设想一名学生进入课堂时，只能围绕一个教育问题说出几句日常看法。经过一小时的人机对话，他交出了一篇具有概念界定、理论比较、反方意见和研究方案的文章。若评价对象仅是这篇文章，进步可能非常明显。但是，教师据此说”学生的思想创造力和批判力提高了”，实际上已经跨越了一个尚未获得检验的归属环节：文章的改变究竟由谁、通过何种过程、以何种可保持的方式完成？学生今后能否再次组织这种改变？
这个问题既不能用”文章是AI写的，所以学生没有学习”来提前回答，也不能用”学生发出了指令，所以一切成果都属于学生的成长”来结束。学习者可能通过对话真正理解了一个概念，也可能主要获得了一份可提交的文本；可能学会了组织不同解释，也可能只学会了请求系统替自己比较。不同过程能够产生相似的成品，正是AI教育评价首先需要面对的困难。
学习与当下表现的区分并不是生成式AI出现后才被发现的。Soderstrom与Bjork讨论了训练期表现与较持久学习之间的不一致，指出课堂上可观察的顺利完成并不总是可靠地代表长期保持和迁移。〔乙1〕 本书把这一经典问题推进到一个新的对象层面：当技术不仅帮助学生算得更快，而且直接提供论证结构、批判意见和问题框架时，评价者可能把更高层级的成品误认成更高层级的个人能力。
从娄底前往贵阳，步行者需要不断判断眼前路口；乘坐高铁以后，乘客不必逐米检查列车如何运行，却需要确认自己到了哪里，以及这个地点是否符合出行目的。AI对思考的一个重要影响可以用这个类比表达：大量中间操作被封装，学习者开始在更大的认知颗粒上进行终点、关系和目的判断。过去逐条整理材料，如今比较整套解释；过去修正单个句子，如今判断一套论证的前提。
但高铁带来了一个同样重要的反问：能够被运送到贵阳，是否证明乘客的辨向能力提高了？答案不能仅由”确实到达”推出。乘客可能学会阅读地图、确认转乘、处理路线改变，也可能只接受系统的到站提示。同样，学生从事实层进入理论层，首先意味着其接触的对象与承担的任务改变，而不意味着其判断已经可靠。教育改革若只看到可达范围扩大，就可能把技术提升的尺度记在学习者能力的账上。
这里也应避免另一种误用：乘客不是铁路工程师，学生不必为了证明自己有判断力而重做AI的全部内部运算。认知分工的价值正在于不必重复一切。真正的问题是，学生是否具有与所承担判断相匹配的依据、检验手段和纠错能力。因此，本书既审查技术乐观主义，也审查把所有委托都视为退化的认知纯粹主义。
本书处理三个相互关联的问题。首先，从认知对象与判断任务的层级变化，能否逻辑地推出个人思想能力增长？其次，现有AI教育与人机协作证据究竟支持何种结论，不支持何种推广？最后，怎样设计能让正反双方都有失败可能的实验，而不是依靠立场选择证据？
本书的贡献不在于首次提出”工具表现不等于个人学习”。Salomon、Perkins与Globerson早已区分与技术共同工作的效果，以及离开技术后留下的认知效果。〔乙2〕 本书尝试增加的是三个连接：把这种区分接到认知颗粒度与判断层级；把终点认证的证据结构接到成果归属；把保持、熟悉工具协作与换用重组接到同一项可证伪设计。其新意应当由这些连接是否产生额外预测来判断，而不能仅由新术语的数量决定。
接口说明 第四章已经把”提分命题”按读数位置切成 P1 至 P4 四条。本章切的是另一维：量词。可能性、条件平均增益、自动增益三者的证明责任完全不同。两维正交合成十二格，而流行说法几乎全部站在”自动增益×P1”那一格上——它最容易被证明，也最没有教育含义。
“AI教育能提高人的思想创造力和批判力”至少可以表达三类命题。可能性命题主张存在某种教学方式、某类学习者与某种任务，使两类能力获得改善；平均增益命题主张在明确条件下，接受某种AI教学的群体优于指定对照；自动增益命题则认为，只要引入AI、增加对话或扩大思想供给，能力就会自然提高。三者的量词不同，证据要求也不同。
若用P表示人群、T表示教学处理、Q表示任务集合、τ表示测量时点，那么一个条件性命题可以写成：“在P、T、Q、τ被预先界定的情况下，相对于对照，创造力与批判力的平均改善都超过预设的教育意义阈值。”这里至少存在两个结果变量，不能用其中一项显著就证明两项都提高。更不能把写作质量的改善解释为所有学科中的一般创造能力增长。
逻辑反例能够推翻一个无条件的必然推导，却不能推翻存在性主张。发现一类学生没有收益，不等于证明任何学生都不可能获益；发现一次训练有收益，也不等于证明一切AI教学有效。因此，本书首先否定的是未经中介论证的自动增益推理，然后把范围不明的”能提高”重构为可比较、可复核的经验命题，而不是把较弱原命题换成较强命题后宣告胜利。
AI教育并不是一种单一处理。直接代答、提出提示、生成反例、追问前提、评价草稿、模拟争论和协助实验设计，会改变学生不同的认知活动。即使使用同一模型，同一个学生在同一堂课中也可能交替采用这些方式。如果把它们合并为”用了AI”，实验即使获得平均效果，也难以解释什么产生了效果。
因此，处理定义应包括模型与接口版本、可用资料、回答限制、学生任务、教师介入、反馈方式和使用时间。所谓”教学保护”也不能只是一句系统指令，而应说明系统是否提供答案、何时提供、学生必须完成什么动作才能进入下一步，以及教师如何处理误导性反馈。研究对象是一个可以被重新实施的教学安排，而不是一个品牌标签。
比较对象同样需要明确。AI课堂优于无人反馈的自学，并不能直接证明优于时间、资源和反馈质量相近的非AI教学。反过来，AI课堂没有超过高度个性化的专家辅导，也不等于没有教育价值，因为成本、可达性和参与机会可能不同。能力增益、教学效率与资源公平可以同时研究，但不能用一个维度的优势替代另一个维度的证据。
本书把评价单位分为作品、人机协作系统和学习者在指定条件下的能力表现。作品单位回答”这个结果怎样”；系统单位回答”这套人、工具和历史组成的安排能完成什么”；个人能力单位回答”训练是否改变了这个人以后在可比条件中的作用”。第三个单位并不要求把人想象成完全没有工具的孤立大脑，而是要求对变化的归属作出明确说明。
例如，一个学生学会了在AI给出三个答案时检查它们共同的隐藏前提，这当然可以是人的协作能力增长。即使他的表现需要借助AI，也不能因此取消其教育意义。但是，若另一名未经训练的学生只需点击同样的模板就获得同等结果，那么原学生的成长主张就需要更强的证据。我们关注的不是是否接触外部资源，而是人的介入方式是否经过学习发生了可检验变化。
此外，个人进步与群体思想多样性不能互相替代。每个人的文章都更完整，群体的解释方向却可能更加相似。反过来，一组作品彼此差异很大，也可能只是随机和不可靠，并不意味着创造力更强。因此，“提高”至少要回答：提高了谁、哪种能力、相对于什么、持续多久，以及为哪些代价所伴随。
实验没有获得统计显著的差异，可能是效果很小，也可能是样本不足或测量噪声过大。它不能自动成为”AI没有作用”的证明。若要检验不存在足够大的教育增益，应预先指定最小有意义效应，并使用能够排除该幅度的区间推断；若要支持近似等效，则应检验效果是否落在事先认可的等效范围内。〔乙3〕
负效应也需要准确限定。某种短期测验较差，不等于人的一般智力下降，更不等于大脑受到永久损伤。本书保留”受损”作为指定学习结局的经验判断，而不把它扩张成对学习者本质能力的诊断。正面与负面结论都必须受到同样的边界约束，否则证伪研究也会成为另一种宣传。
Salomon等提出，与技术协作时表现增强，与技术交互后个体留下可迁移的认知变化，是不同的效果。他们也强调学习者在协作中的有意识投入。〔乙2〕 这给本书提供了直接理论前提：一个系统在场时的成功，不能未经检验就转移为个体离场后的能力。但本书不把离开技术作为唯一裁判，而是增加”换用以后还能否重组协作”这一观察条件。
这种增加有实际意义。一名研究者可能把检索、计算和模拟组织成新的研究流程；撤去全部设施之后，他无法完成同等规模工作，并不意味着他没有学会研究。更有辨别力的测试是：更换工具、修改约束、提供冲突信息后，他能否重新建立可工作的流程？因此，能力的稳定性应理解为适应一类变化的组织能力，而非在任何剥夺条件下维持相同产出。
Clark与Chalmers以延展心智论证环境中的某些资源能够进入认知过程的构成，外部资源的存在并不自动取消认知活动的真实性。〔乙4〕 对本书而言，这意味着不能把使用AI的思考一概视为虚假思考。然而，认知系统边界与教育效果归属是两个问题：承认人与工具形成一个有效系统，不等于证明参加这个系统的人经过训练获得了新的能力。
可以把两类问题分别写成：“此刻是什么系统在完成任务？”与”与训练前或对照条件相比，哪个可保持的变化发生了？“前者是认知构成问题，后者是学习识别问题。把二者混为一谈，会出现相反但同样有缺陷的结论：一方认为只要系统聪明，人就一定进步；另一方认为只要系统含有外部组件，人的成长就不值得承认。
本书采取条件化的归属方式。独立表现、熟悉工具下的协作表现、换用工具后的重组表现分别有价值。它们可以同时提高，也可以方向不同。所谓人的成长，应当在相关条件中描述，而不是被一个总分掩盖。教育要研究的不是脱离情境的神秘能力实体，而是学习者如何更可靠地参与、组织和修正思想活动。
Runco与Jaeger将原创性与有效性作为创造性的重要要求。〔乙5〕 本书在思想教育领域作进一步操作性限定：创造表现为提出相对于既有解释有新意、对问题具有价值、可以给出理由或接受检验的新概念、新关系和新框架。它不等于词汇罕见，也不等于论述宏大。对于基础教育，新意可以首先相对于学生既有理解，而不能要求每次课堂练习都取得世界首创。
批判性思维则不能等同于反对意见的数量。Facione的专家共识报告强调有目的的、自我调节的判断，以及对解释、分析、评价、推论和依据的关注。〔乙6〕 因而，一个学生能够接受可靠答案、拒绝不可靠答案，并在新证据下适度修订，比机械地”正反各说三点”更接近本书的目标。创造与批判相互支持，但不是一个能力：有人提出许多新想法却缺少检验，有人判断严密却不善于打开新问题。
Khosravi等在2026年的预印本中提出，把面向即时绩效的AI转向具有教学基础、适应性与责任设计的学习伙伴，强调持久理解、迁移和学习者能动性。〔乙7〕 本书与这一方向相容，但关注点不同：不是再提出一组理想设计原则，而是追问，什么证据足以把这些原则产生的好结果归属于人的创造与批判能力，什么结果会迫使我们否定这种归属。
因此，本书不主张仅凭”生成—碰撞—反思”之类流程名称就能保证学习。流程是待检验的处理，能力是待辨识的结局，二者之间需要失败的可能。对任何宣称具有特殊教育价值的思维操作系统，这一标准都应同样适用。理论最重要的自我约束，是允许一个不使用其术语的实验获得相同或更好的学习结果。