Meta-AI literacy and knowledge transfer: Serial mediation through metacognitive regulation and verification behavior in AI-assisted learning

在现代课堂中，一种新型导师已经到来，它从不睡觉，且能在数秒内撰写论文或解决问题。这就是生成式人工智能，一种已迅速成为大学生活常态性的工具。学生利用它来总结阅读材料、起草作业并修改作品。然而，随着这种便利性的增加，一种隐忧也随之增长：仅仅因为一名学生可以在帮助下完成一篇优秀的论文，是否意味着他们真的学到了知识？教育者和研究人员的核心问题不在于学生是否能够使用这些强大的工具，而在于他们如何与这些工具互动。当一个完整的答案可以按需出现时，理解一个概念所需的脑力投入可能会被完全跳过。这被称为“认知卸载”（cognitive offloading），即大脑将艰巨的任务委托给外部资源。危险之处在于，一名学生可能会提交一份完美的作业，但在工具关闭后，对材料本身却毫无理解。

为了理解学习在这种新环境下如何生存，研究人员观察了一个被称为“迁移”（transfer）的概念。迁移是将你所学知识应用到新情境中的能力。这主要有两种类型。近迁移（near transfer）发生在新的问题与你练习过的题目非常相似，共享相同的表面细节时。远迁移（far transfer）则要困难得多；它要求将相同的底层原理应用于一个在表面上看起来完全不同的问题。远迁移是深度理解的真正测试，因为学习者必须在没有熟悉线索提示相关知识的情况下，识别出问题的深层结构。如果一名学生只是复制答案，他们可能会通过一个与作业相似的近迁移测试，但当面对需要灵活思维的新颖挑战时，他们很可能会失败。

一个研究小组致力于调查那些擅长使用人工智能的学生究竟是如何学习的。他们专注于一项被称为“元人工智能素养”（Meta-AI literacy）的特定技能。这不仅仅是知道如何输入提示词，而是一种更广泛的能力，包括理解人工智能的工作原理、了解如何使用它、识别何时正在使用它，以及理解相关的伦理问题。研究人员想知道，拥有这些技能是否会自动导致更好的学习效果，或者在这之间是否还需要发生其他过程。他们怀疑关键在于学生在任务期间的行为。具体而言，他们观察了学生是否会主动将 AI 的输出结果与其他来源进行比对，这种行为被称为“验证”（verification）。他们还检查了学生是否规划了自己的工作并监控自身的理解程度，这一过程被称为“元认知调节”（metognitive regulation）。

该研究涉及 483 名来自不同专业的大学生，包括人文、工程和科学领域。学生们被要求使用一种 AI 工具完成一项学习任务。在此期间，研究人员并不依赖于学生自述的操作，而是记录了他们与该工具进行的每一次交互。他们记录了学生回溯检查某个说法来源的频率、比较不同来源的频率、追踪证据的频率以及纠正错误的频率。这提供了一个关于验证行为的清晰、客观的图景。在学习阶段结束后，AI 工具被关闭，学生们参加了一项测试以检验他们的学习成果。测试包含了与学习任务相似的问题（代表近迁移），以及将相同原理应用于完全不同、陌生场景的问题（代表远迁移）。

结果揭示了一个关于人工智能时代如何发生学习的惊人真相。研究人员发现，仅仅拥有高水平的元人工智能素养并不会直接导致更好的测试成绩。一名学生可能非常了解人工智能及其伦理，但如果他们没有以正确的方式使用这些技能，仍然无法学到材料。相反，通往学习的路径是一个事件链。首先，具有较高元人工智能素养的学生更有可能进行元认知调节。他们在工作时会规划方法并监控自己的理解程度。其次，这种细致的规划引导他们去验证 AI 的输出。他们会检查答案、寻找错误，并将信息与其它来源进行对比。最后，正是这种验证行为直接预测了他们在测试中的表现。

最显著的发现涉及近迁移与远迁移之间的差异。验证 AI 工作内容的行为，是成功应对困难的远迁移问题的强有力预测指标。事实上，检查工作与解决陌生问题之间的关联，几乎是检查工作与解决熟悉问题之间关联强度的四倍。这表明，当学生停下来验证一个答案时，他们被迫重新参与到底层推理中，而不是仅仅接受一个表层的解决方案。这种费力的处理过程正是让他们理解问题深层结构的关键，而这对于将知识应用于新情境至关重要。如果没有这一步，学习将变得浅薄且脆弱。

研究还表明，元认知调节本身并不能直接导致远迁移。只有当它转化为具体的验证行为时，才会产生作用。这意味着，拥有良好的计划或批判性思维是不够的；这些内在的想法必须转化为检查和纠错的外部行为。研究人员发现，验证行为解释了学生在迁移知识到新问题时表现出的显著差异。该模型表明，人工智能素养带来的益处并非来自知识本身，而是来自利用该知识去质疑并验证工具输出的习惯。

这些发现为在人工智能时代区分“成功学习”与“被动消费”提供了清晰的图景。有效使用人工智能的能力并不是一个能保证学习的“魔法开关”。相反，它是一种仅在学生利用其触发特定行为——即对信息进行主动验证——时才能支持学习的工具。当学生检查 AI 的工作时，他们不仅是在确保准确性，更是在进行理解复杂原理所需的深度脑力劳动。当目标是应用知识于陌生问题时，这种行为尤为重要，因为此时表层的技巧将会失效。这项研究表明，未来人工智能时代的教育重点可能不在于教给学生更多关于技术本身的知识，而在于设计那些要求他们去检查、质疑并验证所获答案的任务，从而将一次被动的交互转变为一次主动的学习体验。