AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

学习者自主性

创建 2026-08-13 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

学习者自主性——学习者有意地行动、作出选择并掌控自身学习的能力。在教育中的人工智能里，自主性是一个核心关切，因为 AI 工具既能支持也能削弱学习者的掌控：设计良好的 AI 保全并放大学习者自主，而过度依赖或被动接受 AI 输出则会侵蚀它。自主性与自我调节学习、动机、自我效能以及 AI 系统的伦理设计相连，并与自主性（autonomy）与能动感（sense of agency）这两个心理学概念密切相关。

值得思考的问题

  • 学习者自主性——你有意地行动并掌控自身学习的能力——在教育 AI 中居于中心。当你使用一个 AI 工具时，你对学习过程真正保留了多少掌控，相比工具本身？
  • AI 既能支持也能削弱自主性：设计良好的 AI 放大你的自主，而过度依赖侵蚀它。想一想你曾让 AI 直接"代劳"的一次经历。你是否学得更少了，即使输出看起来更好？
  • 把解读任务交给 AI 的学生，会失去对自身推理的自主性。当你把一项任务交给 AI 时，你在悄悄放弃的是自己思考的哪一部分？
  • 一项研究发现，学生先前自发的 AI 学习预测了其从教学中获益的多少——高自主性的学习者受益最多。如果自主性部分是你带入的一种技能，你自己的情境如何能建立它、而不是假定它？
  • 自主性不只是一种特质——它时刻浮现于小组工作之中，AI 可以在学习者不知不觉间重新分配谁在塑造一项协作。你上一次注意到一个工具悄然引导一个小组的方向，是什么时候？
  • 唱反调的 AI 人格可以把小组推向生产性的挑战，却同时降低了团队满意度与心理安全感。生产性摩擦能否在没有心理安全感的情况下存在——这对设计 AI 队友意味着什么？

引言

自主性之所以要紧，是因为当学习者是主动、有意的参与者而非被动的接受者时，学习最有效。AI 系统——无论是导学智能体、机器人还是聊天机器人——都塑造着学习者对其学习过程保留多少掌控。因此，保全自主性是负责任的教育 AI 中一项关键的设计原则，与支持自我效能、建立信任、避免过度依赖并列。

**Mishra 等**把"控制 vs. 自主性"框定为教育 AI 中根本的、反复出现的张力——从早期的 ITS 直到今天的生成式 AI——使学习者自主性成为该领域争论的持久轴线。

对智能体式工具而言的零和自主性观： Prieto 与 Dimitriadis（2026）论证，教育 AI 工具被赋予的自主性越多，学习者保留的就越少——自主性实际上是一场零和博弈，而当下的以人为中心的设计路径（如价值敏感设计）并不充分，因为过度依赖与孤立是由更宽的系统性因素以及人倾向于走最容易的路所驱动的。他们的解放性设计愿景朝向复杂系统中的学习者繁盛，把保全与培育学习者自主性当作生成式 AI 设计的核心目标，而非事后之想。

自主性是一种目的，不只是一种能力： 上述框架问的是学习者保留了多少自主性，而Fagerlund 等（2026）问的是教育中的人工智能是为了什么。他们访谈了十三位从学前到九年级的芬兰教师，了解其用 AI 教学与教 AI 的目的，并通过 Biesta 的教育目的三域（资格化、社会化、主体化）来解读这些叙述，发现能力是最清晰、最具体的终点：教师希望学生把 AI 理解为一种社会技术现象并使用其工具。主体化，即与 AI 之间自决的、个人意义化的投入，被确认为重要，却未被给出具体的教学策略，教师只是诉诸泛泛的讨论与沉思，而非设计好的活动。作者提出有据的 AI 自主性作为一条启发式，把主体化置于中心，同时把各项能力当作其解释性基础，帮助学生看到有哪些选项存在并选择要追求什么。实际的后果是直接的：一种技能优先的课程可能挤掉它本应服务的能动性目的，而补救办法是让 AI 教育之"为何"显明，而不是往清单上再添一项能力。

自主性如何出现在本知识库的研究中

在十个模型上做基准测试，支持自主性是它们在学习之外做得最差的地方。 ImpactBench 在正向判据上测得"自主性与目的"为 56.0%（95% CI [49.2, 62.5]），在负向判据上为 43.9%（[36.9, 50.8]），在 14 个子领域中倒数第二，而其保全自主的协助判据问的是，一个模型是否提供语境与取舍，而非开出一个行动的处方（ImpactBench（2026））。模型在避免伤害上的一致性也远低于在提供帮助上：分别为 38.6 个百分点与 15.9 个百分点的落差。

代价取决于被委派的是哪一层：在一项为期八周的写作研究中，委派推理——论据、反论、证据解读——与独立表现的负向关联最强（ab = −0.34），而自我调节的写作削弱了它却从未逆转它（Chen（2026））。

一项对 85 个固定写作小组中 342 名本科生的三波面板研究给了这一关切一个时间方向：在随机截距交叉滞后面板模型中分离出稳定的个体间差异之后，高于平常的GenAI依赖预测了随后更低的感知自主性，而自主性到依赖的路径更弱且无统计支持，尽管置信区间与蒙特卡洛敏感性分析留下了小幅反向效应的可能。它的日志数据也警示不要把使用量读成自主性丧失——自报的依赖确实与 AI 使用强度对应，但日志无法区分策略性咨询与卸载或顺从，因此仪表板应当在阅读强度的同时，也看话语、反思与修订的证据。（Wu 与 Lu，2026）

一个互补的叙述拓宽了 SRL 而非取代它：de Barba（2026）区分了调节（管理自己的过程）、整合（在时间与语境中组织自我）与定位（批判地解读环境所测量的东西），并论证面向自主性的设计必须把学习者从"条件之内的自主性"带到"对条件的自主性"，而不是优化行为代理指标。

  • 为自主性而设计： 面向生成式社交机器人的基于知识的设计（Teachy Mini）应对了诸如过度依赖这类侵蚀学习者自主性的风险。

  • 为交接而设计，而非为延长投入而设计。 Amico 双模原型把 AI 当作有边界的、暂时的中介，其成功以向教师、同伴或社群的可观察转移来衡量，而非以与 AI 共度的时间来衡量；其意大利—中国试点发现，学习者把它认作一个有边界的工具，而非一种关系性替代品（Benedetti（2026））。

  • 自适应脚手架与专业自主性相抵。 de Jong（2026）论证，由于适应要求系统评估用户的能力，它削弱了专业人士对自身发展的权威，并有对专家过度脚手架化之险，而一个被认为不必要的机制会被干脆忽略——留下"由谁决定哪些用户获得脚手架"这一问题悬而未决：是系统、组织，还是专业人士本人。

  • 更有能力的脚手架并不等于更多自主性。 一个定制的专家设计机器人提高了职前教师的交互长度与自发提示，然而在它和 ChatGPT 两种条件下，协作问题解决的自主性都下降了，因为参与者选择认同机器人的意见而非批评它（Krushinskaia 等（2026））。

  • 先前的自主性预测谁受益： Liang 等（2026）依托 Bandura 的社会认知理论，表明学生的先前自发 AI 学习（自主性的一种行为表现）预测了其从一年学校 AI 教学中获益的多少——高自主性学习者带着最强的准备度进入，而学校课程收窄了心理上的差距却未触及认知上的差距。结构化教学与先前与自主性相关的学习是协同作用的，而非互相替代。

  • 原则性选择作为技术变革下的教师自主性： Adiozaman 与 Segar（2026）在一学期内三次访谈了两位资深学者，发现他们在 AI 中介的教学中既非全盘采纳也非全盘抗拒，而是经由受教学价值、伦理承诺与专业判断引导的、有意的、依情境而定的决定——作者把这一模式称为原则性选择，其中对某种用途的拒绝算作判断，而非失败的采纳。它是上述学习者发现的教师一侧对应物：不均衡的 AI 使用可以是自主性的行使，而非其缺席的证据。

  • 教师自主性是学习者自主性的中介条件： 最新的教师一侧发现把上述学习者发现留下的隐含分野讲明了：教师自主性是设计时的、中介性的，学习者自主性是当下施行的，前者为后者设定条件。Canonigo（2026）在为期八周的 ChatGPT-4 干预中追踪了十位中学数学教师，发现在教师策划并审问 AI 输出的地方（提出开放问题、预先提示工具释放提示而扣留解法、要求学生把 AI 输出与自己的工作并置并论证哪种方法更好），它成为一件供批评的临时工件，学生走向猜想与元认知式的提问；而在中介缺席的地方，权威迁移到了算法一边，教师成了验证者而非知识的第一来源，一位教师把这形容为从"神谕"到"编辑"的转变。工具质量的不均衡抬高了那种中介所要承载的分量：在 50 个提示各提交三次到每个模型的情况下，免费层级在 150 份回应中有 49 份不准确（32.7%），而付费层级为 150 份中 18 份（12%）（χ2(1) = 17.5，p < .001）。Charles（2026）得出准备度的含义：教师自主性是一种通过设计决定与工件被动员起来的专业资源，因此准备度应当从教师产出的设计来判断，而非从他们使用 AI 的频率，而一个经过深思的决定扣留 AI 本身就能体现准备度。合起来读，这些发现告诫不要把高的 AI 使用量读成能动性课堂的证据，因为保全学习者自主性的那种性情，是在教师所设计与批评的东西中行使的，而不在于工具是否开着。

  • 师生控制不是零和的——但正确的分配依阶段而定。 一项参与式快速约会研究让 17 位教师与 13 名学生为 34 种混合控制设计排序，发现两组都偏好在准备与启动阶段有强的教师控制，随后随协作展开逐渐增加学生的投入——而两组都从未偏好完全的学生控制。这些偏好彼此镜像：教师希望对配对时机有更多控制，而学生希望有就绪度的自我信号；学生信任教师对伙伴的选择，而教师希望学生在伙伴问题上有发言权。设计含义：按决策点与阶段分配自主性，让有界、结构化的学生提案由面向教师的分析来校验，而非自由形式的否决。（Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing）

  • 有选择可及不等于行动中的自主性： Su、Nair 与 Nagashima（2026）把 69 名大学学生随机分配到一个 2 × 2 设计，交叉一个集群模拟的参数控制与一个可选的对话式智能体的可得性，发现在控制了先前知识之后，两种可供性对学习增益都没有可靠效应（参数控制 F(1, 50) = 0.04，p = .849；智能体 F(1, 50) = 2.68，p = .108）。增益追踪的是控制如何被使用：在概念最复杂的那一课中，滑块时间预测了更高的增益（β = .11，p = .007），而同一行为在较容易的那一课预测了更低的增益（β = −.04，p = .047），且与可选智能体的互动从每位学习者 0 到 32 个问题不等，与结果无关。作者把这读作自主性是被施行的而非被授予的：设计问题是什么帮助学习者决定什么值得改变、并注意到后果。

  • 早期研究生涯中的认识论委派： Han 与 Liu（2026）把博士生与博士后研究者中的 AI 依赖框定为认识论委派——把问题设定、方法选择与解释权威转移给智能系统——并发现它与研究自我效能和研究自主性都呈负相关，导师支持缓冲了这种损失。它把自主性争论从学习者自主扩展到研究者自身的形成。

  • 解释性权威作为一个设计变量（一个概念框架）。 Porath（2026）把由谁决定的问题重新框定为解释性权威的分配——谁定义问题、评价回应、并判定理解何时达成——映射出四种非层级的构型（人类主导、AI 辅助、AI 指令式、对话式伙伴关系），而课堂会在单一任务内在它们之间移动，并把这种移动锚定在五个生态层级上，从个体元认知到社会文化叙事。该文的规范性主张与本页的证据一致：AI 指令式构型，无论多么精巧，都可能压制生产性挣扎与元认知调节——正是本页识别为自主性之基底的那些能力。作为一篇概念性论文，它贡献的是诊断词汇，而非经验证据。

自主性与自我调节学习、动机、自我效能、学生体验、人机协作、伦理、过度依赖以及元认知相连。它是机器人、导学与AI 学习智能体设计中的一项核心考量。

  • 有边界的用作为认识论控制，而非勉强。 Zagami（2026）报告，在一项 484 份回应的大学调查中，成就较高的学生表现出更低的主动 AI 投入与更低的感知学习影响，同时报告更低的 AI 相关脱离，并把自己的使用描述为验证密集型的：先检查输出，再把它从属于自己的推理之下服从。若作为自主性而非回避来读，这一模式是对判断的有意保留——学生在用工具做澄清与概括的同时，保住对结论的作者身份。
  • 持续的边界工作，而非工具技能，才把自主性与委派区分开来： 用同一个检索锚定工具的学生，无论约束并重写它的输出、还是早早让出解读，都产出了打磨程度相当的工件，因此差别只出现在提示、延迟、纠正与拒绝之中（O'Byrne，2026）。
  • 行动、知道与回答不是同一件事。 一项对 366 篇GenAI高等教育摘要的语料库辅助话语分析，把 AI 命名为主体 2,050 次，却从未让它成为可问责的，而评判输出与验证断言的责任被放在学生身上：语法上的激活、功能上的能动、认识论上的权威与规范上的问责彼此分离（Poudyal，2026）。
  • 自主性有三种模式，而第三种由政策供给。 只有 18% 的教师与 24% 的校长报告学校有 AI 政策，多数教育者在没有代理性自主性为其行事的情况下行使个体自主性——即 Bandura 的第三种模式，由机构规则供给（Tench、Weinstein 与 James，2026）。

自主性作为一种涌现的、交互的现象

学习者自主性不只是一个静态的个体特质——它也是一个涌现的、由交互建构的过程，通过话语与小组工作时刻的协调得以施行。在协作学习中，自主性是分布的，并通过发散过程（产生想法、探索替代方案）与收敛过程（评价、整合、综合）的相互作用被不断地重新协商。这一视角对 AI 要紧，因为智能体式 AI系统可以在一个小组内部微妙地重新分配认识与调节的劳动，重塑谁贡献、谁塑造方向、谁调节进度——而学习者往往并不自知。

  • 自主性作为一种能力配置的涌现性质。 人—AI 协作能力框架刻意不把学习者自主性列为单独组件，而把它当作学习者在协调领域、AI与元认知能力时所表达的东西——即 TPACK 赋予教学法的那种整合性工作，如今传递到学习者自身的元认知教育中的人工智能监管；在 24 位高等教育教育者中，每一个维度都出现在他们的言谈里，其中领域（编码单元的 12–19%）与 AI（16–22%）居于前景（Dang 等，2026））。

  • **Jin 等（2026）**提供了最直接的证据：在一项 AI 作为未披露的队友运作的大型实验（224 名学生，97 个三人小组）中，支持型与唱反调型 AI 人格仍重构了涌现的自主性。唱反调型 AI 把话语拉向挑战与反思取向的轨迹（生产性摩擦），而支持型 AI 稳定了认同并重启了观念生成。

  • AI 人格作为话语治理机制。 唱反调型人格把挑战的负担外置（把认识劳动重新分配向批评），而支持型人格外置了肯定与共识的维持。该研究识别出六种涌现的自主性画像——其中值得注意的是，反思性的教育中的人工智能监管是人类独有的（AI 外置了批评/肯定，却没有外置元层级的监控）。

  • 摩擦的情感代价。 唱反调型 AI 在没有产生创造性表现增益的情况下降低了团队满意度与心理安全感，把认识上的刺激与体验上的可持续性解耦。这告诫说，"生产性"的话语结构应当连同其情感后果一起被解读——自主性只在心理安全的气候中繁盛。

  • 隐含的 AI 参与是不可见的治理。 由于这些人格在未经 AI 披露的情况下仍然起作用，该研究把人格设计定位为对协作过程的一种不可见治理——这一发现对写作助手、同伴互评系统与团队协作平台有直接的含义，它们可能在未宣告自身在场的情况下塑造贡献。

  • 小组式评估中自主性的三种模式。 Chen 与 Zou（2026）就一场真实的小组展示访谈了 15 组职前教师的焦点小组，发现自主性同时在三个方向上运作：五个小组把 GenAI 使用强化为协作的基础设施（面向合作的自主性——解码同伴的部分、对齐各段、保护共同成绩），七个约束它（规范性的自主性——为保护真实性、公平、原创性与视角多样性而划出界线），三个从未把个人作业的做法改掉（未施行的自主性，个体能力从未被集体动员）。他们的区分之所以要紧，是因为这里的约束是规范性的自我调节，而非顺从或脱离，也因为光有能力并不产生集体自主性。小组成员身份还倒转了小组作业本应产生的问责：一种宽容的集体气候降低了被感知的误用风险，而非提高承诺。

  • 自主性作为一种关系性的自我。 Xie（2026）挑战了那种个体主义的自主性模型，他认为连 AI 批评也预设了这一点。依托道家的关系性自我——一个通过与他者及宇宙的关系而构成的"流动而异质的"自我——他得出结论：数字鸿沟或算法歧视是"对自我根本构成的侵犯"，使学习机会的平等"不只是一条伦理诫命，而是一个本体论上的给定"，而不对称的权力与环境代价是自我的"内在维度"，而非外部性。他的反理想——"真人"（Zhenren）即自然的学习者——把 AI 当作一种"工具性的附属物"，而非认知的替代品——自主性是被培育的整全，而非无摩擦的优化。（Alternative AI Philosophy: Daoism as Method for AI in Education）

对协作情境而言，这重新框定了设计问题：不在于 AI 能否作为队友参与，而在于它那有模式的参与如何在认识上的严谨、情感上的安全与学习者的拥有感之间取得平衡。有边界的摩擦（受约束的挑战，配以整合与修复的动作）与明确的元协作素养是被建议的保障。

对自主性的结构性解读出现在El Khoury 与 Ma 的快乐评估框架中，那里自主性被当作一种设计属性而非动机：学生选择任务的顺序、设定节奏、并示意一次交互何时结束，因此支持是可得的，而工作的责任仍留在学习者身上。他们命名的机制是 appraisal——在没有观众的情况下排练、并选择何时开始——它改变了任务的意义，从一个裁决变成学生可以塑造的东西——他们论证，对那种转变的反复经验，正是把偶发的效能感沉淀为日常对待评估的姿态的东西。

自主性 vs. 学习者身份

学习者身份与学习者自主性容易混淆，然而它们命名不同的东西——而两者都被 AI 重塑。

  • 自主性是施行的；身份是被栖居的。 自主性是当下有意地行动并主导自身学习的情境性能力——一种可变的、交互的属性。身份是更持久的、叙事性的"自己是谁、正在成为谁"的感觉。自主性是一个过程；身份是一种存在状态，从它累积而来。
  • 身份是被内化的自主性。 反复的能动行为——选择、创作、坚持——正是一个学习者把自己看作一个能动的、有胜任力的人的方式。身份是自主性跨时间的沉淀，由承认与归属感强化。
  • 不同的失效模式。 自主性被过度依赖与被动接受所侵蚀（学习者停止主导推理）；身份被作者身份的丧失与胜任力威胁所侵蚀（学习者不再觉得产出是自己的，或不再觉得自己属于这个领域）。AI 对认识劳动的隐含重新分配主要是一个自主性关切；创意领域的胜任力悖论主要是一个身份关切。
  • 两者都必须被设计。 面向自主性的设计保全控制与选择（有边界的摩擦、人在回路的监督、透明）；面向身份的设计保护作者身份与承认（真实性评估、对 AI 与人贡献的清晰归属、让学习者主张一个领域的任务）。只保护自主性而不保护作者身份，保住了控制却保不住自我价值——反之亦然。

被施行的自主性与稳定的身份之间的这一区分，同样适用于拒绝。如Zagami（2026）所描述的，为受评写作而拒绝一个聊天机器人、为无辅助的推理而禁用它、在学生支持中抗拒自动分诊、或推迟采购，是对不同系统的不同关系，横跨个人、教学、专业、行政与机构层面，而非一种持久的性情。那项权利分配不均：有学术信心的学生可以拒绝而不受罚，而需要语言、可及性或快速反馈支持的学生把拒绝读成机会的丧失，安稳的学者出于原则拒绝，而随意的教职员感到被要求采纳。当 AI 位于基础设施之中时，拒绝就从个人的退出被置换到采购、审计与可争辩性上。

  • 拒绝作为身份的建构，而不只是一个决定（学徒制学习中的有色人种学生）。 Gyekye（2026）在九个月中访谈了五名中学阶段的学徒，发现他们通过 AI 以三个动作书写了自身：拒绝（不使用即是对机构的顺应）、协商（修补机构性的错配，隐私成为一种遥远的抽象）、以及承认（把公平等同于可见偏见的缺席——一种文化扁平性，他们的身份在 AI 的回应中得不到表征）。该研究的两个解释性概念——机构 AI 素养（Institutional AI Literacy）与承认带宽（Recognition Bandwidth）——命名了那种让 AI 使用在机构层面可辨识的能力，以及学生在 AI 产出中看见自己被承认的空间。这是一项五名学生、单一项目的叙事探究；其贡献在于表明 AI 的使用、限制与拒绝，与学习者如何理解自己作为作者与新兴专业人士是纠缠在一起的。

生态共同自主性框架：自主性作为一个认识论设计问题

Poudyal（2026）把学习者自主性重新框定为根本上是一个认识论关切：生成式 AI不只是增加了一件工具，而是重新分配了认识论权威——即生产知识、验证断言、创造学习证据的能力——从教师到学生再到机器。该文的生态共同自主性框架把共同自主性当作三个相互依存的维度之间的关系，全部由人类认识问责这一不可协商的条件所约束：

  • 关系性共同自主性——自主性作为学生、工具与语境之间交互的产物，要求透明地划分哪些任务被委派给 AI、哪些被保留，加上伦理上的共同自主性，即人类保留首要的问责并以监督身份行动。
  • 调节性共同自主性——把自我调节学习周期（预思、表现、反思）映射到 AI 中介之上。GenAI 是在学习者尝试之前还是之后进入，决定了它是放大还是侵蚀被感知的控制；策略性的认知外包只有在卸载的决定是有意的而非例行之时，才支持变革性的学习。
  • 教学法共同自主性——把教师置于中心，沿着一条观察者—采纳者—协作者—创新者的连续体移动，这取决于机构支持，而非个体性情。

该框架的边界条件要求可争辩性（质疑与交叉核查 AI 输出的能力）、来源可溯（知道训练数据与输出从何而来），以及道德与智识功劳的不可委派（关于学生福祉、学业地位与成绩的高风险判断不得仅由 AI 决定）。这给了教育者与政策制定者一套比"人的贡献与人工的贡献之间要保持平衡"这种含糊说法更精确的词汇，把自主性与伦理、评估、公平性与AI 治理相连。

一个密切相关的框定是关系性认识自主性（Du 与 Yuan（2026）），它同意自主性是社会使能的、受技术中介的，而非一个与依赖相隔离的问题。在生态共同自主性框架强调人类认识问责为不可协商的边界之处，Du 与 Yuan 保留了一种明确的不对称：AI 系统可以在不拥有对等责任或合法权威的情况下塑造并扩展推理。他们的六项诊断判据——可争辩性、可恢复性、可迁移性、可追溯性、分布的责任与认识论多元性——提供了一个实用检验，用以判断一种人—AI 关系何时保全了学习者参与主张如何形成、评价与接受的能力，何时又只是交付一件产品。按这种说法，自主性不是对工具的独立，而是借助、经由并反抗那些中介知识的系统来负责任地判断的能力。

  • 被委派的自主性作为一种机制，不只是一种风险。 Yan 与 Gašević（2026）把认知工作向 AI 的委派当作学习发生方式的一部分，而非仅仅对它的威胁：在他们的叙述中，受协助的表现只有在学习者保持对问题设定、标准设定与答案论证的责任时，才成为持久的能力——他们称这种劳动分工为被委派的自主性。这使分配本身成为设计变量，因为同一个工具可以保全也可以消解学习者自主性，取决于它吸收了哪些责任。

关联概念

关联文章

相关常见问题

元数据

目标读者Learners
学习与教学动机, 自我调节学习
公平、伦理与负责任使用伦理
教育中的人工智能基础学习者自主性, 认知外包, 人机协作
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。