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

分布式认知

创建 2026-08-16 · 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。

分布式认知 — 一种理论视角：认知并不局限于个体心智，而是分布在人、工具、制品与环境之中。在 AI 教育的 研究中，这一框架已成为理解 人机协作的核心：与其把 AI 看作支撑一个原本自足的学习者的中立工具，分布式认知把思维视为在学习者、AI 系统、同伴及其共享情境的相互作用中涌现。它把 学习者自主性、责任与 学习成果的问题，重新框定为认知工作如何在人—AI 系统中分配的问题。

值得思考的问题

  • 分布式认知认为，思维不局限于单个心智，而是散布在人、工具与环境之间。当你使用计算器、笔记应用或 AI 助手时，"思考"究竟发生在哪里？
  • 如果认知分布在人与 AI 之间，那么结果出错时谁该负责——谁又该为学习负责？
  • 有一个框架区分了 AI 的"功能性能动性"（它能影响结果）与"道德责任"（这始终属于人）。这一区分在实践中站得住脚吗？当人无法理解系统做了什么时，责任会不会变得模糊？
  • 最高效地分配推理的人—AI 系统，往往任务表现最好，但 自我调节学习最少。为什么在群体层面把系统做得"更聪明"，反而让个体学习者更弱？
  • "认知公地"论证认为，分布式精通取决于内化的专业知识——你无法有效监督一个你并不深刻理解的 AI 系统。这如何挑战了"AI 让我们跳过学习中的苦功"这一想法？

引言

这是知识库 学习理论 脉络中的一个学习理论概念，与 具身学习、情境学习 和 认知外包 密切相关。分布式认知（DCog）源于 Edwin Hutchins 及其同事的工作，描述记忆、推理与 问题解决 等认知过程如何散布于多个行动者与物质系统，而非驻留在单个头脑中。在 AI 教育中这一点之所以重要，是因为 AI 系统日益成为真正的认知伙伴，承担了部分思维负荷，从而引出学习究竟发生在哪里、责任由谁承担的问题。

AI 如何改变认知的分布

生成式与交互式 AI 系统以早先工具不曾有过的方式重新分配认知工作。知识库记录了这一转变的几个维度：

分布式认知及相关视角

知识库把分布式认知与其相邻的理论传统并列处理，它们彼此重叠但并不相同：

  • 情境学习 / 情境认知 强调认知与学习不可与其发生的真实情境和实践共同体分离——这是对 DCog 关注认知跨系统分布的补充。
  • 具身认知 强调身体与感觉运动互动的作用，论证思维扎根于身体参与，而非抽象符号操作。
  • 认知外包 是认知工作被移交给外部系统（包括 AI）的实际机制，也是与 DCog 描述性论述相对、充满风险的一面。
  • 延展认知 / 延展心智论题（用于后人本主义研究中）主张外部制品可以是认知系统的构成性部分，而不只是工具——这是一个更强的论断：AI 是学习者心智本身的一部分。(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)

为何它对 AI 设计与评估重要

分布式认知同时提供设计透镜与评估透镜。就设计而言，它追问如何在学习者与 AI 之间分配认知工作，以保全（而非侵蚀）人类学习者的能动性、元认知 与自我调节。就评估而言，它重新框定了成功指标：DCog 不问"表现是否提升"，而问认知的分布是否支持持久的学习、认识论能动性与教育正义——这一视角与知识库的 人工智能教育评价 与 学习理论 关切相连。

Fowlin 等（2026）把这种分配操作化为一个两阶段序列：先在没有 AI 的情况下建立核心能力，再把 AI 作为认知伙伴引入，让学生批判性地评估其建议，以防止与自动化相关的技能退化（Fowlin 等（2026））。

内化精通与分布式精通。 认知公地框架（Lovett（2026））区分了内化精通（个体头脑中的深层领域知识）与分布式精通（编排人—AI 系统），并论证后者通过一条"验证系绳"依赖前者：对分布式/AI 系统的有效监督，以这些系统可能正在侵蚀的内化专业知识为前提。这使 DCog 的设计问题更加锐利——认知的分布不能以牺牲验证它的专业知识为代价。

关联概念

关联文章

元数据

学习与教学分布式认知, 具身学习, 学习理论, 元认知, 情境学习
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。