核心观点：问题不在于飞机，而在于飞行员

想象一下你正在学习驾驶飞机。生成式人工智能就像是一个超级先进的自动驾驶系统。它现在可以完美地驾驶飞机，规划航线，甚至比人类处理紧急情况做得更好。

本文的作者认为，如果我们让学生只是坐在那里，任由 AI “驾驶飞机”（解决物理问题），他们将永远学不会如何成为飞行员。他们称之为**“温水煮青蛙问题”**。如果你把一只青蛙放在沸水中，它会跳出来；但如果你把青蛙放在冷水中，然后慢慢调高温度，青蛙会逐渐适应，最终在毫无察觉的情况下被煮熟。

在教育领域，这种“热度”就是 AI 在做作业方面变得越来越强。如果我们不小心，学生会逐渐停止进行学习物理所需的深度思考，而他们甚至不会察觉到危险何时到来。

核心要点： 问题不在于工具（AI）；问题在于教师如何使用它。正如俗话所说，“问题不在于飞机，而在于飞行员”。在这种情况下，“问题不在于工具，而在于教师。”

解决方案：AIRIS 框架

为了防止“青蛙”被煮熟，作者提出了一种名为 AIRIS 的新教学方法。你可以把它看作是一个三步走的配方，旨在利用 AI 的同时，不让它接管你的大脑。

其目标是确保学生承担“重度思考”的任务，而让 AI 处理“重度计算和绘图”的任务。

第一阶段：激活 (Activate) —— 在使用 AI 之前

类比： 想象你正准备烤一个蛋糕。在打开烤箱或使用高级搅拌机之前，你必须先预判蛋糕看起来会是什么样子。它是蓬松的吗？还是扁平的？你在脑海中勾勒出一幅草图。
在课堂上： 在学生接触 AI 之前，他们必须：

绘制自己的预测（例如：“我认为电梯会加速，然后保持匀速，最后减速”）。
勾勒出图表应该呈现的样子。
制定一个计划。
为什么？ 这能建立一个“心理锚点”。如果 AI 稍后给出了奇怪的答案，学生拥有自己的预测可以与之进行对比。

第二阶段：探究 (Inquire) —— 在使用 AI 期间

类比： 现在你打开了搅拌机。机器在进行打蛋和混合面粉等繁琐的工作。但你仍然是主厨。你在观察碗里的情况。你在检查：“这个质地对吗？我是不是加糖太多了？”
在课堂上： 学生让 AI 处理枯燥的部分：

计算复杂的数值。
根据数据绘制图表。
运行模拟实验。
关键规则： 学生不允许直接接受 AI 的答案。他们必须扮演侦探的角色，将 AI 的图表与第一阶段自己的草图进行对比。他们会问：“为什么 AI 这样画图？这正确吗？”

第三阶段：反思 (Reflect) —— 在使用 AI 之后

类比： 蛋糕烤好了。现在，你必须品尝它并解释为什么会变成这样。是因为泡打粉的作用吗？还是因为烤箱温度太高导致太干了？你要对结果负责。
在课堂上： 在 AI 完成工作后，学生必须：

解释这些图表在现实世界中究竟意味着什么。
检查结果是否合理（例如：“电梯真的上升了 300 层吗？这似乎太高了！”）。
明确说明哪些部分是 AI 完成的，哪些部分是他们自己完成的。
为什么？ 这能确保学生真正理解了物理原理，而不仅仅是复制了一张漂亮的图片。

现实案例：电梯之旅

为了展示这一方法的运作方式，作者使用了一个真实的实验，涉及伦敦一座高层建筑（碎片大厦）内的电梯。

使用 AI 前： 学生必须猜测当电梯下降时，一个人的加速度会发生什么变化。他们绘制了自己的图表，预测电梯何时加速、何时匀速以及何时停止。
使用 AI 期间： 学生上传了来自电梯内手机的真实数据，并要求 AI 绘制图表并计算速度。
使用 AI 后： 学生观察 AI 的图表并询问：“这符合我的预测吗？为什么这里的线条是波动的？AI 是否犯了错？”他们必须解释曲线背后的物理原理。

伦理警告

论文以关于伦理的严肃讨论结束。人们担心如果过度使用 AI，学生可能会变成“懒惰的思考者”。他们可能会停止尝试理解世界，转而盲目信任机器。

作者指出，教师有责任防止这种情况发生。他们必须设计出让 AI 成为合作伙伴（辅助思考）而非替代品（代替思考）的课程。如果使用得当，AI 能让学习更深入；如果使用不当，则会让学习变得肤浅。

简而言之： 不要让 AI 驾驶飞机。要利用 AI 来帮助你更好地学习如何驾驶。

技术摘要：旨在避免“温水煮青蛙”问题的认知激活式 AI 增强框架

1. 问题陈述

本文探讨了物理入门教育中一个关键且新兴的挑战：“温水煮青蛙”问题。虽然生成式人工智能（GenAI）系统现在已经能够可靠地解决标准的物理任务（生成正确的方程、图表和解释），并达到专家水平，但其整合过程带来了微妙的伦型与教育风险。主要的危险不在于生成错误的结果，而在于学生在认识论实践（epistemic practices）——即定义物理学习的核心认知活动，如预测、模型评估和解释——方面的参与度逐渐流失。

如果教学实践对 AI 能力的适应速度过慢，学生可能会在没有进行底层认知工作的情况下，越来越多地提交正确的结果。这将导致“空洞化”理解，即学生绕过了深度学习所必需的自我调节学习（SRL）过程、意义构建努力（生发性认知负荷）以及多种外部表征（MER）的协调。作者认为，核心挑战不在于作弊或工具选择，而在于教学设计。

2. 方法论与理论框架

本文提出了一个基于四个既定研究传统的实用教学框架：

自我调节学习 (SRL)： 强调学生需要计划、监控和反思其学习过程。
多媒体学习认知理论 (CTML)： 区分外生性负荷（应予以减少）与生发性认知努力（必须予以保留以进行意义构建）。
多种外部表征 (MER)： 侧重于图表、方程和言语描述之间的协调，而非仅仅是翻译转换。
混合智能 (Hybrid Intelligence)： 定义了一种伙伴关系，其中认识论责任仍由人类承担，而非委托给机器。

基于这些支柱，作者引入了 AIRIS 框架（激活——探究——反思，并辅以智能支持）。这是一个旨在将 AI 作为“认识论伙伴”而非“答案生成工具”来集成的三阶段教学结构。该框架通过一个涉及分析伦敦碎片大厦（The Shard）电梯内实际加速度数据的具体课堂案例进行了说明。

3. 核心贡献：AIRIS 框架

其核心贡献是 AIRIS 框架，它通过结构化学生在使用 AI 前、中、后的活动，来确保认知激活：

第一阶段：激活 (Activate) —— 使用 AI 之前

目标： 认识论奠基并建立预期。
活动： 学生进行定性建模，绘制预期的关系图（例如 $a-t$ 、 $v-t$ 、 $s-t$ 图），做出预测并识别变量。
功能： 此阶段迫使学生构建初始心理模型，并为随后评估 AI 输出结果建立参考点。它支持规划（SRL）并为有意义的认知处理做准备（CTML）。

第二阶段：探究 (Inquire) —— 使用 AI 期间

目标： 在保留认识论判断的同时，有引导地委派计算任务。
活动： 学生将常规计算、数据可视化和模型生成交给 AI。然而，他们被明确要求将 AI 输出与自己的预测进行比较，标注差异，并质疑假设（例如拟合范围、平滑处理的选择）。
功能： AI 充当计算伙伴，但学生仍是批判性的评估者。这符合混合智能的观点。

第三阶段：反思 (Reflect) —— 使用 AI 之后

目标： 落实认识论责任与巩固知识。
活动： 学生解释模型的物理意义，将结果与理论预期进行比较，诊断不确定性或误差的来源，并明确反思人类与 AI 之间的分工。
功能： 通过使认识论责任显性化，防止“空洞化”理解。这要求学生有意义地协调多种表征（MER），并进行监控与反思（SRL）。

4. 结果与说明性应用

本文并未展示关于学生学习成果的实证数据，而是提供了该框架的教学演示。通过一个运动学实验任务（分析碎片大厦内的下行电梯运动），作者展示了如何实施 AIRIS：

AI 前： 学生绘制预期的加速度、速度和位置图，并从物理角度证明其预期的合理性。
AI 期间： 学生将原始加速度数据上传至 AI 以生成可视化图表及衍生曲线（ $v-t$ 和 $s-t$ ）。随后，他们被要求独立估算最大速度，并将其与 AI 的输出进行对比。
AI 后： 学生解释生成的图表的斜率，检查各表征之间的物理一致性，计算平均楼层高度以验证合理性，并讨论诸如传感器偏移和噪声等局限性。最后，他们通过评价自己在描述运动定性特征方面的信心程度来结束学习。

该示例展示了如何通过集成 AI，将预测、解释和评估保留为核心学习活动，而不是允许这些活动被绕过。

5. 意义与主张

本文声称，AIRIS 框架的意义在于其通过将认识论实践置于课堂活动的核心，从而解决了“温水煮青蛙”问题。

伦理义务： 作者认为，教师有责任防止学习者能力的退化。引用德国伦理委员会的观点及近期的元分析，他们断言，只有当 AI 能够促进学习单元的增强或重新定义，而非导致“元认知懒惰”时，才应使用 AI。
教学转型： 本文将教育者的角色从工具的把关者重新定义为认知激活的编排者。其核心论点是：“问题不在于工具，而在于教师。”
未来工作： 作者谦虚地指出，虽然该框架为认知激活式探究提供了一个结构，但其对成功学习成果的影响仍需通过实证研究进行进一步评估。他们强调，该框架是旨在 AI 丰富的世界中保留科学思维本质的一个起点。

It's Not The Plane -- It's The Pilot: A Framework for Cognitive-Activated AI-Augmentation to Avoid the Boiling Frog Problem