人工智能如何在我的课程中支持残障学习者与神经多样性学习者？

本页是英文页面的机器翻译，尚未经母语者审校。

一封便利函上写着一个学生、一门课，和一个你从没听过的工具。或者有学生合情合理地问，能不能在限时考试里继续用他的语音转文字软件，而你的课程 AI 规则说任何形式的 AI 都禁止。或者无障碍办公室周五之前就要答复：要不要采购一款阅读工具，而供应商给的证据是另一个校区的一句好评。

能同时撑住这三种情况的答案是：从任务制造的那道障碍出发，使用真正被测量过的工具，并且无论采纳什么都教。有两条规则比任何产品选择都重要。在 AI 政策里把转录和 OCR 单独列为便利措施本身，并且给作业以结构，而不是让学生去推断结构。对证据要保持清醒：这一页上最强的数字来自 PK-12 特殊教育情境，且大多用的是生成式 AI 之前的 AI，而高等教育文献是一张“试过什么”的地图。

简要版

1. 在便利函上先写功能性障碍，再写工具名称：读写、学习管理、注意力，或社会交往。

2. 从有结构的教学软件开始，它才有被测量到的效应；在你买下别人推销给你的聊天机器人之前，先读它的置信标签。

3. 判断这是一项设计改变，还是一项个人便利。如果障碍是共有的，就改设计，因为那能去掉披露这一步。

4. 教这个工具。只给便利而不教，正是判例法所惩罚的失败模式。

5. 在 AI 规则里明确点出转录和 OCR，这样一条针对生成式写作的禁令，就不会撤掉学生产出可辨认作品的工具。

6. 让试用针对障碍，而不是针对满意度问卷，并事先说明你会把什么算作有效。

从任务制造的那道障碍出发

对残障和神经多样性学生来说，大多数问题都发生在任务的层面上：一篇默认你能读印刷文本的读物，一段默认你能持续注意的视频，一个默认大家都懂那些不成文社交规则的小组项目。这些障碍会跨诊断重复出现，所以有用的问题是某个工具去掉的是哪一道功能性障碍，而采购问题也应当这样表述。

诊断类别会把这一点藏起来。下面那篇范围综述发现，文献以个别便利措施和围绕正式诊断组织的单一神经类型工具为主，而它们所针对的功能差异是横跨神经类型的。阅读障碍的学生往往从减少对纯文字材料的依赖中受益。自闭症学生和 ADHD 学生都可能经历注意力的频繁波动，这使他们的表现对稳定的结构和足够的任务切换时间很敏感。一个只匹配标签的工具，可能错过你这个班里那位学生实际有的障碍。

同样的谨慎也适用于群体统计。不同学习者群体之间的差异效应报告，对有特定学习障碍、智力与发展障碍或失聪的学生，效应明显大于自闭症谱系学生，而这一差异在各效应量之间并不具有统计显著性。

使用真正被测量过的东西，并读它的标签

这一页上最强的量化结果也是最笼统的，而它带着一些限制，你应当把它们一起带进采购决定。

Zhang、Carter、Liu 与 Peng（2024）综合了 29 项针对残障学生的 AI 干预（准）实验研究：来自 41 个独立样本的 239 个效应量，对学习结果整体的中等效应具有统计显著性，Hedges' g = 0.588（95% CI [0.349, 0.826]，p < .01），研究间异质性高。学业表现是最大的结果亚组（k = 80，g = 0.929），社会情感技能最小（k = 144，g = 0.382）。计算机软件，即语音识别、专家系统和智能辅导系统，表现强（k = 74，g = 0.959），机器人中等（k = 144，g = 0.509），而智能 VR（g = 0.528）不显著。存在发表偏倚（Egger's β = 2.837，p < .001）；剪补法把估计降到 g = 0.269，仍然显著。

每一项研究都是 PK-12。96.6% 在特殊教育或临床情境中使用基于步骤的教学，而且多数用的是较老的、基于规则的 AI，而不是生成式 AI。这支持谨慎地采用有结构的教学软件。它不能迁移到通用聊天机器人上，而把它当成能迁移，是这一页上代价最高的错误。

三个较小的结果说明，当障碍很窄时，单个工具能做到什么。每一个都是在少数学习者身上测的，所以把它们当作低成本、可回退的实验，而不是基础设施。

就注意力而言，Pimenova、Begel 及同事（2026）事后把教学视频切分成带固定停顿的单条指令块。17 名 ADHD 学习者和 10 名非 ADHD 学习者参与，它改善了所有人，并把 ADHD 参与者的错误和犹豫降到同等水平。这种拉平效应来自对材料的一次轻量改造。

就语言可及性而言，Chen 等人（2026）在一个大语言模型（LLM）基线问题集上加入了“视觉问题”（视觉信息很可能被误读的时间点）和“情绪问题”（先前失聪与听障学习者报告过挫败感的时间点），共产出 30 个问题，每种策略十个。16 名学习者参与，自我效能在七点量表上平均为 5.70（SD = 1.12），而失聪参与者比听障参与者更常选择视觉问题。

就读写而言，Rezazadegan 等人（2026）挖掘了阅读障碍学习者自己的论坛讨论。这些学习者看重 AI 对读写能力的支持，同时报告输出质量不稳定，以及缺乏公平的便利安排。这种不一致本身就是一道障碍：一个靠不住的工具是在增加工作，而不是减少工作。

高等教育的情况是证据最弱的部分，也是最贴近你日常工作的部分。Rempel、Heimann 与 Prilop（2026）从五个数据库筛出 766 条记录，最终纳入 40 项 2015 至 2025 年间发表的研究。生成式 AI 出现在 40 项中的 15 项，虚拟现实出现在 11 项。障碍覆盖不均衡：读写（n = 13）和学习管理（n = 12）占主导，注意力（n = 4）和社会交往（n = 5）被忽视，只有 6 项研究涉及一个以上的障碍。这篇综述按设计排除了K-12和专门机构情境，所以它对更年幼的学习者什么也没说。用它来看看，在你这个层级哪些障碍已经被处理过，哪些几乎还没被碰过。

小学课堂如今也有了自己的范围综述。Gibson、Tervola 与 Goodacre（2026）在六个数据库中筛选了 3,340 条记录，纳入 93 项关于神经包容性小学课堂教育技术的研究。自闭症是研究最多的画像（n = 37，39.8%）；扩展现实（n = 26）、机器人（n = 14）与 AI 驱动系统（n = 12）领跑技术类别，而辅助与无障碍技术低于 5%。社会性、沟通性与同伴互动结果被忽视；43.0% 的研究未报告设计过程，39.8% 为研究者主导的设计，17.2% 为共同设计，而只有一项研究（1.1%）让儿童成为设计伙伴。该综述并未确立任何产品有效；它显示的是小学阶段证据何处稀薄，以及谁的判断被算作价值。

判断你是在改设计，还是在给便利

通用设计免除了学生“必须表明自己需要特殊安排”这一步。便利措施恰恰要求这一步，而污名是成本的一部分。所以当一道障碍原来是共有的，改设计是更划算的买法：它能到达那些从不披露的学生。

视频切分的结果是最清楚的例子。把视频切成带固定停顿的单条指令块，改善了研究中的每一位学习者，不只是 ADHD 学习者，并把 ADHD 参与者的错误和犹豫降到同等水平。这就是通用设计的结果，靠一次剪辑实现，而不是靠一个产品。

诚实的限制是：那是 17 名 ADHD 学习者和 10 名非 ADHD 学习者，一项研究，而这份文献里没有任何东西告诉你从一个课堂结果能外推到多远，或者什么时候某位学生的需要特殊到需要个别安排。那个判断留给你和无障碍办公室。

教这个工具，并把教学落到具体的人头上

有据可查的失败是只给便利、不给教学。在 W.A. v. Clarksville/Montgomery County School System（2024）一案中，一名获得 AI 作为便利措施的学生毕业时仍不能阅读，法院认定未提供免费的适当公共教育。

两件事让这种失败变得很可能，而两件都是制度性的。Shin 等人（2026）对 2015 至 2025 年间的 12 份美国 AI 教育政策文件使用基于 LLM 的主题建模，并对 17 位专家做了两轮德尔菲调查。教育者准备是他们五个经效验的主题之一，占 36 个条目中的 4 个，而专家把学生赋权与AI 素养排为最核心：这些学生应当学会负责任地、独立地使用 AI，并把防范过度依赖作为同一项技能的一部分来教。LUDIA的作者把障碍命名为“知行之隔”：指导大量存在，用一般化的语言写成，而障碍永远属于这间教室、这一周。

这一页给不了你的是培训方案。目前没有正式的循证指南帮助教育者或家庭为这些学习者实施 AI，所以教学量、顺序和由谁来做都是判断。判例法设定的是底线而不是标准：学生最终必须做得到那件事，而且必须有人为把他带到那里负责。

把转录和 OCR 按名字写进 AI 规则

Wright（2026）主张，把所有“AI 使用”一视同仁的规则过度涵盖，因为它们没有把语音转文字转录和 OCR 与生成式写作区分开。有影响精细动作控制、书写可辨认度或打字准确性的学生，一直依赖 Dragon NaturallySpeaking 这类独立语音转文字产品和独立 OCR，其中好几款已经停产或降级，而由 AI 驱动的转录正在填补这个功能空缺。

因此，一条写成“禁止 AI”的规则，可能撤掉学生产出可辨认作品的主要手段。还没有人测量过这种替代的规模，这正是要明确写出、而不是等那个数字的理由。在政策里把转录和 OCR 作为便利措施与写作禁令并列写明，让这两个问题分开决定。这给机构带来的风险属于法律问题与风险。

在多数文件里这是一行字的修补，而它是这一页上后果最重的一行。

在作业默认有结构的地方给出结构

结构是这里最便宜的干预，也是最常被计划漏掉的一项。Zastudil 等人（2026）调查了 24 名神经多样性计算机专业学生（自闭症和/或 ADHD）和 20 名神经典型同伴，并做了四次后续访谈。神经多样性这一组对无结构或含糊的作业感到不适，强烈偏好规模更小、能稳定协作且有明确角色分工的团队，应对方式是自选角色并策略性地披露。

这是偏好数据，不是效应研究，但它也是学生为自己写下的设计说明。由AI中介的工作带有这个风险的特定版本，因为工具的交互模型可能复制作业本来就有的那种结构性含糊。在把某个工具加进任务之前，先检查它要求学生独自决定什么。

让试用针对障碍，并把你怎么计数的写下来

总体效应给你方向。它们不告诉你这个工具下周对你班里那位学生是否有效，所以任何试用都需要一个在开始前就选定的测量。

三点谨慎应当塑造那个测量。第一，亚组排序只是提示性的，不是已经确立的：在 2024 年那项元分析里，没有任何一类调节变量达到显著，所以诸如可教学智能体（g = 1.100）排在社交情感教练（g = 0.336）之前，或者二元互动排在三元互动之前（g = 0.973 对 g = 0.385），都不应当作定论。效应的方向有支持；大小、最优设计和任何增益的持久性则没有。

第二，这份语料描述部署和感知多于描述被测量的学习。注意力（n = 4）和社会交往（n = 5）是研究最少的障碍，而（准）实验设计和纵向设计的稀少，正是高等教育部分是一篇范围综述而不是元分析的原因。覆盖偏向本科生和全球北方，检索的是英文同行评议文献，研究生代表性不足。参与度和满意度是弱的指标。

第三，修好一道障碍的工具可能留下另一道。要针对学生报告的那个具体困难去检查工具，无论是读写、学习管理、注意力还是社会交往，并针对那个困难去评价，而不是针对学生对产品的感受。问学生该数什么。Zastudil 等人的参与者和 Rezazadegan 等人的论坛发帖者，都比为他们造出来的产品更精确地描述了自己的需要。

你在这里找不到的是：一个用来在单门课程里测量某道障碍的、经过效验的工具，或者关于试用应当跑多久的证据。两者都是文献的空白，而不是你检索的失败，值得写进综述笔记里。

为障碍采购，并拒绝那个昂贵的默认选项

两条采购要求直接来自这篇综述：把通用设计和参与式开发写成条件，与神经多样性学生一起造工具，而不是为他们造。综述自己的样本就说明这有多罕见：40 项研究里只有 3 项把环境或神经典型同伴当作干预对象。

然后诚实地做预算。辅助技术需要设备和连接，而在试点里免费的工具，往往会挪到付费墙后面。虚拟现实是这套选项里资源消耗最大的一种，而这个领域集中在全球北方，所以它最沉浸的工具恰恰最难规模化。Shin 等人直接指出数字鸿沟：先进 AI 工具的价格会扩大富裕学校与贫困学校之间的差距，此外还有算法偏见和教师培训缺口。

LUDIA 是低成本替代方案的一个成型版本，而它的作者对“自己没有证明什么”说得异常直白。它在一个设计决定还开着的时候，把教育者与通用学习设计连接起来，并从架构上移除可及性障碍：不收费、不需要账号也不存储对话、符合 WCAG 2.2 Level AA、提供 13 种机器翻译语言，尽管非英文版本可能带着它们所来自的英文的那些假设。它是一个思考伙伴，而不是解决方案引擎，作者明确表示他们没有证据表明它能改善学习。他们还点出一条应当写进每份部署计划的限制：自动化偏见意味着，最容易接受糟糕建议的教育者，恰恰是那个相信工具懂通用学习设计的人。也没有人检验过它的输出是否存在文化或语言偏见。

还要看到第二种失败。聊天机器人的过度依赖和沉浸式环境的认知过载，都被记录为反转效应：加了技术，学习反而下降。一个只是以数字形式复制既有教学的工具，应当预期只能带来有限的学习增益。

教师在这件事上搞错的地方

一个诊断告诉我该买哪个工具。障碍是跨诊断的，而只匹配标签的工具可能错过教室里的那道障碍。要问任务默认了什么：印刷文本、持续注意力、不成文的社交规则、某种特定的产出文字的方式。

便利措施是个人安排，所以修补属于学生。有些确实是，而值得推广的那些，本来就是你会设计进去的。视频切分在它的研究里帮到了每一位学习者。设计改变去掉披露这一步，也去掉随之而来的污名。

参与度和满意度说明工具有效。它们说明学生喜欢它。这份语料大多是部署和感知，而 40 项高等教育研究中只有 6 项服务了一个以上的障碍，所以一个满意的学生还不算“障碍被降下来了”的证据。

工具本身承载支持，教学是额外的。判例法把没被教的工具当作失败，而政策专家把学生赋权与 AI 素养排为他们最核心的主题。把教学时间写进许可证的预算里。

你会听到的反对意见

“我们不能要求每个人都用一个工具。” 当这个工具是一种设计特征时，要求它正是要点。带固定停顿的视频切分改善了所有学习者，并把 ADHD 参与者的错误和犹豫降到同等水平，这就是那种免去披露需要的通用设计结果。无障碍的默认设置遵循同样的逻辑：朗读、OCR 和文本分级工具在 Shin 等人经效验的政策条目里反复出现。他们的语料也显示政策还得走多远：12 份文件里只有 2 份专门涉及学习障碍，而存在于一般 AI 政策或其他残障政策里的 18 个议题——数据保护、法律风险管理、伦理指南等——在特定学习障碍政策里是缺失的。

“字幕和翻译不算学业支持。” 字幕是起点，不是语言可及性的全部。Chen 等人的“视觉问题”和“情绪问题”之所以存在，是因为仅有文字稿会让失聪学习者去重建视频从未说明的背景。政策专家的排序也与这条反对意见相反。他们 36 个经效验的条目分布在五个主题上，其中包容与个性化学习最大，有 11 条（30.56%），伦理、公平与包容 9 条（25.00%），教育者准备 4 条（11.11%），然而专家把学生赋权与 AI 素养排为五者中最核心的，有 6 个条目（16.67%），与评价和研究并列。

“学生必须独立。” 独立正是教学的目的，这就是为什么没有教学的工具才是失败。Shin 等人的教育者准备主题存在，也是同一个理由。需要的规模很容易被低估：全球约有 2.4 亿儿童带有残障，其中约一半在低收入和中等收入国家失学，而 OECD 体系中约三分之一的教师报告自己缺乏支持有特殊需要学生的能力。在美国，《辅助技术法》（2004）和《残疾人教育法》（2004）把辅助技术评估放进每一份个别化教育计划，并要求提供免费的适当公共教育，然而没有正式的循证指南帮助教育者或家庭为这些学习者实施 AI。建立在没被教过的工具上的独立，正是判例法所惩罚的。

“我们负担不起。” 那就拒绝那个昂贵的默认选项。虚拟现实是这套选项里资源消耗最大的一种，而这个领域最沉浸的工具最难规模化。一个免费、保护隐私、能改善设计讨论的工具，在先把作者的提醒读一遍之后，是比一副头显更好的开局采购。

“证据太薄，没法据此行动。” 薄，但不是空的。2024 年那项元分析给你一个方向，区间很宽，发表偏倚校正把估计砍掉一半以上；三项单工具研究样本很小；高等教育那篇综述测的是覆盖而不是效应。这支持的是那个便宜、可回退的动作：一次设计改变、一项写明的便利、一次事先商定测量的试用。推迟决定也是一个决定，而它会把你面前那位学生留给默认安排所提供的任何东西。

本周可以做的事

1. 对你桌上每一份便利申请，把功能性障碍写在工具名称旁边，并检查这个工具针对的是那道障碍，而不是那个诊断。

2. 问这道障碍是不是全班共有。如果是，就改设计：把视频切块、削掉含糊、打开朗读，给作业补上它缺的结构。

3. 把转录和 OCR 按名字加进 AI 规则，让“禁止生成式写作”和“为产出文字提供便利”分开决定。

4. 给教学配上人名和日期：谁向学生演示这个工具、什么时候、谁检查它是否有效。

5. 在试用开始前与学生商定测量，并把结果记进综述笔记，包括答案“没帮上忙”的那种情况。

接下来可以去哪里

通用学习设计讨论在障碍出现之前就预防它的设计路径，辅助技术讲学生使用的工具层，可及性讲一种格式究竟能不能被感知和操作，神经多样性提供把差异当作多样性而非缺陷的视角，它们都在包容性学习这把伞下。我怎样才能让学生不过度依赖人工智能？讨论过度依赖和反转效应，它们决定一个工具能不能持续帮上忙；把公平、无障碍、隐私、伦理与教学安全纳入 AIED 研究讨论研究一侧的义务。