好奇心与元认知：迈向人工智能时代学习与教育的统一框架|人工智能|好奇心与元认知|自主性

第1章好奇心与元认知：迈向人工智能时代学习与教育的统一框架

Chapter 1 Curiosity and Metacognition: Towards a Unified Framework for Learning and Education in the Age of AI

https://arxiv.org/pdf/2604.25648

摘要：

本章探讨好奇心与元认知之间的关系，视二者为自主学习和自我调节学习的关键驱动力。我们综合近期研究，提出一个统一框架，整合行为、计算与心理教育维度，主张好奇心——即获取新知识的内在驱动力——从根本上依赖于元认知监测与控制。从教育视角出发，我们评估了旨在提升课堂环境中好奇心的干预措施。尽管这些措施前景可期，但我们的综述表明，其效果参差不齐，且往往对学习困难者的效果差异较大，这凸显了针对个体特征制定个性化方法的必要性。最后，我们讨论生成式人工智能所带来的范式转变。尽管大语言模型（LLMs）为个性化探究提供了前所未有的可扩展性，但我们认为，其默认交互模式对好奇心驱动学习的动态过程构成了重大风险。为应对这些挑战，我们审视了将人工智能从潜在的认知捷径转变为持续的认知发展有力伙伴的策略。

关键词：好奇心；元认知；自我调节学习；好奇心驱动干预；生成式人工智能与大语言模型；教育技术

1 引言

好奇心——定义为为了纯粹的学习乐趣而主动寻求新知识的内在驱动力——已被越来越多地视为儿童自主学习、学业成功（Shah等，2018）和幸福感（OECD，2020）的基石。但究竟是什么让好奇心在认知发展中如此关键？答案在于它与元认知的深层联系，元认知即“思考自己的思考”的能力（Flavell，1979）。元认知涉及对自身认知过程的监测和调节，正是这种相互作用放大了好奇心对学习的影响。好奇心与元认知共同构成了一套关键的认知、情感和社会技能体系，教育工作者被鼓励从幼年时期就开始培养（J. Jirout & Klahr，2012；Peterson，2020）。然而，尽管好奇心至关重要，它在课堂中却惊人地罕见（Engel，2009，2011）。试想以下情景：在一间小学教室里，一位老师展示一个简单的实验——将一块冰块放在盘子上，然后问学生：“如果我们整个上午都把它放在这里，会发生什么？为什么？”学生们纷纷举手，假设层出不穷（“它会融化！”，“不，它会消失！”），意想不到的问题也随之涌现（“如果我们撒上盐会怎样？”，“糖也会融化吗？”）。老师抓住时机，鼓励学生设计自己的小实验来验证各自的想法。在这里，好奇心的激发源于不确定性和开放式的探究，而元认知则随着学生意识到自己的知识缺口、进行探索、规划、观察并反思自己的推理过程而被激活。然而，这种情况在当今的课堂中却极为罕见——标准化的课程、时间限制和僵化的教案往往压倒了此类探索性时刻，使好奇心的生长潜力受到抑制。

对此，研究人员转向了创新性的解决方案。一些研究考察了旨在激发好奇心的数字干预措施，例如通过引入不确定性（Lamnina & Chase，2019），或提供外部线索——如新颖或相互矛盾的信息片段以供探索，或能够拓展对当前材料理解的问题起点（FitzGibbon等，2019）——这些手段已被证明能够在幼儿中诱发好奇状态和探索行为（Liquin & Lombrozo，2020）。另一些研究则侧重于强化支撑好奇心的元认知策略（J. Jirout等，2024）。如今，随着生成式人工智能的崛起带来新的教育挑战，也涌现出促进好奇心驱动教育的新机遇——特别是通过利用好奇心与元认知之间的协同关系（Abdelghani，Wang，等，2023）。

本章从三个部分概述好奇心与元认知之间的紧密联系及其在人工智能时代的教育意义，内容基于：

行为与计算方法——元认知与好奇心之间的联系如何塑造学习表现和体验？
心理教育视角——我们如何利用好奇心与元认知之间的双向关系来制定针对性干预措施并促进学习？
生成式人工智能带来的转变——生成式人工智能如何改变教育环境中好奇心与元认知的交互？又如何被用来强化教育干预？

2 好奇心与元认知：学习中的动态二重奏

现代关于好奇心的研究虽然尚处早期，但发展迅速。好奇心曾被视为一种单一的、孤立的特质，如今则被理解为一种动态的、多层次的过程——它既连接着基础学习机制，又与高阶认知功能相关联，特别是学习与元认知加工之间的相互作用，其时间尺度从数秒到数年不等。

2.1 从单一视角到多元视角的好奇心理论

在当代好奇心理论中，有四种单一成分的视角尤为突出，每种视角都提供了独特而互补的观察角度：1）学习视角——将好奇心视为知识获取的驱动力；2）元认知视角——将好奇心框定为与自我调节思维交织的过程；3）不确定性调节视角——将好奇心理解为管理或减少不确定性的机制；4）情绪视角——将好奇心解读为激发探索的情感状态。这些视角在文献中并存，各自丰富着我们对好奇心的理解，而并不相互排斥。

好奇心作为学习的视角 将好奇心框定为一种内在动机的形式——即由内在满足感（如愉悦、兴趣，或能力感与自主感）驱动的活动参与，而非依赖外部奖励（Ryan & Deci, 2000）。与依赖外部结果（如表扬或分数）的外在动机不同，内在动机包含了诸如熟练表现时的心流状态等现象（Wong & Csikszentmihalyi, 1991）。作为内在动机的一个子集，好奇心过程特别指向驱动自发探索、寻求新颖性和知识获取的作用（Oudeyer等，2007）。它被描述为“趋向更好认知的冲动”（Kashdan & Nezlek, 2012），或是为学习或非工具性信息寻求而追求新颖感觉和体验的行为（James, 1890; Kidd & Hayden, 2015; Loewenstein, 1994）。在现实情境中，探索行为往往混合了内在动机与外在动机。例如，在教育中，活动可能激发学生的自然好奇心，同时也服务于工具性目标，如备考（Deci等，2001; Murayama等，2019）。该学习视角采用了计算与实证方法，包括行为指标（如信息寻求行为、探索时间（Abdelghani等，2022; Evans & Jirout, 2023））、生理测量（如瞳孔扩张、注视模式（Baranes等，2015））以及神经影像技术（M. J. Gruber等，2014; Kang等，2009）。这些多元方法揭示了好奇心如何塑造注意力、记忆和学习成果，为设计具有真正附加值的教育技术提供了机会（Gottlieb & Oudeyer, 2018; Oudeyer等，2016）。一个关键例子是 学习进展（LP）假说 ，它强调了内在动机、好奇心状态与学习收益自我评估之间的正反馈循环（另见“信息即奖励假说”（Marvin & Shohamy, 2016）），如图1所示。

一个密切相关的视角是好奇心作为不确定性调节，其根源可追溯至Berlyne的冲突理论，该理论将好奇心定义为一种厌恶性的动机，驱使个体寻求知识以解决所体验到的不确定性（Berlyne，1966）。据此，当所追求的知识获得时，好奇心即得到满足，其强度取决于初始的不确定性水平：情境中的冲突或模糊性越大，所引发的好奇心就越强烈。Loewenstein的“知识缺口”理论进一步细化了这一观点，将好奇心框定为一种认知匮乏状态——当个体感知到当前知识状态与期望知识状态之间存在差异时即会产生（Loewenstein，1994）。然而，好奇心并非线性的：当知识缺口过大（例如，信息完全未知）或过小（例如，答案已确知）时，寻求信息的动机会下降。例如，Kang等人（2009）的研究表明，当个体对答案毫无头绪或对自己的回答过度自信时，好奇心最低。类似的模式在儿童中也有观察到，特别是在涉及空间定向和记忆的任务中（Sivashankar等，2024）。因此，需要存在一个最佳的不确定性水平才能触发信息寻求行为。这些机制被认为从4岁起就支撑着儿童的好奇心驱动探索（Molinaro等，2023）。Loewenstein的理论还解释了为什么好奇心常常被那些令人惊讶、新颖或与先前信念不一致的刺激所激发（Barto等，2013；Oudeyer等，2007；Poli等，2020）。需要指出的是，Loewenstein的理论与前两个视角是一致的。

好奇心的元认知视角则扎根于区分元认知知识（陈述性元认知）与元认知体验（程序性元认知）的研究（Flavell，1979）。

个密切相关的视角是好奇心作为不确定性调节，其根源可追溯至Berlyne的冲突理论，该理论将好奇心定义为一种厌恶性的动机，驱使个体寻求知识以解决所体验到的不确定性（Berlyne，1966）。据此，当所追求的知识获得时，好奇心即得到满足，其强度取决于初始的不确定性水平：情境中的冲突或模糊性越大，所引发的好奇心就越强烈。Loewenstein的“知识缺口”理论进一步细化了这一观点，将好奇心框定为一种认知匮乏状态——当个体感知到当前知识状态与期望知识状态之间存在差异时即会产生（Loewenstein，1994）。然而，好奇心并非线性的：当知识缺口过大（例如，信息完全未知）或过小（例如，答案已确知）时，寻求信息的动机会下降。例如，Kang等人（2009）的研究表明，当个体对答案毫无头绪或对自己的回答过度自信时，好奇心最低。类似的模式在儿童中也有观察到，特别是在涉及空间定向和记忆的任务中（Sivashankar等，2024）。因此，需要存在一个最佳的不确定性水平才能触发信息寻求行为。这些机制被认为从4岁起就支撑着儿童的好奇心驱动探索（Molinaro等，2023）。Loewenstein的理论还解释了为什么好奇心常常被那些令人惊讶、新颖或与先前信念不一致的刺激所激发（Barto等，2013；Oudeyer等，2007；Poli等，2020）。需要指出的是，Loewenstein的理论与前两个视角是一致的。

好奇心的元认知视角则扎根于区分元认知知识（陈述性元认知）与元认知体验（程序性元认知）的研究（Flavell，1979）。

元认知知识是指个体对自身认知能力、任务和策略的觉察（例如，认识到自己在数学方面比艺术方面更有天赋）。相比之下，程序性元认知则涉及认知活动中发生的有意识体验和过程，例如不理解某事物的感觉或知晓感（Schneider & Lockl，2013）见图2。在这一视角下，好奇心既被理解为一种状态，也被理解为一种元认知感受——即一种标示认知状态和学习机会的主观体验（Goupil & Proust，2023；Metcalfe等，2020；Wade & Kidd，2019）。与稳定的人格特质（例如，通过五维好奇心量表（Kashdan等，2020）所测量的）不同，该视角强调好奇心的瞬时体验，如觉察到知识缺口或预测错误。它还强调了关于好奇心的陈述性知识在驱动好奇行为中的作用。例如，Post和Walma van der Molen的研究表明，儿童对好奇心的感知和信念（包括他们对好奇心的态度和形象）如何影响好奇行为的实际表现（Post & Van Der Molen，2020；Post & Walma van der Molen，2019）。

最后，好奇心作为情绪或情感状态——即学习的欲望——是一种快速、多成分的现象，涉及诱发（例如，由觉察到信息缺口所触发的唤起）和反应（以主动的、目标导向的探索为特征）两个阶段（Connelly，2011；Nerantzaki等，2021；Silvia，2005，2008，2010）。评价理论认为，好奇心源于对环境的自动评估，触发生理、运动和动机反应（Scherer & Moors，2019）。虽然其作为情绪的分类仍有争议，但研究证实它涉及主观感受（Tang等，2022）、身体表达（Lyu等，2022）和探索倾向（Poli等，2024）。关于兴趣和认知情绪的研究进一步支持了这一观点，强调了诸如惊讶、困惑、愉悦、沮丧和无聊等情感动态（Muis等，2015）。

由于这些多元视角的存在，好奇心日益被理解为一种动态的、多成分的过程——整合了注意、动机、情绪、认知和元认知机制，以引导探索和学习。例如，Erdemli等人（2025）提出了一个认知好奇心的整合框架，结合了信息缺口、情绪和奖励预期等视角。在该框架中，好奇心被框定为一种情绪，由将知识缺口评估为相关、有价、新颖且可驾驭而触发。这种评估赋予好奇心对象以奖励价值，从而激励知识寻求（“想要知识”）。一旦满足，未来的期望通过情感预测误差得到更新（“喜爱与学习”）。然而，如果相关性高但应对能力低，则该缺口会产生焦虑并导致信息回避。虽然该模型得到了行为研究和新兴神经科学的支持，但仍需进一步验证。Erdemli等人（2025）建议通过计算方法对信息缺口的评估进行检验和形式化验证。未来研究应阐明好奇心各成分之间的交互作用。接下来，我们探讨将内在动机学习、不确定性和元认知视角联系起来的前沿整合进展。

2.2 好奇心的一种统一视角：整合内在奖励与元认知

实证研究与计算方法共同支撑了现代好奇心观，其中元认知层面已被整合其中。

计算模型为检验好奇心理论、模拟机制和生成可检验的预测提供了强大框架。例如，它们已成功复制了发展轨迹（如语音发展（Moulin-Frier等，2014）），并预测了人类和动物的探索行为（Gordon等，2014）。一个典型的例子是好奇心的多成分计算模型，该模型区分了初级学习系统（知识/技能获取）和元认知系统（监测学习进展并生成内在奖励）（Baldassarre & Mirolli，2012；Oudeyer，2018）。该模型解释了好奇心如何借助双环架构，自适应地聚焦于可学习的挑战，同时避免琐碎或过于复杂的任务（Oudeyer，2018；Ten等，2021）：低层环负责与环境交互和模型更新，高层环（元认知）负责跟踪学习进展、计算内在奖励并选择实验。Oudeyer和Smith（2016）在机器人感觉运动发展中展示了这一双系统（图3），其中机器人学习者根据经验减少不确定性（即促进学习进展）的潜力来概率性地选择经验。

非定向探索（有时是随机的或均匀的）——兴趣在选项空间中均匀分布（所有学习情境具有同等趣味性）。
定向探索（趣味性与主体能力成比例）——包括基于知识的内在动机探索（探索以改进世界模型为导向）和基于能力的内在动机探索（探索通过迭代地自我生成和自主追求新的、可学习的目标来实现）。基于能力的探索，也称为“自目的性”探索或自目的性好奇心（Colas等，2022），涉及个体生成并追求自主选择的目标。这种形式的好奇心依赖于更高阶的认知功能，例如想象抽象且新颖的目标的能力——这是创造性发现和开放性终身学习的关键能力。儿童通常通过语言的组合性来实现这一点，将其作为在游戏中设想新情境的工具（Piaget，2005；Vygotsky，2012）。他们还通过社会互动提出多样化的、好奇心驱动的问题，从而获得信息增益（Abdelghani，Wang，等，2023；Abdelghani等，2022；Alaimi等，2020）。IMAGINE架构（Colas等，2020）是一个由内在动机驱动的深度强化学习框架，在好奇心的双系统模型中对该能力进行了建模。与儿童一样，具有想象力的智能体受益于与社会或元认知伙伴的互动，后者提供关于环境交互的语言描述，例如要执行的动作（如“去左下角”）或物体操作（如“抓住任何蓝色的东西”）。这些描述被解释为目标，使智能体能够学会实现它们。此外，这些描述可以通过组合性重组，使好奇的智能体能够自我生成全新的、超越先前已实现的目标——这一过程被称为组合性想象（例如“抓住红色的猫”）。该架构表明，与不具备这些特征的智能体相比，具备这些特征的智能体的泛化和探索能力得到了提升。目标想象的语言特性（类似于内部语言）以及社会/语言互动是实现这些结果的关键推动因素，通过自我反思特质促进元认知发展（Flavell，1979）。作为补充，MAGELLAN架构（Gaven等，2025）超越了仅仅想象新目标，增加了一个元认知层，以根据预测的学习进展策略性地选择目标。因此，MAGELLAN源于双系统模型和学习进展假说，从计算层面阐明了语言在好奇心驱动的自目的性探索中可以发挥的作用。通过利用大语言模型（LLMs）作为陈述性知识的提供者，MAGELLAN使智能体能够通过追踪自身技能和成长潜力（学习监测）来管理自己的学习，同时利用这些数据选择有用且可实现的目标（控制）。这赋予了智能体元认知加工的两个核心属性——监测与控制——同时使其具备不断演化的元认知知识，以塑造其技能发展轨迹。

从实证角度来看，近期的神经科学研究揭示了好奇心驱动任务中激活的不同神经网络。用于记忆表现的PACE模型（M. Gruber & Ranganath, 2019）识别出四个循环交互的组成部分：预测（生成预期）、评估（评估信息价值）、 好奇心状态 （主观体验）和探索（寻求信息以解决预测误差）。M. J. Gruber等人（2014）发现，在预期阶段高度好奇心会更强烈地激活奖励系统，且奖励系统与海马体之间的功能连接增强。这表明中脑释放的多巴胺增强了海马体的记忆编码。Duan等人（2020）对比了内在动机与外在动机，发现好奇心相关的预期激活了奖励系统、颞中回和顶下小叶——这些区域与语义访问和不确定性解决相关。研究人员将这些额外的激活解释为元认知监测的证据，即大脑评估现有知识并识别信息缺口，以调节后续学习。在作答阶段，好奇心增强了奖励系统和额顶注意网络的活动，而外在奖励则导致顶叶区域的活动减弱。这些发现表明，好奇心对记忆的益处源于认知监测和控制方面注意资源的增强。

与此相关，Murayama的奖励-学习框架（Murayama等，2019）将好奇心描述为一个循环：知识缺口触发探索，进而导致具有内在奖励性的知识获取。这与学习进展（LP）假说（Oudeyer等，2016）一致，强调了好奇心与元认知的交互作用：好奇心状态塑造元认知加工，反之亦然。好奇心充当知识缺口元认知体验的触发器，而元认知加工则通过预测学习收益和评估信息价值来引导好奇心驱动的学习。

实证证据表明，对知识缺口的元认知监测是好奇心驱动学习的核心。例如，在常识问答任务中，好奇心在知道答案之前高于之后（Fastrich等，2018）。类似地，当元认知学习判断较高时（例如，处于进步边缘），好奇心达到峰值（Metcalfe，2024）。自由选择范式也证实，人类利用对学习进展的元认知监测来对目标进行优先级排序（Leonard等，2023；Poli等，2024；Sayalı等，2023；Ten等，2021）。例如，Ten等人（2021）表明，个体依赖能力信息来回避简单任务，而包含学习进展成分的模型最能拟合任务选择数据。S. Kim等人（2025）发现，在常识问答任务中，错误答案引发的好奇心状态高于正确答案，将好奇心与对“已知-未知”区分的元认知监测联系起来。在该研究中，作者进一步表明，这些高好奇心状态还与元认知控制相关，即通过影响跳过问题而非冒险给出错误答案的决策。除了监测和控制，关于好奇心的元认知知识也塑造着好奇心驱动的学习。这种元认知知识的基础可能在3岁时就已出现（Broesch等，2017）。Jeong和Kim（2025）发现，与4至5岁儿童相比，6岁儿童提出好奇问题的能力提升与元认知知识的增强相关，其中包括关于个人提问技能可塑性的知识（例如：“你认为现在更擅长提问游戏了吗？还是你认为当你10岁时会更擅长？”或者“有两个孩子在玩游戏。一个是第一次尝试提问游戏，另一个已经玩过10次了。你认为谁会更擅长玩这个游戏？”）。这更广泛地适用于好奇心相关过程：将好奇心理解为一种可塑造的技能，能够增强终身学习，这放大了好奇行为的表达。此外，元认知程序——如策略规划、不确定性管理以及社会资源的利用——对于驱动好奇行为至关重要。这涉及元认知知识的几个关键方面，包括培养个人兴趣（Hidi & Renninger, 2019；Keller, 1987；Renninger & Hidi, 2015；Sinha等，2017）、掌握主动调查和开放探索策略（如假设检验），以及接受超出当前能力的挑战（Kapur, 2015；Kidd & Hayden, 2015）。此外，认识到不确定性在社会上是合理的（Jordan & McDaniel Jr, 2014），并知道好奇心会引发愉悦兴奋的状态（Berlyne, 1966），构成了在日常生活中维持这些行为的重要元认知知识。基于这些原因，将好奇心视为一种社会所期望的过程、强调其对终身学习和技能发展的益处的教育环境——无论是在家庭还是在学校——都能鼓励好奇行为的表达（Goudeau等，2023，2024；Peterson, 2020）。最后，由于学习不仅仅发生在个体层面，社会元认知功能在学习动态中也扮演着重要角色：对他人知识的觉察、相互冲突的信念或对问题的共同理解是发展所必需的能力（Sinha等，2017）。

最后，好奇心与元认知之间的交互作用在两个广泛的维度上展开。第一，元认知加工涉及主动评估自身知识缺口、评价应对挑战的能力，以及衡量新获取信息的价值——同时跟踪学习进展。这一监测功能与控制过程相辅相成，学习者在此过程中制定目标，并部署探索性或探究式策略来引导自我调节学习。第二，关于好奇心的元认知知识既包括对好奇心内涵的理解——如认识到它是一种可塑造的技能，能够促进终身学习并具有社会价值——也包括对好奇心如何运作的实践把握。这包括掌握有效的探索策略、应对不确定性，以及利用社会或环境资源来深化学习。

总而言之，这些相互交织的维度共同实现了自我调节和开放式的终身学习。好奇心的双系统模型通过展示学习进展作为内在奖励、信息缺口解决和元认知感受等看似不同的理论如何代表同一底层系统的不同运作模式，从而弥合了它们之间的差异。展望未来，研究可进一步深入探讨这些元认知维度如何随时间演变，在不同情境下塑造好奇心驱动的学习行为。

3 学校层面培养好奇心的干预措施及其局限性

如第2节所述，好奇心驱动的学习与更高效、更持久的学习成果相关联，使其成为教育环境中值得培养的一种宝贵能力。然而，尽管有其益处，好奇心驱动的学习在许多课堂中仍然代表性不足（Engel, 2011）。对此，越来越多的研究开始考察以学校为基础的干预措施，旨在促进好奇心及相关学习行为，有时这些措施以不同的名称出现，如探究式学习，或更广义上的自我调节学习。

这些干预措施大多将元认知作为改进的主要媒介。通过发展学生的元认知能力——特别是监测自身知识和进展，以及控制自身学习过程的能力——干预措施旨在使学习者具备持久技能，使其能够自主地参与好奇心驱动的学习。然而，仅靠动手的元认知训练可能不足以鼓励课堂中的好奇行为。与此同时，一些研究者认为，课堂氛围也必须有利于好奇心的表达（J. Jirout & Klahr, 2012; Post & Walma van der Molen, 2018）。在这种观点下，学生的直接学校环境（有时被定义为微观系统（Y.-e. Kim等，2023; Peterson, 2020）），即同伴和教师，必须形成对好奇心及其价值的理解和认可，以创造鼓励好奇行为的环境。这些学校干预措施的不同杠杆点如下文图4所示。

在本节中，我们回顾了旨在通过两种互补途径促进好奇心驱动学习的学校干预措施：（1）支持学生的元认知加工能力（监测与控制），以实现自主的、好奇心驱动的学习；（2）通过传递关于好奇心驱动学习的个体和社会元认知知识，改善课堂氛围，以培养学生、教师和同伴对好奇心的积极认知。

3.1 支持好奇心驱动学习的元认知能力

培养好奇心驱动学习——或更广义的自我调节学习——的主要方法涉及对学生的元认知过程参与进行支架式支持、辅助或提示（Dignath & Büttner, 2008；Dignath等，2008）。这些过程大致可分为两个关键组成部分：监测自身知识和学习进展，以及对学习过程施加控制，包括规划策略、设定目标和评估学习成果。在本小节中，我们讨论以学校为基础的干预措施，这些措施针对元认知加工相关的这两项基本能力，以促进课堂中的好奇心驱动学习行为。

3.1.1 训练好奇心驱动学习过程的监测技能

如第2节所述，元认知监测（例如知晓感）可以引发好奇心状态和探索行为，作为填补知识缺口的一种方式（Muijs & Bokhove, 2020；Ronfard等，2018）。因此，准确的元认知判断对于识别和追求新的学习目标至关重要，使其成为任何好奇心驱动学习过程的起点（Murayama等，2019）。

许多学校干预措施采用不同方法来提高学生的元认知监测准确性，例如提供线索以支持知识监测，或实施置信度评分并结合外部反馈以促进改进。第一种方法——使用显性线索来培养元认知监测——是一种有效的方法，能使学生意识到自身知识的缺失，这是激发个体进行信息寻求行为的关键因素（Metcalfe等，2020）。例如，Alaimi等人（2020）使用数字教学代理来提示小学生针对短篇教育文本提出好奇心驱动的问题。为了使知识缺口更加突出，该代理提供了特定的语义线索——与文本相关但学生可能不知道的信息片段——然后提示儿童针对这些新信息提出问题。例如，在阅读完关于火星生活条件的文本后，学生可能会收到“使用强大的宇宙飞船”这一线索，并被要求就该主题生成一个问题。结果显示，经过干预后，学生能够更好地自主提出好奇心驱动的问题。Abdelghani等人（2022）在类似的任务和设置中，得到了相同的结果模式。此外，他们的干预还改善了儿童在自主探索任务中的学习效果。在后续研究中，作者（Abdelghani, 2024）使用了一项数字化元认知训练干预，以支持小学生识别知识缺口并参与好奇心驱动的探究循环。该训练在干预后即刻改善了儿童的元认知敏感性（即准确区分自己知道或不知道某一信息的能力），但这一效果在延迟后测中未能持续。重要的是，该训练干预还增强了儿童发起好奇心驱动探究和提出问题的能力。

其他干预措施则更具体地着眼于提高元认知监测准确性，特别是通过训练学生做出置信度判断并为其准确性提供反馈。例如，Proust等人（2025）评估了一项针对小学至高中儿童的元认知监测准确性训练干预。在这项校本训练中，学生对自己的表现做出前瞻性和回顾性的置信度判断，并收到将其预测与实际结果进行比较的反馈。结果显示，将这种置信度评分工具定期融入课堂活动，提高了儿童的预测监测准确性。然而，总体学业成绩没有直接改善，这表明虽然干预成功地增强了监测能力，但将这种能力转化为学业表现可能需要额外支持或更长的实施周期。

3.1.2 支持自我调节好奇心驱动学习的元认知控制

元认知中另一个对自主和好奇心驱动学习过程有益的方面是元认知控制。如第2节所述，元认知控制和调节是指利用元认知监测所获得的信息来相应地调整学习行为（Griffin等，2013）。虽然许多学校干预措施侧重于训练或支架式支持监测能力以促进学习表现，但明确支持元认知控制和学习调节的干预措施较少——以下将对这些研究进行描述。

在一系列针对大学生和高中生的研究中，Azevedo等人（2008，2009）使用数字学习平台来支持学生在生物学习课程中的元认知调节过程。该工具在显示课程内容的同时配有元认知提示，以支持自我调节学习。例如，学生能够从教师设定的主要学习目标中自行设定自己的学习子目标。其他元认知支架还包括明确选择学生所使用的元认知策略，例如监控学习或规划下一步学习步骤。在这些研究中，作者表明该工具的使用改善了学习成果，且学生的主观报告表明他们使用了更多的元认知策略（Azevedo等，2008），尤其是规划策略（Azevedo等，2009）。在一项针对小学生的混合方法研究中，Hastuti等人（2020）在数学课程中实施了一项引导式探究学习干预。学生在目标设定、策略规划和评估以及整个学习过程中的进展监控方面得到了指导。该研究结果表明，与对照组相比，探究组学生在数学后测活动中显著更多地使用了元认知过程，这通过要求学生在访谈中详细阐述其问题解决过程得到了证实。类似地，Yildiz-Feyzioğlu等人（2013）的一项案例研究评估了一款支持自我调节学习的数字工具对中学生的有效性。该工具包含关于电学的课程内容，并配有元认知提示和自我调节学习活动，如目标设定、监控、规划和评估。该研究的定性结果表明，该工具使学生能够调节自己的目标，在与工具互动后，从笼统的目标转向更现实和内在的目标。这种目标设定质量的转变表明学生对学习任务的参与度更深，对学习过程有更强的自主性。然而，提供支持并不总是能保证表现的提升。在一项针对数学课程的校本干预研究中（Fyfe & Rittle-Johnson，2012），向小学生提供了元认知支持，以增强他们对解题所用策略的元认知监测和控制。这通过提示学生解释其策略选择，并为其表现及其策略对解题的适宜性提供反馈来实现。该研究结果表明，对策略选择和表现提供反馈能提高程序性知识得分，但仅对先前知识水平较低的学生有效。与3.1.1小节中介绍的干预措施一致，这一发现表明元认知支架对低成就者最为有效，且并不总能适用于所有学习者类型。

3.2 通过改善课堂氛围和认知来促进好奇心的表达

作为对前述旨在训练特定元认知技能和策略以促进好奇心驱动学习的方法的补充，一些研究侧重于建立支持性的课堂环境并传递对好奇心的积极信念，以促进其表达。这种方法旨在弥合实操训练干预与支持学生真正理解好奇心在学习中的重要性之间的差距（Post & Walma van der Molen, 2018）。这可以通过不同方法实现，例如，通过创造促进与同伴和教师进行好奇心表达的社会互动，以及通过传递关于好奇心及其相关构念的特定元认知知识，在儿童眼中强调表达好奇心的重要性和积极价值。

3.2.1 同伴与课堂氛围培养对好奇心的积极态度

促进好奇友好的课堂氛围在很大程度上依赖于社会环境及与他人的持续互动（Post & Walma van der Molen, 2018），这有助于塑造个体行为（Bandura, 1986），尤其是在正式学龄阶段（Peterson, 2020）。基于此，一些研究试图通过促进与表达好奇心的学习同伴进行积极互动来培养好奇心（Ceha等，2019；Gordon等，2015）。

Gordon等人（2015）调查了在阅读任务中，当与一个表达好奇心的同伴机器人一起学习时，儿童是否会更加好奇。他们发现，当好奇的机器人表现出与好奇心相关的行为时，如对学习的热情、建议新颖的探索方向以及生成猜测，与那些与非好奇机器人互动的儿童相比，儿童在任务中表现出显著更高的自由探索水平和不确定性寻求行为。与这一发现一致，Ceha等人（2019）在地质学习任务中，使用了一个表达好奇心驱动行为（如提问）的机器人作为同伴学习者。该研究表明，参与者能够可靠地识别机器人所表达的好奇心，且这种识别导致报告的好奇心状态更高，并表现出更多的好奇行为。

另一系列研究（Law等，2020；Lee等，2021）侧重于数字化环境中的“以教促学”模式，将学生定位为知识较少的虚拟代理（该代理表达好奇心）的导师。在这些研究中，小学生报告称，他们基于自己认为积极的、可观察的特征（如代理的好奇心或学习热情）将代理视为一个好的学习者。这些积极认知与学生的教学能力感相关，暗示了学习收益。

3.2.2 通过元认知知识和认知信念培养对好奇心的积极态度

发展鼓励好奇心的课堂氛围也可以通过传递元认知知识和促进关于好奇心的积极认知信念来实现。例如，在最近的一项研究中（Abdelghani, 2024），作者评估了一项旨在向学生传递关于好奇心和学习的元认知知识的元认知干预。该研究结果表明，干预显著改善了学生对好奇心的认知。

教师通过与学生互动，在塑造课堂氛围方面也发挥着核心作用（Peterson, 2020）。因此，教师往往是众多旨在改善好奇心态度的学校干预措施关注的焦点。事实上，教师的教学实践和教学风格在很大程度上影响着学生好奇心的表达（Engel & Randall, 2009; Evans等，2023; J. J. Jirout等，2022）。例如，Engel和Randall（2009）的一项研究表明，为教师设定的教学目标影响了他们在科学课上对学生提问的回应方式。被指示完成任务的教师，与被指示进一步学习该领域知识的教师相比，对学生提问和探索行为的回应显著更具限制性。

基于这些考虑，一系列研究（Post & van der Molen, 2021; Van Aalderen-Smeets & Van Der Molen, 2015）评估了一项专门针对教师对探究式学习态度的校本干预的有效性。该干预成功改善了教师在教学活动中的自我效能感以及他们的愉悦感（Van Aalderen-Smeets & Van Der Molen, 2015）。随后，在评估该干预对促进课堂探究式学习的效果时，他们的纵向研究结果表明，学生对好奇心的态度和信念得到了成功改善（Post & van der Molen, 2021）。类似地，Alan和Mumcu（2023）的另一项纵向研究评估了一项以教师为中心的学校干预，旨在传递关于好奇心在学习中的重要性以及培养好奇心实践的知识。该研究结果表明，干预显著改善了教师对好奇心的信念。有趣的是，干预组的学生似乎也表现出更多的学习成果，他们在科学测试中的表现优于对照组学生。

3.3 当前方法在快速变化的学习环境中的局限性

本节所回顾的干预措施展示了在学校环境中培养好奇心驱动学习的有前景的方法，既包括通过增强支持性的课堂氛围，也包括发展元认知能力。然而，仍存在若干不足之处需要考虑。

首先，尽管许多干预措施在受控的学习环境中成功提高了学生的元认知监测或调节能力，但很少有研究证明其在更自然的情境中对自我调节学习行为具有持续效果。当考虑到学生群体的多样性时，这一挑战的一个简单例证便会显现：不同学习者之间的结果并不一致（Fyfe & Rittle-Johnson, 2012；Proust等，2025），这表明，例如，低成就者比高成就者从元认知训练中获益更多（Proust等，2025），而对高成就者而言，甚至可能观察到一定程度的不利影响（Fyfe & Rittle-Johnson, 2012）。这凸显了必须摒弃“一刀切”的干预方式，转而采用更具适应性的方法。这无疑增加了设计用于好奇心驱动学习的元认知干预的难度。

其次，目前尚不明确通过这些结构化干预所培养的元认知技能能否迁移到更开放的学习环境中——在这种环境中，学生需要处理大量且多样的信息源。而正是在这样的情境中，好奇心驱动行为及相关的元认知能力最为重要（Fridman等，2020）。大多数干预任务具有受控性质——通常聚焦于特定的学科内容或结构严密的活动（Donker等，2014）——这可能无法为学生应对真实好奇心驱动探索的复杂性做好充分准备，因为学生对于自己所选择的元认知过程几乎没有自主权。这或许能在一定程度上解释元认知干预向其他领域迁移效果较差的原因，除非对此进行明确训练（Desoete等，2003；Dignath等，2008）。

鉴于上述考虑，加之生成式人工智能等新技术的兴起，训练好奇心驱动学习的新情境正在出现。这些发展的影响将在第4节中讨论。

4 人工智能时代好奇心驱动学习的新挑战与机遇

如第3节所述，好奇心驱动行为是复杂的、自我调节的策略，需要较高的执行功能和元认知成熟度（J. Jirout等，2024）。由于年幼学习者通常难以有效实施这些行为（Ruggeri等，2016），支架式干预措施往往是必不可少的。

尽管已有若干框架来应对这些需求，但我们认为，在生成式人工智能（GenAI），特别是大语言模型（LLMs）兴起的新背景下，这些框架需要重新评估。鉴于LLMs的高可及性和流畅性，它们正迅速成为学生信息寻求策略的核心（J. Wang & Fan，2025）。与标准搜索引擎不同，它们以极低的搜索成本提供个性化、即时的信息（Brown等，2020）。因此，我们假设这一技术变革可能从根本上改变好奇心驱动学习动态的成本-收益结构。

在本节中，如图5所示，我们分析了LLMs的默认交互模式如何通过干扰元认知监测、实质性认知投入和学习者自主性来抑制好奇心。反之，我们讨论了有针对性的算法设计如何将这些工具转化为好奇心强有力的支架。

4.1 LLMs给好奇心驱动学习带来的挑战

LLMs旨在处理自然语言并生成个性化、看似合理且即时的用户查询响应（Brown等，2020）。然而，它们优先考虑对话流畅性和即时帮助，而非教学效用，往往最大限度地减少用户的努力需求（Razafinirina等，2024）。尽管LLMs在教育领域展现出令人印象深刻的表现，但这种设计对发展中的学习者构成了明显的风险（Kasneci等，2023）。具体而言，我们认为这些交互威胁到好奇心驱动行为的三大核心支柱：元认知校准、认知负荷管理和认知自主性。

以下段落我们将详细阐述这些观点。

4.1.1 元认知校准的破坏与知识错觉

好奇心依赖于对知识缺口的觉察及其解决的动机（Berlyne，1966）。然而，知识缺口觉察是一种复杂的元认知技能，学习者在整个童年和青少年时期持续发展这一能力（Fandakova & Gruber，2021），通常通过观察和模仿照护者及同伴的元认知行为来实现。这一发展过程在与LLMs的交互中变得复杂，因为学习者面对的是往往缺乏元认知校准的工具（G. Wang等，2025）——这种缺陷表现为LLMs的置信度与其事实准确性之间持续存在的不匹配。

持续被动地接触以自信口吻陈述却可能包含幻觉性信息的内容，可能会阻碍学习者的内部可靠性判断（Kidd & Hayden，2015）。这种动态助长了“能力错觉”，学习者不仅高估了工具的可靠性，也高估了自身对材料的掌握程度（J. Wang & Fan，2025；Zhai等，2024）。这种元认知监测的扭曲可能成为好奇心的障碍：如果学习者错误地将某一主题视为已完全掌握，那么启动新探究循环的动机会显著降低（J. Jirout等，2024）。

此外，LLMs往往存在严重的“确认偏误”问题，倾向于确认用户在提示中表达的假设，而不是质疑它们，即使这些假设是错误的（Shaikh等，2024）。这种强化偏差不利于激发进一步好奇心驱动探索所需的智识谦逊和冲突觉察（Ronfard等，2018）。

实证证据支持了这些担忧。例如，初步结果表明，对LLMs高度自信的青少年（13-14岁）往往接受第一个生成的答案而不进行批判性评估，过早地终止了探索过程（Abdelghani等，2025）。这意味着学习者很可能跳过了评估自身认知需求所需的深度加工（Yan等，2025），转而依赖模糊的信息需求表达和对输出结果的被动消费。

在好奇心循环中，将关键的元认知过程无意识地外包给LLM，可能会极大地削弱其对学习的最终效用。例如，它可能用情感驱动行为取代真正的认知性信息寻求（Goupil & Proust，2023），导致学习收益降低（Murayama等，2019）。这种趋势与先前关于在线搜索引擎的研究一致，该研究表明，信息获取成本低的环境往往促进浅层和无差别的搜索行为，这对长期学习是低效的（Rowlands等，2008）。因此，当LLMs进一步降低这一成本时，问题可能更加严重。

4.1.2 认知负荷的失当管理

如第2节所述，好奇心驱动行为是一种认知要求较高的自我调节学习策略（Seufert，2018）。它需要大量的执行资源来识别认知需求、规划探究、设定目标以及评估所得信息（Litman，2008；Ten等，2021）。为了使这些过程推动高效学习，必须策略性地管理相关的认知负荷。根据Sweller的认知负荷理论（CLT），这意味着这些过程应尽量减少额外的外在负荷，并激励学习者在其内在能力范围内投入实质性努力来处理信息（Sweller & Chandler，1991）。

传统教育环境中的好奇心框架通常鼓励辅导者对这一负荷进行支架式支持，例如，通过引导学生注意可能引发好奇心的意外元素，或通过提供进展反馈来激发进一步探索。通过这种互动，教师可以帮助学习者更好地投入有效负荷以高效规划和监控其好奇行为。同时，他们也帮助避免可能导致处理不充分或过于复杂信息的行为（Sabbagh & Baldwin，2001）。这种支持可以是动态和个性化的；例如，对于可能难以应对与好奇心驱动行为相关的额外负荷（从而将其体验为外在负荷）的新手学习者，可以给予更多提示，而对经验更丰富的学习者则可以省略这些提示（Seufert，2018）。

然而，在标准的LLM交互中，这种支架式支持往往缺失或具有误导性。缺乏明确的教学提示使学习者难以准确监测自己的进展和评估自身的学习能力（Fan等，2025；J. Wang & Fan，2025）。因此，学习者可能将过多的认知资源花费在基本的元认知监测上（例如，思考哪些信息值得探索）——这种努力可能被体验为外在的而非实质性的（Seufert，2018；Tankelevitch等，2024）。面对这种高认知负担，尤其是新手学习者容易将这些功能外包给AI，从而长期削弱他们投入主动性信息寻求所需实质性努力的动机。

此外，LLMs可能通过糟糕的界面或内容设计带来额外的外在认知负荷。它们可能生成令人不堪重负的学习环境，例如产生密集冗长的文本块或超出学生先前知识的信息（Joshi等，2025）。鉴于学习者有限的工作记忆容量（Sweller & Chandler，1991），这些外在需求消耗了好奇心所必需的实质性加工所需的资源：知识监测、目标规划和信息评估（Abdelghani，Sauzéon，& Oudeyer，2023）。与此一致，近期的实证研究表明，与LLMs互动的学生报告总体认知负荷较低，但分析性表现较差，这表明该工具减少了必要的实质性负荷，而非有害的外在负荷（Stadler等，2024）。

综合来看，这些观点表明，标准的LLM环境可能使学习者既缺乏动机，也缺乏策略性分配认知资源所需的指导（Sweller等，2007）。这种不匹配可能导致探究过早终止、关键认知加工被外包出去，或者反过来——不加区分地消费信息——所有这些都会损害好奇心驱动学习的有效性（Goupil & Proust，2023）。

4.1.3 认知自主性面临的挑战

LLMs作为具有随机输出机制的不透明“黑箱”运作，使用户难以根据自身输入来预测模型行为。此外，这些系统对生成内容背后的“推理”过程缺乏透明度（Almasi & Kristensen-McLachlan，2025）。这种不透明性限制了学习者对所欲探索信息的具体内容和格式的控制权（Kasneci等，2023）。例如，即使学习者根据特定学习目标制定了明确的提示，LLMs也可能生成无关信息或无法遵循格式约束（Brown等，2020）。此外，如前所述，LLMs中“可传染的”元认知缺失可能导致学生陷入过度自信的状态，促使其将元认知过程外包给AI（Yan等，2025）。因此，学习者有可能失去对最初驱动其行动的真实认知需求的把握。

这种感知到的自主性缺失可能引发挫败感，并在不经意间重塑学习目标，可能将学习者导向不充分或无关的信息（Kidd & Birhane，2023）。当这种次优交互发生时，用户的自我效能感——即他们对自身实施有效信息寻求行为能力的感知——可能下降（Kasneci等，2023）。与此一致，实证研究结果表明，学生在学习过程中使用AI辅助后经常体验到自主感的降低（Darvishi等，2024）。这是自我调节学习的一个关键决定因素；研究表明，具有强烈自主感的学习者在面对模糊性时更能有效实施好奇心驱动策略（Metcalfe & Greene，2007）。

从长远来看，这种自主感和自我效能感的缺失可能会对学习者在LLM驱动和标准环境中对好奇心驱动行为的信念产生负面影响。先前的研究表明，实施好奇心驱动探究的一个重要障碍是学习者对该行为效用的负面认知，以及对自己能否有效执行该行为的低自我评估（Post & Walma van der Molen，2019）。

4.2 从障碍到伙伴：生成式人工智能提供的好奇心支架式支持机会

尽管LLMs的默认模式可能带来风险，但其底层架构可以为教育提供关键的可供性。如果将其使用从被动消费转向主动参与，LLMs的独特特征——特别是其交互性、可扩展性和语义灵活性——可以被利用来为那些否则可能被其抑制的好奇心驱动行为提供支架式支持。

在本节中，我们探讨这一转变的两条途径：将生成式人工智能素养作为认知好奇心技能的训练场，以及将LLMs部署为自适应教学代理，以个性化定制好奇心技能所需的支架。

4.2.1 生成式人工智能素养作为促进好奇行为的潜在杠杆

生成式人工智能素养是指用户感知、理解、评估和有效利用AI系统的能力（Park，2025）。虽然这一素养被认为是培养知情且批判性AI消费所必需的（Kasneci等，2023），但我们认为这种素养不仅仅是技术性的，更是深度认知性的。通过训练学习者有效与生成式AI互动，我们可能同时为好奇心的核心组成部分——特别是问题表述和元认知监测——提供支架式支持。

提示技能可以迁移到一般的信息寻求技能。与LLMs的有效提示根植于有意义的问题提出机制（Sasson Lazovsky等，2025）——这是好奇心驱动学习中的一种关键行为（Alaimi等，2020）。事实上，这两种活动都源于弥合知识缺口的认知动机，且如果表述模糊，两者都会失败。为了从LLM中获得高质量响应，用户必须采用特定技术：将复杂问题分解为更小的部分、提供背景信息以及制定目标导向的约束条件。这些都是高质量且高效的好奇心驱动探究的指标（Denny等，2023；Graesser & Person，1994）。

因此，我们认为生成式人工智能素养教学是高质量提问的战略练习场。当学习者接受明确的提示概念和程序训练时——例如，在AI无法理解时学习迭代修改提示——他们不仅仅是获得技术熟练度。他们在进行高效信息搜索所需的信息需求策略性迭代。我们假设这些技能是可迁移的：有效提示AI所需的严谨性可以训练学习者在标准教育环境中提出更精确、更深入的问题。

高生成式人工智能素养可以在信息搜索过程中促进策略性认知负荷分配。如前所述，具备AI素养的学习者能够辨别LLMs的优势、局限和最佳应用场景以增强其学习——例如，利用LLMs生成新的练习场景，而不仅仅是回答家庭作业问题（Park，2025；J. Wang & Fan，2025）。这种辨别力使学习者能够区分需要人类认知的任务和适合外包的任务；后者通常涉及高外在负荷且实质性收益极低，例如格式化或检索已经巩固的信息。

这种区分对于在好奇心驱动情境中管理认知负荷至关重要。好奇心在认知上是昂贵的，需要大量资源来识别缺口、提出假设和评估发现——而这些资源本质上是有限的（Sweller & Chandler，1991）。一个有素养的学习者明白，LLMs最适合减少外在认知负荷，例如执行纯粹的重复性和被动性任务。通过将这些常规处理任务委派出去，学习者将有限的认知能力保留给好奇心的高价值、实质性过程：推理不确定性、评估相互矛盾的证据以及综合新的心理表征（Park，2025）。在这种观点下，LLM从认知捷径转变为保护学习者资源的认知伙伴。这一点至关重要，因为先前的研究表明，好奇心相关过程可能令人不堪重负，尤其是对新手或在内在负荷较高的任务中。如果这种负荷得不到有效管理，可能会适得其反，导致学习者要么放弃信息寻求，要么浅层参与而无法获得学习收益（Seufert，2018）。

4.2.2 LLMs作为促进个性化好奇心训练的工具

除了培养生成式人工智能素养之外，LLMs的算法设计也为直接支架式支持好奇心提供了重要机会。该领域正在出现一个关键转变：研究人员正在从将AI视为提供事实的工具，转向探索其作为促使深度反思和提问的伙伴的潜力（Abdelghani, Sauzéon, & Oudeyer，2023）。通过系统提示和微调等新型框架，“好奇心支持型”架构正在被开发出来。这些系统被设计为拒绝过快地给出答案，转而提供提示（Miller & DiCerbo，2024）、生成追问问题（Shridhar等，2022），或鼓励更深层次的反思（Kasneci等，2023）。此类实现旨在应对第4节中讨论的元认知脱离、自主性丧失和被动性问题。

这些进展得益于LLMs独特的生成能力，该能力允许创建几乎无限变化的学习场景，并能适应学习者的参与水平（Kasneci等，2023）。我们识别出这些能力促进好奇心的两种关键机制：

认知线索的自动生成。首先，好奇心的主要障碍往往是无法识别自己不知道什么——“未知的未知”（Berlyne，1962）。在此背景下，若干好奇心干预措施侧重于向学习者提供特定线索，以帮助他们识别知识缺口，例如关于手头材料的新信息——这些信息对他们来说可能是未知的，并将激励他们进一步探索（Abdelghani等，2022；Alaimi等，2020）。虽然这些方法显示出积极效果，但它们仍然非常僵化且资源密集，因为需要教学专家手动仔细生成数千条线索。然而，当LLMs被适当使用时，可以帮助克服这些限制，并生成与专家生成的线索同样高效的线索（Abdelghani, Wang, 等，2023）。LLMs在提供知识缺口识别线索方面以及提供语言帮助以支持高效查询表述方面都表现出了良好的性能。此外，LLMs在学习者问题质量评分方面也取得了令人鼓舞的结果——作为其好奇心的标志——这表明它们可用于向学习者提供即时个性化反馈，以帮助他们改进问题并强化其好奇心驱动的学习行为（Moore等，2022；Xiao等，2023）。

向最近发展学习区的动态校准。标准好奇心干预措施通常利用令人困惑的活动来触发探索行为（J. Jirout & Klahr，2012）。然而，要有效促进好奇心，这些活动必须落在学习者的最近发展学习区（RPL）内（Metcalfe等，2020）。在异质性课堂中校准这种平衡是具有挑战性的，因为学习者具有不同的能力和兴趣。

LLMs，特别是当与知识追踪（KT）或强化学习（RL）相结合时，提供了一种潜在的解决方案。近期的应用表明，此类系统可以通过自然对话可靠地推断学生的技能掌握情况（Scarlatos等，2025）。这种推断使系统能够动态调整刺激的复杂性。通过调节信息缺口的难度，AI确保学习者保持在持续好奇心的最佳认知状态，防止导致脱离的挫败感。

5 讨论与结论

本章考察了好奇心与元认知之间的深层关联，认为这两大自主学习支柱在功能上是相互交织的。我们从基础认知科学研究、教育干预措施以及新兴的生成式人工智能格局等多个层面追溯了这一关系，同时将已确立的实证发现与有待进一步验证的建议区分开来。

目前有大量证据支持好奇心的多成分观，整合了动机、情绪和元认知机制。学习进展假说通过计算建模和行为实验得到验证，表明好奇心是由对学习机会的元认知觉察所触发的——即知识缺口大小适中且进展看似可实现的情境。双系统架构提供了一个统一框架：初级学习系统负责知识获取，而元认知系统则监测进展并生成内在奖励，这解释了好奇心如何自适应地聚焦于可学习的挑战。研究还证实，关于好奇心的元认知知识——对其可塑性、社会价值和有效策略的信念——从幼儿期起就塑造着好奇行为。在干预层面，元认知训练可以提高监测准确性和好奇心驱动的探究能力，尤其是对学习困难者而言。然而，效果因学习者类型而异，且向新领域的迁移仍然有限，除非得到明确支持——这可能是因为高度结构化的活动未能反映真实的开放式学习情境。

生成式人工智能时代的教育建议。基于上述基础，我们研究了理解生成式AI如何重塑好奇心驱动学习的框架。我们的分析表明，大语言模型的默认交互模式对好奇心的三大支柱构成风险：元认知校准（通过自信但可能不准确的回答助长理解错觉）、认知负荷管理（通过信息过载或支架不足）以及认知自主性（通过不可预测的系统行为削弱学习者对探究的控制感）。

我们建议教育工作者和技术设计者通过两种互补策略积极应对这些风险。第一，生成式AI素养教学不应仅被视为技术培训，而应被视为发展核心好奇心能力的机会。学习制定有效提示需要与提出有效探究问题相同的技能：分解复杂问题、精确明确信息需求以及根据反馈进行迭代。第二，基于LLM的系统应被有意设计为支撑好奇心而非走捷径——拒绝提供即时答案以激励实质性投入、生成提示和子问题、通过生成符合学习者能力的信息来最小化外在负荷，并支持学习者监控自身理解而非将此功能委托给机器。第三项建议涉及好奇心驱动学习的生态系统条件。如前所述，好奇心的表达和价值认可取决于有利的社会氛围——即教师和教育者积极示范并鼓励认知探究的氛围。我们认为，在课堂中培养这种态度转变对AI挑战至关重要：在好奇心被真正重视的环境中成长的学习者，更有可能将生成式AI作为支撑自身探究的工具，而非学习过程的捷径。这些建议虽然基于本文所发展的理论框架，但仍有待实证验证。关于LLMs如何实际影响教育环境中好奇心行为的研究基础仍然薄弱，我们的分析在很大程度上不得不借鉴邻近文献（如搜索行为、认知负荷和自我调节学习）的推论。

未来研究的开放问题。有若干优先事项浮现。纵向研究必须刻画好奇心-元认知交互在整个童年期的发展轨迹，超越横断面快照，走向整合的发展性解释。从外部支架式支持过渡到内部调节的好奇心的机制，以及语言在此内化过程中的作用，值得严格研究。最紧迫的是，对照研究必须考察LLM使用如何影响不同年龄组和学习者类型的好奇行为和学习成果。个性化的挑战也值得关注：根据个体元认知能力定制好奇心支架的自适应系统是一个有前景但尚未充分探索的方向。最后，该领域必须开发更好的测量方法，以在生态效度较高的情境中——即学习者拥有真正自主权时——评估好奇心。总而言之，好奇心与元认知的相互交织既为理解自主学习提供了理论视角，也为促进自主学习提供了实践杠杆。随着生成式AI改变信息获取方式，能够有效促进好奇心的元认知能力——识别知识缺口、评估学习潜力、调节探究过程——正是主动而非被动使用AI工具所需的能力。培养这些能力是未来几十年学习科学面临的核心挑战之一。

原文链接：https://arxiv.org/pdf/2604.25648