AI-Era Parenting · 期望性困难 · 认知外包 · 元认知 · 计算思维
「让孩子用 AI」与「不让孩子碰 AI」是两个偷懒的极端。本周从四个被研究支持的角度，看 AI 在哪里加速学习、在哪里悄悄替代学习——以及妈妈自己怎么不被这波焦虑卷走。
AI 把「找到答案」的速度推到极限，但学习真正发生在挣扎那段时间里。绕过挣扎，等于绕过学习。
Robert Bjork 的「desirable difficulties (期望性困难)」结论：让学习更轻松的，往往让记忆更脆弱。Slamecka & Graf (1978) 的 generation effect：自己生成答案比看别人给的答案，长期保留率高一倍。Bastani 等 (2024, Wharton 工作论文) 实验：让高中生用 GPT-4 练数学，练习时正确率提升 48%，但撤掉 AI 后考试反而比对照组差约 17%——AI 帮他做练习，却替代了学习。MIT Media Lab (Kosmyna 等 2025) 用 EEG 观察：用 ChatGPT 写作时大脑活动显著低于自己写作。
学习不是信息搬运，是神经回路在「错误—修正—巩固」循环里长出来的。AI 给出完美答案，相当于让你看别人健身——肌肉不会长在你身上。
孩子说：「ChatGPT 帮我做完作业了。」
不要说：「以后不许用！」（一刀切，错过教 AI 素养的窗口）
不要说：「真聪明，会用工具。」（默认了「答案 = 学习」）
试着说：「太好了。那它给的答案你能不看屏幕讲给我听吗？讲完我们一起找它哪里可能错。」——把 AI 输出从「终点」变成「待检验的草稿」。
① 全禁 AI，孩子在你看不见的地方照用，还学不会判断好坏。② 看到作业完成就放心，没核对是不是只搬运了答案。③ 自己也用 AI 替孩子润色作文交给老师——孩子学到的是表演而非学习。
AI 可以是脚手架（scaffold，会被撤掉），也可以变成拐杖（crutch，永远拄着）。差别不在工具本身，在怎么用。
Risko & Gilbert (2016, Trends in Cognitive Sciences) 综述「cognitive offloading」：把认知任务外包给工具，短期效率高，长期独立处理能力下降。GPS 研究 (Dahmani & Bohbot 2020, Scientific Reports)：长期重度依赖 GPS 的人海马体灰质显著少，空间记忆退化更快。Gerlich (2025, Societies) 调查 666 名 AI 工具使用者：AI 使用频率与批判性思维评分负相关，元认知是中介变量。Vygotsky 的 ZPD（最近发展区）理论里，脚手架的关键特征是会撤掉——不撤的不是脚手架，是义肢。
大脑符合「用进废退」。孩子卡 30 秒就召唤 AI，等于让 AI 替他长那段神经回路。作业短期完成，能力长期没建立。
孩子卡题 30 秒就要开 AI：
不要说：「自己想！不许用！」（信号是「AI 是禁果」，反而更想用）
试着说：「先告诉我你卡在哪一步。是看不懂题、还是知道怎么做但算不出、还是不知道该用哪个方法？」——用语言定位问题本身就是学习的一半。然后再决定：再想 3 分钟 / 翻书 / 问家长 / 问 AI。
① 全面禁用——孩子在你看不见处加倍用，且没人教他怎么用。② 全面开放——卡 5 秒就外包，元能力消失。③ 父母自己重度依赖 AI 写邮件、做决定，却要求孩子自己想——孩子学的是你做的，不是你说的。
当生成答案的边际成本接近零，知道自己懂了什么、没懂什么变成核心能力。元认知决定了同样用 AI 的两个孩子，差距越来越大。
Flavell (1979, American Psychologist) 奠基 metacognition——对自己思考过程的觉察与监控。Dunning-Kruger 效应：能力越弱越高估自己。Hattie & Donoghue (2016) 大规模元分析显示元认知策略对学习的效应量约为普通教学策略的 2 倍。Bastani 等 (2024) 同一个 GPT 实验有第二个发现：把「直接给答案的 GPT」换成「带苏格拉底式提示的 GPT」，学习效果就保住了——差别正是是否激发元认知。
AI 给的答案永远「看起来懂了」。元认知薄弱的孩子会把认知流畅 (fluency) 当掌握，一拆就露馅。元认知强的孩子会主动自检——这就是「能用好 AI」的底层条件。
孩子说：「我懂了，下一题。」
不要说：「真的吗？我再考你一道。」（监控权还在你手上）
试着说：「不看书，把这一步为什么这样讲给我听。」（Feynman 技巧）
或：「这个答案你0 到 10 多确定？为什么不是 10？」——把确信度评估从妈妈身上交回给他。
① 把考试分数当掌握指标——分数测表现，不测元认知。② 全部替孩子做监控（妈妈检查作业、提醒错点），元认知一直外挂在你身上。③ 自己也对 AI 输出全盘接受，孩子学到的是「答案 = 真理」。
AI 已能写出绝大多数日常代码，「会写 Python」不再是核心技能。编程教育的真正价值是计算思维——把复杂问题分解成可执行步骤、定位因果、调试假设。这套思维 AI 替代不了，因为用好 AI 也得靠它。
Jeannette Wing 2006 在 Communications of the ACM 提出计算思维四要素：分解、模式、抽象、算法。Papert 1980《Mindstorms》早就指出，编程是「与明确思考相遇的场所」——它逼你把模糊的想法说清楚。Scherer, Siddiq & Sánchez Viveros (2019, Educational Research Review) 元分析 105 项研究：编程对近迁移（其他编程类任务）效果稳健，对远迁移（数学、语文）效果有限——别把它当万灵药，但作为思维训练自身就有价值。
调用 AI = 写 prompt = 把模糊需求分解为机器能执行的精确指令。这与编程是同一项能力。不会分解的孩子用 AI 也只能得到表面答案——「写一篇作文」和「写一篇关于 X 的、从 Y 角度切入、字数 Z、避免 W 的作文」差距巨大。
孩子的代码不工作，开始急：
不要说：「我看看哪行错了。」（你的大脑代替了他）
试着说：「先停下。你能讲一遍你期望这段代码做什么吗？再告诉我它实际做了什么？」——这就是 rubber duck debugging。差距处即 bug。把思维显性化，才学得会调试。
① 把编程当兴趣班 KPI（Scratch 几级、Python 几级），用规模换深度。② 比起「今天你分解了什么」，更在乎学的是哪门语言。③ 期望编程普遍提升其他学科——研究不支持，把它当独立的思维训练就好。给妈妈自己：你做技术多年，最值钱的不是某门语言，是分解与调试的肌肉记忆——这正是你能传给孩子、AI 抢不走的东西。