- 主办单位:
- ISSN:
- 期刊分类:
- 出版周期:
- 投稿量:
- 浏览量:
相关文章
暂无数据
AI辅助解题如何改变大学生数学学习——基于学习方式与思维习惯的双维分析
How AI-Assisted Problem Solving Is Reshaping College Students' Mathematics Learning: A Two-Dimensional Analysis Based on Learning Approaches and Thinking Habits
引言
生成式人工智能(ChatGPT、DeepSeek、Kimi等)在高等教育领域的渗透速度远超预期。当这些工具以“秒级响应”的能力处理微积分计算、代数推导甚至几何证明时,数学教育面临一个深层悖论:技术越高效,学生主动思考的契机是否越少?
现有研究多聚焦于AI的“效用评估”——它能否提升成绩、能否辅助教学。一项2023至2025年间实证研究的元分析表明,生成式AI对数学学习具有中等程度的正向效应,且在协作学习模式下效果更为显著。然而,这种“效果导向”的研究范式遮蔽了一个更具学科本质意义的问题:AI工具是否正在改变大学生“如何学习数学”以及“如何思考数学”?
大学数学教育的核心目标,从来不只是“得到正确答案”。推导过程中的逻辑训练、对条件与结论之间关系的敏感性、面对未知问题时的探索策略——这些构成数学思维习惯的要素,恰恰是在“困难的、有价值的认知挣扎”中逐步养成的。当AI能够将解题压缩为“提问—获取—接受”的流水线操作时,这种认知挣扎的空间正在被系统性压缩。
既有研究已经注意到这一风险。有学者从分布式认知视角指出,生成式人工智能的介入打破了人类对学习主体性的独占,过度依赖算法导致的认知外包正逐渐引发高阶思维的退化与去技能化危机。实证研究进一步表明,尽管生成式人工智能的辅助能使学习成绩提升48%,但撤去支架后学生的独立表现反而比对照组下降了17%,这种“拐杖效应”表明技术辅助可能隐蔽地阻碍学生深入学习真实技能以及建构认知图式。
然而,上述研究多在一般学习情境中展开,较少聚焦于数学学科的特殊认知结构。数学学习具有高度的逻辑递进性与抽象性,其认知加工过程具有独特的阶段结构——这一特征使得AI介入的“位置”比“频率”更为关键。本研究以Polya解题阶段理论为分析工具,围绕一个统领性问题展开:生成式AI辅助解题如何重塑大学生的学习方式与思维习惯?具体分解为三个子问题:其一,大学生在数学学习中使用AI的行为特征是什么?其二,AI辅助解题如何改变学习方式的范式?其三,这种改变对数学思维习惯产生了什么影响?
1 理论框架与研究设计
1.1 理论支撑
本研究以Polya解题阶段理论、认知负荷理论与分布式认知理论构成三重分析框架。
Polya在《怎样解题》中将解题过程分解为“理解问题—制定计划—执行计划—回顾检验”四个阶段。该框架的核心价值在于揭示:数学解题的核心困难往往不在计算,而在于“理解”与“计划”两个阶段;执行计划是相对机械的环节,理解问题、制定策略才是真正体现数学思维水平的地方。这一框架为本研究精准定位AI介入的认知环节提供了分析工具。
认知负荷理论则提供了关键的解释视角。该理论区分“内在负荷”(与学习内容本身的复杂性相关)、“外在负荷”(与教学设计和信息呈现方式相关)与“相关负荷”(用于图式建构与自动化)。数学学习中“有益的认知挣扎”是图式建构与思维习惯养成的必要条件,而AI的“即时答案供给”可能消解这种挣扎,产生“效率提升但深度弱化”的张力。有学者指出,生成式人工智能通过接管资料整理等外在负荷实现认知卸载,使大学生得以聚焦批判性反思等高阶任务;但这种卸载若过度,则可能异化为算法的全权托管。
分布式认知理论则提供了更宏观的视角。该理论认为,认知并非局限于个体头脑内部,而是分布于社会组织、物理工具及环境表征之间。在分布式认知视角下,认知的分布化并不预示着学习者主体性的消解,反而是认知主权在社会组织、物理工具及环境表征间的结构性扩张与边界重测。生成式人工智能作为非人类行动者嵌入学习生态,将认知方式从单一的个体认知转向人机协同交互逻辑,学习主体性因而经历一个从单向独占向分布式确权的再生成过程。这一理论提醒我们:AI对数学学习的影响不应被简单理解为“好”或“坏”,而应被理解为认知主体与认知工具之间关系的结构性重组。
1.2 分析框架
本研究构建“学习方式—思维习惯”双维分析框架。学习方式维度考察解题流程的组织方式,区分“独立推导主导”与“人机协商主导”两种范式;思维习惯维度聚焦三个核心指标:独立推理倾向、批判性校验意识、深度加工意愿。两个维度之间的关系是本研究的分析重点:学习方式的改变是否以及如何传导至思维习惯层面。
需要说明的是,这一框架并不预设“独立推导”天然优于“人机协商”。分布式认知理论提示我们,认知卸载在适当条件下可以释放高阶思维资源。因此,本研究的分析焦点不是“是否使用AI”,而是“在哪个认知环节使用AI”以及“使用后是否保持了必要的认知投入”。
1.3 研究方法与数据来源
采用“量化主导、质性补充”的混合方法。量化部分以问卷收集使用行为与思维习惯自评数据,质性部分通过半结构化访谈捕捉“关键事件”中的深层体验。
问卷调查采用整群抽样方式,覆盖3个教学班共217名本科生,回收有效问卷198份(有效率91.2%)。问卷包含四个模块:AI使用行为(频率、工具偏好、使用场景)、解题中的AI介入程度(参照Polya四阶段设计题项)、数学思维习惯自评(独立推理、批判性校验、深度加工)、数学学习动机(作为控制变量)。思维习惯自评模块参照已有研究中关于认知投入与元认知监控的测量思路设计。问卷维度α系数在0.79—0.86之间,信度良好。
半结构化访谈选取18名学生,按“AI高频使用/低频使用”与“数学成绩高/低”交叉分层。访谈聚焦“关键事件”——请学生描述一次完整的“借助AI解决数学问题”的经历,追问求助时机、加工深度与校验行为。访谈资料采用主题分析法进行编码,围绕“求助时机—加工深度—校验行为”三个轴心提炼主题。
2 AI辅助解题的行为特征与影响机制
2.1 使用行为的基本图景
数据显示,生成式AI在大学生数学学习中的渗透已相当广泛。在198名受访者中,83.3%表示曾在数学学习中使用过AI工具,其中“有时使用”占41.9%,“频繁使用”占23.7%,“偶尔尝试”占17.7%。工具选择上,DeepSeek(62.1%)与ChatGPT(48.5%)占据主导,Kimi与文心一言使用率分别为21.2%与15.7%。
但使用频率的“高渗透”掩盖了使用深度的“浅层化”。当被问及“通常在解题的哪个阶段求助AI”时,学生的选择呈现明显的阶段倾斜(表1):
| Polya阶段 | 求助AI的频率(均值,1-5) | 主要使用方式 |
|---|---|---|
| 理解问题 | 2.87 | 概念解释、题意分析 |
| 制定计划 | 2.43 | 思路提示、方法参考 |
| 执行计划 | 3.94 | 完整解题过程获取 |
| 回顾检验 | 2.16 | 答案核对、步骤验证 |
“执行计划”阶段的求助频率显著高于其他阶段,且差异具有统计学意义(F=18.37,p<0.001)。这一分布揭示了一个关键特征:AI在数学解题中主要被用作“答案生成器”而非“思维脚手架”。学生倾向于在“知道要做什么但不想自己做”的时刻求助AI,而非在“不知道从何入手”的策略性阶段寻求支持。
这一发现与已有研究形成呼应。一项针对聊天机器人辅助学习的实证研究指出,大学生的自我调节学习行为呈现出严重的结构性偏倚,高达82%的操作被局限在末端的任务执行层面,而前端的计划与后端的反思行为却极其稀缺。该研究同样发现,在最小努力原则的驱使下,学生将涉及图式重构与逻辑推演的相关认知也让渡给算法,导致高阶思维能力出现“失用性萎缩”。
2.2 学习方式的范式转换
AI辅助解题正在推动一种从“独立推导主导”到“人机协商主导”的学习方式转变。这种转变的表征之一是解题流程的重构:传统模式下“阅读问题—尝试推导—受阻—重新思考—获得解答”的线性过程,正在被“阅读问题—快速评估难度—向AI提问—接收解答—扫视验证”的压缩流程取代。
一位访谈对象(大一,高等数学课程,AI高频使用)的描述具有典型性:“以前遇到积分题,我会先想用什么方法,换元还是分部。现在会先看一眼觉得麻烦,就直接把题发给AI。它给出来之后,我大概看一下每一步在做什么,觉得合理就抄下来。如果考试没有AI,我可能真的不知道怎么下手。”
这种流程压缩的核心后果在于:“卡住”的体验被系统性地绕过。而恰恰是“卡住—尝试—调整—突破”的循环,构成了数学思维习惯养成的核心机制。从认知负荷理论的视角看,学生实际上是将“相关负荷”错误地归类为“外在负荷”,从而在追求效率的过程中消解了思维发展的必要条件。
值得注意的是,学习方式的转变并非均质发生。交叉分析显示,数学成绩处于班级后40%的学生在“执行计划”阶段求助AI的频率(M=4.21)显著高于成绩前40%的学生(M=3.52,t=4.87,p<0.001);而成绩前40%的学生在“理解问题”和“回顾检验”阶段的求助频率反而更高。这一分化的含义在于:基础较弱的学生更倾向于将AI用作“答案替代”,而基础较好的学生更可能将其用作“思维辅助”。AI的影响具有“认知放大器”特征——它放大了学生已有学习策略的倾向性,而非均质地改变所有学习者。
这一发现与已有研究中关于“高绩效组与低绩效组在AI使用中存在行为模式分化”的结论高度一致。一项基于滞后序列分析的研究发现,高绩效学生表现出更多的“解释性”和“评价性”活动,从事实性表征转向元认知表征;而低绩效学生则主要从“提示选择”直接过渡到“程序性表征”——即跳过深度理解,直奔操作步骤。这意味着AI对学习方式的影响具有“放大器”效应,它放大已有思维习惯的差异,而非缩小差距。
2.3 思维习惯的深层变化
思维习惯的变化难以通过单次问卷捕捉,但访谈数据与问卷中的自评指标共同勾勒出两个值得警惕的倾向。
倾向一:推理让渡。推理让渡指学生将本应由自己承担的推理链条“外包”给AI,以对输出结果的“合理性扫视”替代对推理过程的“逻辑性审查”。问卷中“面对AI给出的解题步骤,你通常会”一题的作答分布为:“只看最终答案是否正确”占12.1%,“快速浏览步骤,觉得合理就接受”占47.5%,“逐步检查每一步的逻辑”占28.8%,“尝试自己重新做一遍进行对照”占11.6%。超过半数学生采用“快速浏览+合理性判断”的浅层加工策略。
这一发现得到了实验研究的佐证。一项针对大学生使用ChatGPT进行数学推理的深入分析表明,学生在与AI互动时,其“推理的合理性”水平存在显著个体差异,低绩效学生尤其容易“不加批判地接受AI的输出”。另一项聚焦元认知活动的研究则发现,当学生将AI生成的解法与自己的解答进行对比时,元认知参与(监控、评价、阐述)确有提升,但“计划性元认知活动”几乎未被触发。这意味着AI可以支持“事后反思”,却难以自发激发“事前策略思考”。
倾向二:校验真空。校验真空指学生对AI输出的批判性验证严重不足,尤其当AI答案具有“自信的表达方式”时。访谈中,当被问及“如果AI的答案和你自己的计算不一致,你会怎么做”时,18名受访者中仅4人表示“会重新验算或追问AI”,9人表示“倾向于相信AI”,5人表示“会根据自己的直觉判断但不会严格验证”。
一位受访者(大二,线性代数课程)的表述颇具代表性:“AI的步骤写得很整齐、很专业,看起来就像标准答案。我自己算的不一定对,所以一般就以它的为准。”
这种“以呈现形式判断正确性”的倾向,与AI输出的特征形成了危险的匹配。研究表明,ChatGPT在数学解题中的错误并非罕见,且错误往往出现在“问题理解、方程建立、计算执行”等环节,并以“流畅、自信”的方式呈现。有学者将这种现象描述为“锯齿状技术前沿”——在生成式人工智能能力边界内,协同确实能带来质量与速度的双重飞跃;然而一旦任务变动使其超出隐形边界,盲目信任算法会导致比不使用人工智能更严重的错误。商业化算法往往遵循流量逻辑,倾向于掩盖这一边界以维持持续性连接,进一步加剧了学生陷入“校验真空”的风险。学生若缺乏足够的数学判断力,恰恰最容易被这种“自信的错误”误导。
3 讨论与启示
3.1 效率与深度的张力
上述发现指向一个核心张力:AI工具确实提升了“解题效率”,但这种效率是否以“思维深度”为代价?
从积极面看,AI能够提供多解法视野、即时反馈与可视化支持,降低学生在“理解问题”阶段的心理门槛。一项元分析发现,当AI被整合为“创造性转化”工具而非“练习替代”工具时,学习效果最为显著。生成式人工智能通过接管资料整理等外在负荷实现认知卸载,使大学生得以聚焦批判性反思等高阶任务。从风险面看,当AI主要被用于“执行计划”阶段的答案获取时,数学教育最珍视的独立推理能力与批判性思维便面临被侵蚀的风险。
这一张力不能简单地以“用”或“不用”AI来化解。真正的挑战在于:如何设计AI介入的方式,使其在提供效率支持的同时,不消解必要的认知挣扎。分布式认知理论提示我们,关键不在于是否将认知“分布”给工具,而在于学习者是否在人机协同中保持了对认知过程的“调控权”而非仅仅保留“验收权”。
3.2 教学引导策略
基于研究发现,提出三项可操作的教学引导策略:
第一,“延迟求助”规则的课堂嵌入。建议在课堂练习与作业环节设置“独立推导时间”要求——例如,学生须在求助AI之前提交至少一次独立的解题尝试(哪怕是不完整的)。这一设计的目的是恢复“卡住—尝试”的认知循环,使AI成为“受阻后的支持”而非“受阻前的替代”。从认知负荷理论看,这一策略的核心在于帮助学生区分“应当卸载的外在负荷”与“必须保留的相关负荷”。
第二,元认知反思任务的系统化设计。将“AI输出批判性校验”作为数学课程的显性教学目标。具体做法包括:要求学生提交“校验说明”(解释为什么接受或拒绝AI的某一步骤)、设置“AI错误侦测”练习(给定包含错误的AI解法,要求学生定位并说明问题)、开展“双解对照”活动(独立解法与AI解法并行提交并分析差异)。已有研究表明,生成式人工智能对话日志可以被重塑为大学生反思提问逻辑、识别认知偏误的元认知复盘档案,关键在于将评价重心从关注“生成了什么内容”的结果导向,转向监控“我是如何生成内容的”的过程导向。
第三,分层化的AI使用引导。鉴于AI影响的“认知放大器”特征,对基础较弱的学生应强化“理解问题”阶段的AI辅助(如概念解释、题意拆解),限制其在“执行计划”阶段的直接答案获取;对基础较好的学生可鼓励其将AI用作“多解法探索”与“反例生成”的工具。这一策略的核心逻辑是:AI的使用方式应当与学生的认知成熟度相匹配,在认知能力较弱时提供更多“支架”,在能力增强时逐步“撤架”。
3.3 研究局限与展望
本研究存在三方面局限。其一,数据来自单一院校的三门数学课程,样本代表性有限,结论的推广需谨慎。其二,横截面设计无法追踪思维习惯的长期变化——AI使用对数学思维的深层影响可能需要数月乃至数年的追踪才能显现。其三,依赖自我报告数据,存在社会赞许偏差,尽管访谈数据部分弥补了这一不足,但行为证据的缺失仍是重要局限。
未来研究可在三个方向上深化:一是引入学习分析技术,通过AI交互日志(提问模式、追问频率、修改行为)进行过程性追踪,减少对自我报告的依赖;二是开展准实验设计,比较“结构化AI引导”与“自由使用AI”条件下学生思维习惯发展的差异;三是进行跨学科比较,考察AI对不同学科学习方式与思维习惯影响的差异性。
4 结语
生成式AI正在改变大学生数学学习的基本图景,但这种改变的核心风险不在于“使用工具”本身,而在于工具使用方式的“去反思化”倾向——当解题被压缩为“提问—获取—接受”的流水线操作时,数学教育最珍视的独立推理与批判性校验能力便面临系统性弱化的风险。
本研究的核心发现可概括为三点:AI使用呈现“执行阶段高依赖、策略阶段低介入”的行为特征;学习方式正从“独立推导”向“人机协商”转换,且这种转换具有“认知放大器”效应;思维习惯层面出现“推理让渡”与“校验真空”的双重隐忧。
这些发现的政策含义是明确的:高校数学教学不能仅仅“允许”或“禁止”AI工具,而必须主动设计AI介入的规则与边界。数学课程的目标需要从“教学生解题”扩展为“教学生鉴别与主导AI解题”。在分布式认知的视角下,学习主体性并未消解,而是经历着一个从单向独占向分布式确权的再生成过程。唯有当学生能够在人机协同中保持对认知过程的调控权,AI才能成为数学思维发展的助力,而非替代。
参考文献:
- [1] 张勇财,郑燕女.数字化学习生态中大学生深度学习的多维结构、生成机制与评价框架[J].吉林省教育学院学报,2026(08):111-117.
- [2] 韩淑梅,徐宁.生成式人工智能在大学生自主学习能力中的应用研究[J].中国现代教育装备, 2026(15):15-18.
- [3] 董连春,杜文康,陈秀燕.大学生成长型思维与数学学业表现的关系研究[J].数学教育学报,2025,34(04):70-77.
