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

学习迁移

创建 2026-05-07 · 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。

学习迁移（transfer of learning） — 在一个情境中获得的知识或技能（例如与一个 AI 工具的练习）持续下来并在不同情境（例如没有该工具时的独立表现）中应用的程度。在 AI 教育中，迁移是核心的开放问题：学生借助 AI 工具表现出的增益，是否转化为他们在没有工具时也能展示的持久学习。

值得思考的问题

  • 本页记录了一个醒目的模式：学生常在 AI 辅助的任务上表现出即时增益，而当 AI 被移除时，这些增益可能消失——甚至反转。在读解释之前，你认为一个显然在当下有帮助的工具，为何最终可能让学生在没有它时处境更糟？
  • 回想你曾在一位导师、计算器或助手的帮助下学会做某件事、然后不得不独自做的事。那项技能延续下来了吗，还是你感到依赖那个辅助？把迁移得好的经验与没迁移好的经验分开的，是什么？
  • 一个常见直觉是"练习就是练习"——在有帮助下做任务，与独立做它，建立的是同一种技能。这种直觉在哪里可能误导人，尤其是当那份帮助是一个替你完成推理、而非引导你完成推理的 AI？
  • 本页区分一项技术的"效应伴随（effects with）"与"效应属于（effects of）"——在使用工具时表现更好，与在没有它时变得更有能力。如果你是教师、设计者或学生，哪个才是你真正的目标，而你会如何知道自己达到了它？
  • 证据表明，你委派多少认知工作是有影响的：卸载表层任务（如语法）对迁移的伤害，小于卸载深层推理与结构。想想你上次在作业上用 AI 的情形。你委派了哪一"层"，你的选择对你最终能保留什么预示了什么？
  • 本页提出若干可能支持正向迁移的条件——教学 护栏、渐隐支持、对准学习者的就绪度。如果你在设计（或是用户）一个 AI 学习工具，你会坚持什么，好让使用期间的增益变成没有它时的持久能力？

引言

学习迁移是教育 研究中的一项基础关切，而 AI 工具使它变得紧迫。跨"教育中的 AI"研究记录的定义性经验模式是一个迁移悖论：使用 AI 的学生通常在 AI 可用的任务上表现出即时、可测的增益，但当 AI 被移除、学生必须独立展示理解时，这些增益常常无法持久——甚至反转。这一模式牵连到 过度依赖、认知负荷理论与 元认知 作为起作用的机制，并直接连接到关于 AI 辅导设计的争论。

就绪不等于迁移：AI 辅助的口语练习与更低的口语焦虑、更高的与人交流意愿相关，然而两项研究都没有观察人的口语，使"从 AI 排练到人际交流能力"这条路径成为一个未经检验的教学提案（Wang & Li（2026））。

迁移悖论

使用 AI 的学生通常在 AI 可用的任务上表现出即时、可测的增益。然而当 AI 被移除时：

  • 效应变得混杂或负面
  • 增益常常未能迁移到未被考核的情境
  • 学生可能依赖工具，以独立推理为代价

《斯坦福 K-12 AI 证据基础》综述所综合的证据基础，在各领域上是一致的：

研究 情境 即时效应 迁移效应 机制
Bastani et al.（2025） 高中数学 练习成绩更高 闭卷期末差约 17% 通用聊天机器人做了工作
Chen et al.（2025） 编程作业 作业分数更高 无辅助考试上无改善 大语言模型（LLM）-导师替学生解了题
Lehmann et al.（2025） 编程 覆盖更多主题 损害理解；差距扩大 面向低先验学习者的通用 AI
Stadler et al.（2024） 学术研究 任务完成更快 相对搜索推理质量更低 认知 参与减少
Kosmyna et al.（2025） 论文写作 论文质量更高 83% 无法回忆自己的引语 作者身份被外包

五项研究在通用 AI 作为干预时，全都显示负面或零迁移模式。

破坏迁移的机制

元认知位移。 AI 完成推理，减少了学生监控自己理解、选择策略的机会。使用 AI 的学生在被追问时更无法解释自己的答案。这连接到 元认知 关于自我监控的研究，以及 结构化课程提升元认知能力、而原始 LLM 助手不提升的证据。

相关负荷抑制。 通用 AI 减少的不只是外在（分心的）认知负荷，也减少相关负荷——那种编码持久知识的生产性心理努力。更容易的练习感觉更好，但存下的痕迹更弱。参见认知负荷理论，以及 辅导专用 AI 与通用 AI之别。

过度依赖/专长反转。 拿到答案的新手不会建立图式。通用 AI 给答案；有效辅导给结构化引导。当新手被给予专家级捷径时，学习被打断——这是反过来的 可取的困难 原则。

**工具依赖的表现。**学生可能为 AI 工具的具体可供性做优化（提示工程、依赖生成的代码结构），而非建立领域泛化——这是一种 认知卸载，感觉有成效却挤走了持久学习。

一间受保护的课堂也可能教出错误的习惯：Shi、Dai 与 Zhang（2026）警告，规则事先固定的模拟会滤掉不确定性、强化循规，于是在其中形成的决策习惯，一旦学生遇到真实情境中相互竞争的利益与不完整的信息，就可能成为认知负债。 分层敏感的卸载与迁移。 Chen（2026）在 GenAI 辅助写作中直接检验了 Salomon、Perkins 与 Globerson 的"伴随效应 vs. 属于效应"之分：一项八周准实验发现，开放式 AI 协作最大化了辅助写作表现，却产出了最低的独立无 AI 近迁移结果，而带反思的有界支持保住了独立能力。更深的卸载层（推理、结构）比表层（语法）预测更差的迁移。这是直接的课堂证据：AI 的伴随支持表现增益并不迁移到属于支持的独立表现——且委派的深度、而不只是是否用了 AI，塑造迁移。

一个互补的（即便混淆了的）实例来自 物理：波鸿鲁尔大学对核物理与粒子物理导论课程的重新设计（Mikhasenko et al.，2026）让学生成功完成了有 AI 辅助的、资源丰富的协作研究问题，然而同一批学生在传统无辅助笔试上平均只有 20.6/80，几项认真的尝试甚至无法完成标准计算。作者把这读作证据：辅助表现不会自动迁移到未被提示的表现，而他们的补救是刻意设计——让笔试成为唯一的成绩决定因素，提前公布习题使课堂时间成为准备好的讨论，并在探索性的、允许 AI 的工作周围添加先修准备、范例与巩固。

支持正向迁移的条件

有限的证据表明，迁移在以下条件下是可能的：

  • 存在教学护栏 — 分步提示、针对 误解、苏格拉底式提问（Bastani et al.，2025 辅导变体）

  • 传统策略被保留 — 记笔记与 AI 使用配对提高了保持（Kreijkes et al.，2026）

  • AI 用于 形成性而非 总结性练习 — 在学习期间搭脚手架，而非在考核期间

  • 练习形式与所迁移的知识相匹配。 Rachatasumrit、Koedinger 与 Carvalho（2025）发现，检索式练习的增益常无法迁移到不熟悉的问题——它们强化对一个程序的记忆，却不使它能在新情境中被使用——而对新应用的持久泛化，要求把练习与支持技能归纳的范例配对；因此最佳范例–问题比例取决于内容是逐字事实还是一般化技能。

  • 学习者专长被校准 — 工具使支持适配就绪度，而非默认给全量帮助

  • 迁移作为区分学习与辅助的判据。 Yan 与 Gašević（2026）把他们关于人–AI 学习的理论建立在"支持减少下的迁移"上：只有在支持撤除后能力仍然持续，辅助表现才算学习，这使迁移成为检验，而非若干结果之一。他们的命题是有方向的：在 AI 支持的工作中要求来源核查或论证，应改善延迟表现，而反复的低摩擦委派、不重建，应削弱学习者对自己能力的校准。

  • 指导与工作并置。 与上表的负面迁移模式相对，一项 36 人的比较发现，由一台桌面机器人辅助的学习者在帮助撤除后把分数保持在 7.0/10，而 ChatGPT 辅助的学习者跌到 4.4/10，短期迁移分数高 60%（Orlando et al.（2026））。该结果是任务后约 35 分钟测得的短期迁移，无延迟保持测试，在一所校园的 36 名参与者中。

这与 AI 辅导研究一致——带教学护栏的辅导专用工具优于通用 聊天机器人——也与 脚手架 关于随能力增长渐隐支持的原则一致。

未解问题

  1. 时间尺度： 迁移会随数周/数月的使用改善，还是依赖会加深？
  2. 领域差异： 在结构良好的领域（数学）中迁移是否优于结构不良的领域（写作）？
  3. 个体差异： 高 先备知识 学生是否比新手损失更少的迁移？
  4. 技能补救： 明确的"无 AI"练习时段能否反转工具依赖？

与相关概念的关联

学习迁移与 元认知（对理解的自我监控）、认知负荷理论（相关负荷 vs. 外在负荷）、可取的困难（有效挣扎）、脚手架（渐隐支持）、过度依赖（工具依赖）以及 社会文化学习（通用 AI 通过替学生完成工作而运作在 ZPD 之外）相连。它是辅助表现与真实学习之间的桥梁——The Evidence Base on AI in K-12: A 2026 Review 与 AI 辅导有效性的核心问题之别。

关联概念

关联文章

元数据

层次K 12
学习与教学可取的困难, 元认知, 脚手架, 学习迁移
技术与方法智能辅导
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。