问题提出

生成式 AI 已经改写了写作反馈的供给方式，但一个关键机制问题一直悬着：学生跟 AI 反馈打交道、照着改稿，带来的到底是「这一稿改好了」（即时表现），还是「下一篇也写得好」（学习迁移）？前人研究大多只盯单一反馈模式、只看当下修改质量，长期迁移几乎没有被追踪过。也就是说，AI 反馈的「学习效应」这条链——投入怎么变成修改、修改怎么变成迁移——一直是断的。

难点剖析

难点有三：① 得把「表现」和「学习」干净地拆开——操作化上，即时修改 = 同一任务二稿与初稿的分数差，学习迁移 = 下一任务（新题目）初稿的成绩，两者不能混；

② 投入深度要可编码、可跨条件比较——两种条件的教学活动本来就不同，编码框架必须用同一把尺子；

③ 数据是重复测量嵌套结构（学生嵌套学校、任务多次重复），需要混合效应模型而不是简单组间比较。

理论脉络

理论拼图三块：① 自我调节学习（SRL）——个体学习走「计划（forethought）→ 执行（performance）→ 反思（reflection）」的循环；

② 社会共享调节学习（SSRL）——小组共同监控、共同加工反馈，调节责任由群体分担；

③ 认知投入的 ICAP 框架——按生成性从低到高分被动、主动、建构、互动四层，层级越高学习越好。AI 辅助自评反馈（AISF）天然框在 SRL 里，AI 辅助同伴互评（AIPF）天然框在 SSRL 里，这正好给两种条件各自的「学习路径」提供了理论预测。

理论模型

概念框架（见模型图）：投入（Engagement，对应计划与反思）→ 修改（Revision，对应执行）→ 学习（Learning，对应反思-下一轮计划）。两条路径并存：AISF 走个体 SRL 循环——线性、成绩依赖，学习跟着「投入深度 × 修改幅度」走；AIPF 走 SSRL 路径——同伴对话中介、有韧性，学习不依赖个人投入与修改水平。研究问题两个：RQ1——AISF 与 AIPF 在 AI 投入、即时修改、长期学习迁移上的相对效应如何？RQ2——AI 反馈投入与即时修改成绩，在两种条件下是否同样预测学习量？

研究问题

RQ1：AISF（AI 辅助自评反馈）与 AIPF（AI 辅助同伴互评）在「与 AI 的投入、即时修改表现、长期学习迁移」三方面有何相对差异？ RQ2：与 AI 反馈的投入、使用 AI 支持反馈的即时修改表现，在 AISF 与 AIPF 两种条件下是否以相同方式预测学习量？

分析策略

16 周整群随机实验：班级层面整群随机分入 AISF 或 AIPF。分析用线性混合效应模型（学生嵌套大学的随机截距）：① 条件差异——投入均值比较、修改增益建模（控制前测）、滞后模型（上一任务初稿分 + 条件 → 下一任务初稿分）捕捉跨任务迁移；

② 机制——投入 → 即时修改、修改 → 迁移、以及投入+修改+条件及其交互的整合模型。投入先按五级连续处理，再按「低（1–3 级）/ 高（4–5 级）」二分，与连续线性、二次规格做 AIC/BIC 与似然比检验比较——结果呈阈值样模式，故主分析用二分。效应量报 Cohen‘s d。

数据收集

中国中东部两所理工类高校，商务英语专业必修英语写作课（全部通过 CET-4，约 CEFR B1+–B2）。每校一名教师的多个教学班中各取两个班参与，班级整群随机分组。全程 16 周，每人完成 10 个写作任务：1 个课堂手写前测 + 4 个形成性任务（每个含初稿与修改稿）+ 1 个后测；全部为议论文（250–300 词），题目取自学生未接触过的 TEM-4 历年真题以保证任务等值、考察迁移。两条件共用同一套 AI：DeepSeek R1-0528（DeepThink），用嵌入写作量规的角色设定提示引出反馈。AISF：学生自己向 AI 提问（AI 分别扮演有经验教师和更强同伴）、填结构化自评反思表；AIPF：三人小组（两评一收，角色轮换），先由评阅者引出 AI 意见，小组共同评估 AI 反馈并讨论，再填同伴反思表。

研究样本

初始 123 名本科生；110 人完成全部写作任务进入成绩分析（AISF 51 / AIPF 59，保留率 89.4%）；108 人完成全部反思表进入投入分析（AISF 51 / AIPF 57，保留率 87.8%）。分析样本共 1100 个写作分数（含前测、四个任务的两稿、后测）与 432 份 AI 反馈反思表。

测量工具

① 写作评分：DeepSeek-V3.2 + 标准化提示（角色设定 + few-shot 示例，经 ChatGPT-4.0 与两位写作教师迭代、两位 AI 专家验证），每篇独立评三次取均值；先用 62 名学生的作文与两位专家双评对照校准（Spearman rs=0.84, p<.001），全量重复评分一致性 ICC=0.97。修改增益 ΔJ = 二稿分 − 初稿分。

② 投入编码：432 份反思表按五级编码（1 无投入 / 2 被动采纳 / 3 选择性判断 / 4 策略性推理 / 5 元认知或社会共享性认识），取每份反思表现出的最高认知层级；演绎（反馈素养、GenAI 反馈投入模型）+ 归纳双路编码，两名研究者独立编码约 20%，Cohen‘s κ=0.71，分歧讨论解决。

核心发现

RQ1 三组对比（学-绩脱钩是全文之眼）：① 投入：AIPF 略高于 AISF（M=3.37 vs 2.97，F(1,106)=8.92, p=.004, d=0.35）；但高投入（4–5 级）比例几乎持平（42% vs 40%，p=.61）。整体投入中等（M=3.18，中位数 3），高投入只出现在 41% 的任务上。

② 即时修改：两组无差异（β=0.08, 95% CI[−0.12, 0.28], p=.42）——平均修改增益 +7.12 分，AISF 94.6%、AIPF 96.6% 的任务为正增益。二稿一样好。

③ 学习迁移：AIPF 显著更高（β=0.30, 95% CI[0.08, 0.51], p=.006，控制前次表现后）。优势出现在「下一篇」，不在「这一稿」。

分项结果（RQ1/RQ2）

机制三条（RQ2）：

① 投入 → 即时修改：主效应显著（β=0.09, 95% CI[0.01, 0.16], p=.024），但与条件交互显著为负（β=−0.13, p=.034）——正效应只存在于 AISF；投入与修改呈阈值样模式（非线性、非二次），高投入（4–5 级）才带来更大修改增益。

② 修改 → 迁移：修改增益显著预测下一任务初稿（β=0.32, 95% CI[0.20, 0.44], p<.001），但与条件交互显著为负（β=−0.28, p=.001）——AISF 改得多才学得多；AIPF 在各种修改水平下迁移都高。

③ 整合模型：投入（β=0.26, p=.041）与修改增益（β=0.29, p<.001）都独立预测后续表现，条件效应仍显著（β=0.26, p=.018）——控制投入与修改后，AIPF 仍占优；修改 × 条件交互 β=−0.25（p=.002）。一句话：AISF 的学习是「成绩依赖」的——投入和修改缺一不可；AIPF 的学习不是。

研究结论

「改得好」和「学得到」是两回事——这就是本文最硬的发现：两种 AI 反馈条件产出了同样强的二稿，但只有同伴互评组把能力迁移到了下一篇。机制上分岔成两条路：AI 自评组（AISF）走成绩依赖的 SRL 循环——投入必须够深（建构性加工，而非照抄 AI 意见）、修改必须够实，才换得来迁移，且呈阈值效应，浅投入学不到东西；AI 同伴互评组（AIPF）走 SSRL 路径——共同评估 AI 意见、讨论采纳理由、协商分歧，把写作标准的理解「共建」了出来，学习不依赖个人修改量和 AI 投入深度。给教学的提示：别把 AI 当「反馈打印机」，把它当认知刺激——嵌进结构化的「起草-重写循环 + 同伴对话」里，AI 反馈的长期价值才出得来。

研究局限

① 机制归因受限：AIPF 条件同时打包了同伴解释、协作讨论、相互问责、反馈生成等多个特征，无法把「社会共享调节」从其他协作机制里单独剥离出来；

② 情境特殊：商务英语专业、中国两所高校、写作单科，向其他学科、学段、文化的推广待检验；

③ 投入测量靠反思表，取的是最高认知层级，未捕捉频率与一致性，也缺过程数据（AI 交互日志、提示历史、修改轨迹、同伴讨论转录）；

④ 干预与评分都用 AI（不同模型版本与提示，且 AI 分数与专家评分高一致），共享方法效应虽被缓解但不能完全排除；

⑤ 保持间隔短（约一周），迁移的持久性未知。

未来展望

用延迟后测或跨学期迁移任务检验 AIPF 优势在撤除脚手架后是否持久；用更受控的实验设计把社会共享调节与同伴解释、对话互动、精细化加工等协作机制分离开；整合 AI 交互日志、提示历史、修改痕迹与同伴讨论转录等过程数据做更完整的投入刻画；将 AISF/AIPF 与传统反馈（教师/同伴/自评）及无脚手架的 GenAI 反馈做对比；用独立人评或不同模型家族的评分模型排除共享方法效应。

金句

二稿改得一样好，不代表学到一样多——真正把能力带走的，是那组一起讨论 AI 意见的学生。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！