为何有些学生能受益于AI，有些越用越差？
为何有些学生能受益于AI，有些越用越差？
2026年9月，经济合作与发展组织（OECD）公布了最新一轮国际学生评估项目（PISA 2025）的结果。其中，一组与人工智能使用有关的数据尤其值得关注：“那些使用AI概括文本、起草文章或开展研究的学生，科学成绩平均比不使用AI的学生低约20分，相当于接近一年的学业进度。”报告还指出，将AI用于一般性用途的学生，其成绩与不使用AI的学生并没有明显差异；那些经常使用AI，同时又在学校接受过AI生成信息质量评估训练的学生，成绩反而略高一些。
此外，国外部分高校教授也观察到，随着学生在日常学习过程中使用AI的频率增加，在期末考核时的表现却更差。
这些数据不能直接证明AI导致了学业成绩下降，但它们提出了一个值得思考的问题。同样是使用人工智能，为什么有些学生能够从中受益，有些学生却可能在看似高效的学习中失去原本应该获得的能力？当AI已经能够帮助学生完成阅读、写作、编程乃至复杂的问题求解时，我们又该如何判断，一个学生是真的学会了，还是仅仅借助工具完成了学习任务？
AI接替了学习工具和思考过程
今年6月，美国加州大学伯克利分校学生报纸《每日加州人报》披露，2026年春季学期，计算机入门课程CS10的不及格率达到35.3%，工程学院的优化模型课程EECS127和经典程序设计入门课程CS61A的不及格率分别为16.8%和10.6%。而在2024年和2025年春季学期，这三门课程的不及格率均低于10%。任课教授丹·加西亚（Dan Garcia）认为，一个重要原因是学生过度依赖大语言模型完成平时作业，以至于真正进入考场时，才发现自己并没有掌握相应的知识和能力。平时借助AI完成的作业可能十分漂亮，但在无法使用AI的考试中，此前被工具掩盖的能力不足便暴露出来。他还提到，CS10课程中有近30名学生在居家完成考试时被发现作弊。
另一个变化同样引人深思。过去每逢考试前，加西亚的答疑时间总是挤满学生，但这个学期，他第一次遇到没有任何学生前来咨询的情况。学生并非没有问题，而是越来越习惯于直接向AI求助。另一位教授吉里贾·拉纳德（Gireeja Ranade）也发现，学生在线性代数、向量微积分和数学证明等方面的基础明显薄弱，有学生告诉她，此前修读的课程允许在作业和考试中使用AI。
伯克利高等教育研究中心一项覆盖约9.5万名本科生的调查还发现，生成式AI使用越频繁的学生，自我报告曾经作弊的比例也越高。这些现象很容易被归结为学术诚信问题，但从教育心理学的角度看，背后可能还隐藏着一种更普遍、也更难以察觉的变化。当学习任务被工具接管，一些原本需要学生亲自经历的思考过程，也可能被一并省略。
要理解这种变化，需要先认识心理学中的一个重要概念，元认知（Metacognition）。简言之，认知是我们运用知识和思维解决问题的过程，而元认知则是对自身认知活动进行觉察、监控和调节的能力。比如，学生解一道数学题，需要运用公式、概念和推理能力，这是认知活动；但他还需要判断自己是否真正理解题意，当前的方法是否有效，错误可能出在哪里，以及下一次应该如何调整，这些就是元认知活动。心理学通常把它称为“对思考的思考”。
元认知是自主学习的重要基础。学生依靠它设定学习目标、监控理解程度、发现知识漏洞，并不断调整学习策略。教育心理学研究显示，元认知能力对学业成绩的预测力甚至超过智力测验分数。
过度依赖AI会产生“元认知惰性”
今年，香港大学研究团队在《华东师范大学教育评论（英文）》（ECNUReviewofEducation）发表研究，对一种值得警惕的现象进行了概念界定与测量验证，即“元认知惰性”（Metacognitive Laziness）。它指的是学习者在使用生成式人工智能的过程中，逐渐倾向于把目标设定、理解监控、错误判断和策略反思等需要付出认知努力的活动交给AI完成，从而减少自身主动参与这些调节过程的意愿和努力。
这里存在一个关键区别。学生使用AI查找资料、整理信息、润色文字，甚至生成初步方案，并不必然损害学习。真正需要关注的是，学生是否连学习过程中的判断权也交给了工具。过去遇到一道难题，学生需要判断自己掌握了哪些知识、还有哪些地方不理解，再尝试不同的解决方法。如今，学生可以直接要求AI分析问题、选择策略、生成答案，甚至评价答案是否正确。如果学生只是不断接受AI给出的判断，那么被省略的恰恰是元认知能力赖以发展的重要环节。
更值得警惕的是，这种变化未必表现为传统意义上的懒惰。学生仍然可能投入大量时间，按时完成作业，甚至获得不错的成绩。但完成任务与获得能力是两回事。一个学生可以熟练地向AI提问，却未必能够判断答案是否可靠；可以迅速得到完整的解题过程，却未必能够独立发现错误。相关研究还发现，过度外包思考和调节过程，可能伴随学习投入下降，表现为课堂上的形式化参与、无聊感和注意力不集中。学生不仅可能减少主动思考，还可能逐渐失去持续学习的动力。
元认知惰性尤其值得关注的，是它的隐蔽性。
传统的元认知测量往往默认，学习者是在亲自完成目标设定、理解监控和学习反思等活动。因此，当学生报告自己经常检查答案、评估学习进度时，测量工具未必能够区分，这些判断究竟是学生自主完成的，还是主要依靠AI提供的。新兴的AI素养测量也存在类似局限。熟悉AI、善于使用AI，并不意味着学生仍然保持着对自身思考过程的主动调节。
这还涉及一个更深层的心理问题，即我们如何知道自己真正学会了。学习者对自身能力的判断，通常是在不断尝试、遇到困难、发现错误和修正方法的过程中逐渐形成的。加西亚在谈到编程学习时，就特别强调了这样的过程。学生需要先想清楚要做什么，动手编写程序，运行之后发现错误，再分析原因、修改代码并重新尝试。这个过程既是在学习编程，也是在逐渐认识自己的能力边界。然而，当AI能够在几秒钟内生成一份完整的答案时，学生可能跳过了这些必要的试错与反思。他节省了时间，却也可能失去检验自身理解程度的机会。久而久之，便容易把“我看懂了AI的解释”误认为“我已经掌握了这个问题”，把“我能够借助AI完成任务”误认为“我具备独立完成任务的能力”。这种能力错觉甚至不需要学生有意欺骗自己，因为他可能已经习惯于接受答案，而不再主动检验自己的理解。
向AI求助前先求助自己
回过头看PISA 2025的数据，就更容易理解为什么不同的AI使用方式会伴随不同的学习表现。当AI主要替代学生的思考过程时，工具的便利性未必能够转化为学习能力；而当学生能够主动评估AI生成的信息、识别错误并比较不同解释时，技术才更有可能发挥积极作用。OECD秘书长马蒂亚斯·科尔曼在报告发布会上也强调，人工智能能够强化学习，但前提是技术得到有目的的使用，而不是取代学生的注意力、努力和真正的理解。
AI并非学习的敌人，要求学生完全不使用智能工具也并不现实。真正需要思考的是，当技术越来越擅长完成认知任务时，教育如何帮助学生保留那些不能轻易被外包的能力。
对于学生来说，一个简单的改变是，在向AI寻求帮助之前，先给自己一点独立思考的时间。哪怕只是花两分钟写下自己的判断和可能的解决思路，再利用AI检验想法、寻找漏洞，也是在主动训练元认知能力。
相比直接询问“这道题怎么做”，让AI回答“我的思路可能存在哪些问题”，往往更有助于学习。我们完全可以让AI成为善于追问的老师，而不是替自己完成思考的助手。
家长和教师也需要调整对学习效率的理解。学习中的停顿、困惑和反复尝试，很多时候并不是效率低下，而是学生正在建立知识联系、校准自身理解的过程。如果只追求更快的速度和更完美的结果，这些真正有助于能力发展的环节反而可能被忽略。
AI不能替代学习的困惑和纠错
学校面临的挑战则更加复杂。当AI已经能够完成大量传统作业时，原有的教学和评价方式也需要相应调整。
伯克利的一些课程已经开始尝试采用固定分数线、增加手写证明要求，并设置不使用AI的考试环节。这些调整的意义不仅是防止作弊，也在于帮助教师判断学生是否具备独立解决问题的能力。
与此同时，AI素养教育也应面向全体学生，让他们学会评估信息、保持判断，并在使用技术的过程中主动监控自己的学习。正如拉纳德所强调的，面对AI带来的变化，教育不应该降低学习要求，而应帮助学生建立更加扎实的知识和能力基础。
上文中提到的加西亚曾用一句很形象的话描述学习中的困难与努力：“困惑是学习的汗水。而现在很多学生，不肯出这身汗。”AI可以帮助学生更快地获得答案，减少许多重复和机械的劳动，但学习中那些需要亲自经历的困惑、判断、纠错和反思，仍然有其不可替代的意义。
技术越是能够替我们完成复杂的任务，我们越需要学会审视自己的理解和判断。只有当学生面对AI生成的漂亮答案，还愿意停下来问一问“它说得对吗，我真的懂了吗”，学习才不会随着答案的出现而提前结束。
（作者：姜怡，华东师范大学脑科学与教育创新研究院教授；张淼，《华东师大教育评论（英文）》执行副主编）