人工智能（大型语言模型 LLMs）对不同学科的影响以及由此产生的新学习方式

今天是关于AI如何在教学中增强学生的学习体验，我把重要信息标红了。人文学科的价值被低估了 ⬇️

转型与必要性

人工智能正在深刻地改变教育，这并非炒作，而是已经发生的巨大变革。教育机构和教育者不能忽视它，试图简单地禁止学生使用这些工具是“疯狂的”且不可持续的。

我们如何使用 AI 来增强学习过程和人类能力，而不是将其仅仅视为作弊或自动化的工具。

过度依赖 AI 进行自动化（如自动评分）或将其用于抄袭（如生成论文）往往效果不佳。

对不同学科的影响：

1. 人文学科（以历史学为例）

• AI 提升了人文学科技能的价值

  。AI 语言模型的核心能力（如语言翻译、分类、排序）与人文学科紧密相关。令人惊讶的是，人文学科的思维（如理解语言对行为的影响、跨文化差异、修辞和语调）对于 AI 研究本身也变得至关重要，工程师缺乏这些知识可能导致 AI 系统“崩溃”。

• 改变了研究方法

  。AI 可以作为增强历史研究的工具，辅助分析历史文本和图像。它能识别历史广告内容并关联历史主题，从历史数据创建数据可视化原型（需要人工校对错误），翻译不熟悉的历史文献（可能不完美但能理解大意），并帮助理解复杂的历史图表或图像细节。

• 研究进入门槛降低

  。通过降低转录、翻译和理解历史资料的门槛，AI 有潜力使非专家（如本科生）更快地掌握部分专业知识，从而参与到原创研究中。

• 引入新的教学挑战

  。AI 使得准确评估学生写作变得困难，因为机器生成论文普遍存在。这迫使教育者需要重新设计课程和作业。

• 软件开发（警示与启示）

• • AI 工具（如自动补全）正在麻痹开发者的“肌肉记忆”和思维，让他们编码更快但思考更少。

  • 这导致开发者虽然能快速交付代码，却不理解代码为何运行，或在代码崩溃时难以调试，“你永远无法调试自己从未理解的东西”。

  • AI 的便利性取代了社区学习方式（如 Stack Overflow 的讨论），导致开发者获得的是“没有导师指导的代码，没有根基的修复”。

  • 长期来看，这种用“速度换取精通，用自动补全换取理解，用交付换取技能”的交换，会阻碍开发者构建深刻的心智模型和应对复杂、未知问题的能力。

  新的学习方式：

  1. AI 驱动的体验式学习和模拟：

  • AI 使数字游戏首次能够进行定性评估。LLMs 可以评估学生输入的文本是否反映了特定的思维模式或知识水平。

  • 可以开发基于 LLM 的教育游戏/模拟活动。例如，“历史透镜”（HistoryLens）系统让学生扮演历史角色，由 LLM 评估其行为和写作。

  • 这些游戏可以将特定学科的思考和实践（如历史思考、写作、19世纪博物学家的思考方式、17世纪药剂师的配药技术）变成游戏的核心玩法。学生需要进行研究并将所学知识以特定历史时期的思维模式表达出来，LLM 可以对此进行评估。

  • AI 模拟活动提供体验式学习，让学生以历史人物的身份做选择和决策，加深对历史时期的理解。调查显示，这种能力显著增强了学生对时间段的理解。

  • AI 可以利用其训练数据中包含的“过时和古老的知识”来创建角色扮演活动，模拟特定时期的知识体系和实践。

  • AI 模拟可以帮助作者和教育者探索和体验不同的世界版本，提供“氛围感”元素，激发想象力。

• AI 作为个性化学习和研究助手：

• • AI 是“肥沃的自我导向学习工具”，帮助学生学习语言、编程、访谈准备、翻译和总结资料等。

  • 定制化的 AI 工具（如“历史学家的朋友”）可以帮助学生或非专家更快掌握特定领域的知识和技能。

  • AI 也可以作为一种新型教学工具，教师可以引导学生与 AI 讨论复杂概念，然后编辑和反思结果，带来深刻的教学体验。

• 强调人类教学与批判性思维：

• • AI 驱动的新学习方式应增强 (augment) 现有教学，而非替代。例如，模拟活动应与传统的阅读、写作和讨论结合。

  • 教育者需要积极主动，亲自学习如何创建和部署定制化的 AI 作业和工具。否则，教育可能会被“愤世嫉俗和僵化”的 AI 工具控制，侵蚀师生关系。

  • 需要引导学生批判性地使用 AI。让他们讨论、事实核查、反思 AI 输出中的不准确性，因为处理不可靠来源本身就是重要学习过程。

  • 教育应更加强调理解“为什么”，培养学生的判断力、洞察力和解决复杂问题的能力，而不是仅仅接受 AI 提供的答案。鼓励学生在社群中交流、提问和质疑，因为理解力是在互动和挣扎中建立的。

  • 有意识地进行“无 AI”构建或任务，确保基础技能和理解的建立，避免过度依赖。

  

  指南：

  从教育者的角度，如何应对并利用 AI 带来新的学习方式：

  1 步骤

  • 学习和拥抱 AI 工具：

     教育者需要主动了解不同 AI 工具的功能和局限性，特别是生成式 AI。这包括尝试使用它们进行研究辅助、内容生成或构建简单的定制工具。

  • 重新设计课程和作业：

     认识到传统评估方式（如标准论文）容易受到 AI 影响。设计需要深度理解、批判性思维、应用复杂知识或与 AI 进行互动的作业。例如，要求学生事实核查 AI 的输出，或基于 AI 模拟结果撰写分析报告。

  • 将 AI 整合为教学工具：

     在课堂活动或作业中明确引入 AI 作为学习工具，指导学生如何有效、批判性地使用它。可以是让学生与 AI 讨论概念，或使用 AI 工具辅助研究。

  • 鼓励体验式学习和模拟：

     利用 AI 创建互动式模拟或游戏，让学生沉浸在历史场景或现实问题中，通过角色扮演和决策来应用知识，加深理解。

  • 强调“为什么”和基础：

     在教学中更加注重概念背后的原理、系统的运作方式、历史事件的深层原因等“为什么”的问题。可以设计要求学生解释原理、分析权衡的作业。对于技能性学科，鼓励或要求学生在无 AI 辅助下完成基础性任务。

  • 促进协作和社区学习：

     设计需要学生之间讨论、协作完成或进行同行评审的活动，弥补过度依赖 AI 带来的社区互动减少问题。鼓励学生在学习社区中提问、分享和辩论。

  • 培养批判性思维和求知欲：

     明确教育的目标是培养判断力、洞察力、解决复杂问题的能力和持续学习的意愿，而非仅仅获取信息或提高速度。鼓励学生质疑 AI 的输出，像对待不可靠来源一样对其进行事实核查和分析。

  2 示例

  • 历史学：
  • • AI 辅助研究作业：

       给学生一份复杂的历史文献（如18世纪的药物手册），让他们使用 AI 工具进行初步翻译、识别关键术语和概念，然后要求他们人工核查 AI 输出的准确性，并撰写报告讨论 AI 的帮助、局限性以及他们在核查过程中发现的新的研究问题。

    • 历史模拟游戏：

       利用 AI 创建一个如“墨西哥城药剂师”或“年轻达尔文”的文本冒险游戏。学生扮演历史角色，需要根据课堂学习和自行研究的知识（如17世纪的医疗配方或19世纪博物学家的思维模式）做出选择或撰写日记。AI 根据学生输入评估其历史准确性、推理过程和写作质量。

  • 软件开发：
  • • “无 AI”基础构建挑战：

       要求学生在不使用自动补全或代码生成 AI 的情况下，从头实现某个基础组件（如一个简单的 HTTP 服务器或一个状态管理系统），并要求他们解释每一行代码的原理和设计选择。

    • 批判性代码评审：

       在代码评审环节，除了检查功能和语法，强制要求作者解释“为什么”选择了当前的实现方式，讨论考虑过的替代方案及其权衡。评审者也需要提问来挑战作者的假设和理解深度。

    • AI 错误调试：

       提供一段由 AI 生成的包含细微错误的代码，要求学生在没有 AI 辅助的情况下进行调试。通过找出并修复 AI 产生的错误，加深他们对代码实际运行机制的理解。

  参考资料：

  resobscura.substack.com/p/ai-makes-the-humanities-more-important

  resobscura.substack.com/p/generative-ai-for-historical-research

  resobscura.substack.com/p/llm-based-educational-games-will

  resobscura.substack.com/p/roleplaying-with-ai-will-be-powerful-tool

  medium.com/@devlink/ai-killed-my-coding-brain-but-im-rebuilding-it-8de7e1618bca