把握学习内核，善用生成式AI工具
本文部分内容由智谱清言协助完成
从1956年“人工智能”概念被提出，迄今已过去整整70年。
而大语言模型从2022年末首次亮相至今，也不过短短三年多。这期间，AI领域经历了剧烈变革，技术迭代日新月异。在教育领域，生成式AI同样成为最受关注的话题。围绕它的教学文章、培训讲座、案例征集等活动层出不穷。
热潮之下，更需理性思考：教师、学生、家长究竟该如何合理运用生成式AI，才能真正助力学习？
今年六月发表的一篇研究论文——《The Generative AI Learning Penalty: Evidence from Chinese Secondary Education》（作者：David Strömberg，Victor Leiz，Yanhui Wu，后两位来自香港大学）——为我们提供了深刻的反思素材。
该研究追踪了中国中部某县26,811名七至十二年级学生约30个月的数据，包括月度闭卷考试成绩、每周作业得分与耗时，以及中考和高考成绩。生成式AI的使用率从2022年9月的近乎为零，迅速攀升至2025年6月的约80%，并在DeepSeek V2.5（2024年9月）和DeepSeek R1（2025年1月）发布后出现两次显著跃升。研究采用Callaway–Sant'Anna交错采用型双重差分法进行识别。核心结论显示：作业分数提升约18%，完成时间缩短约30%，但月度闭卷考试成绩在半年内下降约20%，高考成绩下滑18%、中考成绩下降24%。
从上图可以看出：使用生成式AI超过5个月的学生，家庭作业成绩远高于从未使用者，完成作业耗时也大幅减少，但考试成绩反而低于从未使用过生成式AI的学生。
上图同时显示，使用生成式AI的初中生中考成绩低于未使用者，高考成绩同样如此。
论文作者如何解读这一现象？文章明确将“作业外包”（Homework Outsourcing）作为核心机制来阐释成绩下滑，并通过多维度异质性分析加以佐证。
学生将完成作业所需的思维努力外包给AI → 作业表现提升（+18%）、用时减少（−30%）→ 但缺乏真实的认知加工 → 闭卷考试表现崩塌（月考−20%，高考−18%、中考−24%）。
辅助证据：三个层面的异质性
学科差异印证“外包”逻辑。学习损失按学科递减排列为：社会科学 > STEM > 语言。这一顺序与“AI擅长在哪些科目替学生生成答案”高度契合——AI在论述题、社會科学分析上最为擅长，而语言学习涉及大量难以短期替代的内化过程，因此损失相对最小。
人群差异提供间接证据。损失在低年级学生、高成就学生和男生中尤为突出。论文解释：高成就学生学业压力大，更倾向于将“看似已掌握”的作业外包给AI以提高效率；低年级学生自控与元认知能力较弱；男生在自主使用工具上的倾向也存在差异。这种模式与“理性选择外包”的行为逻辑吻合，而与“家庭变故”或“教学质量下滑”等替代解释不一致。
动态适应提供反向支持。研究发现学习损失并非固定不变——五个月暴露造成的损失从2023年初的约25%降至2025年6月的约16%，作者将其解读为学生或教师逐步适应的表现。若损失源于某项固定的外部冲击，不应呈现这种渐进减弱的趋势。
这项研究间接揭示：学习必然需要学习者的认知参与。皮亚杰的发生认识论指出：学习即认知结构图式从不平衡走向平衡的过程。当既有图式无法同化外部刺激时，便产生冲突与失衡，此时必须调整图式以顺应刺激，学习由此发生。
2025年，OECD（经济合作与发展组织）发布《Unlocking High‑Quality Teaching》（《解锁高质量教学》），提出高质量教学的五个目标与20项实践。其中一项目标为：ensuring cognitive engagement（确保认知投入）。
认知投入的关键在于创造条件，使学生能够付出充分而持续的努力，坚持理解复杂概念或解决具有挑战性的非结构化问题。为此，教师需要把握适度的挑战水平，融入有意义的情境与真实世界的联系，促进学生亲身体验，运用多样化方法与表征形式，并培育学生的元认知能力。认知投入看似难以捉摸，因其不易被直接观察。教师必须细致考量学生在学习进程中所处的阶段，平衡学习机会带来的认知负荷，并据此灵活调整角色——既为学生思维搭建支架，又适度拓展其思维深度，同时关注如何支持学生反思与管理自身学习。
Visible Learning项目的研究成果同样证实了认知投入与学习水平之间的关联。
学习阶段
认知投入的核心任务
认知负荷特征
表层学习
信息提取与基本技能自动化
需降低外在负荷，通过直接教学和刻意练习实现自动化
深层学习
概念联结与图式建构
通过元认知策略重新组织知识结构；认知投入转向"使用元认知策略"
迁移学习
知识迁移与应用
高阶认知投入——心智模型组合与创造性问题解决
Visible Learning将认知投入界定为学生运用元认知策略进行学习的过程，其有效性受认知负荷理论制约。
▲认知投入的效应量=0.41（《Visible Learning: The Sequel》）
在《The Generative AI Learning Penalty: Evidence from Chinese Secondary Education》研究中，学生完成作业时借助生成式AI直接获取答案，放弃了深入思考，卸载了应有的认知负荷，将认知过程外包给了人工智能。没有持续的认知投入与适度的认知负荷，就无法形成对学习内容的深刻理解，认知只能停留在浅层水平。