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

学习理论

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。

学习理论——解释学习如何发生的框架家族，也是知识库中与理论相关之观念的总括概念。在人工智能教育中，学习理论既塑造人工智能系统的设计方式（它们所体现的教学法），也塑造这个领域如何解读人工智能是否"起作用"：同一个工具，在建构主义建构主义假设下可以是支架，在行为主义行为主义假设下可以是强化引擎，在认知负荷理论下可以是认知负荷隐患。

值得思考的问题

  • 想一想你用过或见过的一款人工智能辅导系统或自适应系统。它对人们如何学习做了什么假设——它奖励正确答案（行为主义）、建构理解（建构主义），还是管理心理努力（认知负荷）？它的制造者是否说出过这些假设？
  • 本页描述了一个反复出现的缺口：话语上倡导建构主义，而人工智能的实现默认了操练–反馈的机制。你在哪里见过一个工具宣称支持深度学习，实际却只是强化表层反应？
  • 同一个人工智能工具，在一种理论下看起来是成功，在另一种理论下是失败——虚高的作业分数，在行为主义下被读作学习，在建构主义下却被读作未能建立持久理解。评判学生是否真的学到了，哪一种透镜更公平？
  • 因为每个人工智能辅导系统都嵌着一套理论——无论其设计者是否明言——"它起作用吗？"可能是错误的问题。考虑到一个教育人工智能可能体现的理论，更好的问题是什么？
  • 生成式人工智能正促使教育者考虑新的理论——例如把学习当作人与人工智能之间迭代的共同建构，或把人工智能当作贯穿一生的认知伙伴。人工智能的兴起真的需要新的学习理论吗，还是现有的理论仍然够用？
  • 学习增益的测量本身是"负载理论的"：建立在一种理论上的工具，可能捕捉不到另一种理论所预测的增益。两位理论立场不同的研究者，会如何看着同一份数据，对某个人工智能工具是否奏效得出相反的结论？

引言

这是知识库中"学习理论"这条线索的总括概念。学习理论处于人工智能教育的核心，因为每个人工智能辅导系统、自适应系统和反馈工具都嵌着关于人如何学习的假设——无论设计者是否明言。知识库把这些理论逐一记录，并把它们当作评估人工智能设计与效果的概念透镜。检验这些框架的研究领域是一个单独的页面：学习科学实证地研究学习——实验、课堂试验与设计型研究——并把理论当作有待确认或证伪的东西，而本页收集的是框架本身；这两个词组在本知识库中被刻意区分，单数的"learning science"指这条理论线索。

学习理论的全景

知识库记录了几个学习理论家族，各有其概念：

学习理论与学习增益

学习理论最终由其结果来评价，而知识库的学习收益概念正是理论遇上证据之处。每种理论对什么算作学习、以及如何测量它，都有不同的预测：行为主义预测在操练–反馈任务上的可观察表现增益；建构主义预测可迁移到新问题的更深理解；社会文化理论预测参与与中介式问题解决上的增益；而认知负荷理论预测只有教学尊重工作记忆限度时才有增益。这就是为什么学习收益测量是负载理论的——建立在一种理论上的工具，可能捕捉不到另一种理论所预测的增益。在人工智能时代，人工智能辅助的表现与无辅助学习增益之间的显著分歧（参见Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build、The Generative AI Learning Penalty: Evidence from Chinese Secondary Education）可以通过这一透镜来读：行为主义的读法把虚高的作业分数视为成功，而聚焦持久理解的建构主义读法，把同样的证据视为学习的失败。因此，把理论连接到评价与测得的结果，对判定某个人工智能系统实际满足了哪一种理论透镜是必要的。

学习理论为何对人工智能教育重要

学习理论之所以重要，有三个理由：

近期人工智能教育工作提出的新理论方向

近期的理论工作朝几个方向扩展了经典线索，每一个都把人–人工智能关系重新置于中心，而不是把人工智能当作中性工具：

  • 人–人工智能共同教育中的人工智能监管。一个发展性框架把人工智能定位为认知伙伴而非外部工具，它在整个一生中共同调节思维、学习与自我控制。（Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning）它借助执行功能、元认知、分布式认知与社会文化发展，赋予人工智能四种角色——支架、元认知支持、外部记忆 / 认知外包系统与决策伙伴——该框架从童年中期往后最为相关。
  • 集合认知（Ensemble Cognition）。一个哲学框架把思维重新概念化为从人与人工代理之间的动态互动中涌现，而非只居于个体心智之中。（Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments）它挑战"意识范式"（自主性、意识与稳定性的假设），并阐明五个特征——分布式能动性、动态中心性、认知编排、多表征整合与依情境切换——同时把人工智能的功能能动性与道德责任区分开来。
  • 自主成长 / A2PL。自主学习的一个扩展，把生成式人工智能与学习分析结合起来培养自主成长，并通过"学习者潜力模型"（Aspire to Potentials for Learners，A2PL）付诸操作。（Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework）它把学习者的抱负（人本主义）、复杂思维（建构主义）与自我评估（实用主义）重构成单一胜任力，把 GAI 定位为非规定性的协作支架，而非内容提供者。
  • 欺骗性过度泛化。An、McLaren 与 Stamper（2026）扩展了 ACT-R / 知识–学习–教学（Knowledge-Learning-Instruction）传统，理论化了"观察到的正确性掩盖不完全的条件性理解"发生在何时：学习者编译出一个过度泛化的产生式规则，遗漏了某条应用约束，却仍然表现正确——这种失败模式，自适应掌握系统、乃至传统教学，都可能错过，除非它们检验何时应当克制某个行动。
  • 可执行的 KLI 理论。Rachatasumrit、Koedinger 与 Carvalho（2025）把知识–学习–教学框架扎根于一个可执行的计算模型（带 ACT-R 式记忆机制的学徒学习者框架），它复现了人类数据中的一个交叉交互：纯练习有助于逐字事实记忆（通过延迟遗忘），而范例整合练习有助于可泛化技能的归纳。由于 KLI 把常量（事实）知识系于记忆过程、把变量（技能）知识系于归纳，其结果是一个被预测的内容–处理交互，而非"测试与范例建议"之间的矛盾——而该模型只在有记忆机制在场时才成功，这证明了练习与范例扮演着各不相同、互补的角色。
  • 具身性作为对人工智能范式的本体论挑战。Videla、Penny 与 Ross（2026）论证，一道本体论的鸿沟把具身的、生成（enactive）的认知与人工智能所体现的表征性语汇分离开来，因此人工智能应当被移出认识中心的位置，而非被当作中性工具对待。

知识库如何组织这条线索

知识库不把学习理论当作抽象哲学，而是把每一个都扎根于使用它的"人工智能教育"研究之中。建构主义与行为主义页面记录了人工智能设计如何体现（或背叛）每一种理论；认知负荷理论、自我调节学习、元认知与学习迁移把理论连接到具体的人工智能机制与结果。这镜像了知识库处理其他总括领域（如反馈与评估）的方式——一个由相互作用的概念构成的连贯系统，而非彼此孤立的页面。

学习理论与"关于人工智能的教育"

学习理论也作为内容出现在人工智能素养课程中：学习者研究行为主义、认知主义、建构主义与联结主义，以理解他们所使用工具背后的教学假设。（Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence）教这条线索，使学生（和教育者）获得批判某个人工智能产品为何如此建构的语汇——以及它的机制是否服务于眼前的学习目标。

  • **中介代理。**Warschauer、Tate 与 Ritchie（2026）论证，生成式人工智能打破了社会文化中"中介手段"与"社会互动"的区分，提出中介代理——一个既中介行动、又生成依情境而变且不承担问责之贡献的系统，占据工具与社会伙伴之间的混合空间。这产生五种以人为本的参与习惯：人类认知的优先性、有目的的投入、监督性能动性、认识上的警觉与反思性自我调节。（Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory）

为人工智能时代提出的理论

与经典家族并列，知识库还记录了专为"与人工智能系统一起学习"而写的理论，它们承载着旧理论未加展开的设计意涵。能动主义（Agentivism，Yan 与 Gašević，2026）是一个中层例子：它把学习定义为人类能力的持久增长，而非任务的顺利完成，命名了四种机制（被委托的能动性、认识上的监控与验证、重构性内化、以及在支持减少时的迁移），并陈述了六个可检验的命题，其中包括：那种保留了学习者对问题框定、标准设定与论证之责任的人工智能支持，比直接交付答案的支持产生更强的学习。

Elsayed（2026）的**教学共生（Pedagogical Symbiosis）**提出了一个更强的本体论主张：学习者是一个后人类实体，其认知是混合的而非工具辅助的，由四条原则组织：认知卸载与增强、认识上的共同建构、元认知共生与动态身份形成；它以一份共生作品集量规和一种"认知编舞者"教师角色付诸操作；它明确未被检验。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed
学习与教学行为主义, 学习理论, 元认知, 自我调节学习
技术与方法生成式人工智能
教育中的人工智能基础学习设计
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。