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 误用与学习损害

创建 2026-08-12 · 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。

AI 误用与学习损害 — 学生把认知工作卸载给生成式 AI与持久学习减少之间的因果关系，即便当下的任务表现上升。其定义性特征是表现—学习缺口：AI 抬高有辅助的表现，同时损害无辅助、闭卷和保持的结果。

值得思考的问题

  • 一个学生可以在当下表现更好，却随时间学得更少——AI 能提高有辅助的表现，同时损害后来无辅助的成就。你什么时候感觉到自己"学会"了某样东西，而工具一消失它就无影无踪？
  • 核心发现是表现—学习缺口：使用无护栏AI 辅导的学生练习得分高 48%，闭卷考试却低 17%。这如何改变你对一个靠 AI 帮助取得的高分的解读？
  • 误用关乎替代——把本应构建持久理解的起草、回忆或分析外包出去——而不是把 AI 当作补充来使用。你会在哪里划定"AI 帮助你学习"与"AI 替你学习"之间的界线？
  • 受损害组的学生并未觉得自己学得更少。如果学习者无法察觉自己正被损害，那么教师应当观察什么，而不是轻信学生的自我报告？
  • 这种损害因评估类型而异：它出现在受监控的闭卷测量上，但当作业无法区分 AI 辅助与独立完成时，它可能被掩盖。什么样的评估才能真正揭示学生是否学到了？
  • 有护栏的"给提示不给答案"式 AI 既消除了损害，又保留了益处。要设计出支持学习而不成为拐杖的 AI 帮助，需要什么条件？

引言

AI 误用与 AI 使用是两回事。使用指的是把 AI 当作学习的补充——反馈、头脑风暴，或让学习者的认知工作留在回路中的修改帮助。误用则指替代：把正是构建持久理解所需的心智过程（起草、回忆、分析、修改）委托给 AI。知识库证据基础所记录的损害，并不是误用帮不上忙；而是误用主动损害了后来无辅助的成就。

表现—学习缺口

核心概念在Distinguishing performance gains from learning when using generative AI中被阐明：生成式 AI 轻易提升了表现——即时的效率与产出质量——却常常绕过了学习所需的深度认知与元认知加工。因此，一个为表现优化的工具可能损害学习。该缺口如今已在现场规模上得到因果证明：一项随机对照试验发现，无护栏的 AI 辅助提高了练习表现，却降低了后来无辅助考试的分数。

损害的机制

  • 认知投降 —— 研究者用这个词描述学生把思考卸载给 AI 的那种被动的、不加反思的依赖，以区别于认知外包那种有意的、策略性的形式。它造成可测量的、人口层面上的持久知识下降。
  • 抄答案作为拐杖 —— 误用较少由 AI 出错误导学生驱动，更多由学生抄答案而非学习驱动。当投入度分析显示学生主要在"要答案"时，学习损害随之而来。
  • 动机侵蚀 —— 感知到的、不费力的 AI 捷径之可得性降低了自主动机与坚持性，这与自我决定理论一致。由于坚持性正是产生深度学习的东西，它的侵蚀会放大直接的损害。
  • 学习替代 —— 以 AI 产出替代那些巩固知识的费力过程（细化、回忆、自我解释），这与过度依赖一致。
  • 混淆被读作意图。 当教师没有指明 AI 在作业中的预期角色时，学生就会用最容易的方式来定义它，而教师把由此产生的不匹配读作作弊，而不是一条从未被言明的边界（Hanshaw 等人，2026）。

证据基础

  • 因果性现场随机对照试验（约 1,000 名高中数学学生）： 无护栏的 ChatGPT 式辅导把有辅助的练习表现提高了 +48%，却把无辅助的闭卷考试分数降低了 −17%——从未接触过 AI 的学生表现优于接触过 AI 的学生。有护栏的"给提示不给答案"式辅导消除了这一损害。值得注意的是，受损害组的学生并未察觉自己学得更少。
  • 人口规模的行为数据（320 万次 ALEKS 交互）： ChatGPT 发布后，大学生在易受 AI 影响的问题上的学习时间累计下降了 −26.9%（高中生 −31.3%），且在受监控的保持类题目上答对的几率下降了 25%。该效应在受监控条件下完全消失，从而将其归因于平台外的 AI 使用。
  • 一个大型的零结果： 利用夏季 ChatGPT 使用量的季节性下降，发现高中标准化考试平均分没有净变化——大概因为误用的损害在总量上被生产性的 AI 使用抵消了。这与"误用对持久学习造成因果损害"并不矛盾；它只是警告不要从聚合的考试分数过度泛化。

依赖作为通往倦怠的路径

误用损害的不只是成绩。一项针对 276 名中国本科生的调查（Huang 等人，2026）把 AI 依赖建模为保护性学习者资源与学习倦怠之间的中介，并发现它承载了全部效应：学业自我效能以及（较弱的）教师支持都降低了 AI 依赖，而 AI 依赖又预测了倦怠。两条间接路径都显著且为完全中介——一旦依赖进入模型，直接效应就不再显著——其中自我效能那条路径更强。与上文的表现—学习缺口并读，该结果把误用的代价从持久知识受损扩展到学习者精疲力竭与疏离，并把机制定位在依赖本身而非笼统的"使用 AI"：那些对抗误用的保护性资源，似乎是通过阻止依赖来起作用的，而不是在事后抵消其影响。作者提出了一个测量上的告诫——他们的 AI 依赖量表改编自网络成瘾测验，其对 AI 的内容效度尚未确立——因此该路径更适合被视为一个建模良好的假设，而非已定的效应量。

损害依评估而定的性质

最重要的实践细节是：损害因评估类型而异。它出现在针对持久知识的受监控、闭卷与无辅助测量上。在无法区分 AI 辅助与独立完成的常规评分作业上，误用反而可能抬高即时成绩。这正是"感知—实际"缺口危险的原因：学生（有时还有教师）看到短期表现提升，却漏掉了只在工具被移除时才浮现的学习侵蚀。

是哪一种依赖，而非依赖多少。 一项覆盖 12 门 AI 密集型课程的 118 名学生调查（Manikonda 等人，2026）区分了被使用频率指标混为一谈的两种行为。认知依赖——用 GenAI 来组织、评价、综合与分解——是感知到的正面影响的最强预测因子（β = .495，p < .001），而它所描述的卸载并非一律有害：组织与概括想法、发现新洞见，都位列与感知学习改善相关的功能之中。早期依赖——在独立思考、传统检索或请教教师之前就咨询 GenAI——同时预测了学业益处（β = .301，p < .001）与负面影响（β = .402，p = .004）。其中的调节作用才是与上文读写素养补救相关的部分：早期依赖与负面影响之间的关联在低评价素养处不存在（b = .025，p = .861），而在最善于评判 AI 产出的学生中最强（b = .688，p < .001）——因此评价技能并未保护学生免受"先问 AI"的代价，最有条件注意到这一代价的学生，正是报告了这一代价的人。可操作的推论是：误用部分是一个时机问题，相对于学习者自己的尝试而言，而不只是量的问题——这正解释了为什么针对"何时咨询 AI"的干预，与下文的评估设计补救并行存在。

启示与补救

大模型时代的对话式疏离

"钻系统空子"的文献（滥用提示、系统性猜答）在对话时代有一个对应物：对话式疏离——嘲笑智能体、故意答错、对其置之不理、镜像其文本，或拒绝回应。Rho 等人（2026）首次在学生—AI 对话中系统处理了这一现象，其核心教训是解释性的而非危言耸听的。一个疏离的话轮是一次交互动作，而不是一种稳定的疏离状态。"故意答错"与后测分数表面上的关联，未能通过人工标注的敏感性检验，作者把它读作在常常会回归投入的轨迹之内的试探（表现最好的聚类以 p = 0.42 恢复了投入）。真正区分轨迹的行为是拒绝回应——拒绝作答——它持续存在而未消解。对设计者而言，这颠倒了通常的优先级：吵闹、可见的疏离往往是自我纠正的，而安静的抽身表明交互已经破裂。

关联概念

关联文章

相关常见问题

元数据

学习与教学元认知, 动机, 自我调节学习
技术与方法生成式人工智能
评估与测量评估
教育中的人工智能基础学术诚信, 认知外包
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。