《Computers and Education: Artificial Intelligence》：Learning with Machines: Toward a Theory of Epistemic Co-Agency
编辑推荐：
为解决生成式人工智能(GenAI)在教育深度融合所引发的知识建构、认知责任等根本性问题，Anita Samuel 等人提出了“认知纠缠框架”，通过“认知增强”、“认知整合”、“认知共主体性”三种构型，阐释了学习者如何与AI系统协作。研究表明，培养学习者的“认知共主体性”是应对AI挑战的关键，该成果为设计AI赋能的反思性学习环境提供了重要理论指导。
随着ChatGPT、Claude、Gemini等大型语言模型(LLM)日益深入学习的日常工作流程，教育领域正面临一场深刻的知识论转向。这些系统不仅能提供写作反馈、生成解释，甚至在问题导向学习环境中提出解决方案。它们不再是像网页或教科书那样静态的信息存储库，而是能够模拟论证、影响学习者思维轨迹的“能动者”。这引发了一个核心问题：当AI能够执行许多原本专属于人类的认知任务时，学习者将如何建构、评估并宣称知识的归属？传统的建构主义、社会文化理论和联通主义等学习理论，因其预设了以人为中心的认知主体性，已不足以指导我们设计出AI不仅作为辅助支架、更作为一种“认知存在”的新型学习系统。本文作者，来自Uniformed Services University of Health Sciences的Anita Samuel，在《Computers and Education: Artificial Intelligence》上发表的这篇论文，正是对这一时代性挑战的深度回应。
为了构建一个能够理解并指导人机协作学习的新框架，作者整合了多种理论视角，提出了“认知纠缠框架”。研究并未依赖于特定的样本队列或实验数据，而是采用了理论分析与建构的方法。其核心方法在于理论整合与模型构建。作者系统性地审视并评述了现有主要学习理论（如建构主义、社会文化理论、联通主义）在解释人机认知交互时的局限。随后，她引入了分布式认知、社会物质主义和后人类主义理论，将其作为新框架的理论基石。在此基础上，作者进行了概念演绎与模型设计，创造性地提出了“认知纠缠”概念以及由三种配置（认知增强、认知整合、认知共主体性）构成的框架。最后，通过情境化例证分析，作者将该框架应用于医学教育和工程教育等具体领域，以阐释其操作性和实际指导意义。
研究结果
认知增强 (Epistemic Augmentation, EA): 在此构型中，AI被视为内容生成器。学习者采取一种低质询姿态，使用GenAI检索摘要、起草段落或生成概念解释，而不进行递归思考或认知转化。这虽然可能提高表面生产力，但不会改变知识的构建或评估方式。学习者保持认知上的被动状态，在没有反思的情况下将认知活动外包。这是一种常见且高效的取向，适用于效率、内容接触或初步理解为主要目标的场景，但为学习者主动定位认知主张的地位提供的空间有限。
认知整合 (Epistemic Integration, EI): 在此构型中，人机交互被配置为一个递归的、共同建构的过程。学习者战略性地提示AI，精炼输出，并将其整合到不断发展的推理中。他们协调包括个人判断、同伴观点和AI生成贡献在内的多种认知输入。学习者将自己定位为AI辅助推理的管理者：他们解释、修改、比较或选择性采纳输出内容，以提高一致性、相关性或学科契合度。AI不再被视为被动的答案引擎，而是其贡献能够塑造产品与过程的工具。尽管这种互动是主动的，但认知定位仍然侧重于管理知识生产，而非审问知识主张本身。
认知共主体性 (Epistemic Co-Agency, EC): 这是论文提出的核心且最成熟的构型。在此构型中，学习者不仅将自己定位为AI辅助推理的管理者，更是对互动中产生的知识主张负有责任的评估者。他们以辩证的方式对待AI输出——将其作为揭示矛盾、挑战假设和重构视角的催化剂。学习者通过充满摩擦的、对话式的交流来建构意义，在保持认知主权的同时，应对系统引入的认知刺激。互动转向评估有效性、情境化意义以及为接受或拒绝提供理由。AI的参与塑造了推理环境，但认知权威仍由作为认知者的学习者掌握。这并非人与系统之间主体性的对称共享，而是一种关系性的配置，学习者在其中保持着判断的主权，并在一个充满影响和回应的纠缠系统中进行推理。
认知纠缠框架中认知活动的维度
为了将该框架与现有关于人机主体性的学术研究联系起来，作者借鉴了Thürmel的“分级主体性框架”，提出了五个分析维度来描述人机互动模式，这些维度包括：活动水平、适应性、互动潜力、拟人化和联合主体性。这些维度并非用于定义或区分三种构型（构型主要由认知责任的位置来区分），而是为考察人机系统中的互动模式提供解释性视角。
不同构型的教学功能与认知限度
三种构型各有其教学功能和潜在风险。认知增强可作为入门点，提供功能性价值，尤其是在认知负荷高或初步理解阶段。认知整合支持递归协调和策略精炼，能扩展认知触及范围。然而，长期停留在认知增强模式会助长认知被动性，学习者可能将AI输出的流畅性误认为理解的深度；长期依赖认知整合模式则可能培养程序性流畅度，而忽视评估性判断的发展。因此，教学设计的目标不是在所有情况下都规定认知共主体性，而是帮助学习者认识到自己正处于何种构型，理解其局限性，并培养在不同认知需求下灵活切换姿态的能力。
认知共主体性的教学设计：教学与评估启示
为支持认知共主体性的发展，教学设计和评估实践都需要进行重构。教学设计应超越教授如何有效使用AI，转向培养学习者成为能够与生成系统“共同思考、贯穿思考、对抗思考”的认知共主体。这包括在早期阶段搭建认知意识脚手架，如通过提示模板、反思清单和结构化比较任务，帮助学习者理解AI如何工作及其局限性。更关键的是，设计必须优先考虑认知反身性，构建能够嵌入矛盾、要求学习者采取认知立场、并推动他们将AI回应视为起点而非终点的学习体验。系统设计应融入“认知摩擦”特征，例如展示同一提示的多种不同AI输出、提供置信度可视化或可追溯来源以提示不确定性、嵌入诸如“缺少什么？”、“哪些内容存在争议？”等批判性支架。在评估方面，需要超越传统关注正确性和完整性的评估方式，转而关注学习者的认知轨迹。评估可以包括反思性提示、过程解释和修订证据。量规应评估从问题到洞察的整个推理轨迹，以及AI在其中扮演的角色，从而捕捉认知反身性和转化过程。
结论与讨论
该研究的主要结论是，生成式人工智能在教育中的核心挑战并非技术流畅性，而是培养能够与、通过并针对生成系统进行推理的学习者。论文提出的“认知纠缠框架”将学习者与AI的关系重新定义为一个发展的过程，而非静态的工具使用范式或天真的协作。它强调，教育设计必须从单纯关注任务效率，转向支持认知转型。若无此有意识的设计，GenAI可能会削弱学习者的认知发展，鼓励被动接受而非主动探究；但通过精心设计的支架、伦理框架和教学整合，这些系统可以成为激发更深层思考、培养更负责任判断和重申知识所有权的催化剂。最终，关键在于学习者如何在与AI的关系中自我定位与成长。通过将认知发展重新确立为AI教育设计的核心关切，我们得以在日益智能化的世界中，培养出具有批判性、能力强大且拥有主体性的认知者。
