Conceptualising and Measuring Epistemic Dependence in AI-Mediated Learning: Development and Initial Validation of the ED-AIL Scale

想象一下你的大脑是一个繁忙的建筑工地。几个世纪以来，工人们（也就是你）一直依赖于一个装满可靠工具的工具箱：教科书、老师、图书馆和朋友。这就是科学家们所说的“认识论依赖”（epistemic dependence），这是一个高级说法，意思是我们都需要借助他人来构建对世界的理解。这并不是一件坏事；事实上，这是我们学习的方式。但现在，一个极其快速且非常爱说话的新机器人来到了工地上。这个由生成式人工智能（GenAI）驱动的机器人不仅能递给你一把锤子，它甚至能编写蓝图、混合水泥，甚至告诉你你的墙是否竖直。大问题不在于这个机器人是否有用——它显然很有用。真正的担忧是：我们在什么时候会停止检查机器人的工作，而直接让它接管整个局面？这就是“不加批判的认识论依赖”（uncritical epistemic dependence）的领域，在这里，我们可能会开始相信机器人总是正确的，即使它只是在瞎猜，并停止使用我们自己的大脑来验证事实。

这篇论文旨在建立一把尺子，用来精确测量我们在多大程度上让那个机器人接管了我们的思考。研究人员 Yiran Du 和 Bin Zou 创造了一个名为 ED-AIL Scale 的新工具。把它想象成一个“大脑卸载检测器”。他们并没有仅仅询问“你是否使用 AI？”，因为使用计算器并不意味着你已经忘记了如何做数学。相反，他们问的是：“你是否在没有进行二次检查的情况下，就让 AI 来决定什么是真实的、一个困难的概念是什么意思，或者你的答案是否足够好？”他们在英国、美国和欧洲的近 1,550 名大学生身上测试了这把尺子。结果表明，这把尺子在识别学生何时让 AI 接管他们的研究、对宏大概念的理解以及对答案正确性的判断方面，表现得相当不错。然而，这把尺子在测量学生是否让 AI 决定“下一步该学什么”或“如何规划学习”时，显得有些摇晃。这项研究证实了这种“机器人接管”是一个真实存在的、可衡量的现象，但也警告说，我们不能利用这把尺子来惩罚个体学生，也不能说使用 AI 总是坏事。它是一个帮助我们理解问题的工具，而不是一个能一夜之间解决问题的魔杖。

“大脑卸载检测器”的故事

问题所在：当机器人成为老板
想象一下你正在写一个故事。你向一个超级聪明的机器人寻求一个创意。如果你采用了那个创意，对其进行了调整，检查了它是否合理，然后写出了你自己的版本，这就像是拥有一个得力的副驾驶。但如果机器人写了整个故事，你只是复制粘贴，并且从未问过“等等，这真的是真的吗？”或者“这有道理吗？”，那么你就交出了方向盘。作者称之为“不加批判的认识论依赖”。这不在于你使用机器人的频率有多高；而在于你是否停止了脑力上的重体力劳动。

研究人员注意到现有的工具无法捕捉到这个特定的问题。有些工具衡量你对机器人的“信任度”，有些衡量你使用机器人的“频率”，还有些衡量你对机器人运作方式的“了解程度”。但没有一个工具衡量了你停止独立思考并让机器人的输出成为你最终真理的那一瞬间。

构建尺子（ED-AIL 量表）
为了解决这个问题，团队构建了一个包含 23 个问题的量表。他们从 61 个问题开始，通过请专家和学生朗读这些问题以观察其是否通顺，从而将问题精简下来。最终的尺子衡量了学生可能让机器人接管的五种特定方式：

1. 知识获取（“搜索”陷阱）： 你是否在机器人给出摘要后就停止寻找其他来源？（例如：“在阅读 AI 概述后，我通常会停止寻找可能挑战或扩展该内容的来源。”）
2. 概念解释（“意义”陷阱）： 你是否接受机器人对一个难点概念的解释为唯一的真理？（例如：“如果我的理解与 AI 的解释不同，我通常会调整我的理解以趋向于 AI 的版本。”）
3. 认识论评估（“评判”陷阱）： 你是否让机器人决定你的答案是否正确，或者一个来源是否值得信赖？（例如：“如果 AI 说某个论点很弱，在亲自检查之前，我通常会将其视为很弱。”）
4. 知识生产（“写作”陷阱）： 你是否让机器人的大纲或措辞决定了你自己的写作？（例如：“AI 生成的大纲往往决定了我学术工作的结构。”）
5. 认识论调节（“规划”陷阱）： 你是否让机器人决定你接下来应该学习什么，或者你是否已经学够了？（例如：“我使用 AI 来决定我是否已经理解到可以继续学习下一步的程度。”）

尺子的发现
研究人员在两个大的学生群体中测试了这把尺子。以下是他们的发现：

• 强项： 这把尺子在前三个领域表现得非常好：寻找信息、理解概念和判断答案。学生的回答具有一致性，且问题清晰地测量了它们想要测量的东西。
• 弱项： 这把尺子在最后两个领域不太可靠，尤其是“认识论调节”（规划）。最后两个部分的题目结合得不如其他部分那样紧密。作者认为这可能是因为规划学习是一项巨大且复杂的任务，目前的题目可能尚未完美地捕捉到它。
• “机器人 vs 人类”检查： 为了确保这把尺子不仅仅是在测量学生对机器人的喜爱程度，他们将其与其它测试进行了对比。他们发现，在这把尺子上得分较高的学生，确实不太可能去核实来源或发现机器人的错误。然而，这种联系并不是特别强，这意味着该量表测量的是一种特定的针对机器人的“态度”，而不一定是学生在现实生活中完成特定任务的能力。

这把尺子“不是”什么
理解这项研究“没有”发现什么至关重要。作者明确表示：

• 它不是测谎仪： 你不能使用这个量表来指控某个特定的学生存在学术不端行为或“依赖”问题。它是一个研究工具，而不是法庭证据。
• 它不是对 AI 的禁令： 研究并没有说使用 AI 是坏事。它说的是“不加批判的依赖”是有风险的。一个学生可以每天使用 AI，但同时依然会检查自己的工作；这个量表测量的是那些“不检查”的学生。
• 它不是最终定论： 作者承认他们的“规划”部分还不够稳固，需要更多改进。他们还指出，他们的研究是在线进行的，对象是英语使用者，因此我们不知道这把尺子是否同样适用于不同国家或学习工程、艺术等不同专业的学生。

为什么这很重要
这项研究为教育者和研究人员提供了一种讨论 AI 的新方式。与其仅仅说“学生使用 AI 过度”，我们现在可以问：“学生是否在让 AI 代替他们思考？”作者建议，如果学校想要提供帮助，不应只是禁止机器人。相反，他们应该设计一些作业，迫使学生去核实机器人的工作，对比来源，并解释为什么他们同意或不同意 AI 的观点。

简而言之，ED-AIL 量表是绘制新领域地图的第一稿。它向我们展示了“不加批判的依赖”可能存在的悬崖在哪里，但也警告我们这张地图目前并不完美。我们需要继续绘制、测试并完善它，才能充分信任它来引导我们的学习未来。