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。

从学习目标与学习过程出发，而不是从人工智能功能出发。 本知识库的教学法与教学策略概念强调，同一套人工智能系统既可以充当脚手架，也可以充当苏格拉底式对话者、反馈伙伴、Simulation或答案生成器，取决于教学设计如何安排。真正重要的是，这种配置是否保留了能够产生预期学习效果的那项活动。

一个稳妥的默认模式

一个稳妥的默认模式是：学习者先尝试 → 人工智能提供支持 → 学习者评估或修改 → 学习者展示理解。 更具体地说：

• 在有助于学习的地方，保留有益失败。
• 在呈现人工智能的辅助之前，先要求学习者给出初步预测或解法。
• 优先提供问题、提示、示例、反驳和反馈，而不是直接给出完整答案。
• 要求对具有重要影响的主张进行核实。
• 安排解释和反向讲授的机会。
• 随着能力提升，逐步撤除支持。
• 保留一些不使用人工智能的机会，让学习者校准自己独立能完成什么。

减少人工智能误用这一综述特别建议采用先思考、再用人工智能、后反思的顺序，以及有意识的评估检查点。

让人工智能的角色与认知投入水平相匹配

Rummel、Nachtigall 与 Panadero 的厨房电器类比把设计问题从学习者是否使用生成式人工智能，重新表述为这种使用如何塑造他们将成为什么样的人。借助ICAP与SAMR框架，把智能厨房电器的四种用法映射到学习情境上，可以得到一个设计阶梯：把作业完全外包出去，不做修改、也没有批判性投入，属于被动式替代，会带来技能退化与过度依赖的风险；优化提示词并交叉验证输出结果，需要先前知识与自我调节（主动／增强）；用人工智能来头脑风暴、拟定提纲并评价原创作品，属于建构／修改；而把人工智能当作真正的对话伙伴，用于共同建构和自适应Feedback，则属于互动／重新定义。这对设计的启示很直接：同一个工具在这一级是绕行捷径，在上一级却是脚手架，因此应当明确规定所期望的使用方式，而不是一律放开权限。

设计要讲顺序，而不只是允许使用工具

Divjak、Svetec 与 Horvat分析了 554 门课程中 29,064 项教与学活动的计划顺序，发现其中存在一种可见的设计语法：获取类活动是最常见的起点，也是占比最大的单一类型（超过 20%）；学习类型与预期的布鲁姆层级相对应（获取类从第 1 级的约 50% 下降到第 6 级的约 20%，产出类在第 5 至 6 级上升到 20% 以上）；而最强的转移是评价 → 讨论（0.332）。由此得出两点对人工智能设计的启示：人工智能应当出现在序列本就期望某种特定活动类型的位置，而不是在末尾硬加上去；并且，由于反馈与协作、小组合作及教师在场聚集在一起，同伴结构和同步结构创造了那些Feedback时刻，人工智能的支持应当接入这些时刻，而不是取代它们。

Torres-Sahli 及其同事提出的“先克制、后放大”框架把这一点推进到培养方案层面：当某项能力尚在形成时暂不提供生成式工具，等学生能够指挥它、判断它返回的结果并为之负责时再恢复使用，并在每个转折点设置难以造假的检查关卡。电子设备由一条“促进能力形成还是导致认知卸载”的标准来管理：在支持投入性工作时允许使用，在消耗注意力时则排除在外。这使卸载决策变成一个课程与AI Governance问题，它先于课程层面的设计，而不是后于它。

建设性对齐优先

McInnes 及其同事对 14 份高等教育指导文件的话语分析警告说，以效率为框架的建议，例如用生成式人工智能起草学习成果、评分量规和课程大纲，会产生一种看似对齐的对齐，却忽略了“建设性”的那一半：学习成果、活动与Assessment被生成为彼此独立的条目，而不是相互依存的整体。他们给出的补救办法是重新排序，而不是禁止：教育者应当充分理解建设性对齐，从而能够指挥、质询并拒绝人工智能的输出，然后才把其中任何部分交托出去；因为仅凭看起来合理就表面接受的习气，正是指导者告诫学生要避免的那种评价性失误。他们认为，在使用人工智能的地方，应当采用受机构约束的检索增强系统，围绕本地政策与质量标准进行配置，而不是依赖通用的、用互联网数据训练的默认模型。

更宽泛的原则

《有原则的人工智能教育框架》中更宽泛的原则是：技术应当增强教育所希望培养的人类能力，而不是取代它们。另见教学设计、主动学习与Scaffolding。

关于决定所设计的互动能否保持学习的教学默认设置，参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？；关于同样的原则如何约束软件本身，参见设计有效的教育人工智能软件有哪些最佳实践与技巧？；关于这些原则如何转化为导师系统的架构，参见开发有效的人工智能导师有哪些最佳实践？。