Epistemic Agency in AI-Mediated Education: A PRISMA 2020 Systematic Review and Philosophical Synthesis of Autonomy, Understanding, and Educational Authority
这项遵循 PRISMA 2020 标准的系统综述综合了关于人工智能介导教育的哲学学术研究，旨在论证合法的学习需要通过“人类认识论管家”框架来保留人类的认识论主体性，该框架优先考虑学习者对质疑和证明知识合理性的责任，而非仅仅是性能优化。
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
想象这样一个教室：教师不再仅仅是分发事实的人，而是一台机器可以编写论文、解决复杂问题并在数秒内解释深奥概念。这就是生成式人工智能带来的现实——这项技术已经从一种简单的工具演变成学习的伙伴。几个世纪以来，教育一直依赖于一种特定类型的劳动：学生在试图理解新概念时所面临的挣扎、构建论点的努力，以及决定什么是真理的责任。这个过程不仅仅是为了得到正确的答案，更是为了完成获得该答案所需的心理旅程。当机器承担了思考的重任时，一个深刻的问题向教育者和哲学家提出了：如果机器做了工作，学生是否还在学习？教育哲学领域目前正在应对这一问题，探讨当认知劳动被交给一个虽然能产生知识但并不真正理解知识的系统时，学习是否还能发生。
独立研究员康纳·尼查尔斯（Connor Nitchals）通过收集并分析关于该主题最严肃的哲学讨论，对这一问题进行了最近的系统性综述。作者研究了 2023 年至 2026 年 8 月期间发表的 20 篇同行评审文章，重点关注人工智能如何改变学习、权威和责任的本质。该综述并未观察考试成绩或软件效率；相反，它观察了教育更深层的结构。核心发现是，人工智能的危险不在于它可能会给出错误的答案，而在于它可能允许学生绕过构建判断力和理解能力所需的思考过程。研究表明，为了使教育保持意义，学生必须保留对质疑、解释和拥有其产出想法的责任，即使在使用强大的工具时也是如此。
研究人员发现，核心问题在于他们所称的“认识论主体性”（epistemic agency），这个术词简单来说是指一个人作为知识产生过程中积极、负责任参与者的能力。在健康的学习环境中，学生不仅仅是接收信息；他们会选择问题、寻找证据并测试自己的信念。综述认为，生成式人工智能通过允许学习者将思考的艰苦工作外包，从而威胁到了这种主体性。当一名学生使用机器生成论文或解释，而不进行构建这些内容的心理劳动时，他们可能会产生一个看起来完美的成果，却未能发展出辩护该成果所需的理解力。研究区分了“表现”（performance）与“理解”（understanding）：前者是产生正确输出的能力，后者则是解释为什么该输出是正确的以及它如何与其他想法相联系的能力。作者警告说，人工智能使得在没有理解的情况下实现“表现”变得轻而易举，从而创造了一种学生可以在从未真正掌握材料的情况下通过考试的情况。
综述中的另一个主要主题是教师角色的变化以及权威的性质。在过去，教师是引导的主要来源，但现在学生可以转向一个说话自信且流利的 AI。研究人员认为，这创造了一种新的依赖关系。如果学生不加质疑地信任机器的答案，他们就不是在学习思考，而是在学习服从。综서强调，教育不仅仅是信息的传递；它是一种人类的关系，教师引导学生经历形成自身判断的艰难过程。机器可以解释一个概念，但它无法为学生的成长承担责任，也无法提供来自人类连接的伦之引导。研究表明，如果学校过度依赖这些系统，就有可能创造出一个知识由算法产生，但对该知识的责任却丢失了的系统。
该综述还强调了“证言依赖”（testimonial dependence）的问题。人类天生依赖他人获取信息，但教育教会我们如何决定信任谁以及何时要求证据。人工智能使情况变得复杂，因为它通常将其答案呈现为事实，却不展示其来源。研究人员发现，为了使学习保持有效，学生必须能够挑战机器、核实其来源并理解其局限性。他们提出了一个名为“人类认识论管家”（Human Epistemic Stewardship）的框架，规定了以保护学习的方式使用人工智能的五个条件。这些条件包括有权挑战机器的输出、要求学生必须能够解释并为自己的工作辩护，以及需要“生产性摩擦”（productive friction）。最后一点至关重要：研究认为，学习中的某些难度是必要的。正如举重能锻炼肌肉一样，理解概念的挣扎能锻炼大脑。人工智能不应移除所有的困难；它应该只移除无关的障碍，同时保留导致真正理解的心理劳动。
作者总结道，辩论的焦点不在于是否应该在学校使用人工智能，而在于如何使用它。如果该工具取代了学生的思考，它可能会造成伤害；但如果它支持学生自身的努力，它就可以成为助力。综述建议，学校需要重新设计评估和教学方法，以确保学生仍在进行思考的劳动。这可能意味着要求学生当面解释其推理过程，比较不同的来源，或者展示他们如何利用工具得出结论。最终目标不是与机器竞争，而是培养能够指导、评估并有时拒绝机器帮助的人类。研究发现，在人工智能时代，教育的价值不在于产生答案，而在于培养那些知道一个答案价值几何、为何应当相信该答案、以及何时应当由自己承担思考责任的人。
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。