Learning Energy for Sustainable Learning with Artificial Intelligence in Higher Education
本文通过引入“学习能量”框架，提出了一个整合了五种心理学理论的多维模型，旨在解释生成式人工智能如何通过资源评估机制，使高等教育学习者处于耗竭或赋能的状态，从而为理解和维持人工智能介导环境下的学术福祉提供一种全面的方法。
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
在现代大学中，学习的行为悄然改变了其质地。几十年来，教育一直依赖于理解学生如何保持动力、如何参与困难的学习内容以及如何维持心理健康。这些都是熟悉的概念：动机是学生开始一项任务的原因，参与是他们投入的努力，而福祉则是感觉自己运作健康的感觉。然而，一种新的力量已经进入了课堂，它不仅是静静地摆在书架上，而是积极地参与到思考过程中。生成式人工智能——这种能够起草论文、解释复杂概念并提供即时反馈的技术——已从边缘走向了日常学术生活的中心。它提供了速度和清晰度，但也带来了一个悖za（悖论）。学生可能会在思考减少的同时更快地完成作业，或者他们可能会利用同一个工具来深化理解并验证自己的想法。教育者和研究者面临的问题不再仅仅是这项技术是否有效，而是它如何改变维持学习者前进的内在燃料。
来自富东大学（University of Phuong Dong）的一个新视角提出了一种衡量这种“内在燃料”的方法，称之为“学习能量”（Learning Energy）。这一概念并非像兴奋或疲劳那样的单一感受，而是一种动态的资源，允许一个人开始、维持并调节其学习。作者范香·阮（Van Huong Nguyen）指出，这种能量是可再生的，也是社会共享的。它不是学生独自在大脑中携带的东西；它是通过他们与技术、同伴、教师以及机构规则的互动而产生或消耗的。论文认为，我们不能仅通过观察最终成绩或工作的速度来理解人工智能的影响。相反，我们必须观察这项技术是否帮助学生清晰地思考、感到足够安全以承担风险、在困难中坚持下去、与他人建立联系，并保持作为其作品真正作者的身分。
研究首先观察到，现有的学习理念过于碎片化，无法解释正在发生的变化。我们有关于动机的理论，有关于人们如何管理资源的理论，也有关于社会联系如何帮助我们行动的理论，但它们通常是在孤立状态下被研究的。论文将这些独立的线索编织成一个连贯的框架。它建议学习能量具有五个既有区别又相互关联的维度。第一是认知能量，即处理信息所需的思维清晰度。第二是情绪能量，即允许学生应对不确定性的安全感和自信心。第三是动机能量，即在任务变得困难时让学生坚持工作的力量。第四是社会关系能量，即源于感到与同伴和教师连接而产生的学习准备状态。最后是主体性能量（agentic energy），即保持作为决策者和负责任作者的能力。
该框架解释了人工智能既可以构建这种能量，也可以消耗这种能量，这取决于使用的具体方式以及学生对它的感知。当学生使用技术来澄清一个困惑的概念、获取一个快速示例，或是在无需担心被评判的情况下练习一个难点时，该工具就充当了“发电机”。它降低了开始任务的门槛，并能让学生感到更有能力。然而，如果导致过度依赖，同样的工具也会变成一种“消耗”。如果学生只是在不加思考地复制输出结果，或者技术取代了验证事实的需求，那么学习所需的脑力就会消失，随之而来的还有自主意识感的丧失。论文指出，这可能导致一种“高效孤立”（efficient isolation）的状态，即学生产出工作的速度很快，却感到与同伴脱节，且对自己能力感到不确定。
为了理清这些不同的结果，作者概述了学生体验这一环境的四种可能画像。其中一组由于缺乏强大的人类支持和有效的技术使用，可能会感到精疲力竭和焦虑。另一组受到教师和同伴的大力支持，但对技术的依赖较少，可能会表现出韧性。第三组使用了高水平的人工智能但缺乏人类连接，可能会陷入“高效孤立”的状态，即以深度学习和社会归属感为代价换取速度。理想的画像被称为“赋能共生”（energized co-agency），即高质量的人工智能与强大的人类支持相结合。在这种情境下，技术有助于产生想法，但学生在教师和同伴的引导下，对这些想法进行验证、批判和完善。其结果是一个学习过程，使学生感到清晰、自信、有连接感，并完全掌控局面。
论文强调，这种能量并非固定不变的特质，而是一个上升和下降的循环。学生在开始一项任务时可能拥有高能量，利用技术快速起步。随着工作的进展，如果验证和批判性思维的需求在缺乏支持的情况下不断增加，这种能量就会枯竭。然而，如果学生停下来进行反思、与同伴讨论工作或接受教师的明确指导，能量就可以得到再生。该框架表明，可持续的学习取决于这种恢复能力。仅仅拥有强大的工具是不够的；教育环境必须提供让学生恢复其心理和情绪资源的条件。这包括能够减轻规则焦虑感的明确政策、重视思考过程而非最终产物的评估方法，以及鼓励学生质疑并验证技术所传达内容的文化。
作者认为，这种看待学习的新方式为围绕人工智能在教育中展开的困惑提供了解决方案。它将对话从简单的“技术是好是坏”转向了更深层次：即学生使用工具的具体方式是否有助于他们作为一个负责任的学习者去思考、感受和行动。研究表明，当人工智能支持学生对自主、胜任和连接的需求时，它就在为学习加油。当它取代了他们的选择或使他们孤立时，它就在消耗他们。论文并不声称已经解决了如何利用人工智能进行教学的问题，但它提供了一套词汇和一张地图，用于理解这项技术的隐藏成本与收益。它邀请教育者去设计学习体验，不仅是为了产生更快的成果，更是为了在日益由机器塑造的世界中，保护并更新人类学习、思考和蓬勃发展的能力。
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。