认知镜像：人工智能驱动的元认知与自我调节学习框架

认知镜像：人工智能驱动的元认知与自我调节学习框架

The cognitive mirror: a framework for AI-powered metacognition and self-regulated learning

https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1697554/full

引言：生成式人工智能在教育中的主导范式将其定位为一个全知的神谕，这种模式存在通过促进认知卸载而阻碍真正学习的风险。

目标：本研究提出从“AI 作为神谕”模型向“认知镜像”范式的根本性转变，该范式将 AI 重新构想为一个可教的初学者，其被设计用于反映学习者解释的质量。其核心创新在于将 AI 安全护栏重新用作教学机制，以刻意塑造 AI 的无知，创造出一种“教学上有用的缺陷”。这一概念性转变使得“通过教学来学习”原则的详细实现成为可能。

方法：在该范式中，引入了一个由教学质量指数驱动的框架。该指标评估学习者的解释，并激活一个教学指导水平，以调节 AI 的响应，从假装困惑到提出澄清性问题。

结果：基于学习科学原则，如保护效应和反思性实践，该方法将 AI 定位为一个元认知伙伴。在我们所描述的情境中，它可能支持从知识传递向知识建构的转变，以及从答案正确性向解释质量的重新定向。

结论：通过重新聚焦人类主体性，“认知镜像”将学习者的思维过程外化，使其误解成为可修正的对象。本研究讨论了其对评估的影响，解决了包括算法偏见在内的关键风险，并为共生的人机共存提出了一个研究议程，以促进处于深度学习核心的努力性工作。

关键词：可教学智能体，反思性实践，角色反转，教学指导水平，教学脚手架，知识范围控制，保护效应，生成式人工智能

1 引言

强大的大型语言模型（LLMs）正在变革教育技术。这不仅限于个别教育机构和教师（Almuhanna, 2024; Zhai, 2022; Chen et al., 2020）。第二语言习得（SLA）迅速采用了这项技术，证明了其对于语言任务的适用性（Tsai et al., 2025; Fathi et al., 2025; Zhang and Huang, 2024; Chiu et al., 2024; Wei, 2023）。截至2025年，OpenAI和Google提供的聊天工具都推出了“教育模式”（OpenAI, 2025; Google, 2025）。为支持高效学习，一些工具提供了基于苏格拉底方法的学习体验，即在对话中使用苏格拉底式学习；由此，LLM已被证明在语言学习以及法律、医学和数学等多个领域中行之有效（Xie et al., 2025; Adewumi et al., 2025; Favero et al., 2024; Yong et al., 2024）。

然而，这种主导模型呈现出一个根本性的教学问题。它将人工智能（AI）视为一个无所不知的神谕。这种全知性——AI力量的来源——反而讽刺地成为真正学习的障碍。我们将此问题称为“知识范围错配”。当AI试图成为一个有帮助的对话者，并做出超出学习者课程范围的回应时，就会发生这种情况。这种知识范围的错配在AI驱动的语言学习中尤为突出（Li, 2024; Schmidt and Strasser, 2022）。它可能使学习者不堪重负、感到困惑，并扰乱对特定技能的集中习得。

此外，“AI作为神谕”的设计助长了认知卸载。当一个完美答案随时可得时，学习者将精力从内部计算重新分配到工具使用上（Dror and Harnad, 2008）。虽然更广泛的AI部署扩大了获取渠道并提高了效率，但它同时诱发了认知依赖，抑制了主动回忆和问题解决（Jose et al., 2025; Gerlich, 2025）。因此，学习者不太可能参与那些费力但至关重要的过程，如检索练习、知识重构和错误分析（Lee et al., 2025; Fan et al., 2024）。在机制层面，神经和行为证据表明“认知债务”在累积（Kosmyna et al., 2025）。然而，当前的整合方式优先考虑效率而非学习者的认知能动性，将快速接受答案而非验证、意义建构和生产性挣扎视为常态（Chen, 2025; Jose et al., 2025）。在这种神谕式的管道中，学习退化为一种被动的、从AI到人类的单向信息流；这种结构在一些传统的AI辅导系统中得以实例化。

相比之下，教育研究长期以来一直倡导“通过教学来学习”（Martin and Oebel, 2007）。这一现象被称为“保护效应”。解释一个概念的行为迫使教师组织自己的思维。早期研究表明，担任辅导角色的学生能更深入地理解所学科目（Allen, 1967）。此外，尽管涉及幼儿，但明显的是，鼓励解释能促进迁移，而孩子是否被倾听是一个重要因素（Rittle-Johnson et al., 2008）。它能带来更持久和更深刻的理解（Fiorella and Mayer, 2013, 2014）。研究表明，即使被辅导者是一个计算机智能体或虚拟化身，这些益处依然存在（Chase et al., 2009; Okita and Schwartz, 2013a; Okita et al., 2013b）。此外，若干研究提出了通过交互式智能体强调以教促学的方法（Love et al., 2022; Chhibber and Law, 2019）。然而，对于智能体而言，动态回应不同学科一直具有挑战性。

当前，强大的生成式AI和经过验证的“通过教学来学习”教学法并存。已有研究报告了将LLM定位为“可教学生”的提示设置的有效性（Chen et al., 2025）。此外，在先前的“培育AI”原型中，作者们通过一种受控遗忘设计提出了这一路径。因此，AI智能体的能力体现在提示和数据库中（Tomisu et al., 2025）。然而，仅使用提示进行控制无法摆脱“AI作为神谕”的范式。这是因为内存和令牌限制（Maharana et al., 2024）或通过提示进行越狱（Anthropic, 2024）等技术问题可能导致系统偏离预期设计（Choi et al., 2024）。

这揭示了一个显著的空白。AI智能体被构建来提供知识，然而并非作为学习者知识建构的容器。本研究认为，人们不应不懈地追求一个更好的AI教师。相反，应侧重于设计一个更好的AI学生。因此，它引入了“认知镜像范式”——一种颠覆传统人机关系的新方法。其核心创新是一个转向护栏机制，该机制有意限制AI的知识。它有意限制AI可访问的知识，将其定位为一个“可教”的实体。它成为一面用于自我反思的清晰镜子。本研究概述了概念框架，并描述了一个初步原型实现。此外，它呈现了来自初期课堂部署的见解，并主张未来的教育AI将由人们深思熟虑地控制它的能力来定义。本文所用术语在补充材料1.1中有详细定义。

2 从神谕到镜像：AI作为教学质量检查者

认知镜像是一个AI使用框架，旨在反映学习者当前的知识状态。它将AI的角色从内容提供者转变为评估教学质量的工具。图1展示了该管道的概览，其中整合了会话循环、由教学质量指数（TQI）调节的教学指导水平（M0–M3）、范围护栏和长期画像。

2.1 核心交互循环

与认知镜像的交互遵循一个四步循环，由轻量级的TQI驱动，该TQI衡量解释质量并充当AI的教学指导水平：

•呈现：学习者充当教师，向AI（充当学习者）解释一个概念。

•查询：系统仅基于学习者在当前会话中提供的信息，引发AI的回应。AI被有意与其预存知识库隔离。

•反思：AI回应的质量直接作为学习者解释质量的指标。如果AI的回应是困惑的或不准确的，它就原始教学中的缺陷提供诊断性反馈。

•完善：学习者观察这种反思，识别其解释中的差距，修正其方法，并再次尝试教授该概念。

TQI评估学习者解释的质量，并动态调整AI的回应模式，以提供有针对性的支架。这种指导控制表现为四种不同的模式：

•M0（困惑的重述）：一种故意低能力地镜像学习者解释的方式，旨在使歧义显现并引发重新解释。

•M1（澄清性探询）：有针对性的问题，推动学习者使定义更精确并提供更清晰的示例。

• M2（苏格拉底式缺口）：提示，指出缺失的逻辑环节或未言明的假设，邀请学习者自我纠正。

• M3（准确重构）：对解释进行简洁、正确的转述，以便在达到高TQI时巩固理解。

因此，通过设计，AI的错误变得具有诊断性。它们创造了一个私密的、低风险的画布，学习者的误解在其上显现并可被修复。学习者仍然掌握推理工作流程的主导权，而AI仅进行反映并施加压力，促使解释变得更清晰、更精确、更完整。关于TQI的简要操作化说明，见补充材料1.2和1.3。

2.2 理论基础：镜像为何有效

认知镜像范式不仅仅是一项技术上的创新；它深深植根于学习和认知科学中已有成熟理论。本节回顾三个理论支柱——保护效应、反思性实践和元认知——以论证该模型在教学法上的合理性。

2.2.1 保护效应再探：教学的力量

保护效应，或称通过教学来学习，是一项强大的原则，其益处已得到证实。当被辅导者并非全知全能，并且明显表现出挣扎、提出问题、在指导下取得进步时，该效应最为显著。因此，在本研究的范式中，AI是一个具有适应性的学生，而非被动的知识库，由此TQI将其回应模式从M0调节至M3。这些模式使学习者保持对推理工作流程的掌控，同时AI的行为镜像并挑战所给出的解释。

2.2.2 舍恩的反思性实践：对话作为学习模型

舍恩的反思性实践模型为本研究系统内的对话循环提供了一个极好的理论框架（Schön, 1983, 1987）。舍恩识别了两个关键过程——“行动中反思”和“行动后反思”。学习者和认知镜像之间的实时对话是行动中反思的直接应用。当AI假装困惑（M0）或提出澄清性问题（M1）时，学习者必须“即时思考”，重新评估他们的解释并调整他们的教学策略。这种试错与修正的即时循环对于增强实践性理解至关重要。相反，在会话结束后查看TQI仪表板则对应于行动后反思，学习者可以借此使用客观数据分析其教学表现并识别改进策略（Hsia et al., 2024; Farrell, 2022; Vysotskaya et al., 2020）。

2.2.3 促进元认知监控与控制

保护效应和反思性实践都与元认知交织在一起；即思考自身思维的能力。认知镜像被设计用于鼓励这些元认知过程（Corwin et al., 2023），而AI的定量反馈提高了元认知监控的准确性（Hardiangisih and Haryanto, 2025）。向外部智能体解释一个概念的行为要求学习者将其内部思维过程外化。这使得监控自身理解的过程变得明确和客观。AI的反馈，尤其是TQI提供的定量评估，作为关键的外部数据，用以提高这种元认知监控的准确性。学习者常常高估自己的理解水平。因此，客观的AI反馈有助于校准这种自我评估偏差。自适应模式（M0-M3）充当元认知控制的检查清单，促使学习者根据AI的反馈反复循环计划、监控和评估他们的教学策略。这得到了元认知干预分析的支持，该分析已证明元认知自我控制循环的有效性（Eberhart et al., 2025）。

2.3 通过理论视角对全知AI的批判

整合这些框架阐明了为什么传统的“AI作为导师/教师”设置不足以促进深度学习。

• 削弱的保护效应：当系统将AI定位为全知神谕时，它削弱了教学责任感，从而弱化了保护效应。此外，一个直接提供答案的LLM消除了关键的理想困难。

• 被抑制的反思性实践：如果AI常规性地提供正确的解决路径，学习者就失去了尝试→观察→调整的动力，而这正是行动中反思的核心。即使“苏格拉底式”的交流，如果AI隐含地“知道答案”，也可能保留神谕式动态。

• 受抑制的元认知监控：在学习者阐述他们的解释之前提供解决方案，阻碍了自我评估和自我纠正，降低了校准能力。

因此，认知镜像重新配置了交互，使AI成为教育伙伴而非传递渠道——它引发责任感，为即时适应创造空间，并促进带有客观反馈的生成-然后-判断循环。[表1]展示了教育中AI范式框架的比较。

2.4 将护栏重新用作教学指导控制

本研究不依赖于传统的基于角色的提示，而是将生成式AI中仅被视为“安全护栏”的东西（Lexman et al., 2025）重新用作一种教学机制，以刻意培养生产性无知。它将系统重新定位为一个忠实地反映人类教学质量的检查者，为AI教育共存开辟了新途径。护栏可以被重新构想为塑造AI无知的教学机制：

• 教育者定义的课程范围：教师上传要镜像的确切课程切片，这成为AI在会话期间的知识宇宙。将AI回应与教育者定义课程对齐的方法已被提出，作为教育AI工具中有效护栏的一部分（Clark et al., 2025）。

• 角色驱动的检索增强生成：提示仅注入范围内的材料，并强制执行一个学生角色：“如果你被问到没有教过你的东西，就说你不知道。”

• 知识完整性检查：扫描回应中是否存在范围外的概念；若发现泄漏，则在更严格的约束下触发重新生成。

它们共同防止模型预训练知识“帮忙”。通过将这种方法扩展为动态和自适应的风格，系统可以提供更大的教育价值，允许根据不断变化的教学目标和学习者需求实时调节AI的可访问知识范围。使用这些护栏设置的AI不能超越人类；它只能反映并挑战所收到的解释。因此，这是用于支架的护栏，而不仅仅是用于安全的护栏。

3 举起镜像：一项说明性的课堂演示

此活动作为可行性的轶事证据而非受控评估；因此，我们将其视为说明性的。认知镜像范式由作者开发为一个工作原型。为了说明其在现实世界中的可行性和教学潜力，于2025年7月17日在立命馆守山中学高等学校进行了一堂公开示范课。这是一项作为常规教学一部分开展的课堂活动，而非正式研究。对话示例见补充材料1.2。

该课堂涉及36名高级课程的三年级学生。学习目标是英语关系副词（where、when和why）的使用。在本节课中，AI被配置为无法事先访问这一语法点，并设定了一个简单的课堂规则：学生不得使用外部AI工具，必须依赖自己的理解。在简短的全班活动之后，学生们两人一组使用认知镜像应用程序“教”AI。由于他们的解释不完整，最初的尝试产生了扭曲的镜像反馈；AI在测验项目上失败了。这种即时的、模型中介的反馈促使学生们完善他们的解释、分析错误、协商措辞、添加反例并澄清例外情况。

课堂期间的观察表明，从寻求答案向构建解释的转变。课堂期间非正式的学生反思表明，几名学生在试图产生“清晰镜像”时，意识到了自己理解中的模糊之处。本研究中未报告任何可识别个人身份的学生数据，所有示例均经过去标识化处理且仅为说明性用途。

4 讨论

认知镜像范式旨在重新定义生成式AI在教育中的角色，将其目的从全知导师转变为一个反映学习者解释质量的元认知伙伴。通过重新聚焦人类主体性，学习者承担解释者的角色，而教育者成为课程架构师。这一范式为共生共存提供了一条路径，以保护处于真正学习核心的努力性、反思性工作。

4.1 教育与教学启示

这一范式对教学法和评估具有重要启示。它将教育者的角色从“知识传递者”重新定义为“学习促进者”。随着AI承担起对学生解释技能的精细指导，教师角色发生重新分配：责任发生转移，使得教育者专注于明显属于人类的工作——培养动机、激发求知欲，以及引导深度的对话式学习。同样的机制指向可扩展的、真实的评估。通过评估用学习者自己的语言进行解释的行为，TQI可以在群体规模上支持高质量的、形成性反馈，并可能减少对代理性题目的依赖。由于它关注重构过程而非最终答案，它可能更好地容纳多样化的认知方式，并可能有助于推动评估朝着更公平的方向发展，前提是它保持低 stakes（低风险）且旨在教学。

4.2 挑战与伦理考量

尽管具有潜力，认知镜像的实施必须以审慎考虑其固有挑战为前提。一个核心的技术风险在于调节指导水平使其感觉自然，同时不泄露AI的预存知识。此外，存在作弊的教学风险，即学习者专注于最大化其TQI分数而非获得真正理解，这需要精心设计以奖励语义深度。我们的课堂说明缺乏随机化、对照组和系统性测量；因此，它不支持因果性主张。我们为未来工作概述了一个评估计划，包括：(i) 受控课堂研究，包含解释质量和学习成果的前测/后测测量；(ii) 将TQI与专家评分进行校准并评估评分者间信度；(iii) 跨主题和话语风格的偏见与稳健性检查。最复杂的伦理挑战是确保算法公平性。如果TQI被训练为识别一种“标准”解释风格，AI模型会放大其训练数据中的偏见。它存在不公平地惩罚来自偏好不同修辞风格（如叙事性或整体性方法）背景的学习者的风险。因此，该范式被设计为通过保留信息来促进自主性，以引发学习者的认知努力，并使支架变得不必要。

4.3 对新研究议程的呼吁

本研究中提出的概念是一个新研究领域的起点。它提出了一个研究路线图，以探索和发展认知镜像范式：

1. 验证与完善：跨任务、领域、语言和模型版本严格测试TQI和调节行为，并通过对照研究将学习收益与反馈-答案基线进行比较。

2. 纵向与自适应模型：开发一个“遗忘镜像”，使用时序衰减的画像在最佳间隔提示重新教学，以支持持久巩固和掌握追踪。

3. 伦理个性化与公平性：构建文化意识评估和反馈风格的框架而不带有刻板印象，并将数据集多样化与持续的偏见诊断和用户可控的角色设定相结合。

总之，认知镜像是一个探究平台；也就是说，是一种将模型力量从提供答案转向以解释为中心的学习的方式。本研究邀请AI、学习科学和伦理学领域的共同体来审视和挑战这些发现。这标志着一段知识旅程的开始，旨在将AI培养为增强学习能力的伙伴。

https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1697554/full