过去几年,高等教育对生成式人工智能的讨论,往往集中在一个问题:学生可以让人工智能代做功课。

这确实重要。如果人工智能能令人信服地完成评估,而学生毋须理解内容,评估可能需要改变。增加口头提问、示范、应用、答辩、实务操作或追问,都可能让学生自己的理解更清晰。

但评估只是教育的一部分。我愈来愈认为,我们还需要另一场讨论:

什么时候,我们其实应该鼓励学生使用人工智能?

保障评估与支援学习,并不是同一个问题。教育研究亦日益反映这种张力:大型语言模型可以提供解释、回馈及个人化支援,但价值取决于使用方式与学习活动设计(Kasneci et al., 2023)。

问题不只是「你有没有用人工智能?」

更有用的问题是:你用人工智能做什么?

「替我写这份作业」,与「我不理解前负荷,请以物理治疗一年级程度解释,再问三条问题确认我是否理解」,有很大差别。两者都使用人工智能,教育作用却不同:前者可能移走思考,后者可能增加思考机会。这个区分应成为教导学生使用人工智能的核心。

简单原则:把重要思考留给学习者

人工智能应让学习更容易,却不应让思考变成可有可无。

这意味减少不必要障碍、及时解释并提供回馈,同时保留我们希望学生练习的心智工作。

Bastani及同事比较了近一千名中学生使用较少限制的GPT介面,以及经审慎设计的GPT导师的情况。两者都改善了有人工智能协助时的表现,但使用较少限制版本的学生,在移除人工智能后表现反而低于对照组;较有结构的导师大致避免了这种负面影响(Bastani et al., 2025)。

这提醒教育工作者:有人工智能支援时的表现,不会自动成为没有人工智能时已学会的证据。

那么,应如何使用?

  1. 学生先尝试:在查问人工智能前,先解题、回想已有知识、作决定或解释目前理解。
  2. 人工智能再支援:用于解释、提示、回馈、其他例子或提问,而非直接给出完整答案。
  3. 学生解释:请学习者用自己的说话重述概念、说明答案理据,或解释为何改变推理。
  4. 核实:要求学习者参照课堂材料、教科书、临床指引或其他适当来源,检查人工智能产出。
  5. 移除支援:最后以新个案、短口试、实务示范,或不用人工智能的解释,要求独立完成。

这个流程呈现了把人工智能当作依赖工具,与当作学习支架的分别。

第一步:让学生先经历一点困难

我不是说要让学生一直困惑,但人工智能也不应总在学习者尚未尝试前便出现。尝试本身具有教育价值。

提取练习不只是测量记忆,更可改善其后的保留效果(Roediger & Karpicke, 2006)。「有成效的失败」亦指出,在获得完整指导前先尝试困难问题,有时能让学习者更深入理解随后的解释(Kapur & Bielaczyc, 2012)。

因此,我可能不会直接说:「问ChatGPT运动时心输出量如何改变。」而是问:「使用人工智能前,先写下你认为运动时心率、每搏输出量及心输出量有什么变化,并解释原因。」

之后才让人工智能加入。学习者便有自己的想法可作比较、捍卫或修订。

第二步:要求人工智能不要直接给答案

这可能是最实用的学习方法之一。与其问「答案是什么?」,不妨试试:

「不要告诉我答案,一次问一条问题,直到我自己想通。」

「这是我的推理。请挑战它,但不要替我重写。」

「只给我一个提示。」

「解释我的推理在哪里出错,再给我一道相似题目独立完成。」

同一项科技既能移走思考,也能被要求促使人思考。这个差异并不小。

一项大学物理课程的随机对照研究发现,在该特定情境下,根据教学原则及结构化提示设计的人工智能导师,比比较组的主动学习课堂带来更大的学习增益(Kestin et al., 2025)。研究者强调,它围绕主动参与、支架、针对性回馈及自主进度设计,而不只是毫无限制的聊天机械人。

重点未必是「用或不用人工智能」,而可能是:欠缺设计的使用,与有教学设计的使用。

第三步:让学习者解释

假设学生查问肘关节角度测量。与其只问「轴心应放在哪里?」,我们可以要求:「我认为轴心应放在这里,因为……请检视我的推理是否合理。」获得支援后,也可以要求学生解释为何使用肱骨外上髁。

自我解释的研究提供了支持这种活动的理由。Chi及同事发现,相比单纯重读,提示学习者向自己解释材料,有助更深入理解(Chi et al., 1994)。

因此,一条简单的设计原则可能是:

不要让对话以人工智能的解释作结。

让学生回应。

第四步:在个人化真正有帮助的地方使用人工智能

在学生众多的课堂,我未必能在每人需要的一刻提供不同解释。有学生需要简单词语,有人需要临床例子,有人需要把图像化成文字,也有人需要更难的个案,或者只是想再听一次解释,而不因第三次提问感到尴尬。

人工智能可能提供这种按需支援。Kasneci及同事指出,大型语言模型具备个人化学习潜力,同时也强调不准确、偏见及过度依赖等限制(Kasneci et al., 2023)。机会不只是快速回答,而是调整通往理解的路径。

第五步:最后一定要独立完成

这可能是最重要的保障。学生用人工智能学习后,我仍想知道:没有它,你做得到吗?

可以透过新问题、口头解释、实务任务、不同个案、决策答辩,或短小的禁用人工智能测验来了解。

评估与学习在这里重新连结。人工智能可以帮助学生走到目的地,但最终仍须由学习者掌握知识。

在物理治疗中可以怎样实践

以肩痛临床推理导修为例,我不会只说:「用ChatGPT解决这个个案。」我可能安排:

  1. 先自行提出三个初步假设;
  2. 请人工智能挑战这些假设;
  3. 解释哪些发现支持或削弱各假设;
  4. 请人工智能提出一个可能遗漏的替代假设;
  5. 最后关闭人工智能,自行作出最终临床决定。

此时,人工智能不是代做临床推理,而是在学生推理外围增加一层提问。

同样思路也可用于实务技能。学习者放置虚拟量角器,模拟系统判定轴心过于远端。人工智能导师不直接揭示答案,而问:「这个测量应以哪个解剖标志作支点?」若仍有困难,支援再逐步清晰。

电脑侦测错误,人工智能提供支架,学生仍须自己修正。

有用的区分:困难与不必要的障碍

有些困难具有教育价值:记忆、推理、解释、决策,以及发现自己错了。这些是有助学习的阻力。

另一些困难却未必带来多少价值:花二十分钟理解一句写得差的句子、因尴尬而不敢再问、为简单误解等一星期回馈,或因任务令人不知所措而无法开始。

人工智能或许很擅长减少后者。挑战是移除不必要的障碍,却不意外移走前者。

也许需要两种人工智能政策

我愈来愈认为,应区分两种情境。

进行评估时

问题是:「这名学生能独立做到什么?」如果无限制使用人工智能会妨碍判断,就应限制使用或重新设计评估,要求学生解释、示范、应用、答辩与回应。

学生学习时

问题变成:「什么支援能帮助学生最终独立完成?」人工智能在这里可能有用,可以解释、提问、产生练习、给提示、挑战推理、提供回馈或其他例子。但设计必须确保学习者没有从学习过程消失。

我会给学生的指引

先尝试。用人工智能帮助思考。解释学到了什么。核实。然后不用人工智能再试一次。

这比单说「不要用人工智能」或「可以用人工智能」更有用。两种说法都过于简单,真正重要的是工具如何影响学习者的思考。

目标也许不是少用人工智能

我愈来愈少问学生有没有使用人工智能,而更想问:思考在哪里发生?

如果人工智能生成答案,学生直接提交,重要思考可能已被外判。但如果学生先尝试、解释推理、取得一个提示、修订答案、核实资讯,最后独立解决新问题,人工智能反而可能增加有意义的学习活动。

所以,目标或许不是「少用人工智能」,而是:

以能把重要思考留给学习者的方式,使用人工智能。

对我来说,这是下一阶段讨论更好的起点。

参考文献

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Chi, M. T. H., De Leeuw, N., Chiu, M.-H., & Lavancher, C. (1994). Eliciting self-explanations improves understanding. Cognitive Science, 18(3), 439–477. https://doi.org/10.1207/s15516709cog1803_3

Kapur, M., & Bielaczyc, K. (2012). Designing for productive failure. Journal of the Learning Sciences, 21(1), 45–83. https://doi.org/10.1080/10508406.2011.591717

Kasneci, E., Seßler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6

Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x