AI什么时候出现，可能比一直在场更重要

论文精读 · AI与学习

论文信息：Access Timing as Scaffolding: A Reinforcement Learning Approach to GenAI in Education。Janne Rotter、Pau Benazet i Montobbio、Davinia Hernández-Leo。arXiv:2605.15850v3，2026年8月修订。本文按预印本解读，不将其标作已经核实的会议或期刊正式论文。

学生一遇到问题就能打开AI，和先尝试、遇到困难后才获得AI支持，可能是两种不同的学习经历。两者使用同一个模型，却未必让学生承担相同的认知工作。

这篇研究把AI的开放时机本身当成一种支架。作者没有让AI输出更精细的教学提示，而是在学习平台中加入一个开关：根据学生的作答与用时，决定是否已经到了允许使用AI的时候。

研究主要支持“择机开放优于始终开放”，没有证明它在独立后测上优于完全不用AI。这个限定，是理解整篇结果的起点。

01 同一个学习任务，三种接入策略

研究采用三种组间条件：始终允许使用AI、始终不允许使用AI，以及由强化学习策略决定何时开放AI。最终分析105名大学生，三组人数分别为36、32与37人。

任务围绕社交媒体与自我形象展开。学生依次阅读三个约650词的短文本，每个文本后有三道多项选择题，题目包含两个或三个正确选项。当前题答对后才解锁下一题，形成严格的顺序任务。

这种设计便于记录错误次数、用时和进度，但它不是自由辩论，也不是学生围绕开放问题反复提出、质疑和修订主张。把任务类型说清，才能判断“时机支架”的证据究竟覆盖了哪些能力。

有AI的条件使用同一个Mistral模型，通过平台访问。研究者在开始时明确鼓励学生，在AI可用时以自己认为合适的方式使用，包括翻译、澄清内容和直接提交题目，不额外强制一套反思对话流程。

完成学习任务后，学生先进行与内容无关的协作绘画，再独立回答有关先前文本的问题，并判断自己每道题是否答对。整项实验平均约54分钟，是一次短时实验室活动。

图源：原论文图1。学习阶段的AI接入策略，与之后统一进行的无AI测验分开安排。

绘画干扰任务可以减少立即复述或短时保持的影响，但不能据此保证测到长期记忆。研究没有几周或几个月后的追踪，文中的后测表现仍应理解为同一次实验内的独立表现。

02 系统观察哪些信号，又能做哪些决定

择机开放条件使用强化学习中的近端策略优化算法，即PPO。它学习的是一项接入政策：在当前状态下，允许学生使用AI，还是继续暂不开放，而不是训练一个新的教学大模型。

状态包含四类信息：当前题的失败次数、当前任务用时、前面任务是否使用过AI，以及由当前任务累计失败次数操作化的理解指标。系统依据这些行为变量判断下一步，不直接读取学生真实的心理状态。

尤其要注意，作者称为“当前理解”的量，实际仍来自错误记录。相同错误次数可能由概念误解、漏选、语言困难或随意尝试造成，不能把这个代理变量当作已经验证的认知诊断。

动作空间只有两个选项：开放AI，或继续限制AI。在某个学习任务中，一旦开放，工具会一直可用，直到下一个任务开始。它并不是每次发消息前都重新判断，更不是精准控制每个认知环节。

因此，系统改变的不仅是首次接入时间，也可能是总可用时长、实际请求次数和学生接触模型答案的机会。解释效果时，应把这些共同变化保留在视野中。

03 教育理论怎样进入奖励函数

作者把奖励写成几个可解释成分的和：任务完成奖励、时间惩罚、与元认知理论关联的使用交替奖励、生产性失败相关奖励，以及认知负荷相关惩罚。算法优化的是这一人工设计的目标。

任务完成会得到正奖励，持续耗时会受到小额惩罚。生产性失败部分不鼓励学生尚未尝试就获得帮助，而会在已有失败与一定用时后提高开放帮助的收益，试图兼顾自主尝试和避免长时间受挫。

认知负荷部分则对任务早期开放AI设置惩罚。另一项奖励鼓励学生经历与历史不同的接入状态，例如此前一直没有AI，这次开放可能得到相应激励，形成有无工具支持的对比经历。

把奖励项命名为“元认知”或“认知负荷”，并不等于系统已经测到了元认知或认知负荷。它们首先是研究者根据理论提出的行为偏好，是否实现预期教育过程，仍要靠实际数据检验。

策略的主要训练环境由贝叶斯知识追踪模型模拟学生作答，再结合题目差异和重复尝试扩展。部分参数以九人的先导数据为中心抽样，奖励与超参数还参考另一轮七人试用进行调整。

模拟训练让算法可以大量试错，避免直接在真实学习者身上探索任意策略，但其有效性仍依赖模拟假设。真实学生若以完全不同方式求助、猜测或使用AI，离线学到的接入政策未必仍然合适。

04 后测的优势，是相对于哪一种条件

无AI测验原本有九题，其中一题因发现错误被剔除，最终分数范围为零至八分。作者还计算判断准确性：学生认为自己答对或答错的判断，是否与真实结果一致，每题判断相符计一次。

数据来源：原论文表4。前两项范围均为0至8，但分别表示答对题数与判断自身答案是否正确的相符次数。

择机开放相对始终开放，无AI后测高1.08分，t(71)=2.51，p=0.014，Cohen's d=0.59。判断准确性也更高，p=0.023，d=0.54。这两项结果构成本文较明确的正向证据。

但择机组与完全不用组在后测上没有显著差异，p=0.762；判断准确性的比较也不显著，p=0.769。不能将“与不用AI差不多，同时优于始终开放”改写成“自适应AI带来了最高学习成绩”。

实际使用量差异很大。择机组平均请求约2.46次，始终开放组约11.25次；择机组还有43.2%的人完全没有使用AI，原因可能是未获开放，也可能是获准后自行选择不用。

这意味着本文证据无法单独分离接入时间与AI暴露剂量。择机组的优势可能与延迟接入、较少直接求答案、更多独立阅读或这些因素的组合有关，而非算法挑中了一个已经确定的最佳时间点。

05 自我判断更准，不等于元认知全面提高

研究同时使用一个19题的AI相关元认知意识问卷，比较认知知识、认知调节和总体得分变化。控制前测后，这些指标均未出现显著组间差异，总体比较p=0.425。

因此，结果更准确的表述是择机组在特定测验上的自我判断与真实表现更一致，而不是其所有元认知能力都得到了提升。行为校准和自报意识属于不同指标，可以出现不同结果。

该问卷仍在进一步验证中。高内部一致性表明题项回答较协调，不足以单独证明量表完整测到了目标构念；没有显著差异，也可能与短时干预、测量敏感性和样本有关。

判断准确性的计分本身也需留意。它把“答对且自认为对”与“答错且知道错”都视为相符，而答题正确率本来就因条件不同。解释校准优势时，不能忘记它与任务成绩存在统计联系。

访谈与开放回答中，有学生认为先尝试再求助能促使自己先读材料，也有人承认工具始终可用时更容易为了尽快完成而直接提问。这些体验与设计逻辑一致，但并不能独立确认心理机制。

06 比“少犯错、效率高”更需要谨慎的数字

作者探索性分析发现，择机组在学习阶段比完全不用组的错误更少，未调整比较p=0.047。然而，控制性别后，这一结果不再显著。它不是一个在调整后仍然稳健的优势。

完成时间的比较也不能写成“显著更快”。择机组相对完全不用组的未调整检验p=0.058，已经高于常用0.05阈值；控制性别后同样不显著。摘要式的效率概括，需要回到具体检验核对。

样本分配还有一个重要限制：研究分九场工作坊实施，同一场所有人接受同一种条件，而主要检验使用个人层面的组间比较。场次差异与同场参与者的相关性，不能仅靠总人数105人消除。

三组的性别分布确实存在显著差异。部分后续分析控制了性别，但这不等于已经控制场次、招募批次和所有背景差异。因此，不能把这项设计描述为明确的个体随机对照试验。

此外，没有设置简单规则对照组，例如固定等待一段时间后开放，或答错若干次后开放。于是，研究可以比较整套择机策略与两个极端，却不能证明PPO比成本更低的固定规则更好。

07 值得迁移的是接入控制，仍待检验的是具体环节

从这篇论文可以借鉴，把AI接入权限变成可记录、可操纵的实验因素：何时首次开放、学生此前做过哪些尝试、实际用了多少次，都比一句“允许使用AI”提供更多信息。

但把它迁移到论证备赛，需要重新定义任务状态。搜集证据、整理主张、模拟反驳和最终答辩，并不对应选择题里的失败次数。不能直接把“答错后开放”搬成“论证遇到困难后开放”，却不说明困难如何识别。

还应区分时机与角色。允许AI晚一点进入，但同时把它从代写者改成反驳者，已经改变两个因素。这种配置可能有教育价值，却不能把结果全部称为介入时间的效果。

本文提出了一个可以检验的问题：AI是否始终可用，不应是默认不变的背景条件。它提供了短时实验的初步支持，但距离确定学生论证发展的最佳介入环节，还需要更直接的任务与测量。

原文：arXiv · v3预印本

本文依据预印本撰写；结果可能随后续修订变化。方法评议与教学迁移为解读，原论文图表版权归原作者。