2026年10月23日，MIT News报道了法学家Martha Minow在MIT发表的秋季Compton Lecture。她探讨了民主与人们使用AI的方式之间的联系，包括AI在教育中的角色。她主张用提问和提示支持学习者，并呼吁听众改进评估。对学生而言，实际问题是：这种思路在一次普通的学习中可以怎样落实？

关于依赖AI的警告可能仍让你不清楚明天该怎么做。把每次聊天机器人互动简单分为有益或有害，作为起点过于粗略。可以检查仍由你完成的工作：明确问题、尝试解答、评估证据和解释结论。这些都是可以记录的具体行动。下面的自查练习是我们受演讲启发提出的建议，不是经过Minow或MIT测试或认可的评估工具。

先选一个能用可靠课程资料核对的小任务。有参考解答的练习题，或笔记中已讲过的概念，比你无法验证答案的陌生主题更适合。打开工具之前，先写下自己的初次尝试。保留两个版本，区分哪些是你原本理解的，哪些是互动新增的。不要上传私密信息、同学的作业或你无权分享的材料。

Minow关于改进评估的呼吁，也为学习者提出了一个有用的问题：怎样让自己的推理过程可见？一个实际建议是，简短记录你遇到困难的步骤，以及最终接受的解释。仅有完整漂亮的答案，无法说明它是怎样得出的。你可以询问老师，方法说明、口头追问或修改记录是否适合这项任务。这些是可考虑的学习活动，并非对MIT或其他学校要求的描述。

对学生而言，这种重新框定把一种模糊的焦虑变成了一个实际的设计挑战：究竟怎样才算是以强化而非绕过深度思考、记忆和好奇心的方式使用AI？而且，同样实际的问题是，你如何判断某个给定的工具是否通过了这项检验？

这里有一个简单的自查方法，可用于规则允许的AI辅助学习任务。受Minow关于辅导的讨论启发，我们提出的实际问题是：这次互动是否让你在看到答案前先思考？留意提问和提示，然后补上你自己对推理的解释。

第一，观察默认行为。当你粘贴一道习题集时，这个工具是否立即给出完整的解答？如果是，它就是一个答案分发器。导师式的工具——或者你自己撰写的导师式提示——会问你到目前为止尝试了什么、问题中哪一部分让你困惑，或者这道题在考查什么概念。延迟正是关键所在：你的提问与答案之间的那段间隔，正是你自己的思考发生的地方。

第二，检查该工具是否邀请自我解释。好的辅导不会止步于正确答案；它会要求你说明答案为什么正确，用自己的话复述推理过程，或者预测如果某个条件改变，结果会有什么不同。如果一个工具从不要求你解释任何东西，那它就是把你当作一个收货地址，而不是一个学习者。

第三，观察之后自己能回忆起什么。一周后，你能否不借助工具重建解答？尝试一道类似的题，记录仍需帮助的地方。这只是个人自查，不能证明某种提示词导致了记忆变化；题目难度、既有知识和练习量都可能不同。如果你反复无法解释某一步，就返回课程资料或请教老师。保存你需要解决的问题，而不只是保存聊天机器人的解答。

第四，考虑这次互动是否提出了值得继续学习的问题。使用工具后，写下一个能通过笔记、教材或老师进一步探究的问题。你可以比较两种方法、询问某个条件为何重要，或寻找反例。核对工具建议的联系，不要默认它们准确。有用的结果是一个你能解释并验证的下一步，而不只是更长的聊天或看起来令人印象深刻的答案。

这一切都不需要新软件。其中大部分可以通过改变你对现有工具的提示方式来实现。由此引出本周的具体行动：挑选一个你目前把AI当作答案分发器来使用的工作流程——一道家庭作业题、一篇论文草稿、一个编程练习——并将其替换为导师式互动。在索要任何答案之前，先要求工具给出提示和反问：在不透露解答的前提下给我三个提示；问我两个能检验我是否理解底层概念的问题；在我回答之后，要求我把自己的推理向你解释一遍。然后，对比几天后与旧工作流程相比你能记住多少。

比较课程、项目或工作坊时，也可以提出同样的问题。阅读实际AI政策，询问每类活动允许哪些辅助方式。练习时可以使用提示，不代表计分作业也允许使用AI。询问反馈和评估如何帮助学生展示推理：可讨论的例子包括口头解释、过程笔记或保留修改痕迹的草稿。不要仅凭一个政策特点推断教学质量，也不要认为监控规则足以回答所有问题。比较提供的支持、独立完成工作的要求，以及你自己的学习需要。规则不清楚时，先询问教师，再使用工具。

下一次学习时，把这个尝试控制在能完成的小范围内。选择一个允许使用辅助的练习任务，保存独立尝试，索取一条提示，再用自己的话解释下一步。用可靠资料核对结果，然后记下仍无法解释的部分。稍后关闭聊天窗口，再回到这个缺口。这个练习不保证提高成绩，也不意味着AI适合每项任务。它能留下具体记录，帮助你判断自己是否练习了原本打算练习的推理，以及接下来应寻求什么支持。

中文摘要

MIT News于2026年10月23日报道了Martha Minow在MIT的演讲，她主张教育AI支持学生思考，并呼吁改进评估。本文据此提出个人学习练习，而非经过MIT测试的方法：在规则允许的任务中，先独立尝试，再索取提示、解释推理、用可靠资料核对，并在稍后不借助工具自查。比较课程时应了解具体AI政策、反馈和独立完成要求；不要上传私密材料，不把练习效果或政策特点当作成绩与教学质量的保证。