知識、認知卸載,以及完成任務與真正學會之間的差別

試想像一名學生借助人工智能完成每份作業。答案準確,推理看來有說服力,作業亦準時提交。學生順利及格。

然後,我們拿走人工智能。

學生還能解釋甚麼、記得甚麼?當病人、同事或問題帶來意料之外的情況,他們還能作出甚麼判斷?

借助工具能產出甚麼,與學生實際學會甚麼,兩者之間的差異,可能是教育最重要的問題之一。

我曾寫過,應先從課程出發,再選擇科技。但更根本的問題是:學習應該在學生身上留下甚麼?

使用人工智能或虛擬實境(VR),不應只帶來投入感或漂亮的成品。學習者的理解、記憶、判斷、技能、解釋能力,或在新情境中行動的能力,需要有所改變。否則,我們改善的可能只是活動,並非學習。

講師在課堂上與學生討論衡量經濟進展的方法。

我們很擅長量度任務有沒有完成

提交報告、小組匯報、完成網上活動,或在模擬中取得分數,都能提供一些資訊,但未必是我們最想知道的。

學生寫出出色的臨床推理解釋,可能是因為理解概念,也可能是接受了人工智能生成、聽起來合理的答案。兩份成品可以很相似,差別在於學生之後能做甚麼。

Bastani 等人(2025)研究了近一千名高中數學學生。使用 GPT-4 時,學生的練習表現有所提升;移除工具後,使用較少限制版本的學生表現較無人工智能組差。以提示支持學習的導師版本大致減輕了這個問題。有支援時表現較好,不能證明獨立能力也有提升。

另一方面,Kestin 等人(2025)在大學物理的隨機試驗中發現,按教學原則設計的人工智能導師,相較於該研究所用的主動學習課堂,以較少時間帶來較大的即時學習增益。兩項研究並不矛盾。它們指向一個設計問題:人工智能實際要求學習者做甚麼?

接收資訊不等於學習

人工智能可以迅速給出清晰的解釋,VR 可以讓解剖結構呈現在學生眼前。但有解釋可看,不代表已經理解;記得一次體驗,也不代表懂得應用。

學習往往需要把新資訊連結到已有知識、練習提取、接受回饋、檢驗解釋,並在不同情境應用。Roediger 與 Karpicke(2006)說明了提取練習對日後記憶的價值。Chi 與 Wylie(2014)的 ICAP 框架則提醒我們留意認知參與的質量:學生是在被動接收、主動操作、建構新推論,還是在互動中共同建立理解?

聊天工具可以直接給答案,也可以先請學生提出判斷、解釋原因、考慮替代方案再修正。工具可以相同,學習機會卻不同。

如果記憶可以外判,為甚麼還要記?

我也把提醒、整理資訊和準備材料等日常工作交給數碼工具。既然不用記住每個細節,我大概確實記得少了。這未必是問題。

Risko 與 Gilbert(2016)把利用外部輔助降低任務的心智負荷稱為認知卸載。筆記、日曆、計算機和搜尋工具早已讓我們不用把所有資料都記在腦中。臨床人員查閱最新指引,並不因此變得不稱職。

生成式人工智能還能整理、比較、解釋、規劃、撰寫,以至提出建議。重複交出某項工作,可能減少練習機會,尤其在學習階段。但這並不表示每項外判技能都會自動消失;遺忘還取決於先前學習、持續使用及情境。問題是:卸載甚麼、為甚麼,以及在學習的哪個階段卸載?

我們還需要學數學嗎?

在普通歐幾里得幾何中,三角形內角之和是 180 度。即使計算機能代勞,若不理解角度的意義或關係何時適用,怎樣辨認不合理的答案?

不能把解難能力與知識分開。不了解力學,很難評估生物力學解釋;缺乏解剖、生理、病理與臨床推理,也難以識別人工智能建議中的問題。Kirschner 等人(2006)指出初學者尤其需要適當指導。Kalyuga 等人(2003)所述的專長反轉效應則提醒我們:對初學者有用的支援,對已有知識的學生未必有用。支援的程度和形式應隨能力發展而改變。

哪些能力需要留在學習者身上?

學習需要 例子 人工智能可扮演的角色
基礎知識 解剖、生理、基本數學關係與安全原則 解釋、提問與鞏固理解
需要練習的專業能力 臨床檢查、溝通、推理與辨識病情惡化 支援練習及回饋,並保留獨立表現的機會
可查閱的知識 複雜指引、少見細節與大量文獻 協助搜尋與整理,由學習者核實
例行程序 格式整理、資訊編排與行政排程 在適當核查和問責下考慮自動化

這些不是固定分類。學生可能需要親自練習計算,建立數字判斷;專業人員可以用計算機,但仍要能判斷結果是否合理。也不必記住每種疾病,但辨識警訊和知道何時求助,不能完全依賴人工智能是否可用。

沒有科技時,哪些能力一旦失去,便會造成不安全、無效或不負責任的行動?

讓支援隨學生的發展改變

初學者可能需要示範、清楚解釋及有引導的練習;較有經驗的學生可以接受追問、比較方案及挑戰;專業人員則可交出低風險的準備工作,同時自行判斷結果。

  • **建立:**透過解釋、示範、練習和回饋建立概念。
  • **挑戰:**要求提取、論證、決策及修正,逐步減少支援。
  • **遷移:**在新案例或情境中應用,有時不使用人工智能,以了解學生真正掌握了甚麼。

這是實用的教學設計思路,並非經驗證的新框架。太早移走支援,初學者可能無所適從;長期代答,學生則失去推理的機會。人工智能對學生能力的判斷也需要核查。

虛擬實境面對同樣的問題

沉浸感不等於學習。Makransky 等人(2019)比較沉浸式 VR 與沉浸感較低的科學實驗模擬,前者的臨場感較高,但學習表現較低,認知負荷可能是其中一個因素。Parong 與 Mayer(2018)亦研究了沉浸式 VR 的教學效果,以及加入生成式學習活動的作用。

若難點是理解解剖結構的立體關係,VR 可能有用;若目標是提取結構名稱,測驗可能更有效率。若要理解觸診中的病人反應或組織阻力,缺乏適當實體互動的頭戴裝置未必能提供所需經驗。若目標是臨床推理,模擬便要包含有意義的決策、解釋、重新評估和回饋。

我想評估的三件事

  1. 學生能獨立做甚麼? 可用無輔助解釋、口頭提問、實務示範或獨立決策了解。
  2. 學生如何在支援下學習? 看他們能否辨認不確定之處、回應回饋、質疑人工智能解釋並修正判斷。
  3. 學習能否遷移? 用延後提取、跟進任務或新案例,了解學習能否超越原來的互動。

學生的滿意度與科技接受度值得聆聽,但不能代替學習、保留及遷移的證據。

當工具離開,甚麼應該留下?

人工智能可能減少某些工作對即時記憶的要求,但若沒有相關知識,怎樣辨認不妥的答案、提出好問題,或在工具不可用時作出判斷?目標不是完全自給自足,而是有能力、負責任地使用支援:知道何時使用、核查、質疑,以及何時自行行動。

選工具之前,我想先問:經過這個學習經驗,學生應該知道、理解或做到甚麼原本做不到的事? 再決定所需的是解釋、練習、提取、回饋、實體經驗、討論還是反思,以及如何在支援減少後辨認學習是否發生。

不要習慣性地外判一項學習活動本來要培養的認知工作。

有些知識需要內化,有些技能需要反覆練習,有些資訊可以留在工具裏,有些例行工作可以委託。真正的教育設計挑戰,是知道如何區分。

當科技不再在場,學生還擁有甚麼真正屬於自己的能力?

參考文獻

  1. 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

  2. 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

  3. 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

  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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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學反思,並非系統綜述或經驗證的新框架。Bastani 等人(2025)的更正涉及作者所屬機構,並未改變研究結果。不同情境的研究結果不宜直接推廣。

延伸閱讀