生成式 AI 对学生学习影响不均：依赖程度、评估素养与课程政策的作用

一项基于 12 门 AI 相关课程、118 名学生问卷的研究发现，学生对生成式 AI 的使用和感知存在分化：高使用群体报告收益较多，轻度使用者依赖和收益都较少，中度使用群体收益水平不一。付费与免费版本、单工具与多工具、不同教师政策之间差异显著。回归显示，学业收益与早期依赖和任务支持相关，正面影响与认知依赖、任务支持、可靠性信心和教师政策相关，负面影响与早期依赖和态度变化相关；评估素养越高，早期依赖与负面影响的关联越强。

此前关于生成式 AI 教育影响的讨论多集中在“有用还是有害”的二元判断，这项研究把课程情境、依赖程度、评估素养和教师政策同时纳入，指出同一工具在不同学生群体和课程政策下产生不均等结果。这意味着教育机构不能只关注是否允许使用 AI，而需要区分谁在用、怎么用、课程如何规范，否则可能放大而非缩小学习差距。

研究通过聚类和回归识别出使用模式与感知学习之间的关联路径：早期依赖可能通过认知依赖和态度变化影响负面体验，而任务支持和可靠性信心则与正面影响相关。评估素养的作用具有两面性，素养越高，早期依赖与负面影响的关联反而越强，可能因为高素养学生更能察觉自身批判性思维或压力方面的损失。教师政策作为外部约束，与正面影响显著相关。

对教育产品和课程设计而言，需要区分高依赖、低依赖和混合使用场景，不能把统一授权或统一禁用当作唯一策略。产品层面可能需要提供使用强度提示、评估素养训练模块和教师可配置的课程政策选项；研发层面需要采集使用频率、工具组合、付费版本等变量，以评估不同学生群体的实际学习效果，而非只看整体满意度。

• 为课程平台增加教师可配置的 AI 使用政策模板，并按课程类型区分允许范围。
• 在学习分析仪表盘中加入依赖程度、工具组合和版本类型的分组对比，辅助教师识别不均等影响。
• 开发面向学生的评估素养训练模块，重点覆盖对 AI 输出可靠性判断和批判性使用。
• 为高依赖学生设计早期预警与替代性学习任务，降低早期依赖与负面影响的关联。

• 该研究仅基于单一机构 118 名学生的问卷，结果能否推广到其他学校和学科尚不明确。
• 研究为横截面调查，早期依赖、评估素养与负面影响之间的因果关系未被验证。
• 付费与免费版本、单工具与多工具差异背后的具体产品或功能差异未被说明。
• 教师政策的具体内容、执行方式和强度未被披露，难以直接转化为产品规则。