生成式 AI 正在重构编程课堂，学生借助 AI 工具可以更快完成代码任务、降低编程焦虑，但任务表现提升不等于真正的深度学习：可迁移的概念理解、评估辨析能力未必同步增长。
这篇扎根理论研究，跳出 “AI 用或者禁用” 的二元争论，解析学生使用 AI 时真实的认知与动机过程，为 STEM 教学落地 AI 提供实证依据。
研究背景
当下 GitHub Copilot、ChatGPT 等大模型广泛进入高校编程课程，超过 70% 应届毕业生期待课程正式整合生成式 AI 工具。已有大量研究证实 AI 能够提升任务完成速度、正确率，改善学生情绪体验，也就是短期任务表现显著变好，但学界提出“表现‑学习悖论”：
亮眼作业成绩背后，部分学生无法解释 AI 生成代码的底层逻辑，延迟概念测试得分偏低，独立调试、问题拆解能力发生退化 。
现有文献大多聚焦学习结果，缺少对学生与 AI 交互过程的追踪，不清楚学生如何评判、校验 AI 输出，以及长期使用 AI 后元认知判断会发生怎样变化。为此研究者提出3个研究问题：
1. 学生使用 AI 开展编程任务会发展出哪些交互策略？
2. 学生如何评估校验 AI 产出，哪些因素影响批判性思考深度？
3. 长期使用 AI 编程工具，会如何影响元认知校准、自我效能感？
研究设计
该研究采用建构主义扎根理论，选取国内某高校大二 Java 程序课程，设置两组做理论对照（非随机对照实验）。
1. AI 使用组：24 名学生，课程允许、鼓励使用 GitHub Copilot；
2. 理论对照组：17 名学生，开展传统结对编程，不做 AI 干预；
两组课程大纲、作业完全一致，样本基础信息见表 2。
数据来源三角验证：
① IDE 交互日志：共采集 857 条求解提示词，75% 属于事务性代码生成，25% 属于概念探究；
② 课程前后概念图，用于表征学生概念知识结构；
③ 期末半结构化配对访谈，使用刺激回忆法，结合学生真实日志复盘当时思考过程 。
表 2：参与者人口统计与基线经验 (P6)，两组学生年龄、前置 Java 学习时长、自我报告技能水平、GPA 基线水平接近。
研究发现
1. 伙伴化叙事：对话错觉
学生口头经常把 AI 描述成身边的高级程序员、24 小时导师，构建 “协作伙伴” 认知。但是日志记录显示大量场景是单次指令、直接全盘接收代码，口头的协作对话和实际行为脱节，即 “对话错觉 ”；当然也存在部分学生真正开展迭代问询、测试修改，实现真正的协同探究 。
2. “策略之舞”：学生动态切换两种使用模式
学生不会固定一套 AI 使用策略，会根据截止日期、任务陌生程度动态切换，研究者称之为策略之舞：
①苏格拉底式探究：时间充裕，追问原理、方案利弊，迭代修改测试；
②事务性委托：临近截止时间（24‑36 小时），直接下达指令索要完整代码，减少思考负担。遇到全新复杂任务时，即便临近截止，学生又会切回探究模式。见下图 ，左侧为探究模式、右侧为截止期事务委托模式。
3. 两类评估困境
①新手困境：信任但无法核验
新手能感知 AI 会出错，但看不懂 AI 给出的复杂代码，只能寄希望代码碰巧运行，后续只能针对报错症状修修补补，找不到根本错误；结对编程组新手可以直接向同伴追问解释，获得社会校验机会、。
②熟手样板代码盲区
有一定基础的学生会把文件读写等样板、胶水代码交给 AI，主观认为简单代码不会出错，把精力留给复杂算法。大量 bug 恰恰隐藏在被忽视的 AI 样板代码中。结对编程中同伴互相检查，能够规避这类盲区。
4. 元认知校准减弱：工具绑定自我效能
部分学生的自我效能依附于提示词技巧，混淆工具掌握和领域掌握。
项目分数很高，但脱离 AI 面对考试时内心充满不安，出现元认知校准衰减，主观感知的能力和真实独立能力错配。
相较于结对编程对照组，AI 组在概念交叉链接、层级架构上的提升幅度更小，代表知识整合增长偏弱。研究者强调这仅为描述性证据，不是统计推断结果。
研究结论
论文提炼出领域掌握 vs 工具掌握的张力模型，包含两大循环：
1. 支架循环：学生以探究为主，对 AI 输出做测试、修改、评判；降低外部认知负荷，同时保留促进知识建构的关联加工，提升自主性与胜任感，走向真正领域掌握。
2. 卸载循环：事务性委托为主，不加检验直接接收 AI 代码；绕过必要的认知挣扎，任务表面完成，但关联加工被压缩，形成工具掌握，带来元认知失调风险 。
核心结论：AI 带来的作业表现、学习动机提升，可以和浅层学习共存。结果好坏不在于工具本身，而在于学生和 AI 的交互模式，时间压力、任务熟悉度、课堂教学设计会驱动学生在两个循环之间来回跳转 。
为什么该理论模型更有效？
过往多数研究聚焦输出结果，本研究从过程层面解释 “表现‑学习悖论”。依托认知负荷理论 CLT、自我决定理论 SDT 双理论透镜，把学生行为、认知负荷、动机三者打通。
- 解释为什么同样使用 AI，有的学生获得深度学习，有的学生形成依赖；
- 区分 “AI 作为支架” 和 “AI 作为拐杖” 的发生条件；
- 不做因果论断，提供可检验的教学干预假设，为后续实证研究提供分析框架 。
给教师的启示
1. 设置AI 批判环节：作业明确要求学生定位、测试、修改 AI 生成代码，强制开展批判性校验，保障关联认知加工。
2. 实施有计划的 AI 淡出策略：部分子任务（写测试用例、逻辑推演）要求学生关闭 AI 独立完成，校准学生真实能力感知。
3. 引入校验日志 / 提交注释模板：要求学生记录如何测试 AI 输出、做了哪些修改，把评判行为纳入作业评价。
4. 鼓励对比式提问：引导学生向 AI 索要多套方案、分析利弊，把提示词从 “直接拿代码” 转化为 “开展对比思考”。
5. 设置定期关闭 AI 的检查点，模拟考试环境，帮助学生看清自身真实知识缺口 。
结语
这篇扎根理论研究呼吁我们跳出简单的禁止或放任 AI，课堂重点不是要不要 AI，而是设计怎样的任务与规则，引导学生更多进入支架循环，减少无校验的认知卸载。AI 可以是工具、导师，也可能沦为拐杖，主动权很大程度掌握在教学设计者手中。