Beyond the Zero-Sum Debate: Designing for Agency and Efficiency in the Age of GenAI

在繁忙的教育世界中，长期存在着一种关于人们如何学习的两种思维方式之间的无声紧张关系。一方面，有人认为学生需要自由去探索、犯错，并通过解决困难问题来获得真正的理解。这种方法看重那种通过摸索而产生的混乱且往往令人沮丧的过程，并将其视为学习的核心引擎。另一方面，则存在着对效率的追求，即教师提供清晰的结构和循序渐进的指导，以确保学生在不迷失方向或感到沮丧的情况下掌握事实和技能。几十年来，教育工作者和研究人员一直在争论应该提供多少帮助以及应该给予多少独立性，思考这两个目标是否能够共存。现在，一股新的力量进入了这场对话：生成式人工智能。这些计算机系统能够编写论文、解决数学问题并生成创意，且仅需几秒钟，这往往让学习的艰辛过程显得不再必要。这种工具的突然到来迫使人们重新审视旧有的问题，即这些强大的工具究竟是会帮助学生学得更快，还是仅仅在诱骗他们以为自己比实际掌握的更多。

两位研究人员，来自宾夕利瓦尼亚州立大学的 Marcela Borge 和来自 Thinkertools, Inc. 的 Todd Shimoda，已经介入了这场辩论，并提出了一个务实的解决方案。他们认为，人工智能的到来并不要求我们在完全的自由与僵化的控制之间做出选择。相反，他们提出了一个框架，将学习活动视为两个截然不同的部分：一是学生必须亲自完成的核心工作，用以建立深度理解；二是可以通过技术处理的支持性工作，以保持流程顺畅。他们的目标是展示教育工作者如何利用这些新工具来增强人类思维，而非取代它，从而确保学生仍然参与到那些通向真正洞察力的必要挣扎之中。

研究人员首先提出了一个他们称之为“构建悖论”（Construction Paradox）的问题。其核心观点是，学习通常需要从零开始构建知识的艰苦且耗时的过程。当一名学生撰写论文、解决复杂方程或设计实验时，他们不仅仅是在产出一个最终产品；他们是在构建一个关于世界运作方式的心智模型。如果学生使用人工智能瞬间生成那篇论文或解出那个方程，他们就绕过了心智构建的过程。他们得到了一个精美的结果，但却跳过了创造理解的过程本身。这个悖论在于，虽然学生和教师可能会对最终产品感到满意，但由于学生避开了将知识内化所需的认知努力，他们实际上学到的东西变少了。研究人员指出，如果我们让人工智能承担所有的深度思考，我们可能会面临创造出一代人只能产生完美答案，但在面对新问题或陌生问题时却无法进行批判性思考的风险。

为了解决这个问题，作者借鉴了数十年来计算机支持的协作学习（computer-supported collaborative learning）的研究成果，该领域研究的是人们如何在技术的辅助下共同学习。他们提出了一个简单而强大的区分：“焦点任务”（focal tasks）与“支持任务”（supporting tasks）。焦点任务是学生需要学习掌握的核心内容。如果目标是学习如何论证一个观点，那么构建该论点的过程就是焦点任务。如果目标是学习如何管理团队，那么协调与沟通的过程就是焦点任务。这些是必须由学生掌控的学习环节，也是发生挣扎、错误和最终突破的地方。相比之下，支持任务则是辅助焦点任务发生的背景活动，但它们本身并不是主要的学习目标。这些活动可能包括格式化文档、整理数据或查找定义。这些正是技术可以发挥最大作用的地方，通过介入来减轻心理负担，使学生能够将精力集中在核心工作上。

研究人员通过他们过去设计教育软件的案例来说明这一点。在其中一个旨在帮助学生学习科学的系统中，软件并没有明确告诉学生该做什么或如何解决每一个问题。相反，它将科学探究——即提出问题、形成假设和测试想法的过程——完全留给了学生，尽管它也包含了提供关于探究周期关键部分的通用建议的软件顾问。这是焦点任务，需要学生投入全部的注意力和精力。然而，该软件为实验后的反思提供了结构化的支持。它引导学生回顾自己的行为，将注意力引向特定且具有理论基础的协作能力维度，并限制了反思的内容，以便学生能够专注于从错误中学习，而不是被报告撰写的机械细节所困扰。通过将两者分离，该系统既让学生体验了科学发现的全部重量，又提供了让他们理解这些发现所需的指导。

将这一逻辑应用于生成式人工智能，研究人员建议教师和设计者在使用该技术前必须问一个特定的问题：“我们希望学生学习的核心内容是什么？这项活动中的哪一部分对于该学习过程是必不可少的？”如果答案是学生需要学习如何进行批判性思考，那么思考过程本身必须得到保留。人工智能可以被用来生成示例、提供替代视角或帮助组织信息，但它不能被允许代替学生进行思考。研究人员警告说，如果我们使用这些工具仅仅是为了加速作业或论文的产出，我们很可能会削弱我们希望培养的技能。危险不在于使用技术，而在于利用技术去规避成长所必需的认知劳动。

该论文还强调，这种平衡不能仅靠技术来实现。它需要教师的积极参与，教师需要理解教学目标，并能实时决定何时让学生经历挣扎，以及何时提供帮助。在过去，教育软件通常遵循固定的脚本，引导学生走过预设的路径。有了生成式人工智能，路径不再是固定的；技术可以以不可预测的方式做出反应，提供意想不到的答案甚至错误的信息。这使得教师的角色比以往任何时候都更加重要。教师必须扮演指挥家的角色，决定何时让学生与人工智能进行自由互动，以及何时介入引导对话。他们必须创造一个让学生感到可以安全犯错，并且让小组能够共同验证信息并解决问题的课堂环境。

最终，研究人员认为，学习的价值在于过程，而非仅仅在于产品。无法找到答案时的挫败感、尝试不同方法的努力，以及找到解决方案后的满足感，才是构建深度理解和应用知识于新情境的能力的关键。生成式人工智能有潜力成为这一过程中的强大伙伴，但前提是必须谨慎使用。它应该被视为支持人类学习努力的工具，而非对其进行替代。通过区分学生必须完成的核心工作与技术可以处理的支持性工作，教育工作者可以在不丢失好奇心、协作精神和批判性思维等本质人类要素的前提下，驾驭这些新工具的力量。目标不是让学习变得容易，而是让学习变得有意义，确保学生在完成学业时，不仅拥有一堆事实，而且具备独立思考、创造和解决问题的能力。