识和人类判断。来源：UNESCO IIEP

数据越靠近学校，治理越不能模糊

把学校位置、设施条件、灾害暴露度和响应状态接入一个平台，带来的不只是效率，也带来新的责任。即使系统主要处理学校层面的地理风险，而非学生的个人画像，仍然要防止两个常见问题：一是把“不完整数据”误当成“低风险”；二是让平台从灾害响应悄悄扩展到与原目的无关的监控。

学校和教育部门至少应写清楚四条底线：

1. 目的限定。哪些数据只用于防灾、学习连续性与资源调度，不能因为“数据已经在平台里”就转作行为评价或商业用途。
2. 人工复核。预警、排序和建议必须保留负责人确认、申诉和覆盖的机制；系统尤其要显示不确定性，而不是只输出一个看似精确的分数。
3. 最小必要与分级权限。不同层级能看到什么，谁能下载、修改或对外共享，应当事先明确并留痕。
4. 事后审计。每次灾害后，不只复盘“模型准不准”，还要复盘哪些学校被遗漏、哪些家庭没有收到通知、哪些学生没有被接回学习轨道。

这与课堂 AI 的治理其实是同一道题：技术输出可以参与判断，但不能偷走判断的责任。UNESCO 对教育 AI 的权利保护也强调，数据保护、透明治理、包容性与问责机制必须与技术部署同步出现。来源：UNESCO

对中国学校的启发：先写一个“中断时还能学什么”的答案

中国的学校未必需要复制菲律宾的系统，但可以借用它提出的问题。遇到极端天气、公共卫生事件、校舍维修或局部安全风险时，学校往往很擅长完成“通知停课”，却未必有一份能立即启用的学习连续性方案。

可以从四个具体问题开始：

• 哪些风险会影响到本校，哪些信息能提前 24—72 小时获得？
• 一旦线下活动暂停，哪些学习任务可以继续，哪些任务必须等到师生重返课堂？
• 哪些学生最容易在中断后失联、缺设备或错过关键支持？
• 这次恢复后，我们如何知道学生真的接回了学习，而不是只恢复了签到？

AI 在这里最适合做的，不是替学校生成一份漂亮预案，而是帮助整理风险信号、识别资源缺口、生成针对不同年级的备用材料，并把复盘变成下一次更具体的准备。最重要的仍是人：谁来确认现场信息，谁来联系家庭，谁来决定教学如何调整，谁来对被遗漏的孩子负责。

菲律宾的 LIGTAS+ 提醒我们，教育 AI 的想象力可以比“更快完成作业”更大一点。危机来临时，一项真正成熟的教育技术，不是替学生学习，而是让学习不那么容易被中断。