把 AI 变成学习搭档，而不是“作业代写器”

AI 真正帮助学生学习的前提，是让学生做更多思考，而不是更少。学生应先独立尝试解题、解释概念、搭建论证或编写代码，再让 AI 提问、诊断、质疑并提供反馈，最后由自己修改，并在不依赖工具的情况下重新解释结果。

这正是“AI 辅助学习”与“直接领取答案”的区别。一份语言流畅、形式漂亮的 AI 生成作业，并不能证明学生真正理解了内容。更可靠的检验是：学生能否复现推理过程，能否把方法迁移到新问题上，能否说明自己为什么做出这些判断。

五步 AI 学习循环

1. 先独立尝试

在求助 AI 前，先解数学题、列出文章提纲、阅读原始材料、解释科学概念，或写出第一版程序。记下自己的把握程度，并明确指出究竟在哪一步感到不确定。

2. 请求诊断，而不是要求完成

把提问重点放在你已经做出的推理上，例如：

• “找出我第一个没有论证的步骤，但不要替我解题。”
• “一次只问我一个问题。”
• “给我提示，不要直接给答案。”
• “指出一个可能的误解，并通过提问判断我是否真的存在这种误解。”
• “告诉我哪里不清楚或缺乏依据，然后等我回应。”

3. 批判性比较 AI 的回答

把 AI 的输出当作待检验的建议，而不是权威答案。追问它作出了哪些假设、证据是否足以支持结论、是否存在反例，以及代码是否真的能够运行。

4. 由自己完成修改

用自己的语言重写证明、段落、解释或程序。只有在你真正理解并能够说明理由的情况下，才采纳 AI 的反馈。

5. 回忆并迁移

关闭 AI 对话，凭记忆解释最终概念。接着独立完成一道相似题、为自己的论点辩护、预测实验结果，或修改程序以适应新要求。

这一步尤其重要，因为“看懂”通常比“想出”容易。学生可能能够跟随一段听起来很有说服力的解释，却无法独立生成同样的解释。

数学：展示过程，先找出第一处错误

在数学学习中，AI 最适合扮演辅导老师、错误诊断器和解法比较者，而不是答案生成器。

可以尝试以下提示：

• “逐步检查我的演算。告诉我推理第一次出错的地方，但不要替我解题。”
• “分级给提示：先告诉我相关概念，再告诉我策略，最后提示下一步。”
• “给出两种可能的方法，然后让我比较它们。”
• “这个说法总是成立吗？如果不成立，请给出一个反例，并让我解释原因。”
• “生成一道类似的题，让我在没有帮助的情况下完成。”

当一道题有多种解法时，可以要求 AI 比较代数、图像、数值或几何方法。但最终应由学生判断哪种方法适用，并解释它为什么有效。

不要在尚未尝试前就要求完整的分步解答。这样很容易产生“我好像懂了”的错觉：学生能够认出一个看似合理的解法，却没有真正形成独立解题的能力。

论文写作：让 AI 当一位严格的读者

论文的论点、证据、结构和写作声音，都应由学生掌握。AI 可以作为一位要求严格的读者，指出问题，但不接管写作。

把自己的论题和提纲交给 AI，并提出：

• “哪些地方不清楚、缺乏依据，或存在逻辑矛盾？”
• “请区分我的主张与支持这些主张的证据。”
• “我在哪些地方把总结误当成了分析？”
• “请以一位持怀疑态度的读者身份反驳我的论点。”
• “哪些证据可能削弱我的结论？”
• “请分别评价论证、结构、证据、段落衔接和语言风格，不要重写全文。”

先自己修改其中一部分，再询问这次修改是否解决了原先的问题。等观点和论证确定后，再使用 AI 检查语法和表达清晰度。对于 AI 提供的措辞，只有在你理解并确实选择了它的情况下才保留。

关于学生使用 AI 的研究显示，AI 可能有助于理解复杂主题、寻找证据、修改和校对；但在批判性思维和原创性方面，研究结果仍不一致。一项近期综合研究发现，在教师指导下选择性、反复使用 AI 的学生，学习效果更好。 其他研究也表明，结构化的 AI 反馈能够支持批判性写作，但前提是学生主动评估并应用反馈，而不是自动照单全收。

教师和同伴在学科判断、概念发展和具体语境理解方面仍然不可替代。 学生还应遵守所在学校或院系关于 AI 使用和披露的规定。

研究与阅读：用 AI 追问原始材料

AI 的作用应是让阅读更深入，而不是替代阅读。在打开聊天工具之前，先写一段简短摘要，指出作者的核心论点，并列出两个关于文章的问题。

然后可以询问：

• “作者作出了哪些假设？”
• “哪些证据支持每一项主要主张？”
• “批评者可能会如何回应？”
• “哪些术语需要精确定义？”
• “哪些证据缺失？”
• “还有哪些替代解释能够说明同样的证据？”

AI 可以帮助你提出搜索关键词、相关概念和潜在的资料线索，但不应被当作可靠的文献数据库。所有重要主张都要回到原始出版物核对，尤其是引语、参考文献、统计数据和技术细节。

比较两篇文章时，比较表也很有帮助，但每个单元格都应由学生根据原文填写并核实。建议保留一份研究记录，明确区分：

• 原文明确写了什么；
• 你从原文推断出什么；
• AI 提供了什么建议；
• 你独立核实了什么。

讨论结束后，关闭 AI，凭记忆写出作者的论证，并补充一个局限或尚未解决的问题。如果做不到，说明 AI 可能绕过了你的阅读，而不是加深了阅读。

科学：解释概念，暴露漏洞，再作出预测

“费曼学习法”要求学习者用简单语言回忆并解释概念，找出解释中的漏洞，修补这些漏洞，再次简化表达。 AI 可以在这一过程中扮演好奇的初学者或持怀疑态度的审阅者。

可以使用这样的提示：

• “我要解释光合作用。请扮演一名好奇的初学者，一次只问我一个问题。”
• “标出我没有定义的所有专业术语。”
• “给出一个我的解释会预测错误结果的情境。”
• “什么观察结果能够区分这两个假设？”
• “我的解释中哪一部分描述了机制，哪一部分只是相关性？”
• “改变一个变量，然后让我预测会发生什么。”

图表应由学生自己绘制，因果链应由学生自己说明，预测也应由学生自己作出。AI 随后可以追问边界情况、暴露误解并提供反例。最后的检验是：不看 AI 的回答，向一位想象中的初学者解释这个概念。

编程：先审查推理，再请求修复

在编程学习中，AI 很适合担任代码审查员、调试助手和测试伙伴。先自己写出第一版程序，再请求 AI 帮助定位问题，而不是让它把整份代码替换掉。

可以尝试：

• “找出最小的失效假设，不要重写代码。”
• “追踪变量，直到输出开始出错的地方。”
• “这段程序应该保持什么不变量？”
• “给我一个能够破坏这个算法的输入。”
• “为正常情况、边界情况、无效输入、空输入和对抗性输入设计测试。”
• “比较这两种方法的时间复杂度和空间复杂度。”

收到提示后，由学生自己实现修复、运行测试，并解释修改为什么有效。随后改变一个需求，在不要求 AI 重新生成全部代码的情况下自行调整程序。

一个实用标准是：学生应当能够解释提交代码中的每一行，复现问题，说明修复理由，并至少写出一个不是由 AI 提供的测试。

新加坡的 Learning Assistant 和 Feynman Bot：把“提问”放在答案之前

新加坡教育部将学生学习空间（Student Learning Space，简称 SLS）中的 AI 工具描述为通过提问、支架式引导和反馈支持学习，而不是直接给出答案。 其中的 Learning Assistant（LEA）可以承担不同角色，包括写作助手，并通过反复提问帮助学生加深理解。

这种设计体现了一个关键原则：学生的回应才是学习活动的中心。AI 不会立刻替你完成任务，而是通过提出下一个问题、指出知识空缺或要求澄清，制造有助于思考的“阻力”。

当然，有学习护栏并不代表系统永远正确。新加坡教育部的学生指南明确指出，Learning Assistant 的回答具有概率性，可能出现错误；学生应反思这些回答，并通过其他来源进行事实核查。

新加坡科技设计大学（SUTD）的 Feynman Bot 也采用了类似模式，用于概念学习。学生上传学习材料，选择适合的难度水平，然后解释主题；机器人会根据回答提出自适应问题。相关报道提到，学生大约有三到四次说“我不知道”的机会，之后机器人会根据暴露出的薄弱点提供一种思路，并提出新的问题。 相关研究则将其描述为把费曼学习法应用于自我调节学习的 AI 工具。

这并不意味着每个 AI 导师都应该无限期拒绝回答。真正重要的是，工具应当在给出结论前留出足够时间，让学习者先尝试、先解释，并正面面对自己的知识漏洞。

保护学习和署名权的使用规则

学生、教师和学校可以采用一些简单边界：

• 使用 AI 前，先完成一次独立尝试。
• 先要求提问、提示、批评或诊断，再要求解决方案。
• 不提交自己无法解释的文章、证明、代码或分析。
• 以一次不借助 AI 的解释或一道类似题作为收尾检查。
• 核实事实、计算、引文、参考文献、引语和代码。
• 在学校要求披露时，保留草稿、提示词、反馈和修改记录。
• 在判断、动机、伦理和高风险评估中，继续依靠教师和同伴。
• 把 AI 的不同意见视为进一步调查的理由，而不是证明自己一定错了。

学生应提供最初的思考，作出关键决定，并完成最终解释；AI 则负责提供问题、反驳、替代解读、测试和反馈。一次次“尝试—比较—批评—修改—解释”的循环，才会把 AI 辅助变成持久学习，而不是把思考外包出去。