国际视窗 | 人工智能是让我们变得更聪明还是仅仅让我们显得聪明？-世行博客

这里有一个令人不舒服的事实：学生做课堂作业每次都成绩优异，却几乎什么也没学到。相反，他们可能做作业很吃力，却学到了很多东西。这个由加州大学洛杉矶分校研究人员罗伯特·比约克（Robert Bjork）和尼古拉斯·索德斯特罗姆（Nicholas Soderstrom）记录下的悖论揭示了关于学习的一个关键问题——而当我们谈论人工智能时，这个问题尤为重要。

他们的洞见看似简单却很深刻。表面上看起来好（表现）与真正改变大脑里长期储存的东西（学习）是不同的。当学生用 ChatGPT 写出一篇完美无瑕的论文时，他们的表现看起来很出色。但他们真正学到东西了吗？答案往往是否定的。

大脑实际是如何学习的

芭芭拉·奥克利（Barbara Oakley）的研究影响了亿万人，她将真正的学习过程描述为从有意识的、费力的思考转向自动化的专业知识技能。每当你初次学习新知识时，你用的是科学家所说的“陈述性记忆”（declarative memory）：每一步都需要集中全部注意力。经过反复练习，这些大脑神经通路转变为自动化执行，转向“程序性记忆”（procedural memory）。例如，当你第一次学开车时，每一个动作都需要全神贯注。而现在，你可以一边开车一边交谈。

奥克利及其同事应用这种神经科学来理解人工智能的影响。当人工智能代替我们思考时，这一关键性的大脑转变就永远不会发生。创建真正专业知识技能的大脑神经通路根本无法形成。

理解的错觉

我们举一个例子。想象一下，你在周一教了一个概念，并在当天对学生进行测试。他们的平均分数是90分。但如果一周后对同一班学生在不复习的情况下再次进行测试，平均分数下降到60分。这些知识从未进入长期记忆。学生周一的测试成绩很好，但他们并没有真正学到东西。

一周的间隔迫使大脑去检索信息，而这种努力回忆的心理过程正是学习形成的过程。这就是认知科学家所说的“有效挣扎”（“productive struggle”）或“合意困难”（“desirable difficulty”）。研究表明，人工智能也能造成类似的错觉：学生可能利用人工智能立即提高成绩，但这些短期的成绩提升往往无法转化为更好的长期记忆。

当你把思考交给人工智能——不仅是计算，而是弄懂某个问题的脑力劳动——你的大脑就无法建立产生真正理解的连接。正如罗伯特·邦迪思修（Robert Pondiscio）所说，“依赖人工智能写论文的学生可能交出优秀的作业，但他们并未完成优秀的思考。”

相同的技术，截然不同的结果

相同的人工智能技术可以加速学习，也可以摧毁它。区别不在于技术本身，而在于它的设计和使用方式。

当人工智能设计不佳时：2024年在土耳其开展了一项研究，让高中生在没有教学指导的情况下不受限制地使用人工智能工具。他们的成绩比没有使用人工智能的学生下降了17%。另一项研究发现，使用ChatGPT的学生虽然交出的作业看起来更好，但显著减少了推动学习过程的规划和自我评估。

当人工智能设计良好而且教师做好充分准备时：哈佛大学的一项研究发现，使用设计良好的人工智能教辅的学生学到的知识是普通学生的两倍多，而且用时更短。人工智能教辅系统促进积极思考，并通过支架式教学提供支持。斯坦福大学的研究人员也得出了类似的结果——人工智能增强教师的专业能力，而不是取代教师的判断力。尼日利亚的研究显示，学生在六周内取得了通常需要一年半到两年时间才能取得的成就。关键细节在于，取得这些结果需要经过培训的教师对每一节课进行指导，提出问题，并要求学生进行深入思考。

前进之路

人工智能本身对学习既非好事也非坏事。决定结果的是人工智能工具的设计和教育者如何引导其使用。关键是保持推动学习过程的脑力活动，无论是通过任务设计还是战略性地利用现有平台，都要确保人工智能促进思考，而不是取代思考。

当人工智能代替你思考时，你甚至不知道自己不知道什么。学习科学专家卡尔·亨德里克（Carl Hendrick）的研究显示，学习需要有对错误的反馈。但如果人工智能替你解答了问题，你就失去了从错误中学习的机会。你从未挣扎过，因此也没有纠错的必要。用认知心理学家丹尼尔·威林厄姆（Daniel Willingham）的话来说，记忆是“思考的残留物”。如果人工智能消除了思考的必要，它也就消除了记忆的机会。这就是为什么设计良好的人工智能和经过培训的教师至关重要。二者相结合可以确保学生进行认知活动。

但仅培训教师是不够的。决策者们——从学校校长到教育部官员——都必须理解成绩和学习效果之间的区别。这需要有新的评估方法来评估在使用和不使用人工智能情况下的学习效果。在进行人工智能投资时，领导者需要问一问：学生以后能够独立思考吗？他们能够将人工智能应用到新的环境吗？

真正的投资是通过以下方式在教育系统进行全面的能力建设：

• 培训教师提升技术能力和教学知识，以期在学习过程中保持认知努力；

• 培养学校领导和教育部门官员学会分辨优异的成绩与实际学习效果之间的差异；

• 确保政策制定者理解有效实施人工智能的必要条件——充足的培训时间、持续的支持和适当的资源；

• 创建实践社区以便教育工作者建立集体专业知识技能。

在发展中国家，这些挑战更为严峻。教育工作者和政策制定者对学习科学的认知仍然有限，使得基础性技能较差的学生处于最脆弱的状况。他们缺乏识别人工智能错误的先验知识，而他们恰恰又是最需要通过“有效挣扎”来建立专业知识技能的群体。但来自尼日利亚、哈佛大学和斯坦福大学的证据指明了一条前进之路：人工智能在增强人类专业能力时能发挥作用，但不能代替人类判断。我们必须把关键投资放在培养教育工作者理解真正的学习是需要认知努力的。通过适当的准备，人工智能可以支持 “有效挣扎”以建立持久的专业知识技能，使学生不仅能做出聪明的答卷，还能成为更聪明的思考者。

本博客的灵感来源于智利2025年researchED会议上的精彩演讲，芭芭拉·奥克利（Barbara Oakley）、汤姆·班尼特（Tom Bennett）、尼迪·萨克德瓦（Nidhi Sachdeva）、格雷格·阿什曼（Greg Ashman）、罗德里戈·洛佩兹（Rodrigo López）以及其他教育领域的领军人物在会上探讨了循证实践如何指导我们应对教育领域的新兴技术。

THE END

转载声明：本微信公众号刊登的文章仅代表作者本人观点，不代表中国普惠金融研究院及本微信公众号观点