我怎样才能让学生不过度依赖人工智能？

本页是英文页面的机器翻译，尚未经母语者审校。

一个学生在带回家做的习题集上拿了满分，考试却空着一半。有人交上来一份实验报告，却讲不清自己是怎么做的；或者贴了一段代码，却没法逐行解释。有同事想把这门课一年级阶段的工具直接禁掉，而你在掂量这么做要付出什么代价，尤其是对那些最依赖它的学生。

一句话结论：过度依赖多半是个“把工具放在哪一步”的问题。能减少它的设计，把学生的尝试放在工具之前，把 AI 配置成给提示而不是给答案，把核查做成必须交付的一项，并保留一个没有工具的评分时刻。

简版要点

1. 在工具打开之前，先让学生自己的想法、假设或粗稿出现在它面前。

2. 凡是你评分的目标技能所在之处，都把 AI 配置成给提示、提问、举例子。

3. 把核查做成一项交付物，在作业要求里单独列一行。

4. 让评分时刻没有工具，并把有协助的作业与它对照。

5. 把反思提示安排在它还能改变任务的那个阶段。

6. 看你的设计把谁落在了后面，要按先备知识看，而不是看平均值。

判断你是真有问题，还是只是用得很多

认知卸载是把一项认知需求转移给外部工具，从而为其他工作腾出有限的脑力资源。Guo 和 Ye（2026） 借助 Nelson 与 Narens 的动态元认知模型来梳理这一构念：对难度的监控驱动了一个决定——把任务卸载给内部策略还是外部策略。卸载是一种自我调节选择，真正值得担心的失败是校准失准；单看使用量说明不了什么。

Biswas（2026） 把依赖建模为三种行动：独自解决、不加核实地接受 AI 的答案、使用并核实。校准会朝两个方向失败。过度依赖是接受了错误的输出，依赖不足则是在 AI 出错之后把有用的协助一并丢掉。集体性过度依赖指的是一个人群整体放弃了核实。由于单纯的过度依赖与后悔并不一致，使用得多也可以和好结果并存。每条 AI 答案都拿去和你的材料对照的学生，不是你的问题；把模型的初稿直接交上来的那个才是。

Lodge 和 Loble（2026） 把这一机制描述为“随叫随到的流畅感”：连贯而自信的输出，绕过了可取的困难——正是通过提取、精细加工和生成，知识才得以巩固。他们提出的表现悖论是：有协助的作业感觉流畅，学生当下表现良好，留存却更少，他们称之为能力错觉。他们沿用 Fan 等（2024）的说法，把这一现象命名为元认知懒惰：便利让学习者放弃了本需要发展的自我调节过程。

要在自己的课上把两者区分开，靠的是一次对照，而不是一个数字。去找那种比学生先前的作业更好、却比他自己对它的解释更差的作业：习题集很强而考试很弱；报告很漂亮但学生谈不了；答案正确却在同类问题上复现不出来。单凭一种迹象什么也证明不了；两三种同时出现，就足以让你改动设计。

你在这里能测到的东西大多是自我报告。Gerlich（2025） 调查了 666 名英国参与者并做了 50 次访谈，发现 AI 使用与批判性思维呈负相关（r = -0.68），卸载起部分中介作用（总效应 b = -0.42；间接效应 b = -0.25）。Gao、Sun 和 Khan（2026） 使用 623 名中国学生的三波滞后调查数据，加上对教育者的访谈，发现有效的 AI 使用会同时提升可持续的学习表现和过度依赖。两项设计都是相关性研究，作者也都这么说明了。

行为测量工具则更单薄。PAUSE（Alam，2026） 是一个只在浏览器里运行的自查工具，没有信度或效度证据，作者自己也对题目效度提出警告。它的题目记录的是 AI 何时、以多高的频率进入工作流程，而不是学生自己的推理是否一直在场，所以一个有意用 AI 做脚手架的学生，会诚实地被记成卸载者。PAUSE 还引用了 Padmakumar 等（2026）的 Offloading Score，它从行为日志中估计被卸载的努力所占比例（n = 40 名开发者）。而你真正想知道的是：这个学生在没有帮助时能做什么。

把学生的尝试放在工具之前

经检验最清楚的顺序是“先想，再用 ChatGPT”。Wong 和 Qiu（2026） 把 N = 196 名学生分配到三种条件：独立完成、自由使用 ChatGPT，或在受调节的条件下完成——先自己产生想法，再与 ChatGPT 协作改进和评估这些想法，然后独立完善并提交一个方案。自由使用组在有协助的任务上产出更有创造性，但在随后一项没有 ChatGPT 的更难任务上回落到纯人力的水平。受调节组没有即时优势，却在之后的独立创造性上超过了另外两组。

提示词数据解释了这一差距。在受调节组中，88.6% 的提示词是协作性的，而这是唯一与之后的独立原创性显著相关的提示词类型。在自由使用组中，70.9% 的提示词是非协作性的，59.6% 干脆直接要求 ChatGPT 生成想法。同一个工具，以两种方式被要求，造就了两种不同的学习者。

落到你的作业要求上，这就成了一条顺序指令：先给想法、假设或粗稿，再用工具。在页面顶部写一句就够，前提是下一步要把学生写下的东西收走。

有两个课堂细节决定这个顺序能否立住。第一是时间。如果独立阶段发生在课外，有些学生会先打开工具，事后再把想法补写下来。第二是收集。如果这个阶段什么都不交，顺序就只存在于纸面。半页笔记，下课时收上来，就足以让这个顺序成为真的。

把工具配置成给提示而不是给答案

Brcic 和 Frljic（2026） 给出了这一位置论证最锋利的版本。一个不加约束的 AI 助手，让高中生在无辅助考试中的成绩比完全没有工具的同伴差了大约 17%。同一个模型经过改造、改为不给答案之后，这种损害消失了；而一个设计良好的导师把学习效果大约提高了一倍。他们的诊断标准在任何课程里都能用：如果让 AI 进来让任务感觉毫不费力，那工具就放错了位置。

Zohar、Bloom 和 Inzlicht（2026） 给了这个论证一个形状。他们认为努力与意义之间的关系是一条倒 U 形曲线，所以目标是找到一种梯度：移除压倒性的障碍，保留那些产生理解和所有感的挣扎，并把协助当作补充。他们的论证是一篇没有新数据的概念性评论，倒 U 形关系只依托一个经验锚点、也没有被量化，所以没人能告诉你对某个具体学习者而言最优点在哪里。

实践上，这意味着在任务中段使用有护栏的 AI，让提示、例题和练习在那里发挥作用，而在末尾设置一道封闭的核查。它还把 AI 使用政策变成一条按技能分别设定的位置规则，这比一串禁令更好写，也更好辩护。

提示是关于学生下一步该做什么的一个问题、一个同类问题的例题，或一处指向相关段落的指路。答案是学生可以直接粘贴的一句现成的话。多数通用聊天机器人默认产出后者，用的还是读起来像帮助的流畅文句——所以配置比学生的意图更重要。

要求核查，并让它看得见

核查是有真实因果支持的最便宜的杠杆。Biswas（2026） 发现，把核查变得可见会触发一轮反向级联，使核查接近完全：过度依赖降到 0.00，后悔降到 0.07。在同一个模型里，降低核查的摩擦是最弱的杠杆，因为障碍是社会性的，不是机械性的。给学生一个图书馆的链接，并不能让他去核对一个说法。

Viberg 及其同事（2026） 发现，那些本来就做得好的学生，在准确性存疑时会把输出与课程材料、同伴或教师对照。这是一种你可以要求的行为。在作业里加一行：你核查了什么，对照的是什么。把它算进评分，这条规范就会对全班可见，而不是只对少数认真的人可见。

这一行还给了你可追问的抓手。当学生写“我把这个说法和课程文本对照过”，你可以问是哪一页。当学生写“我和同伴比较过”，你可以问同伴说了什么。成本只是一句话。正是这个追问，让学生把它当成正经活来干。

核查还需要划定范围。核对一个说法是否与课程文本相符，和重读一句话看语法，是两件不同的事，而前者正是模型更常出错的地方。要说明这一行要求的是哪一种，否则你收到的会是校对。

当场演示一次自信的错误

设置一个模型会自信地答错的题目，然后让全班把这个答案与课程文本对照。这一招有效，是因为错误和正确答案是用同一种语气说出来的。之后再补上证据：一个不加约束的助手让学生的无辅助考试成绩差了大约 17%；而拿到 GPT-4 的学生用工具时解出了更多题，一旦把工具撤走，表现就比对照组更差（PAUSE 转述 Bastani 等，2025）。同一来源还提到，Liu 等（2026）在随机对照试验中发现协助降低了坚持性（N = 1,222）。

挑一个幅度不大、可以查证的错误，比如一条并不存在的引用、一个错误的日期，或一处算不平的算式。然后让全班写下更正，以及他们用来发现它的那次核查。那份写下来的更正就是产物，它告诉你：在你不盯着的时候，他们能不能做这项核查。

让评分时刻没有工具

有协助的产物是能力的一个糟糕代理，所以至少有一个评分时刻必须没有工具。Wong 和 Qiu（2026） 之后那次无辅助任务就是这项测量。他们的纯人力组在更难的后续任务上同样出现了下降，这就排除了修补方案最简单的版本：撤走工具而不支持学习者，不算一种干预。

交替模式是有支持的。PAUSE 转述 Kosmyna 等（2025）第四次实验会话的结果：纯脑力参与、之后才使用 ChatGPT 的人，表现超过了持续使用大语言模型的人。问责也通过解释起作用：Makransky 等（2025）发现，一个会提示学生把想法联系起来、解释自己推理的辅导聊天机器人，带来的测评表现优于传统教学。

对一门课来说，就是交替：练习用有协助的作业，算分的地方用无协助的作业。把有协助的那份读作“良好条件下的表现记录”，把无协助的那份读作关于学习的证据。把两者并排比较，也是你和一位看不懂分数的学生之间最有用的对话。

约束在排期。一个无工具的时刻需要一间教室、一段时间，和一项塞得进去的任务，所以最便宜的做法是在你已经布置的作业上挂一小段课堂内任务。单独安排一场考试是更大的承诺，第一次尝试通常不必如此。

无协助的那份还有第二个用处：在下一个单元开始时发回去，你和学生都能看到中间隔了这一阵之后还剩下了什么。

把工具性帮助与执行性帮助分开

Viberg、Feldman-Maggor 和 Wong（2026） 访谈了 20 名 STEM 专业的大学生，发现一个四阶段过程：判断是否需要帮助、选择来源、选择帮助的类型、评价所得到的帮助。更强的学生更偏好工具性帮助，即提示和解释，而非执行性帮助，即直接给出方案。同一项研究还警告说，用大语言模型来调试或跨语言编程，即使在学生从未索要答案的情况下，也可能绕过独立的问题解决。

这与认知卸载干净地对应起来。工具性使用是复制型卸载，工具撤走之后仍然成立，因为学生自己仍然编码了推理。执行性使用是替代型卸载，外部存储一撤就崩塌。Guo 和 Ye（2026） 正是用这套说法划出边界：撤走存储，替代型卸载者会严重退化，而复制型卸载者靠内部编码保持准确率。

把这一区分写进作业。要求学生把每一次 AI 使用标注为工具性或执行性，要求至少一个是协作性提示词，并对他们在回复之后自己补充的推理评分。在 Wong 和 Qiu 的自由使用条件下，默认会滑向执行性使用，而没有人主动决定要滑过去。

并非所有卸载都可疑。PAUSE 引用 Hong 等（2025）：有意把低阶写作任务卸载出去、以便把注意力腾给分析和修改，带来了更大的批判性思维提升。检验标准是：被卸载掉的那部分，是不是你正在评分的技能。

这些标签也在诊断你的任务。如果一个班大多数人都报告执行性使用，那是作业在邀请它，不管政策怎么写；下一次要改的是任务，而不是规则的措辞。

让提示对上任务的阶段

针对稳定信念的反馈，在任务开始之前有效。关于即时正确性和难度的反馈，在任务进行中有效。Guo 和 Ye（2026） 称之为时机—成分匹配，这也解释了为什么一份在项目结束时才交的反思改变不了什么：到那时，选择都已经做完了。

Lodge 和 Loble（2026） 建议使用整合式的元认知提示，让学习者在做事的过程中停下来、反思、评估自己的理解，并配合“减负教学”（Load Reduction Instruction）——在管理认知负担的同时逐步走向独立。在一个难单元开始前做一分钟的预测，写下来，事后对照，正好落在这个窗口里，而且批改它不花什么成本。

提示怎么措辞，不如它出现在哪里重要。单元开始前，问学生预期哪部分会难、为什么。进行中，问他们卡在哪一步、已经试过什么。项目结束时的反思大多只是记录发生了什么，所以改变很小。把预测和作业放在同一页上，事后的对照就不用再翻找归档。

预期风险会聚集

Lodge 和 Loble（2026） 把风险定位在先备知识和自我调节上，并提出一个元认知公平差距：用好 AI 需要新手所缺乏的资源，于是最需要练习的学生，恰恰最可能把学习本身外包出去。他们报告说，80% 的澳大利亚学生已经在使用 AI，初中阶段的教师中有三分之二在使用（OECD 2025）。

年龄和习惯与同一模式相关。Gerlich（2025） 发现 17-25 岁的参与者比 46 岁及以上者表现出更高的 AI 依赖和卸载、更低的批判性思维；学业成就无论 AI 使用如何都能预测更好的批判性思维（r = +0.34），且存在显著交互作用，说明学业成就会缓解负面效应。Gao、Sun 和 Khan（2026） 发现多时性倾向（polychronicity，即倾向于同时处理多项事务）会调节这条路径，高多时性的学生风险更大。

对一个教学组来说，这意味着要最密切地关注准备最薄弱的学生，也要检查你自己的任务是否造出了“核查会停下来”的条件。一项要求高的任务配上一个能力强的模型，正是 Biswas 的模型标为后悔最高的组合，而它很容易被无意中造出来。

情境与个人同样重要，而你的课程控制着其中一部分情境。Biswas（2026） 显示，任务难度和 AI 质量设定了基线：过度依赖随难度从约 0.02 升到 0.38；在难任务上，AI 质量差时是 0.38，质量好时是 0.16。后悔最高出现在难任务配高质量 AI 的情形（0.441），因为智能体会过度遵从、很少自己动手。社会证明会叠加放大：当可见的使用率从 0 升到 0.6，核验从 0.29 崩塌到 0.002。核查恰恰停在模型最强、任务最难的地方，而那很少是教师最先去看的地方。

决定这些证据能承担多少分量

这个语料库里没有任何研究检验过某个具体的过度依赖干预能否跨情境、跨学期成立。先想后写只依托一项 N = 196 的实验。扣住答案的结果来自 Brcic 和 Frljic（2026） 的综述，而不是他们自己的试验。摩擦论证是一篇没有新数据的概念性评论。Biswas（2026） 说明了模型的局限：外生的、平稳的 AI 质量，固定的网络，风格化的核验。要估计真实取值，需要按任务记录的核验率、社会证明强度，以及信任在核实与未核实使用之后如何更新的纵向轨迹。

测量仍是最弱的一环。调查研究占主导，Gerlich（2025） 和 Gao、Sun 和 Khan（2026） 都呼吁做纵向和实验的后续研究。PAUSE 没有心理测量学依据，而且是为成年人设计的。公平差距能否靠教学弥合，目前只是理论推断，尚未得到实证。

于是你手上是一个合理的赌注，而且可以下得很便宜。改一项作业，保留那项无辅助的测量，看有协助与无协助之间的差距是否收窄。不要凭这些数字去重建一门课。

教师容易搞错的地方

用得最多的学生就是出问题的那些。 频率是调查能捕捉、仪表盘能显示的东西，而它不是那个构念。一个每条答案都核对、还会引用你材料的学生，可以天天用 AI 也没事。一个每周把第一次输出直接交上去的学生才有问题。

禁掉就能消除风险。 这里最强的结果来自位置安排，而 Wong 和 Qiu 实验里的纯人力组在更难的后续任务上同样下降了。撤走工具而不支持学习者，难度一点没变。

把核查变便宜就能解决核验问题。 在 Biswas 的模型里，让核查更容易是最弱的杠杆，因为障碍是社会性的。一个更好的查重工具，并不会让学生去读原始文献。

使用仪表盘能告诉我谁在卸载。 PAUSE 的题目记录的是 AI 何时、多频繁地进入工作流程，作者自己也点出了效度问题。一个谨慎的脚手架使用者会被记成卸载者，所以照这些数字行事，罚的正是你想留住的学生。

流畅和满意说明设计有效。 那正是 Lodge 和 Loble（2026） 在表现悖论里描述的能力错觉：作业感觉流畅，学生当下表现好，留存却更少。无辅助表现和延迟的迁移才是回答这个问题的测量。

教学生 AI 素养，问题就没了。 Lodge 和 Loble（2026） 提醒说，考虑到新手缺少什么，在面向学生的 AI 素养上过度投入可能是错误的资源分配。

会回来的那些话

“这不过是给旧教学法换了个新名字。” 有一部分对。脚手架、形成性反馈、生产性挣扎都是老概念。较新的是顺序：可见的核验胜过更便宜的核验，而值得守住的两个时刻是第一次艰难的尝试和最后一次无辅助的核查。把熟悉的事按新的顺序做。

“我没法管住它。” 你确实管不住，证据也说不要试。位置安排产生了最强的结果。把任务设计成“在错误时刻使用工具会在作业本身暴露出来”——表现为学生解释不清的答案，或缺掉的核验步骤。

“我的课太大，排不出分阶段的单元。” 便宜的杠杆能规模化：一行核验要求、一分钟预测，以及把评分核查挪到没有 AI 的教室。昂贵的那项——完整排序的“先想”单元——可以先从一项作业开始。把一份习题集重制成有协助和无辅助两半，看看差距告诉你什么。

“我的学生是新手，他们需要帮助。” 他们需要的是提示，而不是答案，公平性发现正是理由。先备知识最少的学生最可能把推理外包出去，而一个扣住答案的工具，把练习留在了它该在的地方。

“较弱的学生不会干脆考砸那次无辅助核查吗？” 有时会，而那个结果是一条信息，不是判决。一次无工具核查如果有大半个班不及格，说明是练习在撑着表现，而这正是你需要知道的事。把它当作证据来权衡，把它暴露出来的内容重教一遍，并在一个平行任务上给第二次机会。这里没有研究检验过“无辅助核查失败之后重教”能否把学习补回来，所以那一部分靠你的专业判断。

“我有些学生是把 AI 当作诚实的脚手架来用的。我该拦住他们吗？” 不该。读了提示、自己试着走那一步、再核对结果的学生，做的正是工具撤走后仍然成立的复制型卸载。你要的是一个让这种用法继续可行、同时让执行性版本回报更低的任务，这取决于任务收什么、量规为什么付分。

“证据这么薄，那还改什么？” 它在特定的地方薄，上面的局限已经点名。跨研究一致的是方向：位置安排、可见的核验、一项无辅助的测量。改一项作业并保留无辅助的结果，是个足够小、可以照此下注的赌注。

本周可以做的事

1. 在下一项作业里加一行核验要求：一句话，写明学生核查了什么、对照的是什么。

2. 把评分核查挪到一个没有工具的时刻，并且就评那一次。

3. 把第一次艰难的尝试放在工具之前，并收走由此产生的想法、假设或草稿。

4. 改掉你推荐的工具设置，让它给提示而不是给答案，并告诉学生你这么做了。

5. 当场跑一次 AI 自信出错的演示，让学生对着课程文本抓出错误，并保留他们写下的更正。

接下来可以去哪里

相邻的那个问题——AI 到底能不能带来学习——见 使用人工智能真的能帮助我的学生学习吗？。我怎样才能减少课程中的人工智能作弊？ 处理诚信与检测的限度，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？ 覆盖本页所假定的测评架构。背后的概念见 认知外包、元认知 和 可取的困难。