工程实践学习情境下生成式AI最小必要介入的认知效应
周正书 宋琛 张贤坤^{（通讯作者）}

天津科技大学 人工智能学院，天津，300457；

摘要：生成式人工智能能够在工程实践课程中提供需求分析、方案设计、源代码和故障诊断等帮助，但持续而充分的AI支持也可能替代学生本应独立完成的问题分解、证据判断与推理调试。然而，工程实践学习中的AI支持并非越充分越好。适当介入可以帮助学生跨越认知障碍，但过多介入也可能压缩其独立分析、执行和修正的空间。基于此，本文提出生成式AI最小必要介入（Minimum Necessary Intervention，MNI），即AI介入以帮助学生的自主认知推进为限，在达到这一条件后不再继续增加支持。本文构建这一理论模型，理论分析和初步实践结果表明，AI介入能够提高即时任务完成质量，但其边际认知收益可能随介入增强而递减，认知替代风险则逐渐上升。MNI的价值不在于尽量少使用AI，而在于学科能力训练情境下使AI停止于足以推动学生继续自主完成工程认知活动的适当位置。

关键词：工程教育；生成式人工智能；最小必要介入；认知替代

参考文献

[1]陈玉琨. ChatGPT/生成式人工智能时代的教育变革[J]. 华东师范大学学报(教育科学版), 2023, 41(7): 103-116.

[2]E. Kasneci et al., “ChatGPT for good? On opportunities and challenges of large language models for education,” Learning and Individual Differences, vol. 103, no. 102274, 2023.

[3]J. van de Pol, M. Volman, and J. Beishuizen, “Scaffolding in teacher–student interaction: a decade of research,” Educational Psychology Review, vol. 22, no. 3, pp. 271-296, 2010.

[4]C. Cohn, S. Rayala, N. Srivastava, J. H. Fonteles, S. Jain, X. Luo, D. Mereddy, N. Mohammed, and G. Biswas, “A theory of adaptive scaffolding for LLM-based pedagogical agents,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 40, no. 3, pp. 1757–1765, 2026.