《EDUCATIONAL PSYCHOLOGY REVIEW》：When Can AI Models Explain Learning? Validity Criteria for AI as Cognitive Models in Education
编辑推荐：
传统教育心理学中的言语理论（verbal theories）通常在机制层面缺乏精确界定。虽然这些理论提供了丰富的描述性构念与概念洞察，但对于学习过程如何动态且因果地展开却论述有限。此处“言语的”指代以散文与自然语言定性关系陈述的理论，而非形式化的计算加工模型。
传统教育心理学中的言语理论（verbal theories）通常在机制层面缺乏精确界定。虽然这些理论提供了丰富的描述性构念与概念洞察，但对于学习过程如何动态且因果地展开却论述有限。此处“言语的”指代以散文与自然语言定性关系陈述的理论，而非形式化的计算加工模型。这种机制精确性的缺失限制了严格的理论检验，阻碍了跨分析层次的整合，并降低了基于学习过程解释性理解设计干预的潜力。在本综述中，研究人员综合了一个新兴范式，该范式将人工智能（AI）系统不仅视为预测工具或教学技术，更视为学习者的认知模型（cognitive models）——即关于认知与学习理论假设的显式、可运行的实例化。研究的核心问题并非AI系统能否作为认知模型，而是其应在何时被允许如此认定。因此，研究人员围绕显式的有效性标准来组织本综述：理论基础（theoretical grounding）、构念效度（construct validity）、机制透明度（mechanistic transparency）、与人类学习轨迹的对齐（alignment with human learning trajectories）、错误特征匹配（error-signature matching）、因果干预测试（causal-intervention tests）、生态效度（ecological validity）以及教学有用性（instructional usefulness）。在授予而非假定其认知模型地位之前，AI系统必须满足上述标准。研究人员考察了主要AI模型家族（包括神经网络（neural networks）、强化学习智能体（reinforcement learning agents）、认知架构（cognitive architectures）以及大语言模型（large language models, LLMs））如何被用于操作化核心教育构念，如记忆、策略使用、动机、自我调节与社会学习。在这些方法中，研究人员强调机制透明度、可解释性以及与人类学习轨迹和错误模式的对齐对于解释效度至关重要。研究人员进一步讨论了方法论工具，如表征分析（representation analysis）、消融（ablation）与轨迹级比较（trajectory-level comparison），这些工具能够对模型内的学习机制进行因果推断。最后，研究人员概述了关键挑战与未来方向，包括构念效度、生态现实性、个体差异与伦理问责。通过将AI定位为理论工具而非单纯的工程解决方案，本综述主张当基于AI的认知模型满足这些标准时，能够帮助将抽象的学习理论转化为关于学生如何学习的精确、可检验且在教育上可操作的表述。
研究背景与问题提出
传统教育心理学多采用言语理论（verbal theories），即以自然语言描述构念及其定性关系的理论，而非具备显式逐步机制的形式化加工模型。这类理论虽能提供丰富的描述性洞察，但在机制层面存在欠规范化问题，难以推导清晰的、可证伪的预测，也难以用决定性证据验证所提出的因果叙事。例如情绪对学习的影响常被视为焦虑、厌倦与享受塑造投入与成就，但其背后的评价序列、情绪调节、注意转移与策略选择的精确过程，以及短期情绪波动如何积累为长期学习轨迹往往未被明示。这些构念常以静态类别呈现，主要依赖论述论证或相关证据，而非可作为动态复杂系统在每一步被实例化、观察与评估的模型。这一缺口限制了严格的理论检验、跨层次整合及基于机制理解的干预设计。
为弥补此缺口，研究者将计算系统视为学习者的认知模型（cognitive models），这一路径可追溯至通用问题求解器（General Problem Solver）与ACT-R等认知架构（cognitive architectures），并如今延伸至现代人工智能（AI）方法。本文发表于《EDUCATIONAL PSYCHOLOGY REVIEW》，其核心在于探讨AI系统何时而非能否作为学习者的认知模型，并提出一套结构化的有效性标准以判定其认知模型地位。
关键技术方法概述
研究人员采用综述研究方法，综合新兴的AI作为认知模型的文献，将其定位于教育相邻工作之中。通过对神经网络（neural networks）、强化学习智能体（reinforcement learning agents）、认知架构（cognitive architectures）及大语言模型（large language models, LLMs）四大模型家族的映射分析，结合表征分析（representation analysis）、消融（ablation）、轨迹级比较（trajectory-level comparison）等方法论工具，系统评估模型内部机制的因果推断能力。研究以数学焦虑与问题解决的关系为贯穿案例，依托人类可比学习任务与学习者数据（如反应时、眼动、口语报告等）进行理论构建与验证，未涉及特定样本队列来源的实验操作。
研究结果
Introduction
研究人员指出传统言语理论（verbal theories）在机制精度上的不足，提出将AI作为理论工具而非仅作为工程解决方案。AI在此范式中成为“可执行理论”（executable theory），即算法的显式代理可用于认知过程的实现、检查与实验操纵。研究人员区分了“AI in Education”与“AI as cognitive model”：前者侧重教学应用与预测分析，后者旨在通过拟合人类行为与审问内部过程来阐明人类学习机制。研究人员组织了八项有效性标准：理论基础（theoretical grounding）、构念效度（construct validity）、机制透明度（mechanistic transparency）、与人类学习轨迹对齐（alignment with human learning trajectories）、错误特征匹配（error-signature matching）、因果干预测试（causal-intervention tests）、生态效度（ecological validity）与教学有用性（instructional usefulness），并以此为核心贡献展开论述。
AI Models and Cognitive Constructs: Mapping the Landscape
研究人员梳理了四大AI模型家族在教育认知构念上的映射。神经网络（neural networks）强调通过渐进参数变化从经验中学习，适用于增量技能习得与干扰效应，但标准网络缺乏短时工作记忆与长时记忆的分离及容量限制，需通过架构约束（如记忆模块、注意力瓶颈）提升认知逼真度；其解释性挑战在于知识分布于高维权重空间，需借助表征分析与结构化设计。强化学习（reinforcement learning, RL）智能体形式化了通过反馈与激励的适应，捕捉探索与利用动态及动机构念（通过奖励函数），但标准RL的马尔可夫假设忽略了长时情景记忆，且缺乏元认知（metacognition）监控，需通过部分可观测扩展与元RL（meta-RL）补充。认知架构（cognitive architectures）如ACT-R、Soar具备明确的模块（陈述性记忆、程序性知识、有限容量注意焦点），提供构念级透明度与逐步机制结构，能复现反应时分布与双重任务干扰，但面临规模与知识工程的局限。大语言模型（large language models, LLMs）具备语言中介任务的广泛能力，其内部组织未显式围绕心理构念，且学习方式为大规模预训练后静态化，存在表面正则性利用而非发展性轨迹的问题，需通过在线更新与持续学习（continual learning）改进。研究人员强调各家族互补集成，如图示沿学习灵活性与规模、机制透明度与构构念对齐两个维度定位模型权衡。
Mechanistic Insight and Explainability in AI Cognitive Models
研究人员提出AI认知模型的优势在于完全可观察性（full observability），可检查权重、激活、记忆缓冲区与中间计算。核心方法包括：表征分析（representation analysis）——检验隐藏层激活或嵌入向量是否与认知结构对应；消融（ablation）/损伤（lesioning）——禁用组件观察行为变化以测试因果角色；学习轨迹与错误特征对齐——不仅比较准确率，还比较过程阶段的平台期、策略转移及系统性错误模式（如物理中速度与加速度混淆）。研究人员强调解释性需两步：识别内部变量携带的信息，并证明其产生行为的因果作用，而非仅相关。对于大模型，前沿在于识别高层人类可读变量并通过反事实干预建立因果证据。
Construct Validity, Theoretical Fidelity, and Other Challenges
研究人员指出构念效度（construct validity）风险包括“空标签”问题（如将循环层称为“工作记忆模块”却未验证容量限制、衰减与干扰等功能特征）。理论保真度（theoretical fidelity）需通过迭代压力测试：预设映射X实现Y，检验模型对影响Y的操作的反应及是否复现Y的定性模式，排除数据捷径（shortcut features）解释。预测性能高不等于理论支持，黑盒模型可能通过无心理类比的数据集特质取得成功。生态效度（ecological validity）要求训练条件对齐人类学习环境（有限暴露、噪声反馈、项目格式变化）。个体差异方面，单一“平均学习者”模型可能放大不平等，需纳入个体差异参数（容量、焦虑敏感性、先验知识先验）并以独立测量验证。伦理层面，涉及动机与情绪的推断应视为概率性假设，需数据最小化、有意义退出、研究与部署分离、人类监督及跨群体验证。
Future Directions and Conclusion
研究人员提出三大学科优先级：发展并收敛AI作为认知模型的有效性标准；创建超越任务准确率的基准学习现象（学习轨迹、错误模式、策略变化）；在真实学习者中检验模型推导的预测。具体方向包括：增强AI学习者的元认知（metacognition）能力（信心估计、自适应控制）；澄清认知约束是内置还是资源压力下涌现；通过结构化组合表征提升迁移与泛化；扩展至多模态（multimodal）与具身学习（embodied learning）；基于个体差异的个性化；建立共享基准套件（遗忘曲线、间隔效应、双重任务干扰、误解模式、策略转移）。结论重申将AI作为学习者认知模型延续了计算建模传统并利用现代AI能力，其承诺在于联合AI预测优势与认知教育科学解释目标，但这要求机制可解释性、严格构念验证及生态效度与伦理关注。跨学科合作是关键，成熟的标志是模型内部关于学习机制的断言清晰、可核查且经验可问责。
讨论与结论翻译
总之，将AI系统作为学习者的认知模型（cognitive models）延伸了计算建模的长期传统，同时利用了现代AI的能力与灵活性。核心承诺是将AI系统的预测优势与认知及教育科学的解释目标结合起来，将抽象构念转化为可运行系统，这些系统可被检查、扰动并与人类数据比较。
实现这一承诺需要非协商的承诺：机制可解释性（mechanistic interpretability）、严格的构念验证（construct validation），以及对生态效度（ecological validity）、公平性与伦理的细致关注。在整个领域中，进展将取决于AI研究者、认知科学家、教育工作者与学习科学家之间的跨学科合作，各自贡献方法、理论与数据以约束并丰富模型。当以这种规范性构建与评估时，AI认知模型不仅仅是预测器或工具；它们成为理论工具，能够生成精确的、可检验的假设，揭示理论在何处欠规范，并建议值得在课堂中检验的干预措施。该领域的成熟将不仅仅由越来越大的模型标记，而将由那些关于学习机制的内部断言清晰、可核查且经验可问责的模型来标记。
