关于本中文版的说明  /  Note sur cette version chinoise

本日报作者不通中文。这些译文由人工智能自动生成，作者本人无法亲自核对其语言准确性和文化适切性。我们以谦逊和真诚的态度发布此版本，希望与中文读者建立连接。若发现翻译错误、表达不当或文化误读之处，恳请告知 — 我们将虚心接受并改进。

L'auteur du Journal d'un Progressiste ne parle pas chinois ; ces traductions sont produites par intelligence artificielle et n'ont pas été vérifiées par lui. Cette version est publiée dans un esprit d'échange et d'humilité — vos retours sur les erreurs éventuelles ou les contresens culturels sont les bienvenus.

— 《进步者日报》编辑部  /  La rédaction

核心结论

  • 台北一项随机对照试验显示，将AI导师整合进结构化学习路径后，学生成绩提升了0.15个标准差（《管理学学报论文集》，2026年7月）。
  • 美国一项针对2,379名学生的试验显示，同类工具在无使用规范的情况下部署，学生成绩下降了0.37个标准差（IZA，2026年10月）。
  • 台北测得的效果，来自将学生分配至自适应学习序列，且两组在学习投入上受到同等约束。
  • 工具的配置方式与教学整合方式，是影响效果的重要维度。
  • 在家缺乏辅导的学生，在无规范部署中受损最重，在设计良好的部署中获益也最大。

2026年两项随机试验，针对不同的AI教育工具，得出了相反的结果。在台北，1,047名高中生在AI辅助辅导下取得了相当于六至八个月额外学习的进步——前提是学习路径经过明确设计。在同等班型的子样本中，使用语音助手（VSA）与期末成绩下降0.37个标准差相关。两项研究表明，工具的配置与教学整合方式可能是关键因素，但这一解释尚未在两项试验之间通过因果分离得到确认。

台北测量了有效的做法，而有效的做法十分具体

学生被随机分配到两种条件：个性化问题序列，或固定的由易到难序列。两组使用的AI导师相同。测得的增益为0.15个标准差，教育研究者估计这相当于额外六至八个月的学习量。对于一学年的干预而言，这是实质性的结果。

这一结果成立有其前提。台湾的学习路径并不让学生自由使用导师。它规定了明确的序列：学生必须先独立作答，可以出错，然后再获得有针对性的帮助。AI在努力之后介入，而不是代替努力。试验表明，在导师相同的情况下，自适应序列算法比固定序列带来了更好的结果。

经合组织PISA等大规模标准化评估，多年来对计算机辅助教学记录了类似发现：效果取决于的不是工具本身，而是工具所嵌入的教学框架。台北的试验以新的精确度，将这一结论确立于对话式辅导工具领域。

美国的试验揭示了同一机制的另一面

IZA（劳动经济学研究所）于2026年10月发布的研究，考察大学生使用课程内置AI导师的情况。结果是：期末成绩下降0.37个标准差，负效果的绝对值是台北增益的两倍。

两项试验结果截然不同。差异在于缺乏使用规范。学生可以就课程内容向VSA提问，许多人索要的是答案，而不是提示。导师照单全答。该研究表明，使用VSA可能转移了部分原有的学习活动。

这种学习活动的悄然转移，正是学习专家所说的"绕过合意认知负荷"。学生在某个问题上卡住并努力寻找解法时，他正在建构持久的心智表征。机器代为解题时，正确答案经过而不留痕迹。短期成绩可能看起来稳定甚至有所提升，真实代价只在期末考试时才显现——当学生独自面对新问题的时候。

课堂管理规则比算法更能决定结果

机器学习研究员、Tournesol联合创始人黎阮皇（Lê Nguyên Hoang）主张：AI系统在现实中的行为，取决于的不是代码本身，而是规范其使用的规则。Tournesol是一个致力于算法推荐多元化治理的平台。将这一主张应用于课堂，它变得具体可感：使用方式很重要，尽管尚未从因果上分离出询问导师的时机与方式这两个变量。

两项试验与"使用设计很重要"这一结论相容，但并不共同确认同一个因果解释。两项试验考察的是不同装置：台北测试自适应序列，马里兰测试VSA访问权限。

有一种竞争性解读值得检视。研究教育市场的经济学家，沿袭菲利普·阿吉翁关于创新与增长的理论传统，认为一种强大工具的扩散最终会迫使机构适应：机构之间乃至国家教育体系之间的竞争压力，会逐步筛选出有效的使用方式。这种熊彼特式的动态逻辑自有其道理。但它需要时间，需要过渡期中的失败者，以及让各方能够区分好坏用法的信息机制。2026年的两项试验表明，这些机制并非自动运作：在筛选发生之前，大规模无规范部署可能已造成可量化的损害。

这一发现与其他情境中职场算法监控所揭示的规律相呼应：在未界定授权范围的情况下将决策委托给算法，会将风险转移给最没有能力承担风险的人。

缺乏支持的学生付出最大代价

差距的拉大不是一个比喻。在马里兰，估计损失在第一代大学生群体中更高；台北则主要报告了按初始水平和学校选拔程度划分的效应差异。

台北估计的增益，在基础较弱的学生和选拔程度较低的高中中更高。一个设计良好的AI导师可以弥补部分缺失：它全天候可用、耐心、自适应。对于无力负担私教的家庭，这是实实在在的优势。但在美国的试验中，使用VSA的结果为负。

AI职位的地理分布在劳动力市场层面勾勒出类似的不平等：收益集中在整合条件本已有利的地方。在学校里，同样的模式在班级层面显现：AI放大已有的一切，向两个方向同时放大。

未来十五年的抉择

放眼未来约十五年，问题已不再是对话式辅导工具是否会进入课堂，而是届时课堂所处的制度状态。如果教育体系将这一时期视为集体学习的窗口，当前关于使用规范的决策或许能沉淀出一套稳定的教学准则，就像过去几十年阅读研究逐步确立的教学规范那样。那些现在就开始制定使用规则的机构，将积累其他机构需要多年才能追上的经验和专业文化。这种经验不对称，有可能在机构之间重现缺乏规范已在学生之间造成的同等差距。

反之，如果在预算压力和工具商业可得性的驱动下，各地在未定义教学条件的情况下普遍推广AI导师，风险不是一次显眼的、可纠正的失败，而是自主推理能力的缓慢、弥散性退化——在短期统计数据中不可见，在政治上也难以归咎于某个具体决策。这种退化变得可量化的时刻，恰好与一代缺乏明确认知要求教育的学生进入劳动力市场的时刻重合——时间距离足够遥远，使当下决策的责任无从追溯。这正是为什么现在就应该追踪的信号——有规范与无规范使用导师的学生之间的成绩差距、已正式制定使用规则的机构比例——具有预警价值，而期末评估届时已来不及发挥这一作用。

两种理想轨迹所需的集体条件，在结构上仍然严重不足。让教师学会设计"努力先于帮助"的序列，需要职前和在职培训改革，无法在部署时临时补救。建立能够独立于所获帮助来测量推理能力的评估规范，需要教学工程方面的投入，大多数机构尚未将其纳入预算。将辅导工具的公共资金拨付与经验证的教学规范的预先制定相挂钩，是现有监管者力所能及的一条路径，无需等待研究积累更多试验。设立一个教学实践观察站，专门比较不同整合方式下的结果，可以使这种证据持续生成、可及且跨体系可比——而目前这些证据仍碎片化地散落于孤立的试验报告中，很少有一线从业者知晓。

两条轨迹摆在眼前，现有数据可以区分它们，但无法预测结局。

在第一条轨迹中，部署AI导师的机构逐步制定使用规则：学生在询问导师前必须先尝试解题，期末评估被设计成独立于所获帮助来测量推理能力，教师经过培训，能够设计AI在努力之后而非代替努力介入的序列。在这一情景下，台北0.15个标准差的增益有可能在更大范围内复现，包括家庭辅导资源较少的情境。从家庭教育环境中受益最少的学生，相对收益最大。

在第二条轨迹中，导师作为即时访问工具被部署，没有规范，因为这样推进更快，负面效果也需要一段时间才会出现在统计数据中。美国观察到的效果将面临大规模复现的风险。那些能够自我调节使用行为的学生——那些凭直觉明白在尝试之前就求助于机器会削弱自身学习能力的人——能够应对。其他学生则在不知不觉中失地，直到考试时才暴露。

能够在两条轨迹变得不可逆之前加以区分的做法：每学年末，追踪有规范和无规范使用导师的学生在标准化评估中的成绩差距；以及观察已在教学方案中正式制定使用规则的机构比例——这是一个简单指标，能够在结果数据记录之前，使良好实践的扩散变得可见。

两种情景中都存在尚未解决的集体需求。培训教师设计明确规定学生独立完成内容的序列，在大多数教育体系中仍是未竟之事。建立能够独立于所获帮助来测量学生推理能力的评估规范，是一项技术要求，很少有机构开始认真对待。

从现有数据中，可以提炼出两条进步路径。将AI辅导工具的公共资金拨付与教学规范的预先制定相挂钩，能够迫使各方在获得资金之前先界定使用时机。建立一个AI教学实践观察站，依托现有和未来的试验比较不同整合方式下的结果，可以积累出机构在选择方案前能够查阅的证据。谁来构建这些数据、为谁构建的问题，在AI部署的其他领域已经存在：在这里，这个问题尤为紧迫，因为孩子们等不及市场筛选出正确的用法。

教师如何使用这些证据

责任部分落在教师身上，但不仅于此。设计一个明确规定学生在访问导师前必须独立完成内容的教学序列，需要专项培训，大多数教育体系尚未将其纳入体系。在产生0.15个标准差增益的台湾学校，这项设计工作是提前完成的，并对教师提供了明确的支持。

无规范部署不需要任何培训。开放访问权限即可。这正是它更为普遍的原因。

2026年的数据可以为公共采购和部署政策提供参考。它不能告诉决策者选择哪种技术。它表明，在没有规定教学整合的情况下访问VSA，与负面结果相关——尽管尚未从因果上确认缺乏规范是其原因。在地区或部委层面部署AI导师的决策者，现在拥有了两个清晰的参照点。使用这些数据还是忽视它们，在这个阶段，是一个有意识的选择。

来源