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

生产性失败

创建 2026-08-23 · 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。

生产性失败（Productive Failure，PF）——一种扎根于建构主义理论、由 Manu Kapur 发展出的教学方法，它让学生接触针对他们尚未学会的概念的问题，让他们在获得直接指导之前努力生成解法（Kapur, 2008; Kapur & Bielaczyc, 2012）。生产性失败不把失败当作要避免的东西，而把最初的挣扎与错误当作强效催化剂：学习者激活并分化先备知识、暴露误解，并为从后续指导中更好地学习做好准备——带来更深的理解、更好的保持与增强的知识迁移。

值得思考的问题

  • 你可曾因为先在某件事上失败，比被人演示怎么做学到更多？是什么让那次失败"有生产性"，而不只是令人沮丧？
  • 本页的核心主张是顺序要紧：在指导之前努力生成解法会产生更深的学习。你认为在那段挣扎中，大脑里发生了什么，可供后续指导在其上建造？
  • 并非所有失败都等值："失误"（mistakes）可能几乎没有诊断价值，而"错误"（errors）揭示真正的误解。区分这两者会如何改变你对一个挣扎中的学习者的回应——或一个 AI 辅导系统应当如何回应？
  • "安全差距"（Safety Gap）是学生的 AI 协助表现与其无协助能力之间的偏离。让一个学生看起来有能力的帮助，何时实际上掩盖了他们还做不到的事？
  • 一个为保全挣扎而保留答案的 AI，可能被感知为不够有用。如果你是学生，你会如何回应一个拒绝给你答案的辅导系统——这种回应会与对你的学习最有利的东西相符吗？
  • 在同伴（或 AI）面前怕犯错，会如何关闭本页所描述的那种生产性挣扎？一个允许失败的"安全空间"需要包含什么？

引言

生产性失败与其他"从困难中学习"的结构密切相关但彼此有别：合意难度（Bjork）着眼于在练习中引入合意的挑战；问题式学习与探究式学习强调学习者驱动的问题解决；而从错误中学习（错误纠正学习）强调含错加工与纠正性反馈的价值。生产性失败的独特之处在于其两阶段结构——指导之前的生成与探索，然后是之后的巩固与知识整合——及其主张：是顺序（失败先于指导）产生了学习优势。

核心机制

学习者在无认知支持下生成解法，依靠先备知识并产出次优甚至错误的解法。随后他们在巩固阶段把这些尝试与标准解法作比较和对照。这段挣扎：

  • 激活并分化先备知识，使学习者意识到自己的缺口与误解。
  • 让学习者为从指导中学习做好准备——他们知道自己不知道什么，并能把新材料与自己的尝试联系起来。
  • 增强知识迁移与持久技能（批判性思维、韧性、沟通），减少对犯错的恐惧，并促进对学习的积极态度。

PF 框架已通过若干相关设计得到扩展，包括替代性失败（vicarious failure）、解法多样性（solution diversity）与自适应引导（adaptive guidance）（Braas et al., 2025; Brand et al., 2025）。

从失误与错误中学习

生产性失败处于一个更宽泛的、以错误为中心的学习理论家族之内，本概念页涵盖这些相关思想：

从错误中学习

含错加工能辅助保持与概念转变，尤其在学习者有机会反思并重组其理解时（Kapur, 2008; Schwartz & Martin, 2004）。在 AI 时代，这落实于学习者诊断并纠正自己的错误而非接受直接纠正的系统——例如线索先于纠正的任务，其中 AI 给出引导性提示、学习者推断出正确解法，降低认知负荷并支持自主修订。精细加工式反馈产生的学习增益显著高于仅做核实的反馈（Hattie & Timperley），且反馈的时机很要紧。

失误与错误之别

一个有用的区分：失误通常是失手或过失（常因粗心或负荷过重），其诊断价值有限，而错误反映真正的误解或有缺陷的推理，是更有生产性的学习材料，因为它揭示了一个可被处理的误解。错误分析——识别一个答案为什么错——是"从错误中学习"的核心，也是一项关键的教学法技能（以及AI 反馈设计的一个目标）。

纠正性反馈的作用

从错误中学习依赖能帮助学习者看清错在哪、为何错的反馈。基于线索与精细加工的反馈（把学习者引向纠正）比直接给出正确答案更有效——这一洞察把反馈理论直接与生产性失败设计、以及与AI 辅导系统应如何回应学生的错误连在一起。

生产性失败与教育中的 AI

本知识库研究中的一个主要主题，是 AI 的有用性与生产性挣扎的保全之间的张力：

  • 风险：AI 抹除挣扎。 过于"有用"、神谕式的 AI 直接提供答案，可以消除图式建构所需的生产性挣扎，造成Wang 与 Shan（2026）所称的安全差距——学生的 AI 协助表现与其内在的、无协助的能力之间的偏离。这与认知卸载相关：替代努力的 AI 会侵蚀教育本要建立的那些能力。
  • 设计回应：为挣扎搭建脚手架的 AI。 Kim 等（2026）为支持基于生产性失败的学习的 AI 推导出五条设计原则（人机协作、可用性、反思式设计、情感设计、开放知识），强调 AI 应当在提供非指示性支持的同时保全挣扎。Puech 等（2025）显示大语言模型辅导系统可以被引导遵循生产性失败教学法（保留解法、诱发多次尝试），代价是被感知的有用性下降。CoMeT（Hou et al. 2026）为这一代价定价并定位了中间地带：其渐进升级的辅导系统比"按请求作答"的辅导系统高 0.42 个量表点的挫败感（p < .001），而比"只问问题"的那个低 0.29（p = .011），其会话中检测到苦恼的比例为 8.4%，对比保留答案辅导系统下的 16.0%，且它在 6.1% 的会话中交出了完整答案。一个在明确表示放弃而非在感到沮丧时开启的底线，出自同一设计——没有它，最需要这条要求的学习者会绕过它。
  • AI 作为 PF 设计的工具： ProductiveMath用生成式 AI帮助教师创造高质量的 PF 问题——应对"设计生产性失败活动很费力"这一挑战。
  • AI 生成的错误作为挑衅：AI 错误的教学法刻意把 AI 错误与幻觉用作教学工具，把错误输出当作认知挑衅，与生产性失败的思路一致。

这使生产性失败成为评价教育中的 AI的一个核心透镜：问题不是 AI 是否有帮助，而是它的帮助方式是否保全了持久学习赖以建立的那段挣扎。

对教师与教学设计的意义

  • 在指导之前为挣扎而设计。 把学习排序成学生先尝试问题、再巩固——而非传统的先指导。
  • 有策略地保留解法。 用提示、线索与引导性问题（苏格拉底式教学法）搭建脚手架，让学习者保持认知投入，而不是交出答案。
  • 用 AI 搭建脚手架，而非替代。 选择并配置那些给出非指示性支持、保全生产性挣扎、把错误暴露出来以供反思的 AI 工具——而非给答案的工具。这既适用于辅导系统设计（引导大语言模型），也适用于课堂实践。
  • 顾及失败的情感一面。情感设计、一个供实验的安全空间、以及减少对犯错的恐惧，都是必需的——生产性失败要求学习者愿意挣扎和失败。
  • 把错误分析建入学习。 让学习者诊断他们自己（或 AI 的）答案为什么错，使用精细加工／基于线索的反馈，把错误转成学习增益。
  • 在教学上区分失误与错误。 并非所有失败都同等有生产性；要注意错误是否反映了值得处理的误解。

与学习增益及其他测量的关联

  • 学习增益： 与传统的"先指导"方法相比，PF 与改善的学习相关（Kapur, 2008, 2015; Schwartz & Martin, 2004），尤其在迁移与深度理解的测量上。基于线索／精细加工的反馈产生的学习增益显著高于仅做核实的反馈（Hattie & Timperley）。
  • 迁移与保持： PF 的收益在把知识迁移到新问题上最强——一种持久技能的结果，而非短期考试表现。
  • 情感与动机性结果： PF 减少对犯错的恐惧、提高投入，并培养韧性与对学习的积极态度。
  • AI 特有的测量： 面向 PF 的 AI 研究，依策略保真度（例如StratL 的 PF 分数、所诱发的解法尝试次数）和教师／学习者感知来评价，与传统学习结果测量并用。

与相关概念的关联

生产性失败与学习理论（建构主义）、合意难度（珍视学习中的困难）、问题式学习与探究式学习（学习者驱动的问题解决）、元认知（对自己尝试的反思）、认知卸载（AI 抹除挣扎的风险）、脚手架（保全努力的支持）、反馈（精细加工的、纠正性的）、先备知识（激活与分化）、迁移（持久的结果）以及苏格拉底式教学法（以提问激发推理）相连。在 AI 时代它是一个核心的评价透镜：AI 的帮助方式是否保全了持久学习赖以建立的那段挣扎？

关联概念

关联文章

元数据

学习与教学可取的困难, 探究式学习, 学习理论, 元认知, 问题导向学习, 脚手架
技术与方法生成式人工智能, 学习分析
评估与测量反馈, 学习收益
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。