生成式人工智能（genAI，或简称AI）已进入教育领域——它常常伴随着宏伟的愿景，有时也伴随着末日般的担忧。目前已存在一个广泛但异质性较高的实证基础。元分析报告显示，诸如ChatGPT之类的AI聊天机器人对学习表现、学习动机和高阶思维能力有显著的积极影响，但这些研究是在截然不同的条件下进行的，研究设计有时也存在疑问，而且主要针对的是年龄较大的学生或大学生（Alemdag，2025；Deng等人，2025；Wang和Fan，2025；Wu和Yu，2024；Zheng等人，2023）。因此，问题不在于这些积极影响是否能够实现，而在于如何实现。因为，ChatGPT和类似技术当然不能保证在学习支持领域取得成功，而只能作为一种教学工具。.
因此，作者们警告不要将有时观察到的„人工智能学习效应“误解为人工智能技术本身的特性，而应该探究其背后的学习环境和教学预设结构（Dinsmore & Fryer，2026；Kirschner，2025）。简而言之： 人工智能可以有效地辅助学习——但前提是它的设计和整合方式必须符合教学原则。. 然而，如果它取代和阻碍学习而不是支持学习，那么它就毫无意义。.
我想探讨的问题是： 如何利用人工智能通过个性化反馈来支持学习过程？ 以下我将概述人工智能学习伙伴和人工智能辅导系统在数学学习中的设计原则，这些原则均有实证和理论支持，尤其侧重于小学教育。这些原则构成了本项目中应用程序集成式人工智能辅助学习指导的开发和测试的基础。 普里玛基.
自适应脚手架：帮助自助而非快速修复
人工智能支持的学习环境尤其在能够适应学习进度、错误和策略，而非仅仅提供正确答案时，才能真正提升学习效果。例如，在TALPer研究中，成绩较差的五年级学生尤其受益于数学课上的自适应支持，而成绩较好的学生则与人工智能学习伙伴发展出更复杂的互动模式（Kuo et al., 2025）。同样，一项类似的学习系统在应用题方面也展现出显著的成绩提升，学生感知到的益处——即支持的质量——对学习动机和学习成果有着显著的影响（Liu et al., 2025）。Son（2024）的系统性综述证实了精心设计的智能辅导系统对数学学习成绩的积极影响，尤其是在这些系统能够适应个体学习需求的情况下。.
在自主学习领域，多项研究表明，自适应的、人工智能支持的支架式教学（而非静态的支持序列）能够提升自主学习过程的质量，并且优于„为所有学生提供平等支持“的理念（Liu et al., 2025; Wu et al., 2025）。新的多智能体方法和以学习学习模型（LLM）作为评判者的程序表明，通过自我评估程序可以提高支架式教学的质量和可靠性，并显著减少反馈过程中的幻觉（Cohn et al., 2025; Gonnermann-Müller et al., 2025; Qian et al., 2026）。.
与此同时，一些并非专门为辅助学习而设计的工具的局限性也逐渐显现：人工智能系统在练习过程中按需提供完整的解决方案，虽然短期内可能提升学习表现，但一旦停止使用人工智能，长期学习效果就会受损（Bastani et al., 2025）。这种情况也被称为„技能退化“，因为它阻碍而非促进真正的学习，仅仅营造出一种学习的假象。基于人工智能的辅导系统的学习分析也表明，一些学习者试图„点击完成“任务，而没有真正投入其中（Jancafik et al., 2023）。为了避免浅层学习，促进更深入、更有助于理解的学习，应尽可能通过对人工智能反馈进行适当的预先构建和设计来预防这种情况。.
结论： 人工智能学习助手应主要具备以下功能：
- 根据学科特定的教学背景信息诊断错误和误解，并进行相应的调整。 笔记 （Bewersdorff等人，2023），,
- 鼓励改变策略，提供信息丰富的指导，帮助独立解决问题，而不是交付最终结果。,
- 提供支持要循序渐进，逐渐减少支持力度，如果学生过于依赖（例如，要求太多提示），则必要时„撤回“支持。
- 通过提问和参考先前的工作来增强儿童独立解决问题的能力，从而实施防止肤浅问题解决的机制。.
- 个性化：根据能力水平调整任务形式，避免对学生提出过高或过低的挑战（Son，2024）。.
优秀的AI导师能够鼓励独立思考。
大型语言模型（LLM）在学习中的研究表明，思考和解释的顺序至关重要。当学习者首次尝试独立解决问题时，人工智能反馈尤为有效（Kumar et al., 2023）。即使在这种情境下，LLM 偶尔出现的错误解释仍然能够带来学习上的进步，而不会导致参与者系统性地采用错误的策略（Kumar et al., 2023）。过早干预的系统（„反应式反馈“）可能会抑制元认知过程（Chudziak & Kostka, 2025）。此外，混合智能模型——即人类思维与人工智能支持的结合——通常比纯人工智能解决方案能够带来更好的结果和更低的认知负荷（Cosentino et al., 2025）。.
这与学习心理学中的批评相符，即人工智能（genAI）常常诱使用户在思考中走„捷径“：虽然直接获取答案可以节省精力，但却难以构建稳健的知识结构（Gisiger，2025；Dinsmore & Fryer，2026）。人工智能实践研究也表明，如果人工智能在实践中提供完整的答案，长期学习效果反而不如不使用人工智能——除非人工智能被设定为仅提供循序渐进的提示（Bastani et al.，2025）。Cohn等人（2025）在其基于学习学习模型（LLM）的教育代理理论框架中明确强调了„引导式发现优于直接答案“的必要性——即引导式发现而非直接答案。.
对真实辅导对话的分析也表明，缺乏学生积极参与的纯粹讲授式教学难以产生建设性学习效果。小学生对有针对性的互动式问题反应积极，但当辅导老师单方面讲解、只关注答案时，学生则保持被动（Wang et al., 2025）。Ruan et al. (2020) 在对基于叙事的聊天机器人辅导员的研究中也发现了类似的结论：学习效果主要体现在系统提供互动式反馈和提示，而非直接给出答案。.
结论： 数学课上的AI学习伙伴应该始终遵循以下原则：„先你，后我“。“
这意味着：
- 首先， 我尝试自己寻找解决方案 要求。.
- 人工智能仅在需要时才会发挥作用，无论是应请求还是在出现错误时自动启动，并会征求想法、子策略和观察结果。.
- 解释如下： 与现有理解基础„对接”„。”.
- 完整的模型解决方案应该作为例外情况，并用作反思工具，而不是主要的学习形式。.
- 鼓励学习者批判性地审视人工智能的回应——例如，孩子们早在小学阶段就可以练习这项技能，例如通过检测人工智能语句中的错误（Helal 等人，2024）。.
如果没有扎实的教学基础，人工智能导师就会变成„语言天赋异禀的随机数生成器“。“
尽管生成式人工智能在语言和形式上能够产生令人印象深刻的结果，但如果缺乏明确的控制，且输出结果没有根据学科教学原则预先构建，那么从学科教学的角度来看，它往往会生成肤浅且缺乏问题导向的任务（Schneider，2025）。关于人工智能在数学教育中的应用，文献综述强调了其在可视化、个性化和问题解决方面的潜力，但也指出许多系统的理论基础薄弱或过于宽泛，这可能是因为这些系统并非专门针对学科教学问题进行优化（Almheiri et al.，2025；Awang et al.，2024；Holmes & Tuomi，2022；Pesemowo & Adewuyi，2024）。Cárdenas等人（2025）的系统分析指出，缺乏理论框架是有效人工智能辅导系统面临的主要障碍之一。因此，像 ChatTutor 这样的成功系统或特定框架都明确地基于教育理论，例如社会认知理论或以证据为中心的设计（Cohn 等人，2025；Dwivedi 和 Rejina，2025）。仅仅将人工智能视为一种技术„附加组件“是不够的。.
因此，理论驱动的辅导系统意义重大：基于生成式学习理论，Makransky等人（2024）的研究表明，专门训练有素的教学模型比通用学习模型或传统教学更能显著提升概念知识、自信心和学习乐趣，并且这些效果在后续研究中保持稳定。同样，专门针对学习辅导而设计的模型，例如谷歌的LearnLM，也具有类似的效果。关于GeoGebra和人工智能支持环境的研究清楚地表明，只有当学科内容和学科特定的教学方法被明确地融入系统设计中，而不是简单地„在技术之上“添加技术时，概念理解和自我效能感才能得到提升（Cononigo，2024；Kortenkamp，2024）。.
Cohn等人（2025）提出的基于学习动机模型（LLM）的教育代理自适应支架框架做出了重要贡献，该框架结合了以证据为中心的设计和社会认知理论。这种理论基础扎实的方法能够实现高质量的形成性评价和互动。.
结论： 人工智能导师需要具备广泛的特定学科知识作为背景，以便在提示或后续的特殊培训中使用特定学科的教学知识，例如：
- 数学模型 能力发展 对于内容领域，,
- 错误和策略分类, 描绘了典型的学生学习路径和错误（Nauryzbayev等人，2023），,
- 明确的规则和准则，, 哪些形式的支持在哪个学习阶段比较有用？ 是，,
- 清晰地理解和识别误解至关重要，这样人工智能才能调整其方法，以促进常规技能（例如，计算流畅性）或概念理解。这还可能意味着，例如，嵌入学习历史，以便生成式人工智能能够做出适当的反应，避免陷入无休止的循环。.
元认知、自我调节学习和„可教主体“：导师作为自身思维的镜子
聊天机器人和人工智能系统不仅可以用作指导和任务解释器，还可以促进问题解决过程中的规划、监控和反思——前提是它们的设计能够做到这一点。Wu等人（2025）的荟萃分析表明，当聊天机器人的辅助功能与自我调节学习模型相衔接时，它们可以在技术、社交和反思层面支持自我调节学习。Guo等人（2025）在其系统综述中证实，人工智能系统可以满足自主性、胜任感和归属感等基本心理需求——这些都是激发动机和提升参与度的关键因素。.
对所谓可教智能体的研究表明，当学习者向人工智能支持的智能体解释自身问题时，他们可以将人工智能系统视为学习伙伴、引导者和协作问题解决者（Song et al., 2024）。与此同时，显而易见的是，许多当前的生成式人工智能系统在没有特定提示或重新训练的情况下，尚无法可靠地履行关键的指导职责，例如有针对性地激发规划、策略选择和反思，并且倾向于指令式教学风格（Chudziak & Kostka, 2025; Contel & Cusi, 2025）。这凸显了构建超越被动反馈的主动式元认知支架的必要性。.
结论： AI学习伙伴可以被明确地设计成元认知学习伙伴::
- 导师会问一些问题，例如„你注意到了什么？“、„你尝试了什么策略？“、„你认为为什么这种方法有效？“。.
- 它鼓励人们反思错误（„以前有什么想法可以帮助解决这个问题吗？“）。.
- 复述- 可以酌情加入元素：孩子们向人工智能解释他们理解的内容，人工智能进行反馈，等等。.
„人机协作“：采用混合方法而非完全自动化的解决方案
当前人工智能工具的一个常见缺陷是缺乏教师参与（Guerino et al., 2023）。人工智能不应成为课堂上的„黑箱“。最有效的应用场景是人工智能减轻教师的部分工作（例如，通过自动分等级或实时分析），从而使教师有更多时间进行教学互动（Wezendonk & Veldhuis, 2024; Gonnermann-Müller et al., 2025）。关于人工智能在（数学）教育中的应用，已有研究强调，人工智能系统应被理解为反馈回路，其中数据收集、模式识别和自适应支持必须始终以人的决策为框架（Holmes & Tuomi, 2022; Ninaus & Sailer, 2022）。人工智能可以支持学习过程，但它不能取代教学专业精神或教师的责任（Aru & Laak，2025；Aufenanger，2023；Buchholtz 等人，2024）。.
Kaliisa等人（2025）的元分析表明，人工智能反馈与人类反馈的效果不相上下，但也没有系统性地优于人类反馈。在所考察的研究中——这些研究大多来自语言学领域——混合方法尤其具有前景，它将可靠、直接且易于获取的人工智能反馈与人类教师提供的框架式反馈相结合。Cosentino等人（2025）在其关于具身学习环境中生成式人工智能的研究中证明，混合反馈模型有可能降低认知负荷并支持差异化的信息处理策略。.
对混合系统的进一步研究证实了这一点：例如，CoPilot能够实时辅助教师教学，显著提升低年级学生的数学学习效果——尤其是在教师因教授非专业领域内容而导致反馈力度不足的情况下（Wang et al., 2024）。Kestin等人（2025）指出，基于主动学习教学原则的人工智能辅导系统，可以在特定阶段丰富优秀的面对面教学，而无需取代面对面教学。在小学阶段有效整合人工智能系统很大程度上取决于教师的态度、现有技术以及家长和学校社区的参与（KMK, 2024; Li, 2024）。.
然而，教师参与人工智能辅导系统的设计和使用程度往往仍然不足。Guerino等人（2023）以及Wezendonk和Veldhuis（2024）强调，以教师为中心的设计方法和相应的AI素养培训项目对于确保AI在课堂上的实际应用和被接受至关重要，并能避免将其仅仅作为附加功能。.
结论： 人工智能学习伙伴从一开始就应该被设计成这样： 教师的工具和支持 值得思考：
- 反馈的产生必须基于学科特定的教学信息，而不能听天由命。.
- 透明度：教师需要仪表盘来了解学生的学习进度以及人工智能提供的帮助。.
- 人工智能可以提出任务建议、提供支持或进行诊断，但最终决定权仍然掌握在教师手中。教师会评估人工智能辅助服务的质量，并决定是否以及如何将基于人工智能的学习支持融入教学，以及在哪些领域能够从中受益。在解决问题的过程中，针对具体任务提供支持的„微教学“领域尤其具有发展潜力，因为教师往往无法在关键时刻提供直接支持，或者只能提供不充分的支持。.
- 专业发展和人工智能整合与应用（人工智能素养）方面的培训是负责任使用人工智能的先决条件（Holmes et al., 2018; KMK, 2024; Wang & Nie, 2023），因此应将其纳入教师培训和专业发展计划。这不仅包括技术知识，还应涵盖应对机遇和风险的教学方法。.
动机与情感：导师作为富有同理心的伙伴
近期研究强调了情感维度的作用。利用社交机器人、故事讲述或游戏化等技术的AI系统能够满足自主性、胜任感和归属感等基本心理需求（Guo et al., 2025; Vitale & Iacono, 2024）。叙事和趣味元素尤其有助于保持学习动力，即使在枯燥的练习环节也能如此（„增强学生参与度……“, 2022）。寻求帮助的研究表明，当学习者认为寻求帮助是公开的、有损身份或令人尴尬时，他们会避免寻求帮助。羞耻感、害怕被评价以及„丢脸“等负面情绪会抑制孩子在课堂上提问。AI系统在这方面可以有效地补充教师的支持，因为它们能够耐心、个性化地提供帮助和反馈，而无需承担寻求帮助所带来的社会成本和耻辱感（Aleven et al., 2016）。.
结论人工智能学习支持应该成为元认知和激励方面的伙伴：
- 建立关系：使用友好、个性化的头像或叙述（Ruan 等人，2020）。.
- 以成长为导向的反馈提供鼓励努力的反馈，并将错误视为学习机会（成长型思维）。.
- 激发思考诸如„你是怎么想到这个的？“之类的问题可以鼓励人们反思自己的学习过程（元认知）。.
伦理方面：人工智能绝不能做什么!
伦理问题是人工智能教育的根本所在，尤其是在涉及儿童时。Holmes等人（2021）呼吁制定一个合作开发的人工智能教育伦理框架，该框架除了数据保护之外，还应涵盖公平、透明、自主性和教学责任等要素。教育和文化部长常设会议（KMK，2024）明确建议在小学和特殊教育学校谨慎地、以研究为基础地使用人工智能，重点关注基本技能、包容性、平等机会以及符合数据保护规定且适合儿童年龄的解决方案。关于人工智能与人类福祉的范围界定综述表明，以往的研究过于注重绩效和学习成果，而伦理、元认知和教师相关视角的研究仍然不足（Fock & Siller，2025）。.
Almheiri等人（2025）和Cárdenas等人（2025）在其系统性综述中指出，伦理挑战和规模化问题是人工智能辅导系统广泛应用的主要障碍。此外，研究表明，频繁使用人工智能可能导致批判性思维能力下降，尤其当人工智能主要被用作答案提供工具时（Gerlich，2025）。利用语言学习模型（LLM）进行心理分析的研究表明，模型能够非常准确地从文本中提取人格和价值观模式——这凸显了不透明系统固有的滥用风险（Rosenfelder等人，2025）。因此，人工智能工具的教学预构建和规范至关重要，尤其对于低龄儿童而言。.
Gulz 等人 (2021) 还强调，需要将适应性与包容性教学相结合，同时避免对有特殊需要的学习者进行歧视——这是一个经常被忽视的重要方面。.
结论： 负责任的数学课堂人工智能学习辅助工具必须具备以下条件：
- 数据保存 为了避免心理分析，例如通过持续地在设备上或数据安全的基础设施中处理数据，将人工智能评估与个人数据分开，并将个人数据限制在最低限度。
- 无障碍：利用多模态交互（语言、文本、图像）满足不同的学习需求（Hocine 等人，2023），并在设计过程中特别考虑弱势学习者，以促进机会平等。.
- 为了解释其功能，至少从基本轮廓上来说，,
- 学生 批判性评论 刺激人工智能反应（Kortenkamp，2024），,
- 不是控制学习者，而是 增强自力更生能力.
- 教学上应预先构建和控制。.
针对 PRIMA-AI 项目，我们开发了 SKILL 框架模型，用于指导低龄儿童使用生成式人工智能。该模型将所用系统的开放性和预结构化特性与处理人工智能的能力联系起来，因此可以为人工智能的使用设计提供重要的指导。.
人工智能应作为我们自身数学发现的催化剂，而非替代品。
人工智能不应该也绝不能导致儿童仅仅盯着屏幕。对实体界面和社交机器人的研究表明，人工智能也能激发人们在现实世界中的互动（Ligthart et al., 2023）。人工智能应该成为数学活动的催化剂——例如，帮助人们发现模式，然后用触觉材料将其创造出来。目前针对小学教育的研究远少于中学和高等教育，但现有研究结果令人谨慎乐观：如果学习环境设计得当，儿童可以从基因人工智能（genAI）的学习中受益（Hwang, 2022; Listyaningrum et al., 2024; Mott et al., 2023; Rumbelow & Coles, 2024; Yim & Su, 2025）。例如：
- 当以项目式、非电子化或游戏化的方式教授人工智能时，小学生能够理解分类和偏见等关键概念（Yim & Su，2025；Mott et al.，2023）。这种理解至关重要，它能帮助儿童批判性地评估如何与人工智能学习伙伴提供的辅助工具互动，并认识到并非所有辅助工具都一定正确。.
- AI 支持的对象识别（例如，用于 Cuisenaire 棒）可以帮助儿童逐渐将他们的动作与抽象的数学表征联系起来（Rumbelow & Coles，2024）。.
- 人工智能训练可以显著提高算术流畅性，但对于算术有困难的儿童，必须将其与其他形式的练习谨慎结合（Samuelsson，2023）。Samuelsson 的研究表明，人工智能辅助练习比单纯依靠记忆的方法更能提高流畅性。.
- ChatGPT 和类似系统在支持小学问题解决、几何任务和代数方面展现出潜力，但需要教师提供高质量的提示和学科特定的筛选（Harahap，2024；Listyaningrum 等人，2024；Schneider，2025）。.
- 针对计算障碍儿童的自适应系统在维持其积极性和参与度方面显示出良好的效果（Hocine 等人，2023；Holmes，2024）。.
叙事性和游戏化方法值得特别关注：Ruan等人（2020）的研究表明，基于故事叙述的聊天机器人辅导员可以提高学生的参与度和学习效果。Sayed等人（2022）的研究也证实，自适应的游戏化内容能够显著提升学习效果，尤其是在学习成绩较差的学生群体中。.
结论： 在小学阶段，人工智能学习伙伴的主要作用应该是： 促进丰富的数学活动 它们不应该被用作„快速找到解决方案“的工具。核心任务仍然是使儿童能够批判性地审视、论证和协商数学陈述——包括来自人工智能的陈述（Kortenkamp，2024；Aufenanger，2023）。.
结论：从学科教学角度设计基于人工智能的数学课程学习支持
基于目前的研究现状和以往的考虑，可以制定以下人工智能辅导系统设计指导原则：
- 适应性强而非响应性强： 优秀的 AI 导师能够识别模式和错误，提供适度的帮助，并且不会直接给出解决方案（Bastani 等人，2025；Bewersdorff 等人，2023；Kuo 等人，2025；Son，2024）。.
- 解释之前先思考： 它们的设计目的是让学习者首先主动参与，然后才能进行解释和反馈（Gisiger，2025；Kumar 等人，2023）。.
- 以学科特定的教学见解为基础： 它们基于明确的数学学习模型，而不仅仅是基于它们本身所具有的语言合理性（Cohn 等人，2025；Cononigo，2024；Holmes 和 Tuomi，2022；Makransky 等人，2024）。.
- 元认知伙伴： 它们提倡计划、监控和反思，而不是仅仅完成任务（Wu et al., 2025; Song et al., 2024）。.
- 团结一致而非孤立： 它们支持教师而不是取代教师，并且在以人为本的学习环境中，在教师无法支持所有儿童学习过程的学习阶段，它们发挥着最佳作用（Holmes 等人，2018；Ninaus 和 Sailer，2022；Wang 等人，2024；Wezendonk 和 Veldhuis，2024）。.
- 符合伦理道德： 他们考虑了数据保护、公平性、可访问性以及过度缓解导致的认知„恶化“风险（Holmes 等人，2021 年；Fock 和 Siller，2025 年；Gerlich，2025 年；KMK，2024 年）。.
- 预先构建而非开放尤其是对于年龄较小的儿童，需要将人工智能作为学习支持，进行（应用程序或学习环境）集成、教学预先结构化和控制的集成，因为儿童通常还不能独立地使用人工智能作为学习支持（Gulz 等人，2021）。.
如果我们基于指导原则设计并进一步研究生成式人工智能学习支持，那么它并非取代教学，而是…… 教学方法的潜在扩展以及用于更个性化反馈和指导的工具, 尤其是在小学教育领域。未来几年的任务是将这些原则转化为具体的、经过实证检验的小学数学教学设计。在PRIMA-AI项目中，目前正在基于已制定的AI辅导基本原则，开发集成于应用程序中的AI学习支持工具。这些工具正在设计导向型研究的框架下进行研究、进一步开发和优化。.
文学
Alemdag, E. (2025). 聊天机器人对学习的影响：实证研究的元分析。. 教育技术研究杂志, ，57(2), 459–481。https://doi.org/10.1080/15391523.2023.2255698
Aleven, V., Roll, I., McLaren, BM, & Koedinger, KR (2016). 帮助固然重要，但作用有限：智能辅导系统下寻求帮助的研究。《国际人工智能教育杂志》，26(1)，205-223。https://doi.org/10.1007/s40593-015-0089-1
Almheiri, ASB, Albastaki, H., & Alrashdan, H. (2025). AI-based tutoring systems in education. 计算智能与机器人技术进展丛书, ，185–210。https://doi.org/10.4018/979-8-3373-0847-0.ch007
Aru, J., & Laak, K.-J. (2025). 开发基于人工智能的通用个人辅导员以用于教育。. 认知科学趋势, ，29(11)，957–960。https://doi.org/10.1016/j.tics.2025.09.010
Aufenanger, S.、Herzig, B. 和 Schiefner-Rohs, M. (2023)。人工智能与学校：教学任务与学校组织。载于 C. de Witt、C. Gloerfeld 和 S. E. Wrede (编)，, 教育中的人工智能 （第 199-218 页）。施普林格法赫梅迪恩。 https://doi.org/10.1007/978-3-658-40079-8_10
Awang, L.A.、Yusop, FD 和 Danaee, M. (2025)。人工智能在数学教育中的现状和未来方向：系统性回顾。. 国际电子数学教育期刊, ，20(2)，em0823。https://doi.org/10.29333/iejme/16006
Bach, KM, Reinhold, F., & Hofer, S. (2025). 释放来自低社会经济地位背景学生的数学潜能——使用教学支架提高成绩。npj学习科学，10(1)。.
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), 2422633122.
Bewersdorff, A.、Seßler, K.、Baur, A.、Kasneci, E. 和 Nerdel, C. (2023)。使用人工智能和大型语言模型评估学生在实验中的错误：与人类评分者的比较研究。. 计算机与教育：人工智能, ，5，100177。https://doi.org/10.1016/j.caeai.2023.100177
Buchholtz, N., Schorcht, S., Baumanns, L., Huget, J., Noster, N., Rott, B., Siller, H.-S., & Sommerhoff, D. (2024). 没人预料到这一点！关于人工智能技术在数学教育中的影响和研究需求的六项指导原则。. 数学教学学会通讯, 117.
Canonigo, A.M. (2024). 利用人工智能增强学生对数学的概念理解和信心。. 计算机辅助学习杂志, ，40(6), 3215–3229。https://doi.org/10.1111/jcal.13065
Cárdenas, R., Vásquez, HGE, Gamboa, DAP, Arteaga-Arcentales, E., & Carrera, JEM (2025). 探索人工智能驱动的自适应学习系统及其在教育环境中的应用：系统文献综述。. 国际创新研究与科学研究杂志, ，8(4)，832–842。https://doi.org/10.53894/ijirss.v8i4.7961
Chudziak, JA 和 Kostka, A. (2025)。人工智能驱动的数学辅导：个性化和自适应教育平台。. 计算机科学讲义, ，462–469。https://doi.org/10.1007/978-3-031-98465-5_58
Cohn, C.、Rayala, S.、Srivastava, N.、Fonteles, J.、Jain, S.、Luo, X.、Mereddy, D.、Mohammed, N. 和 Biswas, G. (2025)。基于 LLM 的教学代理的自适应支架理论。. arXiv. https://doi.org/10.48550/arxiv.2508.01503
Contel, F. 和 Cusi, A. (2025)。研究 ChatGPT 在支持问题解决活动中的元认知过程方面的作用。. 数学教育中的数字化体验, ，11(1)，167–191。https://doi.org/10.1007/s40751-024-00164-7
Cosentino, G.、Anton, J.、Sharma, K.、Gelsomini, M.、Giannakos, M. N. 和 Abrahamson, D. (2025)。用于教育反馈的生成式人工智能和多模式数据：来自具体数学学习的见解。. 英国教育技术杂志. https://doi.org/10.1111/bjet.13587
邓瑞、姜敏、于晓、卢艳、刘珊（2025）。ChatGPT 能提高学生的学习效果吗？实验研究的系统评价和荟萃分析。. 计算机与教育, ，227，105224。https://doi.org/10.1016/j.compedu.2024.105224
Dinsmore, D.L. 和 Fryer, L.K. (2026)。当前一代人工智能对学生学习究竟意味着什么？ 学习与个体差异, ，125，102834。https://doi.org/10.1016/j.lindif.2025.102834
Fock, A. 和 Siller, H.-S. (2025)。从人类繁荣的角度看中学 STEM 教育中的生成式人工智能：文献综述。. 研究广场. https://doi.org/10.21203/rs.3.rs-6923010/v1
Gerlich, M. (2025). AI 工具在社会中的作用：对认知卸载和批判性思维未来的影响。. 社会, ，15(1)，6。https://doi.org/10.3390/soc15010006
Gisiger, M. (2025年4月17日)。人工智能在学习中的作用——机遇与风险。. 迈克尔·吉西格. https://text.tchncs.de/gisiger/die-rolle-von-kunstlicher-intelligenz-im-lernen-chancen-und-risiken
Gonnermann-Müller, J., Haase, J., Fackeldey, K., & Pokutta, S. (2025). FACET：以教师为中心的基于LLM的多智能体系统——迈向个性化教育工作表。. arXiv. https://doi.org/10.48550/arxiv.2508.11401
Guerino, G.、Challco, GC、Veloso, TE、Oliveira, L.、Penha, RSD、Melo, RF、Vieira, T.、Marinho, MLM、Macario, V.、Bittencourt, II、Isotani, S. 和 Dermeval, D. (2023)。以教师为中心的智能辅导系统：巴西公立学校教师的设计考虑。. 第三十四届巴西信息教育简报. https://doi.org/10.5753/sbie.2023.235159
Gulz, A. 和 Haake, M. (2021)。不让任何一个孩子掉队，也不让任何一个孩子被区别对待：在早期数学软件中，是否有可能将自适应教学和包容性教学法结合起来？ SN 社会科学, ，1，205。https://doi.org/10.1007/s43545-021-00205-7
Guo, J., Ma, Y., Jang, H., Li, T., Wu, J., Huang, D., Han, F., Noetel, M., Liao, K., Tang, X., & Kui, X. (2025). 人工智能对小学生学习动机和参与度的影响：系统评价。. PsyArXiv. https://doi.org/10.31234/osf.io/ecspn_v1
Harahap, R. (2024). ChatGPT 在增强数学教育中的作用：系统评价。. 越南科学技术院年鉴, ，28(2s), 511–524。https://doi.org/10.52783/anvi.v28.2753
Hocine, N.、Moussa, MBO 和 Ali, S.A. (2023)。Posicalculia：一个面向学习困难儿童的自适应虚拟环境。. IEEE INSTA 2023. https://doi.org/10.1109/inista59065.2023.10310592
Holmes, V.M. (2024). 为患有阅读障碍、书写障碍和计算障碍的儿童设计人工智能数学辅导工具。https://doi.org/10.58445/rars.2035
Holmes, W.、Bialik, M. 和 Fadel, C. (2019)。. 人工智能在教育中的应用：前景与对教学的影响. 课程改革中心。.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S., Santos, OC, Rodrigo, M., Cukurova, M., Bittencourt, I., & Koedinger, K. (2021). 教育中人工智能的伦理：迈向社区范围的框架。. 国际教育人工智能期刊, ，32，504–526。https://doi.org/10.1007/s40593-021-00239-1
Holmes, W. 和 Tuomi, I. (2022)。人工智能在教育领域的现状与实践。. 欧洲教育杂志, ，57(4), 542–570。https://doi.org/10.1111/ejed.12533
黄，S.（2022）。人工智能对小学生数学成绩的影响研究：一项元分析。. 可持续性, ，14(20)，13185。https://doi.org/10.3390/su142013185
Jančařík, A.、Michal, J. 和 Novotná, J. (2023)。使用人工智能聊天机器人进行数学辅导。. 教育文化与社会杂志, ，14(2), 285–296。https://doi.org/10.15503/jecs2023.2.285.296
Kaliisa, R., Misiejuk, K., López-Pernas, S., & Saqr, M. (2025). 人工智能与人类反馈相比如何？一项关于绩效、反馈感知和学习倾向的元分析。. 教育心理学, ，1–32。https://doi.org/10.1080/01443410.2025.2553639
Kestin, G.、Miller, K.、Klales, A.、Milbourne, T. 和 Ponti, G. (2025)。人工智能辅导优于课堂主动学习：一项在真实教育环境中引入基于研究的新设计的 RCT。. 科学报告, ，15(1), 17458。https://doi.org/10.1038/s41598-025-97652-6
KirschnerED（2025年8月15日）。ChatGPT在教育领域的应用：一种效果，却找不到原因？https://www.kirschnered.nl/2025/08/15/chatgpt-in-education-an-effect-in-search-of-a-cause/
KMK（2024）。. 关于教育当局在学校教育过程中处理人工智能的建议. https://www.kmk.org/fileadmin/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf
Kortenkamp, U. (2024). 人类需要多少数学知识？面对人工智能的核心数学能力。https://doi.org/10.20378/irb-104036
Kumar, H.、Rothschild, DM、Goldstein, DG 和 Hofman, JM (2023)。使用大型语言模型进行数学教育：危险还是希望？（SSRN 学术论文第 4641653 号）。. 社会科学研究网络. https://doi.org/10.2139/ssrn.4641653
郭炳昌、白志恩、林志豪（2026）。开发用于小学数学问题解决的人工智能学习伙伴。. 计算机与教育, ，240，105463。https://doi.org/10.1016/j.compedu.2025.105463
李明（2024）。将人工智能融入小学数学教育：探究教师采用人工智能的内部和外部影响因素。. 国际科学与数学教育杂志. https://doi.org/10.1007/s10763-024-10515-w
Ligthart, MEU, de Droog, SM, Bossema, M., Elloumi, L., Hoogland, K., Smakman, MHJ, Hindriks, KV, & Ben Allouch, S. (2023). 社交机器人数学辅导的设计规范。载于 G. Castellano, L. Riek, M. Cakmak, & J. Leite (编), 2023 年 ACM/IEEE 人机交互国际会议论文集 (第 321–330 页)。ACM/IEEE。https://doi.org/10.1145/3568162.3576957
Listyaningrum, P., Retnawati, H., Harun, H., & Ibda, H. (2024). 使用 ChatGPT 在小学数学学习中进行数字学习：系统文献综述。. 印度尼西亚电气工程与计算机科学杂志, ，36(3)，1701–1710。https://doi.org/10.11591/ijeecs.v36.i3.pp1701-1710
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, PLH (2025). Designing a generaterative AI enabled learning environment for mathematics word problem solving in primary schools: Learning performance, attitudes and interaction. 计算机与教育：人工智能, ，9，100438。https://doi.org/10.1016/j.caeai.2025.100438
Makransky, G.、Shiwalia, BM、Herlau, T. 和 Blurton, S. (2024)。超越„哇“因素：使用生成式人工智能来增加生成式意义构建。. 审查. https://doi.org/10.21203/rs.3.rs-5622133/v1
Mott, B., Gupta, A., Glazewski, K., Ottenbreit-Leftwich, A., Hmelo-Silver, C., Scribner, A., Lee, S., & Lester, J. (2023). 促进高年级小学生人工智能教育：迭代地完善人工智能规划的“使用-修改-创建”支架式发展。. 2023年计算机科学教育创新与技术会议论文集 第2卷, ，647. https://doi.org/10.1145/3587103.3594170
Ninaus, M. 和 Sailer, M. (2022)。闭环——人工智能在教育中的作用。. 心理学前沿, ，13. https://doi.org/10.3389/fpsyg.2022.956798
Opesemowo, OAG 和 Adewuyi, HO (2024)。数学教育中人工智能的系统性回顾：第四次工业革命的出现。. 欧亚数学、科学与技术教育杂志, ，20（7），em2478。 https://doi.org/10.29333/ejmste/14762
Qian, K., Liu, S., Li, T., Raković, M., Li, X., Guan, R., Molenaar, I., Nawaz, S., Swiecki, Z., Yan, L., & Gašević, D. (2026). 迈向可靠的生成式人工智能驱动的支架：减少幻觉并提高自我调节学习支持的质量。. 计算机与教育, ，240，105448。https://doi.org/10.1016/j.compedu.2025.105448
Rosenfelder, A.、Levitin, MD 和 Gilead, M. (2025)。迈向社会超级智能？人工智能无需专门训练即可从文本中推断各种心理特征，表现优于人类评判者。. 计算机在人类行为中的作用：人工智能, ，6，100228。https://doi.org/10.1016/j.chbah.2025.100228
Ruan, S., He, J., Ying, R., Burkle, J., Hakim, D., Wang, A., Yin, Y., Zhou, L., Xu, Q., AbuHashem, AA, Dietz, G., Murnane, EL, Brunskill, E., & Landay, JA (2020). Supporting children's math learning with feedback-augmented narrative technology. 2020年人机交互系统会议论文集. https://doi.org/10.1145/3392063.3394400
Rumbelow, M. 和 Coles, A. (2024)。人工智能物体识别在数学学习中的应用前景：一项关于 6 岁儿童与 Cuisenaire 棒和 Blockplay.ai 应用程序互动的探索性研究。. 教育科学, ，14(6), 591。https://doi.org/10.3390/educsci14060591
Samuelsson, J. (2023). 人工智能支持的算术事实流畅性。. 教育技术前沿, ，6(1), 13. https://doi.org/10.22158/fet.v6n1p13
Sayed, W.S.、Noeman, A.、Abdellatif, A.、Abdelrazek, M.、Badawy, MG、Hamed, AEA 和 El-Tantawy, S. (2022)。基于人工智能的自适应个性化内容呈现和练习导航，打造高效且引人入胜的电子学习平台。. 多媒体工具和应用程序, ，82(3), 3303–3333。https://doi.org/10.1007/s11042-022-13076-8
Schneider, RJ (无日期)。人工智能在备课中的应用：如何从学科教学的角度评价人工智能生成的小学数学练习题？ [未发表的手稿].
Son, T. (2024). 数学教育中的人工智能：智能辅导系统的系统文献综述。. 数学教育研究杂志, ，34(2), 187。https://doi.org/10.29275/jerm.2024.34.2.187
Song, Y., Kim, J., Liu, Z., Li, C., & Xing, W. (2024). 学生对生成式 AI 驱动的可教代理的角色、机会和挑战的感知：以中学数学课为例。. 教育技术研究杂志, ，1–19。https://doi.org/10.1080/15391523.2024.2447727
Topkaya, Y., Doğan, Y., Batdı, V., & Aydın, S. (2025). 人工智能在小学教育中的应用：一项定量支持的混合元方法研究[预印本]。预印本。https://doi.org/10.20944/preprints202501.2263.v1
Vitale, A., & Dello Iacono, U. (2024). 利用社交机器人作为包容性教育技术，通过讲故事的方式进行数学学习。《欧洲公共与社会创新评论》，9，1-17。https://doi.org/10.31637/epsir-2024-672
王迪、单迪、鞠瑞、高斌、张超、陈刚（2025）。利用人工智能和序列挖掘技术研究K12在线一对一数学辅导中的对话互动。. 教育和信息技术, ，30(7), 9215–9240。https://doi.org/10.1007/s10639-024-13195-9
王杰、范伟（2025）。ChatGPT 对学生学习表现、学习感知和高阶思维的影响：一项元分析的启示。. 人文与社会科学传播, ，12(1)，1–21。https://doi.org/10.1057/s41599-025-04787-y
王莉、聂志强（2023）。从教师人工智能素养视角看K-12教育中的自适应学习研究：发展、技术、改进策略。. IEEE CSTE 2023. https://doi.org/10.1109/cste59648.2023.00059
Wang, RE, Ribeiro, AT, Robinson, CD, Loeb, S., & Demszky, D. (2024). Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. arXiv 预印本 arXiv:2410.03017. https://arxiv.org/abs/2410.03017
Wezendonk, A. 和 Veldhuis, M. (2024)。自适应空系统和知识领域基础学校学习的教学解决方案。. Statistiek 中的 Onderwijs en Praktijk Tijdschrift. https://doi.org/10.54657/tops.13844
Wu, R., & Yu, Z. (2024). AI聊天机器人能提高学生的学习成绩吗？来自元分析的证据。. 英国教育技术杂志, ，55(1)，10–33。https://doi.org/10.1111/bjet.13334
Wu, X.-Y., Radloff, J., Yeter, I., Wang, L., & Chiu, TKF (2025). 基于哈贝马斯的三种兴趣，通过系统综述设计用于自我调节学习的人工智能聊天机器人。. 交互式学习环境. https://doi.org/10.1080/10494820.2025.2563086
Yim, IHY 和 Su, J. (2025)。小学人工智能素养教育：一项综述。. 国际技术与设计教育杂志. https://doi.org/10.1007/s10798-025-09979-w
Zheng, L., Niu, J., Zhong, L., & Gyasi, J.F. (2023). 人工智能对学习成绩和学习感知的影响：一项元分析。. 交互式学习环境, ，31(9), 5650–5664。https://doi.org/10.1080/10494820.2021.2015693
发表回复