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

自我导向学习（Self-Directed Learning）

创建 2026-08-20 · 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。

自我导向学习（SDL） — 学习者主动担起责任，诊断自身学习需求、设定目标、识别资源、选择并实施策略、评估结果的过程，往往在有限的外部结构下进行。在 AI 时代，SDL 既是一个关键结果（AI 使用是支持还是侵蚀学习者主导自身学习的能力？），也是一种脆弱性（生成式 AI 的便利会损害 SDL 所依赖的自主性和自我效能）。

值得思考的问题

  • 自我导向学习意味着在有限的外部结构下诊断自身需求、设定目标和评估结果。在阅读之前，你在主导自身学习上实际有多自如——有没有一个 AI 工具曾让你更不能做到，而你没注意到？
  • 本页把 SDL 框定为既是一个期望的结果，也是一种脆弱性：生成式 AI 的便利会侵蚀 SDL 所需的自主性和自我效能。为什么一个给你即时答案的工具会让你更难在日后主导自己的学习？
  • 研究发现，不加思考地使用 GenAI——不加批判性评估就采纳输出——既直接损害 SDL，也通过侵蚀自我效能和动机损害它。你能回想起一次未经评估就接受了 AI 答案吗？如果有，那让你付出了什么代价？
  • SDL 与自我调节学习（SRL）密切相关但有别：SRL 关注学习当下的教育中的人工智能监管调节，而 SDL 关注跨时间的总体责任。在你自己的实践中，"管理这个任务"与"主导我自己的学习"之间的界线在哪里？
  • 不加思考的 AI 使用带来的伤害对一些学生的动机打击更大，对另一些人的自我效能打击更大。如果这些心理资源的侵蚀在学习者间不均衡，AI 便利会让谁损失最大，这提出了什么公平关切？
  • 在阅读之前设定一个目标：说出一个你目前基本靠自己追求的学习目标，以及 AI 工具帮助你朝它前进的一种方式和悄悄把主导权从你这里拿走的一种方式。

引言

自我导向学习与自我调节学习（SRL）密切相关——但有别于后者。SRL 强调学习当下的认知、动机和行为调节（计划、监控、控制、反思），而 SDL 强调学习者对跨时间、通常在非正式或自选情境中自身学习方向与管理的总体责任。SDL 是成人学习和终身学习的基础，也是远程与在线教育的显要理论——那里学习者必须在没有排定课堂时间的情况下维持自主性。SDL 也日益可被实证研究：通过分析 315 名在 VERA 中构建了 822 个模型的在线学习者的点击流，An、Hammock 与 Goel（2025）识别出自我导向的三种行为特征——观察、建构和探索——并发现学习者从动手建构向更完整、假设驱动的探索推进，而观察贯穿所有阶段，表明学习者在非结构化在线任务中行使自主的程度与种类，可以仅从追踪数据中区分出来。

生成式 AI 如何重塑自我导向学习

知识库的研究记录了 GenAI 与 SDL 关系的两面。

实践中的 SDL—SRL 区分

因为 SDL 强调学习者发起的方向，保护它的干预聚焦于保全学习者自主性和自我效能，而非仅仅调节逐刻行为。"不加思考的 AI 使用侵蚀动机和自我效能"这一证据——即 SDL 所依赖的心理资源——提示，促进负责任的 AI 使用不只是诚信问题，而是一个发展问题：保护学生主导自身学习的能力。

AI 提取支架支持研究性学习的研究

  • AI 提取作为研究性学习的支架。 An 及其同事（2026）设计了一个 AI 驱动的信息提取系统，把研究出版物转化为结构化、可追踪的数据集，以支持STEM中本科论文的完成，定位为一个认知支架，让人能检视证据—主张关系，同时降低底层数据处理需求。在一项 20 名学生、跨 80 份文档的混合方法试点中，学生提取了超过 90% 的目标参数，自报文献综述时间下降约 65%，识别影响变量的能力上升 50%——支持这样的想法：AI可以把认知负荷重新平衡到更高阶、自我导向的研究性推理上，而非例行的摘要。

关联概念

关联文章

相关资源

  • Skills for Real Engineers
    Matt Pocock 的开源小型可组合 Agent Skill 合集，包括一个跨会话的教学 Skill、一个穷追不舍式提问的 Skill，以及撰写代理可执行文档的指引。

元数据

层次Higher Ed, Adult Learning
学习与教学终身学习, 动机, 自我效能, 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者自主性
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。