影响、认知外包与教育风险

完成本节后，你将能够：

• 描述人工智能对日常生活与教育流程（备课、测评、家校沟通）带来的效率变化；
• 用「认知外包」解释「直接念 AI 答案」类课堂问题，并提出规避原则；
• 辩证理解 AI 幻觉与偏见风险，避免「为用 AI 而用 AI」或因噎废食。

智能音箱、短视频推荐、刷脸支付、无人配送车……人工智能已嵌入日常场景。效率往往显而易见，代价则更隐蔽。

生活场景提醒教师：技术同时改写便利与风险结构。教育中的判断，也应同时看见「提速」与「代价」。

变化之一：教育效率的提升

• 备课：传统上搜集教材、制作课件耗时较长。智能助教可根据教学目标与提示词，生成大纲与教学设计草稿（例如请模型由浅入深讲解高中数学归纳法的重点与易错点）。草稿仍须教师审定。
• 测评：传统组卷与批改反馈滞后。对话式指令可辅助出题与结构调整；例如国家智慧教育公共服务平台「AI 试验场」中的智能出题助手一类工具。
• 教务与家校：AI 可协助整理表现数据、草拟沟通建议，提高信息传递效率——同样需要教师对语气、事实与尺度负责。

变化之二：教学模式的改进

师生关系有机会从「教师教—学生学」的二元结构，转向 人工智能—教师—学生 的三元结构：教师设定目标与任务、提供方法与价值引导；学生探究与表达；AI 承担检索、草稿、迭代等辅助。课例《AI 创作家》中，教师引导学生调研校园问题并推荐工具，学生借助 AI 提出方案、制作原型并测试，三者协作而非互相替代。

案例 A：地理课上的「地上河」报告
教师要求学生在短时间内用 AI 生成黄河下游「地上河」特征分析。有学生直接朗读模型给出的「堤坝约束、泥沙沉积、河床抬高」等结论；教师追问「哪些具体地表现象能直观体现泥沙沉积导致河床抬高」，学生陷入沉默。

问题不在「用了 AI」，而在未经思考就把生成结果当作自己的理解——即时任务完成了，地理思维没有发生。

这正是 认知外包：把原本由大脑完成的记忆、推理、决策等任务，转移到外部工具。短期可降低负荷、提高表现；长期过度依赖，可能削弱独立思考、创造力与系统阅读能力，使认知肤浅化、碎片化。

如何降低负面影响

1. 推动深度教学：用科学推理、问题解决等高阶任务，而不是以「AI 直接给答案」为终点。
2. 平衡人机协作：在数据分析等适合环节使用 AI，保留论证、观察与价值判断等关键认知过程由学生完成。

案例 B：实拍与 AI 生成的庐山瀑布
语文课讲授《望庐山瀑布》时，若仅为「展示 AI 赋能」而弃用可用的实拍素材、改用生成视频，就可能本末倒置。

原则很简单：若有合适的现实素材，不必为用 AI 而用 AI；一切从教学目标出发，先立足真实对象思考，确无合适素材时再考虑模拟。

案例 C：因一次不准就否定工具
教师发现多轮生成不准确，便断定「AI 不可靠、不如自己讲」。更稳妥的态度是：先明确自己的需求，通过多轮对话优化用法；把错误当作可讨论的课堂生成，而不是要么全盘接受、要么彻底弃用。

先看风险概览短片，再对照定义。

生成式 AI 并不是在「查找唯一正确答案」，而是根据提示生成模型认为最可能的续写。因此输出有时不正确。主要风险包括：

AI 幻觉
指生成与事实不符、逻辑断裂或脱离上下文的内容，本质是统计概率驱动的「合理猜测」。模型往往被设计为尽量回应请求，在信息不足时仍可能给出看似完整的答案；若前置信息有误，后续推理更容易偏离。

是否「只是缺点」？并不绝对。在需要创意激发的场景，出人意料的生成可能成为灵感；在科学、数学等需要严谨精确的场景，幻觉则是风险。教师应按课程目标放大或抑制这一特性，并始终用专业判断把关。

AI 偏见
指对人或事不公平的看法，常来自数据偏见（训练数据不完整、不平衡、代表性不足）与算法偏见（规则或权重设计不合理）。公开争议案例如某些儿童手表问答中出现的不当历史文化表述；课堂图像生成也可能固化刻板印象。

提示词「创建一张高中理科教师授课的图片」的生成结果，常可能同时出现：性别刻板（理科教师默认为男性）、种族与外貌单一、身体类型单一、课堂互动单一（只见听讲不见探究）等——这些都是可拿来和学生讨论的「偏见显微镜」。

• 生活与教育中的 AI 同时带来效率与新风险（隐私、茧房、就业、浅层学习）。
• 三元结构强调协作：AI 辅助，教师引导，学生思考。
• 认知外包是「把思考交出去」；深度教学与保留关键认知环节是应对之道。
• 幻觉与偏见需要辩证与审查：按场景利用或抑制，用专业判断守门。
• 下一节落到人机协同框架与 CRE 提示词方法。