AI支持个性化学习要先回到学习的本质——从"教的技术化"到"学的主体性回归"

核心发现

当前AI+个性化学习的主流论述——以"学情诊断+精准推送"为核心——本质上是一种效率工具逻辑，它将"个性化"还原为"内容分发的精准度"问题，忽略了学习的本质是个体主动建构意义的过程，而非信息接收的效率问题。Bloom在1984年揭示的"2 sigma问题"（布鲁姆的两个标准差问题）——一对一辅导学生超过传统课堂98%的学生——四十年来驱动着教育技术的追求，但元分析表明，智能辅导系统的效果量（g=0.32-0.37）始终未能逼近人类辅导。

这不仅是技术问题，更是学习观的问题：当行业把精力投入"让AI教得更精准"时，真正应该回答的问题是 "学习本身需要什么" 。2025年，爱丽坎特大学Laak与Aru在arXiv发表的研究明确指出，当前AI个性化学习方案与OECD Learning Compass 2030的教育目标之间存在显著差距——学习者主体性(agency)、认知参与度和通用能力这些现代教育的核心目标，恰恰是当前技术路径最薄弱的环节。

学习本来就是个性化的。 这不是一个需要技术来实现的"新功能"，而是学习本身的存在方式。班级授课制下"教"的统一性与"学"的个体性之间的结构性矛盾，不可能被技术"解决"，但可以被更好地"管理"。AI的角色不应是成为"更精准的教"的工具，而应成为"更懂学的支持"的基础——保护学的摩擦、扩展学的可能、回归学的主体。

一、学习的本体论：个性化为何是学习的内在属性

1.1 学习是个体建构，不是信息传递

学习不是信息从教师端传输到学生端的过程。这一认识至少可以追溯到Piaget的认知建构主义：儿童不是被动的知识接收器，而是通过与环境的交互——同化(assimilation)与顺应(accommodation)——主动建构对世界的理解。每一个学习者面对同样的教学内容，都在进行不同的内在建构。这就是为什么同一个班级、同一位教师、同一堂课，三十个学生会产生三十种截然不同的理解——不是因为教师没教好，而是因为学习从根本上就是个体化的意义建构活动。

Freire在1968年发表的《被压迫者教育学》中，用"银行储蓄式教育"(banking concept of education)这一隐喻，深刻批判了将学习等同于信息传递的教育观：学生被视为空的"容器"，教师的任务是将知识"存入"其中。Freire指出，这种模式将现实呈现为"静止的、被分割的、可预测的"，剥夺了学生的创造力和批判性思维。这一批判在今天AI教育语境中获得了新的回响——当"学情诊断+精准推送"将学习过程还原为知识节点的逐一攻克时，它实际上在更深层次上强化了Freire所批判的"储蓄式教育"逻辑：只不过"存入"的操作从教师变成了算法。

1.2 学习是社会中介，不是孤立的认知加工

Vygotsky对Piaget的修正揭示了学习个性化的另一个维度：学习不仅是个体内在的建构过程，更是通过文化工具（语言、符号、实践）在社会互动中发生的。"最近发展区"(ZPD)的核心洞见是：学习者在其独立能力与在更有经验的他人协助下能达到的能力之间，存在一个动态的发展空间。这意味着"个性化"不仅仅是"按学生的水平调整内容难度"，更包括"在恰当的社会互动情境中提供恰当的脚手架支持"。

这里暴露出当前AI教育产品的一个根本盲区：它们可以模拟认知脚手架，但无法复制社会脚手架。 Vygotsky意义上的脚手架——包括情感共鸣、眼神交流、对学生整个人的理解——需要一个真正"在乎"学生的主体。AI可以提供信息层面的"适时反馈"，但无法产生"这个学生今天状态不对"这种基于关系的教学判断。

1.3 学习是具身的，不是纯认知的

具身认知理论(embodied cognition)自20世纪80年代兴起以来，从根本上挑战了"身心二分"的传统认知观。梅洛-庞蒂(Merleau-Ponty)提出，认知不能脱离身体对世界的参与——思维是通过身体习得、展现甚至重新习得的。西南大学2026年发表的研究进一步指出："身体体验是学习活动走向'深度'的基础。认知、思维、记忆、学习、情感和态度等是身体作用于环境的活动塑造出来的"。

这一理论与"直接经验保护"框架形成了深层呼应：儿童的亲历式学习——在自然中奔跑、用手触摸泥土、在厨房里帮忙做饭——不是学习的"前奏"，而是叙事能力、审美判断、因果推理等高阶能力的真正土壤。 当AI教育产品试图将儿童的学习全部纳入屏幕交互时，它正在系统性地剥夺这种具身学习的机会。Kuhl 2003年的经典实验提供了一个极端但清晰的例证：9个月大的婴儿暴露于真人普通话交谈中能保持语音辨别能力，但暴露于完全相同的音视频内容通过屏幕播放时，语音辨别能力无任何提升 。差别不在信息内容，而在社交在场——在"有人与你在一起"这件事本身。

1.4 学习需要困难，不是消除困难

Robert Bjork在1994年提出的"必要困难"(desirable difficulties)理论，揭示了学习科学中最反直觉的发现之一：使学习过程感觉更困难的条件——分散练习、交错练习、提取练习、变化练习条件——恰恰产生更持久、更灵活的学习。Bjork的"废弃新理论"指出，每个记忆都有两种独立的强度：存储强度(storage strength)和提取强度(retrieval strength)。提取强度越低时成功提取记忆，对两种强度的提升越大——换句话说，越难想起来的东西，想起来之后记得越牢。

这一发现对AI教育的"效率逻辑"构成了最直接的挑战。当AI系统致力于消除学习中的"摩擦"——即时给出答案、自动纠正错误、无缝推进进度——它恰恰在消除学习最有效的机制。Bjork明确指出："许多困难是不可取的。必要困难之所以'必要'，是因为它们触发了支持学习、理解和记忆的认知加工过程。但如果学习者缺乏成功应对的背景知识或技能，这些困难就变成了不可取的困难"。

Favero等人2025年在arXiv发表的立场论文，直接将这一理论应用于AI教育批判："AI工具——特别是聊天机器人——通过提供快速、流畅、简化的答案，消解了学习所必需的认知挣扎。它们的便利性可能导致被动消费、研究推理能力下降，以及对预先消化知识的日益依赖"。

以上四个维度共同指向一个结论：个性化不是教学的"配置选项"，而是学习本身的存在方式。 每一个学习者以其独特的身体经验、社会文化背景、认知节奏和意义建构方式，在进行着不可复制的学习过程。AI要支持个性化学习，首先必须理解这一本体论事实。

二、教与学的结构性矛盾：班级授课制的深层困境

2.1 一个不可能被"技术解决"的问题

班级授课制是人类教育史上最伟大的制度创新之一。它用一位教师同时面对数十名学生，以统一的内容、统一的进度、统一的评价，实现了知识的大规模传递。这一制度的底层逻辑是效率——在资源稀缺的条件下，最大化教育的覆盖面。

但这一效率优势恰恰也是它的结构性缺陷。教的统一性与学的个体性之间的张力，不是管理问题，不是资源问题，甚至不是技术问题——它是结构性的、内在的、不可消除的。一个班40个学生，教师只能选择一个"中间进度"授课。结果正如Michael Smith在卡内基梅隆大学的观察："当我面对30名学生上课时，我很确定其中3-5人已经无聊了（教学可以更快），3-5人已经跟不上了（教学需要更多时间）。问题是，我通常不知道是谁——即使知道，我也无能为力"。

2.2 三重损失：学习结果、学习状态、学习动机

这一结构性矛盾造成的后果是系统性的：

学习结果层面：固定进度意味着知识漏洞会被无声地累积。一个五年级学生在周三没理解长除法，周四班上已经进入多步骤应用题，周五到了分数——她的困惑在累积，但课程表不会停下来等她。正如一篇2026年分析文章所指出的："当内容无论个体是否准备好都继续推进时，未解决的错误会不断累积。调查数据显示，60%的学生在学期中期至少落后一个单元"。

学习状态层面：快学生被迫等待，好奇心消退；慢学生被迫追赶，信心崩塌。两个群体看似表现不同，实则遭受同一种伤害——学习被异化为一种与自身节奏脱节的被动体验。快学生学到的隐性课程是"效率比深度重要"；慢学生学到的隐性课程是"我不擅长学习"。

学习动机层面：当学习长期脱离个体的认知节奏和意义建构方式，学生逐渐失去对学习的主人感(ownership)。他们学会了"配合教学"，但不再"拥有学习"。Freire所说的"自动化"(automatons)——被动适应而非主动参与的人——就是这样被生产出来的。

2.3 Bloom的2 sigma问题：四十年未解

1984年，Benjamin Bloom发表了他最具影响力的论文，揭示了这一结构性矛盾的经验尺度：接受一对一辅导（结合掌握学习法）的学生，其成绩超过传统课堂98%的学生——整整两个标准差。这意味着传统课堂中处于平均水平的学生，在获得个性化辅导后，可以跃升到前2%。

四十年来，这一发现驱动了无数教育技术的追求。但元分析的结果是清醒的：智能辅导系统的效果量在g=0.32-0.37之间，远低于人类辅导的2 sigma（约g=2.0）。差距不在于AI教得不够精准，而在于学习中最关键的变量——动机、情感连接、被一个真实的人"看见"的感受——恰恰是技术最无法传递的。

这个矛盾不可能被技术"解决"。但它可以被更好地"管理"——前提是我们要放弃"用技术替代教"的幻想，转而思考"如何用技术释放和保护学的主体性"。

三、当前AI+个性化学习论述的标签化批判

3.1 "学情诊断+精准推送"范式的还原论本质

当前AI教育行业的主流论述，将"个性化学习"等同于"自适应学习系统"——通过知识图谱诊断学生的知识漏洞，然后精准推送针对性的学习内容和练习。爱丽坎特大学Laak与Aru (2025)尖锐指出，这种技术路径植根于20世纪60年代行为主义的"可教机器"(teachable machines)愿景：个体化的进度、反复练习直至掌握、即时反馈、记录表现。六十多年过去了，底层逻辑从未被真正追问。

这一范式的还原论在于：它将学习等同于知识掌握，将知识掌握等同于可标记节点的逐一攻克，将个性化等同于按节点匹配度的最优路径规划。学习的丰富性——意义的涌现、困惑的创造性价值、跨领域的灵感迁移、情感驱动的深度投入——全部被排除在模型之外。

3.2 效率工具逻辑的精密与局限

我在分析科大讯飞等AI教育产品时，将其底层逻辑概括为"效率工具逻辑"——核心假设是"教育的主要问题是效率问题，而效率问题可以被技术解决" [(AI赋能教育的一个追问)]。这一概括精准地抓住了行业叙事的要害。

讯飞的三级错因体系——4000多个标签、三大类三层级——确实精密。但精密本身恰恰是问题所在：它越是精密地分解知识，就越远离学习的本质。 一个平时不爱说话的孩子在作文中突然写出"公平不是一样，而是每个人都能得到自己需要的"——这个"开窍"时刻无法被打上任何标签。数据主义的根本局限在于：它只能处理可量化的东西，而教育中最珍贵的东西，往往不可量化。

3.3 三个核心误区

误区一：将知识图谱等同于学习地图。 知识图谱将学科知识分解为相互关联的节点。但学习不是沿着图谱的路径"点亮"节点。2026年6月的一项调查揭示了这一误区的实际后果："多数厂商采用半自动方式构建图谱，AI抽取虽快但缺乏教育专家深度校验，导致节点关系错配或粒度过粗……六年级学生被系统判定'函数概念不清'，结果推送的全是四年级的加减法练习"。更深层的问题是：即使图谱完美无缺，它描述的也只是知识的逻辑结构，而非个体学习的心理结构。 一个学生的"卡点"可能不是知识前序缺失，而是认知方式不匹配、情绪障碍、或者某个生活经验引发的理解偏差。

误区二：将消除摩擦等同于提升效率。 AI教育产品致力于消除学习中的"摩擦"——即时反馈、自动纠错、无缝推进。但Bjork的"必要困难"理论明确告诉我们：学习中最有价值的困难——困惑、犯错、挣扎——恰恰是"必要困难"，它们触发深层编码和提取过程。我在《AI私教的三条边界》中一针见血地指出："AI私教最大的风险不是'教错了'，而是'教得太顺了'" [AI私教走热，最大的风险，不是教错了，而是教得太顺了【文中有可直接复用的提示词和工具展示】]。消除摩擦的学习，就像没有阻力的跑步机——跑得很快，但哪儿也没去。

误区三：将数据可量化等同于学习可穷尽。 当AI系统通过答题时长、错误模式、点击行为等数据"读懂"学生时，它确实获得了很多信息。但它无法触及的是：这个学生此刻在想什么？他为什么在某个问题上犹豫？是什么生活经历让他对某个话题特别敏感？数据描述的是行为模式，不是学习主体。 将行为模式等同于学习的全部，是一种"数据拜物教"。

3.4 国际学术界的批判声潮

这一批判并非孤立。2025年形成了一个值得注意的国际批判声潮：

• • Favero等人（arXiv, 2025） ：指出AI过度使用导致"认知萎缩"(cognitive atrophy)、主体性丧失和知识趋同。
• • UNESCO (2025) ：明确反对"human-in-the-loop"隐喻——它暗示AI是主体、人类是助手。提出"pedagogy-first"设计原则： "教育不是工程流水线。教育是以语言、情境、好奇心和关爱为根基的人际意义建构行为" 。
• • Laak & Aru (2025) ：发现当前AI个性化学习方案与OECD Learning Compass 2030的教育目标存在显著差距，特别是在培养学习者主体性(agency)和认知参与度方面。
• • Balzan等人 (2025) ：提出"自主预算"(autonomy budget)概念——在任何人类-AI系统中，决策权是有限的。AI获得更多自主权时，人类的自主权按比例下降，除非技术被刻意设计为增强而非削弱人类主体性。
• • OECD的Stéphane Vincent-Lancin警告："算法偏见的新风险在于它比人类偏见更系统化。一个有偏见的教师影响一个班级；一个有偏见的算法影响数百万学生"。

四、AI支持个性化学习的原创性框架：「学的生态学」

4.1 核心命题

基于以上分析，本报告提出一个核心命题：AI在个性化学习中的角色，不应是成为"更精准的教的工具"，而应成为"更懂学的支持的基础"。 这意味着从"如何教得更精准"的视角，转向"学习本身需要什么"的视角。

这一转向的理论根基是：学习不是一个需要被优化的信息处理系统，而是一个需要被保护、被滋养、被释放的生态系统。 就像生态系统有自身的节律、多样性和不可预测性一样，学习也有其独特的节奏、路径和涌现逻辑。AI的角色不是做这个生态系统的设计师，而是做它的园丁——创造条件，而非规定结果。

4.2 「学的生态学」三层框架

本框架包含三个层次，每一层对应学习的一个核心维度：

第一层：保护学的摩擦——必要困难守护

原则：AI系统应当识别并保护学习中的"必要困难"，而非消除它们。

操作化设计：

• • "困惑时间窗"机制：当学生遇到难题时，系统不立即提供帮助，而是提供一个可配置的"独立挣扎"时间窗口（小学生15分钟，中学生30分钟）。用户已在《AI私教的三条边界》中提出这一设计："不是说放任不管，而是给他一个'独立挣扎'的时间窗口" 。
• • "必要困难指数" ：系统监控学生面临的困难是否处于"必要困难"区间——既不至于因太难而崩溃（不可取困难），也不至于因太易而无成长（舒适区）。Bjork指出："困难的理想水平随学习者的先前学习程度而变化"。
• • "反效率"提醒：在关键学习节点，系统主动引入间隔、变化和交错，而非让学生在最"高效"的路径上一路狂奔。

理论支撑：Bjork的desirable difficulties理论；Dörnyei的动机自我系统（想象未来自我驱动持续努力，这不是算法能制造的）；Walker & van der Helm的情绪背景对记忆巩固的影响。

第二层：扩展学的可能——认知边界拓展

原则：AI的真正价值不在于传递已知知识，而在于帮助学习者触达他们独自无法触达的认知边界。

操作化设计：

• • 跨领域连接生成器：AI识别学生当前学习内容与看似无关领域之间的潜在连接，提出跨学科问题。这不是"推荐相关内容"（那是电商逻辑），而是"提出你没想过的问题"。
• • 苏格拉底式对话伙伴：不直接给答案，而是通过持续追问帮助学生澄清自己的思维。UNESCO 2026年的文章指出，AI可以扮演"智能苏格拉底"的角色，"通过持续对话激发学生思考，澄清认知误区" 。
• • 脚手架渐退机制：基于Vygotsky的ZPD理论，AI提供脚手架支持，但随着学生能力提升逐步撤除。关键设计：脚手架的目标是让学生不再需要脚手架，而非让学生依赖脚手架。

理论支撑：Vygotsky的ZPD和脚手架理论；Piaget的认知建构主义；Dewey的"做中学"经验学习理论。

第三层：回归学的主体——Agency保护与培育

原则：AI系统必须将学习者的主体性(agency)置于设计中心，而非将其视为需要被优化的变量。

操作化设计：

• • 学习者决策空间保护：在AI可以做的和AI不应该做的之间划定清晰边界。Balzan等人的"自主预算"概念提供了框架：在任何一个学习环节中，"谁来决定"的总量是有限的——AI多做一个决定，学生就少做一个决定。系统应当刻意保留学生的决策空间——选择学什么、怎么学、什么时候求助。
• • 元认知培育：AI帮助学生理解自己的学习过程——"你用了什么方法？""这个方法有效吗？""下次你会怎么做？"——而非替代学生做这些元认知判断。Favero等人指出："培养认知韧性而非自动化，应当是AI增强教育的关键目标" 。
• • "不完美"的AI设计：刻意让AI表现出不确定性、提出"我不确定"、承认"这个问题可能有多种答案"——以此对抗学生对AI的过度信任(over-trusting)，保护学生的独立判断力。

理论支撑：Balzan等人的"自主预算"概念；Kant的"敢于运用你自己的理性"；Favero等人的"人类中心"AI教育观。

4.3 与认知外包边界的整合

我的"认知外包三区光谱"[谋士团圆桌：认知外包的边界——当"你"被一点点抽空（6综合推演认知主权的地图与罗盘）]——安全外包→灰色地带→主权禁区——为AI个性化学习的边界划定提供了直接可用的操作框架：

• • 安全外包区（AI应充分支持） ：事实性知识的检索和记忆（公式、年代、词汇）；程序性技能的反复练习（打字、计算熟练度）；学习数据的记录和可视化（学习时间分布、知识点覆盖率）。
• • 灰色地带（需审慎设计的交互方式） ：知识点的理解和应用（AI可以提供多角度解释，但不能替代学生的建构过程）；问题解决策略的选择（AI可以展示不同策略的利弊，但不能替学生做选择）；学习路径的规划（AI可以提供建议地图，但学生必须自己选择路线）。
• • 主权禁区（AI必须退出的领域） ：从零开始的原创性思考（如"你对公平的理解是什么"）；价值判断和审美判断（如"这首诗好在哪里"）；对自我学习状态的元认知判断（如"我到底理解了没有"）；学习中"开窍"的时刻——这个时刻只能在个体内部的困惑-追问-领悟链条中发生。

苏格拉底的边界在这里再次回响："任何直接给你答案，而不让你经历'不知道-追问-领悟'这个过程的东西，都要高度警惕"。

4.4 与直接经验保护的整合

"直接经验保护"理论指出：儿童的亲历式学习是叙事能力、审美判断、因果推理等高阶能力的土壤。「学的生态学」框架将这一理论操作化为一条明确的设计红线：

凡涉及具身认知的学习领域——感官体验、身体运动、手工操作、自然观察、社会互动——AI不得替代，只能辅助。

这意味着：

• • AI可以用AR展示植物细胞结构，但不能替代学生亲手种植、观察和记录一株植物生长的完整经验
• • AI可以生成关于"公平"的阅读材料，但不能替代学生在操场上经历一次不公平对待后的反思
• • AI可以模拟历史场景的视听效果，但不能替代学生站在博物馆里、面对真实文物时的那种"与时间的相遇"感

Kuhl的实验已经证明：完全相同的信息，通过屏幕传递与通过真人传递，对大脑的影响完全不同 。AI教育产品需要回答的不是"我能传递什么信息"，而是"在哪些领域，我的存在本身就是对学习的一种伤害"。

4.5 与人味价值重估的整合

"人味价值重估"框架提出的三区图谱[AI时代"人味"的价值重估，及其给教师的启示]——贬值区→稳定区→升值区——为理解AI时代学习的价值重构提供了坐标系：

在AI时代，学习的价值正在发生根本性重组：

贬值区：事实性知识的记忆、标准化技能的熟练度、可编码的解题流程——这些正是当前AI自适应学习系统主攻的领域。讽刺的是，行业把最多的资源投入到了正在贬值的能力上。

稳定区：批判性思维、跨领域整合能力、元认知——这些能力不因AI的出现而贬值，但也不因此升值。它们是"做人的基本功"。

升值区：从零提出新问题的能力（非解答已有问题）、在模糊中保持判断力的能力、与真实的人建立深层连接的能力、在身体经验中发展出的审美直觉——这些恰恰是当前AI教育产品最忽视的领域，也是"学的生态学"框架最重视的领域。

五、框架的实践推演：四个转向

5.1 从"精准推送"到"精准留白"

当前AI教育的核心操作是"精准推送"——根据诊断结果推送最匹配的内容。但真正支持学习主体性的设计，应当是 "精准留白" ——在恰当的时刻，刻意不提供信息，让学生在自己的困惑中停留足够长的时间。

这不是技术倒退，而是对学习本质的回归。Bjork的研究已经证明：遗忘（提取强度的降低）反而能增强学习（存储强度的增加）。一个懂得"留白"的AI系统，比一个急于"推送"的系统，更能促进真正的学习。

5.2 从"学情诊断"到"学情对话"

"学情诊断"是单向的——系统观察学生行为数据，做出判断，然后执行。"学情对话"是双向的——系统提出问题，学生回应，系统再追问，在对话中共同建构对学习状态的理解。

这意味着AI系统应当能够说："我注意到你在这类题目上犹豫时间比较长。你觉得是什么让你不确定？"——然后等待学生自己的反思性回答，而不是直接给出诊断报告。学习的主体性不仅体现在"做"上，更体现在"对自己的做的反思"上。

5.3 从"自适应难度"到"自适应沉默"

"自适应难度"是AI教育的标配——根据学生的表现动态调整题目难度。但同样重要（甚至更重要）的是"自适应沉默"——系统知道什么时候该不说话，什么时候该等待，什么时候该让学生与自己独处。

Postman在《技术垄断》中警告，技术正在将教育降格为"一个没有承诺、没有立场、但有很多可售卖技能的人"的生产线。对抗这一趋势的方式之一，就是在AI教育产品中保留"无技术的时刻"——那些没有任何算法介入、没有任何数据记录、只有学生与问题面对面的时刻。

5.4 从"教的技术化"到"学的生态化"

以上四个转向，最终指向一个根本性的范式转换：从关注"如何教得更好"转向关注"学习本身需要什么" 。

UNESCO 2025年的宣言为此提供了最简洁的表述："我们必须将心态从'人类监督的系统'转变为'人类定义的 pedagogies'。AI只有在被邀请进入学习过程时——偶尔有用、始终次要、绝非中立——才应出现" 。

结论：回到学习，回到人

本报告的核心判断是：AI支持个性化学习的真正挑战，不是技术问题，而是学习观的问题。

当前行业的主流路径——以"学情诊断+精准推送"为核心——本质上是将个性化学习简化为"内容分发的精准度"问题。它继承了行为主义六十年前的遗产，在技术上越来越精密，在学习观上却从未被真正追问。

学习不是信息处理。学习是个体与世界相遇的意义建构过程——它需要身体参与、需要社会互动、需要必要困难、需要困惑和挣扎、需要"不知道"的勇气和"追问"的耐心。这些不是学习的"低效"特征，而是学习的本质特征。

AI能做的最有价值的事情，不是成为"更精准的教的工具"，而是成为 "更懂学的生态的守护者" ——保护学的摩擦，扩展学的可能，回归学的主体。

这一转向的哲学根基，可以追溯到Kant 1784年的启蒙宣言："Sapere aude! 敢于运用你自己的理性！" 两百四十年后，这句话在AI教育语境中获得了全新的紧迫性：在一个算法可以提供一切答案的时代，敢于自己困惑、自己追问、自己领悟——这或许才是学习最深层的意义。