Chunlin 的论文科普

AI 辅导为什么总爱直接给答案？帮得多反而可能学不好？

高等教育

你可能见过学生用AI做作业：一问就给完整代码，一讲就把步骤列全。我们默认AI是”更耐心的老师”，但它真的在”辅导”，还是在”代劳”？最新的真实课堂数据给出了反直觉的答案。

一个反直觉的发现：95%的情况下，AI都在直接给高帮助

如果让你猜，AI辅导时会有多少比例直接给答案？很多人可能以为一半一半，或者至少会先引导一下。但美国一所大学AI入门课的真实数据，把这个数字推到了一个夸张的程度。

研究人员分析了203名学生与AI的14637条辅导对话，发现超过95%的AI回复都属于”高帮助度”——要么直接把完整解题方案给出来（占55.2%），要么把思路和方法解释得明明白白（占40.3%）[1]。而像人类老师常做的”给个小提示""反问引导一下”这类低帮助度回复，加起来还不到5%。

你可能会说，那是学生问得直接啊。但研究发现，哪怕在不同类型的作业里，高帮助回复也始终占主导——比如pandas编程作业的平均帮助度更高，搜索算法作业稍低，但整体趋势没变[1]。换句话说，通用大语言模型的默认行为，就是”能帮多少帮多少”，而不是”让学生自己想多少”。

这就引出了一个核心问题：AI到底是在辅导，还是在替学生干活？要回答这个，我们得先有一把尺子，能量清楚”帮多帮少”。

怎么衡量”帮多帮少”：五级脚手架量表的由来

教育心理学里有个经典概念叫脚手架（scaffolding）——就像建房子搭的架子，给学习者提供临时支撑，等他能力够了再拆掉。好的辅导不是直接把房子建好给你，而是搭刚好够的架子，让你自己往上爬。

为了衡量AI辅导的”脚手架高度”，研究团队开发了一个五级量表，从L0到L4，核心区分标准是：学生还需要付出多少认知努力才能完成任务[1]。

选五级不是随便拍脑袋——它对应了教育理论里从”完全自主”到”完全代劳”的连续谱，也方便后续做量化分析[1]。

有了量表，怎么给一万多条对话打标签？纯人工太慢，也太贵。研究人员用了”AI自动分类+人工验证”的路子：让GPT-4o-mini根据量表定义，结合对话上下文给每条回复分级，再抽300条让两位研究者盲标，作为金标准检验[1]。

结果还不错：两位人工标注者的一致性非常高（κ=0.901），AI分类器的准确率约75%，主要误差是把”解题”误判成”解释”，反过来的错误很少[1]。也就是说，真实的”直接给答案”比例，可能比统计的55%还要略高一点，但”高帮助占绝对主导”这个结论站得住脚。

当然，实际情况比这个比喻更复杂——对话是动态的，上下文会影响判断，有些回复介于两级之间，量表也只能做到相对准确。

AI怎么答，决定了你怎么问——但不决定你考得好不好

有了这把尺子，研究人员发现了两个很有意思的规律。

第一个规律：AI的回复方式，会系统性地影响学生接下来怎么问[1]。

如果AI直接给了解题答案，接下来29.7%的学生会继续提”帮我再写个这个”之类的写作请求；如果AI是在解释思路，接下来40.5%的学生会问概念性问题；如果AI反过来引导学生思考，学生最可能贴出更多代码或错误信息，提供更多上下文[1]。

简单说就是：你给答案，我就继续要答案；你讲思路，我就跟着想思路。对话的走向，其实从AI第一句话开始就被塑造了。

但第二个规律更反直觉：AI帮多帮少，几乎不能预测学生之后的考试成绩[1]。

研究人员做了回归分析：先拿学生之前的成绩和平时提问习惯，预测三次闭卷考试的分数，再把”AI平均帮助度”这个因素加进去，看能多解释多少分数差异。结果是：三次考试分别多解释2.1%、1.1%、1.0%，而且统计上都不显著[1]。

换句话说，你以为”AI帮得少，学生练得多，考得就好”，或者”AI讲得细，学生理解深，考得就好”——在真实课堂数据里，这两种效应都几乎看不到。控制了基础水平之后，AI帮助度和考试成绩基本没关系。

等等，这和我们的直觉不一样啊。难道帮多帮少真的无所谓？

别着急下结论。这篇论文自己也说了：它是观察性研究，只能说”预测力有限”，不能说”没有因果关系”[1]。比如，可能基础差的学生更爱要答案，基础好的学生也爱要答案（反正自己会，要了省时间），两头一混，就看不出差异了。

要找因果，得做实验。

为什么帮得多反而学不好？——来自对照实验的证据

另一篇用逻辑拼图做的对照实验，给了我们更清晰的因果线索。

实验设计很巧妙：三阶段，124名被试。第一阶段无AI，测基线能力；第二阶段20分钟训练，随机分成三组——无AI组、低成本AI组（每次求助扣0.1分）、高成本AI组（每次扣0.18分）；第三阶段再撤掉AI，测最终能力[2]。

逻辑拼图这种任务的好处是，几乎不需要先验知识，能纯粹测推理能力的提升，减少背景差异的干扰[2]。

结果很清楚：

但最关键的发现是：真正影响技能提升的，不是你用了多少次AI，而是你在求助前自己独立思考了多久[2]。

研究人员算了一个叫”solo share”的指标——训练阶段里，求助前独立解题的时间占总时间的比例。贝叶斯模型显示，solo share和技能提升显著正相关：独立思考占比越高，后续不用AI时表现越好。而AI使用次数本身，和技能提升几乎没关系（相关系数接近0）[2]。

这就对上了：AI帮得多本身不是问题，问题是它替代了你的独立思考。你一上来就要答案，脑子没动，自然学不到东西。你先自己琢磨半小时，实在不会再问，效果就不一样。

当然，这个实验是短期的（约1小时），用的是逻辑推理任务，AI100%正确，能不能直接套到大学编程课上还不好说[2]。但它给了我们一个很重要的视角：关键不是”用不用AI”，而是”AI有没有替你思考”。

这件事以前我们就知道：人类辅导也有同样的规律

其实这个规律一点都不新鲜——人类辅导里早就发现了。

2024年一项关于K-12数学同伴辅导的研究，把辅导对话分成了三类：最低帮助的、促进性的（引导思考）、建设性的（直接给答案讲方法）。结果你猜怎么着？促进性对话和更高的学习率相关，而建设性对话反而和更低的学习率相关[5]。

为什么”给答案”反而不好？内容分析发现，同伴辅导里的建设性对话，经常会强化错误解法，或者直接把答案说出来，让被辅导的人没机会自己想[5]。你看，和AI辅导的问题一模一样。

只不过AI把这个问题放大了。人类同伴辅导里，直接给答案的对话其实很少——只出现在8%的解题步骤之后[5]。毕竟人还会犹豫一下，还会想”我是不是应该让他自己先想想”。但AI不会犹豫，它的默认设置就是”有求必应，帮到极致”。

所以AI辅导的困境，本质上不是新问题，而是一个老问题的极端化版本：直接给答案的辅导，哪怕答案是对的，也不如引导思考来得有效。AI只是把”给答案”的成本降到了几乎为零，把这个老问题推到了我们面前。

更深层的问题：LLM的”会”，和人类的”会”不是一回事

说到这儿，你可能会问：那我们改改提示词，让AI别直接给答案，学着引导学生不就行了？

没那么简单。这里有个更深层的问题：LLM的”会解题”，和人类老师的”会解题”，可能根本不是一回事。

另一项研究做了个很有意思的实验：让人类学生和6个LLM做同一份化学试卷和定量推理试卷，然后分别对两组的答题数据做探索性因子分析（一种用来找出数据背后潜在能力结构的统计方法），再让学科专家盲评这些因子能不能被赋予教学意义[3]。

结果差异巨大：

打个比方：两个人都考了80分，一个人的得分规律是”代数好、几何弱、应用题一般”，清清楚楚；另一个人的得分规律你完全摸不着头脑，既不是按知识点分的，也不是按难度分的，甚至可能是看选项长相蒙的——你说第二个人”会”了吗？好像会了，但你又说不出他到底会了什么[3]。

这就是问题所在：人类老师能引导学生，是因为他知道学生卡在哪一步，知道该从哪个知识点入手提示。但LLM自己的”知识结构”都是人类看不懂的，你让它怎么精准地”搭脚手架”？一个合理的猜测是，它要么不会，要么就只能一股脑把答案全倒出来。

也难怪专门评测LLM教学能力的MathTutorBench发现：解题能力强不等于教学能力强，学科专业能力和教学能力之间甚至存在权衡关系——模型越专门做辅导，越能平衡这两者[6]。通用大模型解题再厉害，直接拿来当老师，天生就差点意思。

接下来怎么办：我们离”会教的AI”还有多远？

说了这么多问题，那路该怎么走？

首先得承认，我们现在知道的还很有限。比如最关键的一个问题：如果真的把AI的帮助度降下来，让它多引导少给答案，学生的学习效果真的会变好吗？现在的观察性研究回答不了，实验证据也还只在逻辑拼图这类简单任务上有[1][2]。跨学科、跨模型、长期效果的证据，都还缺。

其次是测量工具的进步。前面说的五级脚手架量表，就是一个很好的开始——有了量化的尺子，我们才能说清楚”AI到底帮了多少”，才能比较不同模型、不同提示策略的差异[1]。还有像MathTutorBench这样的教学能力评测基准，专门测”会不会教”而不是”会不会做”，也在补这块短板[6]。

第三是数据的开源。真实的辅导对话数据是稀缺资源。最近发布的Million Tutoring Moves（百万辅导动作）数据集，第一版就有4654条数学辅导文字记录，目标是建一个大规模、多模态的开放辅导数据仓库[7]。有了真实的人类优秀辅导数据，AI才能学明白”好的辅导到底长什么样”。

最后，可能我们得调整对AI辅导的期待。它不是一个”更耐心的人类老师”，而是一种全新的辅导工具——有它自己的优势（随时可用、知识量大），也有它天生的缺陷（默认给答案、认知结构和人类不同）。最好的用法，可能不是让AI替代老师，而是让AI帮老师搭好脚手架，再由人来把控节奏和深度。

如果你只记住一件事

学习这件事，从来都是”自己想明白的才是自己的”——AI越方便、越勤快，你越要记得先自己思考，再开口求助。

参考文献

  1. LLM Pedagogical Behavior in AI Tutoring Interactions（arXiv、2026、全文精读）
  2. How AI Assistance Affects Human Skill Development: A Study of Learning with Logic Puzzles（arXiv、2026、全文精读）
  3. Interpretable Humans, Alien LLMs: Expert Analysis of Latent Structures in Assessment Responses（arXiv (Cornell University)、2026、全文精读）
  4. A systematic review of multimodal emotion and sentiment analysis based agentic AI frameworks in educational systems（Discover Computing、2026、仅摘要）
  5. Combining Dialog Acts and Skill Modeling: What Chat Interactions Enhance Learning Rates During AI-Supported Peer Tutoring?（2024、仅摘要）
  6. MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors（ArXiv.org、2025、仅摘要）
  7. Million Tutoring Moves (MTM): An Open Multimodal Dataset for the Science of Tutoring（arXiv (Cornell University)、2026、仅摘要）