TFSC2026|AI 是否正在拖垮青少年的学习成绩？
SSCI JCR Q1; IF 13.3; ABS 3
人工智能已广泛融入教育、家庭及日常生活的方方面面，然而其对基础教育阶段青少年学业成绩的影响尚存争议。本研究依托认知负荷理论与预期人力资本投资理论，整合教育统计、智能家居设备数据与中国家庭追踪调查（CFPS），构建城市 - 个体 - 年份面板数据，深入探究 AI 发展对青少年学业表现的影响路径。研究结果表明，AI 的发展显著抑制了青少年的学业表现，无论是教育环境中的 AI 应用，还是日常生活中的 AI 渗透，均呈现明显的负面效应。机制分析揭示，AI 主要通过削弱个体认知能力与降低家庭教育期望这两条路径损害学业成绩。异质性分析进一步指出，这种负面冲击在城市青少年、低教育背景家庭、低人力资本溢价区域以及校外培训密集地区尤为显著。相反，家庭对教育的关注能有效缓解 AI 对学业表现的消极影响。综上所述，本文警示我们：AI 并非天然具备教育正外部性，其效果取决于使用场景、约束机制以及家庭与学校的引导是否恰当。
变量类型
中文名称
度量方式
被解释变量
青少年学业表现
源自 CFPS 个体问卷“学业表现”部分，以最近一次重要考试（期中或期末）的班级排名作为衡量标准；划分为 5 个等级：后 24%=1，25%—50%=2，51%—75%=3，76%—89%=4，前 10%=5。
核心解释变量
教育场景 AI 发展水平
基于 Bartik 框架构建的学校数字教育终端存量密度，体现城市层面教育 AI 的渗透程度。
核心解释变量
日常生活 AI 发展水平
基于 Bartik 框架构建的家庭智能家居设备存量密度，反映家庭及日常生活场景中 AI 的渗透程度。
中介变量
词汇认知能力
CFPS 个体问卷“认知模块和身体测试”中的词汇测试分位等值分数。
中介变量
数学认知能力
CFPS 个体问卷“认知模块和身体测试”中的数学测试分位等值分数。
中介变量
父母教育层次期望
CFPS 儿童问卷中父母期望孩子最低完成的教育阶段。
中介变量
父母成绩期望
CFPS 儿童问卷中父母期望孩子本学期或下学期达到的平均成绩。
调节变量
家庭教育关注
体现家庭对孩子教育过程的关注与投入程度；用于检验家庭教育关注能否缓解 AI 对学业表现的负面影响。
控制变量
儿童年龄
儿童年龄的自然对数。
控制变量
儿童性别
男孩=1，女孩=0。
控制变量
户主年龄
户主年龄的自然对数。
控制变量
户主性别
男性=1，女性=0。
控制变量
城乡属性
城市=1，农村=0。
控制变量
家庭健康状况
家庭中健康状况较差成员的数量。
控制变量
少儿抚养比
14 岁及以下家庭成员数除以劳动力人口。
控制变量
老年抚养比
65 岁及以上家庭成员数除以劳动力人口。
控制变量
家庭支出规模
家庭人均支出加 1 后取自然对数。
控制变量
家庭净资产规模
家庭净资产减去全样本最小值后加 1 并取自然对数。
控制变量
经济发展水平
城市平均夜间灯光强度。
控制变量
教育支出水平
教育支出占一般公共财政支出的比例。
控制变量
产业结构
第三产业增加值占第二产业增加值的比例。
控制变量
金融发展水平
金融机构年末存贷款余额占 GDP 的比例。
控制变量
开放程度
进出口总额占 GDP 的比例。
[主要结论]
首先，人工智能发展显著降低了青少年的学业表现。教育场景 AI 与日常生活 AI 的系数均显著为负，表明 AI 的影响不仅限于学校教育场景，家庭与日常生活中的 AI 渗透同样会对学业表现产生负面作用。
其次，边际效应分析显示，AI 发展会显著提高学生处于较低班级排名组的概率，同时降低其进入前 25% 和前 10% 排名组的概率。这说明 AI 不仅影响平均学业表现，还会改变成绩分布，促使更多学生向中低排名区间转移。
第三，工具变量法及一系列稳健性检验均支撑基准结论。文章通过替换被解释变量、调整固定效应、改变交叉验证折数、重复样本划分，并运用 Lasso、Elastic Net、Gradient Boosting 和神经网络等多种机器学习算法，验证了结论的稳健性。
机制一：个体认知能力。AI 发展显著降低了青少年的词汇测试和数学测试表现，而认知能力又显著正向影响学业表现。这表明，AI 可能通过信息过载、认知分散和认知外包等途径，削弱青少年的注意力控制、工作记忆及深度加工能力，进而拉低学业表现。
机制二：家庭教育期望。AI 发展显著降低了父母对子女教育层次和学业成绩的期望，而家庭教育期望对青少年学业表现具有正向促进作用。这说明，AI 引发的劳动力市场结构变化及人力资本回报预期改变，可能使家庭低估长期系统学习的边际收益，从而减少对子女的教育投入和学业目标期望。
城乡差异：AI 对城市青少年的负面影响更为显著，对农村青少年的影响则不明显。这可能与城市地区 AI 渗透率更高、数字设备接触更频繁有关。
教育层级差异：AI 对低教育层级或家庭资源匮乏群体的负面冲击更强，对高教育层级群体的影响不显著。这表明 AI 可能加剧既有的教育资源差距。
人力资本溢价差异：在低人力资本溢价地区，AI 对青少年学业表现的负面影响更强；在高溢价地区，影响不显著。当地教育回报越低，学生和家庭越可能缺乏持续学习的动力。
校外培训机构密度差异：在校外培训机构密集地区，AI 的负面影响更为明显。校外培训压力与 AI 信息干扰叠加，可能进一步加重认知负担和学习疲劳。
性别差异：补充分析显示，AI 对男孩学业表现的负面影响更为突出，而对女孩的影响相对不显著。这与注意力控制和认知调节能力的性别差异有关。
研究进一步发现，较强的家庭教育关注能够缓解 AI 对青少年学业表现的不利影响。家庭教育关注通过情感支持、行为规范、目标强化和资源整合，协助青少年维持学习目标、自我控制及良好学习习惯，从而降低 AI 带来的信息过载、认知惰性和学习依赖风险。
这一结果表明，在 AI 高度渗透的教育环境中，家庭并非被技术取代，反而更需要发挥“学习监督者”和“情感支持者”的作用。AI 虽能提供信息和工具，但无法替代父母在学习陪伴、价值引导和人格塑造中的功能。
[文献