人工智能是否应该应用于学习领域，这个问题无法一概而论。它对学习的附加价值取决于它如何融入学习过程。同一个人工智能系统在某些情况下可以提供有效的支持，而在另一些情况下则会缩短、覆盖甚至阻止思考过程。因此，关键问题在于：人工智能可以用于哪些人群、在什么时间、以什么目标、以何种形式来促进学习？SKILL模型为此提供了一个框架。它有助于选择和批判性地评估人工智能辅助学习工具，并对其进行设计，使其能够激发、构建和深化思考，而不是取代思考。.
人工智能的应用方式至关重要。
Bastani及其同事（2025）在数学课堂上对约一千名学生进行的一项实地实验证实了这种差异。允许学生在练习中使用标准聊天机器人的学生最初能正确解答更多问题。然而，一旦失去人工智能的辅助，他们的表现反而不如之前未使用人工智能的学生。而预先构建的同一语言模型版本，提供分级提示而非完整解答，则避免了这种现象。导致学习结果差异的并非底层模型本身，而是其教学设计。.
因此，这场辩论不应止步于对人工智能的禁止与热情之争。关键在于人工智能在教学中的应用。我们需要明确人工智能在何种条件下才能真正支持学习过程。.
表现并不等同于学习
人工智能使用过程中表现的提升并不一定等同于学习效果的提高（Yan et al., 2025）。工具可以立即给出结果，从而营造出学习成功的假象，即使实际上并没有技能的真正发展。可持续的学习需要学习者参与到学习内容中，开发自己的解决方案，从错误中吸取教训，并反思自己的推理过程。那些将这些认知工作外包给人工智能，仅仅依赖其结果的人，往往对内容的理解不够深入。看似合理的解释也能让人产生一种理解感，而实际上并没有独立掌握相关的知识。尤其是那些先验知识有限的学习者，往往难以意识到这种差异。他们过早地结束了练习，之后却无法自信地应用或迁移那些自认为在没有人工智能辅助的情况下已经理解的知识。适当的预先构建可以避免这种情况。Bastani等人（2025）实验中的第二个变体对人工智能的使用进行了管理，使其成为学习者的思考伙伴，而不是捷径。如果学习者还无法自主地调节这种使用方式，这一点尤为重要。.
注重能力
要使人工智能在学习中发挥有效作用，年龄和年级远不如在特定情境下运用人工智能促进学习的能力重要。这一点适用于学习者和教师。在此过程中，多种子能力相互协作：
- 对所讨论主题的专业知识, 为了评估人工智能响应的技术质量。.
- 关键人工智能能力, 为了认识到局限性、幻觉和看似合理的错误。.
- 自我调节, 为了确定人工智能何时能作为思考伙伴发挥作用，何时又沦为单纯的答案机器。.
- 认知和语言方面的先决条件, 为了制定合适的请求并处理回复。.
在上述一个或多个领域能力有限的人需要更多的预先结构化指导。任务不明确、角色理解不当或缺乏学科特定背景信息，对初学者尤其不利。同时，也不能指望学习者自行构建必要的结构，例如通过角色提示或有针对性地提供背景知识。随着能力的提升，需求也会发生变化：对初学者有益的密切指导可能会阻碍高级学习者的进步。这种专业知识逆转效应表明，统一的使用概念并不适用。因此，设计和实施应与能力水平挂钩，例如联合国教科文组织提出的“理解、应用和创造”（2024）能力发展阶段，或DigCompEdu的六个级别（Redecker，2017）。.
SKILL模型概括了这种关系。它为教育过程中人工智能辅助工具的设计、评估和选择提供了指导。.
技能范围可供尝试
您可以交互式地探索以下光谱。沿着对角线移动点或使用滑块。显示屏会显示哪些框架条件以及人工智能的哪些角色适合不同的能力水平。.
技能谱
用户运用人工智能进行学习的能力越低，所需的工具预构建工作就越多。选择级别或移动项目。.
这方面的专业知识
关键人工智能能力
自我调节
工具
人工智能的作用
结构/护栏
例子
部署目的
| 学习工具 | 劣势补偿 |
|---|---|
| 外包工作的目的是让企业内部学习，因此必须加以保护。. | 人工智能可以弥补学习目标之外的障碍。. |
| 风险 | 注意这项支持应该长期提供。我们的目标是鼓励参与，例如通过朗读来提高文本理解能力，而不是减少支持。. |
阶段划分依据联合国教科文组织（2024）、DigCompEdu（Redecker，2017）和Ng等人（2021）。.
对嵌入学习过程的影响
人们在学习新事物时往往处于初学者阶段。教育尤其预设了学习者并非无所不知，也无法可靠地评估自身处境。因此，开放、不受监管地使用免费可访问的聊天机器人不应成为常态。对于许多学习情境而言，预先构建、与应用程序集成且易于使用的工具更为合适。人工智能在教学设计的学习环境中运行；学科特定的背景和安全措施已经集成其中。这同样关乎教育公平。如果有效的学习需要丰富的先验知识、技术理解、语言流畅性和精准的语境化能力，那么那些已经具备相应能力的人将从中受益最多。集成化的结构降低了这些障碍，并可以随着能力的提升逐步移除。这同样适用于教师。那些拥有学科知识和人工智能相关经验的教师可以有效地利用开放式聊天机器人进行教学和组织。而其他教师则需要无需大量提示即可使用的工具。人工智能辅助的规划工具可以整合提示信息、预设模块、针对性后续问题以及基于主题的知识库。随着自主性的增强，它可以逐步开放更多功能，例如通过扩展自身的提示信息。.
学习工具还是劣势补偿？
预期用途也决定了学习环境的结构化程度，以及是否可以缩短某些步骤。核心问题是：外包任务本身是否需要学习？例如，如果小学低年级的重点是算术，那么必须保护解题过程，避免过早揭示答案。另一方面，如果外包任务并非学习目标的一部分，人工智能就可以接管。因此，对于残障学习者而言，人工智能不仅可以作为学习工具，还可以作为参与方式。例如，在以文本理解为学习目标的情况下，文本转语音功能可以在不偏离实际学习目标的前提下克服障碍。在这种情况下，这种支持可以持续可用。.
技能检查：选择和评估工具
SKILL 的五个字母也代表了选择和评估人工智能辅助学习工具的五个指导性问题：
- S – 脚手架： 前期准备和支持力度是否与能力水平相匹配，能否逐步降低？
- K – 认知激活： 这个人必须独立思考和行动吗？
- I – 整合： 设备的使用是否与学习目标和可行的任务相关？教师是否对正在进行的工作保持监督？
- L – 学习过程： 错误是否被视为学习机会？会激发哪些元认知策略？
- L – 长期发展： 自控力是在增强，还是依赖性在增强？
对人工智能支持的应用的设计和开发具有重要意义
SKILL模型能够指导人工智能辅助学习应用的设计和开发。它将应用定位在应用集成式人工智能和开放式聊天机器人之间，并充分考虑目标群体和预期能力水平。这有助于做出具体的设计决策。初步的实证研究结果可归纳为以下四个原则： 基础 （这些反馈是基于什么专业标准生成的？）, 剂量 （„先是你，然后是我“）, 激活 （鼓励积极参与而不是提倡被动消费） 嵌入 （与可行的混合式学习安排相联系）。. 关于这些设计原则的更多内容.
结论
只有当生成式人工智能与任务、个体和学习环境相匹配时，它才能发挥其在学习方面的价值。因此，确定其对哪些人、何时以及在多大程度上服务于学习至关重要。免费提供的聊天机器人通常不足以满足这一需求。它们对先验知识、语言技能和自我调节能力要求很高，在某些情况下甚至会阻碍学习过程。更合适的工具是易于获取、预先构建且嵌入学科内容的工具，这些工具应随着能力的提升逐步开放。学习效果源于任务、预先构建和教学支持之间的相互作用。关键的经验法则是： 人工智能可以辅助思考，但不能取代思考。.
文学
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). 缺乏护栏的生成式人工智能会损害学习：来自高中数学的证据。. 美国国家科学院院刊，122（26），e2422633122。. https://doi.org/10.1073/pnas.2422633122
- Yan, L., Greiff, S., Lodge, JM, & Gašević, D. (2025). 在使用生成式人工智能时区分性能提升和学习。. 《自然心理学评论》，4（7），435–436。. https://doi.org/10.1038/s44159-025-00467-5
- Kalyuga, S. (2007). 专业知识逆转效应及其对学习者个性化教学的影响。. 教育心理学评论，19（4），509–539。. https://doi.org/10.1007/s10648-007-9054-3
- Ng, DTK, Leung, JKL, Chu, SKW, & Qiao, MS (2021). 人工智能素养的概念化：探索性综述。. 计算机与教育：人工智能，2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
- 联合国教科文组织。（2024）。. 学生人工智能能力框架. https://doi.org/10.54675/JKJB9835
- Redecker, C. (2017)。. 欧洲教育工作者数字能力框架：DigCompEdu （Y. Punie 编辑）。欧盟出版局。. https://doi.org/10.2760/159770
发表回复