Understanding dynamic learning profiles in AI-supported environments in Vietnam: Evidence from a three-wave latent transition analysis
这项针对725名越南本科生的纵向研究表明，对AI辅助学习的成功适应是以高自我效能感和元认知调节以及低认知卸载为特征的一种稳定的“最优”剖面，该剖面产生的高学术绩效始终高于过度依赖AI的失调模式。
原始论文采用 CC BY 4.0 许可（https://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
在现代课堂中，一场无声的革命正在重塑学生的学习方式。人工智能已从教育的边缘走向中心，提供了能够生成创意、解释复杂概念并解决问题的工具。这种转变改变了思维的本质。当学生使用人工智能系统时，他们不再是孤军奋战，而是与机器进行一场协作。这种新的动态引发了一个关于人类思维的根本问题：当我们把思考的重任交给计算机时，我们自身的学习能力会发生什么变化？为了理解这一点，研究人员观察了三个具体方面。首先是学生使用该技术的信心；其次是他们在多大程度上让机器承担实际的构思或解题工作（这一过程被称为“认知卸载”）；第三是学生监督自身学习的能力，即检查机器是在提供帮助，还是在过度接管。这种在利用工具与保持控制权之间的平衡，是理解技术是让我们变得更聪明，还是仅仅让我们变得更快之关键。
越南国家大学河内分校的一个研究小组致力于精确绘制学生如何应对这一新格局。他们追踪了725名本科生整个学期的表现，记录了他们在三个不同时间点的习惯和成绩。研究人员不仅关注人工智能的使用量，还关注当信心、委托和自我控制交织在一起时所呈现出的特定行为模式。通过观察这些学生在课程学习过程中的表现，团队发现学习者并未归入单一的“好”或“坏”用户类别。相反，他们聚类为三个截然不同的群体，每个群体都有其处理技术的独特方式。
第一组被研究人员称为“最优”（Optimal）型，由那些对使用人工智能的能力充满信心，但对自身思维保持严格控制的学生组成。这些学生将技术视为强大的助手，但很少让它接管核心的理解与推理工作。他们保持着强大的自我控制力，不断检查机器的输出以确保其合理性。第二组是“中等”（Moderate）型，表现出混合的特征。这些学生的信心处于平均水平，对人工智能的使用程度也适中，既没有完全依赖，也没有完全抵制。他们处于一种过渡状态，仍在寻找正确的平衡点。第三组“适应不良”（Maladaptive）型则讲述了另一个故事。这些学生愿意使用技术，但他们将沉重的认知工作完全移交了出去。他们让人工智能生成想法、构建解释并解决问题，且往往缺乏足够的监督或批判性评估。
研究表明，这些模式并非转瞬即逝的瞬间，而是贯穿整个学期的稳定的学习方式。研究人员发现，处于“最优”组的学生始终取得了最高的学术成绩。他们的成功不仅仅是因为使用了技术，更是因为他们在利用技术的同时保持了自己的精神权威。相比之下，“适应不良”组的学生由于过度依赖机器进行思考，最终成绩最低。数据展示了两者之间的强关联：随着学生将更多思考任务委托给人工智能，他们调节自身学习的能力显著下降。这表明，人工智能的危险不在于工具本身，而在于人类监督能力的丧失。当学生停止监控过程时，他们的学习就会变得浅薄。
在整个学期中，研究人员观察到整体学生群体的逐渐变化。平均而言，学生对使用人工智能的信心略有提升，并且开始减少在重度思考任务上对它的依赖。与此同时，他们监控和控制自身学习的能力也有所提高。这表明，随着时间和经验的积累，许多学生自然学会了重新平衡人与机器的关系，向更有效的工作方式迈进。然而，研究也指出，早期建立的模式具有很强的粘性。最初处于“适应不良”组的学生往往会一直停留在该状态，而处于“最优”组的学生也会保持在该状态。成功的路径不在于使用更多的AI，而在于以稳健的手法去使用它。
这些发现挑战了“仅拥有先进技术就能保证更好学习效果”的观点。研究表明，最成功的学生是将人工智能视为伙伴而非替代品的学生。他们利用工具来扩展自身能力，而不放弃理解的核心过程。对于教育者和学生而言，教训是显而易见的：人工智能在教育中的价值完全取决于人类保持掌控的能力。技术可以处理数据和草稿，但大脑必须始终是建筑师。如果没有这种主动的、调节性的控制，机器的高效将以人类思维深度的丧失为代价。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。