试验设定的目标剂量是学生在每周四节数学课中，用两节课的时间使用AI工具，在八周内总计完成 12小时的引导式学习 。

独特的四部曲课堂结构

这项干预并非简单地把一个聊天机器人扔给学生。它遵循一套严格的教学法框架，旨在让AI成为协作学习过程中的伙伴：

1. 教师主导的导入: 教师设定学习目标，并检查学生的前置知识。
2. 核心配对活动: 学生以 两人一组共享一台设备 的方式工作（学生与设备比例为2:1）。关键在于，他们扮演了明确的角色：“操作员” 负责向Gemini输入问题，而 “领航员” 负责做笔记并引导探究过程。每节课后角色互换，以确保参与度的平衡。
3. 课堂讨论: 教师主导全班讨论，巩固所学内容。
4. 总结环节: 教师进行最终总结 。

在准备阶段，教师需要定义课程目标，撰写起始提示，并在黑板上草拟问题框架，为学生与Gemini的互动搭建好“脚手架” 。

结果：显著提升，但并非人人平等

该试验取得了统计上显著的效果，但影响的程度在很大程度上取决于学生使用工具的频率及其初始水平。

学生实际上是如何与Gemini互动的？

这项研究最具揭示性的部分之一，是对超过 11.3万次学生与Gemini互动记录 的分析。它描绘出AI并非“答案机器”，而是一位“辅导老师”。

绝大多数对话——91.4%——集中在数学理解上 。Gemini自身的行为也被引导式学习功能精心驾驭：它发送的消息中有 76.4%是启发式提问，促使学生独立思考；而直接提供解决方案的情况仅占 2.1% 。

拉大成绩差距的风险

关于初始成绩好的学生获益最多的发现，促使研究者发出了一个重要的警示。如果没有针对性的策略来支持基础较差的学生，这种干预措施可能面临 拉大现有成绩差距 的风险，而非缩小它 。

教师们经历了什么？

来自教师焦点小组的定性反馈为结果增加了另一个维度。教师们报告说，学生的参与度明显提高，课堂参与更加积极 。许多教师开始用Gemini来备课，发现了讲解分数等复杂题目的新方法 。

更重要的是，教师们描述了自己职业身份的转变，感觉自己的角色从“讲师”演变成了 “引导师” ，在教室中来回走动，为各个学生小组提供支持 。

但并非所有反馈都是积极的。一些教师也提到了挑战，包括Gemini偶尔会引入与主题无关的内容，或者拖慢了整个班级按计划完成教学大纲的进度 。

研究的关键局限性

尽管结果是积极的，研究人员仍谨慎地指出了几个必须正视的局限性，便于读者全面理解这些发现：

• 打包式干预: 该试验将引导式学习与教师培训、新的课程结构、设备提供以及课堂监控捆绑在一起。这种设计 无法分离出AI工具本身的独立效应 。
• 普遍适用性: 样本来自塞拉利昂的一个地区，不具备全国代表性。研究的发现最适用于那些拥有类似基础设施的学校，包括平板电脑、可靠的互联网和教师就绪度 。

一份全球研究的蓝图

塞拉利昂的试验仅仅是个开始。这是Google DeepMind和Fab AI计划中的 国际系列预注册试验的首个，旨在研究引导式学习在不同教育系统中的应用 。为了提升透明度和可推广性，双方在发布结果的同时，公开了他们的 教师培训材料 和一份 快速随机对照试验操作手册，为其他研究者和教育系统提供了蓝图 。

试验设定的目标剂量是学生在每周四节数学课中，用两节课的时间使用AI工具，在八周内总计完成 12小时的引导式学习 。

独特的四部曲课堂结构

这项干预并非简单地把一个聊天机器人扔给学生。它遵循一套严格的教学法框架，旨在让AI成为协作学习过程中的伙伴：

1. 教师主导的导入: 教师设定学习目标，并检查学生的前置知识。
2. 核心配对活动: 学生以 两人一组共享一台设备 的方式工作（学生与设备比例为2:1）。关键在于，他们扮演了明确的角色：“操作员” 负责向Gemini输入问题，而 “领航员” 负责做笔记并引导探究过程。每节课后角色互换，以确保参与度的平衡。
3. 课堂讨论: 教师主导全班讨论，巩固所学内容。
4. 总结环节: 教师进行最终总结 。

在准备阶段，教师需要定义课程目标，撰写起始提示，并在黑板上草拟问题框架，为学生与Gemini的互动搭建好“脚手架” 。

结果：显著提升，但并非人人平等

该试验取得了统计上显著的效果，但影响的程度在很大程度上取决于学生使用工具的频率及其初始水平。

学生实际上是如何与Gemini互动的？

这项研究最具揭示性的部分之一，是对超过 11.3万次学生与Gemini互动记录 的分析。它描绘出AI并非“答案机器”，而是一位“辅导老师”。

绝大多数对话——91.4%——集中在数学理解上 。Gemini自身的行为也被引导式学习功能精心驾驭：它发送的消息中有 76.4%是启发式提问，促使学生独立思考；而直接提供解决方案的情况仅占 2.1% 。

拉大成绩差距的风险

关于初始成绩好的学生获益最多的发现，促使研究者发出了一个重要的警示。如果没有针对性的策略来支持基础较差的学生，这种干预措施可能面临 拉大现有成绩差距 的风险，而非缩小它 。

教师们经历了什么？

来自教师焦点小组的定性反馈为结果增加了另一个维度。教师们报告说，学生的参与度明显提高，课堂参与更加积极 。许多教师开始用Gemini来备课，发现了讲解分数等复杂题目的新方法 。

更重要的是，教师们描述了自己职业身份的转变，感觉自己的角色从“讲师”演变成了 “引导师” ，在教室中来回走动，为各个学生小组提供支持 。

但并非所有反馈都是积极的。一些教师也提到了挑战，包括Gemini偶尔会引入与主题无关的内容，或者拖慢了整个班级按计划完成教学大纲的进度 。

研究的关键局限性

尽管结果是积极的，研究人员仍谨慎地指出了几个必须正视的局限性，便于读者全面理解这些发现：

• 打包式干预: 该试验将引导式学习与教师培训、新的课程结构、设备提供以及课堂监控捆绑在一起。这种设计 无法分离出AI工具本身的独立效应 。
• 普遍适用性: 样本来自塞拉利昂的一个地区，不具备全国代表性。研究的发现最适用于那些拥有类似基础设施的学校，包括平板电脑、可靠的互联网和教师就绪度 。

一份全球研究的蓝图

塞拉利昂的试验仅仅是个开始。这是Google DeepMind和Fab AI计划中的 国际系列预注册试验的首个，旨在研究引导式学习在不同教育系统中的应用 。为了提升透明度和可推广性，双方在发布结果的同时，公开了他们的 教师培训材料 和一份 快速随机对照试验操作手册，为其他研究者和教育系统提供了蓝图 。