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

学生体验

创建 2026-08-09 · 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。

学生体验 —— 学习者在教育情境中如何感知、互动并被人工智能工具影响。本知识库中有超过 85 篇文章，学生体验是 教育中的人工智能 被研究最多的维度之一。人工智能同时以正向与负向影响学生，而同一件工具可以帮忙也可以伤害，取决于它如何被设计与使用。

值得思考的问题

  • 本页主张，人工智能同时以正向与负向影响学生，常常同时发生 —— 同一件工具可以帮忙也可以伤害，取决于设计与使用。你能从自己的经验举一个例子，其中人工智能同时帮了忙也造成了伤害吗？
  • 它描述了一种“表现—学习差距”：学生在有人工智能时表现更好，但在后来无协助的任务上更差。你认为这个差距如何产生，要弥合它需要什么？
  • 如果说对人工智能的过度依赖意味着把实际需要练习的推理委托出去，你会在哪里划出正当帮助与侵蚀学习的卸载之间的界线？
  • 研究 追问，仅仅知道人工智能可用是否改变学生的努力。你认为人工智能的意识让学生更努力、更不努力，还是不同地努力 —— 而你会如何检验你的信念？
  • 鉴于人工智能的获取与效果因学生群体而异，当一门课程采用一件人工智能工具时，你认为哪些公平关切最重要，而谁有责任去处理它们？

引言

学生体验如何被研究

人工智能影响学生的方式

人工智能在认知、动机、情感、身份、社会与公平维度上影响学生。研究指向每个维度上都有正向与负向影响，常常同时发生 —— 方向取决于设计与使用。

认知影响

动机影响

  • 正向： 人工智能可以通过提供个性化、即时与低利害的支持来提高 动机 与 参与 —— 帮助学生坚持并感到胜任（见 自我决定 视角中的自主、胜任与关系）。
  • 负向： 知道人工智能可用，会降低学生的努力与生产性挣扎的动机（人工智能可得性与动机、安全差距）。过度依赖可能侵蚀 学习者自主性 以及由自己做工作而来的成就感。

情感与福祉影响

身份影响

  • 正向： 人工智能可以通过支架学科归属、自信与专业抱负来支持 身份形成 —— 例如帮助学生把自己看作有能力的从业者。
  • 负向： 人工智能可以通过作者身份的丧失与胜任感怀疑威胁 学习者身份 —— 当人工智能产出工作时，学生可能不再觉得它是“他们的”。胜任力悖论 在创意领域表明，易用性破坏学生从作者身份衍生的工艺身份。

学术诚信与公平影响

  • 负向： 人工智能使 学术不诚实 的新形式成为可能（人工智能生成的作文、未经授权的完成），驱动关于 检测与减少 的争论。这与 公平 相互作用：对人工智能工具的获取与理解不平等，可能扩大学生之间的差距。
  • 正向／建设性： 人工智能可以支持 真实的、面向过程的 评估与反思性实践（例如 引导式自评），把诚信关切转化为 AI 素养 与责任的机会。

学生对诚信的记述比不诚实框架所暗示的更不安定。Mulisa and Mezgebu (2026) 在埃塞俄比亚一所大学访谈了 27 名本科生，发现学生群体与自己对立：几乎所有人都使用生成式人工智能或看到同伴使用，多数人称赞它提高了他们的成就，少数人直言课程作业中的使用是不当行为，而最尖锐、被最广泛分享的抱怨是公平 —— 人工智能使用者得分高于诚实学习的学生，有些人把它描述为扼杀了他们的勤勉感，一位参与者不确定“我们是在从人工智能的使用中受益还是在受害”。程序一侧也很重要：Munoz et al. (2026) 编码了 1,162 起生成式人工智能违规案件，发现最常被引用的证据 —— 检测器输出、相似度报告、人工智能典型的内容模式 —— 证明力最弱，且由于流程中没有最低证据门槛，证据薄弱的案件把学生推向申诉。过度宽泛的定义扩大那种暴露：Wright (2026) 表明，针对“生成式人工智能”的禁令会抓住那些仅仅转换学生已创作作品格式的工具，这种过度包容对残障与 公平 暴露的学生打击最重。Sharma (2026) 指出建设性的出路，把诚信当作一种通过 判断 实施的 教学 实践 —— 带标注的决策轨迹、核验、口头答辩、版本历史 —— 而非通过监控确保的合规。

核验可以改变学生如何体验这个问题：一个先解释自己工作的请求起初被读作指责，但一旦教学大纲事先把它框定为教学法而非监控，他们就更开放地披露人工智能使用，并把作业当作学习任务，在五到十分钟的对话中（Mandernach, 2026）。

社会与关系影响

长期／能力影响

总体： 同一个人工智能工具可以支持也可以破坏学生，取决于设计与使用。贯穿始终的护栏是让学习者持续做认知上重要的工作，同时用人工智能做支持（支架，而非替代），并关注影响的全部范围 —— 不只是表现。有一种配置改变了体验开始的位置：当人工智能生成课程阅读材料本身，而非只是帮做作业时，学生成了自己 课程 的审计者。在 Sidorkin 的 (2026) 研究生课程中，学生重视生成文本的情境具体性与可调性，75% 同意他们比在没有人工智能伴侣的可比课程中学到更多，然而他们不得不从上下文推断来源质量，因为维基百科链接与同行评审引用出现在同样的列表里而没有标签，且 24 位调查受访者中有 4 位用了依赖语言，包括一位把自己描述为“在人工智能的安慰与结构上有些共依”。

一名学生体验到的最长期结果 —— 他们是否下学期回来、累积学分并毕业 —— 是制度的而非教学的，而 学生支持与成功 追踪人工智能支持如何影响它们：任务完成容易移动，坚持与毕业则远不容易。

关联

学生体验连接到 过度依赖（过度的人工智能依赖）、AI 素养（有效使用的技能）、认知外包（人工智能如何改变认知工作）以及 参与（人工智能系统如何测量并响应学生行为）。它是 利益相关者 伞状类别中面向学习者的一员，也是总结人工智能影响学生之所有方式的家。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed, K 12
学习与教学幸福感（Well-Being）
技术与方法生成式人工智能, 大语言模型（LLM）
公平、伦理与负责任使用公平性
教育中的人工智能基础AI 素养, 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。