生成式人工智能能够在数秒内解释复杂概念、解决问题或纠正语句，为学习提供了前所未有的便利。然而，信息的易得性并不等同于学习的持久性。那些看似轻松或熟悉的策略，未必能带来最佳的学习效果。
在使用 AI 时，用户掌握着主导权，因此制定有效的学习策略至关重要。需要注意的是，成功完成任务并不等于真正学到了知识。AI 或许能帮助用户今天得出正确答案，但这并不能保证他们明天具备独立解决同类问题的能力。
构建更丰富的学习生态系统
语言学习是一个典型的案例。像 Duolingo 这样的应用程序可以提供结构化的重复练习和动力激励。学习者可以通过尝试从记忆中提取答案——例如在查看选项前大声复述陌生句子或重复困难词汇——来深化这一体验。研究表明，故意检索信息比单纯重新阅读材料更能改善长期记忆。
大型语言模型（如 ChatGPT）在此过程中扮演不同的角色。它们可以用于解释概念、比较句子结构、生成更多示例，或辅助研究者分析特定现象。当结构化应用与大型语言模型结合使用时，可以形成更完善的学习生态。一项针对 Duolingo 用户的小型案例研究发现，增加反思日记——记录想法和目标——能让学习者有机会表达策略和困难，从而提高对自身学习过程的认知。
即便使用相同的 AI 模型，不同的交互方式会导致截然不同的学习效果。例如，一名学生遇到难题直接索要答案；另一名学生则先尝试解题，再询问为何自己的答案是错的，或者要求提供线索、另一个例子，甚至让 AI 挑战自己的推理过程。虽然工具相同，但背后的学习活动本质不同。
元认知与技术设计的影响
心理学家用“元认知”（metacognition）来描述人们监控和管理自身思维过程的能力，即检查、理解和调节自己的思考。有效的学习者能够判断自己理解了哪些内容、需要多少练习、哪些策略有效以及何时寻求帮助。新兴研究显示，这种能力也深刻影响着人们与 AI 的互动模式。
在一项为期一个学期、针对使用 ChatGPT进行英语写作的大学生的研究中，元认知意识与不同的人工智能使用模式密切相关。采访数据显示，学生的行为范围从简单复制 ChatGPT 的输出，到更积极地利用其反馈来改进书面作品。
技术设计同样关键。在一项涉及近 1,000 名中学数学学生的大型实地实验中，研究人员对比了两组学生：一组使用标准版 GPT-4，另一组使用经过特殊设计的 GPT-4 版本，旨在扮演导师角色而非直接提供答案。
结果显示，使用标准版 GPT-4 的学生成绩有所提高，但当研究人员移除 AI 支持后，这些学生的表现比从未使用过 AI 的学生差 17%。相比之下，使用“导师型”GPT-4 版本的小组基本避免了这种成绩下滑。
这一发现强调了辅导型设计的重要性。拒绝帮助并非目的，有效的支持应当消除不必要的障碍，同时保留学习所需的心理活动。AI 不仅可以立即提供答案，还可以提供线索、鼓励用户先尝试解题、识别误解、生成新例子或要求学习者解释推理过程。核心问题不在于是否使用 AI，而在于它允许用户停止做哪些原本有助于提升能力的学习活动。
迈向自我意识的学习
AI 素养至关重要。学习者需要了解这些系统的功能边界、如何质疑输出结果以及何时适宜使用。此外，我们还需要明确思考“识字的学习”（literacy of learning）。这并非一个新的心理学概念，而是描述人们在日益复杂的技术环境中调节学习所需的知识和判断力的公众化表述。
AI 迫使我们反思：我们是否理解手中的工具？我们是否掌握了足够的学习方法来决定如何使用这些工具？有充分理由认为 AI 可以成为解决方案的一部分。近期一项涵盖 32 项研究、涉及 3,029 名参与者的元分析报告指出，AI 辅助干预措施对自我调节学习和自主学习具有显著的积极影响。
然而，效果因技术和学习经验的设计方式而异，这意味着责任不仅仅在于学习者个人。学校和大学应使学习过程更加透明，帮助学生理解回忆、反思和反馈等策略为何有效。开发人员则可以设计鼓励用户在获得协助前先尝试的人工智能系统，在适当情况下提供提示而非直接给出解决方案，并要求学习者解释或重新审视他们的推理。
学习者最终可以提出一个简单而核心的问题：“通过这样使用人工智能，我实际上学到了什么？”当前的努力方向是让 AI 更好地回答问题，而教育的挑战在于，如何同样敏锐地识别这些答案是真正促进了学习，还是仅仅帮助完成了课程任务。
