从答题机器到协作伙伴：
结构化生成式人工智能训练对STEM教育中科学问题解决的影响
导语
生成式人工智能正在快速进入STEM课堂，但一个越来越现实的问题是：
学生是在借助AI思考，还是把思考本身交给了AI？
2026年，《International Journal of STEM Education 》发表研究《From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education》。该研究指出，单纯向学生开放生成式AI并不一定促进深度学习；缺乏指导时，学生容易出现“元认知惰性（metacognitive laziness）”，把AI当成直接获取答案的“答题机器”，而不是支持思考和问题解决的“协作伙伴”。
基于自我调节学习（SRL）和认知负荷理论（CLT），研究团队通过随机对照实验考察：结构化的生成式AI训练，能否真正改善学生在复杂科学问题中的人机协作表现。
01 研究问题：
本研究聚焦四个问题：
结构化GenAI训练是否能够提高学生的答案修订表现，并影响其认知负荷？
学生原有的自我调节学习能力、GenAI使用经验和学科知识基础，是否会影响人机协作效果？
结构化训练能否减弱学生之间因原有AI经验不同而产生的表现差距？
训练是否能够改变学生与AI的互动方式，让他们从“直接要答案”转向更高阶的提问、验证和反思？
02 研究目的
研究的核心目的并不是比较“用AI”和“不用AI”谁成绩更高，而是进一步追问：学生能否通过专门训练，学会更有策略地与AI合作？
03 研究方法
研究采用随机对照实验（RCT）+混合研究方法。
实验组接受一节45分钟的结构化GenAI训练，整个训练分为三个阶段：
导入阶段｜10分钟
教师介绍GenAI在学习中的应用，并让学生讨论
生成式AI和传统搜索工具、拍照搜题软件有什么区别？
重点让学生意识到AI生成的内容并不天然可靠，需要验证。
策略教学｜15分钟
教师结合自我调节学习的三个阶段
计划（Forethought）
执行（Performance）
反思（Self-reflection）
教授学生如何设计不同类型的Prompt，并演示如何利用AI分析科学问题。
同时教师专门讲解AI常见的三类缺陷：
视觉识别错误、推理错误、幻觉
实践阶段｜20分钟
学生亲自使用GenAI分析两个力学问题，并讨论：
AI哪里可能出错？
如何发现错误？
怎样通过重新描述、分步提问、多轮验证进行修正？
为了检验训练效果，两组之后经历完全一致的任务流程：
基线问卷 → 不同类型的45分钟训练 → 独立完成CSEM电磁学题目 → 与豆包讨论并修改答案 → 认知负荷测量。
研究者同时收集：
CSEM前后答案
自我调节学习水平
既往GenAI使用经验
认知负荷
学生与豆包的完整对话记录
因此，这项研究不仅比较“成绩有没有提高”，还进一步分析学生究竟是怎样使用AI的。
04 研究内容：
训练后的学生发生了什么变化？
科学问题修订表现显著提高
最直接的结果是实验组在AI辅助修订后的CSEM得分达到约83.3分，控制组约为74.4分。
差异达到显著水平：d = 0.814，p < 0.001,这说明结构化GenAI训练带来了较大的实际效应。
更值得注意的是，两组的总体认知负荷没有显著差异。也就是说，学生表现提高，并不是简单因为任务“变轻松了”。
最大差异不是“改了多少”，而是“改得对不对”
研究发现一个非常有意思的结果：控制组学生其实修改得更多，但很多修改反而把原本正确的答案改错了。
在控制组中：
错误→ 正确：41.3%
正确 → 错误：40.0%
而实验组则是：
错误 → 正确：69.3%
正确 → 错误：16.5%
也就是说，接受训练的学生并不是更频繁地听从AI，而是更能够判断什么时候应该相信AI，什么时候应该质疑AI。
从“检查答案”转向“理解问题”
研究者进一步分析了学生与AI的聊天记录。
两组学生最常见的方式仍然是直接上传图片，但接受训练之后，学生明显更常使用高阶互动策略。
例如“深入理解问题”这一策略：
控制组只有20.0%的学生使用过；
实验组上升到：42.0%
而“让AI生成新问题来检验自己是否真正理解”的策略：
控制组：0%
实验组：14.0%
这说明训练带来的变化不仅体现在分数上，更体现在学生使用AI的方式上：从让AI告诉我答案，转向让AI帮助我理解问题。
05 教育启示：
AI教育的重点不是“开放工具”，而是“教会学生如何合作”
这项研究最值得STEM教育关注的，并不是“AI能够提高成绩”这样一个简单结论。它真正提示了三个问题：
仅仅允许学生使用AI，并不等于实现AI赋能学习
论文的结论非常明确：
有效的GenAI整合需要教学支架，而不仅仅是提供工具。
没有指导时，学生很容易把AI当成权威答案源，形成“拍照—获得答案—接受答案”的浅层使用模式。
AI素养首先是一种“判断能力”
未来学生需要学习的不只是
怎么提问、怎么写Prompt
更重要的是
如何识别AI错误
如何验证结果
如何判断什么时候信任AI
如何利用自己的学科知识纠正AI
这可以理解为一种“校准后的信任”——既不是盲信AI，也不是拒绝AI。
STEM问题解决仍然需要学生保持认知主体性
研究中表现更好的学生，并没有把更多思考交给AI。
恰恰相反，他们更主动地
分解问题、追问原因、检查答案、发现错误、生成新问题。
因此，未来STEM课堂中的AI应用，真正值得追求的可能不是
“AI帮学生解决了多少问题？”
而是
“学生有没有因为AI而学会更好地解决问题？”
07 结语
这篇研究的标题用了一个很形象的转变
From answer machine to collaborative partner
从“答题机器”到“协作伙伴”
它提醒我们
AI进入STEM教育之后，真正需要改变的可能不是工具，而是学生与工具之间的关系
当学生能够理解AI的能力与局限，主动质疑、验证并修正AI输出时，AI才可能真正成为支持科学问题解决的认知伙伴。
而这，也许正是AI时代STEM教育中最需要培养的新能力。