为什么目前还没有研究直接回答这个问题
这个问题要求做一项比较：善于自我调节学习的学生，从AI辅导中获得的收益是否比不善于自我调节的学生更持久？这需要同时测量两件事——学生的自我调节水平，以及他们随时间保持学习效果的程度。现有研究各自只捕捉了其中一部分。一项研究考察人机AI辅导中的目标设定与奖励，并建模分析干预收益能否持续，但没有比较善于自我调节的学生与其他学生[1]。另一项研究评估不同水平的自我调节引导提示如何影响生成式AI辅导系统，但完全没有评估长期收益[2]。第三项研究关注自定进度AI学习中的保护性支架，并讨论收益可能如何在不同学习者之间分配，但同样没有比较不同群体之间的持久结果[3]。
一项关于智能辅导系统的元分析发现，其对自我调节学习的影响在不同方法学变体下都稳健，这说明这类系统确实能可靠地影响自我调节——但并未回答这是否会转化为自我调节能力本就较强的学生更持久的学习效果[4]。因此，这个问题所要求的直接比较仍未被检验。
AI辅导能增强自我调节，但这不等于持久性
多项研究表明，AI辅导可以主动培养自我调节能力，而不是预设学生已经具备这种能力。上述元分析发现，智能辅导系统在不同研究设计下都对自我调节学习结果有稳健影响[4]。这是一个有意义的发现：它意味着这类系统对自我调节并非中性——它们能改变自我调节。但自我调节的改变不等于持久的学习优势。问题在于善于自我调节的学生最终是否记得更牢、保持更久，而这一联系尚未确立。
那项提示研究补充了设计视角。它测试了生成式AI辅导系统中不同水平的自我调节引导提示如何影响辅导结果，其发现的模式与人类辅导研究一致——后者认为大部分收益来自辅导者做了什么[2]。换言之，辅导者的行为——如何提示和搭建支架——可能与学生的初始自我调节能力同样重要。这让“善于自我调节的学习者能从任何AI辅导者那里获得更多”的想法变得复杂。
自我调节较弱的学生可能获益最多，而非最少
一项研究指向的方向可能让读者意外。一项针对成绩落后、社会经济处境不利学生的AI支持电子辅导干预，聚焦培养自我调节学习，并包含后续评估[5]。其发现有助于理解持续收益，并表明难以维持自我调节的学生可以被帮助养成可持续的学习启动习惯[5]。这并不等于证明起初自我调节较弱的学生能赶上较强学生，但确实提示AI支持的收益可能在自我调节最弱的地方最大——这与简单的“富者愈富”说法相反。
那篇支架论文提出了关于收益分配的相关观点。它认为学习科学将某些困难视为持久学习的引擎，并提出AI增强学习的收益如何在不同学习者之间分配的问题[3]。这一框架意味着，如果没有保护性支架，AI辅导可能抹平那些让学习真正巩固的努力——而风险最大的学生可能正是那些无法自行调节的学生。
好奇的读者应该记住什么
如果你正在选择或设计AI辅导系统，证据支持内置自我调节支持，而不是假设学生自带这种能力。智能辅导系统能可靠地影响自我调节学习[4]，而基于自我调节的提示会塑造辅导结果[2]。悬而未决的问题是持久性：善于自我调节的学生是否比不善于的学生随时间保持更多，这些研究尚未直接检验[1][3]。
最实用的工作预期是：AI辅导可以培养自我调节，而起初自我调节较弱的学生可能从结构化支持中获益良多[5]。但声称善于自我调节的学习者能从AI辅导中获得独特持久优势，则超出了已有证据。这一比较是合理的、值得检验，但目前尚未确立。
本文引用的文献
人机AI辅导中目标设定与奖励的参与度和学习收益
考察人机AI辅导中的目标设定与奖励，关注自我调节学习和长期收益，但没有比较善于自我调节的学习者与其他学生之间的持久收益。
为独立学习而提示：生成式AI中辅导行为的评估
通过模拟会话评估生成式AI辅导系统，发现不同水平的自我调节引导提示会影响辅导结果，但未评估长期收益，也未比较善于自我调节的学习者与其他学生。
口袋辅导者是有代价的：用AI为自定进度学习搭建支架
讨论自定进度AI学习中的保护性支架，并提出AI增强学习的收益如何在不同学习者之间分配的问题，但没有比较善于自我调节的学习者与其他学生之间的持久收益。
智能辅导系统对自我调节学习的影响：一项元分析
一项元分析发现，智能辅导系统在不同方法学变体下都对自我调节学习结果有稳健影响，但未涉及持久性，也未比较善于自我调节的学习者与其他学生。
释放落后学习者的潜力：社会经济处境不利学生通过AI支持电子辅导发展自我调节
一项针对成绩落后、社会经济处境不利学生的AI支持电子辅导干预，聚焦自我调节学习并包含后续评估，提示AI支持可以帮助学生养成可持续的学习习惯。