我应当如何用人工智能来有效地学习？

本页是英文页面的机器翻译，尚未经母语者审校。

现在是晚上 11 点，你明天早上要交一份习题，还有一篇论文尚未动笔，而聊天窗口已经开着。这些工具中的每一个，几乎你问什么它都会立刻回答，用流畅得像是出自懂行之人之手的文字。正因如此，用好它们是一门技能，而不是一种便利。

底线如下，也是这一页唯一值得带走的一句话：同一个模型，用在你学习过程的不同位置，会产生相反的结果。 一段在你开始思考之前就把思考终结掉的对话，会让工作显得更快，却留下更少的东西。同一段对话，若用来考你、解释你已经尝试过的内容，或指出你的推理在哪里断了，就能帮你学到东西。

第二点要记住的是：做得不错并不证明你学到了什么。模型在场时你完成的作品，显示的是你和模型一起能做什么；考试、分班与后续课程检验的是你独自能做什么，也就是研究所说的学习增益。这是两回事，而两者之间的差距是整件事的关键。

简版：今晚就能用的三条规则

1. 先尝试，再提问。 在打开对话之前，先写下你自己的答案，可以是一个提纲、一个错误的猜测、一次凌乱的尝试。然后让工具把解答压住，直到你有了自己的答案。这是本页证据最强的一步，详见下文。

2. 要求它教，而不是要求它产出。 提示、解释、分步示范、小测与更正，都可以。决定你的论文论点是什么、找到出处、写出句子、解出题目，这些归你。如果合上对话你就做不到这一步，那你不是在学，而是在誊抄。

3. 结束时把工具关掉。 什么都不开着，凭记忆大声作答。如果做不到，说明你还没学会，而你在今晚就发现了这一点，而不是在考场上。

以下内容都是这三条的细节。

什么时候该用它

以下用法都能保住你的思考：

• 解释你已经读过却没能看懂的东西。 要求它把概念讲得像是要考你，然后你把它讲回来。
• 一次一题地测验，并说明在你尝试之前不要给出答案。
• 展示某一题型的完整示范，让你看清它的形态，然后自己动手做下一题。
• 在你能说清楚的某一点上脱困。 不是“帮我做这份作业”，而是“我用分部积分时总是弄错符号，这是我的尝试，它在哪里断了？”
• 用你正在阅读的材料做练习卡片，并把它们排进复习计划。
• 在收到反馈后解释自己的错误。 问你的版本错在哪里，而不只是问正确答案是什么。

模式是：工具在做某件促动你学习的事，而不是代替你学习的事。Viberg、Feldman-Maggor 与 Wong（2026）中所描述的 STEM 学生的四阶段过程值得照搬：判断是否需要帮助、选择向谁求助、决定要请求哪一类帮助，以及评判自己得到的东西。那 20 位受访者把模型放在第一位，因为它的门槛最低（“先 ChatGPT，再同学，最后才是老师”），而他们刻意索要提示、分步指导与概念解释，而不是直接答案，把聊天机器人当作“一个提示、一个辅助工具，而不是独立的解答”。

什么时候不该用它，或该换一种用法

学生的意图与他们的实际做法之间的差距，是这项研究中最一致的发现。Yan 及其同事（2026）访谈了 38 名在日本和中国的本科生，请他们边回顾自己的对话记录，边说明在无人监督的论文评价中的做法。其中一组把任务完全交了出去：老师布置、学生转给生成式人工智能、生成式人工智能产出、学生检查格式、学生提交；还有一位参与者把这种交互描述为“完全取代了我的大脑”。但那只是小的那一组。这 38 人中有三十一人表示自己的意图是把人工智能当作学习助手，却仍然报告了过度依赖、思维懈怠与快速遗忘；其中一位说“你忘掉它的速度也非常快”。Yan 及其同事把这种现象称为效率悖论：以牺牲构建理解所需的认知工作为代价换来的便利。

只有 8 人（38 人之中）像作者所说的认知伙伴那样工作，而他们的共同特征并不是用得更少，而是他们的总投入没有下降，只是发生了移动。有一位把投入从检索转移到质量检查；另一位在每次与人工智能对话之后都写简短的反思笔记，以对抗即时调取而来的信息迅速褪色。

把这些写成给自己的指令，大致是这样：

• 不要粘贴作业、直接取用输出。 在同一项研究中，76.32% 的学生依赖“提问、得到答案、结束”的模式，通常只粘贴评价标题，而不说明自己究竟需要什么，并在答案令人失望时重新提交同样的提示。持续、迭代的对话只出现在 23.68% 的学生身上，他们几乎全是认知伙伴。
• 不要把它与自己的阅读和写作割裂开来。 78.94% 的学生要么在开始之前、要么在起草之后才使用人工智能，而这种割裂正是学得最少的那一组的标志。
• 不要在第一次回复就停下。 Help-Seeking的研究呈现出同样的形态。Amoozadeh 与 Alipour（2026）对 830 条提示做了分类，这些提示来自 72 名在两项编程任务中工作的学生，反复出现的只有少数几种动作：断言（报告困惑而不是提问）、询问某处是否正确的核实型提示，以及请求下一步的工具性或程序性提示。比较、预测与功能规格说明这些真正促使你思考的动作始终少见。你自己的提示集中在哪一类，你就能据此预测自己的学习。
• 让它处理事务性工作，而不是分析工作。 概括、翻译、重新排版、在阅读现场生成练习卡片，以及规划学习日程，都是合理的用法。Kawamura（2026）构建的系统会按各段落的难度调整语音播放速度（平均约 1.30x），并生成多模态视频摘要，把观看时间缩短 53%，而测验分数没有统计上显著的差异。更快地过材料没有问题。跳过那些改变你的工作则是另一回事。

怎样用它学习才能记得住

提问之前先尝试。 这是本页证据最充分的一点。Akgun 与 Toker（2026）给 89 名本科生安排了同样的自适应预测环节与同样的说明，随后进行为期七周的不同练习。自适应间隔提取，也就是人工智能主动探查错误概念、要求对单薄的回答加以详述、只有在真正发生概念性投入时才推进，产生了最高的后测分数（M = 78.19）与最高的练习投入（M = 0.85），而与该模型自由对话的对应数值为（M = 67.28 和 0.49；分数上 d = 0.92）。即使最初的答案是错的，预测也有帮助，因为尝试会激活你所知道的，并暴露出你所不知道的。这一优势来自代理拒绝直接给出解答，而这条策略你可以用一句话施加于任何聊天机器人：把这一点讲得像是要考我，一次一题地测我，在我尝试之前不要给我答案，告诉我哪里错了、为什么错。

按计划提取，而不是重读。 Zhang（2026）介绍了 Memdora，一个基于“若不复习，约有 70% 新学材料会在 24 小时内被遗忘”这一发现构建的人工智能间隔重复系统。它在你阅读的过程中就从你正在读的内容生成卡片，并用 FSRS-6 安排复习。这一点有多大价值要说清楚：该论文报告其保持效果优于传统抽认卡工具，但它的贡献是一套设计与交互分类体系，而不是一项受控的保持实验。可以把间隔与提取视为已有证据支持，而把具体的交互设计视为有前景。

处理更正，而不是把答案换进去。 Wei 与 Shang（2026）报告了一项纠错研究，其中更正过程中的投入对学习有影响，而简单的答案替换不太可能带来同样的收益。当某处被替你修好时，要问原来错在哪里、你的版本为何失败、底层规则是什么，然后自己把这一步重做一遍。

自己记笔记。 Yan 研究中的认知伙伴通过每次对话后写简短反思笔记来对抗快速遗忘。这是同一习惯最省力的版本，只要两分钟。

在信任输出之前如何核查它

“批判性地使用”是个含糊的说法，所以知道研究能区分出什么会有帮助。Wei 与 Shang 区分了七个目标：认识论上的评估、你是否开始核查、你核查得如何、核查是否成功、你拿输出做了什么、你在任务上的表现，以及你独立学到了什么。要记住的要点是：核查不等于成功地核查，好的过程可能得出不确定的结论，而薄弱的过程也可能碰巧落到正确答案上。校准的依赖意味着你接受或拒绝某一输出的决定与该输出的实际质量相匹配，而这一点无法从答案听起来有多自信来判断。

有三项发现让这一点变得具体。Dávila 等人（2025）给学习者提供的建议约有一半是正确的，发现他们对该建议的重视程度随先前知识与性别而变化，信任并未跟随准确性。Zheng 等人（2025）识别出一种“失败的应用”模式：即便正确遵循了本身正确的指导，最终仍然得到错误答案。而Self-Efficacy也不是可靠的指引：Rheu 与 Cho（2025）发现，理解语言模型如何运作与更多自我报告的事实核查相关，而某些形式的自信与功能知识却与更少的事实核查相关。

因此，任何会被评分的输出，都要对照一个你能说出名字的来源加以核实。Viberg 研究中的 STEM 学生会把输出与自己的课程材料和教师对照，其中一位解释说“只有在我们判断不了 ChatGPT 是不是在编造时，我才会去找助教”。当你确实分辨不出来时，就把这一点标为未解决，去问人，而不是为了把页面凑完就采纳它。并且在需要之前就先定好自己的基本原则：Pérez-Portabella 及其同事（2026）调查了 151 名本科生，发现伦理判断是打算使用大语言模型备考的必要条件，后果论与义务论的推理能预测这一意图，而意图又能强烈预测实际使用。事先决定自己会做什么、不会做什么，不是走形式，你的行为会跟随它。

如何判断自己是否真的在学

不要以这次学习感觉如何、或输出看起来多精美来判断。独立学习意味着保持、迁移、无辅助的表现，以及在人工智能支持撤除后能自己发现错误。下面有三项检验，都不需要研究者：

• 关掉工具再作答。 如果合上对话你就给不出解释或解答，那你还没学会。
• 延迟之后再测，而不是立刻测。 在那项统计研究里，区分各条件的是七周后的后测；对话还开在屏幕上时取得的分数说明不了什么。
• 凭记忆大声讲出来，不看笔记。 如果你需要工具的措辞，那这份理解还不是你的。

如果你使用的应用会按条目报告结果，就去读它们：Memdora 的课堂层按单张卡片追踪学习，这比连续打卡天数或总学习分钟数能告诉你多得多的东西。

“我付了钱，为什么不用？”

因为订阅买给你的东西比答案更好，而答案是最便宜的那部分。你付钱换来的是一个有耐心的导师，它会把同一个想法用五种方式讲给你听，一直测到你能不假思索地做出来，并告诉你自己的尝试哪里出了问题，而大多数学生在晚上 11 点是不可能请到这样的导师的。把钱花得值，意味着索要昂贵的东西，而不是最便宜的那个。最便宜的就是粘贴取用，而那正是可测量地让你付出代价的用法：在 Yan 研究中把任务完全交出去的，是小的那一组；而报告遗忘最快的，是自认为用得很好、人数多得多的那一组。

“大家都这么做”

他们中的大多数用的正是研究显示效果很差的用法：76.32% 提问、得到答案就停下；78.94% 从不把工具带入本可以改变他们的那部分工作中。身处这个多数之中既容易又毫不出奇。那 8 位认知伙伴在 38 人中并不是为天赋高的人保留的通道，他们的区别特征是一条你今晚就能采用的原则：投入会移动，而不会消失。有一位把投入从检索移到质量检查。有一位每次对话后都写反思笔记。

“这样更快”

确实更快，而这正是研究称之为效率悖论的陷阱：速度上去了，而让这项任务值得布置的东西下来了。那项提取研究是这一取舍最干净的版本：自由对话组的练习投入更少（M = 0.49 对 M = 0.85），七周后的得分也更低（M = 67.28 对 M = 78.19，d = 0.92）。两种条件下的人工智能相同、起始环节也相同，差别在于工具是否会顶回来。你今晚会更快，考试时会更慢，而你可以选择自己要哪一个。

清单

• 打开对话之前先写下你自己的答案，哪怕是差的，并让人工智能在你尝试之前不要给出解答。
• 索要提示、解释、分步示范与测验，而不是要它替你完成工作。
• 说清你卡住的那个概念，并粘贴你自己的尝试，不要粘贴作业标题后接受第一次回复。
• 留在对话里：追问、质疑、问自己哪里错了，而不是重复提交同一条提示。
• 按计划提取，用取自自己阅读材料的卡片，而不是重读。
• 任何会被评分的输出都要对照一个能说出名字的来源核实，并把输出的流畅程度完全当作没有证据。
• 当有人把更正递给你时，自己把这一步重做，而不是把修好的答案粘贴进去。
• 阅读与起草都自己做：在头脑风暴之前和起草之后使用人工智能，而不是用它替代其中任何一环。
• 结束时把工具关掉：无辅助作答、延迟测验、口头讲解。

如果你同时也教书，有一项发现值得跨过来看。Yan 研究中的 38 名学生全都报告说，他们的教师禁止抄袭，却几乎没有给出任何具体的指导，而这个真空把即使出于好意的学生也推向了外包。示范与模型进行持续对话是什么样子、布置要求先尝试再提问的任务、要求提供诸如人工智能使用笔记这类过程证据，以及把无辅助表现与受助工作分开评分，这些都能做到仅靠禁令做不到的事。关于更广泛的证据基础，参见使用人工智能真的能帮助我的学生学习吗？与人工智能正在如何影响学生？。