继续想象上一节纸桥课。一个孩子提交了一座漂亮、牢固的桥。机器人选好了结构,提示了每一道折痕,还帮他调整了支点。老师换了一种纸,问:“现在要让它承受同样的重量,你会改哪里?”孩子沉默了。
桥通过了测试。学习未必通过。
这不是反对帮助。任何教学都包含帮助。问题是,帮助究竟让能力留在了学生身上,还是一直留在系统里。
当机器参与得越来越深,作业的正确率,可能越来越像机器的成绩单。
一组令人不安的数字
一项发表于 PNAS 的研究,在土耳其一所高中对近千名学生开展数学教学实验。使用普通 GPT 式界面的学生,练习成绩相对无 AI 组提高了 48%;但随后撤去 AI 的考试中,成绩反而低了 17%。这些是相对差异,不是增加或减少了相应的百分点。带有教学限制、以提示为主的版本缓解了这种负面结果,但没有显示出显著的独立考试优势。研究原文
这项实验不能支持“AI 让所有学生退步”的结论。它研究的是特定学校、数学内容和短期教学安排,也不是实体机器人研究。它真正提醒我们的是:辅助状态下的表现,与撤去辅助后的能力,可以向不同方向移动。
反过来,也有积极证据。另一项纳入分析的学生为 194 名的大学物理随机交叉研究中,专门设计的 AI 辅导,在两次教学中的即时测验表现优于课堂主动学习条件。这个结果支持精心设计的辅导可能有效,但不能直接外推为所有年龄、所有课程、长期学习都更好。研究原文
两项研究不是简单的相互否定。系统怎样帮助、学生需要做哪些认知工作、课程内容以及测量时点,都可能改变结果。把所有 AI 教学压缩成一个“有效”或“无效”,会错过最重要的设计问题。
三张不同的成绩单
我们至少需要三张成绩单
第一张,记录学生与工具一起能够完成什么。这是真实能力的一部分。成人工作也使用工具,教育没有理由假装它们不存在。
第二张,记录不依赖这道题的即时提示时,学生能够解释和完成什么。能够复述答案不够,还要说清为什么、发现明显错误,并知道何时应该怀疑建议。
第三张,记录过一段时间、换一种条件之后,学生能否把知识用到新问题里。换材料、换数字、换目标,原来的理解是否仍然成立?
这三张成绩单回答不同的问题,不能相互代替。一份漂亮作品证明了作品完成;它不会自动证明独立理解,更不会自动证明迁移。
这里的“独立”也不意味着撤掉残障学习者必需的辅助设备。评估应当去除的是替代目标能力的帮助,同时保留合理的无障碍支持。我们要弄清学生学会了什么,而不是测量谁更能忍受障碍。
Physical AI 会把这个问题带进双手
屏幕 AI 可以替人写出推导,实体系统还可能替人完成动作。
它可以扶稳器材、摆正零件、调整力度,让任务顺利结束。这些能力在生产中可能很有价值,在学习中则需要另一本账:究竟是哪一次观察、尝试和修正,被它顺手拿走了?
并非所有错误都值得保留。危险动作必须被阻止;初学者也需要示范和明确指导。把学生丢进完全陌生的任务,再把挫败叫作“自主探索”,同样是不负责任的教学。
更合理的设计,是根据目标安排帮助的顺序。先请学习者预测,再给出安全的尝试机会;遇到困难时,从指向问题的位置开始,而不是立刻给出完整操作;完成以后要求解释;最后换一个条件,看看刚才的理解能不能继续工作。
这是一套可检验的教学方案,不是已经适用于每个年龄和任务的统一公式。帮助的力度应根据基础、任务难度和反馈调整。关键在于:系统是否有意识地把控制权交回学习者。
两个阶段,两种结果
更舒服,不一定学得更多
另一个难题来自体验本身。我们很容易把流畅当作理解,把不费力当作进步。
一项大学课堂随机研究发现,主动参与的学生实际学得更多,却可能感觉自己学得更少。它研究的是课堂教学,并非 AI;但它提醒我们,学习感受不能直接替代学习测量。研究原文
这也不是为无意义的痛苦辩护。好的教学应当减少羞辱、混乱和无效负担,同时保留那些真正促成理解的工作:预测、比较、检索、解释、纠错。
如果教育产品只追求更高的满意度和更快的完成速度,就可能把这些必要环节也一并优化掉。一个永远及时接管困难的系统,很容易让人觉得自己越来越会,实际上却越来越需要它。
理解会不会成为新的奢侈品?
这是我的担心,也是可以改变的方向:答案变得廉价之后,稀缺资源可能转向愿意观察学生、安排练习、等待解释并检验迁移的时间。
如果一些孩子得到的是“替你做完”的系统,另一些孩子得到的是“让你学会”的教学,技术普及也可能伴随新的学习差距。这里提出的是风险机制,不是已经证实的普遍结果。判断它是否发生,需要比较实际的教学安排与长期能力变化。
教育系统不能只问每分钟产生多少答案。它还要问:这些答案背后,学生建立了多少可以重新调用的理解?遇到系统不熟悉的新问题时,谁还能继续判断和行动?
真正好的教育 AI,应该让学习者下一次少依赖它一点,或者更清楚地知道为什么、何时需要它。
下一篇把这个问题从课堂推向工作:当机器接手了初级任务,年轻人原本依靠这些任务积累经验的道路,会不会也一起消失?
