科技

AI助学两年后考试反跌20%，生成式AI学习惩罚首次被量化

mysmile · 2026-08-23 · 2 阅读 · 0 评论

2.7万名学生30个月追踪：作业分与考试分首次出现系统性背离

2022年9月，中国中部一个百万人口县城的中学里，使用AI辅助学习的学生比例几乎为零。到2025年6月，这一数字攀升至80%。同一时期，这些学生的线上作业平均得分上涨了18%，完成一份作业的时间从64分钟压缩到45分钟。但月考成绩公布后，一个反常现象浮出水面：使用AI的学生在闭卷考试中的得分，比不使用AI的同学低了20%。

这组数据来自斯德哥尔摩大学与香港大学三位经济学家于2025年6月发布的工作论文《生成式AI学习惩罚》。论文基于中国中部某县26811名初高中生的全样本追踪，覆盖5所初中、4所高中，时间跨度从2022年9月至2025年6月，整整30个月。这是迄今为止针对生成式AI学习效果规模最大、观察周期最长的量化研究之一。

论文中一个关键发现是：作业分数与考试成绩之间的传统正相关关系，在AI使用者群体中发生了断裂。在作业得分超过100分的学生中，不用AI的学生月考成绩上升至112分，而深度使用AI的学生成绩跌至64分。作业分数第一次成为学习效果的失真指标。

采纳曲线与国产大模型发布时间点高度重合

研究记录到的AI使用率曲线出现两次显著跳升，分别对应DeepSeek V2.5和DeepSeek R1的发布节点。据论文统计，学生使用的工具集中在豆包、DeepSeek、文心一言、通义千问等国产大模型产品。这一时间线从侧面印证了一个行业观察：国产大模型在低价策略和本土化体验上的推进，加速了AI工具向县域教育场景的渗透。

从技术角度看，这轮渗透的速度远超此前任何一代教育科技产品。2022年9月近乎为零的使用率，在30个月内攀升至八成，说明生成式AI的易用性和可得性已经跨过了一个关键门槛。但研究同时提示，采纳速度与学习效果之间的关系并不简单。

惩罚效应分布不均：社科最重，尖子生最伤

根据论文数据，AI使用带来的考试分数惩罚在不同学科间差异明显。社科类科目跌幅最大，达到27%；数学下降22%；英语下降17%；语文受影响最小，为9%。从群体差异看，初中生的惩罚效应比高中生严重约四成，男生比女生更明显。

最值得关注的群体是原本成绩最好的学生。数据显示，这批学生在使用AI后成绩跌幅最大。研究者将此解释为：高成绩学生更倾向于将AI用于直接获取答案和完成作业，而非作为理解知识的中介工具。当作业任务被高效外包，学习过程中必要的认知加工环节被跳过，知识留存和迁移能力随之下降。

需要澄清的是，6月底该研究在中文互联网传播时，“中考暴跌24%、高考暴跌18%”的说法被广泛引用。论文原文的表述更为克制：这一数据对应的是使用AI满两年以上学生的完整惩罚效应，全体AI用户的平均惩罚约为7%。但研究者特别指出，惩罚效应需要约两年时间才能完全显现，这意味着那些仅观察几周或几个月的短期研究，正在系统性低估AI的学习成本。

“外包”而非“使用”才是问题核心

论文对AI使用方式做了量化区分：作业用时少于50分钟定义为“内包”，少于45分钟则为“外包”。研究初期，使用AI的学生中有58%处于外包状态。那些仍花费正常时间完成作业、仅将AI作为答疑工具的学生，考试成绩与不用AI的同学几乎无差异。在50至65分钟的作业时长重叠区间内，两类学生考出了几乎相同的分数。

但这一安慰性结论很快被另一组数据削弱。使用AI满5个月后，外包比例从58%上升至81%，完全外包从34%升至50%。那些最初花费65分钟以上认真完成作业的学生，随着使用时间推移，也在向更短用时、更深依赖的方向滑动。研究者据此判断，AI工具存在一种“使用漂移”倾向：即使用户初始意图是将其作为学习辅助，持续使用后也容易滑向任务外包。

产业视角：效率工具的隐性成本与教育科技公司的两难

这项研究对AI教育产品的商业逻辑提出了一个尖锐问题。当前主流AI学习产品普遍以“提效”为核心卖点——更快完成作业、更准获得答案、更便捷地查漏补缺。但论文数据表明，效率提升恰恰是学习惩罚的传导机制。省下的时间并未转化为深度学习，反而压缩了认知加工的必要过程。

据公开信息，多家国产大模型厂商已在教育场景中投入大量资源，作业辅导、解题答疑是高频应用方向。这些产品的用户增长数据与论文观察到的采纳曲线相互印证。但学习惩罚的量化证据，可能迫使行业重新审视产品设计逻辑：一个以“减少用户思考时间”为优化目标的AI产品，在K12教育场景中可能正在制造长期伤害。

从竞争格局看，国产大模型在教育场景的快速渗透，确实抢占了先发优势。但这份研究也暴露了一个行业级风险：如果AI助学产品被证实系统性地损害学习效果，监管介入、家长信任流失和产品定位危机可能接踵而至。对于将教育视为重要落地场景的AI公司而言，这不是一个可以回避的问题。

方法论的局限与后续研究方向

论文作者在方法论层面保持了克制。研究基于单一县域样本，尽管该县被描述为“像沿海之外的大多数中国县城”，但其结论能否推广至一线城市、不同教育资源配置地区，仍需更多验证。线上作业系统记录用时数据的方式，也无法完全排除学生挂机、代操作等干扰因素。不过，全样本追踪、长时间跨度、升学考试硬数据的组合，使这项研究的证据强度显著高于此前基于问卷调查或短期实验的同类研究。