大多数研究时间过短，难以证明AI辅导的真正效果
最大的差距很简单：我们缺乏足够的长期证据。一项对20项K-12研究的系统回顾发现，其中一半的干预持续时间不足一节课——研究人员称之为“极短期”干预[3]。这就像在45分钟后评判一种新教学法的效果。即便是持续时间较长的研究，也往往只涉及少量学生，导致结果难以令人信服。在这20项研究中，总共仅涵盖2853名学生，且分散在不同学科和年级[3]。这意味着，我们几乎没有数据能证明AI辅导是否有助于学生在数周或数月后仍能保留所学知识。
这一问题在专业领域更为突出。一项关于人工智能辅导外科手术技能的系统综述发现，仅有4项研究（共268名参与者）符合严格的分析标准[1]。作者将证据质量评为“低确定性”——这意味着人工智能看似微小的优势（技能测试中高出0.20分）很可能在更严谨的研究中消失。当证据基础如此薄弱时，我们无法判断人工智能辅导是否真正有效，还是仅仅在短期、受控的环境中表现良好。
我们无法衡量AI导师是否真正建立了深层理解
第二个关键缺口在于，现有测试并未捕捉到我们真正关心的内容：深层的概念理解能力以及反思自身思维的能力（即元认知）。一项关于高中数学AI辅导系统的文献综述发现，研究人员在开发衡量这些深层技能的有效方法方面进展缓慢[2]。相反，大多数研究仍依赖考试成绩或任务完成时间——这些指标即便在学生并未真正理解材料的情况下也可能提升。该综述指出，日本全国统考的数学成绩每年波动幅度达±20分，是其他科目的三到五倍，这表明表层辅导可能并未解决真正的学习难题[2]。
这一测量差距至关重要，因为AI辅导系统通常旨在提供即时反馈并适应学生的回答。但如果我们只衡量学生是否答对了题目，就可能忽略AI实际上只是在教授应试技巧，而非真正的理解。一项针对智能辅导系统反馈机制的独立研究指出，这正是一个主要差距：缺乏关于AI反馈究竟是促进长期学习，还是仅提升短期表现的研究[5]。
教师与AI如何协作，我们尚不清楚
或许最实际的空白在于，几乎没有研究探讨过人类教师与AI导师应如何协作。一项关于外科手术技能的荟萃分析发现，AI辅导给学习者带来了显著更高的外在认知负荷——这意味着学生需要投入更多脑力来过滤无关信息[1]。该研究的作者得出结论，现有证据"不支持用AI取代人类教师"，反而指向一种混合模式，但他们随即指出"这本身需要严谨的实证验证"[1]。换言之，这种最具前景的方法——人类与AI的结合——几乎尚未得到研究。
数学教育评论呼应了这一点，将“缺乏教师与人工智能协作模式的示范”列为其四大研究空白之一[2]。这是一个现实问题：考虑引入AI助教的学校需要明确，AI应充当教学助手、作业辅导者，还是完全替代某些课程。由于缺乏直接比较不同协作模式的研究，学校只能自行猜测。K-12教育评论还指出，使用AI进行教学所产生的伦理影响“应予以探究”[3]，而这一领域同样几乎缺乏实证依据。
关于这些来源
该答案基于5篇经同行评审的研究——发表于2024年至2026年，其中5篇为2024年及以后发表，1篇来自Q1期刊——这些研究是从5篇通过质量筛选的研究中选出的最相关成果，而后者又源自从超过5亿篇论文的数据库中检索到的61篇文献。
本文引用的文献
人工智能增强辅导与专家指导在模拟普外科手术技能学习中的比较：一项系统综述与荟萃分析。
在一项涵盖4项研究（共268名参与者）的荟萃分析中，人工智能辅导在手术技能方面显示出虽小但具有统计学意义的改善（在5分制量表上提升0.20分），但同时也增加了额外的认知负荷；该证据被评定为低确定性，作者认为需要对人机混合模型进行严格测试。
交互式AI导师对高中数学个性化学习支持的研究：大语言模型时代的教育潜力与挑战
关于人工智能导师在高中数学教学中的文献综述指出了四个研究空白：缺乏针对学习困难学生的验证研究、尚无基于大语言模型的导师在日本高中的相关研究、对深层理解与元认知的评估手段不足，以及缺乏经过检验的教师与人工智能协作模式。
驾驭未来学习：K-12教育中人工智能驱动型智能辅导系统（ITS）的系统性综述
一项针对20项K-12阶段研究（涉及2853名学生）的系统综述发现，半数研究采用了极短期的干预措施（不足一节课时长）。尽管相较于传统教学，AI导师普遍展现出积极效果，但当与非智能计算机导师相比时，这些效果有所减弱。
基于混合机器学习模型的个性化内容推荐智能AI辅导系统综述
针对人工智能辅导中个性化内容推荐的混合机器学习模型综述，识别出冷启动问题及持续学习者画像需求等关键缺口，并提出了一种融合协同过滤与基于内容过滤的框架。
智能辅导系统中反馈的使用：一项系统性文献综述
一项关于智能辅导系统中反馈机制的系统性文献综述指出了主要研究空白，包括缺乏探讨AI反馈是否能改善长期学习效果（而不仅仅是短期表现）的相关研究。