生成式 AI 的實驗性學習影響

資料來源#

• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think
• Experimental Evidence on the Learning Impact of Generative AI
• Training novices to think, or giving them LLMs? Evidence from an RCT

摘要#

Zara Contractor 與 Germán Reyes（Middlebury College，arXiv 2607.08849，2026 年 7 月）進行了 AI 與學習研究中最欠缺的一項研究：一場採用隨機對照實驗，並以客觀、監考、無輔助的技能測量進行評估。211 名大學生學習一項陌生的技術主題（區塊鏈、碳捕捉或 CRISPR），並在 35 分鐘的實驗室時段撰寫分析文章，隨機分派至允許使用 AI或禁止使用 AI的組別；一週後，所有人都回來接受測驗並再次寫作，期間不能使用 AI 或其他資源。主要發現是：**使用 AI 可使即時測驗分數提高 0.27 SD，約 76% 的增幅在一週後無輔助測驗中仍然存在，而作文品質只在移除 AI 後才提升。**但持久的效果並非人人都有——幾乎全來自使用 AI 解釋概念（增益）的學生；使用 AI 起草文字（自動化）的學生，短期作文進步幅度很大，但 AI 不可用後便完全消失。這是對「外包思考，而非理解」論點的近似控制測試，也補上了自動化—樂觀連結自我回報研究無法提供的客觀技能測量。

證據說明。empirical 且具因果推論力（隨機分派、F 檢定平衡、double-lasso 控制、ITT + TOT/2SLS）——這是此知識庫學習研究群中設計最扎實的一項。但應誠實說明適用範圍：菁英文理學院的大學生（平均 GPA 3.68、SAT 1386、逾 80% 已是 AI 使用者）、監考 35 分鐘實驗室任務、現成的 ChatGPT（GPT-4o）、單一主題、一週。研究測量的是固定投入時間下的單位時間學習效果（AI 改變了這一小時的使用方式，而非長度——可能是因為實驗室裡很少有其他時間用途）。作者明確表示，不主張真實世界中採用 AI 整體上能提高學習效果：在實驗室外，學生會自行決定讀書時間長短，而且許多人使用 AI 是為了節省時間。這項研究有助理解職場技能萎縮，但無法定論。

用一段話說明研究設計#

在實驗室時段層級進行受試者間隨機分派（八個時段 × 兩間平行實驗室）。第一場：5 題基線測驗 → 35 分鐘學習階段（閱讀、搜尋、起草約 500 字文章；允許使用 AI 的組別可開啟已登入的 ChatGPT 分頁，禁止使用 AI 的組別則使用 Google）→ 5 題無輔助後測。由監考人員、ChatGPT 紀錄與介面截圖確保遵從規定。第二場（約 7 天後，人人都不使用輔助）：10 題測驗 + 20 分鐘同主題作文，題目互補。學習成效以兩種方式測量：知識測驗（事實／概念回憶）與作文（高階分析）；作文由 311 名碩士／博士級 Prolific 評分者加上一個 LLM 評分者盲評並取平均，另納入客觀語言特徵（長度、可讀性、詞彙多樣性、文本相似度及 Pangram AI 偵測）。

第一階段效果強烈：相較於幾乎為零的對照組，分派使 AI 使用率提高 67.3pp；接受處置者中有 68% 使用 AI，88% 認為有幫助。從紀錄看，最常見的用途是解釋概念（57%），其次為起草（31%），再來是摘要（17%）。

測驗分數進步持久，集中於中段，而且較有利於能力較強者#

• 即時效果：對照組基準為 56.3%，提高 +6.7pp = +0.27 SD（ITT；TOT +10.0pp / +0.40 SD）。超過 Kraft（2020）747 項教育 RCT 中位數 0.10 SD 的兩倍，與結構化真人家教的 0.29 SD 相當，約等於 GPA 提升一個標準差，也約相當於每位學生 $8,600 的學校支出。
• 保留效果（一週後、無輔助）：+5.1pp = +0.27 SD，即時效果約有 76% 持續（兩者在統計上無法區分）。知識持久，但部分衰減。
• 分布形狀：進步落在分數分布的中段——兩端（0/1 分與接近滿分者）幾乎沒有變化（圖 4）。
• 哪些人進步：在 GPA/SAT 較高的四分位組中效果較大（最低四分位約 0.05 SD；較高四分位為 0.19–0.40 SD）——因此使用 AI 可能會擴大學習落差，這與軟體普及化的降低門檻論述形成真實張力。
• 感受與測量：自我評估知識沒有任何處置效果（β=0.02）。學生學得更多，卻沒有感覺到自己學得更多——這與 AEI 自我回報研究留下的感受與測量落差疑慮正好相反。

高階技能只在移除 AI 後才顯現#

第一場中，處置組的作文較長、較簡單，被 AI 標記的比例高出 12.3pp（增加 96%），但整體品質只略微提升，且估計不精確（+0.17 SD，p=0.25）——因為作文部分由 AI 撰寫，產出與學習混在一起。值得注意的是，沒有同質化現象：組內作文相似度持平，與 Brynjolfsson 等人（2025）在職場寫作中發現的收斂現象相反（開放式題目容許許多有效答案）。

清楚的結果來自一週後的第二場，學生在無輔助情況下寫作（圖 6）：AI 偵測效果降至 0.0pp，文風差異也逐漸消失——證明第一場的文風轉變是AI 文字進入作文，而非持久的改變——同時品質進步開始顯現：寫作風格與清晰度 +0.30 SD（p=0.016），切題程度 +0.26 SD（p=0.041）。學習確實發生，也提升了高階技能，而不只是事實回憶——但只有在拿掉 AI 拐杖後才看得出來。

增益與自動化：「外包思考，而非理解」的控制測試#

這是論文中最關鍵的結果。根據受試者的 ChatGPT 紀錄分類：49% 為增益型（AI 與學生共同工作——家教、解說者）、32% 為自動化型（AI 代為完成工作——起草文章）、8% 混合型、11% 離題。分類有效性的佐證是：自動化型使用者的作文有 53.6% 被標記為 AI 生成，增益型使用者則為 20.9%；前者花在閱讀／搜尋的時間也少了 17%。

	第一場作文品質	第二場作文品質（無輔助）	第二場測驗（無輔助）
自動化型使用者	+0.54 SD（p=0.029）	+0.02 SD——效果消失	+0.19 SD（p=0.33，不顯著）
增益型使用者	+0.05 SD	+0.22 SD（p=0.22）	+0.29 SD（p=0.06）

自動化型在第一場的優勢，是由 AI 產生、移除 AI 後便不復存在的成果；增益型的進步則在無輔助時仍然持續，符合技能累積的情況。這是在同一項實驗中展示，AI 的短期生產力提升與長期學習效果可能指向相反方向，而決定因素是工具的使用方式——這正是 Karpathy 論點的形狀，也與 Strömberg 等人（2026）（AI 提升作業表現、降低考試表現，損失集中於外包者）、Bastani 等人（2025）（基礎 GPT-4：後續 −0.19 SD），以及 Shen & Tamkin（2026）（透過 AI 學習函式庫的工程師，無輔助時成績更差）一致。統合分析（圖 5，22 個估計值的總平均為 0.18 SD）沿著這條軸線整理了整體文獻：損失集中在 AI 可以代你練習的情況，收益則出現在 AI 扮演教練時。

作用機制#

• **重新分配時間，而非節省時間。**對總學習時間沒有影響（不同於 Noy & Zhang 2023 發現的職場大量節時），但時間配置改變了：寫作 −5.3pp／閱讀與搜尋 +4.4pp——努力從產出文字轉向吸收資訊（從任務執行轉為管理監督，類似 Copilot 使用者把一半時間花在驗證上）。
• 學習樂趣增加 13%（+0.66 分，p=0.031）：AI 讓學習變得更投入，而非機械化。
• **作弊增加，但不是主要原因：**違規合計增加 +12.6pp（p=0.005），但粗略估算認為作弊最多只能解釋約 2.2pp（約三分之一）的測驗分數進步——效果主要來自真實學習。

信念：親身體驗校正了效果幅度，沒有改變方向#

兩組都預期 AI 有幫助，但只有接受處置的學生正確估計了幫助有多大。對照組學生預測自己會進步 +25.2pp——約為實際 5.1pp 的 5 倍；親自使用過 AI 的處置組學生預測 +3.8pp，接近估計值。不同子群體中，感知到的進步都與實際進步相符。學生原本就持有正確的模型：69% 同時指出一種幫助與一種傷害途徑，54% 表示效果「取決於如何使用 AI」；最常提及的兩種機制（AI 解釋／指導 40%；AI 讓人走捷徑 42%）恰好對應增益與自動化。學生一開始就理解其機制；親身使用只會校準效果幅度——這項信念更新結果，與專業人士誤判文獻相呼應（Becker 等人 2025 / METR：開發者預測速度提升 +24%，實測卻是 −19%）。

自動化面向的實務人士說法（Ng，2026 年 8 月）#

Andrew Ng——Coursera 共同創辦人、DeepLearning.AI 創辦人——在一般性主張中，向一般大眾直言本研究結果的技能萎縮面向（Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think，Silicon Valley Girl，2026-08-28，practitioner-opinion）：「坦白說，AI 模型很不適合學習……學生用 AI 後作業分數比較高。耶，作業分數更高了。但記憶保留和長期表現差得多，因為 AI 替他們做了事。」他的機制正是本文的說法：「當你叫 AI 替你做事，你是在把認知工作卸載給 AI；這很好，因為社會就是這樣進步並完成工作的，但人類的記憶保留效果差得多。」他的例子是自己：請模型解釋前端／後端元件如何運作的六個月後，「我不記得答案……我又問 AI。」

對照上述研究設計，他的主張對其中一個組別說得正確，但照原樣概括則不正確。作業表現上升、保留效果下降是表格中的自動化列——第一場作文品質 +0.54 SD，第二場 +0.02——也是 Strömberg 等人在統合分析中發現的作業上升、考試下降模式。但這不是增益列；增益列的進步在無輔助時仍持續（一週後測驗 +0.29 SD），整體 ITT 中也約有 76% 的即時進步保留下來。Ng 的限定語——「照 LLM 目前最常見的用法，它們很不適合學習。我不是說沒有任何適合學習的用法」——正是兩者交會之處，也將他的主張轉化為一個關於使用組成比例的實證問題：在本實驗的紀錄中，最常見的用途是解釋概念（57%），增益型比例（49%）也高於自動化型（32%）。這種比例在實驗室外、分數會獎勵成果的環境中是否成立，是下方第三個待解問題；Ng 所說的「最常見用法」等於預先假設了答案。他所稱的*「資料非常清楚」*並未引述任何資料；本文統合分析（22 個估計值總平均 0.18 SD，效果方向取決於使用方式）才是資料實際呈現的樣貌。

利益衝突的方向相當少見：他發表這項主張時，也宣布成立 LearnVector，一家打造一對一學習體驗的創投公司，而他的診斷認為這正是必要的解方。這不代表診斷有誤——它符合隨機實驗中自動化模式使用的結果——但也說明為何他的主張沒有提到增益模式的另一半。

這項研究能解決什麼，不能解決什麼#

對這個族群與任務而言，它證實現成 AI 能帶來持久、客觀測量到的學習進步，打破「AI 必然侵蝕學習」的先驗看法——但結果取決於使用方式。它無法定論：在時間由學習者自行決定的監考實驗室以外，進步是否仍然成立；對非菁英學習者是否成立（效果偏向能力較強者，顯示未必對所有人都一樣）；或相同的增益／自動化區分是否也決定職場技能萎縮，目前相關旁證仍不一致（Brynjolfsson 的客服專員會學會技能；Budzyń 的內視鏡醫師則會失去技能）。

相關的另一項 RCT：訓練人，而非限制工具（Bocconi × OpenAI，2026-08）#

上述研究探討 AI 使用權限的效果。第二項隨機實驗則提出本文第三個待解問題：上游介入能否改變新手使用模型的方式？該實驗交叉測試 LLM 使用權限與一項教授的認知技能。Asirvatham、Betti、Brown、Camuffo、Chatterji、Fumagalli、Gambardella、Mariani、Pandey、Ramos、Salvucci 與 Simic，Training novices to think, or giving them LLMs?（Training novices to think, or giving them LLMs? Evidence from an RCT，CEPR DP21882，2026 年 8 月，empirical）：在 Bocconi 對 1,053 名大一學生進行預先註冊的 2×2 實驗，於 13 個完整班級層級隨機分派（Control 249 / Causal 256 / GPT 197 / Causal×GPT 351，為提升交互作用檢定力而對合併組過度抽樣）。第一種處置是約 6 分鐘的因果推理遊戲——分為四部分、共 12 題二元選擇題，每題附有解題示例與回饋；安慰劑組則回答相同 12 題，但沒有引導或回饋；全程不會使用「因果推理」一詞，情境設定是城市政策而非商業，以避免錨定。第二種處置是在另一個瀏覽器分頁中使用 ChatGPT Edu（GPT-4o）。接著兩組都要在 45 分鐘監考時限內，針對真實的商品陳列問題撰寫一份不超過 180 字的顧問建議，由 20 名受訓碩士評分者中的三人，在不知道組別的情況下，按認知與運用兩項指標以 1–5 分評分。

利益衝突，而且是結構性的。十二位作者中有三位與 OpenAI 有關聯或受 OpenAI 託聘，處置本身就是 ChatGPT，論文刊於 cdn.openai.com，測量流程也採用 OpenAI 工具——因果推理屬性由 LLM 按規準評分，想法由 GPT-5.2 擷取（以 Claude Opus 4.6 作為第二評審），與專家答案的相似度則以 text-embedding-3-large 計算餘弦距離。這個流程之外唯一的結果，是由人類評分的認知／運用分數，而它正是最明顯偏向 LLM 的效果，這個結果反而不利於前述疑慮。值得指出的制衡因素是：對 LLM 供應商最不利的結果——只有人類訓練組提高了想法多樣性——被列為論文的主要發現。

訓練有效，而且工具沒有排擠它。相較對照組，因果推理組使機制辨識提高約 0.55 SD（+0.241，標準誤 0.028），使反證邏輯提高約 0.85 SD（+0.869，標準誤 0.062）；單獨使用 GPT 對兩者都沒有影響（−0.008 與 +0.029，皆不顯著）。反之，GPT 使邏輯連貫性提高約 0.45 SD（+0.214，標準誤 0.043），因果訓練則只提高約 0.15 SD。關鍵是，所有 Causal × GPT 交互作用皆為正且顯著——機制 +0.129（p<0.01）、可證偽性 +0.203（p<0.05）、邏輯連貫性 +0.228（p<0.01）——而且是在主要效果之上額外增加。即使能使用模型，受訓新手仍像受過訓練的新手一樣推理；技能與工具互補，並未被工具取代。（因果推理組完成訓練遊戲的時間也快了約 2.7 分鐘，得分高約 11 分，見圖 A.1——這是在 GPT 出現前測得，因此評估的是訓練，而非工具。）

**但評估獎勵的是工具，而非訓練。**GPT 使認知／運用分數提高 +0.862（標準誤 0.079，p<0.01），對照組的估計值為 1–5 分量尺上的 2.09——約等於該結果自身分布（SD 0.843）的 1.0 SD；解答與三位獨立受訪領域專家的答案也更接近（平均值 0.794 / 0.753 / 0.806 上的餘弦相似度分別增加 +0.026 / +0.028 / +0.044，皆 p<0.01）。因果訓練的分數反而為負（−0.111，標準誤 0.040，p<0.01），交互作用則無法與零區分。後雙重選擇 lasso 將 GPT 效果拆解如下：0.862 → 0.490 → 0.448 → 0.362，依序加入內容、多樣性與文字風格控制變項；因此在所有控制都納入後仍有 約 42%（論文文字概稱「約一半」），也就是說 GPT 改善了實質內容，而非只有潤飾。評分者間一致性本身也是處置結果：GPT 組 ICC 為 0.534 / 0.493，非 GPT 組為 0.275 / 0.322——LLM 輔助的文字不只分數較高，也更容易評分。

負面結果正是這篇文章的價值所在：評分規準恰好懲罰訓練所產生的能力。同一個 lasso 中，邏輯連貫性（+0.355）和想法數量（+0.092）對分數有正向影響，但可證偽性（−0.109）、機制（−0.166）與解答之間的想法多樣性（−7.676）則有負向影響，皆達 p<0.01 或更顯著。按各變項自身的 SD 換算，從眾溢價（答案偏離眾數每增加一個 SD，分數降低 0.29 分）約是解答內多樣性獎勵（每個 SD 增加 0.18 分）的 1.6 倍；因果訓練帶來的解答間多樣性 +0.47 SD，套用該係數後會使分數減少 0.14 分，幾乎就是因果訓練整體負向係數的全部。因果組是唯一能提高想法多樣性的處置（解答內 +0.55 SD，解答間 +0.47 SD；GPT 的效果分別為 +0.12 SD 與零），而 GPT 既沒有增加也沒有破壞多樣性。作者的解讀，也是本文採用的解讀是：訓練並未失敗——評量沒有要求學生展現訓練所培養的能力。

作者親自承認研究無法說明的事：「第二部分反映的是參與者習得並保留的知識，還是他們未曾真正學會、只是取得的產出，我們無從判斷。」研究沒有無輔助的後測——沒有移除工具、沒有保留測驗，也沒有第二場。沿著本文的主軸來看，這是關鍵差異：Bocconi 設計測量的是輔助下的成果，Contractor & Reyes 測量的則是撤除工具後仍能保留的能力。因此，Bocconi 研究無法產生自動化那一列的結果，本文也沒有任何發現與進步消失的結果相矛盾；兩項實驗衡量的是同一句話的不同半邊。另外還有兩項適用範圍限制：隨機分派以班級為單位（13 個群集，標準誤依母語 × 高中類型 × 班級分群），任務刻意選擇一種「LLM 很可能受過充分訓練」的題目——有明確規則的行銷框架，也就是對模型最有利、對新手自行建構概念最不利的環境。

延伸連結#

• 認知公地的悲劇——這項實驗的增益／自動化區分，是此框架最清楚的測量方式：Lovett 所說的「增益而未內化」，正好預測自動化型使用者的進步會消失，也指出這是任何就業統計都無法察覺的機制

• AI 的組織互補條件——HAT 替代模型的所在，也是對其預測 P7（勞工會因替代壓力而提升技能）的機制層級檢驗：這種應對是否有效，正是本文測量的增益／自動化區分，因為移除 AI 後自動化使用者的進步會消失——模型的個人努力公式中並沒有這項區分

• 家庭生產的邊界——這項實驗所觸及的需求規模：全球 AI 對話中有 20.7% 與教育相關，且相較於美國實際花在教育上的時間，相關占比高出 5.8 倍；在發展中國家更高——因此，本文測得的增益與自動化差異，決定這些需求究竟會持續累積，還是逐漸流失

• 自動化—樂觀連結——主要互補研究。AEI 調查發現大量委派者自我回報沒有學習損失；本實驗補上調查無法提供的客觀、隨機化測量——結果一方面相符（增益型使用者的學習在無輔助時仍持續），另一方面也揭露調查看不見的差異（自動化型使用者的進步是空洞的，而「自動化占比」將兩種型態混在一起）

• 外包思考，而非理解——對該論點的近似控制測試：增益（AI 協助你理解）能培養持久技能；自動化（AI 替你思考）在移除工具後什麼都不剩——這是 Karpathy 原則的隨機化驗證

• AI 腦力耗竭——兩篇都為 AI 的認知影響提供客觀測量數字（該文是監督疲勞 → 錯誤增加 +11%/+39%；本文是學習 → +0.27 SD，或自動化使用者的空洞進步），與較弱的自我回報訊號相對照；本文的技能萎縮面向，正是該文所述機制在學習任務中的表現

• 代理式程式設計中的專業回報——兩者的異質性相呼應：進步較偏向能力較強的學生；增益約等於透過 AI 深化理解，而 Anthropic 研究發現理解深化會提升代理效能；兩者都指出，受益的是本來就具備（或能建立）理解力的人

• 暴露分類：觀察到、理論上、回報的、預期的——信念面向：與回報／預期暴露相似，學生對 AI 影響的感知方向正確，但在親身使用前，對效果幅度的估計並不準確

• 印刷術帶來的軟體普及化——兩者之間的張力：普及化理論預測 AI 能提高底線，但本文發現進步集中於能力較高的四分位組，暗示 AI 可能擴大而非縮小學習落差

• 資料壁壘與驗證公地是同一項供給限制——這項實驗是三項佐證測量之一，用於說明驗證能力可能在任何能力門檻到來之前就先行流失（另兩項是 Budzyń 的內視鏡醫師與 Vicente & Matute 的 80.7%）。它提供其他研究沒有的隨機化；但人口與期間限制使它無法定論公地問題——僅一週、菁英大學生、監考任務而非職涯

• Configurable Human Participation——系統側的對照研究，同週發表：HAS-Bench 的代理能力量表也以相同的增益／自動化軸線運作（A1–A2 偏自動化，A3–A5 偏增益），兩者呈現相同結果——AI 與人類協作的價值取決於其模式與時機，而非數量（前者中，A4 的更多自主權反而讓 A3 能完成的任務失敗；本文中，自動化使用帶來的空洞進步會隨工具移除而消失）

• Andrew Ng——將自動化面向概括為一般主張（「很不適合學習」），且對解方有自身利害關係；上文已將他的主張按兩種使用型態加以檢視

• AI 原生建構的三個迴圈——同一位作者對學習主張的建構者視角：Ng 的打字應用程式以低成本完成實作，刻意打造為兒童使用、不會卸載思考的工具；他正是在那場訪談中稱 LLM 不適合學習

• 增益／自動化區分是否決定工作技能？——本文使用方式區分在職場的延伸，並以知識庫中所有關於在職成人的資料檢驗。效果方向重現（自動化那一列有 Budzyń、Dell'Acqua、Wiles 與 Vicente & Matute；增益那一列有 Everett 與 Brynjolfsson 的客服專員），但六項研究都是二手資料，而且沒有任何一項在同一研究設計內區分使用方式。關鍵差異不在菁英樣本或一週期間，而在於本文的機制要求固定投入時間；職場工作量則產生第三種模式（略過檢查），受監考的實驗無法呈現

待解決的問題#

• 實驗室固定了投入時間；作者提醒，真實世界的學習取決於學生如何重新分配省下的時間。如果學生能把 AI 省下的一小時完全用於其他事，增益效益還會持續嗎？
• 進步偏向能力較強者（GPA/SAT 較高的四分位組）。學習落差擴大的訊號，是不受限制的 AI 固有且持久的特性，還是高門檻菁英樣本造成的假象——在這個樣本中，最低四分位組進步空間有限？
• 增益／自動化的選擇會受到誘因影響（分數膨脹與重視訊號的學生傾向自動化）。誘因或介面設計能否大規模改變使用組成、使其偏向增益？這能否扭轉技能萎縮面向？（Andrew Ng 於 2026 年 8 月所說的「最常見用法」假設自動化占主導；實驗紀錄顯示增益占 49%／自動化占 32%，因此這項假設尚未測量，而非已獲證實。） 部分回答（2026-09-22）：Training novices to think, or giving them LLMs? Evidence from an RCT——回答範圍有限，而且採用的手段並非問題所提。預先註冊的 2×2 實驗（n=1,053）將約 6 分鐘的因果推理訓練與安慰劑隨機分派，並交叉測試 ChatGPT Edu 使用權限；結果發現訓練出的技能沒有被工具排擠：因果推理風格的所有 Causal × GPT 交互作用，在主要效果之外皆為正且顯著（機制 +0.129、可證偽性 +0.203、邏輯連貫性 +0.228），而因果訓練對想法多樣性的效果（解答間 +0.47 SD）在可使用模型時沒有減弱。因此，上游介入確實可能改變新手使用 LLM 的方式——這是此知識庫首次記錄到的隨機化證據。有三個理由說明這只是部分回答，不能就此結案。（i）這是訓練，而非誘因或介面設計——唯一類似介面提示的元素，是「記得運用你在遊戲中學到的技能」這句話；它與訓練處置綁在一起，無法單獨識別效果。（ii）研究從未測量使用組成：沒有分類使用模式，雖然蒐集了對話紀錄卻未分析，結果衡量的是輔助產出中的推理風格，而非增益或自動化行為。（iii）技能萎縮問題完全未觸及——沒有無輔助後測、沒有撤除工具、沒有保留測驗；作者明確表示無法判斷 LLM 的優勢究竟來自習得的知識，還是直接取得的產出。研究還提出問題的反向答案，也是較有用的一面：現行誘因正把人推往另一個方向。同一論文的 lasso 中，評量規準對可證偽性（−0.109）、機制（−0.166）與偏離眾數的程度（−7.676，約每 SD −0.29 分）給予負向權重，卻正向獎勵 LLM 產出的連貫、點子密集文字——因此在標準評分規準下，受訓後的行為反而被扣分，外包的行為則獲得加分。任何誘因設計解方都必須先克服這種梯度。
• 相同的使用模式區分，是否也決定職場技能累積（自動化—樂觀連結與AI 腦力耗竭留下的工作者問題），還是為期一週的監考學術任務與在職學習太不相似，以致無法推論？（2026-09-05 編修晉升：知識庫現在收錄了可供職場側檢驗的材料——Anthropic Economic Index中觀察到的自動化占比漂移、受控變異研究中的招募案例、自動化—樂觀連結的自我回報，以及AI 腦力耗竭的卸載說法。） 部分回答（2026-09-05）：增益／自動化區分是否決定工作技能？——效果方向能推廣。Budzyń 的內視鏡醫師、Dell'Acqua 的顧問、Wiles 等人及 Vicente & Matute 都在非學生樣本中重現本文的移除特徵（使用工具時表現高，無工具時沒有優勢）；Everett 的協作式臨床工作流程與 Brynjolfsson 的客服專員則提供增益那一列——但六項研究都是經由認知公地的悲劇二手納入知識庫，沒有任何一項在研究設計內分類使用方式，也沒有無輔助後測。第二個子問題的答案不是「差異太大而無法推論」：真正造成影響的差異，是本研究設計固定投入時間（其整個機制是寫作 −5.3pp／閱讀 +4.4pp），但 AI 在職場的主要效果是節省時間；此外，職場工作量會產生本實驗無法呈現的第三種模式——棄守，也就是完全跳過檢查步驟（Acceleration Whiplash中 31.3% 的 PR 未經檢查；代理生成程式碼的安全債務中 81.1% 的憑證外洩未加註解）。本文的自動化組並非如此，因為這些學生仍提交了自己讀過的作業。仍未解決，也不再能靠彙整文獻回答：需要一項職場研究，根據紀錄在受試者內分類使用模式，並在撤除 AI 後測量無輔助技能。#oq/source 已檢查並記錄為重述，而非部分回答（2026-09-22）：When Does AI Augment Work? A Workflow-Level Framework for Human-Agent Collaboration（CIVIC-AI workshop 白皮書，practitioner-opinion，本身沒有研究）將此問題列為判定職場部署是否構成「增益」的六項條件之一，並主張兩者的連結來自選擇效應，而非類比：最適合委派給 AI 的任務是「高頻、程序明確且可驗證」的工作，而這「正是初階工作者培養隱性判斷力、評估產出、發現失誤並反駁演算法建議所需經歷的任務」。白皮書也以近似本文的用語，列出本條目指出的缺漏測量：記錄包含驗證與修復在內的總投入，以及對熟練度、升遷與自主性的反覆縱向測量，並以員工層級證據補充，因為「正式採用資料可能無法涵蓋非正式 AI 使用」。該文沒有任何實測，也沒有分類任何使用模式，亦未提出無輔助後測，因此本條目結論不變：它提供的是另一份獨立研究設計規格，並由有能力執行此研究的勞工部門共同簽署。

資料來源#

• Experimental Evidence on the Learning Impact of Generative AI — Contractor & Reyes，Experimental Evidence on the Learning Impact of Generative AI（arXiv 2607.08849，2026-07-09），empirical。§4 即時效果、§5 保留效果與增益／自動化異質性、§6 信念、§7 結論；圖 4–8、表 4–8。
• Training novices to think, or giving them LLMs? Evidence from an RCT — Asirvatham、Betti、Brown、Camuffo、Chatterji、Fumagalli、Gambardella、Mariani、Pandey、Ramos、Salvucci 與 Simic，Training novices to think, or giving them LLMs? Evidence from an RCT（Bocconi University × OpenAI，CEPR DP21882，2026 年 8 月），empirical。§4.1 因果推理構念、§4.2 認知／運用與專家相似度、§4.3 點子、§4.4 PDS-lasso 拆解；圖 1–6 與 A.1；附錄 §2 評分規準與評分者間信度、§4 變項建構、表 A.3、A.7–A.14。解析警告——由 PDF 轉換（docling 2.126.0，MLX 版面與表格階段）。自動檢查皆通過，只有作者表格合併問題；但表 A.7、A.8、A.10–A.14 中有未標記的標準誤列錯位：括號內的標準誤落在下一列，而表 A.11 因此將 Expert-Alumnus 的 GPT 係數（0.044**）錯歸到 Causal 列。表 A.13 更嚴重——docling 完全漏掉解答內多樣性的係數（2.483 / 2.284），也漏掉數個標準誤，並把列標籤與相鄰列合併。上文引用的所有數字均從本機 PDF 的 pdftotext -layout 取回並與正文核對；沒有引用任何未完成核對的表格列。另有兩項屬於論文自身、而非解析造成的問題：相同變項與 N 的 CRT 平均值，在表 A.7 為 0.490、表 A.8 為 0.769（兩者都已從參考解析確認）；匿名資訊也有外洩——論文聲稱為「保護作者匿名」而隱去大學名稱，附錄卻兩度寫出 Bocconi
• Andrew Ng: The Biggest Opportunities in AI Aren't Where You Think — Andrew Ng 受 Marina Mogilko 訪問，Silicon Valley Girl（2026-08-28，practitioner-opinion）：「AI 模型很不適合學習」、作業表現上升／保留效果下降的主張、認知卸載機制、六個月後的自我回報、「最常見用法」限定語，以及 LearnVector 宣布。未引用研究