使用人工智能真的能帮助我的学生学习吗？

本页是英文页面的机器翻译，尚未经母语者审校。

一个学生告诉你，AI 辅导工具是他终于弄懂这段材料的理由，而你没办法核实这个说法。或者一份试点报告落到你桌上，附着一份满意度问卷和一张作业成绩上升的截图，有人希望月底之前就许可证的事作出决定。又或者你正站在教室前面，心里琢磨：你刚让他们打开的这个工具，是在帮他们练习，还是在帮他们躲开练习。

简短的答案是：能，AI 可以帮助学生学习，而你可能最容易看到的那些东西——更好的作业、更快的完成、开心的学生，或者一个叫“辅导老师”的产品——没有一样能确立这件事。让学习真正有所改善的案例，与没有改善的案例，区别在于活动的设计和你选择测量的那个结果。

简版要点

1. 先说出你关心的是哪种能力，再决定什么样的证据能显示它发生了变化。

2. 过一段时间再测同一种能力，而且把工具拿走，因为只有这种测量才能回答你的问题。

3. 把学生自己的尝试放在帮助之前，并在帮助之后要求一个回应。

4. 给“核查”打分：他们查了什么、拒了什么、改了什么。

5. 按先备知识拆开看结果，因为平均值会把你的设计正在辜负的那些学生藏起来。

在看任何证据之前，先确定“学习”指什么

“AI 是否帮助学生学习”不是一个问题。它至少把三个问题捆在一起：工具开着的时候，它是否提高了表现；工具关掉之后，它是否建立了能留存下来的能力；以及它是否改变了最终谁拥有这种能力。一份厂商报告、一次试点问卷和一项随机试验都可能诚实无欺，却在回答三个不同的问题。

在活动之前先把能力写下来。“产出一份打磨过的报告”与“选取恰当的证据”、“解释一种因果关系”或“识别一个缺乏支撑的结论”是不同的结果。评估必须能揭示你打算培养的那种能力，这是教育测量里的论证，也是AI 教育评估的起点。

这个语料库同时支持两条主张，而把两条都拿住，正是本页要求的自律。世界银行的一份综合报告Can EdTech Close Learning Gaps?汇集了十个经济体中的 14 项随机研究，估计自适应与 AI 赋能的教育技术在平均学习效应上为 0.125 个标准差。它同时也把较早的自适应系统与生成式 AI工具合并在一起，没有发现较新的生成式工具具有统计上确立的优势，并承认这一比较存在相当大的不确定性。这个结果支持这类干预的潜力，而不支持“任何聊天机器人都会改善学习”的主张。换句话说，一个正向的平均值，与大量变异并存，也与你正在考虑的那件东西并无已证实的优势并存。

更有用的研究是在同一项实验内部改变设计的那种。一项多点随机研究涉及 1,176 名一年级本科生，比较了同伴反馈、直接的 AI 反馈、先自评再给 AI 反馈，以及自评、同伴反馈、AI 批评的混合序列。反思式与混合式条件产生的延迟的无 AI 迁移强于直接的 AI 反馈：学生在一项新的科学论证任务上表现更好，而不只是在他们正修改的那篇文章上。那些条件也要求更多评价性工作，很可能也更耗时，所以这项研究支持的是完整的反馈设计，而不是其中某一个成分。

检查这个收益能否在工具被拿走之后留存

这是你能做的最有信息量的检查，而它恰恰最容易被试点漏掉。

语料库里最清楚的警示是一项涉及近 1,000 名高中生的随机现场实验：没有护栏的生成式 AI 可能损害学习。一个通用型界面把有辅助的练习分数相对对照组提高了 48%，而同一批学生随后在无辅助考试中低了 17%。一个按教师设计的指导与提示配置的辅导工具基本避开了这项惩罚，但它也没有在无辅助考试表现上相对对照组产生统计上显著的改善。避免伤害与证明额外的学习，是两种不同的成就。

到国家尺度上，同样的分裂会以滞后形式出现。The Generative AI Learning Penalty用交错采用的方式追踪了 26,811 名中国 7-12 年级中学生，历时 30 个月。作业分数上升 18%，完成时间下降 30%，从 64 分钟降到 45 分钟。闭卷月考分数在六个月内下降 20%，高利害入学考试分数下降了基线的 18-24%，但这一下滑要在大约两年之后才出现。损失集中在约 81% 行为上显示把作业外包出去的使用者身上，而把作业时间保持在非使用者水平的学生，学习效率大致相当。你的课程可以从中得出两点：作业表现与考试表现之间的分裂，就是国家队列中的表现与学习的落差；而两年的滞后意味着，一学期的评估会系统性地低估代价。

无指导的使用也可能在人口尺度上让成绩保持不变。Scherer 等（2026）追踪了 136 所德国学校的 4,062 名中学生，历时一个学年。任务完成型使用与学习导向型使用都上升了（d = 0.35 与 0.33），只有约 5% 从未使用 GenAI，而较低的先备成绩在所有六个学科中都预测更多的任务完成型使用，在六个学科中的五个预测更多的学习导向型使用。在交叉滞后模型中，两种使用都没有预测后来的成绩。这是一个零关联，不是 AI 无法帮助的证据；它确实意味着，在没有设计好的学习活动的情况下，可及性与自我导向使用并不是一种学习干预。

计算机教育显示出同样的结构。对 72 项研究的系统综述发现，生成式 AI 在 36 项研究中可靠地提高了短期完成率、缩短了任务用时，语料库中没有任何一项研究记录了它对即时表现的负面效应，而这些收益在 21 项研究中“不会迁移到独立表现”。使用 Codex 辅助的学生在学习期间完成的任务量是对照组的两倍，而在不使用 AI 的后测中表现并不更好。

接下来是学生到底用不用这份帮助的问题。一项横跨 18 所初中的为期两年的随机学校实验One Click Away发现了温和的数学成绩提升，而学生很少进行有实质内容的辅导对话。作者指出，这些提升与没有 AI 的结构化练习所报告的提升相似，而该设计把个性化练习与AI 辅导组合在一起，因此没有分离出 AI 成分的贡献。有一个能力不错的辅导老师可用，与学生富有成效地使用它，是两件不同的事实。

Making AI Tutoring Productive从 6,000 多名使用 NUMI 的初中生那里给出了更尖锐的一课。AI 支持改善了出错之后的恢复，同时让闯过问题的速度变慢。连续三次答对的掌握规则提高了平台定义的“成功”，但它本身并没有改善一周之后的学习。最强的延迟学习信号出现在 AI 被嵌入掌握学习流程时，而那些收益只是边际显著，并且集中在特定的练过的材料上。这是对一种结构化做法的提示性证据，不是已被证明的配方。

把活动设计成让学生做那份重要的思考

教学设计比跑哪个模型更重要。能经受住这些结果的设计有四个环节：一次尝试，针对困难处的帮助，学生对这份帮助做的某件事，以及在撤去支持后的新应用。

1. 要求一次初始尝试、预测、草稿、解释或解读。

2. 提供有针对性的帮助：一个提示、一段解释、一个对照性的例子，或针对他们卡住那一点的集中反馈。

3. 要求对帮助作出回应。他们把它解释出来、用它修改、核查它，或者为接受与拒绝它给出理由。

4. 在撤去支持的情况下检查一个可比的问题或另一种情境。

这是一个教学上的起点，而不是一套已验证的序列；支持的合适分量与时机取决于学生和任务。它反映的是脚手架与主动学习两篇综合所强调的东西：好的支持帮助学习者理解、练习、评价，并最终能在支持更少的情况下自己完成。

把这条原则用在目标上，而不是机械地用在每个功能上。“给脚手架，不要替代”是一条好规则，里面有陷阱。一个完整的示范解答可以是学生从中学习的东西，而一串提示同样可以变成他们不假思索点过去的东西。真正重要的是学习者拿这份帮助做了什么，这就是为什么认知卸载与求助会落在同一个工具所能产生的两个相反端。

反例值得留在视野里，因为它能阻止你把努力当作学习的替身。Coach not crutch中报告的那几项预注册实验里，用 AI 练习修改求职信的成年人，事后在不使用 AI 的写作上比单独练习的人做得更好，而且投入的努力更少。收益在一天的追踪中仍然存在，第二项实验还发现，观看一份由 AI 修改的范例，与用工具练习带来的收益相当。那些是简短、有界的写作任务，不是写作能力整体持续提升的证据。它们确实说明：更少的努力并不自动等于更少的学习，目标应当是保住学习活动，而不是把难度拉到最大。

让留存下来的思考在你评分的东西里看得见

学生怎么用这个工具，比他们有没有这个工具更重要。在一项针对 38 名本科生的质性研究中，学生在无人监督的论文评估里，投入方式从认知外包一直到认知再分配，也就是把努力从低层检索转向批判性评价。多数学生，38 人中的 31 人，打算把生成式 AI 当作学习助手。而实际上 76.32% 依赖单轮对话——提问、拿到答案、结束；78.94% 在起草之前或之后使用工具，而不是贯穿任务全程。只有 8 名学生以持续、迭代的对话方式与工具结成认知伙伴。这条从外包到再分配的光谱，正是学生与 AI 的互动所描述的东西。一位参与者把这种效应描述为“你忘掉它的速度也非常快”。

教学法上的教训是：一律允许和一律禁止都会让学生靠猜。按那项研究的说法，改变了行为的是针对具体任务的指导——说明哪些认知工作必须由学生自己保留、哪种帮助是合适的；这是我怎样才能减少课程中的人工智能作弊？与减少 AI 滥用中展开的设计方向。

所以，把留存下来的思考做成你能评分的作品。在数学里，要求在求助之前先给出尝试过的解法，然后让学生使用这样的提示——“指出我应当重新考虑的第一步，给我一个有价值的提示，然后让我再试一次”——并要求给出新的解法加一段解释，而不是复述 AI 的答案。在写作里，让学生在请求批评之前先按量规评估自己的草稿，然后说明他们接受了哪些建议、修改了哪些、拒绝了哪些。如果目标是论证建构，AI 的文字不能替代“学生能建构论证”这一证据。如果目标是评价不同的修改方案，比较完整的范例就是合适的。写作教育与反馈素养两页承载了细节。

综述对设计的要求在课程层面是同一个动作：把核查——也就是阅读、测试、修改、解释和批评 AI 的输出——做成一个被评分、可观察的组成部分，而不是留给学生自觉的一种期望。而且并不是每一种正当的结果都必须在没有 AI 的情况下展示。一门课程可以刻意教有效的 AI 辅助工作，这时你评估的是学生选择、核查、修改并为自己使用工具作辩护的能力，以及学科要求的那些独立基础。A Human Capability Test for Learning Outcomes in the AI Era提出把独立能力、AI 增强的表现与核查责任这三者区分开来。它是一个概念框架，不是已验证的测量工具。

检查工具帮到了谁，又悄悄落下了谁

平均值的改善可能掩盖那些一无所获或撞上新障碍的学生。数字鸿沟综述把“能否接触到工具”与“使用它所需的技能”以及“最终谁得到有用的结果”分开，这三者对一门课程都重要。

先备知识在计算机教育那篇综述里调节着一切：准备充分的学生把帮助转化为持久技能，而准备不足的学生则有把它当作拐杖的风险，从而拿掉了他们需要的练习。国家队列研究以自己的方式显示了同样的集中：学习损失落在那 81% 作业行为显示外包的人身上。

做课堂评估时，要按先备知识、语言需求与无障碍要求拆开看结果，而不是只报一个课程平均值。教学生如何获得并评价有用的反馈，是AI 素养的一部分，而它不会随许可证一起到来。当你评估独立学习时，要撤掉那份提供目标思考的帮助，保留那些提供任务通道的合理便利——这正是无障碍与AI 教育中的公平都依赖的区分。

也要检查学生实际收到的反馈。一段流畅的回应可能误判困难所在、强化一个错误，或在需要另一种支持的地方直接把答案交出去。使用与课程对齐的材料，保留一条通往人工帮助的路径，并且不要收集超出活动所需的学生信息。AI 反馈质量、教学安全性与隐私涵盖了具体做法。

不要相信仪表盘，包括你自己的

平台指标是最容易被带进采购决定的证据，也最容易被过度解读。在对八个 AI 教学智能体的评估中，医学教育领域按平台自评分得出的排名，与经过专家验证的教学质量量规并不一致。按平台排名第三的智能体在量规质量上排最后，因为平台分数追踪的是互动期间的学生表现，而不是智能体的教学行为。内置指标是一个有待验证的假设。

同样的怀疑也适用于你自己生成的证据。满意度问卷测量的是满意度，而感知到的学习是一种自我报告，语料库记录了它与实测学习之间可以偏出很远。作业分数测量的是那份作业。两者都不能告诉你，三周之后工具关掉时学生能做什么，而教师可以用哪些测量工具与研究方法去评价与人工智能相关的干预？给出了能让你更接近答案的对照设计。

教师容易搞错的地方

“作业分数更高，说明他们学得更多。” 两者可以朝相反方向走。护栏实验把有辅助的练习提高了 48%，同时无辅助考试下降了 17%；国家队列则看到作业分数上升 18%，而闭卷考试分数在六个月内下降 20%。只记录最终提交物的成绩册，哪一种模式都看不出来。

“它叫辅导老师，所以是安全的。” “辅导老师”是一个标签，标签背后的结果是好坏参半的。按教师配置的辅导工具避开了考试惩罚，却没有在无辅助考试上胜过对照组。Khanmigo 带来的是温和的、类似结构化练习的收益，实质性的辅导并没有怎么发生。NUMI 的 AI 让闯过问题的速度变慢。一个辅导工具可以拒绝给出答案，同时照样把练习吸收掉。

“如果感觉更轻松，那就没教给他们什么。” 两个方向都错，这就是为什么努力是个糟糕的替身指标。Coach not crutch 发现努力更少，而一天后不用 AI 的写作更好，所以轻松并不是判断依据。区分这两种情况的是：学生有没有做目标所指明的那份思考；而那是一个设计问题，不是一个难度设置。

“一条统一规定，或者一个更好的提示词，就能修正他们的用法。” 那项 38 人的研究发现，多数学生处在单轮提问即止的模式里，而当时的情况恰恰是他们被告知 AI 是学习助手。改变了行为的是针对具体任务的指导，加上一项被评分的核查要求。政策条文与聪明的提示词都是它的输入，没有一样能替代它。

“平台分数，或者满意度问卷，告诉我它有效。” 那项八智能体评估发现了一个在专家量规下发生反转的平台排名。满意度与感知学习都是自我报告。两者都值得作为过程信息收集，也都不是学习测量。

“可及性就是公平问题，而我们已经解决了可及性。” 可及性只是三条线之一，另外两条是技能与谁能得到有用的结果。先备知识决定帮助会变成技能还是拐杖，而国家队列中的损失集中在行为显示替代的那一组，而不是没有设备的那一组。

你会遇到的反弹

“我的学生说它有帮助。” 它大概确实帮了他们眼前这份功课，而这就是那个发现，不是对它的反驳。问一问在类似任务上、工具关掉时他们能做什么，你才会得到真正重要的答案。

“这些研究互相矛盾，那还依据它们做什么？” 一旦把每项研究测量的是什么结果对齐，它们很少真的矛盾。正向结果往往测量的是有辅助的表现、满意度，或在结构良好的活动中带有延迟检查；负向结果测量的是之后的、无辅助的表现。Burneo 的综合报告把不确定性讲得很明确：14 项试验平均 0.125 个标准差，较新的生成式工具没有已确立的优势。前后对比的改善无法证明是 AI 造成了这份收益，因为学生在教学的其余部分里本来就在进步，而效力研究方法给出了能让你更接近答案的对照设计。可以依据那些能重复的设计主张去行动，对效应大小保持开放，因为后者不能重复。

“我有 200 个学生，没办法做延迟评估。” 你需要的是一次简短的基线任务和一道延迟题，不是一项研究。三周后用同类型任务、不给工具，把去年的考卷版本留作粗略对照，并对那些与先前提交物看起来不一致的作品抽样细看。这就足以发现你的课里是否正同时出现 48% 的辅助增益与 17% 的无辅助损失。

“Khanmigo 得到了正向结果，所以辅导是有效的。” 它在 18 所初中得到了温和的数学收益，而那个设计把个性化练习与 AI 辅导捆绑在一起，同时学生很少进行有实质内容的辅导对话。把它读成“结构良好的练习环境可以产生小的收益”的证据，而不是“AI 成分造成了这些收益”的证据。

“我不能禁它，也管不住它。” 两点都对，而两点都不是必需的。设计问题是你的活动让什么变得容易。如果核查被评分，披露没有代价，无辅助的检查也存在，多数学生会走你铺好的那条路。

“我不教 AI，这不是我的科目。” 干扰发生在你的科目内部，就发生在 AI 替你的课程本该提供的练习代劳的那一步。这就是为什么解法是改一份作业，而不是新开一个单元。

本周可以做的事

1. 拿出一个你已经在做的活动，写下那句能力陈述：工具关掉之后，学生应当能做什么。

2. 在开头加一个两分钟的基线，三周后加同类型的题目。两次都在没有 AI 的房间里评分。

3. 把你要给学生的一条提示从“解释这个”改成“给我一个提示，然后问我一个问题”，并要求在往下走之前给出一次修改过的尝试。

4. 加一件被评分的核查作品：一段短记，写清他们查了什么、拒了什么、改了什么。

5. 按先备知识拆开看结果，尤其是你已经知道在挣扎的那些学生，并读一读其中一部分人收到的 AI 反馈。

接下来可以去哪里

教师可以用哪些测量工具与研究方法去评价与人工智能相关的干预？涵盖上面这些检查背后的测量与对照设计，AI 教育评估是实操层面的评估指南。AI 如何影响学生讲学生体验那一侧，给教师的十大发现把同样的证据压缩成教师决策，AIEd 研究中的局限则诚实交代这批文献目前还告诉不了你什么。如果你的问题已经变成一个评估问题，减少 AI 作弊是下一页。