知识、认知卸载,以及完成任务与真正学会之间的差别
试想像一名学生借助人工智能完成每份作业。答案准确,推理看来有说服力,作业亦准时提交。学生顺利及格。
然后,我们拿走人工智能。
学生还能解释什么、记得什么?当病人、同事或问题带来意料之外的情况,他们还能作出什么判断?
借助工具能产出什么,与学生实际学会什么,两者之间的差异,可能是教育最重要的问题之一。
我曾写过,应先从课程出发,再选择科技。但更根本的问题是:学习应该在学生身上留下什么?
使用人工智能或虚拟实境(VR),不应只带来投入感或漂亮的成品。学习者的理解、记忆、判断、技能、解释能力,或在新情境中行动的能力,需要有所改变。否则,我们改善的可能只是活动,并非学习。

我们很擅长量度任务有没有完成
提交报告、小组汇报、完成网上活动,或在模拟中取得分数,都能提供一些资讯,但未必是我们最想知道的。
学生写出出色的临床推理解释,可能是因为理解概念,也可能是接受了人工智能生成、听起来合理的答案。两份成品可以很相似,差别在于学生之后能做什么。
Bastani 等人(2025)研究了近一千名高中数学学生。使用 GPT-4 时,学生的练习表现有所提升;移除工具后,使用较少限制版本的学生表现较无人工智能组差。以提示支持学习的导师版本大致减轻了这个问题。有支援时表现较好,不能证明独立能力也有提升。
另一方面,Kestin 等人(2025)在大学物理的随机试验中发现,按教学原则设计的人工智能导师,相较于该研究所用的主动学习课堂,以较少时间带来较大的即时学习增益。两项研究并不矛盾。它们指向一个设计问题:人工智能实际要求学习者做什么?
接收资讯不等于学习
人工智能可以迅速给出清晰的解释,VR 可以让解剖结构呈现在学生眼前。但有解释可看,不代表已经理解;记得一次体验,也不代表懂得应用。
学习往往需要把新资讯连结到已有知识、练习提取、接受回馈、检验解释,并在不同情境应用。Roediger 与 Karpicke(2006)说明了提取练习对日后记忆的价值。Chi 与 Wylie(2014)的 ICAP 框架则提醒我们留意认知参与的质量:学生是在被动接收、主动操作、建构新推论,还是在互动中共同建立理解?
聊天工具可以直接给答案,也可以先请学生提出判断、解释原因、考虑替代方案再修正。工具可以相同,学习机会却不同。
如果记忆可以外判,为什么还要记?
我也把提醒、整理资讯和准备材料等日常工作交给数码工具。既然不用记住每个细节,我大概确实记得少了。这未必是问题。
Risko 与 Gilbert(2016)把利用外部辅助降低任务的心智负荷称为认知卸载。笔记、日历、计算机和搜寻工具早已让我们不用把所有资料都记在脑中。临床人员查阅最新指引,并不因此变得不称职。
生成式人工智能还能整理、比较、解释、规划、撰写,以至提出建议。重复交出某项工作,可能减少练习机会,尤其在学习阶段。但这并不表示每项外判技能都会自动消失;遗忘还取决于先前学习、持续使用及情境。问题是:卸载什么、为什么,以及在学习的哪个阶段卸载?
我们还需要学数学吗?
在普通欧几里得几何中,三角形内角之和是 180 度。即使计算机能代劳,若不理解角度的意义或关系何时适用,怎样辨认不合理的答案?
不能把解难能力与知识分开。不了解力学,很难评估生物力学解释;缺乏解剖、生理、病理与临床推理,也难以识别人工智能建议中的问题。Kirschner 等人(2006)指出初学者尤其需要适当指导。Kalyuga 等人(2003)所述的专长反转效应则提醒我们:对初学者有用的支援,对已有知识的学生未必有用。支援的程度和形式应随能力发展而改变。
哪些能力需要留在学习者身上?
| 学习需要 | 例子 | 人工智能可扮演的角色 |
|---|---|---|
| 基础知识 | 解剖、生理、基本数学关系与安全原则 | 解释、提问与巩固理解 |
| 需要练习的专业能力 | 临床检查、沟通、推理与辨识病情恶化 | 支援练习及回馈,并保留独立表现的机会 |
| 可查阅的知识 | 复杂指引、少见细节与大量文献 | 协助搜寻与整理,由学习者核实 |
| 例行程序 | 格式整理、资讯编排与行政排程 | 在适当核查和问责下考虑自动化 |
这些不是固定分类。学生可能需要亲自练习计算,建立数字判断;专业人员可以用计算机,但仍要能判断结果是否合理。也不必记住每种疾病,但辨识警讯和知道何时求助,不能完全依赖人工智能是否可用。
没有科技时,哪些能力一旦失去,便会造成不安全、无效或不负责任的行动?
让支援随学生的发展改变
初学者可能需要示范、清楚解释及有引导的练习;较有经验的学生可以接受追问、比较方案及挑战;专业人员则可交出低风险的准备工作,同时自行判断结果。
- **建立:**透过解释、示范、练习和回馈建立概念。
- **挑战:**要求提取、论证、决策及修正,逐步减少支援。
- **迁移:**在新案例或情境中应用,有时不使用人工智能,以了解学生真正掌握了什么。
这是实用的教学设计思路,并非经验证的新框架。太早移走支援,初学者可能无所适从;长期代答,学生则失去推理的机会。人工智能对学生能力的判断也需要核查。
虚拟实境面对同样的问题
沉浸感不等于学习。Makransky 等人(2019)比较沉浸式 VR 与沉浸感较低的科学实验模拟,前者的临场感较高,但学习表现较低,认知负荷可能是其中一个因素。Parong 与 Mayer(2018)亦研究了沉浸式 VR 的教学效果,以及加入生成式学习活动的作用。
若难点是理解解剖结构的立体关系,VR 可能有用;若目标是提取结构名称,测验可能更有效率。若要理解触诊中的病人反应或组织阻力,缺乏适当实体互动的头戴装置未必能提供所需经验。若目标是临床推理,模拟便要包含有意义的决策、解释、重新评估和回馈。
我想评估的三件事
- 学生能独立做什么? 可用无辅助解释、口头提问、实务示范或独立决策了解。
- 学生如何在支援下学习? 看他们能否辨认不确定之处、回应回馈、质疑人工智能解释并修正判断。
- 学习能否迁移? 用延后提取、跟进任务或新案例,了解学习能否超越原来的互动。
学生的满意度与科技接受度值得聆听,但不能代替学习、保留及迁移的证据。
当工具离开,什么应该留下?
人工智能可能减少某些工作对即时记忆的要求,但若没有相关知识,怎样辨认不妥的答案、提出好问题,或在工具不可用时作出判断?目标不是完全自给自足,而是有能力、负责任地使用支援:知道何时使用、核查、质疑,以及何时自行行动。
选工具之前,我想先问:经过这个学习经验,学生应该知道、理解或做到什么原本做不到的事? 再决定所需的是解释、练习、提取、回馈、实体经验、讨论还是反思,以及如何在支援减少后辨认学习是否发生。
不要习惯性地外判一项学习活动本来要培养的认知工作。
有些知识需要内化,有些技能需要反覆练习,有些资讯可以留在工具里,有些例行工作可以委托。真正的教育设计挑战,是知道如何区分。
当科技不再在场,学生还拥有什么真正属于自己的能力?
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., & Wylie, R. (2014). The ICAP framework: Linking cognitive engagement to active learning outcomes. Educational Psychologist, 49(4), 219–243. https://doi.org/10.1080/00461520.2014.965823
Kalyuga, S., Ayres, P., Chandler, P., & Sweller, J. (2003). The expertise reversal effect. Educational Psychologist, 38(1), 23–31. https://doi.org/10.1207/S15326985EP3801_4
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
Kirschner, P. A., Sweller, J., & Clark, R. E. (2006). Why minimal guidance during instruction does not work: An analysis of the failure of constructivist, discovery, problem-based, experiential, and inquiry-based teaching. Educational Psychologist, 41(2), 75–86. https://doi.org/10.1207/s15326985ep4102_1
Makransky, G., Terkildsen, T. S., & Mayer, R. E. (2019). Adding immersive virtual reality to a science lab simulation causes more presence but less learning. Learning and Instruction, 60, 225–236. https://doi.org/10.1016/j.learninstruc.2017.12.007
Parong, J. A., & Mayer, R. E. (2018). Learning science in immersive virtual reality. Journal of Educational Psychology, 110(6), 785–797. https://doi.org/10.1037/edu0000241
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
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
本文是有研究支持的教学反思,并非系统综述或经验证的新框架。Bastani 等人(2025)的更正涉及作者所属机构,并未改变研究结果。不同情境的研究结果不宜直接推广。