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

隐喻与类比

创建 2026-11-07 · 更新 2026-11-07

本页是英文页面的机器翻译，尚未经母语者审校。

综合：隐喻与类比在 AI 教育中承担两项工作。它们是意义建构装置，教育者与学生借此判定 AI 是什么（工具、助手、黑箱、神谕），也是教学装置，把熟悉的源域映射到尚不熟悉的目标概念上。本知识库的研究显示，这两项工作是相连的：人所持有的隐喻塑造其对 AI 的期待、会注意到哪些特征，以及是信任还是恐惧它。同一套结构映射逻辑，也解释了为何一个类比既能让某个技术观念变得难忘，又会悄然歪曲它。当学生对源域足够熟悉、能够审查并修复映射时，一个有缺陷的生成式 AI 类比可能比一个打磨光洁的类比更有用。实践上的教训是：依据所教的特征选择隐喻，检查结构契合与文化可及性，并把这种比较当作批判的对象、而非完成的解释。证据多为质性、概念性与小规模的；该领域几乎没有因果证据表明基于隐喻的教学能改善学习。

值得思考的问题

  • 当你不加留意时，你会用哪个隐喻来描述生成式 AI？那个隐喻让什么变得容易看见，又让什么容易被忽略？
  • 一个熟悉的类比在什么时候帮助学生理解技术概念，又在什么时候植入了一个日后教学必须拆解的误解？
  • 谁的源域才算“熟悉”？如果一个类比依赖体育、游戏或厨房电器，那么谁被包含在内，谁被排除在外？
  • AI 导师应当为学生生成类比，还是应当把类比交给学生去批判？当类比被个性化到学生自述的兴趣上时，什么发生了变化？
  • 一个令人难忘的类比未必是一个准确的类比。你会要求学生做什么，来表明他们能分辨这两者？
  • 什么样的证据才能让你相信，一堂基于隐喻的课提升了 AI 素养，而不只是让这堂课更有趣？

引言

隐喻说一物即是另一物：AI 是一个黑箱、一位帮手、一面镜子、一张地图。类比通常把这种比较说得更明确：链表像一条链子，递归像一组套叠的盒子，或者，使用 AI 就像用 Thermomix 做饭。两者在实践中相互重叠。它们都要求学习者把关系从熟悉的源域搬到较不熟悉的目标域，而当映射被延伸到它实际并不保留的关系之外时，两者都会变得误导。

这使它们不只是修辞装饰。概念隐喻研究把隐喻视为一种思维结构，而不只是语言：人所能使用的比较，塑造了一个系统的哪些方面显得突出、哪些解释显得自然。在 AI 教育中，这件事有实际的利害。把大语言模型框定为搜索引擎的学生，可能期待它检索存储的事实，因而不会去寻找捏造的内容。把它框定为一位高年级学生的教师，可能期待模型具备它并不拥有的判断力与学科专长。围绕“自然灾害”或“竞争者”展开的政策讨论，与围绕“文字计算器”展开的讨论，所支持的反应并不相同。

本页覆盖这一双重角色的两侧：隐喻作为窥见教育者与学生如何理解 AI 的窗口，以及类比作为 AI 素养与 AI 生成解释中的一种教学技术。它把关于教师与学生概念化的研究、课堂隐喻工作坊、生成式 AI 生成的类比、基于类比的教学设计，以及批判性 AI 素养连接起来。它并不把“隐喻”与“类比”当作完全的同义词，但把两者放在一起，因为它们共享同一批设计问题：源域选择、结构契合、文化可及性与批判。

为什么隐喻与类比重要

理论起点是与 Lakoff 与 Johnson 相关联的概念隐喻理论。其核心主张是：人借助来自更具体领域的映射来理解抽象领域，而这些映射会变得如此熟悉，以至于不再看起来像比较。“人生是一段旅程”不只是一种说话方式；它承载着关于方向、进展、障碍与终点的假定。“AI 助手”或“AI 黑箱”同样如此。

对教育而言，有用的推论是：隐喻可以在教师给出定义之前就完成概念工作。它为学习者提供一个立足之处。它也可能承载一整套关于能动性的理论：“助手”意味着用户在掌控之中，而“智能体”意味着主动性，“黑箱”则意味着解释不可能或没有必要。这些都不是中性的描述。它们分配责任，并设定对信任的期待。

类比增添了第二层：结构对应。一个好的教学类比保留对目标概念而言重要的那些关系，而不只是表面的相似。一条链子可以说明链表，因为两者都涉及按顺序连接的节点。一组套叠的盒子可以说明递归，因为每一层都包含同一结构的一个更小版本。这种比较总是局部的。教学上的问题在于：被保留的关系是否正是学习者需要的关系，以及学习者能否看出映射在何处停止。

这个问题把本页与可解释 AI区分开来。可解释 AI 追问一个系统的决策如何能对利益相关者变得可理解。教学类比追问的是学习者如何能对一个过程建立可用的心智模型。解释模型为何标记了某位学生，并不等同于用一个类比说明模型如何生成文本，两者也不能互相替代。

教育者与学生如何描述 AI

本知识库如今已有若干窗口，可以窥见人们实际使用的隐喻。它们并不汇聚到同一个意象上，而这正是要点之一。

Vallis、Wilson 与 Casey（2025）与学生、学者及教育支持人员一起开展了隐喻分析工作坊。参与者给出的隐喻聚成四大类：功能（如瑞士军刀这类工具式比较）、角色（如帮手、学习伙伴或亦敌亦友这类类人关系）、品质（如黑箱或滑坡这类不可靠或不可知的比较），以及能动性（如竞争者或邪恶机器人这类自主或具威胁性的比较）。整组隐喻贯穿两重张力：人的能动性对机器的能动性，已知对不可知。工作坊没有化解这些张力。它让这些张力可供讨论，而这正是基于隐喻的干预所能现实地做到的事。

Gerhardt 及其同事（2026）访谈了跨学科、跨院校的 57 位工程教师，并分析他们主动给出的类比。这些教师大多把生成式 AI 框定为类人的社会存在或能动者（一位助手、一名博士生），或框定为技术对象（一个搜索引擎、一件工具）。很少有人把它框定为环境力量或系统性力量。作者沿五个维度组织这些回答：本体论、认识论、运作、关系，以及权力或能力。他们所忧虑的并不是教师使用隐喻，而是同一院系的同事可能持有彼此不相容的隐喻，却以为彼此共享一套语言。这使隐喻引出成为一种教师发展诊断，而不只是课堂技术。

学生也呈现出类似的光谱。Bohmer 及其同事（2026）发现学生把生成式 AI 概念化为社会行动者、技术、学习材料或结构，社会—情感框架与技术框架都同样突出。Kudina（2026）把工程学生的主导框架描述为大语言模型的“神谕”与“导师”，两者都赋予了超出该工具可靠提供的权威与个性化。Stillman 及其同事（2026）把一名学生的“反馈自动贩卖机”视为比打磨过的导师词汇更有用的素养制品，因为它让交易变得可见：投入作业，取出输出，没有关系，也没有能动性。

贯穿各处的发现是：隐喻是关于期待的诊断。把大语言模型称为神谕的学生，并不只是在用一个花哨的词。这个标签预示了当模型出错时该学生会怎么做，以及该学生对核验会持什么信念。把它称为搜索引擎的教师，也并不只是不够精确。这个标签预示了他们会要求学生用它做什么。正因如此，教育发展项目可以在重新设计政策或评估之前先做隐喻引出，也正因如此，工程教育与计算机科学教育需要学科特定的对话，而不是一个全机构统一的定义。

还有一条哲学脉络把隐喻推向另一个方向：Xie（2026）提出“真人”作为算法所管理的学习者的反向理想，把这个意象当作一种论辩教育目的的方式，而不是用来解释某个技术过程。

类比作为一种教学技术

本语料中最强的课堂证据来自计算教育中的类比使用。Bernstein 与 Sibia（2026）把生成式 AI 为链表与递归生成的类比交给本科生，随后要求他们标注并讨论这些输出。学生并不把类比整体判为好或坏。他们分出结构准确性、清晰度、适切性与可信度，并指出具体的断裂之处：一条环形路线描述的是循环链表，而不是单向链表；一场羽毛球对打并不保证输入会不断缩小，因而不能说明递归；一个基于兴趣的参照可能预设了学生并不具备的知识。

这篇论文的贡献在于双向类比审查这一想法。关于目标概念的知识告诉学生一个类比必须保留哪些关系。关于源域的知识则告诉他们源域是否真的具备这些关系。最敏锐的审查者并不总是兴趣与类比相合的那些学生。他们是那些对源域足够熟悉、能够检视它的学生。这有一个设计上的推论：一个熟悉的源域可以把学生从接受者变成专家审查者。作者建议把有缺陷的类比布置为待检查、待修复的对象，而不是把它们筛掉。有缺陷的类比于是成为一种合意困难。

这一发现使一个通常的假定变得复杂：AI 生成的解释应当先被打磨好再给学生看。一个干净利落的类比仍可能编码了错误的映射，而一个有缺陷的类比在任务就是批判时可能更具教益。重要的条件是：学生要有足够的目标知识，知道这个类比必须保留什么；也要有足够的源域知识，能核查它是否做到了。缺少任何一边，这个类比都可能因为错误的理由而令人难忘。

ANVIL展示了生成这一侧。它接收一个概念定义，生成一段文字类比，把它编译成剧本，产出动画代码，并在一个有界的循环中修复失败。该系统由计算机科学教育者评估，他们给大多数类比评了“尚可”，并看重这个工具作为早期备课的创造性合作者。作者还发现，教师的控制权、可编辑性与教学适切性，比原始的生成质量更重要。ANVIL 提醒我们：AI 生成的类比是一个候选制品，而不是完成的解释——教师仍须判断这个映射在结构上是否可靠、对班上学生是否适切。

Rummel、Nachtigall 与 Panadero把类比本身当作论证。Thermomix 是一台引导式烹饪电器，它引发的热情与批评，与生成式 AI 在教育中引发的颇为相似。通过把烹饪情境映射到学习情境，他们把讨论从“AI 是好是坏”推向“有多少工作被交了出去，而这对学习者意味着什么？”这个类比不是证据；它是一种让设计连续统变得可见的装置。在概念性论文中，这是对类比的一种正当用法，但它不应被误当作一个经过检验的干预。

代码作为锚点补充了一条设计上的告诫。学生使用了多种表征，其中包括一个隐喻视图，但他们的注视时间大多落在代码上，只有很小一部分落在隐喻视图上。有些人把隐喻式脚手架看作幼稚的或补救式的。一个教师觉得有启发性的隐喻，在学生眼里可能读作能力低下的标记。正当性是教学效用的一部分，而不是另一件独立的事。

隐喻作为批判性 AI 素养

以隐喻进行教学，最直接的框架来自Roe、Perkins 与 Furze（2025）。他们把批判性 AI 素养界定为：既理解 AI 系统如何运作，也审视其社会、环境与文化后果。他们从 13 个常见 AI 隐喻的清单出发，挑出四个用于课堂，并按四项标准逐一评估：可及性、解释力、批判性 AI 素养潜力，以及教学效用。

这四个是：

  • AI 作为哈哈镜，用于生成输出中的失真与偏见。
  • AI 作为地图，用于表征、选择，以及谁的知识被纳入。
  • AI 作为回音室，用于反馈回路、过滤气泡，以及既有模式的强化。
  • AI 作为黑箱，用于不透明性与解释的限度。

每个隐喻都配有一项简短活动与一场由教师引导的讨论。哈哈镜一课让学生测试提示中的偏见；回音室一课让他们观察重复的提示与有限的数据如何强化模式；地图一课追问 AI 的表征包含并遗漏了什么；黑箱一课用概率性生成让隐藏的过程变得可见。作者把这些活动对应到联合国教科文组织（UNESCO）的学生 AI 能力框架，这使该框架有了一个课程上的抓手，而不至于停留在“多讨论隐喻”这类泛泛的劝告上。

这个框架最重要的动作，是把隐喻当作批判的对象。隐喻之所以有用，正因为它只是局部的；而当它被呈现为完整时，就变得危险。哈哈镜显示了失真，却不显示造成失真的算法。地图显示了表征，却可能暗示系统具有一种它并不拥有的连贯意图。黑箱显示了不透明，却可能鼓励“什么都无从知晓”这一结论。一堂课应当以这个问题收尾：这种比较在哪里断裂。

这也正是隐喻工作与更广义的AI 素养相连接之处。隐喻工作坊是一种低技术的方式，可以在技术性课程之前把假定翻到表面。对 AI 生成类比的批判，则是一种评估学生是否理解目标概念的方式。学生自己的隐喻——例如那台自动贩卖机——可能比一道标准化的问卷题更能说明问题。这些都是关于 AI 的批判性思维形式，而不只是创意写作练习。

设计基于隐喻的教学

  • 从特征出发，而不是从意象出发。 先确定学生需要理解什么，再问哪个源域保留了要紧的那些关系。一个指向错误特征、却令人难忘的比较，比一段平实的解释更糟。
  • 先检查结构契合，再谈个性化。 兴趣匹配可以提升参与度，但它并不保证源域具有正确的结构。先验证映射，再做个性化。
  • 审查源域的文化可及性。 哈哈镜、地图、体育与厨房电器，对不同的学习者并不一样熟悉。要追问这个比较预设了什么，并提供替代选项。
  • 把限度讲明。 要求学生指出这个隐喻保留了哪些关系，歪曲了什么，以及它无法解释什么。批判本身才是被评估的学习，而不是可选的讨论。
  • 使用多个局部隐喻。 哈哈镜、地图与回音室可以并存，因为各自照亮一个不同的维度。单一的整体化隐喻更可能变成误解。
  • 把技术性说明留在近旁。 类比可以打开一个话题，但它不应取代关于训练数据、概率性生成，或流畅输出与经核实知识之间区别的教学。
  • 评估活动，而不只是参与度。 本语料尚未显示基于隐喻的课能改善 AI 素养或学习结果。把这些活动当作待检验的设计，并测量学生事后能做什么。

常见误解

  • “令人难忘的隐喻就是好隐喻。” 令人难忘并不等于有解释力。学生可以记住一个生动的类比，却仍然误解它本要澄清的概念。
  • “隐喻是中性的插图。” 每个隐喻都选取某些特征、隐藏另一些特征。这一选择承载着关于能动性、信任与责任的假定。
  • “AI 生成的类比拿来就能用。” 生成的类比可能在结构上错误、在文化上狭窄，或在教学上不匹配。它们需要教师审阅，或一项学生批判任务。
  • “如果学生喜欢这个类比，他们就学会了概念。” 参与度与学习是不同的结果。这里的证据基础多为质性，并未确立学习增益。

限度与证据缺口

本知识库中的文献并不均衡。关于教师与学生隐喻的研究是质性的，且往往规模很小。工程教师研究分析的是对单个访谈问题的回答。关于生成式 AI 专业化的那项研究，把隐喻计数当作探索性的处理。课堂类比研究只有十名本科生，且个性化与解释形式之间存在混淆。Roe 等人的框架是概念性的，其活动尚未在学生身上检验过。ANVIL 是一次与教育者合作的系统评估，而不是一项学习研究。

这并不使这些工作变得无用。它使这些主张恰如其分地保持克制。隐喻引出可以揭示问卷漏掉的假定。类比批判可以让结构性的理解变得可见。一个选得好的隐喻可以给一个班一个共同的对象去争论。但该领域仍需要这样的研究：把基于隐喻的教学与常规教学相比较，测量迁移而非对隐喻的回忆，并检验这一路径能否跨文化、跨学科地成立。

夸大的风险在两个方向上都是真实的。把隐喻当作完整解释的教师，可能植入一个误解。把隐喻当作纯粹装饰的研究者，可能错过学生借以建立或未能建立心智模型的一条机制。有建设性的立场是：把隐喻当作一种经过设计、局部且可被批判的表征，并研究学习者拿它做了什么。

关联概念

关联文章

元数据

层次Higher Ed
目标读者Instructors, Learners, Researchers
学习与教学关于 AI 的误解, 学生参与
技术与方法生成式人工智能
教育中的人工智能基础AI 素养, 批判性思维
来源历史编辑对话

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。