📈 economics

Curriculum design in the age of AI

本文模拟了人工智能的可获得性如何改变最优课程设计，研究表明，虽然当人工智能能与努力相辅相成时，它可以加速高技能学生的学习进程，但它通常会迫使教师扭曲任务序列以激励学生的努力，最终导致整体技能发展的降低。

原作者： Benjamin Davies

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Benjamin Davies

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

想象一下，你正在努力精进某项技能，比如玩一款电子游戏或解决一个棘手的谜题。你知道有两种应对关卡的方法：你可以亲自“苦练”（grind），在重重障碍中挣扎；或者你可以使用“作弊码”，瞬间解决谜题。在经济学和教育领域，这是一个经典的权衡。 “苦练”很辛苦，但它能为未来打造你的“大脑肌肉”（技能）。而“作弊码”很简单，能让你立刻获得满分，但它会让你的大脑肌肉变得虚弱。这篇由经济学家本杰明·戴维斯（Benjamin Davies）撰写的论文提出了一个属于我们这个时代的迫切问题：如果学生可以使用超级聪明的“作弊码”（人工智能），老师应该如何设计作业，才能确保学生依然能够变得强大？

这篇论文使用了一个模型，其中学生面临一系列任务。他们可以选择亲自动手（这需要付出努力，但能建立技能），或者交给人工智能处理（这不需要付出努力，但也无法建立技能）。老师的任务是安排这些任务的特定顺序——即“课程大纲”——以促使学生尽可能多地进行实际操作。论文探讨了当老师试图智斗学生使用 AI 的诱惑时会发生什么。结果表明，AI 的存在迫使教师彻底改变游戏规则：有时会让早期的作业更专注于特定类型的思考，以保持学生的参与度；有时则会让 AI 帮助高技能的学生学得更快，却让低技能的学生学得更慢。

作弊码困境

把学生的教育想象成一场漫长的视频游戏战役。“技能”就是你的角色力量和智力，它们只有在你亲自击败怪物时才会增长。“努力”则是你挥舞剑刃所消耗的能量。在这个故事中，AI 是一根可以瞬间击败任何怪物的魔法棒。如果你使用魔法棒，你可以无需挥剑就获得宝藏（成绩），但你的角色并不会因此变得更强。

老师是游戏设计师。他们的目标不仅仅是给你一个高分，而是要确保你的角色在游戏结束时成为一名传奇英雄。论文提出了疑问：游戏设计师应该如何安排关卡，才能让你选择挥剑而不是挥动魔法棒？

“无作弊”世界：平稳攀升

首先，论文研究了一个不存在“作弊码”（或者学生拒绝使用它）的世界。在这种“第一最优”（First-Best）的情景下，老师设计了一条完美的路径。早期关卡虽然简单，但需要你大量挥剑（高“努力强度”）。随着你变得更强、角色等级提升，后期的关卡会变得更加复杂。它们需要你思考“如何”挥剑，而不仅仅是盲目地挥剑（高“技能强度”）。

逻辑很简单：当你还很弱小时，你需要练习基础；当你变强后，你需要学习策略。论文证明，在没有 AI 的情况下，最好的课程大纲始于繁重的体力劳动，并逐渐转向脑力谜题。这很有道理，因为你的力量和策略是相辅相成的；你越强，你的策略就越有效。

“作弊码”世界：反转

现在，引入 AI。突然间，学生面临一个选择：“我是挥剑，还是直接挥动魔法棒？”如果魔法棒能以零努力换取完美分数，学生就会在每个简单的关卡上挥动魔法棒。如果老师继续沿用“第一最优”计划（先易后难），学生就会只顾着挥动魔法棒，从而学不到任何东西，老师的计划也会失败。

为了修复这个问题，老师必须“扭曲”课程大纲。这是这篇论文的重要发现。为了阻止学生在早期关卡中挥动魔法棒，老师必须让这些早期关卡需要更多的“脑力”（技能），且是以特定的方式。他们必须让早期的任务要求学生识别出解决问题的正确方法，而不仅仅是应用一个既定的方法。这迫使学生必须理解游戏的规则才能通过关卡，这使得使用 AI 变得不再那么高效，因为 AI 无法仅仅执行一个预设的程序；学生必须首先弄清楚“该做什么”。

论文显示，这创造了一个奇怪的 U 型曲线作业结构：

早期关卡： 老师会让它们需要更多的策略性思考（高技能强度），以迫使学生去识别正确的路径。
中期关卡： 随着学生变得更聪明，老师会降低复杂度，让学生进行更多的“苦练”（努力）。
后期关卡： 一旦学生成为了高手，老师会回归原计划：复杂的策略谜题，由学生独立解决。

结果如何？学生仍然在学习，但比起没有 AI 的情况，他们的学习进度变慢了。老师不得不扭曲游戏，以保持学生的诚实，这导致整体的学习曲线变得平缓。

“魔法棒”变得更强了：高技能 vs 低技能

论文更进一步探讨：如果 AI 变得更聪明了呢？具体来说，如果 AI 可以被用来加速一旦学生确定了策略之后的实际工作（努力）过程呢？论文发现，这对不同学生的影响呈现出令人惊讶的分化。

高技能学生： 如果一个学生已经非常擅长这款游戏，更聪明的 AI 实际上会帮助他们学得更快。为什么？因为一旦学生利用其技能确定了策略，AI 就可以加速那些需要付出努力的部分（例如在数学问题中证明一系列引理）。AI 起到了提升其努力生产力的作用，让他们能够更迅速地获得技能。
低技能学生： 如果一个学生正处于挣扎阶段，更聪明的 AI 会让他们学得更慢。那个“超级魔法棒”实在太诱人了。他们会用它来完全跳过艰苦的工作，由于他们跳过了这些工作，他们永远无法建立起变得更强所需的技能。

这表明，随着 AI 变得越来越强大，聪明学生与挣扎中的学生之间的差距可能会进一步扩大。聪明的人利用工具飞翔；而挣扎的人利用工具漂浮，永远学不会如何飞行。

底线总结

这篇论文并不是在说 AI 是好是坏，而是说 AI 改变了游戏规则。如果老师继续沿用以前设计作业的方式，学生就会利用 AI 来作弊，从而导致学习停止。为了应对这一挑战，老师可能需要让早期的作业更多地关注“展示你的过程”以及理解“为什么”，而不仅仅是得到正确答案。

该模型表明，如果你想让学生学习，你不能只给他们一份任务清单。你必须精心设计难度，使得使用“作弊码”看起来是一笔不划算的交易。但即便有最好的设计，论文也指出，AI 的存在使得每个人都更难发挥出全部潜力，并且它可能会让顶尖学生与挣扎中的学生之间的差异变得更加剧烈。这提醒我们，在 AI 时代，我们教学的方式可能需要像我们的学习方式一样发生变革。

技术摘要：人工智能时代的课程设计

问题陈述
本文探讨了在学生可以使用能够代劳课程作业的人工智能（AI）环境下，设计教育课程所面临的挑战。虽然 AI 可以提高生产力，但实证证据表明，它可能会抑制学习，因为它允许学生“跳过必要的生产性挣扎”（productive struggle），而这种挣扎对于技能习得至关重要。核心问题是一个委托-代理动态关系：一个前瞻性的教师（委托人）必须设计一系列任务（课程）以实现学生（代理人）技能发展的最大化，同时考虑到学生是近视型的（myopic），且学生可以选择通过工作（投入努力成本但建立技能）或委托给 AI（不投入努力但无法建立技能）来进行决策。教师必须平衡任务难度，以激励学生投入努力，同时考虑到学生向 AI 委托的诱惑。

方法论
作者开发了一个带有内生课程设计的“做中学”（learning-by-doing）动态模型。

主体： 一个近视型学生和一个教师。
任务： 一个序列 $t \in \{0, \dots, T-1\}$ 。
生产： 处理一项任务结合了努力 ( $x$ ) 和技能 ( $s$ ) 来产生产出。努力是有成本的；技能是无成本的。两者是互补投入。任务以努力强度 ( $\eta$ ) 为特征，其中低 $\eta$ 意味着高度依赖技能（识别方法），高 $\eta$ 意味着高度依赖努力（应用给定方法）。
委托： 学生可以将任务委托给 AI，从而获得固定的收益 $u$ ，且无需投入努力，也无法获得技能增长。
技能积累： 如果学生进行工作，技能将按投入的努力量比例增加 ( $\Delta s = r x$ )；否则，技能保持不变。
目标： 教师选择努力强度序列 $(\eta_t)$ ，以最大化学生的总技能增益 ( $s_T - s_0$ )，并受限于学生的激励相容（IC）约束：即学生仅在工作的收益高于委托收益时才会进行工作。

分析过程包括刻画学生的最佳反应努力程度和收益，然后求解教师在两种情景下的最优课程：一种是“第一最优”（无委托威胁），另一种是“第二最优”（存在委托威胁）。最后，模型扩展到了包含“AI 质量”参数 ( $q$ ) 的情况，该参数既可以作为努力的补充（提高努力的边际产量），也可以增加委托收益。

核心贡献与结果

1. 第一最优课程（无委托威胁）
当委托收益为零 ( $u=0$ ) 时，学生总是会进行工作。教师仅通过优化来最大化努力。

结果（定理 1）： 最优课程的特点是随着时间的推移，任务变得逐渐减少对努力的依赖，而增加对技能的依赖。
机制： 早期任务是高努力强度的，以便在学生技能较低时激励其投入努力。随着学生积累技能，教师转向技能密集型任务。由于努力与技能是互补的，更高的技能使得努力更具生产力；因此，教师降低努力强度，以利用这种互补性，从此时能力更强的学生身上榨取最大的努力。

2. 第二最优课程（委托威胁）
当 $u > 0$ 时，如果工作的收益不足，学生可能会选择委托。

结果（定理 2）： 教师必须扭曲课程以满足激励约束。最优序列表现出先增加后减少的努力强度。
机制： 在早期任务中，学生技能较低且工作收益较低，使得委托具有吸引力。为了防止这种情况，教师必须使早期任务比第一最优方案更具技能密集性（即降低 $\eta$ ），以提高学生工作的收益。随着学生获得技能，委托约束得到缓解，课程随后过渡到第一最优的递减努力强度路径。
启示： 与第一最优情况相比，由于教师必须扭曲任务设计以保持学生的参与度，因此存在委托威胁会导致总体的技能发展减少。

3. 初始技能与参数的影响

结果（定理 3）： 总技能增益随初始技能 ( $s_0$ )、生产率 ( $\pi$ ) 和技能积累率 ( $r$ ) 的增加而增加，并随委托收益 ( $u$ ) 的增加而减少。
机制： 这证实了“技能产生技能”的动态过程。较高的初始技能减少了早期委托的诱惑，从而使课程更接近第一最优，进而加速技能积累。

4. AI 作为努力的补充
模型进行了扩展，允许 AI 质量 ( $q$ ) 提高努力的边际产量（互补性），同时也增加委托收益。

结果（定理 4）： AI 质量提升对学习的影响是非单调的，且取决于学生的技能水平。
- 高技能学生： 随着 $q$ 的增加，这些学生获得技能的速度更快。他们的工作收益上升速度快于委托收益上升速度，使他们更愿意工作。教师通过增加努力强度来利用他们的生产力。
- 低技能学生： 随着 $q$ 的增加，这些学生获得技能的速度更慢。委托收益的增加超过了努力边际产量的增加，使得委托更具吸引力。教师必须进一步扭曲课程（降低努力强度）以激励工作，导致努力程度降低且技能积累变慢。
结果（第 5.3 节）： AI 质量对总技能增益的整体影响取决于课程长度 ( $T$ ) 和积累率 ( $r$ )。在短期课程中，对早期（低技能）任务的负面影响可能占主导地位。在长期课程中，只要学生能够积累足够的技能以克服最初的委托诱惑，后期（高技能）任务的正向影响可能占主导地位。

意义与主张
本文声称提供了一个理解教育设计如何适应 AI 的理论框架。它认为：

课程扭曲是必要的： 为了防止 AI 引发的技能萎缩，教师必须有意设计比无 AI 环境下更具技能密集性（需要识别方法）的任务。这与要求学生“记录其过程”和“展示理解”的实证建议相一致。
差异化影响： AI 质量的提升并不均匀地利好或损害学习。它们创造了一种分化：高技能学生加速学习，而低技能学生由于委托诱惑增加，可能会进一步落后。
动态互补性： 该模型强化了早期技能投资的重要性。因为“技能产生技能”，防止早期委托对于长期发展至关重要。
更广泛的适用性： 虽然侧重于教育，但该模型关于委托和激励设计的逻辑也适用于其他领域，例如工业外包（政府可能希望通过激励国内生产来建立人力资本）或学术诚信（抄袭同伴）。

文章结论较为谦逊，指出其假设（例如，近视型学生、单一学生优化）可以在未来的研究中得到放宽，以应对更复杂的现实场景，例如为异质化学生群体设计课程。