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

AI 辅助的教育研究

创建 2026-10-05 · 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。

综述（Synthesis）： AI 辅助的教育研究，是把 AI 用作本领域自身学术工作的工具——检索文献、为综述筛选记录、为质性数据编码、分析数据、撰写与修改稿件，并反思这些工具对所生产知识的影响。它与"关于教育中 AI 的研究"不同：研究 AI 是否有助于学习的设计属于 教育人工智能的研究方法，对 AI 系统的评估属于 人工智能教育评价，对单篇 AIED 研究的阅读属于 解读与应用 AIEd 研究。本页涵盖研究者自身的工作流程与实践者-研究者的探究——教学学术（scholarship of teaching and learning）与课堂研究——以及自动化进入其中任何一者时的认识论利害。其证据稀薄且新近：一份框架提案、一个综述团队的反思性记述、一项小型焦点小组研究、两项文献计量研究、一份研讨会报告，以及单一研究者的案例研究。它描述的是一种行进方向，而非既定实践；而实践者-研究这一支是其中最薄弱的。

值得思考的问题

  • 这里谁算"研究者"：有资助的学者、研究生、研究自己课堂的讲师？证据实际描述的是哪一类？
  • AI 筛查器把一项研究从你的综述中排除了。这个决定由谁负责——供应商、工具、研究方案，还是你？
  • 当模型总结你并未读过的文献时，你已经停止了学术工作的哪一部分？
  • 一个模拟学习者可以在多种画像上测试一个导师。在相信它对真实学生的判断之前，你会检查什么？
  • 实践者探究通常是局部的、小规模的。它的证据应当达到资助试验的门槛，还是因为情境本身即是要点而被不同地权衡？
  • 如果 AI 帮助撰写了论文，应当告知读者什么，这种披露应当放在哪里？

引言

AI 辅助的教育研究，是这一领域把 AI 工具转向自身的工作。研究对象不是使用 AI 导师的学习者，而是使用模型来搜索、筛选、提取、编码、分析或写作的研究者。变化的是研究者的工作流程，以及更隐蔽地，其产出算作证据的标准。

本页刻意不讨论"关于教育中 AI 的研究"。AI 导师是否改善学习的问题由 教育人工智能的研究方法 处理，AI 系统的评估由 人工智能教育评价 处理，对单篇研究的谨慎解读由 解读与应用 AIEd 研究 和 AIEd 研究的局限 处理。这两类文献常被混为一谈，后者的工具性主张常被借用来支持前者。

范围从文献检索经筛选、编码、分析到写作，并包括追问自动化对领域所生产知识意味着什么的认识论反思。它也包括实践者研究：教学学术与课堂探究，即教师研究自己的实践。这是本页最薄弱的部分，下文各节如实指出这一点，而不加以粉饰。

AI 如何进入研究工作流程

关于使用方式的记述比对效果的证据更为一致。Dai 与 Chan（2026） 在一所机构以七个焦点小组访谈了 28 名研究生，发现 28 人中有 27 人在研究的某处使用了生成式 AI：构思、文献综述、解释、数据处理、编程、学术写作、编辑与翻译。

他们的参与者是校准过的，而非轻信的。他们按感知到的利害与智力要求把工具匹配到任务，在低利害的程序性工作中更重地使用 AI，在学术贡献处于核心的地方保持谨慎。他们也全程保持人工监督，把模型当作一个可能"误导"或"完全错误"的助手。

政策性的发现才是实用的发现。现有机构指引针对的是教学、学习与评估，参与者感到它抽象且与研究实践脱节。作者提议面向研究者的指引，建立在四维 AI 素养框架之上，作为发展性脚手架而非规则手册。

该研究覆盖单一机构、28 人自选样本和自陈式记述；学生可能因学术诚信原因少报使用情况。它描述的是一个有能力群体如何使用这些工具，而非这种使用产生了什么。

文献检索与获取

一份研讨会报告描绘的是议程，而非测量。CHIIR 2026 生成式 AI 与学术检索研讨会（Generative AI and Academic Search）聚集了人机信息交互与检索领域的研究者，其报告描述了为文档检索而构建的系统如今在进行总结、推荐、综合与对话——动摇了"系统定位来源、而解释仍由用户进行"的假设。

一场闪电演讲测试了模型如何重构学者。以 OpenAlex 与 Google Scholar 对跨 10 个学科、8 个全球区域的 1,596 位种子作者的真值为基准，高被引研究者的重构率约为低被引同行的两倍，测试了 DeepSeek R1、Llama 4 Scout 与 Mixtral 8×7B。

一位馆员报告了"信任鸿沟"：学生往往过度信任生成式检索，而教师不信任它，单次工作坊被认为不足以形成持久的素养。参与者最常回到的设计线索是"摩擦"——让用户保持参与那种批判性的、有时令人不适的工作，而学习正由此产生。

该报告覆盖单一的自选活动，主要记录意见、设计原则与研究问题。其数字属于各场演讲而非研讨会本身，其中没有任何内容表明 AI 学术检索改善或损害了学习。

筛选与系统综述自动化

系统综述是自动化推进最远之处，也是其局限显现之处。Wang 等（2026） 反思一个跨学科团队的综述，报告自动化主要在摘要筛选处减少了程序负担——工具如 ASReview、SWIFT-Review、Covidence、AIScreenR 与 MetaMate——而数据提取、调和与综合仍由人工审稿人承担。指导与同行讨论发挥了方法论基础设施的功能，而非礼数。

他们的结论是分工而非移交：把自动化分配给程序性负荷，核验每一项产出，让解释性决策保持人工。该记述是一个团队的反思，没有对照条件，因此其策略是被描述的而非被检验的。

Zabaleta 与 Lin（2026） 量化了综述自动化论文的报告问题，覆盖承载 14,726 个标注项的 888 篇综述自动化论文。自 2023 年以来，38.0% 的软件与产品论文完全没有报告任何评估，而 LLM 论文为 9.3%。分层后差距依然存在：在筛选与选择中，软件论文平均有 3.2 个实质性评估项，39.3% 报告无评估；而 LLM 论文平均有 7.3 项，无评估率为 3.8%。

评价好并不意味着适合委派。在 118 篇仅有正面评估的 LLM 论文中，52% 仍报告了至少一个担忧，即工作流程低于其角色所需的门槛。模型访问以专有为主：84.1% 的 LLM 使用依赖专有或托管系统，11.0% 为混合，仅 4.9% 为开放权重。

从这些模式中，作者导出 PRISMA-LLM，一个三层框架，其五个实施层级是披露层级而非风险层级。它是提出以供检验的提案，并非 PRISMA 执行委员会认可的官方扩展。他们提醒，论文层面的沉默并不证明验证不存在——它可能存在于产品报告、研究方案或代码仓库中。

质性编码与分析

质性分析是解释即产物的阶段，这使委派更难辩护。质性研究 页面汇集了语料中关于 AI 辅助编码的证据，包括显示人-模型一致性不等于编码质量、以及错误会经由时间性分析级联放大的研究。那一文献把模型当作需要以人工判断核验其产出的规模化助手。

Martin 等（2026） 直接描述了角色转变。随着自动编码模型的应用，研究者从编码学生数据转向验证模型产出；当无监督模型对推理进行聚类时，算法执行了初始的探索性分析。他们论证，研究者越来越需要在质性、量化与理论专长之外具备数据科学技能。

他们的框架也提供了在此关键的检查项：可解释 AI 可以揭示自动编码追踪的是语义理解还是仅关键词。一个与人工标签一致的编码流水线仍可能读错了东西。

数据分析与认识论利害

Martin、Rost、Koenen 与 Graulich（2026） 追问该领域的知识生产本身，其文章是本页的脊梁。基于 Hasok Chang（2004）对认识论迭代的阐述——层层递进、朝向认识论目标的知识阶段——他们将其与温度计约 150 年的发展历程作类比，论证该领域如今可能正处于一次可比的迭代之中。

他们的核心担忧是认识论而非技术性的。Chang 的定律测量问题认为，测量一个量需要一条把它与某可观测量联系起来的定律，而该定律在不已知该量的情况下无法被经验检验。AI 导出的测量函数从训练数据与优化中涌现，而非来自研究者，可能加剧而非消解这一问题，因为它们可能既精确又具预测力，却始终不透明。

该框架有七个阶段：问题框定；工具化与测量；实验与基于证据的推断；比较与复制；规范与共识的建立；实施及其后果；以及持续精炼。作者把它们呈现为分析维度，可能重复、重叠或缺失，而非一个已验证的序列。

可比性是具有最尖锐公平性边界的阶段。Regnault 原理要求仪器在相同条件下给出相同读数、同类仪器彼此一致——但可比性必须延伸到不同学生群体，而机器学习倾向于更好地编码典型想法，而非学生表达较弱想法时的多样方式。

他们也指出了一个问责问题。研究者使用预训练模型，其训练数据、微调与目标他们可能并不知晓，这增加了一层认识论依赖；由于这些系统从社会技术网络中涌现，责任变得难以分配——一个"多手问题"。

必要的诚实是：该文章未报告数据，也未确立任何学习效应。它并未表明 AI 方法论改善了研究或产生了更有效的结论；该比较被设定为未来工作，作者也承认其假设"很可能被证明是错误的"。

研究写作、引用与诚信

写作是 AI 辅助最显眼之处，也是其失败后果最严重之处，因为一条引用是一份问责声明。Denny 等（2026） 审计了整个 ACM Digital Library——723,930 篇出版物与 15,872,533 条引用——并追踪了 2021 年以来发表的 5,225 篇计算教育论文中的 113,588 条引用。

他们人工核验了 828 条可疑记录，在 14 篇论文中发现 30 条包含可验证伪造的书目信息的引用，全部出自 2025 与 2026 年。在 SIGCSE 技术研讨会上，数量从 2025 年论文集的 3 条升至 2026 年的 17 条，出现在 2.3% 的 2026 年论文集中。30 条中有 17 条是混合型，把真实标题与伪造或不正确的作者配对。

他们的计数是一个刻意的下限，并把问题呈现为共享的、而非由软件解决的。作者应当核验每一条被引作品，尤其在写作中使用了生成式 AI 时；审稿人无法审计每条引用，因此出版方采用针对性检查；出版商应改进元数据。自动检测继承了它当作真值的元数据中的缺陷。

AI 写作的规模效应见于第二项文献计量研究。Wang 等（2026） 分析了 2020 年以来 PLoS 与 Nature 系列期刊的 147,074 篇出版物，发现 AI 辅助写作与更小、更偏初级成员的团队相关。在从完全无 AI 辅助到完全 AI 辅助的极端转变下，团队规模在 PLoS 中小 22.1%，在 Nature 中小 45.5%（Poisson β = −0.250 与 −0.607，均 p < 0.01）。

影响力并未明显受损。约 7.34% 的 AI 辅助 PLoS 论文与 7.40% 的 Nature 论文进入 FWCI 前 5%，高于两个人工撰写对照组，匹配比较显示进入前 5% FWCI 的概率分别高 3.0% 与 2.7%（均 p < 0.01）。数据是观察性的，因此作者放弃了强因果主张。

研究环境中的持久化智能体

在单次提示之外，持久化智能体正被嵌入研究工作空间本身。Alzahrani（2026） 报告了一项 115 天的单一研究者案例研究，对象是一个拥有持久记忆、本地文件、外部工具、定时例程与委派角色的智能体，运行于一位医师-科学家的工作空间中。

描述性结果规模很大。可恢复的主智能体遥测覆盖 96 个活跃日的 75,671 条去重记录，活跃日比例为 0.835；工作空间有 502 个记忆相关文件、17 个配置的智能体目录与 57 个技能文件。严格的 25 天 5 月子集包含 627 个模型完成事件与 73,950,305 个记录 token，其中 82.9% 为缓存读取，观测系统支出约 US$1,961。

该研究的主要贡献是一个测量框架——PARE-M——它的构建源于：持久化智能体意在支持的产出（如治理、每件制品的成本）是片段式基准不可见的。其核心负面发现是，聚合交互量并未表明人工输入的减少：随着记忆与程序的积累，被委派工作的范围扩大了，因此最强的模式是容量扩张，而非已被证明的劳动替代。

其局限是单一自观察案例所招致的那些。一位研究者同时是用户、设计者、数据来源、分析者与受益者，没有对照组、没有基线期，治理事件也没有独立编码者。

作为研究与评估工具的模拟学习者

模拟学生 是知识库中关于该技术与现象的页面：如何构建一个知识状态与错误足够忠实的合成学习者以代替真人。本页把同一装置当作研究与评估的工具——当一项干预、一个工具、一个基准或一个导师必须在大规模或真实学习者无法提供的条件下被测试时，合成学习者是用来做什么的。

最清晰的用途是对导师的长期评估。Lee 等（2026） 让一个智能体导师与一个模拟学习者建立 30 天的关系，后者的掌握度（由在真实学生数据上训练的知识追踪模型驱动）决定其回答。评估 10 个智能体适配器，每个都在 5–10 天内达到平台期，且远低于理想学习参照线，这是单次会话评估无法得到的结果。对观测到的探针准确度的校准检查紧贴对角线（ECE 0.049，Brier 0.033，覆盖 1.19 million 次尝试）。

保真度是前提，且它是可测量的。Wang 等（2026） 报告与真实学生行为轨迹的偏离度为 DKL = 0.31，而最佳基线为 0.53；在 71 名评分者的图灵测试中，其轨迹与真实学生数据在统计上不可区分（52.8% 准确度，d′ = 0.15）。要避免的失败是胜任力偏差：被提示的模型把任务解决得太好，无法代替新手。

信念状态是最容易被伪造的部分。Do、Sonkar 与 Sachan（2026） 表明，在从 4B 到 120B 参数的七个模型上，模拟器在针对性、错位与泛化的反馈下，都以近乎一致的比率放弃被指定的误解、依据内部知识重新求解。他们用 Selective Flip Score 量化这一点，并通过训练将保真度提升最多 +0.56——要点在于：提示一个角色并不构成一个学习者。

模拟学习者也充当评估工具本身的受控试验台。Fan 等（2026） 在预注册方案下将三个导师底座各与一个固定的弱模拟学习者配对，发现通用帮助性评分几乎不携带教学信号：七种策略在被评教学上跨越 2.3 分，却在被评帮助性上处于 0.25 分的带内。在每个底座上，答案揭示式轮次之后学生独立工作都更少。

这一告诫应写在本页上。模拟器的判断只与模拟器本身一样好，而它的覆盖倾向于最容易的学习者。

实践者研究：SoTL 与课堂探究

这是语料记录最少的一支。教学学术与课堂研究是实践者探究——教师研究自己的课程，常在小规模上、常作为自我研究——而此处收集的页面并未提供该模式下 AI 使用的研究性记述。

最接近的证据是相邻的而非切题的。Dai 与 Chan（2026） 中的研究生在学习成为研究者，而非研究自己的教学。Wang 等（2026） 的团队开展的是正式的跨学科综述，而非局部项目。文献计量研究描述的是学科与出版商，而非课堂。

因此诚实的陈述是一个缺口而非一项发现。AI 辅助的实践者探究很可能广泛存在，却几乎未被本语料记录；一个把综述自动化与文献计量证据呈现为已解决讲师应如何用 AI 研究自己教学的页面会是过度伸张。

可以跨页传递的是一种倾向而非一个结果：在方法中指明 AI 的角色，让解释性决策保持人工，并报告哪些被核验了、哪些没有。

证据尚未确立的东西

  • 没有面对面的比较。 Martin 等把 AI 辅助方法与传统方法之间的比较设定为未来工作。没有任何锚定文章表明一种 AI 方法论产生更有效的结论。
  • 整体设计薄弱。 锚点是一个框架提案、一个团队的反思性记述、一份研讨会报告、一项焦点小组研究，以及观察性文献计量。没有一个是 AI 辅助方法的对照试验。
  • 是报告缺口，而非实践审计。 PRISMA-LLM 读的是论文层面的沉默；一篇论文中没有评估的工作流程仍可能已在别处被验证。
  • 实践者研究代表性不足。 此处只有少数页面提及 SoTL 或课堂研究，因此语料无法支撑关于教师研究自身实践的论断。
  • 移动的目标。 工具的改进快于发表，因此一项关于 2025 年工作流程的发现，描述的可能是一代已不再以该形式存在的系统。

关联概念

关联文章

引用

Martin, P. P., Rost, M., Koenen, J., & Graulich, N. (2026). Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research. Science & Education.

Wang, X., Dadashipour, F., Basori, Maeda, Y., & Richardson, J. C. (2026). Scaffolding systematic reviews in learning design and technology through mentoring and AI integration. Educational Technology Research and Development.

Dai, W., & Chan, C. K. Y. (2026). Shaping responsible GenAI use in research through AI literacy-oriented guidelines: Insights from postgraduate students. International Journal of Educational Technology in Higher Education, 23, 33.

Denny, P., Barbre, G., Blake, M., Hua, Y. C., Leinonen, J., Luxton-Reilly, A., Prather, J., & Reeves, B. N. (2026). Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature. arXiv preprint.

Zabaleta, M., & Lin, B. (2026). PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews. arXiv preprint.

Liu, Y., Arguello, J., Hoeber, O., et al. (2026). Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS). ACM SIGIR Forum.

Alzahrani, A. H. (2026). Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study. arXiv preprint.

Wang, H., Zhang, M., Bu, Y., Zhao, S. X., & Liu, M. (2026). Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams. arXiv preprint.

Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M., & Kwon, H. (2026). EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners. arXiv preprint.

Wang, H. D., Cohn, C., Xu, Z., Guo, S., Biswas, G., & Ma, M. (2026). BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation. arXiv preprint.

Do, H., Sonkar, S., & Sachan, M. (2026). Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators. arXiv preprint.

Fan, S., Deng, B., Xu, M., Liu, J., & Zhang, H. (2026). Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models. arXiv preprint.

相关常见问题

元数据

层次Higher Ed
目标读者Researchers, Instructors, Faculty Developers
技术与方法生成式人工智能, 大语言模型（LLM）, 人在回路, 模拟学生, 模拟
评估与测量教育测量, 学习收益
研究方法与评价教育人工智能的研究方法, 元分析与系统综述, 质性研究, 量化研究, 人工智能教育评价, 基准, 混合方法研究
公平、伦理与负责任使用AI 使用与披露声明, 幻觉风险, 信任
教育中的人工智能基础AI 素养, 人机协作, 学术诚信
页面类型Synthesis
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。