AI教育神话破灭：回归人类教学的“已知”价值

核心观点

• 当前高等教育机构基于“AI能有效促进学习”这一未经充分证实的假设进行重组，但最新证据表明该假设存在严重问题。
• 一项对AI与学习研究文献的全面再分析揭示了极端的发表偏倚，校正后AI对学习的影响效应值大幅缩水，甚至可能接近于零。
• 人类教学在促进深度学习方面的有效性是经过数千年验证的“已知的已知”，而AI在教育中的作用仍属“未知”领域。机构战略应基于此现实进行审慎调整。

驱动AI重组的潜在假设

• 以霍利斯·罗宾斯提出的“拉姆斯菲尔德矩阵”框架为代表，许多观点认为大学应将“已知的已知”（既定知识传授）部分交由更廉价、灵活的AI系统处理，从而将资源重新配置到知识生产与发现的领域。
• 这一战略的前提是AI教学的有效性已被证实，足以成为资源重新分配决策的基石。该假设普遍存在于政策文件、董事会报告及教育科技公司的宣传中。

全面再分析的重要发现

一项由巴托什等人进行的预印本研究，对AI与学习领域的几乎全部已发表证据进行了前所未有的重新分析：

• 数据规模：汇集了67项元分析中的1840个效应值估计。
• 分析方法：采用了当前最先进的发表偏倚校正方法。

• 关键结果：

  • 已发表的元分析报告的中位数效应值为0.67（在社会科学中属显著正向结果）。
  • 然而，文献中缺失了大量失败的研究——负面结果的发表率仅为正面结果的约五分之一。
  • 校正发表偏倚后，效应值降至原先报告值的三分之一左右，且即使这个缩水后的估计值也可能为零。

• 更深层问题：

  • 研究间的差异极端巨大，以至于现有文献无法预测未来研究结果的方向。预测区间从“AI显著损害学习”到“AI显著促进学习”跨度极大。
  • 证据是“不连贯的”，而非简单的“好坏参半”。
  • 按结果类型、教育领域、教育水平、AI系统角色等进行分组分析，未发现任何表现出持续益处的子群体。
  • 2023年1月（ChatGPT时代）前后发表的研究，其问题同样严重。

我们真正已知的有效学习方法

• 人类认知与教学是“已知的已知”：数千年的证据表明，深度学习发生的机制恰恰在于人类教学中的“摩擦”过程——包括即兴发挥、误解、教师根据学生表情调整教学等看似“低效”的环节。
• 当前悖论：教育领域正被引导围绕一个其效果无法验证的元素（AI）进行重组，同时却贬低了在教育史上效果证据最为确凿的元素（人类教学）。

人类教学为何至关重要

• 罗宾斯矩阵框架主张将学生推向“发掘隐性知识、开展积极研究、遇到异常并产生新问题”的象限。实现这些目标需要心智具备以下能力：

  • 在不兼容的意义系统间进行转换。
  • 察觉不吻合之处。
  • 包容矛盾而不急于解决。
• 这些高级认知能力正是通过与其他心智的互动、特别是通过“人类介导”的已知知识传授过程构建起来的。
• AI可以传递内容，但剥离了人类互动摩擦的内容传递，是否能创造大学教育其他目标所必需的认知条件，完全是另一个问题。

结论：重新校准矩阵框架

• “拉姆斯菲尔德矩阵”是一个正确的分析框架，但需要将其应用于AI本身。
• 当这样做时，图景变得模糊：AI在教育中仍属“未知”，而人类才是“已知的已知”。
• 一所忘记这一点的大学，正在拿自己的未来做赌注。