AI 讓作業變快了，但學生真的變強了嗎？

對今天的小學生、國中生與高中生而言，生成式 AI 很可能不會是偶爾使用的新工具，而會像搜尋引擎、計算機與智慧型手機一樣，逐漸成為學習環境的一部分。

問題因此已經不再只是「學生可不可以用 ChatGPT」，而是更麻煩的一題：

學生究竟是在利用 AI 學習，還是在利用 AI 避免學習？

兩者表面上可能完全一樣。

學生輸入一道數學題，AI 在十秒內給出漂亮的解法；學生輸入歷史題目，AI 幫忙整理時間線；英文作文寫不出來，AI 可以重寫整段；自然科概念搞不懂，也能要求模型整理成五個重點。

從完成任務的角度來看，這些行為效率極高。

但學習的目標並不是把今天這張作業紙填滿，而是讓學生在沒有 AI 在旁邊時，仍然能回想、推理、判斷與解題。

這正是近年 AI 教育研究開始碰到的核心矛盾。

---

一場近千名高中生的實驗，揭露 AI 教育最尷尬的問題

2025 年刊登於《Proceedings of the National Academy of Sciences（PNAS）》的一項研究，直接在高中數學課堂測試生成式 AI 對學習的影響。

研究團隊讓接近 1,000 名高中學生使用兩種不同形式的 GPT-4 數學工具。

第一種稱為 GPT Base，操作方式接近一般聊天機器人。學生提出問題後，模型可以提供相當完整的協助。

第二種稱為 GPT Tutor，底層同樣使用生成式 AI，但加入教育設計上的 guardrails，也就是學習護欄。它不是單純追求最快給出正確答案，而是利用提示、分段引導與教學式互動來協助學生。

結果第一眼看起來非常支持 AI。

學生在可以使用 AI 的練習階段，GPT Base 組的成績提高約 48%，GPT Tutor 組甚至提高約 127%。

如果研究到這裡就停止，我們很可能會得到一個極為樂觀的結論：

給學生 AI，學習成績立刻起飛。

但研究團隊接著把 AI 拿走。

這時真正有意思的事情發生了。

原先使用一般 GPT Base 的學生，在沒有 AI 協助的測驗中，成績反而比從未使用 AI 的控制組低約 17%。相較之下，加入教學護欄的 GPT Tutor，大幅降低了這種負面學習效果。

換句話說：

AI 可以讓學生在「有 AI」的情況下變得非常厲害，但其中一部分能力可能其實存在 AI 裡，而不是學生腦中。

這可能是 AI 世代教育最需要警惕的指標。

未來衡量 AI 教育工具時，不能只問：

「學生使用它時答對多少題？」

還必須多問一句：

「把 AI 關掉之後，他還會多少？」

---

完成任務，不等於形成知識

這個現象在學習科學裡並不完全陌生。

人的大腦並不是因為「看過正確答案」就能形成穩固知識。

真正的學習往往包含一些不太舒服的過程：

想不起答案、嘗試回憶、犯錯、重新組織概念、發現自己理解錯誤，再修正一次。

這些過程效率看似很低，卻可能正是記憶形成的重要部分。

生成式 AI 的特殊之處，就是它非常擅長把這些摩擦全部消除。

題目看不懂？解釋。

不知道下一步？直接告訴你。

文章不會寫？幫你寫。

忘記公式？直接列出。

因此 AI 有可能產生一種非常危險的錯覺：

學生覺得自己學得很順，其實只是工具運作得很順。

2025 年一項針對 120 名大學生的隨機對照試驗提供了另一個值得注意的證據。研究讓學生以 ChatGPT 或傳統方式學習 AI 與機器學習概念，並在 45 天後進行沒有預告的知識保留測驗。

結果傳統學習組平均答對 68.5%，ChatGPT 輔助組則為 57.5%，相差約 11 個百分點。研究作者將結果與 cognitive offloading，認知卸載 以及 desirable difficulties，適度困難 等理論連結。

這項研究的對象是大學生，因此不能直接把百分比套用到小學生或國中生身上；但它提供了一個重要提醒：

如果 AI 把原本應該由學生完成的認知工作全部接手，短期效率提升可能伴隨較弱的長期記憶。

---

但這不代表「AI 對學習不好」

如果故事停在這裡，很容易走向另一個極端：乾脆禁止學生使用 AI。

問題是，另一批研究得到的答案並不是「AI 越少越好」，而是：

設計正確的 AI Tutor，反而可能非常強。

2025 年《Scientific Reports》發表的一項隨機對照試驗，研究 Harvard 大學物理課程中的學生使用研究團隊設計的 AI Tutor。

這個 Tutor 並不是單純把一般聊天機器人丟給學生，而是將教學法與教育心理學原則加入互動設計。

研究結果顯示，使用 AI Tutor 的學生，在較短學習時間內取得的學習增益超過課堂 active learning 組的兩倍，同時學生也回報較高的投入與動機。

這兩組看似矛盾的研究放在一起，反而得到一個非常清楚的方向：

問題不是學生有沒有 AI，而是 AI 在替學生完成思考，還是在引導學生思考。

這兩種產品可能使用完全相同的大型語言模型，教育效果卻完全不同。

---

K-12 的研究也開始出現：AI Tutor 有潛力，但證據還沒有成熟到可以無條件樂觀

2025 年《npj Science of Learning》發表一篇針對 K-12 AI 智慧家教系統的系統性回顧。

研究團隊整理了 28 項研究、共 4,597 名 K-12 學生。整體而言，AI-driven Intelligent Tutoring Systems 對學生的學習與表現通常呈現正向效果。

但作者也特別提醒，當 AI Tutor 與其他非 AI 的智慧教學工具比較時，優勢會縮小；目前研究的介入時間、學生背景與樣本規模也仍然有限，因此還需要更長期、更大規模與更多元的研究。

也就是說，我們目前可以合理地說：

AI 可以成為有效的學習工具。

但還不能說：

只要學生有 AI，就一定會學得更好。

兩句話差很多。

---

那 AI 世代的小學生到底該怎麼用？

小學生最大的風險，可能不是 AI 幻覺，而是太早習慣「遇到問題就立刻取得答案」。

這個年齡階段仍在建立閱讀、算術、記憶、表達與基本問題解決能力，因此 AI 比較適合扮演 會給提示的家教，而不是作業代寫員。

例如孩子問：

「為什麼 3/4 比 2/3 大？」

最差的 AI 使用方式是直接要求：

「告訴我答案。」

比較好的方式則是：

「不要直接告訴我答案，用五年級可以理解的方法，一次給我一個提示，讓我自己算。」

AI 可以接著問：

「如果要把四分之三和三分之二都變成分母相同的分數，你覺得可以選哪一個數？」

此時真正進行運算的仍然是學生。

對小學生而言，一個很實用的規則就是：

AI 可以提示，但第一個答案必須由自己說。

自然科也一樣。

與其問：

「幫我整理光合作用。」

可以改成：

「先用小學生能懂的方式解釋光合作用，講完一小段就問我一題，不要一次把所有答案說完。」

這時 AI 從百科全書變成互動式老師。

---

國中生：開始把 AI 變成「蘇格拉底式家教」

到了國中，學生開始接觸更複雜的代數、物理、化學、歷史因果與抽象概念。

這個階段 AI 最有價值的能力，可能不再是解釋，而是提問。

例如一道數學題卡住，可以對 AI 說：

「不要解題。先看我的做法，每次只能指出一個錯誤或給一個提示。如果我自己修正成功，再進下一步。」

歷史則可以反過來：

「我認為第一次世界大戰主要是民族主義造成的。不要直接告訴我標準答案，請找出我論證最薄弱的地方，問我三個問題。」

這種用法非常重要，因為它把 AI 從 answer machine 變成 sparring partner。

學生仍然負責產生論點，而 AI 負責攻擊漏洞。

英文作文也可以採同樣原則。

不要：

「幫我把作文寫好。」

而是：

「這是我寫的文章。只標出文法問題與邏輯不清楚的句子，不要替我重寫。我會自己修改第二版。」

第二版寫完，再讓 AI 檢查。

如此一來，學生真正練習的是寫作，而不是 prompt engineering 後等待一篇成品掉下來。

---

高中生：AI 應該逐漸變成研究助理、批判者與模擬對手

到了高中，完全避免 AI 已經越來越不實際。

相反地，高中階段應該開始訓練另一種能力：

如何在 AI 很強的情況下，仍然保有自己的判斷。

例如準備報告時，可以先自己建立論點，再把 AI 當 opposition researcher：

「這是我的主張與證據。請站在反方立場找出五個可能的反駁，但不要替我修改文章。」

讀科學文章時可以問：

「這篇研究的 sample size、研究設計、可能 confounder 與 limitation 是什麼？哪些結論是資料直接支持，哪些只是作者推論？」

讀完之後，再把 AI 關掉，自己回答：

「這篇研究到底證明了什麼？」

高中階段真正值得培養的，不只是「知道怎麼問 AI」，而是：

知道 AI 的回答什麼時候值得相信，什麼時候必須查來源。

這也與 UNESCO 的 AI Competency Framework for Students 相呼應。UNESCO 將學生 AI 能力分成 human-centred mindset、AI ethics、AI techniques and applications、AI system design 四個面向，並強調 Understand、Apply、Create 的漸進能力，而不是把 AI literacy 簡化為會寫 prompt。

---

一個非常簡單的學習原則：Brain First, AI Second

如果要把整套 AI 學習方法濃縮成一句話，大概就是：

先用腦，再用 AI。

實際流程可以非常簡單：

第一步：先自己回想。

不要開課本，不要開 AI，先寫下目前記得的內容。

第二步：先自己作答。

即使不完整也沒關係。

第三步：讓 AI 找缺口。

「這是我的理解，請指出錯誤或遺漏，但先不要給完整答案。」

第四步：要求提示。

真的卡住時，一次取得一個 hint。

第五步：重新回答。

學生自己把答案重新組織一次。

第六步：關掉 AI 再測一次。

如果沒有 AI 就完全答不出來，那代表先前完成的任務很可能沒有真正轉化成自己的能力。

這個方法其實融合了幾個已經存在很久的學習科學概念，包括 retrieval practice、feedback、scaffolding 與 desirable difficulties。

AI 的價值，是讓這些方法第一次可以大量個人化。

以前一位老師不可能同時陪 30 名學生進行一對一提問。

但 AI 可以。

真正值得開發的教育 AI，因此可能不是「最會回答問題的模型」，而是最知道什麼時候不要回答的模型。

---

AI Tutor 最重要的功能，可能是一個「拒絕直接回答」按鈕

這也帶出一個很有趣的產品設計問題。

現在大部分生成式 AI 都被訓練成盡量 helpful。

使用者問：

「答案是什麼？」

模型最自然的反應就是回答。

但教育產品真正需要的行為有時恰好相反。

AI 可能應該說：

「你已經很接近了，我先不給答案。你覺得第二步哪裡可能有問題？」

對一般 productivity 工具而言，這叫增加摩擦。

對教育而言，這個摩擦本身可能就是功能。

PNAS 高中數學研究最值得注意的地方，也正是 GPT Base 與 GPT Tutor 使用的核心模型都可以很強，但不同的互動護欄造成了不同的學習結果。

未來的 AI 教育產品競爭，也許不只是比較模型 benchmark，而會比較：

誰最會判斷學生現在需要答案、提示、反問、練習，還是乾脆什麼都不要說。

---

老師的工作不會因此消失，反而可能變得更像「學習系統設計師」

如果 AI 可以解釋概念、出題、批改基本作業，那老師的角色可能逐漸從大量重複知識傳遞，轉向更重要但也更難自動化的工作：

設計學習順序、觀察學生是否真的理解、判斷學生是不是過度依賴 AI、處理動機與情緒問題，以及建立真正需要學生自己推理的評量。

未來作業的設計也可能必須改變。

單純要求：

「寫一篇 1,000 字報告。」

對生成式 AI 而言太容易代理。

但如果要求學生同時交出：

自己的初稿、AI 給出的反駁、修改理由、口頭說明，以及最後在沒有 AI 情況下回答延伸問題，真正的理解程度就比較難藏在漂亮文字後面。

這其實也是 AI 時代教育的一個轉折：

評量不能只看最後輸出了什麼，而必須重新看學生經歷了什麼思考過程。

---

對家長而言，最重要的也許不是監控「有沒有用 AI」

完全禁止孩子碰 AI，長期可能就像二十年前禁止學生使用網路搜尋一樣，很難成為真正可持續的策略。

比較值得觀察的是使用模式。

孩子遇到題目後，是先想一下再問 AI，還是第一秒就貼上去？

AI 給出答案後，他能不能用自己的話重新說明？

把聊天室關掉後，能不能重新做一次？

他是在要求 AI 給提示，還是在要求 AI 交付成品？

這些問題可能比單純統計一天用了幾分鐘 ChatGPT 更有意義。

---

最終真正該教的，也許是「什麼時候不要用 AI」

過去我們把 digital literacy 理解成會搜尋、會使用電腦、會判斷網路資訊。

AI literacy 很可能還需要再多一層：

知道哪些認知工作不應該外包。

計算一大串重複資料，可以外包。

幫忙產生練習題，可以外包。

解釋自己看不懂的概念，可以請 AI 協助。

但第一次回想、形成論點、推導解法、判斷證據，以及確認自己到底懂不懂，最好仍然保留在人類這一側。

這並不是因為不用 AI 比較高尚。

而是因為教育的目的，本來就不是完成最多任務。

教育真正要留下的，是當所有輔助工具暫時消失時，學生腦中還剩下什麼。

AI 可以讓學習變得非常強大。

但最好的 AI Tutor，也許不是那個永遠把答案遞到你手上的系統。

而是那個知道什麼時候應該把答案藏起來，然後問你：

「你覺得下一步是什麼？」

---

Tech English｜本文關鍵技術與學習科學名詞

Cognitive Offloading｜認知卸載：把原本需要由大腦完成的記憶、計算或推理工作交給外部工具。AI 可以降低認知負擔，但若連學習階段的重要思考也一併外包，可能影響知識形成。

Retrieval Practice｜提取練習：不是重新閱讀答案，而是嘗試從記憶中主動把資訊叫出來，例如關掉課本後自行解釋一個概念。大量學習研究顯示，提取本身就是強化記憶的重要過程。

Desirable Difficulties｜適度困難：學習過程中某些短期看起來比較費力的活動，例如回想、間隔練習或自己修正錯誤，可能讓長期記憶更加穩固。

Scaffolding｜學習鷹架：提供剛好足夠的提示、步驟與支援，讓學生完成目前還無法完全獨立完成的任務，之後再逐步撤除協助。AI Tutor 非常適合提供個人化鷹架。

Intelligent Tutoring System, ITS｜智慧家教系統：能根據學生回答、能力或進度調整教學內容與回饋的數位學習系統。生成式 AI 正讓 ITS 從固定規則逐漸轉向自然語言互動。

Metacognition｜後設認知：理解與監控自己「知道什麼、不知道什麼」的能力。AI 回答過於流暢時，學生可能把「我看懂 AI 的答案」誤認成「我自己已經會了」。