文献：Kreijkes, P., Kewenig, V., Kuvalja, M., Lee, M., Hofman, J. M., Vitello, S., Sellen, A., Rintel, S., Goldstein, D. G., Rothschild, D., Tankelevitch, L., & Oates, T. (2026). Effects of LLM use and note-taking on reading comprehension and memory: A randomised experiment in secondary schools. Computers & Education, 243, 105514. DOI 10.1016/j.compedu.2025.105514。

研究问题：生成式 AI 尤其是大语言模型（LLM）正被学生迅速采用，但“用 LLM 学习”是否真的促进了学习？以往研究多聚焦高等教育与二语写作，而对基础学习环节——阅读理解与记忆保持——的影响严重缺乏证据。论文要回答：与传统的笔记法相比，使用 LLM（单独使用或与笔记结合）是促进还是损害了中学生的阅读理解与记忆？学生的主观体验与客观学习效果是否一致？

论证思路：研究者把 LLM 与传统且证据充分的主动学习活动——笔记法（note-taking）——直接对撞，设计了一个预注册的随机对照实验（含组间与组内设计元素）：405 名英格兰中学生各用两种学习活动学习两篇历史文本，三天后完成理解与记忆测试。定量上比较三种条件的客观学习结果，定性上分析学生的提示行为（prompting behaviour）原型与主观偏好，把“学得如何”与“觉得如何”放在同一实验里对照，进而讨论认知参与与动机的张力。

一、研究背景：LLM 进入课堂，证据却存在缺口

LLM 在教育中的普及速度远超证据积累速度。英、美大规模调查均发现相当比例的在校学生使用 ChatGPT 等工具，但既有研究集中于大学阶段与二语写作、编程、物理等科目，且多为“成绩提升”的积极结论——研究者提醒，这些提升可能反映的是 LLM 产出的作品质量，而非学生真实学习的增进。

论文抓住两个基础认知环节展开：阅读理解（reading comprehension）与阅读记忆（reading retention）。依据建构-整合模型（Construction-Integration model），理解发生在表面结构、文本基础（textbase）与情境模型（situation model）三个层面；依据加工层次框架（Levels of Processing），编码时加工越深、越精细，信息越容易被提取。笔记法之所以有效，正是因为它强制学习者进行识别要点、转述、概括等主动加工，形成检索线索；而 LLM 的即时答疑、简化解释虽能降低认知负荷、辅助初步理解，也可能诱导浅层加工——学生被动接受答案而不做自我解释与精细加工，从而损害长期保持。两种活动各有其认知与动机逻辑，其真实效果需要实验检验。

二、实验设计：预注册随机对照实验

2.1 样本与学校

实验在英国英格兰的 7 所中学开展，对象为 405 名 14–15 岁（Year 10）学生。学校类型覆盖非选拔性公立学校（3 所）、文法学校（2 所，分男校女校）与独立学校（2 所），分布于三个郡。研究经预注册，遵循英国教育研究协会（BERA）伦理准则，学生与家长均签署知情同意。按预注册排除标准剔除 61 人后（未参加第二轮测试 36 人、未完成学习任务 2 人、未完成全部测试 8 人、测试过短 1 人、两篇文本先验知识差异过大 13 人、作弊 1 人），最终分析样本为 344 人。

2.2 组间与组内混合设计

实验采用组间 + 组内混合设计：每个学生都使用两种学习活动学习两篇不同的文本，因此每个学生既是自己的对照（组内），又分属两个不同组合的组（组间）。学生被随机分入两组：

组别	条件一	条件二	最终样本
组 1	LLM（用 LLM 理解和学习文本）	笔记（记笔记理解和学习文本）	184 人（53.5%）
组 2	LLM	笔记+LLM（边用 LLM 边记笔记）	160 人（46.5%）

条件顺序与文本顺序均随机化。选择笔记法而非“只读”作为比较基准，是因为任何超越被动阅读的主动参与通常都会改善学习，若以只读为基准会“人为抬高” LLM 的效果门槛；而笔记法是公认有效的对照。

2.3 学习材料：两篇难度匹配的历史文本

学习材料为两篇说明文，主题均列入英国 GCSE 历史考纲：南非种族隔离（Passage A）与古巴导弹危机（Passage B）。两篇文本改编自 OpenStax 教科书，经大幅调整以保证难度与特征可比：各 4 段、字数几乎相等（386 与 385 词）、平均词长相近、句子数相同（各 26 句）、CEFR 均为 C1 级。

2.4 学习任务流程

学习会话在学校上课时间进行，学生用浏览器访问实验 Web 应用，每场约 35 分钟。每个任务先给出指令（基于主动阅读文献的策略指导）与视频演示，随后学生须在任务页停留 10–15 分钟。LLM 功能由私有部署的 Azure 版 GPT-3.5 turbo 提供（交互限定在 Azure 内部，不回流 OpenAI），学生最多可提问 20 次；系统用不可见的元提示把 LLM 配置为“帮助学生阅读和理解文本”的聊天机器人。在笔记与 LLM 条件下，界面分别只显示记事本或聊天机器人；在组合条件下两者同屏。关键设计是：学生事先不知道会被测试，以避免动机性偏差。

2.5 测试任务与测量（测试会话，三天后）

三天后的测试会话约 30 分钟，覆盖三个由浅入深的结果变量（每篇文本 22 道题）：

• 文字保留（literal retention，满分 20）：8 道简答线索回忆题 + 10 道四选一选择题，只测文本表层信息的回忆与再认，无需知识性推理，对应表面结构与文本基础层面；
• 理解（comprehension，满分 12）：3 道开放式问题，需要跨文本多处信息做桥接推理与基于背景知识的推理，对应情境模型层面；
• 自由回忆（free recall，满分 50）：每篇 1 道开放题，请学生写下所有记得的内容，无任何线索提示。

主观题由 3 名教育学博士生独立评分，评分者间信度（ICC）介于 .97–.99，信度极佳。此外还测量了行为参与（LLM 查询次数、笔记字数、任务用时）、学习体验问卷（愉悦度、难度、帮助感、努力程度、偏好与未来使用意向），并从学校获取免费校餐（FSM）资格作为社会经济状况指标。统计分析采用线性混合效应模型（以 LLM 条件为参照），显著性水平 0.05（双尾），效应量用 Cohen’s d。

三、定量结果：笔记优于 LLM，组合居中

3.1 学习结果：三个指标的一致图景

线性混合效应模型显示三种条件存在显著差异，方向高度一致：单独笔记表现最好，笔记+LLM 次之，单独用 LLM 得分最低（图3）。

• 文字保留：笔记相对 LLM 的效应 β = 1.92（p < 0.001，95% CI [1.42, 2.42]，d = 0.44）；笔记+LLM 相对 LLM 的效应 β = 0.57（p = 0.040，CI [0.03, 1.11]）。两者均显著优于单独用 LLM。
• 理解：笔记 β = 0.95（p < 0.001，CI [0.62, 1.28]）；笔记+LLM β = 0.35（p = 0.049，CI [0.00, 0.70]）。同样均显著优于单独用 LLM。
• 自由回忆：笔记 β = 1.02（p = 0.018，CI [0.18, 1.86]）显著优于 LLM；但笔记+LLM 与 LLM 无显著差异（β = −0.08，p = 0.855）。作者用非参数检验做了稳健性检验，结论一致。

小结：“用 LLM”不等于“学得好”——单独用 LLM 是三种条件里学得最差的；笔记的收益覆盖所有测量维度，而笔记+LLM 的收益体现在文字保留与理解，未体现在自由回忆上。

3.2 行为参与：LLM 诱导了更浅的参与

行为数据进一步解释了上述结果。当笔记与 LLM 并存时，学生的提问频率从单独用 LLM 的 9.21 次降至 6.02 次；两种含笔记的条件下，学生均写出约 100 词笔记；但有一个值得警惕的现象——25.63% 的学生大量复制 LLM 输出到笔记中，其中 16.25% 的学生笔记与 LLM 输出几乎完全重合（三元组重叠率超过 90%）。此外，单独用 LLM 时学生的任务用时显著少于含笔记的条件（两组分别少 0.80 与 1.54 分钟），提示笔记带来了更深的任务投入。

3.3 提示行为原型：学生其实“会问”，但问得不够深

研究者对全部 4,929 条提示做了分层编码，识别出四种与任务相关的行为原型：

1. 寻求额外信息与更深理解（2,265 条）：90% 的学生至少用过一次，是最主流的用法，主要是要求详述（1,479 条）与背景知识（514 条），如“今天人们如何受到种族隔离的影响？”；
2. 信息浓缩（749 条）：要求总结或提取要点，如“列出全文五个关键点”、“做一个事件时间线”；
3. 基础理解（615 条）：查定义与简化解释，如“什么是制裁？”、“解释一下共产主义”；
4. 直接寻求学习与记忆帮助（仅 39 条）：让 LLM 出题自测、编记忆术等——尽管学生并未被要求这样做。

另有 760 条为格式/交互类请求（“改成要点式”、“压缩成一句”），501 条（约 10%）为离题内容。值得注意的是，质疑 LLM 可靠性的提示只有 6 条——学生对工具输出几乎不加批判。整体上，学生把 LLM 当作“补充信息源”而非“思维伙伴”，提示行为以信息获取为主，主动的记忆编码策略极少被使用。

四、主观体验：学生更喜欢 LLM，却学得更差

与客观成绩相反，学生的主观体验呈现明显脱节。在组 1 中，学生认为 LLM 比笔记更有帮助、更易用、更有趣，且投入的努力更少；组 2 中，学生认为单独用 LLM 比笔记+LLM 难度更低。也就是说，学得最差的条件恰恰是学生感觉最轻松、最喜欢的条件。但值得肯定的是，测试后两组学生都能准确报告自己在 LLM 条件下表现更差——他们并非完全没有觉察，只是低估了这种差距背后的机制。

活动偏好进一步放大了这种矛盾（原文 Table 1）：组 1 中 42.0% 的学生偏好 LLM 而非笔记（偏好笔记的仅 26.9%），理由是“帮助理解”“能回答问题”“简单易用”；偏好笔记的学生则强调“理解”“自己的产出”“帮助记忆”。组 2 中 50.5% 的学生偏好笔记+LLM 组合（仅 16.2% 偏好单独用 LLM），理由是“两全其美”“帮助记忆”“帮助组织”——学生自己已经直觉到组合的价值。

关于未来使用意向：组 1 中 64.4% 的学生表示未来会使用 LLM，55.3% 计划继续记笔记；组 2 中 59.5% 会继续用 LLM，58.5% 计划使用笔记+LLM 组合。学生的行为意图与客观效果之间的错位，为教育引导留下了明确空间。

五、为什么“感觉好”不等于“学得好”：机制解释

作者提出了一个关键的调和框架：LLM 与笔记在学习过程中扮演互补角色。

一方面，笔记带来的“合意困难”（desirable difficulties）是学习的关键。记笔记迫使学习者主动识别重要信息、转述与概括，这些认知努力虽不愉悦，却直接对应深加工与记忆巩固；而 LLM 代劳了总结与解释，虽然“感觉高效有趣”，却可能削减了深度学习所需的认知参与。学生偏好 LLM，部分原因是元认知盲区——他们对自己真正需要什么并不总是清楚，倾向于低估笔记这类费力活动在学习中的价值。

另一方面，LLM 的确提供了真实且未被主要分析完全捕捉的益处：它让复杂材料更易理解、降低认知负荷、提供即时澄清与多元视角，还带来动机收益。定性回答显示，学生欣赏 LLM 的“可理解性”，也欣赏笔记的“深度参与与记忆”。因此，问题不在于“用不用 LLM”，而在于如何设计使用方式，使 LLM 的即时理解优势不取代笔记的深度加工优势。

六、对 AI 时代作业与教学设计的三点启示

1. 把 LLM 使用与笔记在时间上分离：先独立阅读文本，再用 LLM 澄清与探索，最后在不能复制粘贴 LLM 输出的前提下独立记笔记——这能直接阻断本研究中观察到的“复制捷径”，迫使学生在自己的话语中综合与内化信息。
2. 训练学生“主动地”用 LLM：引导学生像问老师一样提出针对性问题、批判性地核对信息，而不是被动消费自动总结；把 LLM 定位为“思维伙伴”而非答案机器，同时培养一般性的元认知技能。
3. 利用 LLM 交互数据了解学情：学生问了什么、卡在哪里，本身就是宝贵的形成性评估信息，可在隐私保护前提下反馈给教师，用于个性化指导。

精读笔记

核心论点：在中学真实课堂情境中，主动笔记（单独或与 LLM 结合）显著优于只依赖 LLM——单独用 LLM 是三种条件里学得最差的，但它提供理解辅助与动机收益。LLM 与传统笔记不是替代关系而是互补关系，“LLM + 主动笔记”是最优组合；同时学生的主观偏好与客观学习效果明显脱节，教育者必须介入引导。

方法要点：

• 预注册随机对照实验，组间+组内混合设计（每人学习两篇文本、体验两种条件），345 级别的中学样本，证据等级在 LLM 教育研究中属最高一档
• 结果测量分层精细：文字保留（表层）→ 理解（深层推理）→ 自由回忆（无提示提取），覆盖记忆与理解的多个层面；评分者信度 .97–.99
• 行为数据（查询次数、笔记字数、复制粘贴率、用时）+ 4,929 条提示的定性编码 + 主观问卷三者互证，定量定性结合完整
• 以笔记法而非“只读”为对照，避免高估 LLM 效果，设计上很干净

局限与边界：

• 无“仅阅读”基线条件，无法评估 LLM 相对被动阅读的绝对效果
• 单次、孤立的学习活动（非课程情境下的反复使用），3 天记忆窗口偏短，长期效应未知
• 文本难度适配中学生，对超出学生能力的高难文本，LLM 的收益可能被低估
• 学生可能因对 LLM 不熟悉而未充分发挥其潜力（对笔记更熟悉），对 LLM 条件略不利
• 互动效应的探索（性别、社会经济地位、学校类型）因样本量未达计划而放弃

可延伸方向：

• 检验“先读→用 LLM→再独立笔记”的分离式设计是否真能阻断复制捷径、提升记忆
• 把 LLM 配置为主动学习策略的“教练”（出题自测、生成问题、批判性核对），测试其能否提升元认知参与
• 更长时间跨度的纵向研究：反复使用 LLM 对阅读技能、独立问题解决与元认知的长期影响
• 针对高难文本与不同学科（STEM、人文）验证 LLM 的收益边界；对复制粘贴行为做实时检测与干预

原文地址

• DOI：10.1016/j.compedu.2025.105514
• 期刊：Computers & Education, 2026, 243, 105514
• 图表来源：原文 Figure 1、Figure 3