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

学习者

创建 2026-09-18 · 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： 学习者是教育中的AI的主要受众 —— K-12、高等教育与成人教育中的学生，他们的作业、理解和自我感如今正被AI塑造。本页是本知识库学习者侧覆盖的总括：学习者经历什么（学生体验）、他们正成为谁（学习者身份）、他们仍选择什么（学习者自主性）、他们实际如何与工具互动（学生—人工智能交互）、他们的努力与自我调节在其之下是否存续（认知外包），以及AI系统如何为他们建模（学习者建模与自适应教学）。贯穿这些研究的反复发现是：同一个工具对不同学习者利弊迥异 —— 增益集中在先验知识、AI素养与核查习惯本已具备之处，而逆转集中在AI替代了该任务本应培养的思考之处。

值得思考的问题

  • 在你自己的情境中，一个新AI工具会最先触及哪些学习者，又会把哪些人抛在身后 —— 你凭什么这样认为？
  • 研究常报告学生相信AI帮到了自己，而无助测量却显示没有增益，甚至是损失。如果学习者自己的叙述并不可靠，你会接受什么作为学习确实发生了的证据？
  • 本页把学习者同时描述为使用AI的人，以及被AI建模的对象（学习者模型、知识追踪、模拟学生）。一个学习者的模型应该在何处为教学提供信息，又在何处不再值得信任？
  • 自我调节与先验知识决定了AI支持变成学习还是替代。这是一个待补救的学习者缺陷、一个待解决的设计问题，还是一个待修正的评估问题？
  • 如果一群学习者在某个AI工具上表现不佳，工具的设计者通常是最后一个知道的人。在你的机构里，一个在部署前后持续倾听学习者的常规机制实际会是什么样子？
  • 学习者能动性与身份与成绩一样处于利害之中。其中哪些是你拒绝为可测量的分数增益而交换的 —— 而你的评估设计会让这种拒绝变得可见吗？

引言

学习者在本知识库中以两种截然不同的面貌出现，混淆二者导致了该领域的大部分混乱。第一种，学习者是使用AI的人：他们提问、接受或抵制答案、失去或守住立场，并报告支持、内疚、焦虑与依赖的体验。第二种，学习者是被AI系统建模的对象：知识追踪中的一个技能估计、认知诊断中的一个潜在状态，或一个代替真人的模拟学生。关于前者的证据来自调查、访谈、日志分析与实验；关于后者的证据来自测量机制本身 —— 而一个学习者的模型是一个论断，不是一个学习者。

本页是两者的入口。它汇集本知识库覆盖的学习者侧概念，解释它们如何关联，并链接背后的研究。利益相关者覆盖同一领域的另一面 —— 教师、行政人员、设计者与政策制定者 —— 两页应当一起阅读。

谁算作学习者

本知识库把学习者涵盖整个正式教育跨度：K-12中小学生、大学生、职业与专业学习者，以及成人与终身学习者，包括残障学习者、神经多样性学习者和多语学习者。有两条惯例值得注意。第一，"学习者"与"学生"并非可以随意互换：学生指一种制度角色，学习者指一种活动，一个人可以是其一而非其二（职场培训中的员工是学习者但不是学生）。第二，学习者不是一个同质群体，而这种异质性正是研究不断揭示的东西 —— 先验知识、自我调节、语言、可及性与残障状况都改变着AI工具是否有帮助。

学习者经历什么

学生体验是教育中AI被研究最多的维度之一，其核心教训是：效应是混杂的，而非一致的。关于学习生产力的调查工作发现学习者报告了真实的效率增益 —— 92.3%表示AI改善了他们的理解 —— 同时也有标题数字掩盖的落差：只有38.5%表示它减少了总体学习时间，一半人报告有时依赖AI而不尝试独立学习。对依赖模式的分析更进一步：AI素养与评价技能水平不同的学生，最终与工具处于性质不同的关系中，因此同一门课程政策对不同学习者产生不同结果 —— 对某些人是支持，对另一些人是替代。学生用自己的话描述了"最省力"的引力，学术诚信与关于 AI 的误解页面将其视为一个设计与政策问题，而非道德问题。

情感线索与认知线索并行：焦虑与压力与幸福感（Well-Being）记录了关于被超越、关于被指控不当行为、以及关于所攻读学位之价值的焦虑。学习者关于AI的心理模型 —— 他们认为它是什么、以及认为它为什么而存在 —— 决定了他们能否用好它，这就是关于 AI 的误解与面向学生的 AI 使用框架贯穿学习者侧研究的原因。

学习者的叙述也使框定了大量学习者侧政策的诚信叙事复杂化。对一所埃塞俄比亚大学27名本科生的访谈发现GenAI使用近乎普遍，同时伴随真正分裂的伦理解读 —— 多数人把工具归功于提升了他们的成绩，少数人称课程作业中使用AI属不当行为，而几乎所有人都报告一个不平坦的竞技场，其中AI使用者的得分高于勤奋的独立完成者，有人把这一效果描述为扼杀了他们的勤勉感。文献中学生之于不当行为程序的一面，薄于学生之于使用的一面，但对1,162件GenAI指控案卷的分析展示了当制度回应到来时学习者面对什么：最常引用的证据是最弱评级的那一类，没有最低证据门槛约束案件是否推进，而证据薄弱的案件中的学生被推向申诉。

身份、能动性与作者权

学习者侧研究不只关乎结果。学习者身份追问学习者相对于一门学科和相对于AI正成为谁，证据双向展开：设计良好的使用能支架学科归属感，而外包会侵蚀"作品是自己的"这一感觉。学习者自主性追问学习者仍控制着什么。本知识库把两者都视为真正处于利害之中，而非成绩的柔性附属：一个用AI产出正确输出、却不再认得背后推理的学习者，失去了成绩未记录的东西。作者权问题是学习者自己挣扎最多的地方：被访谈关于GenAI与诚信的学生声称原创性，因为不存在其他作者 —— "如果这不是我的原创想法，那又是谁的？" —— 而另一些人得出结论说作品不代表自己，还有人推理到把该工具认定为一个它不可能是共同作者，因为AI不是人。

与AI互动：学习者实际做什么

学生—人工智能交互页面汇集学习者向AI要求什么、他们的提示与对话如何演进，以及为什么互动质量比可及性更好地预测学习结果。一项对来自33项研究的46种分类法的快速范围综述发现该证据基础在概念上碎片化 —— 研究在数据来源、类别方案和分析单元上各不相同，因此"高质量互动"在它们之间还不是一个可比较的构念，综述的呼吁是建立一个面向学习的大语言模型（LLM）使用的收敛式分类法，而非声称已存在一个。对聊天内容的研究发现学生以特有的方式自我约束，投入从探查和检验论断到接受第一个看似合理的答案不等。求助行为（Help-Seeking）提供更早的框架：求助是一种技能，而向错误的帮手以错误的方式求助是一种已知的失效模式，AI并未消除它。

努力、自我调节与表现-学习落差

这是学习者侧证据最有分量的地方，因为它把学习者能与AI一起做什么与他们无AI能做什么分开。

认知外包汇集过度依赖的证据；Distinguishing performance gains from learning when using generative AI陈述核心方法论要点，即受助表现与无助能力必须分开测量；写作的分层敏感研究分离表层、结构、观念与推理外包，发现在约束最少的条件下受助表现最高，而八周后独立表现最低；Shaw与Nave的"认知投降"论述命名了那种使委派成为习惯而非策略的性情。元认知失调记录了那个令人不适的中间情形 —— 注意到自己并不理解却仍然提交的学习者 —— 而核查研究表明"检查"本身是一种分级技能，而非二元习惯。在设计侧，生产性困难与减少 AI 滥用汇集了恢复该任务本应要求的努力的干预。

作为模型的学习者

技术谱系最长的学习者侧概念，是那些把学习者表征给系统的概念。学习者建模与自适应教学涵盖这一族：知识追踪随时间估计技能习得、认知诊断定位具体迷思概念，以及消费这些估计的适应性与个性化系统。模拟学生及其综述把模拟视为在真实学习者不可用时测试辅导系统和生成数据的一种方式 —— 一个明确临时性的替身，而非替代品。有两条告诫贯穿这一文献：模型估计是从行为作出的推断，对题目与界面的构建方式敏感；而对人口学信号的研究表明，评估系统能拾取从未被打算纳入构念的学习者身份代理（语言、背景）。自我报告测量覆盖研究侧镜像式的问题：学习者对自己学习所说的，常常与他们能做的不一致。

学习者之间的公平

因为收益跟随既有优势，学习者侧工作与公平性密不可分。数字鸿沟和付费模型档位的可及性决定了谁得到最强工具；公平关切支配习得模型如何对待不同群体；包容性学习、可及性、特殊教育与神经多样性覆盖需求被默认设计忽视的学习者。这一研究的实践教训是："AI帮助学生"不是一个发现 —— 发现永远是哪些学生、在什么条件下、带着什么先验知识与可及性。两个群体承担了这份风险中独特的一份。Wright（2026）论证，围绕"生成式AI"而非围绕功能撰写的禁令，会捕获那些转换学习者已创作作品之格式的转录工具，由此产生的误判最重地落在依赖语音转文字与OCR的残障学习者身上，包括在AI驱动的OCR已取代停产辅助软件之处；一项远程监考的范围综述就评估条件作出平行的论证，发现连通性、数据费用与设备故障决定了谁根本能被评估 —— 这是一个公平性发现而非技术发现，且集中在中低收入环境。

本页的位置

与利益相关者一起阅读，了解学习者周围的人；与教学法与教学策略和学习设计一起阅读，了解教师如何利用这些发现。评估决定哪些学习者能力最终变得可见；AIEd 研究的局限解释了为什么学习者侧证据大多是短期的、自报的、在便利样本上进行的；关于 AI 的误解则是学习者自己通常的入口。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed, K 12, Adult Learning
目标读者Learners, Instructors, Researchers
学习与教学自我调节学习, 动机, 元认知, 学生参与, 求助行为（Help-Seeking）, 先备知识, 可取的困难
技术与方法学习者建模与自适应教学, 知识追踪, 模拟学生, 自适应学习, 个性化学习
公平、伦理与负责任使用公平性, 包容性学习
教育中的人工智能基础学习者自主性, 学习者身份, AI 素养
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。