🔬 physics

Students using GenAI lag behind in problem-solving competence: an agent-based study of classroom networks

本研究通过使用基于智能体模型来模拟高中物理课堂，揭示了生成式人工智能虽然提供了支持，但其使用最终会通过鼓励认知卸载并破坏集体学习动态，从而阻碍问题解决能力的培养，并增加处于较低技能层级的学生比例。

原作者： Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lorenzo Betti, Iacopo Caporossi, Carsten Källner, Karolina Levanaitė, Chenyu Li, Xuan-Chen Liu, Giulia Lorenzini, Vittoria Socci, Michele Re Fiorentin, Ilaria Stanzani, Marta Baratto

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是该论文的中文翻译，保留了原有的含义、语气、语体、结构以及所有的类比和示例。

大局观：“作弊码”陷阱

想象一个由 30 名高中生组成的教室，他们正在尝试学习如何解决复杂的物理谜题。他们有两种主要的方法来应对这些谜题：

硬核方式： 他们通过思考，或者向朋友寻求帮助，并靠自己解决问题。
“魔杖”方式： 他们使用一个超级聪明的 AI（生成式 AI），它能瞬间给出答案。

这项研究提出了一个简单的问题：如果全班同学都开始使用这根“魔杖”，整个班级的水平会发生什么变化？

为了找出答案，研究人员并没有直接观察真实的课堂（因为很难控制变量）。相反，他们构建了一个数字模拟系统——一个拥有 30 个计算机“智能体”（学生）的教室电子游戏。他们运行了这个游戏 1,000 次，以观察学生的技能随时间的变化情况。

模拟是如何运作的

研究人员为这个游戏设定了三个关键规则：

网络结构： 学生们像社交网络一样相互连接。有些人是随机的朋友，有些人属于紧密的群体，而有些人则只是松散的连接。
选择： 在每一步中，一名学生都会做出决定：“我是自己解决（或找朋友帮忙），还是向 AI 求助？”
后果：
- 如果你靠自己解决，你的大脑会得到强力锻炼，从而变得更聪明。
- 如果你向朋友请教，你会从他们那里学到一点东西。
- 如果你使用 AI，你会得到答案，但你的大脑无法得到完整的锻炼。你可能会学到一点点事实知识，但你错失了“问题解决肌肉”的训练。

出人意料的结果

1. “平均水平”的学生变差了

当研究人员让全班同学都开启 AI 时，小组的平均问题解决能力下降了。

类比： 想象一个健身房，大家决定不再举重，而是改为要求机器帮他们举重。尽管机器移动了重量，但人们的肌肉却变弱了。整个班级的自主解决问题能力变得更差了。

2. “卡在中间”效应

如果没有 AI，学生们会自然而然地向上攀升。那些起步技能较低的学生会赶上来，整个班级最终会进入“高”和“极高”技能区。

有了 AI 后： 学生们无法爬得那么高。很大一部分学生“卡”在了中间甚至较低的区域。他们没有失败，但他们的成长并没有达到应有的高度。
类比： 想象一场比赛，每个人都在奔跑。没有 AI 时，每个人按自己的节奏奔跑，并随着时间的推移变得更快。有了 AI，就像有些跑者站在移动步道上。他们虽然到达了终点，但从未真正建立起独自快速奔跑的腿部力量。

3. 班级分裂成了两个群体

这是最重要的发现。当引入 AI 时，班级不仅仅是“变差了一点”，而是分裂成了两个截然不同的群体：

A 组： 使用 AI 频率较低的学生。他们保持着不断变聪明，并最终处于顶端。
B 组： 使用 AI 频繁的学生。他们最终处于“低技能”群体，明显落后于其他人。
类比： 想象一群徒步旅行者。如果大家都徒步，大家都会变得强壮。但如果有些徒步者乘坐直升机（AI）到达山顶，他们虽然到达了目的地，但身体很虚弱且疲惫。人群分裂了：强壮的徒步者和虚弱的直升机乘客。那些直升机乘客不仅是原地踏步，他们在体能方面实际上已经落后于徒步者了。

4. “捷径”习惯

研究发现，一个学生越依赖 AI，他们就越有可能进入那个低技能群体。

类比： 这就像用计算器做简单的数学题。如果你对所有事情都用计算器，你最终会忘记如何进行基础加法。那些将 AI 作为“捷径”使用的学生停止了构建自己的问题解决能力，AI 反而成为了他们学习的障碍。

核心结论

论文得出结论：虽然 AI 可以给学生提供答案，但它可能会阻止他们建立寻找答案本身的技能。

当全班同学都使用 AI 时，它并不只是让每个人都变得更聪明；它实际上创造了一种分化。它让很大一部分学生在批判性思维和解决问题的能力上滞后，而只有一小部分人（那些不依赖 AI 的人）在持续成长。研究人员建议，我们需要关注的是 AI 如何影响整个群体的动态关系，而不仅仅是看单个学生在单次测试中的表现。

技术摘要：使用生成式人工智能的学生在问题解决能力方面表现滞后

问题陈述
问题解决能力（PSC）的发展是培养具有韧性的公民的基础，然而，生成式人工智能（GenAI）对课堂环境中这一发展过程的集体影响仍未得到充分探索。虽然现有文献广泛涵盖了 GenAI 对个体学习成果和态度的影响，但对于学习策略的分布——即在利用 GenAI、与同伴协作或独立工作之间的选择——如何塑造整个学习共同体中 PSC 的演进过程，目前仍缺乏理解。一个关键的空白在于：GenAI 究竟是作为协同构建学习的支架，还是作为一种阻碍深度学习的认知卸载机制？尤其是在考虑个体选择与同伴网络结构之间的动态相互作用时，这一问题尤为显著。

研究方法
为了解决这一问题，作者开发了一个基于智能体模型（ABM），用以模拟高中物理课堂中 PSC 的演进过程，共计 60 个时间步（代表 60 次练习）。

智能体与状态变量： 模型由 $N=30$ $N = 30$ 个学生智能体组成。每个智能体 $i$ $i$ 由三个状态变量表征：
1. 问题解决能力 ( $C_i^t$ )： 解决物理练习的能力，其初始值采用意大利 INVALSI 评估的经验分布（ $N(\mu=195.9, \sigma=1.28)$ ）。
2. GenAI 依赖度 ( $\alpha_i^t$ )： 一个处于 $[0,1]$ 之间的数值，代表对 AI 的依赖程度，初始值为 0.5。
3. 对同伴的依赖度 ( $\tau_i^t$ )： 一个处于 $[0,1]$ 之间的数值，代表寻求同伴帮助的倾向，初始值为 0.5。
数据与校准： 模型利用了一个包含 60 个物理练习的数据集，涵盖了意大利科学文科高中（Scientific Lyceum）的课程内容。每个练习都标注了三个组成部分：数学知识、物理推理和认知问题解决技能（CPSS）。至关重要的是，模型量化了人类解法（无 AI）与 GenAI 解法（使用 OpenAI 的 GPT-5.5）之间的“得分差距”。数据表明，虽然 GenAI 可以解决练习题，但与人类解法相比，它在 CPSS 方面的增益较低。
动态与策略选择： 在每个时间步，智能体根据受练习难度、当前能力增益、AI 依赖度和同伴依赖度影响的 Sigmoid 概率函数来选择策略。
- 使用 GenAI ( $S_i=1$ )： 智能体假设练习已完成，但能力更新受到限制。他们获得了潜在的数学和物理知识，但经历了潜在的损失或零增益在 CPSS 方面，这反映了认知卸载。
- 不使用 GenAI ( $S_i=0$ )： 智能体要么独立工作，要么与网络中的同伴进行协作。成功概率设定为 0.54（基于国家数据）。成功的独立工作会带来完整的能力增益。同伴协作允许知识转移：如果同伴的能力更高，智能体的能力将更新为其自身与同伴之间的一个随机值；如果同伴能力较低，则不会产生额外的学习。
网络结构： 研究通过模拟四种不同的网络拓扑结构来测试结构的鲁棒性：
1. Erdős–Rényi (ER) 随机网络。
2. Watts–Strogatz (WS) 小世界网络。
3. 代表社区结构的随机块模型 (SBM)。
4. 结合了基于能力同质性（即初始同伴连接是基于相似的能力水平形成的）的改进型 SBM。

核心结果
通过对每种情况进行 1,000 次独立运行得到的模拟结果显示，获取 GenAI 会对集体能力动态产生显著的负面影响：

平均能力下降： 在所有网络拓扑结构中，能够使用 GenAI 的课堂在技能获取速率和最终平均 PSC 上，始终低于无法使用 GenAI 的课堂。
上升动力停滞： 在没有 GenAI 的情况下，学生会逐渐向更高的能力层级移动，分布集中在“高”和“极高”类别。相反，GenAI 的介入导致了停滞，导致很大一部分学生停留在了“中”、“低”和“极低”层级。
双峰现象的出现： GenAI 的引入使最终的能力分布从相对均匀的单峰状态转变为双峰分布。高斯混合模型显示，GenAI 的介入使低能力簇的大小从无 AI 场景下的约 1–4% 增加到了人口中的 8–12%。
按使用频率分层： 对使用频率的分析显示，GenAI 使用频率最高（75–100% 的练习）的学生不成比例地集中在出现的低能力峰值中。这表明，过度依赖 GenAI 会主动抑制问题解决技能的掌握。
与同质性的相互作用： 在具有基于能力同质性的网络（改进型 SBM）中，GenAI 的介入似乎放大了分层现象，降低了学生超越其初始能力邻域的可能性。

意义与主张
本文主张，评估 GenAI 的教育影响不能仅通过个体的学习成果或即时的任务完成情况。相反，研究表明，GenAI 的可用性从根本上重塑了学习共同体内能力发展的集体动态。

作者认为，虽然 GenAI 可能有助于完成任务，但将其作为捷径的使用会导致认知卸载，从而削弱自主问题解决能力的发展。这种效应并非均匀分布；它创造了一种分层现象，即一部分学生落后，导致课堂出现两极分化，使得相当比例的学生未能达到高水平的能力。研究结论指出，GenAI 的风险不仅限于个体批判性思维的缺失，还包括课堂能力分布的结构性重组，这可能导致比传统学习环境下更多的学生留在较低的能力层级。