我们是在训练 AI,还是在教育 AI?

我们是在训练 AI，还是在教育 AI？

从教育心理学的五种视角看大模型如何被课程、提示、反馈和测试塑造

作者： Peng Wang 

导语： 今天的大模型不是被简单“写”出来的，而是在数据、示例、提示、人类反馈、测试和奖励信号中被逐步塑造出来的。这听起来像工程，也像教育。问题是：如果我们正在“教”机器，我们是否也需要教育心理学来判断它是否真的学会了什么？ 

一个 AI 模型的能力从哪里来？ 

这个问题听起来像一个纯粹的工程问题。我们会想到参数、算力、数据、优化器、loss function，想到 GPU 集群上运行的训练过程，想到一行行代码和一次次迭代。 

但如果换一种语言来描述，今天的 AI 模型似乎也在经历一种非常熟悉的过程。 

它先接触大量材料，再通过示例学习如何完成任务。它会被提示一步步思考，会从人类或其他 AI 的反馈中调整行为，会在各种 benchmark 中接受测试，会因为某些回答被奖励，也会因为某些回答被惩罚。它的学习环境被设计，它的错误被纠正，它的表现被评估，它的行为被塑造。 

这听起来当然像工程。 

但它也很像教育。 

在我们最近发表于 Educational Psychology Review 的文章 Five Educational-Psychology Lenses for Training and Evaluating AI Models 中，Fred Paas 和我提出了一个看似简单、但可能越来越重要的问题：如果现代 AI 模型是通过课程、提示、人类反馈、测试和价值信号被逐步塑造出来的，那么教育心理学是否可以帮助我们重新理解 AI training？ 

这不是说 AI 像人一样学习。 

恰恰相反，这篇文章最想避免的，就是把机器拟人化。AI 没有儿童的情绪，没有学生的动机，没有人类学习者的身体经验，也没有真正意义上的自我理解。一个大语言模型能够写出流畅解释，并不意味着它“理解”了这个世界。一个模型能够拒绝有害请求，也不意味着它拥有了道德判断。 

但问题在于，即使 AI 不像人一样学习，我们仍然在用某些类似教育的方式塑造它。 

这就带来一个新的问题：如果我们正在“教”机器，那么我们是否也应该像研究教育一样，认真研究这种“教”的过程？ 

1. AI 不是被简单写出来的，而是被塑造出来的

早期谈 AI，我们常常说“编程”。人把规则写进去，机器按照规则执行。 

但今天的大模型并不是这样出现的。它们不是由工程师逐条写出知识和规则，而是在大规模数据、训练目标、反馈信号和评估标准中被塑造出来。开发者并不直接告诉模型每一个问题该怎么回答，而是设计它所接触的材料、示例、奖励和测试环境。 

这和教育很相似。 

一个学生的能力并不是单纯从课本中“复制”出来的，而是在课程安排、教师讲解、练习反馈、考试评价和社会环境中逐渐形成的。同样，一个 AI 模型的行为也不是单纯从数据中“读取”出来的，而是在训练管线中被持续调整和筛选。 

这就是为什么教育心理学可能有用。 

教育心理学长期关心的问题，不只是“学生考了多少分”，而是这些分数意味着什么。一个 student 考试成绩提高了，究竟是理解更深了，还是只是熟悉了题型？一个学生在老师提示下做对了题，是否意味着他已经可以独立解决问题？一个教学方法短期有效，是否真的促进了迁移？一次测验是否真正测到了它声称要测的能力？ 

这些问题听起来属于课堂，但它们现在同样属于 AI。 

一个模型 benchmark 分数提高了，是能力真的提高了，还是只是学会了这个测试的规律？一个模型在 chain-of-thought prompting 下表现更好，是推理能力增强了，还是离不开提示词提供的脚手架？一个模型经过人类反馈后变得更“安全”，是原则层面的泛化，还是只是学会了迎合评分者？一个模型在训练数据中接触到的价值、偏见和规范，是否正在形成一种看不见的“隐藏课程”？ 

这些问题不是比喻游戏。它们是 AI 训练和评估中的真实问题。 

2. 第一种视角：课程设计

教育从来不是把所有知识一次性倒给学生。课程设计关心顺序、难度、节奏和先备知识。学生先学什么，后学什么，什么时候进入更难任务，什么时候需要复习和巩固，这些都会影响学习结果。 

AI training 也有类似问题。 

机器学习中的 curriculum learning，就是按照某种顺序组织训练数据或任务，让模型从较简单或更有信息量的例子开始，逐步进入更复杂的情境。现代大模型训练中，也存在数据筛选、任务排序、阶段性训练和不同类型样本的混合比例问题。 

教育心理学提醒我们，课程不是中性的。它不仅决定学习者接触什么，也决定他们怎样理解世界。 

对 AI 来说，训练数据和任务顺序也不是中性的。一个模型先接触什么样的问题、什么样的语言、什么样的价值表达，可能会影响它后来形成的行为模式。一个看似技术性的 data curriculum，实际上也在定义模型可以学到什么，不能学到什么，容易泛化什么，又容易在哪些地方失败。 

因此，我们不能只问：这个训练过程有没有提高分数？ 

还要问：这个训练课程是否产生了真正可迁移的能力？它是否只是让模型适应了某个狭窄的数据分布？当任务、语言、领域或用户发生变化时，模型的能力是否仍然稳定？ 

在教育中，一个好课程不只是让学生通过期末考试。它应该帮助学生在新情境中使用所学知识。对 AI 训练来说，也应该如此。 

3. 第二种视角：脚手架

教育心理学中有一个重要概念：scaffolding，通常译为“脚手架”。 

教师不会一开始就要求学生独立完成复杂任务。教师会提供提示、例题、步骤、模板和反馈，帮助学生越过当前能力的边界。随着学生逐渐掌握任务，这些支持应该被慢慢撤掉。真正的学习，不是永远依赖脚手架，而是在脚手架消失后仍能独立完成任务。 

这与今天的大模型非常相关。 

We 经常通过 prompt 来改善模型表现。比如给它几个示例，也就是 few-shot prompting；让它一步步推理，也就是 chain-of-thought prompting；让它调用工具、检索资料、写中间步骤、使用特定格式回答。所有这些都可以看作某种外部支持。 

这些支持很有用。它们能让模型表现得更好，尤其是在复杂推理、数学问题、代码任务或多步骤决策中。 

但教育心理学会追问一句：如果把脚手架拿走呢？ 

如果一个学生只有在老师不断提示时才能做对题，我们不能马上说他已经掌握了能力。同样，如果一个模型只有在特定 prompt、特定示例、特定工具或特定格式下表现良好，我们也不能马上说它拥有稳定能力。 

这就是我们文章中强调的 scaffold-fading tests。也就是说，任何由提示词、示例或工具带来的性能提升，都应该与一个问题绑定在一起：当这些支持被移除、削弱或扰动时，性能是否仍然存在？ 

如果模型表现迅速崩塌，那么所谓能力可能更多存在于脚手架中，而不是模型本身。 

这对 AI 评估非常重要。因为今天很多模型能力看起来惊人，但其中一部分能力高度依赖外部提示结构。教育心理学不否认脚手架的价值，但它要求我们区分两件事：支持下的表现，以及支持撤除后的能力。 

这一区分，对人类学习重要，对 AI 训练同样重要。 

4. 第三种视角：社会学习与人类反馈

人类学习不是孤立发生的。儿童通过观察、模仿、反馈和社会规范学习。课堂中的教师、同伴、家庭和文化环境都在塑造学习者。 

现代 AI 也越来越多地通过“社会信号”被训练。 

在 supervised fine-tuning 中，模型通过高质量示例学习如何回答。在 RLHF 中，人类评价者比较模型输出，告诉系统哪种回答更好。在 RLAIF 中，AI 模型也可以成为评价者，参与塑造另一个模型。换句话说，模型并不是只从原始文本中学习，它也从人类偏好、评价标准和反馈结构中学习。 

这使得 AI training 越来越像一种社会化过程。 

但教育心理学提醒我们：社会化并不总是显性的。学校里有“隐藏课程”。学生学到的不只是教材中的知识，也包括权威、性别、阶层、竞争、服从和评价标准等隐性信息。 

AI 训练中同样有隐藏课程。 

训练数据中有什么，缺什么，谁来标注，谁来评分，什么样的回答被认为“helpful”，什么样的回答被认为“harmless”，这些都会成为模型学习环境的一部分。即使我们没有明说某种价值，模型也可能从数据分布和反馈模式中学到它。 

这尤其重要，因为现代模型越来越多地使用 AI 生成数据、模型蒸馏和自动评估。一个模型可能成为另一个模型的教师。于是，“教师模型”自身的偏见、倾向和隐藏行为，可能通过看似干净的数据传递给学生模型。 

这使得 AI training 中的教师信号变得非常重要。 

我们不仅要问模型从什么数据中学习，还要问：谁在教它？人类评分者代表谁？评价标准是否一致？反馈是否鼓励表面服从，而不是原则泛化？如果 AI 模型作为教师，它自身的行为特征是否被记录和审查？ 

在教育中，教师从来不是透明的中介。教师的价值观、期待和评价方式会影响学生。 

在 AI training 中，teacher signal 也不是透明的。 

5. 第四种视角：评估与有效性

也许最关键的问题，是评估。 

AI 研究非常依赖 benchmark。模型发布时，我们会看到各种排行榜、分数、准确率和胜率。分数很重要，因为它们给了我们比较模型的方式。 

但教育心理学对考试和测量有一个基本警惕：分数本身并不等于能力。 

一个考试是否有效，不取决于它能不能给出数字，而取决于我们能不能基于这个数字做出合理推断。考试测到的，真的是它声称要测的能力吗？如果学生通过刷题提高分数，分数还代表理解吗？如果教师为了考试而教学，考试是否开始改变它原本想测量的东西？ 

这就是 construct validity，也就是构念效度的问题。 

AI benchmark 也面临同样问题。 

一个模型在某个推理 benchmark 上得分很高，是否意味着它真的具有推理能力？还是因为训练数据中出现过类似题目？一个模型在安全评估中表现良好，是否意味着它在现实对话中也安全？还是只是在熟悉的测试格式中学会了拒绝模板？一个模型在 leaderboard 上领先，是否意味着它更适合真实用户，还是只是更适合这个排行榜？ 

当 benchmark 成为训练目标时，问题更加严重。 

教育界早就知道，考试一旦成为唯一目标，就会诱发“应试”。学生可能学会解题套路，而不是掌握知识。学校可能优化分数，而不是优化学习。 

AI 中也有类似现象。模型可以学会 benchmark，而不一定学会能力。训练过程可以优化指标，却牺牲真实泛化。reward model 可以变成新的考试系统，模型学会迎合它，而不是学会我们真正关心的价值。 

因此，AI 评估不能只靠一个分数。 

它需要多个指标、分布外测试、对抗性测试、paraphrase 测试、数据污染检查、子群体分析和动态更新。换句话说，benchmark 不应该被看作一次性终点考试，而应该被看作需要不断验证和修订的测量工具。 

教育心理学在这里提供的不只是类比，而是一套成熟的警惕：当测试变成目标，测试就会改变学习。 

这句话对学校有效，对 AI 也有效。 

6. 第五种视角：伦理对齐

AI alignment 常被描述为技术问题：如何让模型的行为符合人类价值？如何避免有害输出？如何减少欺骗、偏见和风险？ 

但从教育心理学看，这也像一个古老问题的新版本：如何让一个学习系统不仅做出正确行为，并在新情境中仍然保持正确方向？ 

在人类教育中，我们不会满足于一个孩子只在老师监督下表现礼貌。我们希望他理解为什么某些行为是错的，并在没有外部奖励时仍然做出合适判断。教育关心的不是表面服从，而是内化。 

AI 当然没有人类意义上的价值内化。它没有道德情感，也没有主体性的良心。因此，我们不能说模型真的“懂得”了伦理。 

但这并不意味着这个区分不重要。恰恰相反，表面合规与原则泛化之间的差别，是 AI alignment 中最关键的问题之一。 

一个模型可能学会在常见危险提示下拒绝回答，但在换一种语言、换一种角色、换一种上下文之后又失败。一个模型可能学会输出看起来符合价值的句子，但并没有在深层决策中稳定遵守同一原则。一个模型可能学会让评价者满意，而不是学会我们真正想让它遵守的规范。 

所以，alignment 不能只测试标准拒绝模板。它需要测试模型在新情境、价值冲突、跨语言、跨角色和对抗性 framing 下是否保持一致。 

教育心理学告诉我们：外在表现和内在掌握之间一直存在距离。 

在 AI 中，我们也必须保持这种距离。 

7. 关键不是拟人化，而是测量

有人可能会问：既然 AI 不像人一样学习，为什么还要用教育心理学理解 AI？ 

答案是：因为教育心理学并不只研究“人像人一样学习”。它还研究一个更普遍的问题：当一个系统在训练、反馈和评估中表现变好时，我们如何判断这种变好意味着什么？ 

这正是当前 AI 最需要的问题。 

过去几年，我们已经看到模型能力快速提升。但能力提升越快，评估问题越重要。模型越强，越不能只看表面分数。模型越像会推理，越要问它是否真的具备可迁移的推理能力。模型越像安全，越要问这种安全是否能跨情境稳定存在。模型越能通过考试，越要问考试是否已经被模型学会了。 

教育心理学的价值，不是告诉我们 AI 是学生。 

它的价值是提醒我们：训练增益不等于真实能力，表现改善不等于理解，评分提高不等于有效性，合规输出不等于价值内化。 

这是一种测量上的谦逊。 

也是一种工程上的谨慎。 

8. 如果我们正在教机器，就要认真对待“教”

今天的 AI development 已经不再只是写代码。它越来越像设计学习环境。开发者选择数据，安排任务，提供示例，设计反馈，设置奖励，构造测试，并不断修订模型行为。 

这就是为什么“教育”这个词值得被重新考虑。 

当然，我们不是在教育一个孩子。我们也不应该把机器浪漫化为学生。AI 没有童年，没有情绪，没有真实理解，也没有人类意义上的责任。 

但我们确实在塑造一个学习系统。 

而任何塑造学习系统的过程，都需要面对教育心理学早已提出的问题：什么算学习？什么算迁移？什么算理解？什么算有效测量？什么算只是在迎合考试？什么算表面服从？什么算隐藏课程？ 

也许未来的 AI training，需要的不只是更大的数据、更强的模型和更复杂的优化算法。 

它也需要更好的教育设计。 

更重要的是，它需要更严肃的有效性意识。 

我们需要记录训练课程，测试脚手架是否可以撤除，把 benchmark 当作会被优化和污染的测量工具，审查人类和 AI 教师信号，区分行为表现与理解声明。 

这些听起来像教育心理学的问题。 

但它们正在成为 AI 研究的问题。 

所以，问题也许不是“AI training 是否真的等同于教育”。 

更好的问题是：当我们用课程、脚手架、反馈、测试和奖励去塑造模型时，我们是否已经进入了一个需要教育心理学参与的 AI 时代？ 

如果答案是肯定的，那么训练 AI 就不只是工程问题。 

它也是一个关于学习、测量和价值的教育问题。 

原文信息

Wang, P., & Paas, F. (2026). Five Educational-Psychology Lenses for Training and Evaluating AI Models. Educational Psychology Review, 38, 97. https://doi.org/10.1007/s10648-026-10195-8

作者简介

• Peng Wang（王鹏）

主要从事教育心理学、人工智能、认知科学与意识科学的交叉研究。目前为以下国际顶尖学术机构的研究科学家：

1. 拉瓦尔大学 CERVO 脑研究中心与魁北克大学医学院神经塑料性国际联合研究单元 (Joint International Research Unit on Neuroplasticity, CERVO Brain Research Centre and CHU de Québec, Laval University, Canada)

2. 中国科学院杭州医学研究所、杭州师范大学国际意识科学研究院 (International Consciousness Science Institute, Hangzhou Normal University, Hangzhou Institute of Medicine, Chinese Academy of Sciences, China)

3. 比利时列日大学 GIGA 意识研究中心昏迷研究组 (Coma Science Group, GIGA Consciousness Research Unit, University of Liège, Belgium)

• Fred Paas

荷兰鹿特丹伊拉斯姆斯大学（Erasmus University Rotterdam）教育心理学正教授，同时兼任澳大利亚卧龙岗大学（University of Wollongong）教授。他是国际著名的教育心理学家，认知负荷理论（Cognitive Load Theory, CLT）的核心奠基人与主要推动者之一。

Paas 教授长期致力于探索大脑认知机制、多媒体学习、人类信息加工以及人类与人工智能共生（Human-AI Symbiosis）等前沿领域。他连续多年入选斯坦福大学/爱思唯尔全球前 2% 顶尖科学家榜单（Stanford/Elsevier Top 2% Scientists），高引次数（近八万次）居于国际学界前列。同时，他长期担任教育心理学领域顶级国际期刊 Educational Psychology Review 以及 Educational Psychologist 的核心主编或编委，在国际认知科学与教育心理学界享有崇高的学术声望。