应当如何把人工智能设计进学习体验之中？

本页是英文页面的机器翻译，尚未经母语者审校。

模块大纲里有一行写着“AI 活动”，却没人说得清它替代了什么。或者，一位教师要求给一门本来运行良好的课程加一个聊天机器人，而你的工作是不破坏那些让课程得以奏效的部分，把它安放进去。

从学习目标出发，从产生这个目标的活动出发。同一个模型可以是脚手架、苏格拉底式的对话伙伴、草稿的读者、一个模拟，或一台答案机器，而你得到哪一种取决于设计而不是模型。说清你在建的是哪种模式，把学习者的尝试放在任何帮助出现之前，并在课程中至少保留一条不依赖工具的路径。

简短版

1. 写下那句话：学习者在没有工具的情况下之后能做什么，并用它来检查每一项 AI 功能。

2. 给互动排序：学习者尝试、AI 支持、学习者评估或修改、学习者展示。

3. 在 ICAP 阶梯上点名模式。绕行与脚手架可以是同一个工具在不同台阶上的样子。

4. 把 AI 放在课程序列本来就打算安排某一特定活动的位置，而不是当作结尾的加分项。

5. 在一项能力正在形成时扣住工具，然后在一个学生无法造假的检查点上恢复它。

决定学习者在没有工具时做什么

知识库的教学法与教学策略概念提供了检验：这个配置是否保住了产生预期学习的那项活动？在任何人挑选功能之前，先在纸上回答这个问题。

The Principled AI Education Framework陈述了一般规则：技术应当增强而不是取代教育意图培养的人的能力。写成对一个模块的检验，这意味着点名那项能力、点名建立它的活动，并追问 AI 是坐在这项活动之内，还是坐在它旁边。

按任务而非按工具各用一次。在四个面向教师的案例中，自动化与增强同时出现：替代停留在有边界的分析性子任务之内，而增强体现在教师对输出的处理上。正因如此，同一个工具可以自动化一个步骤，同时增强另一个步骤（Horvers 等 (2026)）。

把尝试放在帮助之前

经过真实课堂检验的默认模式是：学习者尝试，AI 支持，学习者评估或修改，学习者展示理解。

在实践中，这意味着在任何协助出现之前先要求一个初步预测或解法，并偏好提问、提示、示例、反驳和反馈而不是直接给完成品。在学习受益之处保住有益失败。要求对重要主张进行核实，内置解释和反向讲授，并随着能力增长逐步淡出支持。保留一些无 AI 的工作，让学习者能校准自己独自能做什么。

减少 AI 误用的综合梳理推荐同样的形状：先想、再用 AI、然后反思的顺序，配上有意的评估检查点。

点名你在设计的模式

Rummel、Nachtigall 与 Panadero 的厨房机器类比把问题从学习者是否使用生成式 AI，重新框定为这种使用如何形塑他们成为什么。把它映射到ICAP和SAMR上，就得到一架梯子。把一项作业完全外包、不作修改也没有批判性参与，是被动替换，它带来技能流失与过度依赖的风险。改进提示词并交叉核对输出，需要先前知识和自我调节，这是主动或增强。用 AI 对原创工作做头脑风暴、列提纲和评估，是建构或修改。把 AI 当作真正的对话伙伴来共同建构和提供自适应反馈，是互动或重新定义。

其中的含义很直接。同一个工具在一个台阶上是绕行，在下一个台阶上就是脚手架，所以设计文档应当点名所要的模式。

把它放在序列打算安排活动的位置

Divjak、Svetec 与 Horvat分析了 554 门课程中 29,064 项教与学活动的规划序列，发现了一种可见的设计语法。获取类活动是最常见的入口，也是最大的单一类型，超过 20%。学习类型跟随预期的 Bloom 层次：获取从第 1 层的大约 50% 降到第 6 层的大约 20%，而产出在第 5、6 层升到 20% 以上。数据中最强的转移是从评估到讨论，为 0.332。

由此得到两条对 AI 设计的启示。把工具放在序列打算安排某类活动的位置。而且，由于反馈与协作、小组工作和教师在场聚在一起，同伴结构与同步结构才是 AI 支持应当接入的地方，而不是它应当替代的地方。

设计时钟，而不只是序列

Englmeier (2025) 把时间当作一种被设计的脚手架，而不是学生的特质：一门自定进度的课程每周约有 100 分钟的配额，目标接近每天 20 分钟，配有感知时间的提醒、进度看板和每个小节末 3 到 12 题的简短检查。这一设计所回应的基线很严峻：600 多名学习者中近 25% 直到最后一周才开始，而这个群体中有 95% 未能通过。

请把它读作一个设计问题，而不是一个已被证明的效果。该论文比较的是较晚的课程与较早的课程，并未进行对照试验，因此无法把改善与队列和科目的变化分开；而强到足以改变学习时点的提醒，也是一个你必须在教学大纲中回答的隐私问题。

决定扣住什么，以及何时恢复

Torres-Sahli 及同事的“先扣住，再放大”框架把这件事提到项目层面。在一项能力正在形成时扣住生成式工具，等学生能指挥它、判断它返回的东西、并为它负责之后再恢复它，每个转折处都配一个难以造假的检查点。

设备受一条“形成 versus 卸载”的标准支配：在支持投入工作的场合允许，在抽干注意力的场合排除。这把卸载决定变成一个课程与治理问题，它发生在课程层面设计之前而不是之后。

检查对齐是否是真的

McInnes 及同事的话语分析考察了 14 份高等教育指引，警告说以效率为框架的建议——例如用生成式 AI 起草学习成果、量规和课程大纲——会产生看起来已经对齐、却忽略了建构那一半的对齐。学习成果、活动和评估被当作离散条目生成，而不是相互依存的条目。

他们的补救办法是重排顺序。教育者应当足够理解建构性对齐，才能指导、质询和否决 AI 输出，然后再把其中任何一部分委派出去，因为接受一个看似合理的表面，正是教师告诫学生不要犯的那种评价失败。在使用 AI 的地方，他们主张采用受院校约束、检索增强的系统，围绕本地政策与质量标准来配置，而不是用通用的、在互联网上训练出来的默认值。

教学设计者会弄错的地方

加上 AI 就算做了干预。改变学习的是学生执行的那项活动，而 AI 只是为它布置环境的一部分。一个位置恰当的提示和一个位置恰当的答案，可以在同一个模型上运行，却产生相反的学习。

写许可就是设计工作。许可规定什么被允许。它不规定顺序、模式或检查点，而这三者决定那项活动是否存活。

效率是再设计的目标。用模型起草学习成果和量规很快，而那项 14 份文件的分析发现，结果可以看起来对齐，而各个部分却不再相互支撑。

会有人拿来反驳你的话

“学生反正都会用，围绕它做设计太天真。” 他们会用，这正是要指定模式并把它教出去的理由。一个点名了模式的模块，给了学生可以遵从的东西。

“我们没时间把整门课重排一遍。” 那就重排一个模块和一项评估。先扣住再放大的转折点就是一个检查点，而先想的顺序不过是讲义上的三条指示。

“我们的 AI 功能已经带护栏了。” 护栏约束的是模型说什么。它们不决定学习者是否先做了尝试、支持是否淡出，或是否存在一条无 AI 的路径。那些是你课程里的设计决定，不是产品里的设置。

本周要做的事

1. 为这个模块写下关于无辅助表现的那句话，把它放在活动清单上方。

2. 在大纲里每一项 AI 活动旁边标出预期的 ICAP 模式。

3. 挪动一项 AI 活动，让学习者先尝试问题。

4. 挑一条穿过这个模块的无 AI 路径，并为学生标出来。

5. 点名一个扣住工具的转折点，以及恢复它的那个检查点。

接下来去哪里

教学设计、主动学习和脚手架承载了设计词汇。关于决定一项被设计好的活动是否能保住学习的互动层面默认设置，见我怎样才能减少课程中的人工智能作弊？和我该如何重新设计评价，使成绩仍然能够可靠地说明学生知道什么、能做什么？。设计有效的教育人工智能软件有哪些最佳实践与技巧？讨论同样的原则如何约束软件本身，而开发有效的人工智能导师有哪些最佳实践？把它们转译成一个辅导系统的架构。