口播核对 · 教育与 AI · 2026-10-23

「用了 AI，作业涨 18%，考试掉 20%」——这段口播说对了多少？

口播引用的核心研究是真的：三位经济学家追踪了中国中部一个县 26,811 名初高中生 30 个月。核心数字基本准确，但 +18% 与 −20% 都是采纳后约 6 个月的峰值，不是所有学生的平均效应。本页逐条核对 21 条说法：7 条成立，8 条部分成立（方向对、程度说满或口径没说），6 条是作者的观点或演绎（其中 1 段把想象当成研究发现），0 条找不到来源。最后补上口播没讲的关键限定，把「三关」改成家长能检验的做法。

主研究：Strömberg、Lei、Wu《The Generative AI Learning Penalty》，CEPR 讨论论文 DP21577（2026-06-02），工作论文，尚未经同行评审。

作业分数（采纳 AI 后 6 个月）
+18%
全部采纳后月份平均 +11%
闭卷月考（采纳后 6 个月）
−20%
全部采纳后月份平均 −13%
每份作业用时
64 → 45 分钟
作者标注：这一项是相关性描述
呈「外包」模式的 AI 用户
约 4/5
使用 6 个月后；其余 1/5 考试成绩与不用 AI 者相近

总判定

说对的部分

  • 研究存在，样本（26,811 人）、时长（30 个月）、作业 +18%、用时 64→45 分钟、月考 −20% 全部与论文一致。
  • 「损失最大的是作业做得最快、分数窜得最高的学生」符合论文的「作业外包」机制。
  • 「保持作业时间的那群学生几乎不受影响」在考试成绩上符合论文：这约五分之一的 AI 用户考试成绩与不用 AI 的同学相近（口播说成「真实能力」略宽）。
  • PISA 2025 的「约 20 分、约一年差距」是 OECD 教育主管 Schleicher 的原话。
  • 智能辅导系统元分析（50 项研究、从第 50 百分位到第 75 百分位）是 Kulik 与 Fletcher 2016 年的真实结论。

说过头或演绎的部分

  • 「中考高考降幅更大」：只有使用 AI 两年以上的学生才有中考 −24%、高考 −18%，高考并没有比月考的 −20% 更大；全样本平均约 −7%。
  • 「他们是这么用的：不要直接给答案……」：论文只记录作业时间和分数，没有学生对话记录。这段是口播作者的想象，接近另一项研究（Bastani 等）里带护栏的 AI 导师。
  • 「训练孩子反问 AI，思维能力反而更强」：OECD 说的是在校学过评估 AI 信息的学生科学成绩略高，而且是相关性，没有测「思维能力」。
  • +18% 与 −20% 都是峰值：全部采纳后月份的平均值是 +11% 与 −13%。口播没说明口径。
  • 「50 多项实验……拉进前 25 名」：0.66 个标准差换算成百分位只是统计上的直观说法，不是每项研究都做到了；而且研究的是传统智能辅导系统，不能直接等同于生成式 AI。

一句话结论：口播的「方向」有一流证据支持，「程度」在几处被说满。对家长最有用的，不是口播的比喻，而是论文作者自己给的两条建议：看孩子花在作业上的时间（输入），而不是看作业分（输出）；用频繁的、合上屏幕的小测来检查学没学会。

一条总限定：以下所有百分比都是群体估计，随使用强度、任务类型、学科和学习方式而变化，不是对某个孩子未来成绩的预测。中国县域研究与 PISA 的样本、指标和设计都不同，本页把它们并列，不把它们拼成同一条因果链。

这项研究到底是什么

样本与设计

△ 证据地位 工作论文，尚未同行评审；单县观察研究，学生不是随机分配去用 AI 的。作者用准实验方法估计因果效应，但结论依赖「未采纳者走势可比」这类识别假设。

论文
The Generative AI Learning Penalty: Evidence from Chinese Secondary Education
作者
David Strömberg（斯德哥尔摩大学）、Victor Lei、Yanhui Wu（香港大学）
发布
CEPR 讨论论文 DP21577，2026-06-02；SSRN 6868618；作者 VoxEU 专栏 2026-09-04
地点
中国中部一个县，人口超过 100 万，人均 GDP 略低于 6,000 美元；5 所初中、4 所高中，约占全县中学在校生 90%
样本
26,811 名 7–12 年级学生，约 524 个班；526,120 条「学生—月」考试观测
时间
2022-09 至 2025-06，共 30 个月
数据
9 门学科的每周作业分与完成时间、每月闭卷考试、全县统考、中考与高考成绩
AI 采纳
自报，由老师发问卷让学生查注册日期；从接近 0 升到 2025-06 的约 80%；工具以豆包（47%）、DeepSeek（36%）为主，都是通用工具
方法
交错采纳的双重差分（Callaway–Sant'Anna 估计量），用「还没开始用」的同学做对照；采纳前两组成绩与趋势几乎相同

作者怎么解释机制

在不用 AI 的学生里，作业分高通常意味着考试分也高。在 AI 用户里，这个关系反过来了：作业分越高，越可能考得差。作者的原话大意是——对 AI 用户来说，作业分不再能衡量学习；作业分突然蹿高，反而是学习下滑的警报。

作者观察到两种用法：使用 6 个月后，约五分之四的 AI 用户 50 分钟内就写完作业（比最快的非 AI 学生还快），作业分异常高，考试明显更差；剩下五分之一花的时间与非 AI 学生差不多，考试成绩也差不多。

作者同时提醒：这不等于「强制多花时间就能恢复学习」。选择不同用法的学生，动机、信息和 AI 技能本来就可能不同。有效干预要把有监督的作业时间、正确用法的指导和告知外包的代价结合起来。

数据图

以下数字全部来自论文摘要与作者 VoxEU 专栏，以及 ppc.land 对论文正文的整理。标「峰值」的是采纳后约 6 个月的效应，标「平均」的是所有采纳后月份的平均效应。

作业分涨、考试分跌：峰值与平均两种口径

作业分与月考分相对采纳前均值的变化 作业分峰值上升 18%，平均上升 11%；月考分峰值下降 20%，平均下降 13%。 +20% +10% 0 −10% −20% 作业分（6 个月峰值）：+18% +18% 作业分（采纳后平均）：+11% +11% 月考分（6 个月峰值）：−20% −20% 月考分（采纳后平均）：−13% −13% 作业分·峰值 作业分·平均 月考分·峰值 月考分·平均
相对采纳前均值的百分比变化。峰值出现在采纳后约 6 个月；数学月考 6 个月时 −22%。来源：论文摘要、VoxEU 专栏、ppc.land 整理。
查看数据表
指标6 个月峰值采纳后平均
作业分+18%（1.9 SD）+11%
闭卷月考−20%（1.4 SD）−13%
作业用时64 → 45 分钟（约 −30%）—

损失不是立刻出现：三个时间点

  1. 采纳 AI 之初
    月考效应很小

    作者解释：学生还不熟练，采纳后新学的内容也还少。

  2. 约 6 个月后
    月考罚分达到 −20%，之后持平

    月考主要考近期内容，所以罚分很快「成熟」。

  3. 约 2 年后
    中考 −24%、高考 −18%（使用两年以上者）

    升学考试综合几年所学，罚分慢慢累积。全样本平均约 −7%，因为很多学生采纳得晚。

作者由此推断：现有的短期研究可能系统性低估了生成式 AI 的长期学习代价。

谁掉得最多

月考分数相对采纳前均值的下降幅度，按分组。单一指标、单一颜色，长度即大小。

各分组的月考下降幅度 社科 27%，STEM 22%，英语 17%，语文 9%；初中 24%，高中 17%；男生 21.6%，女生 18.4%；成绩前三分之一 24%，后三分之一 16%；每周用 0 到 1 小时约 5%，每周 5 小时以上约 30%。 学科 社会科学（政史地） STEM 英语 语文 学段 初中 高中 性别 男生 女生 采纳前成绩 前三分之一 后三分之一 每周使用时长 0–1 小时 / 5 小时以上 社会科学：−27% STEM：−22% 英语：−17% 语文：−9% 初中：−24% 高中：−17% 男生：−21.6% 女生：−18.4% 采纳前成绩前三分之一：−24% 采纳前成绩后三分之一：−16% 每周 0–1 小时：约 −5% 每周 5 小时以上：约 −30% 27%22%17%9% 24%17% 21.6%18.4% 24%16% 约 5%约 30%
作者称之为「从顶端压缩」：损失落在成绩本来更好、年级更低、用得更多的学生身上。性别差距的 3.2 个百分点里，2.7 个点能用男生用得更多来解释。注意：各组是不同样本、不同条件下的点估计，本页没有各组置信区间，组间差异不应当成确定排名。来源：VoxEU 专栏与 ppc.land 对论文正文的整理。
查看数据表
分组月考下降
社会科学 / STEM / 英语 / 语文27% / 22% / 17% / 9%
初中 / 高中24% / 17%
男生 / 女生21.6% / 18.4%（采纳率 82% / 80%）
采纳前成绩前 1/3 / 后 1/324% / 16%
每周 0–1 小时 / 5 小时以上约 5% / 约 30%

两种用法，两种结局

外包型：按论文的操作性定义识别——50 分钟内完成作业、作业分异常高（接近 AI 工具的水平），这类学生考试明显更差。按 50 分钟切，全部 AI 用户中 58% 符合，使用超过 5 个月的用户中 81%；按 45 分钟切则是 34% 与 50%。两个比例分母不同，不是前后对比。「外包」是作者对这一模式的解释，论文没有直接观察到学生把思考交给了 AI。

保持作业时间（50–65 分钟）：作业分也更高，但考试成绩与不用 AI 的同学「基本相同」。作者原话：花同样多的时间，学到的也同样多。

口播对这两群人的描述，哪些是论文里的

  • ✓ 成立 损失最大的是作业最快、分数最高的那群人。
  • ✓ 成立 作业时间没有大幅缩短的那群人，考试几乎不受影响。
  • ◇ 演绎 「他会拿着草稿问 AI：不要直接给答案，提示我错在哪」——论文没有任何对话记录，只有时间与分数。这是口播作者对「为什么他们没掉」的想象。
  • △ 部分 「真实能力几乎没受影响」可以说，但作者特别提醒：这两群人本来就可能动机不同，不能直接推出「逼孩子多花时间就能恢复」。

21 条说法逐条核对

判定口径：✓ 成立 与来源一致；△ 部分成立 方向对但有一处说过头、口径未说明或数字不准；◇ 观点/演绎 作者自己的比喻、框架或想象，不是研究发现；✕ 未证实 找不到支持来源。

#口播说法判定依据与口径
1针对国内一个县 26,811 名中学生，跟踪两年半✓ 成立中国中部一县 9 所中学、7–12 年级、2022-09 至 2025-06 共 30 个月。补充：这是 CEPR 讨论论文 / SSRN 工作论文，尚未同行评审。
2作业分数高了 18%△ 部分成立数字对，但这是采纳后 6 个月的峰值；全部采纳后月份平均 +11%。口播未说明口径。
3一份作业从平均 64 分钟降到 45 分钟，省近三分之一✓ 成立VoxEU 专栏原文：64 → 约 45 分钟。作者标注完成时间这项是相关性描述。
4几个月之后闭卷考试成绩平均暴跌 20%△ 部分成立6 个月时达到 −20% 属实，但这是峰值；全部采纳后月份平均 −13%。「暴跌」描述的是峰值。
5到了中考高考这种大考，降幅更大△ 部分成立只有使用两年以上的学生：中考 −24%（比 20% 大），高考 −18%（并不比 20% 大）。全样本双重差分平均约 −7%。作者说法是「大致和月考一样大」。
6能力退化不是马上看到，完整影响两年后才爆发✓ 成立论文摘要原文：完整罚分约两年后才显现（the full penalty emerging only after about two years）。但不是「两年后才开始」：月考罚分 6 个月就已完整，升学考试罚分是逐步累积到两年。「爆发」是口播用词。
7学习损失最大的恰恰是作业做得最快、卷面分窜得最高的学生✓ 成立论文观察到的模式：作业时间异常短 + 作业分高的学生，考试更差；使用 6 个月后约 4/5 的 AI 用户符合。描述成立；「外包」是作者的解释，论文没有直接观察到认知过程。
8另一群学生作业时间没有断崖式缩短，真实能力几乎没受影响△ 部分成立约 1/5 用户保持 50–65 分钟作业时间，考试成绩与非用户基本相同——这部分成立。但考试成绩不等于全部「真实能力」，不能扩大；作者也提醒这两群人动机可能本来不同。
9他们是这么用的：「不要直接给答案，提示我错在哪」「换个条件出题考我」◇ 演绎论文没有对话记录，不知道这群学生怎么提问。最接近的证据是 Bastani 等（PNAS 2025）里只给提示不给答案的 GPT Tutor。
10「这到底是孩子的认知还是显卡的算力」◇ 观点修辞。论文的对应表述：作业分突然蹿高是学习下滑的警报。
11OECD 最新 PISA 覆盖几十个国家和地区、几十万学生✓ 成立PISA 2025（2026-09-08 发布）覆盖 91 个国家与经济体、超过 76 万名 15 岁学生。口语的「几十个」可以涵盖 91，这里只补精确数字。
12习惯用 AI 起草作业、搜资料提炼观点的孩子，科学成绩平均落后 20 分，相当于一年学业差距✓ 成立Schleicher 博客（2026-10-13）原话：用 AI 总结阅读材料、预研主题、起草写作的学生，比不用者平均低约 20 分，约等于一年学业。OECD 同时声明不代表因果。
13学校专门训练他们反问 AI（论据有没有硬伤、反例在哪），这些孩子思维能力反而更强△ 部分成立OECD：在校学过「评估 AI 生成信息」的高频用户，科学成绩略高于不用或少用者（媒体报道约 13–14 分）。测的是科学成绩不是「思维能力」，且是相关性；「论据硬伤、反例」是口播的具体化。
14大模型出来之前，认知科学界用「脚手架式智能辅导系统」做过对照研究：不甩答案，卡壳给线索，算错反问✓ 成立智能辅导系统（ITS）研究自 1980 年代起，Kulik 与 Fletcher 2016 年综述收录的多为分步提示、即时反馈的系统。「认知科学界」更准确说是教育技术与学习科学。
15汇总 50 多项实验发现，这种模式能把排 50 的中等生拉进前 25 名△ 部分成立Kulik & Fletcher 2016：50 项受控评估，中位效应 0.66 个标准差，统计上相当于第 50 → 第 75 百分位。三处限定被省略：这是中位数不是每项研究都做到；效应大小高度取决于用本地自编测验还是标准化测验；研究的是传统智能辅导系统，不能直接等同于生成式 AI。
16productive struggle（有产出的挣扎）是教育学术语，能力从挣扎里长出来△ 部分成立术语真实；最接近的量化证据是 Kapur 的「productive failure」元分析（53 项研究，g = 0.36）。但有边界：2–5 年级学生和通用技能学习，先讲授再练习效果更好。OECD 前言也用了「productive cognitive struggle」。
17计算器让心算退化但人心里有数；AI 会制造「AI 会了 = 我会了」的幻觉△ 部分成立后半句有证据：阿尔托大学 2025（约 500 人做 LSAT 逻辑题，用 ChatGPT 者普遍高估自己）、arXiv 2505.01106（63 名 14–15 岁初中生：对 AI 态度越积极，提问质量越低）。前半句是比喻，没有数据；转写里还有一句与之矛盾的话。
18判断标准：关掉屏幕你还会不会？换个数字能不能从头推导一遍◇ 观点作者提出的检验方法，与论文作者建议的「频繁、简短的课堂小测」方向一致，但不是研究结论。
19每个人有两套能力：我 + AI 的上限，剥离 AI 的下限◇ 观点思考框架。主研究观察了用 AI 时的作业表现和闭卷考试成绩，但没有测量任何人的「我 + AI」上限或「剥离 AI」下限，这两套能力是口播的概念，不是研究变量。
20AI 给孩子建了一个无摩擦的温室；现实能力要在摩擦中长出来◇ 观点比喻。本页未找到直接检验「与 AI 聊天替代真人社交会削弱社交能力」的中学生研究。
21先考驾照再上路：抓虫、脱稿复述、留白底线三关◇ 建议作者的方案，没有研究直接检验「三关」。但每一关都能找到旁证，见下文「三关怎么落地」。

平行证据：口播没引、但更能说明机制的研究

Bastani 等（PNAS 2025）：有没有护栏，差别有多大

土耳其一所高中约 1,000 名学生的随机对照实验。三组：只有课本与笔记；标准 GPT-4 界面（GPT Base）；只给提示、不给答案的 GPT Tutor。先用 AI 做练习，再闭卷考试。

GPT Base 与 GPT Tutor 相对对照组的表现 练习题：GPT Base 高 48%，GPT Tutor 高 127%。闭卷考试：GPT Base 低 17%；GPT Tutor 与对照组未检出显著差异，图中不画柱。 +127% +100% +50% 0 −50% GPT Base 练习题：+48% +48% GPT Tutor 练习题：+127% +127% GPT Base 闭卷考试：−17%（显著） −17% 未检出 显著差异 用 AI 做练习题 之后的闭卷考试
相对对照组的表现差异。聊天记录显示 GPT Base 组学生绝大多数直接要答案、抄答案。注意：GPT Tutor 组的闭卷考试「未检出显著差异」，既没有显著负向、也没有显著正向效果，不能据此认定为零效应或确认无害。来源：PNAS 122(26)，Knowledge at Wharton 报道。

OECD PISA 2025（2026-09 发布）

  • 91 个国家与经济体、约 76 万名 15 岁学生；科学是本轮主测领域。
  • 用 AI 做「具体任务」（总结阅读、预研、起草写作）的学生比不用者科学成绩低约 20 分 ≈ 一年学业。加拿大、新西兰的差距分别达 29、36 分。
  • 媒体整理的分数：几乎每天用 AI 起草作业 481 分，从不用 509 分。
  • 每周 1–2 次「用 AI 帮助学习」的学生，成绩与不用者相近；在校学过评估 AI 信息的高频用户成绩略高。
  • OECD 原话：这些发现「不一定代表因果关系」，成绩差的学生可能本来就更依赖 AI。
  • Schleicher 的比喻：AI 应当是「脚手架，不是拐杖」；学习是心智与新材料的「有产出的认知挣扎」。

Kulik & Fletcher（2016）：智能辅导系统元分析

50 项受控评估，中位效应 0.66 个标准差（第 50 → 第 75 百分位）。两个口播没讲的限定：用本地自编测验的研究效应大、用标准化测验的小；另有 10 项设计有缺陷的评估效应很小，说明实施质量决定结果。

「以为自己会了」的证据

阿尔托大学 2025（Computers in Human Behavior）：约 500 人做 LSAT 逻辑题，用 ChatGPT 的人分数更高，却普遍高估自己；自认 AI 熟练的人更过度自信，Dunning–Kruger 效应反转。多数人每题只问一次，直接接受答案。研究者建议：AI 应反问用户「你能解释一下你的推理吗」。

口播没讲、但家长应该知道的六件事

作者自己给的两条建议

口播引用了数据却没引用作者的对策。VoxEU 专栏里作者写得很具体：看「输入」而不是「输出」——盯孩子真正花在作业上的时间，而不是作业分；用频繁、简短的课堂小测来检验作业内容学没学会。因为在 AI 用户里，作业分已经不再反映学习。

好学生掉得最多

采纳前成绩前三分之一的学生月考掉 24%，后三分之一掉 16%。这与职场研究相反（AI 通常让低技能者提升更多）。作者称之为「从顶端压缩」。家长不能因为孩子成绩好就放心。

剂量反应

每周用 0–1 小时约 −5%，5 小时以上约 −30%。用得越多掉得越多，这比「用不用」更能预测损失。

好工具存在，孩子不用

作者指出：中国和很多国家早有设计良好、几乎免费的辅导工具，但多数学生选择豆包、DeepSeek 这类直接给答案的通用工具。另一项两年校内实验（Oreopoulos & Low 2026，Khanmigo）发现，学生对「只教不答」的 AI 导师缺乏参与。作者的结论：问题不是技术问题，是激励与制度问题。

社科掉得比理科多

政史地约 −27%，STEM −22%，英语 −17%，语文 −9%。口播用数学题、作文举例，但论文里损失最大的是需要记忆与论述的社科。

这是一项观察研究

学生不是被随机分配去用 AI 的，采纳时间靠自报。作者用了严格的双重差分设计并做了平行趋势与安慰剂检验，但仍是单县数据、工作论文。结论需要在其他地区复制。

口播的「三关」怎么改成能检验的做法

「三关」是口播作者的方案，没有研究直接验证。但每一关都对应一条有证据的原则。下面把它改成家长能执行、能看出结果的版本。

口播第一关：抓虫

让孩子核验 AI，而不是找「故意留的错」

对应证据：PISA 2025 发现在校学过评估 AI 信息的学生成绩略高（相关性）；阿尔托研究建议让用户解释自己的推理。

可执行版：每周挑一段 AI 的解答或文字，让孩子核对其中的事实、论据和来源，并说出判断依据。不要预设「AI 一定故意犯错」——模型未必有错，专找「故意错误」反而可能让孩子过度怀疑正确答案。

口播第二关：脱稿复述

合上屏幕讲一遍，再做一道变式题

对应证据：论文作者建议用频繁、简短、闭卷的小测检验作业内容；Bastani 的闭卷考试正是这样暴露了差距。

可执行版：作业做完后关掉 AI，让孩子用自己的话讲解题过程；再随机选一题，换一组数字或换一个条件，在纸上独立重做。分别记下「讲得对不对」和「变式题做得对不对」。做不出来，这题就算没学会。

口播第三关：留白底线

先自己想，卡住了再问

对应证据：论文里保持作业时间的学生考试成绩与非用户相近；productive failure 元分析支持先尝试再讲解（低年级除外）。

可执行版：定一个「先自己做」的最短时间（例如每道难题 10 分钟），写下初步思路；之后允许把草稿给 AI 并要求「只指出哪一步错」。卡壳后求助是允许的，不把「禁止 AI」当普遍原则。家长看的是作业用时，不是作业分。

怎么知道「三关」在你家有没有用

只看作业分会再次奖励 AI 帮出来的高产出。建议对同一个知识点记四样东西：独立作答正确率、一两周后的延迟小测成绩、变式题表现、讲解质量；同时记 AI 使用频率和作业用时。坚持四到六周再比较前后，不要凭一次考试下结论，也不要把「作业时间长」本身当成学会了。

两个提醒。第一，作者明确说「不能从数据直接推出强制多花时间就能恢复学习」，所以上面的做法是有依据的尝试，不是被验证过的疗法。第二，productive failure 的证据对 2–5 年级学生是反的——小学低年级先把方法讲清楚再练，效果更好；「留白」更适合初中以上。

证据边界

主研究的限制（作者自己列的）

  • 单县样本，不能直接外推到其他地区或职场。
  • AI 采纳时间靠学生事后自报，是否真的核对了注册日期无法观察。
  • 作业完成时间的变化是相关性描述，不是因果估计。
  • 中考高考每人只观测一两次，识别力弱于月考。
  • 30 个月里 AI 工具本身变化很大（DeepSeek V2.5、R1 发布带来两次采纳高峰）。
  • 工作论文，尚未同行评审。

本页的限制

  • 论文正文细节（异质性、外包比例、剂量反应）取自作者 VoxEU 专栏和 ppc.land 对正文的整理；本页未逐页核对 58 页原文。
  • PISA 的 481 / 509 分与「训练后高 13–14 分」来自媒体对 OECD 报告的转述；Schleicher 博客只说「略高」。
  • 口播是口语转写，个别句子（计算器那段）有矛盾，本页按前后文取其本意。
  • 「三关可执行版」是依据研究方向改写的建议，没有被实验验证。

来源

  1. Strömberg, Lei & Wu (2026). The Generative AI Learning Penalty: Evidence from Chinese Secondary Education. CEPR DP21577. cepr.org/publications/dp21577；SSRN：papers.ssrn.com/abstract=6868618
  2. 作者 VoxEU 专栏（2026-09-04）：The generative AI learning penalty in secondary school. cepr.org/voxeu/…（本页「两种用法」「监控输入」「从顶端压缩」等表述出自此文）
  3. ppc.land（2026-08-19）：Students who use AI for homework lose 20% of their exam scores. ppc.land/…（论文正文数字整理）
  4. Fortune（2026-07-21）：Study finds AI boosted homework scores 18%—then tanked exam results 20%. fortune.com/…
  5. 澎湃新闻转载：追踪 2.6 万中学生后发现，使用 AI 会让考试成绩大幅下滑。m.thepaper.cn/baijiahao_33980010
  6. OECD (2026). PISA 2025 Results (Volume I): Future-Ready Students. oecd.org/…/pisa-2025-results-volume-i；前言：foreword
  7. Schleicher, A.（2026-10-13）. Generative AI and student learning: What the PISA data reveal. OECD Education and Skills Today. oecdedutoday.com/…
  8. Statista（2026-09-08）：PISA Links Frequent AI Use With Lower Science Scores. statista.com/chart/36591；Business Standard 对 481/509 分的报道：business-standard.com/…
  9. Bastani, H. 等 (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS 122(26). doi:10.1073/pnas.2422633122；Knowledge at Wharton 报道：knowledge.wharton.upenn.edu/…
  10. Kulik, J. A. & Fletcher, J. D. (2016). Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review. Review of Educational Research 86(1). doi:10.3102/0034654315581420；ERIC：EJ1090502
  11. Sinha, T. & Kapur, M. (2021). When Problem Solving Followed by Instruction Works: Evidence for Productive Failure. Review of Educational Research 91(5). doi:10.3102/00346543211019105
  12. Aalto University（2025-10-28）. AI makes you smarter but none the wiser（Computers in Human Behavior）. EurekAlert：eurekalert.org/news-releases/1103616
  13. The Illusion of Understanding: How Middle-Schoolers Fail to Regulate Inquiry with ChatGPT. arXiv 2505.01106. arxiv.org/abs/2505.01106

来源分级：1、2、6、7、9、10、11、12、13 为一手（论文、作者专栏、官方报告与博客、机构新闻稿）；3、4、5、8 为媒体转述。本页正文中标「媒体整理」「媒体报道」的数字均来自二手来源。