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

可取的困难

创建 2026-07-28 · 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。

可取的困难——Bjork 的发现：更困难、更费力的提取条件——间隔、提取练习、交错与生成——比更容易的集中条件更能改善长期学习——这一发现是对那种把认知工作抹平的 AI 的理论制衡。在 AI 时代，这一原则警告说，消除生产性挣扎的工具可能提升即时表现，却损害持久学习。可取的困难、认知摩擦与生产性摩擦被用作这一有意努力的重叠同义词：本知识库把它们视为同一核心思想在不同学科视角下的呈现，标签之间的细微差别在下文一节中说明。密切相关的概念——困惑与生产性挣扎——标出了这种费力加工预期发生（且值得）的区域。

值得思考的问题

  • 你是否曾因为某件事在当时感觉轻松流畅、就以为自己理解了它——结果在事后需要回忆时却失败了？那就是胜任力错觉。是什么造成了它？
  • 可取的困难认为，费力的条件——间隔、提取练习、交错——比轻松的集中条件更能建立持久的学习。在你自己的学习中，你在哪里抗拒过一个"更难的"策略，而它本来很可能效果更好？
  • 生成式 AI 默认就是一台消除摩擦的机器：它即时作答，按需产出精致的成品。如果消除挣扎提升即时表现却损害持久学习，你如何判断一个 AI 是在帮助还是在伤害一名学生？
  • 本页把可取的困难（来自认知心理学的记忆优化）与生产性/认知摩擦（来自用户体验设计的投入护栏）区分开来。你能看出为什么同一个教育目标两者都需要——以及它们会在哪里分道扬镳？
  • 一些AI 导学系统被发现"过度脚手架化"——移除了可取的困难所必需的那种费力加工。如果你在评价一个 AI 导学系统，什么样的具体行为能告诉你它在保全生产性挣扎，而不是塌缩为给答案？
  • 困惑在这里被框定为一种资源，而非缺陷——被生产性地解决时它驱动深度加工，但未被处理时会衰变为挫败。值得保全的生产性挣扎与只是有害的挫败，界线在哪里？

引言

可取的困难是那些让学习在当时感觉更难的练习条件——费力的提取、生成与解释、间隔、交错——却比感觉轻松的条件产生更强的保持与学习迁移。同一现象在文献中也以认知摩擦与生产性摩擦之名出现，这些标签借自人机交互与用户体验设计，强调有意地在学习者与轻松答案之间设置阻力；这几个家族互相重叠但并不等同，差别在下文列出。由于生成式 AI 被优化为无摩擦的，这一概念已成为一个第一位的设计关切，而非一个边缘发现：即时作答的系统移除了可能本在做着学习本身的困难（认知外包、脚手架）。

努力—学习权衡

可取的困难建立在一个洞见之上：让学习在当时感觉更难的条件——要求费力的提取、生成或解释——往往比感觉轻松的条件产生更强的保持与迁移。反过来，感觉轻松的条件（流畅的呈现、即时的答案）可能造成胜任力错觉：学习者觉得他们懂材料，因为识别过程顺畅，而事后自由回忆却失败。这是表现—学习差距的理论核心：练习期间看起来不错的表现，与持久的学习并不是一回事。

困惑、认知摩擦与生产性挣扎

三个相关构念描述了可取的困难运作的区域：

生产性失败是这一思想的、有结构的、理论驱动的版本：Kapur 的生产性失败（PF）把生产性挣扎正式化为两阶段设计（在教学之前先生成与探索，随后巩固与知识整合）。AI 时代的 PF 文献为本知识库提供了一套保全可取困难的具体设计词汇——Kim 等（2026）推导出 AI 设计原则（人机协作、反思性设计、非指令性支持），使 AI 不至于抹除挣扎；Puech 等（2025）表明大语言模型（LLM）导学系统可以被引导去扣留解法并引出多次尝试；Wang 与 Shan（2026）把"安全差距"——AI 辅助表现与无辅助能力之间的分离——正式化为移除挣扎的代价；而ProductiveMath用 AI 降低设计 PF 问题的负担。这些表明，可取困难的原则可以转化为具体的 AI 设计选择。

可取的困难 vs. 认知摩擦 vs. 生产性摩擦

由于 AI 被设计成无摩擦的——即时生成摘要、解方程、写论文——它可能无意间绕过学生学习所必需的那种挣扎。为对抗这一点，教育者与技术专家倚赖两个重叠但有别的框架：可取的困难与生产性（或认知）摩擦。两者都主张让学习者更难一些，但它们源自不同领域，针对学习过程的不同部分。在本知识库中，它们被当作同一个"有意努力"思想的同义词；下表详述标签之间的细微差别。

特征 可取的困难 生产性 / 认知摩擦
主要目标 最大化长期记忆与知识迁移 防止认知外包并维持主动投入
科学根源 认知科学与心理学（Bjork, 1994） 人机交互（HCI）与用户体验设计
所谓"威胁" 胜任力错觉（因为现在感觉容易就以为自己懂了） 自动化偏见（让机器替你思考）
AI 实现 对练习进行时序安排与结构化的算法（间隔、交错、提取） 聊天机器人护栏与界面障碍，迫使学习者去做工作

可取的困难：记忆优化器。 由 Robert 与 Elizabeth Bjork（1994）提出，这一框架来自cognitive psychology。其核心思想是：感觉更难、初始表现更慢的学习策略，实际上产生更好的长期保持与迁移。可取的困难关乎大脑如何编码与提取信息：如果学习在当时感觉太容易或太流畅（比如重读划了重点的教科书），大脑很可能没有进行让记忆留下所必需的深度加工。在 AI 中，一个使用这一框架的工具改变的是课堂的*教学法与教学策略*——例如，在提供摘要之前先让学生从记忆中提取（提取练习）、把复习安排在遗忘之前（间隔）、或把题型混编而非按类别分组（交错）。值得注意的是，这些费力策略的收益本身是内容依赖的：Rachatasumrit、Koedinger 与 Carvalho（2025）表明，提取练习主要强化逐字记忆（通过延迟遗忘），而获得一项可泛化的技能则需要把范例与练习整合——因此，有帮助的"困难"必须与被学知识的类型相匹配，而非一律施用。

生产性（认知）摩擦：投入护栏。 这一框架来自用户体验与交互设计，在那里"摩擦"通常是敌人（一键结账、即时搜索）。在教育技术中，零摩擦意味着零思考：生产性摩擦把有意的"减速带"引入软件，防止用户把认知卸载给机器。它关乎人与机器之间的交互，让用户保持主动投入并防止自动化偏见——盲目信任 AI 的输出而不加评判。在 AI 中，一个使用这一框架的工具改变其行为与设计以阻断捷径——例如，一个苏格拉底式护栏，扣留直接答案而问学生注意到了哪些符号；一个努力检查点，在输入论文题目与提纲之前拒绝生成草稿；或延迟的反馈，要求先承诺一个答案并解释推理，然后才揭示解法。

简言之： 你用生产性摩擦来确保学生真正与材料互动，而不是让 AI 干重活；你用可取的困难来结构他们如何与材料互动，好让他们一个月后还记得它。

AI 时代中的可取的困难

AI 支持的学习所面临的核心张力在于，生成式 AI默认是一种消除摩擦的技术：它按需作答、生成并产出精致的成品。在本知识库中，这沿两个方向展开：

  • 移除挣扎的代价。 当 AI 抹除间隔、提取与生成，学习者可能显示即时的表现增益，却放弃了持久的学习与迁移。这直接关联过度依赖与AI 误用与学习损害的发现：一个移除了可取困难的 AI，制造了本知识库证据基础中到处记录的表现—学习差距。Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning明确呼吁有意的摩擦。Barcaui 的（2025）随机试验为这一原则在 AI 情境中提供了一次直接的延迟检验：120 名用无限制 ChatGPT 学习 AI/ML 主题的本科生，45 天后在一次突击保持测验中得 57.5%，而传统学习者得 68.5%（t(83) = −3.19，p = .002，Cohen's d = 0.68），且在以学习时间为协变量时这一缺陷依然成立（F(1, 82) = 7.89，p = .006）。损害在技术主题上最大（d = 0.92）——正是 AI 提供最多帮助、也最需要那种按原则说属于生产性的挣扎的材料。
  • 同一个模型，两种护栏，相反结果： 拿到无限制 GPT-4 的学生把它当作拐杖，一旦移除就比对照组表现更差；而拿到带护栏导学系统的学生则与对照组相当——决定工具是否有益的是摩擦，而不是模型（Arthars 等（2026））。
  • 把挣扎设计回来。 教学设计可以有意识地保全生产性加工：先草稿的流程、只给提示不给答案的导学、延迟反馈，以及回讲/解释协议。这些是在减少 AI 滥用与The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance之下探索的具体脚手架。一项 2026 年的概念延伸（Gupta）把同样的逻辑从结构化学习任务推进到关系性遭遇之中的困难：在海外教育中，它论证教育问题不在于生成式 AI 有多少在场，而在于它消解了哪些困难，并提出一个中介梯度，按其转移到系统的解释性学习者自主性之多寡、而非按使用量来排序各种用法。

倒 U 形与努力悖论。 Zohar、Bloom 与 Inzlicht（2026）给出了近期对"AI 消除摩擦为何并非自动是好事"最锋利的陈述。他们以两个理由把 AI 与先前的省力技术区分开：它瞄准的是智力与创造性工作，而非体力或文书工作；而它的摩擦消除是极端的——先前的技术消除的是多余的摩擦，"那些对学习或意义几无益处的乏味或不可逾越的障碍"，而一个聊天机器人让学习者从构思走到评价，"无需付出有意义的努力、无需质疑输出、无需投入培养拥有感、保持或批判性思考的认知过程"。他们组织性的主张是：努力—意义关系是曲线性的——中等摩擦增强意义与动机，过度摩擦则压垮人——因此 AI 的风险在于越过界进入摩擦太少，而非摩擦过多。两个后果在教学上要紧——努力本身是一种可训练的技能（奖励过程而非产物会增加努力与坚持的倾向），而努力在动机上的收益，恰好在 AI 取而代之的那些领域中被侵蚀，形成不断加深的依赖循环（认知外包、动机）。

设计启示

  1. 不要优化无努力的流畅性。 一个总是即时作答的 AI 导学系统可能提升满意度却降低持久学习；要偏好那些先要求提取与生成的干预。
  2. 把困惑当作资源，而非缺陷。 把困惑点作为个性化的复习锚点来检测并锁定，而不是把它们抹平——KnowLoop 的"识别→解决→巩固"模型是一个具体模式。
  3. 有意识地保全认知摩擦。 在目标是推理而非产出的地方，使用只给提示不给答案的脚手架、顺序化反馈与拒答。
  4. 让摩擦匹配学习者的准备度。 可取的困难让那些能投入费力加工的学习者受益；没有支持的过度挑战则有挫败之险。脚手架必须把学习者留在生产性挣扎的区域，而不是推过它。

TutorMoments 把可取困难的原则操作化为评价标准：Zhang 等（2026）检验 AI 导学系统是否通过"必要时为可及性搭脚手架、就绪时推动严格性"来保全生产性挣扎，并发现 LM 导学系统默认过度脚手架化——移除了可取的困难所必需的费力加工。

关联概念

关联文章

相关常见问题

元数据

学习与教学认知心理学, 可取的困难, 学习理论, 元认知, 脚手架, 自我调节学习
教育中的人工智能基础认知外包
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。