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

创造力

创建 2026-08-12

本页是英文页面的机器翻译，尚未经母语者审校。

创造力（creativity） —— 生成新颖且有价值的想法、解决方案或工件的能力。在 AI 时代，创造力是教育的一个核心利害：生成式 AI既能放大创造性工作（作为发散思维的伙伴），也能损害它（通过使输出同质化并取代生成性过程）。

值得思考的问题

  • 创造力常被描述为发散思维——生成许多可能性——对收敛思维，后者收窄到一个正确答案。你自己的工作或学习处于这一谱系的何处，AI 最容易帮哪一种？
  • 生成式 AI 是一台统计引擎：它能提出许多选项，但倾向于平均值。如果许多学生依赖同一模型，全班想法的多样性会怎样？
  • 一项"先思考，后 ChatGPT"的研究发现，在 AI 之前生成自己想法的学生没有即时提升——却在之后的无人协助创造力任务上胜过所有人。为何保护独立思考阶段能产生自由 AI 使用所不能产生的学习？
  • 如果 AI 能瞬间产出一件光鲜的工件，学习者的创造性工作究竟值什么——你会如何设计作业，使生成性过程留在学生手中？
  • 一个借助 AI 帮助生成的想法是"你的"吗？你的回答可能改变你把 AI 当作发散思维的伙伴、还是当作取代你创造过程的东西。

引言

创造力横跨认知谱系的发散思维一端——生成多种可能性——与收敛思维相对，后者抵达单一正确解。AI 系统与创造力尤其相关，因为它们是统计的生成器：它们能提出许多选项（支持构思），但也趋向平均，产生许多学生依赖同一模型时所记录的想法级同质化。

创造力与生成式 AI

  • **放大：**AI 可充任发散思维的伙伴——头脑风暴替代方案、生成反论证、提供学习者可能不会考虑的视角。角色特化的多智能体配置能恢复想法的多样性。

  • **同质化风险：**单一模型协助能减少学生间想法的多样性，因此同一模型产生收敛的输出。这是对写作与设计教育中创造力的直接威胁。

  • **保护创造能动性：**把学习者的生成性过程留在回路中——先起草的例行、要求原创综合、并用 AI 挑战而非取代——保存了产生持久学习的创造性工作。

  • **摩擦不等于创造收益。**对立面 AI 人格在 38.2% 的小组中驱动了挑战与反思话语，却未产生可测量的创造表现改进，因此更丰富的交互模式不是创造力的证据（Jin 等人（2026））。

  • **一张 K–12 田野地图：生成式 AI 主要增强创造力，很少测量它。**一项遵循 PRISMA 的范围综述（45 项研究，2017–2025）把 K–12 文献分为四种用途——创造力评估（4 项研究）、人—AI 共创（3）、利益相关者的感知（14）与创造力增强（34）——并显示该领域仍多么狭窄：以语言为基础的讲故事与写作挤掉了几乎一切，而音乐、具身与空间工作及公平导向的研究几乎缺席。保留作者身份的目的性构建支架（语音输入、故事板、发散的"多选项"提示）优于现成平台，且大语言模型（LLM）模型在发散思维上的评分接近人类评分者；然而作者自己的关切与本页追踪的同质化相同——语言多样性收缩、风格趋同、被 AI 污染的训练数据与共写中的元认知懒惰——他们用 Runco 的术语"人工创造力"来概括它：看起来有创造而没有背后人类体验的输出。过度依赖作为风险在感知、共创与课程研究中同样重现（Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review）。

  • 共创是一种网络效应，而非个体特质：Ruhland（2026）借行动者网络理论把创造力建模为社会技术网络的涌现属性——人类与非人类行动者之间稳定化、去稳定化与再稳定化的三元互动，其中生成式 AI智能体被当作平等的、构成性的网络参与者。在一项教学性化身在创造性网络中被共同设计的研究里，化身设计不是个体的创造行为，而是经学生、研究者与设计工具之间的转译过程涌现的。TriKoNet 框定了现成 AI 化身把创造学习者自主性移向机器诱导的便利（"便利陷阱"）的风险，并论证与学习者共同构成 AI 的行动结构才能保存共创。

  • **先思考的协作维持独立创造力：**Wong 与 Qiu（2026）发现，在用 ChatGPT 之前生成自己想法的学生（"先思考，后 ChatGPT"协议）在受助任务上没有即时提升，却在之后的无人协助创造力任务上胜过自由 AI 组与人—组。自由使用 ChatGPT 只产生瞬时的表现，协助撤除即崩塌——一种过度依赖而非学习——而旨在改进自己想法的协作性共创在独立创造力上产生持久增益。这给了直接实验证据：保护创造能动性不仅可欲，而且是把 AI 协助的工作转化为学习的东西。

  • **塑造群体构思的是范例的感知来源，而非其内容。**在 113 组二人组的 fNIRS 超扫描研究中，把完全相同的 ChatGPT 生成范例标注为人类产出或 AI 产出改变了群体创造力：人类归因在刺激阶段提高了想法独特性，并增强了前运动区与辅助运动区的脑间同步；AI 归因只增加了构思路径之间的切换；而范例撤除后两种效应都不再持续（Xiaoyong 等人（2026））。

  • **区分儿童 AI 辅助创造力的是发展性实现，而非能力。**在儿童与成人和 ChatGPT 共创的首个神经影像比较中，6–7 岁儿童与成人在一台 MRI 扫描仪内进行了同样五分钟的口语对话。扫描仪外测量的创造力在两组之间没有差异。然而成人在额顶控制、显著性及背侧注意网络内表现出显著更强的网络内连接性，且更高的创造力预测了成人的额顶—显著性耦合更强，儿童则不然。作者把这解读为 AI 对话中创造性认知如何被实现上的差异，而非基线能力的差异。它也提出了本页支架建议此前不必回答的一个问题：AI 辅助创造性工作所调用的控制机制究竟何时成熟？（Horowitz-Kraus 等人（2026））

来自研究生研究的一个反证：在 1,157 名中国研究生中，生成式 AI依赖与自报的研究创造力正相关，对功能性的、任务导向的依赖（β = 0.457）远强于存在性依赖（β = 0.147），且批判性思维承担了功能路径约 85.0%（Yin 等人（2026））。

一项全国调查使这一模式复杂化：在 5,764 名中国大学生中，AI 依赖与自报创造力负相关（r = −0.17），逃避与社交动机携带负向间接路径，而工具性与娱乐动机携带正向路径（Hou 等人（2026））。

  • **具身回报不均。**一个与高创造力模型配对的实体机器人，在原创性上显著超过人—人与文本协作，而人—文本条件在意象与声音上保持优势——一个具身悖论，其中机器人放大了 AI 的输出却未改进风格（Liu 与 Song（2026））。
  • **在 AI 时代重申人类创造力。**生成式 AI 的崛起挑战各教育领域重申人类创造力的价值。一个面向艺术与设计教育的、基于项目的数字讲故事框架，被明确设计为培养 AI 所缺的情感、文化与叙事能力，学生从本地文化遗产产出多模态人工智能叙事——把创造力定位为 AI 整合学习中人特有的贡献。

跨领域的创造力

创造力不是单一的整体官能——它在写作、视觉艺术、数学与计算中实现方式不同，生成式 AI 与每一领域的创造过程以不同方式互动。理解这些差异，对设计保护而非绕过每一领域核心创造行为的 AI 辅助学习很重要。

  • **视觉艺术与设计 —— 能力悖论。**文生图（T2I）工具压缩了从想法到工件的距离，但便利并不简单地解放创造力。在一项对艺术与设计学生的研究中（调查 417 人），创造性能力强烈预测了使用 T2I 工具的意向——却也预测了更克制、有选择的实际使用，因为学生在效率与作者身份、原创性与技能保存之间权衡（The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students）。便利与随手可得使快速产出生成，而非持续的投入，因此该工具能悄悄变成一条捷径，侵蚀它本想加速的迭代式工作室工作流。

  • 数学 —— 创造力而无迁移。一项在中学数学中的 AI 支持探究本位学习干预（学生平均 12.79 岁）显著提高了创造性数学表现与对数学的态度——但没有显著改进批判性问题解决（Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics）。创造力与收敛问题解决是可分的结果；AI 辅助的探究能增长创造性产出，而可迁移的分析技能滞后，强化了更广的表现—学习差距。

  • **数学 —— 教师创造力随内容知识与教学知识而移动。**在一项对来自农村与资源不足地区的八名在职教师的嵌入式个案研究中，一个基于 Rhodes 4P 框架的、生成式 AI 引导的十个互动模块程序，把教师对数学创造力（MC）、内容知识（CK）与教学内容知识（PCK）作为相互关联的推理形式来调动，而非分开的领域（How generative AI guided-professional development supports teachers’ engagement with mathematical creativity, content knowledge, and pedagogical content knowledge）。本页测量讨论所需的贡献是作者的主张：MC 并不独立于教师的数学知识及其关于如何使想法可及的知识而发展——且正是 AI 不带评判、非评价性的语气，使生产性挣扎感到足够安全而被尝试。

  • **创造性计算 —— 保护迭代的摩擦。**新手创造性编码者通过理解并扩展"基础范例"来学习，AI 能帮助性地支架它，也能诱人地绕过它。Flowcode 是一个 AI 驱动的创造性计算环境，把代码结构流程图与面向学习的聊天及刻意设计的摩擦配对——在两项研究中被显示能把 AI 使用引向理解与扩展代码，而非围绕它感觉编程（Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education）。这里生产性困难是一个保存学习者生成回路的功能。

  • 文学创作 —— 主题与文本之间的单位。Incipit论证一部作品由陈述的前提而非主题组织，并在一个中间层级上建构——1,455 条公理记录横跨 149 部作品，由 472 个有类型的关系连接——在此层级上，一位在修改配置的写作者可以改变一个组织性承诺，一位读者可以为一次重构辩护，一位批评者可以比较两部作品。它自己的审计锐化了上面的测量要点：工件记录了一次策展，1,455 条公理中有 1,448 条恰好映射到一部作品，且提出的验证（五名评分者对 35 条记录的样本）尚未进行，因此该框架是一个研究纲领，而非关于创造学习的证据。

  • **一个生成式 AI 设计工作流能在表现持稳时降低创造自信。**在一项 36 名学生的建筑设计比较中，生成式 AI 图像生成在设计表现、认知负荷与任务特定创造自我效能上与先例检索相当，然而一般创造自我效能下降（DiD = −0.543，95% CI [−1.068, −0.017]）——任务支持与对自己创造力的自信可以分道而行（Xiao 等人（2026））。

把创造力付诸实践

贯穿这些发现的反复设计原则是把学习者自己的生成行为留在回路中——无论该行为是产生一个想法、迭代一件工件，还是扩展一个找到的范例——并把 AI 用作挑战与扩展而非取代它的发散思维伙伴。

  • **对教师：**排序作业，使学生在咨询 AI 之前生成自己的初始想法（"先思考，后 ChatGPT"协议），然后用 AI 审问、扩展或对这些想法唱反调。把过程与原创综合与光鲜一并评分，使规避努力的捷径（一键 T2I 输出、感觉编程的解）一无所获。在艺术与设计中，把作者身份与技能发展当作被评的对象，而非只有工件。
  • **对开发者与设计者：**构建揭示并奖励迭代回路的工具——显示结构（如 Flowcode 的流程图）、在"交付第一个输出"的时刻加入生产性摩擦、并提供替代方案与批评而非单一光鲜答案。当工具使下一个最佳版本毫不费力时，要紧的创造决策仍应是学习者的。
  • **对研究者：**把创造力当作领域特定且结果特定的——测量增益是否迁移到收敛或无人协助的任务，而非只是受助输出是否看起来更有创造力。测量缺口是该领域最尖锐的问题：在 45 项研究的 K–12 语料中，只有四项评估研究使用了正式的创造力测量，多数研究从未定义该构念，且创造性过程——准备、酝酿、照明、核验——基本未被测量。因此该综述的处方是测量优先：经证据中心设计与隐蔽评估在开放式任务内不引人注意地给创造力评分，并把创造性自我效能当作结果的一部分，而非一个隐含的副作用（Generative Artificial Intelligence and Creativity in K–12 Education: A Systematic Scoping Review）。

关联

创造力连接到批判性思维与建构主义学习。它由那些保存学习的、同样的减少 AI 滥用支架，以及奖励原创推理而非光鲜产出的真实性评估设计所保护。

关联概念

关联文章

元数据

学科Cs Education, Math Education, Writing Education
目标读者Learners
学习与教学建构主义, 问题解决
技术与方法生成式人工智能
教育中的人工智能基础批判性思维, 设计思维
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。