哈佛研究揭示：AI辅助学习可提升效率，碾压课堂主动学习2倍

如果同样一节课，学生在家跟着AI学，成绩反而比坐在教室里更好，你会相信吗？哈佛大学研究团队做了一项随机对照试验：让194名本科生在连续两周学习两节物理课，一周使用AI辅导系统，另一周参加课堂主动学习，两组学生交换学习方式。比较的课堂并不是老师讲、学生听，而是有分组讨论、动手解题和教师反馈的课程。 结果确实出人意料。两组共同的课前测验中位数是2.75分；学习结束后，AI辅导条件下的中位数达到4.5分，课堂主动学习条件下为3.5分。以课前水平为基线计算，前者提高了1.75分，后者提高了0.75分，AI组的学习增量超过课堂组的两倍。 标题里的“2倍”说的是这两节课的测验增量，不是AI组总分达到课堂组的两倍，更不是所有学生用了AI都能学到两倍知识。 时间也值得一看。扣除前后测验，课堂学习按60分钟计算；AI组使用系统的时长中位数是49分钟，约七成学生在60分钟内完成学习。问卷中，AI组的学习投入感和动力评分也更高。不过，仍有三成学生使用AI超过60分钟，所以“效率更高”描述的是这次实验的总体结果，并不意味着每个人都能更快学完。 AI为什么能占优？研究者认为，一个关键可能是它能跟着学生的节奏走。没听懂，可以当场追问；已经掌握，就继续往下学。但实验用的并不是打开普通聊天机器人、随便输入一句“教我物理”。研究团队把练习拆成步骤，预先写入详细解答，并设计系统逐题引导学生，尽量减少AI答错和直接代做的问题。换句话说，取得这组成绩的是一套经过教师精心准备的教学系统。 这项研究让人看到AI辅助学习的潜力，也要看清它的边界：实验只涉及一门大学物理课中的两个主题，主要考察学完后立即进行的测验，尚不能回答长期记忆、复杂思辨和整学期学习效果如何。论文作者同样没有主张让AI全面取代课堂，而是提出一种用法：先让学生借助AI掌握基础内容，再把宝贵的课堂时间留给更复杂的讨论、合作和实践。 相关研究如下： 实验发生在哈佛大学一门较大的本科物理课。研究介绍部分给出的分析样本为194人；并非“在全体学生中比较所有形式的 AI 与传统教育”。 学生分为两组，在连续两周学习两个不同主题。第一周，一组在家使用 AI，另一组在课堂学习；第二周交换条件。每节课前后都有测试，另有关于投入、动力、愉悦和成长型思维的问卷。主题分别是表面张力和流体流动。 合并两周数据后，课前测验中位数为2.75分（316次测试记录）；AI 条件下课后测验中位数为4.5分（142次记录），课堂条件下为3.5分（174次记录）。按两个课后中位数相对于共同课前基线计算，AI 组增量为1.75分，课堂组为0.75分，前者超过后者两倍。这里的“两倍”指特定测验上的中位数增量，并非 AI 组最终得分是课堂组两倍。两组课后成绩分布的秩和检验差异显著，z = -5.6，p < 10⁻⁸。 图1不同教学条件下的平均课后成绩与共同课前基线（原图） 图中纵轴是测验分数，虚线为两组共同的课前平均水平，误差线为均值标准误。原文用中位数说明“学习增益超过两倍”，而这幅图展示的是平均分，两种统计口径需要区分。 课堂活动安排75分钟，其中前后测验占15分钟，研究者把实际学习时间按60分钟计算。AI 组平台记录的学习时间中位数为49分钟；70% 的学生少于60分钟，30% 超过60分钟。时间分布很宽，说明并非每位学生都学得更快。 图2 AI 组学习时长分布（原图） 横轴为 AI 辅导用时（分钟），纵轴为学生人数，虚线代表课堂学习的60分钟。右侧有少数用时很长的学生；“更省时间”是样本的总体特征。 作者的线性回归控制了课前测试、此前的期中成绩、力学概念测验、使用 ChatGPT 的既往经验、所学主题、试卷版本及学习用时，并按学生聚类。控制后 AI 条件的课后表现仍显著更高（p < 10⁻⁸）。线性回归的标准化效应量约0.63；由于课后成绩接近测试上限，作者认为存在天花板效应，进一步用分位数回归给出约0.73至1.3个标准差的估计。模型详表 S1位于原文补充材料，不在正文三幅图内。 作者还报告，在 AI 组较宽的用时范围内，学习用时和课后成绩没有发现相关性。这不能解读为时间完全不影响学习，只能说明该样本和测量条件下未观察到明显关联。 问卷采用1至5分的同意程度量表。投入感方面，AI 组均值为4.1（标准差0.98），课堂组为3.6（0.92），p < 0.0001；学习动力方面分别为3.4（1.0）和3.1（0.86），p < 0.001。愉悦感与成长型思维两项未见统计显著差异。 图3投入感 动力 愉悦感和成长型思维的评分（原图） 蓝色为课堂主动学习，绿色为 AI 辅导。星号标示前两项的显著差异；后两项柱形高度接近，作者没有报告显著差异。误差线为均值标准误。 系统先以提示词规定教学行为，再由软件平台按练习题的小问顺序推进。研究者发现，仅靠系