ARTICLE · 979600
越聪明的AI,越让孩子在学习中挣扎
写在前面：
研究发现，AI辅导带来的帮助，与它介入学习的时机和方式密切相关。
给答案、给提示、调整练习难度，产生的学习效果并不相同。
教育视角
全文共1565字，预计阅读时间5分钟
📖
AI让学生做得更快，也可能学得更少
2025年，沃顿商学院教授哈姆萨·巴斯塔尼（Hamsa Bastani）开展了一项关于生成式AI与数学学习的对照实验。
研究人员与高中合作，让接近1000名学生在学习中使用两种不同的人工智能。一种是GPT Base，能力接近普通ChatGPT，学生可以直接询问答案；另一种是GPT Tutor，它会通过提示引导学生解决问题，并加入了教师提供的正确解法、常见错误和反馈方式。
学生们共计参加了四次、每次90分钟的数学复习课程，包括教师讲解、学生练习和独立考试。
在练习阶段，学生被随机分为三组：只能使用教材和课堂笔记的控制组、GPT Base组和GPT Tutor组。考试期间所有学生都需要关闭电脑，不使用任何外部资源，且题目与此前的练习高度相似。
结果显示，两组AI工具都提高了学生在练习阶段的表现。与控制组相比，GPT Base组的练习成绩提高了48%，GPT Tutor组则提高了127%。
但在随后的独立考试中，结果出现了差异。GPT Base组的考试成绩比控制组低17%，GPT Tutor组则没有出现显著下降，与控制组没有显著差异。
研究人员分析学生与AI的互动记录，发现GPT Base组经常直接复制AI的解决方案；GPT Tutor组则更多地寻求提示、检查答案，或者继续自己尝试。
学者同时测试了GPT Base模型对57道数学题的回答。结果显示，GPT Base只有51%的概率完全正确，42%的回答存在逻辑错误。实验分析认为，AI错误确实会影响学生，但学生直接获取答案、减少自主解决问题的过程，是GPT Base组后续表现下降的主要原因。
令人意外的是，学生没有感知到这种影响。GPT Base组学生尽管考试成绩下降，却没有认为自己学得更少或考得更差；GPT Tutor组学生认为自己的学习和考试表现有所提高，但实际成绩并未显著高于控制组。
这也是人工智能教育一个隐性的弊端，短期的教育表现无法衡量长期的学习水平。
AI应该在什么时候介入学习？
这背后有一个教育研究中讨论多年的概念，有益的挣扎（productive struggle）。当学生面对暂时超出自己能力的问题时，可以先自主尝试、探索和犯错，再接受系统性的知识讲解。
在初期，学生可能无法得到积极的反馈，甚至会犯很多错误，但这些尝试让他们提前接触了问题中的核心知识。之后再学习正式解法时，他们更容易理解不同方法的联系，并迁移到新的问题中。
这也是为什么一些教育研究者开始关注AI应该在什么时候介入学生的学习，以及介入到什么程度。好的提示可能让学生继续完成下一步，而一个完整的答案则可能直接结束这个过程。
今年巴斯塔尼团队进一步研究了这个问题。他们在台北10所高中、1047名学生中开展了为期5个月的编程课程实验。
实验中所有学生使用同一个AI Tutor，但练习方式有所不同。对照组按照固定的由易到难顺序完成练习；实验组则额外使用强化学习算法，根据学生代码提交、解题尝试和互动情况，动态调整下一道题的难度。
一个关键细节是，这个AI Tutor本身设置了教学限制。它无法直接为学生提供答案，只能通过提示帮助学生继续解决问题。
结果显示，个性化练习组学生在最终的独立考试中，成绩比标准练习组高出0.15个标准差。研究团队估算，这一差异相当于额外6到9个月的学习时间，不过学者明确指出，这种时间换算无法精准衡量。
如何陷入有益的挣扎？
我们如何能让孩子陷入这种挣扎，并把效果最大化呢？
对于普通家庭来说，可以把注意力放在一个问题上：AI辅助之后，孩子如何独立完成学习过程？
如果孩子刚看到题目就询问AI，直接获得解法，原本需要自己完成的思考、尝试和纠错时间就会被压缩。而孩子已经进行过尝试，再让AI指出错误、提供提示，或者帮助比较不同解法，AI才更接近一个辅助学习的私人家教。
遇到暂时无解的问题，可以先让孩子写下自己的思路，即使只完成一两步。卡住之后，再问AI：“这一步哪里出了问题？”或者“给我一个提示，但不要告诉我答案。”拿到提示后，再让孩子自己完成后面的推导。
科技可以让学习变得更高效，但成长仍然需要经历思考、卡顿、犯错和自己找到答案的过程。我们需要给孩子留下经历困难的空间，也要让每一次困难都真正产生学习的价值。
参考文献：
Bastani, H., Bastani, O., Alp Sungu, Ge, H., Özge Kabakcı, & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26).
https://doi.org/10.1073/pnas.2422633122
Chung, A. T.-H., Zhang, B., Kung, L.-C., Bastani, H., & Bastani, O. (2026). Effective personalized AI tutors via LLM-Guided reinforcement learning. The Wharton School Research Paper.
https://doi.org/10.2139/ssrn.6423358
Koedinger, K. R., & Corbett, A. (2005). Cognitive tutors. Cambridge University Press eBooks, 61–78. https://doi.org/10.1017/cbo9780511816833.006
Needleman, E. (2026, February 24). When does AI assistance undermine learning? Knowledge at Wharton. https://knowledge.wharton.upenn.edu/article/when-does-ai-assistance-undermine-learning/
