《Frontiers in Artificial Intelligence》：Generative AI as a cognitive co-learner: a developmental framework for AI literacy in health sciences education
编辑推荐：
生成式人工智能（AI），尤其是大语言模型（LLM），在健康科学教育中塑造学习的作用日益扩大。当前的讨论往往聚焦于效率或学术诚信，而较少关注学习者如何在不断演变的认知和发展阶段中与AI互动。本观点将生成式AI概念化为一种认知共学者——一种支持想法生成、组织和推理
生成式人工智能（AI），尤其是大语言模型（LLM），在健康科学教育中塑造学习的作用日益扩大。当前的讨论往往聚焦于效率或学术诚信，而较少关注学习者如何在不断演变的认知和发展阶段中与AI互动。本观点将生成式AI概念化为一种认知共学者——一种支持想法生成、组织和推理的交互系统，同时需要人类监督以进行验证和解释。研究人员提出了一个AI素养的发展框架，该框架描述了在不同认知和认知需求特征的教育情境中，AI参与的典型阶段模式。所提出的从探索到综合再到校准的进展，反映了AI功能角色、学习者认知参与以及对AI生成输出的信任的变化。这一进展旨在作为一种理论命题而非经验验证的发展轨迹。该框架的核心是校准信任，定义为对AI输出的信心与其实际可靠性之间的一致性。在所有阶段，人类判断、批判性评价和元认知意识仍然至关重要。本观点强调了需要与阶段相适应的教育策略和学习活动，以支持负责任地使用AI，同时加强健康科学教育并维护人类认知的首要地位。
在健康科学教育领域，生成式人工智能（AI）的整合正日益成为影响学习过程的关键因素。现有讨论多集中于效率提升与学术诚信风险，而对学习者在不同认知与认知发展阶段如何与AI互动缺乏系统关注。本研究提出将生成式AI概念化为“认知共学者”（cognitive co-learner），即一种交互式系统，能辅助观点生成、信息组织与推理，但必须依赖人类监督进行验证和情境化解释。基于对AI辅助学习与人机交互文献的综合分析，并结合不同教育阶段的示例性学习者视角，研究人员识别出三个核心维度：AI的功能角色、学习者的认知参与程度以及对AI输出的信任。据此构建了一个从“探索”到“综合”再到“校准”的发展框架，该框架对应着递增的认知与认知需求，并强调“校准信任”（calibrated trust）——即学习者对AI输出的信心与其实际可靠性之间的匹配。研究指出，在所有阶段，人类判断、批判性评估和元认知监控都是不可或缺的。该框架为健康科学教育中AI素养的培养提供了理论依据，并提出了与不同学习阶段相适应的教育策略建议。
**研究背景与问题**
生成式AI（特别是大语言模型）在教育中的应用日益广泛，但现有文献多聚焦于效率提升和学术诚信，缺乏对学习者认知发展动态的深入分析。已有AI素养框架（如Long和Magerko, 2020；Ng等, 2021）强调基础能力，但未充分阐述AI参与如何随教育情境的认知要求而变化。健康科学教育（包括医学、公共卫生等）具有高认知负荷、强情境依赖和伦理敏感性，因此亟需一个能够反映阶段特征的AI素养发展模型。
**研究内容与结论**
研究人员通过概念综合和示例性学习者视角，提出了一个三阶段进展模型：探索（exploration）→综合（synthesis）→校准（calibration）。在探索阶段，AI主要用于解释概念，学习者建立初步信任并形成验证习惯；在综合阶段，AI辅助信息整合和多源证据比较，学习者发展系统思维；在校准阶段，AI用于高风险的临床推理，学习者需精确校准信任并保持独立判断。该模型强调，AI的角色从解释工具转变为协作者，认知参与从浅层理解深化为批判性应用，信任从谨慎验证演变为选择性依赖。研究结论指出，该框架是理论命题而非实证轨迹，但为课程设计和教育实践提供了新的视角。
**主要技术方法**
本研究采用概念综合法，系统梳理了AI辅助学习与人机交互的文献，并整合了来自不同教育阶段（大学预科、公共卫生本科、医学本科）的示例性学习者视角。这些视角作为概念性例子，用于说明在不同认知和认知需求下AI参与的模式。研究没有使用实验或量化数据，而是通过理论分析和案例叙述构建框架。
**研究结果**
（1）**探索阶段**：预大学阶段的学习者通过AI简化概念，形成验证习惯，AI作为学习支持而非答案来源。
（2）**综合阶段**：公共卫生本科生利用AI进行系统思维和证据综合，AI辅助多源比较，但需依赖同行评议文献验证。
（3）**校准阶段**：医学本科生在临床推理中平衡AI支持与独立判断，通过迭代质疑确保准确性，发展元认知监控。
（4）**跨阶段维度**：AI的功能角色从解释→组织→推理支持；认知参与从理解→整合→批判应用；信任从谨慎→选择性依赖。这些维度共同构成了进展模型的基础。
**讨论与结论**
讨论部分强调了校准信任的重要性，并指出过度依赖可能导致认知卸载（cognitive offloading），削弱深度学习。框架承认其概念性，呼吁未来通过纵向和混合方法进行实证验证。结论重申，生成式AI作为认知共学者支持学习，但人类判断、批判性评估和元认知监督始终是核心。健康科学教育应整合AI以支持学习，同时保持批判性参与和负责任使用。
