AI帮你做出来的,算你学会了吗?一个为AI时代提出的新学习理论

开车的人大概都有过这种体验。

开着导航，一路“前方路口右转”，二十分钟稳稳到了。可哪天手机没电，站在同一个路口，突然发现自己根本不认得路。去过十几次的地方，脑子里却没留下一张地图。

导航把你送到了，到得了，和认得路，是两回事。

图1 | 到得了，不等于认得路。a，开着导航，二十分钟顺利到达；b，手机没电的那天，站在同一个路口却不知道往哪走（本号根据原文思路绘制）

AI进了学习以后，类似的事情每天都在课堂上发生。

学生让AI帮着写作文，交上去拿了90分；让AI帮着解题，步骤漂漂亮亮。作品看起来都很好。可过一周，收走AI，请他讲讲“这段为什么这么写”“这一步为什么这么做”，有的学生讲得头头是道，有的学生只能“呃……”。

图2 | 同样拿90分，学到的不一样。a，两名学生都借AI完成了作文，得分相同：一位核对过、大改过、能讲出理由，另一位复制过来只改了几个字；b，一周后不用AI，请他们讲讲为什么这么写，一位讲得出来，一位讲不出来（本号根据原文思路绘制）

过去，老师看到一篇好作文，大体可以推断“这个学生会写了”。现在这条推断链断了：作品好，已经不能直接说明人学会了。

今天拆解的这篇论文，就抓住了这个问题。作者认为，几种经典学习理论都很重要，可它们没有直接回答一个新问题：AI帮你做出来的东西，什么时候才会变成你自己的本事？为此，他们提出了一个新的学习理论，起名叫 Agentivism。

论文发表在 Computers and Education: Artificial Intelligence（CAEAI，ESCI Q1，影响因子23.4），作者是清华大学教育研究院的颜立翔老师和香港大学的 Dragan Gašević 教授。

两位作者在这个问题上琢磨了很久。2025年，他们和合作者在 Nature Reviews Psychology 上专门讨论过“用生成式AI时，怎样区分表现提升和学习提升”；这篇论文把那次的区分往前推了一大步，从一个提醒，变成了一套能解释、能检验的理论。Gašević 教授是学习分析领域的代表性学者，长期研究怎样从学习过程的数据里看懂学习，这篇文章里处处能看到这条线索：作者一再强调，要看学生怎么用AI，光看交上来的作品不够。

整篇文章读下来最打动人的，是它的克制和清楚。它既不喊“AI会毁掉学习”，也不喊“AI会拯救学习”，冷静地追问：在什么条件下，学会会发生；在什么条件下，不会。

论文结尾有一句话，可以当作全文的眼：

读下去之前，先弄懂几个词：

作者没有一上来就“推倒重来”。文章第一件事，是认真地给四个经典理论算了一笔账：各自能解释什么，又在哪里说不清（图3）。

图3 | 四个经典学习理论：能解释什么，差在哪里。行为主义能解释AI为什么让人越用越想用，说不清这是学会了还是离不开了；认知主义能解释AI怎样给大脑减负，说不清减负何时帮了学习、何时顶替了学习；建构主义能解释和AI对话也是在建构意义，说不清AI给的指导可不可信；联通主义能解释知识分布在网络里，说不清网络节点会写、会劝、会动手以后怎么办（本号根据原文表1绘制）

行为主义 讲强化：做了某件事得到奖励，下次就更愿意做。AI给的奖励来得又快又足：秒回、流畅、看着正确、还省力。这就解释了为什么很多人一用就停不下来。可行为主义说不清：反复成功，到底是人学会了，还是只是“外包”得很成功？还有一个它解释不了的现象：有研究让用户在采纳AI建议前先讲讲理由，交互明明变麻烦了，过度依赖反而减少了。

认知主义 讲大脑的工作记忆有限，要靠图式、提取、减负来学习。AI让“把思考外包出去”变得前所未有地容易：总结、起草、组织，都可以交给它。认知主义能解释外包会改变大脑的加工方式，可它没说清楚：什么时候外包帮了学习，什么时候外包顶替了学习？论文提到一个很有意思的发现：用ChatGPT做探究任务的学生，觉得认知负担更轻，推理却更浅。

建构主义 讲学习是在互动中建构意义。和AI一来一回地对话、商量措辞、比较方案，确实也是一种建构。可这里冒出一个新难题。维果茨基说的“更有知识的他人”，像老师、像学长，他们的话之所以可信，是因为背后有真本事。作者写得很精辟：AI可以坐到“懂行的人”那个位置上，却未必具备让人信得过的那些条件。光有对话，保证不了学到的东西站得住。

联通主义 讲知识分布在人、工具和网络里，学习就是学会在网络里找路。以前网络里的节点是仓库、是通道；现在有些节点会自己写内容、会揣摩你的意图、会推荐下一步，还会替你动手。“分布”依然是对的描述，可已经不够用来解释人到底学会了什么。

算完这笔账，作者把问题收拢成一句：当任务的一部分可以交给一个智能系统，表现在什么条件下会变成持久的个人能力，而不只是“在帮助下做成了”？

作者接着说明，为什么需要一个新的说法。生成式AI和智能体式AI，带来了四个变化（图4）。

图4 | AI带来的四个变化。①知识拿来就能用：搜索让知识找得到，AI让知识马上用得上；②主导权在人和AI之间流动：学生要决定哪些交出去、哪些留下、哪些之后再拿回来；③做得好和学得好分家：作品更漂亮，知识却未必多了；④信谁、想得像不像，成了大事：个人更有创意，大家的想法却可能越来越像（本号根据原文内容绘制）

1知识变得“拿来就能用”

搜索引擎让知识找得到；生成式AI让知识马上用得上。一句含糊的请求，几秒钟就能变成文献综述、教案、编程思路，或者一段听起来很像回事的解释。

作者造了一个词叫“可调用”（mobilizable）。关键变量从“能不能获取知识”，变成了“知识被迅速组装成作品的那一刻，人的判断有没有参与进来”。论文还提到，让学生先写下目标、列个提纲，或者把AI的输出和原始材料对照，能减少照单全收。

2主导权在人和AI之间流动

过去写作业，干活的主角基本是学生自己，工具、老师、同学只是帮手。现在，规划、起草、解释、评价、解题，都可以部分交给AI，而且AI会根据你的反应调整，有时还会主动出手。

作者借用了班杜拉的“代理能动性”概念：人可以借别人之手达成目标。只是如今这个“别人”格外灵活、会聊天、会适应。研究发现，学生之间差别很大：有人几乎原样接受AI的输出，有人只改改表面，有人则大刀阔斧地按自己的意图重写。

所以学习理论要解释的，除了传统的“自我调节”，还多了一样：对“交出去”这件事的调节。哪些留给自己，哪些交给AI，哪些之后要拿回来。

3做得好和学得好，分家了

这种情况以前也有，比如抄作业。可AI让它规模更大、速度更快，还变成了日常。

论文引了几项研究：借AI写作文的学生，作品更好，背后的知识却没有相应增长，自己动手修改的也更少，研究者称之为“元认知懒惰”；用ChatGPT做探究的学生觉得轻松，推理却更浅。

于是作者写下了全文最关键的判断之一：在可以智能委托的条件下，一个正确答案、一篇流畅的文章、一套高效的流程，都不足以证明学习已经发生。要看的是，之后在少依赖同样帮助的情况下，学生能讲清、能改、能迁移多少。

4信谁、想得像不像，从边缘走到了中心

大模型是用人类历史上积累下来、分布并不均匀的文本训练出来的，主流的语言、常见的说法占了大头。它的回答会悄悄影响什么听起来“合理”、什么值得说。

论文提到一项很有名的实验：生成式AI能让单个人的故事更有创意，可放在一起看，大家写出来的东西更像了。还有研究发现，带偏向的AI写作助手，会改变人的态度和判断，影响的不只是表达。流畅、有说服力的回答，也容易让人过度自信，产生“我懂了”的错觉。

所以，在AI时代学习，要会掂量该信几分，要留心出处和证据，还要想一想：谁的知识被“平均”掉了，谁的视角被挤到了边上。作者把这件事放进了学习的核心机制里：判断力用得好，能力会长；用不好，能力会被掏空。

1它是怎么定义学习的

作者说得很清楚，这个理论不打算取代前面四位老前辈，它继承了它们的很多前提：认知可以分布在人和工具之间，外部资源可以分担认知工作，学习者主动建构知识、调节学习。分工、监控、内化、迁移，也都不是新词。它真正新的主张在于：交给AI的范围有多大，会改变“协助下的表现”和“持久的学会”之间的关系。

理论有两条核心承诺：

2原文的概念模型

先看作者自己画的模型图（图5）。从左往右读：学生和AI一起完成任务，得到“协助下的表现”；经过四个环环相扣的机制，最后变成“持久的人的能力”。

图5 | Agentivism 的概念模型（原文图1）。左：学生与生成式/智能体式AI共同完成任务，得到AI协助下的表现；中：四个相互关联的机制，①委托能动性（任务责任在学生和AI之间怎样分配），②认知监控与核验（学生怎样评估AI输出的真实性、相关性、充分性和是否切合任务），③重构式内化（AI协助下的表现怎样转化成学生能独立解释和使用的知识与技能），④减少支持下的迁移（学生在少依赖AI时能调整并完成任务，学习才得到证明）；右：持久的人的能力，在眼前的AI支持之外依然保留、可以迁移（原文图1原样转载，来源：Yan & Gašević, 2026, CC BY-NC-ND 4.0）

为了方便记，本号把四个机制换成了四个大白话：分工、核对、消化、撤掉扶手（图6）。

图6 | 四个机制的大白话版。①分工：哪些交给AI，哪些留给自己；②核对：查AI说的真不真、对不对题、够不够；③消化：改成自己讲得清、用得上的；④撤掉扶手：少些帮助、换个新任务，还能做。①描述分工方式，②③是学习过程，可以来回多轮，④是学会了的证据（本号根据原文内容绘制）

作者特别交代了四个机制的不同角色：分工描述的是活动中影响力怎样分配；核对和消化是学习过程本身；撤掉扶手提供“能力留下来了”的证据。核对和消化也不必按固定顺序走一遍就完，它们可以反复出现。

下面一个一个看。

3机制①分工：把“定方向”留在自己手里

学生可以让AI出选项、写草稿、总结材料、提下一步建议。这些都没问题。关键在于，有三件事最好留在自己手里：定问题（到底要解决什么）、定标准（什么样算好）、做判断（证据够不够、推理站不站得住）。

如果这三件事也悄悄溜到AI那边，学生就只剩下两个动作：从AI给的几个答案里“挑一个”，或者直接“点接受”。作者把这种角色叫作“挑选者”和“接受者”。

图7 | 分工：哪些留给自己，哪些可以交给AI。左：定问题、定标准、做判断，最好留给学生自己；右：出选项、起草初稿、总结材料、提下一步建议，可以交给AI；下：要当心左边三件事悄悄溜到右边，学生就只剩“挑一个”和“点接受”（本号根据原文内容绘制）

论文举了一个在线协作学习的研究：AI以“给反馈和前馈的助手”出场，和以“合作伙伴”出场，学生的投入和调节方式不一样；人和AI的分工被明确协调起来时，效果最好。还有研究发现，学生越觉得AI权威，自己的主动性就越容易往后缩。

智能体式AI让这件事更要紧。它能自己发起和安排行动，交出去的就可能从“执行”一路延伸到“规划”。

4机制②核对：核对本身就是学习

AI的输出是按概率生成的，语言流畅，很有说服力。所以拿到回答，学生需要问一问：是真的吗？对得上题吗？够不够？出处在哪？

作者在这里有一个很重要的观点：核对算在学习过程里面，它是学习得以保住的机制。学生查证说法、比较方案、对照证据、讲清为什么采纳某条建议时，他的脑子一直在这个任务上；不做这些，流畅的输出就很容易被误当成理解。论文还提到，那种爱附和、少批评的AI交互方式，会进一步助长依赖，削弱独立判断。

5机制③消化：把AI的答案变成自己的

这是把“协助下的表现”转化为“留得住的能力”的那一步。

AI帮你把题做对了，这时学习还没完成。要算学会，学生得能做到下面这些中的一部分：说出这个答案为什么对，知道它在什么情况下会出错，换个情境能改着用，少一些帮助也能把背后的推理再走一遍。

图8 | 核对与消化。a，核对：拿到AI的回答，先问“是真的吗、对得上题吗、够不够、出处在哪”；研究发现，先讲理由再采纳AI建议，虽然麻烦，过度依赖会减少；b，消化：AI给的答案，经过“为什么对、什么情况下会错、换个场景怎么改、不看AI自己推一遍”，才变成自己的本事（本号根据原文内容绘制）

这也解释了为什么在AI辅助的活动里，修改、解释、换个说法重讲一遍，显得那么重要。论文引用的研究覆盖了写作、探究推理和模拟解题：在问题解决和模拟环境里，学生要对AI给的方案做大量改造，学习收益才会出现，可见这个机制并不局限于写作。

6机制④撤掉扶手：学会的“试金石”

最后一个机制，是判断学会没有的标准：把帮助减少一些，能力还在不在？

所以，延迟一段时间后的讲解、对新问题的调整、在较少帮助下的表现，成了这个理论最看重的结果。

图9 | 撤掉扶手：少一些帮助，看本事还在不在。从“有AI全程帮，当场做出来”，到“AI少帮一些，隔几天再做”，再到“换个新问题，自己能讲清、会改”；撤掉扶手不等于永远不用AI，会用AI本身就是要学的本事时，也可以带着AI做新任务，看本事有没有留下（本号根据原文内容绘制）

这里有一个特别值得注意的细节，作者写得非常周到：减少支持，是为了检验能力有没有留下来，并不要求学生彻底离开AI。如果“会用AI”本身就是要培养的能力，那么也可以在AI可用的条件下，用新任务来检验迁移。

作者也给了正面的例子：当AI辅导被设计成一步一步搭推理的脚手架、不直接甩答案时，它既能提升当场表现，也能支持在真实教育场景中迁移到新问题。

所以作者说，Agentivism 无意回答“AI一般来说有没有用”，它关心的是：在人和AI的互动中，人的能力在什么条件下会长，在什么条件下不会。

作者花了一整节，把 Agentivism 和几个“近亲”理论分清楚。这一节写得很细，挑三点说。

至于另外几个老理论，Agentivism 依旧把意义建构、知识分布、内部表征、强化都当作有用的解释资源，只是把它们重新组织到“智能委托”这个新问题周围：哪些部分由AI承担，学生怎样评估和消化，条件变了以后还剩下什么能力。

一个理论好不好，很重要的一条是能不能被检验。作者给出了六个命题（图10）。他们也说明，这些命题并不主张AI天生有益或有害，也不主张学生应该尽量少用AI，它们预测的是：学习结果取决于委托怎样安排、怎样监控、怎样再转化为留得住的能力。

图10 | 六个可检验的命题。P1留住责任：AI把定问题、定标准、讲理由留给学生，学得更好；P2核对帮迁移：要求查来源、讲理由，哪怕不那么顺手，过一阵迁移更好；P3改写帮记牢：大改、重讲AI内容的，比轻改几下的记得更牢；P4当场≠后来：不核对不消化时，当场借AI做得好和后来自己做得好关系很弱；P5过程胜过作品：过程痕迹比作品本身更能预测学到多少；P6图省事的依赖：总是顺手交出去又不消化，短期效率涨了，长期更依赖、更看不准自己（本号根据原文图2绘制）

前四个命题，分别对应四个机制：

后两个命题跨越多个机制：

作者还说明，这六个命题对生成式AI和智能体式AI方向一致；智能体式AI只是让可交出去的事情更多，命题适用的范围更广。

正式发表版里，作者还专门做了一张表，写明每个命题可以怎么测，以及出现什么样的结果，就说明这个命题站不住（图11）。敢把“怎样推翻我”写出来，这是一个理论很有底气的表现，也给后来的实证研究者省了很多力气。

图11 | 每个命题可以怎样测，什么结果会推翻它。例如P2：采纳AI建议前要求查来源、讲理由，和只求顺手的条件比较，测之后少帮助下的表现；如果核对的一组后来没有优势，P2就站不住。P4要求事先定好与任务相称的延迟测验；P6需要在多次任务中追踪交出去多少、消化多少、自评准不准、依赖程度（本号根据原文表2整理绘制）

论文还给了一个可以直接照着做的研究设计：在AI辅助写作中，一组AI直接给答案，另一组在采纳前必须核对来源、做出解释；然后把当场的作品质量和过程痕迹，与延迟后在较少帮助下完成的任务表现联系起来看。

作者也交代了这个理论所在的层次：它还不是一个形式化的计算模型，也不规定所有学习者必须走同一条路。它指出的是哪些东西应该随任务、设计和人群而变：交出去的范围、核对的质量、消化的深度、帮助变化之后能力还剩多少。

图12 | 四个方面的启发。研究：别把“用了AI”当成一种处理，记下怎么交、怎么查、怎么改，多测延迟、新题和独立表现；教学：学生仍当作者、评判者、讲解者，帮助可以留着、判断权归学生，让学生定问题、讲标准、对证据；考试：只看最终作品不够了，要看修改、理由、查证据的过程，留痕是为了看清学习，不为监控；治理：界面、规则、无障碍都会影响学生能不能保持主动，守住观点多样，也是学习问题（本号根据原文内容绘制）

1做研究：别把“用了AI”当成一种处理

很多研究的设计是“用AI组 vs 不用AI组”。作者提醒，AI进入任务的方式千差万别：直接给答案、给提示、批改草稿、找证据、提替代方案、陪着一步步推理。这些差别会改变交出去的范围、需要多少核对、学生会不会去消化，算不上细枝末节。

所以研究要记录过程：学生怎么交、怎么查、怎么改；结果也要多测延迟后的讲解、对新任务的调整和独立表现。当场的流畅和正确，已经不能默认代表学会。

2教课：守住学生的判断权

作者的建议很具体：优先选择那些要求学生自己定问题、讲清标准、把AI建议和证据对照、解释为什么采纳的任务和支持方式。

这里有一句话特别值得老师记下来：同一种交给AI的方式，在这个活动里帮了学习，在那个活动里可能就拖了后腿。要看交出去的那部分，是不是正好是这节课想让学生练的本事。比如一节练提炼论点的课，让AI代写论点，就把练习本身交出去了；一节练论证的课，让AI帮着整理参考资料，可能就无伤大雅。

作者的落脚点很温和：教学的目标是让帮助留着，同时确保它不会顶替学生作为作者、评判者和讲解者的角色。

3考试和评价：最终作品越来越不够用

当AI可以直接参与起草、解题、修改，有效的评价就需要看过程证据：修改的轨迹、给出的理由、查证的动作，以及在少一些帮助时还能复现或调整多少。

作者特意说明，看过程留痕的用意，在于把“协助下的表现”和“持久的能力”重新区分开来，和监控学生是两回事。

4管理和设计：给每个学生保持主动的机会

界面怎么设计、学校定什么规则、无障碍支持怎么做、什么样的AI帮助算可以接受，都会影响学生是继续主动参与，还是被推向被动接受。学生的基础、资源和处境不同，这些条件就更要紧。

作者还提醒了一件容易被忽略的事：大家长期用同样几个AI系统，接触到的来源、角度和问题可能越来越窄。所以，守住观点的多样性，除了关乎公平，也是一个学习问题。

图13 | 一张图看懂 Agentivism。问题：AI能直接帮忙做任务，“做得好”不再能证明“学会了”；理论：学会靠四个机制，分工、核对、消化、撤掉扶手；检验：少一些帮助后，还能讲清、会改、能迁移；六个可检验的命题，每个都写明怎么测、什么结果算推翻（本号根据原文内容绘制）

回到开头那个路口。

导航没有错，它让我们去了很多原本去不了的地方。问题在于，一路只听“前方右转”，从来不抬头看看路牌，手机一关，人就迷路了。

AI也是这样。它让学生写得更快、做得更好，这份帮助是真实的。这篇论文要我们多问一句：交上来的作品之外，学生自己身上留下了什么？

作者的回答朴素而有力：把定方向的事留给自己，认真核对AI说的话，把AI的答案消化成自己的，然后在少一些帮助的时候，看看本事还在不在。

读完这篇论文，最想带走的是这样一句话：

——— ◆ ———