AI 辅导越像真人越好？随机实验告诉你：真正提分的是这一点
很多老师和学校都在纠结：给学生配AI辅导，选语音还是文字？用消费级聊天机器人还是买定制系统？有人说语音更像真人、互动感强，效果肯定好；有人说文字能反复看、适合理科。但一项在线MBA的随机实验给出了反直觉的答案：真正决定提分的，既不是模态，也不是拟人程度，而是另一个常被忽略的维度。
一个普遍的困惑：AI 辅导到底有没有用？
过去两年关于AI辅导的研究，结论几乎是分裂的。
2024年一项针对金融入门课的随机对照实验发现，使用ChatGPT-4辅导的学生，成绩反而比不用辅导、用真人金融辅导甚至用非金融辅导的都更差 [7]。研究者提出了一个很形象的说法：AI可能成了”认知假肢”——用的时候能帮你走路，一旦拿走，你还是不会走 [7]。
到了2025年，另一项覆盖约450名本科生、长达一学期的田野实验，测试了当时很火的检索增强生成（Retrieval-Augmented Generation，RAG）型AI导师——也就是把课程资料喂给大模型、让它基于课程内容回答问题。结果更让人泄气：这种AI导师对学生的学习兴趣、自我效能感、参与度乃至最终成绩，都没有统计上显著的影响 [8]。
当然也有正面的声音。同样在2024年的一项用户试验发现，学生觉得AI导师在非建构主义活动（比如直接讲解、练习反馈）中用处更大，而且性价比很高——学生感知到的价值远超过算力成本 [6]。
但这些研究凑在一起，反而让问题更乱了：为什么有的AI辅导拖分，有的没用，有的又有用？差别到底在哪？是模型不够好？是交互方式不对？还是别的什么东西在起作用？
实验发现：提分的不是”语音”，是”结构”
2026年的一篇核心论文 When AI Tutors Speak: Evidence from a Randomized Field Experiment，第一次把这个问题拆干净了 [1]。
研究者做了一个很聪明的双层随机设计。他们在一个在线MBA的公司金融课程里，招募了86名学生，先按预测试成绩分层，再随机分成两组：一组用结构化AI导师，另一组是对照组，可以自由使用消费级AI [1]。这是第一层，比的是”教学结构”。
关键在第二层：结构化AI导师组的学生，每周交替使用语音和文字两种模态，而且是硬隔离——语音周禁用输入框，文字周禁用麦克风，确保对比是纯净的 [1]。这样模态效应是在同一个学生身上测出来的，完全排除了”爱用语音的学生本来就更积极”这种选择偏差。
结果非常清晰：
结构才是硬道理。 结构化AI导师组的学生，比能力匹配的对照组多拿了6.63分（满分55，p=0.007），效应量达到了1.05，属于很大的效应 [1]。而且增益集中在深度推理上：用SOLO分类法（Structure of the Observed Learning Outcome，一种评估回答质量的框架，从低到高分为前结构、单点、多点、关系、抽象拓展五个层次）评分，达到”关系级”（能把多个知识点串联起来解释）的答案占比，AI组从8%涨到了49%，而对照组只从8%涨到27% [1]。
模态则几乎无关。 语音模态下，学生的对话互动量几乎翻倍，提问数是文字的2.4倍，学生也越来越偏好语音——但每周的学习掌握度，语音和文字在统计上是等价的 [1]。更有意思的是，语音的交付成本是文字的2.8倍 [1]。换句话说，花了近三倍的钱让AI更像真人，学习效果一分没多。
打个比方：消费级AI像一副”AI外骨骼”，你穿上它能举很重的东西，但脱下之后你还是你；而结构化AI导师像一个真正的教练，他不会替你举，而是逼你自己先试、先想，不对再给提示，过程慢，但练的是你自己的肌肉 [1]。实验里后者比前者多拿了6分多，尤其是把知识点串起来讲清楚的能力，从8%的人能做到涨到了近一半人能做到 [1]。
当然，实际情况比这个比喻更复杂——结构化AI不是不给答案，而是有节奏地给，这个节奏才是学问。
好的 AI 导师怎么”搭脚手架”？
说到结构化，很多人第一反应是”AI不直接给答案”。但第二篇论文 Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does 告诉我们：事情没这么简单 [2]。
这篇论文提出了一个很重要的区分：认知负荷（cognitive load，系统帮你承担了多少工作量）和元认知需求（metacognitive demand，在得到帮助之前，你自己必须做多少决策和思考）是两回事 [2]。很多人以为”少给答案=好”，其实是把这两者混为一谈了。好的结构化设计，应该是保留元认知需求恒定，而让认知负荷动态调整——该帮的时候要帮，但思考的主动权始终在学生手里 [2]。
他们做了一个叫CoMeT的AI编程导师，核心是”动态自适应支架”（adaptive scaffolding，根据学习者的实时表现调整支持力度的教学策略，就像搭脚手架，楼建得越高，脚手架越往上挪） [2]。
具体怎么操作呢？它把一个编程任务拆成好几个决策点，每个决策点有三级支持：第一级只指出”这里你需要做个决定”，第二级给具体提示，第三级给一个平行案例演示。如果三轮还没进展，才让步给出这个点的答案，然后立刻进入下一个决策点 [2]。但只要学生表现出”承接”——也就是他的回应对准了当前这个决策点，不管他答得深不深，哪怕只是贴了一段代码，系统立刻退回最轻的支持级别 [2]。
研究者找了131个成人学习者，每人用三种导师做三个Python任务：无限制助手（直接给答案）、纯提问导师（只问不给答案）、CoMeT [2]。结果发现：
- CoMeT的元认知需求和纯提问导师相当（也就是说，学生一样得动脑），但交付成果的频率是无限制助手的两倍 [2]。
- CoMeT的挫败感显著低于纯提问导师 [2]。
- 纯提问导师每6次会话就有一次被逼得直接给答案，而CoMeT每16次才让一次——看起来”更严”的纯提问导师，反而更早放弃原则 [2]。
打个比方：无限制助手像直接替你写作业的学霸，纯提问导师像只会反问”你觉得呢”的哲学家，而CoMeT像真正的好家教——先看你会不会，不会就给点提示，还不会就举个例子，你一旦有点想通的苗头，立刻退回去让你自己来 [2]。
当然，实际情况比这个比喻更复杂——“承接”的判断是个技术活，而且这篇论文测的是单次会话的体验和任务表现，并没有测量长期学习增益，这是它的局限 [2]。
让 AI 更”懂”学生：个性化追踪能走多远？
结构化的更高阶形态，是AI不仅懂教学法，还懂”你”。
第三篇论文 CoLearn: An Agentic Tutor that Learns its Learner in a Human—AI Co-Learning Loop 做了一个叫CoLearn的系统，核心是持久化学习者记忆（persistent learner memory，系统持续记录并更新对学生知识掌握情况和常见错误的认知，而不是每次对话都从零开始） [4]。
传统的智能辅导系统，通常用固定题库，答错了就记一个”错”的信号。CoLearn不一样，它用一种叫”软证据贝叶斯知识追踪”（Soft-Evidence Bayesian Knowledge Tracing，一种用连续证据而非二元对错来更新学生掌握概率的算法）的方法，让大模型从学生的自由作答里，不仅判断对错，还给出一个0到1的掌握证据值和置信度，再据此更新每个主题的掌握概率 [4]。
然后系统会根据这个记忆，专门挑你最弱的主题、最常犯的迷思概念来生成下一道题 [4]。它甚至有个”证据视图”，直接告诉你”这道题为什么出给你”——比如”这道题是针对你上次混淆的’生物因素’和’非生物因素’出的”，把个性化过程完全摊在桌面上 [4]。
效果怎么样呢？在盲测A/B对比中，人类评分者认为个性化题目比非个性化题目更合适的比例，生物是68%，化学是69% [4]。用模拟学生测试时，系统对学生掌握度的估计误差（MAE）是0.12，比随机出题的0.16和固定记忆的0.20都要好 [4]。
但这里必须诚实：这篇论文没有宣称学习增益。它证明了个性化题目更受偏好、掌握度估计更准，但这些能不能转化成实际的分数提升，还没有被验证 [4]。而且它对低表现学习者的掌握度估计可靠性明显更差（组内相关系数只有约0.15），也就是说，最需要精准辅导的学生，反而可能是系统最”看不准”的 [4]。
从”没用”到”有用”：AI 辅导研究走了哪三步？
把这几篇论文串起来，你会看到2024到2026年AI辅导研究的一条清晰脉络，大概走了三步：
第一步：消费级AI反而拖分。 2024年的研究发现，直接让学生用ChatGPT-4当辅导，成绩反而下降，因为AI成了”认知假肢”，学生把思考都卸载给了机器 [7]。这时候大家的反应是”AI辅导没用，甚至有害”。
第二步：RAG型导师也没用。 2025年，人们以为问题出在AI不懂课程内容，于是把课程资料喂进去，做了RAG型导师。结果一学期的大规模实验发现，还是没效果——对兴趣、自我效能、成绩都没显著影响 [8]。这时候大家开始意识到，光有正确内容还不够。
第三步：结构化设计显著提分。 到了2026年，核心论文 When AI Tutors Speak 第一次用严谨的随机实验证明：只要把教学结构设计对了——锚定课程材料、尝试优先、阶梯式提问、分级脚手架——AI辅导就能带来显著的学习增益，尤其是深度推理能力 [1]。而之前大家很关心的模态（语音还是文字）、模型本身这些因素，反而不是核心 [1]。
这三步合起来，其实回答了一个根本问题：AI辅导的本质，到底是”更像人的聊天机器人”，还是”用AI实现的教学法”？目前的证据指向后者。
还有三个没解决的问题
说到这里，必须给这些结论划几道边界。目前的研究还有不少没解决的问题，远没到”定论”的地步。
第一，样本太单一，能推广到什么程度？ 核心实验是在一个在线MBA的定量金融课程里做的，只有86个学生，分析样本更是只有46个 [1]。这个结论能不能推广到本科、K12？能不能推广到人文、语言类学科？都不知道。尤其是模态等价的结论——在金融课上，文字可以反复查看公式和图表，可能抵消了语音的优势；但如果是英语口语课，语音还会和文字等价吗？很难说 [1]。
第二，长期效果未知。 核心实验的干预期只有5周 [1]，CoMeT的实验是单次会话 [2]，CoLearn甚至没测学习增益 [4]。结构化AI辅导的效果能维持多久？会不会产生依赖？长期来看，学生的自主学习能力是提升了还是下降了？这些都还没有答案。
第三，“结构”的边界在哪？ 我们知道结构化比没结构好，但什么样的结构最好？“尝试优先”是唯一的原则吗？不同学科、不同水平的学生，最优结构是不是不一样？CoMeT证明了动态支架比纯提问好，但它的决策点需要人工预编写，泛化成本有多高？这些都是开放问题 [2]。
如果你只记住一件事
AI辅导的提分关键，不在于让它更像真人（语音、拟人化），也不在于让它更懂内容（RAG），而在于让它遵循好的教学法——给学生搭脚手架、保留思考的主动权、根据表现动态调整。
参考文献
- When AI Tutors Speak: Evidence from a Randomized Field Experiment（arXiv、2026、全文精读）
- Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does（arXiv、2026、全文精读）
- Prompting Against Persona Drift: Comparing Intervention Timing and Content in LLM-Simulated Conversations（arXiv、2026、全文精读）
- CoLearn: An Agentic Tutor that Learns its Learner in a Human—AI Co-Learning Loop（arXiv、2026、全文精读）
- When Does Reasoning Help in Machine Translation? A Hierarchical Analysis of LRM Reasoning Traces（arXiv、2026、全文精读）
- GenAI Teachers（ASCILITE Publications、2024、仅摘要）
- AI in higher education: Does not help, might hurt（Journal of Education for Business、2024、仅摘要）
- AI Tutors in Higher Education: Comparing Expectations to Evidence（OSF Preprints (OSF Preprints)、2025、仅摘要）