学习摩擦作为设计原则

学习摩擦作为设计原则:面向艺术设计教育的对抗性AI学习系统

摘要

生成式人工智能(GenAI)正在系统性地改写艺术与设计教育中学习发生的条件。其以预测逻辑、即时反馈与风格收敛为核心的技术体系,正在侵蚀具身性经验、材料阻力与实践性判断—— 而这些恰恰是艺术学习的本体论基础。然而,现有研究要么侧重于AI在教育中的效能评估,要么停留在宏观层面的哲学批判,鲜有工作将批判性理论转化为可操作的教育设计原则。本研究试图弥合这一空白。研究以技术哲学、学习科学与批判性设计理论为基础,提出”学习摩擦”(learning friction)这一整合性概念框架,将认知层面的”必要困难”(Bjork, 1994)、物质层面的”材料阻力”(Ingold, 2013; Sennett, 2008)与政治层面的”对抗性设计”(DiSalvo, 2012)统合为一套教育设计原则。在此基础上,研究提出一套模块化的”对抗性AI学习系统”(AALS)设计框架,将商业GenAI模型从”生成器”重新定位为”学习条件调节工具”,通过在创作流程的关键节点引入结构化摩擦——包括判断延迟协议、材料回返机制与偏差激发模块—— 来恢复学习过程中的不确定性与主体性空间。最后,本文将学习摩擦概念置于更广泛的算法治理批判语境中,论证”去摩擦化”不仅是一个教育问题,更是预测性算法系统对主体性进行结构性压缩的具体表现形式。本研究为艺术教育在自动化时代保持差异性与复杂性提供了一套理论框架与设计方案。

关键词:生成式人工智能;艺术设计教育;学习摩擦;对抗性学习系统;批判性AI素养;必要困难;算法治理

1 引言

1.1 问题的提出

生成式人工智能(GenAI)在艺术教育中的迅速普及正引发深刻的结构性问题。这一影响并非局限于工具层面的替换,而是涉及对感知结构、学习路径与主体位置的系统性重写(Stiegler, 2016)。创作在传统上源于身体、材料与环境之间的连续互动(Dewey, 1934),但在以”零摩擦”与平台加速为特征的技术逻辑下,这种连续互动正被由统计模型主导的符号操作系统所替换 ——经验性学习让位于概率性生成(Manovich, 2023)。

这一替换并非中性的效率提升。从学习科学的角度来看,Bjork(1994)所界定的”必要困难”(desirable difficulties)——即那些在短期内增加学习者负担但在长期内增强记忆保持与迁移能力的认知条件——正在被GenAI的即时反馈与高完成度输出系统性地抹除。学习者由此绕过深度编码过程,陷入Bjork和Bjork(2011)所描述的”能力错觉”(illusion of competence),即主观上感觉已经掌握但实际上并未形成稳固的知识结构。

从人类学与实践哲学的角度来看,技艺与默会知识建立在重复、失败与材料协商的过程性结构之上(Sennett, 2008; Polanyi, 1966)。Ingold(2013)将创作描述为创作者与材料之间的”呼应关系”(correspondence),这种关系要求创作者持续回应材料的物理阻力与不可预见性。然而,GenAI以潜在空间(latent space)——即模型内部将高维数据压缩为低维表征的数学空间——操作切断了这些关键经验环节,用统计压缩替代了身体与材料之间的直接互动。

与此同时,这一认知与美学层面的危机与更广泛的技术治理逻辑深度耦合。Rouvroy(2013) 指出,预测模型通过对前意识层面的抢先干预来重新塑造行动空间,使主体在意图形成之前已被算法所诱导。在教育场景中,这意味着AI平台不仅替代了学习的”困难”部分,更通过训练数据集中的分类偏见构成了一种隐性的政治结构——学习者在无意识中被迫接受特定的视觉分类法与世界图景(Crawford & Paglen, 2019; Crawford, 2021; Noble, 2018)。缺乏批判性AI素养 (critical AI literacy)的学习者容易将这些算法偏见误认为中性知识(Long & Magerko, 2020; Raley & Rhee, 2023)。

1.2 现有回应的不足

面对这些挑战,现有研究形成了两种主要回应路径,但两者都存在明显局限。

第一种路径侧重于评估GenAI在教育中的效能。一系列实证研究考察了AI辅助教学对学生学习成效的影响,发现GenAI确实能够在创意的早期探索阶段增强发散思维、降低情感障碍(Fang, 2026),但同时也导致了”观念-执行鸿沟”——即GenAI加速了概念生成,却在需要技术精确

性、具身实践与情境判断的执行阶段力不从心(Fang, 2026)。Doshi和Hauser(2023)的实证研究进一步表明,GenAI在增强个体创造力的同时显著降低了产出的集体多样性,表明AI辅助创作存在系统性的美学同质化风险。然而,这一路径的研究主要关注效果而非条件,即关注 AI”是否有效”而非”改变了什么”。

第二种路径从技术哲学出发,对AI对主体性的影响进行宏观批判。Stiegler(2016)关于自动化社会的论述、Hui(2016, 2019)关于技术多样性与宇宙技术的思考,以及Pasquinelli和Joler (2021)对AI作为知识抽取主义工具的分析,都为理解GenAI的系统性影响提供了重要框架。然而,这些理论批判大多停留在诊断层面,尚未被系统性地转化为可操作的教育设计方案。

本研究试图弥合这两条路径之间的空白:将批判性理论转化为教育设计原则,并通过设计本位研究(Design-Based Research)来验证其有效性。

1.3 研究问题

基于以上问题框架,本研究提出两个互相关联的理论问题:

RQ1: GenAI的默认技术逻辑如何具体地重塑艺术学习中的判断结构与主体性?即,“去摩擦化”作为一种技术力量,其对学习条件的影响可以被如何概念化?

RQ2: 在GenAI介入的学习条件下,何种设计原则与系统架构能够在理论层面回应去摩擦化的挑战,恢复学习过程中的不确定性、差异与判断空间?

2 文献综述

2.1 GenAI与艺术教育:实证研究现状

GenAI在艺术教育中的应用研究近年来经历了显著增长。Fang(2026)在一项系统综述中分析了GenAI在高等艺术教育中的工具使用、教学法框架与实践模式,识别出文本到图像生成模型 (如DALL-E、Midjourney、Stable Diffusion)和对话式AI(如ChatGPT)是被最频繁实施的工具类别。该综述发现GenAI被用于三种主要功能:创意生产、教学脚手架与教学设计。然而,综述同时指出了一个反复出现的结构性问题——“观念-执行鸿沟”(ideation-execution gap):GenAI虽然在概念生成阶段具有显著优势,但在需要技术细腻度、具身实践与情境判断的执行阶段却难以提供有效支持。

在实证层面,多项研究报告了GenAI对学生创意自我效能感与课堂参与度的积极影响。然而,这些积极效果需要在更广泛的框架中加以审视。Doshi和Hauser(2023)的实验研究发现,使用 GenAI辅助创作的个体虽然在创造力评分上有所提升,但群体整体的产出多样性显著下降。这一发现对于艺术教育而言具有重要意义:如果AI辅助创作在系统层面导致美学趋同,那么个体层面的”创造力增强”可能只是一种统计假象。

Abdulmajid等人(2025)的研究提供了一个更具批判性的视角。该研究在海湾地区的数字艺术教育中观察到,当学生使用Stable Diffusion XL表现海湾文化遗产时,出现了三类系统性错误:社会文化失调(如性别服饰的错误表征)、时间错位(时代错乱的历史细节)和形态幻觉 (结构性或生物学的不准确性)。更重要的是,该研究观察到学生自发形成了一种”算法抵抗”(Algorithmic Resistance)行为——通过排除性语法(负面提示词)和生成约束的精细调整来对抗AI的刻板输出。研究者由此提出了”策展式验证”(curatorial verification)的概念, 主张GenAI教育应超越提示词构建的技能训练,培养学生对AI输出进行批判性评估与精细调整的能力。

这些研究共同指向一个结论:GenAI在艺术教育中的影响不能简单地以”有效”或”无效”来评判, 关键问题在于它如何改变了学习发生的条件——即学习者与材料、工具和自身判断之间的关系结构。

2.2 对抗性设计与批判性教育理论

DiSalvo(2012)在《对抗性设计》(Adversarial Design)中提出,设计可以作为一种政治参与的形式,通过制造”竞争性空间”(agonistic spaces)来挑战既定的信念,价值与事实假定。这一概念借鉴了Mouffe的竞争性多元主义(agonistic pluralism)理论,强调民主社会需要合法的冲突与异议空间,而非虚假的共识。在其后续著作《设计作为民主探究》(Design as Democratic Inquiry)中,DiSalvo(2022)进一步发展了这一思想,主张通过”另类实践”(doing design otherwise)来维护地方民主的活力。

将对抗性设计引入教育语境需要一次关键的概念转译。DiSalvo原初关注的是公共政治领域的竞争性参与,而教育语境中的”对抗”则指向学习者与技术系统之间的批判性协商关系。Biesta (2013)的教育哲学为这一转译提供了桥梁。Biesta认为教育的核心价值不在于消除风险与不确定性,而恰恰在于保持”教育的美丽风险”——即那些不可预见的,可能导致失败但也可能催生真正学习的开放性时刻。在GenAI以其高完成度输出系统性消除这些”风险时刻”的背景下,对抗性设计提供了一种有意识地将不确定性重新引入学习过程的策略。

Dunne和Raby(2013)的”思辨设计”(Speculative Design)则提供了另一条互补路径。思辨设计主张设计不应仅仅服务于问题解决,更应作为探索替代可能性,质疑既有假设的媒介。在AI 教育的语境中,这意味着课程设计不应仅仅追问”如何更好地使用AI”,更应追问”AI之外(或之旁,之后)的创作可能性是什么”。

2.3 必要困难、具身学习与材料阻力

Bjork(1994)提出的”必要困难”概念为本研究提供了学习科学层面的理论基础。“必要困难”指的是那些在短期内增加编码难度但在长期内增强记忆保持与知识迁移能力的学习条件,具体包括间隔练习,交替练习,测试效应与生成效应等。Bjork和Bjork(2011)强调,学习的主观流畅性与实际学习效果之间往往存在错位——感觉”容易”的学习方式未必导致持久的学习成果,而感觉”困难”的方式却可能产生更深层的认知编码。

这一认知科学发现与具身认知和实践哲学的传统形成了有趣的呼应。Sennett(2008)在《匠人》中论述了技艺如何通过重复,失败与物理材料的持续协商而形成,强调”阻力”不是学习的障碍而是学习的条件。Ingold(2013)则从人类学视角提出”制作”(making)本质上是创作者与材料之间的”呼应”过程——创作者必须持续回应材料的物理属性,偶然变化与意外效果,而非单方面地将预设意图施加于惰性物质之上。Polanyi(1966)关于”默会知识”(tacit knowledge)的论述进一步表明,许多关键的实践性知识无法被明确表述或编码,只能通过身体参与的重复实践来内化。

GenAI的介入恰恰在上述三个层面——认知编码的困难性,身体与材料的物理互动,默会知识的实践性积累——同时施加了平滑化压力。当AI以毫秒级速度提供高完成度的视觉输出时,学习者既跳过了认知层面的深度编码过程,也绕过了身体层面的材料协商过程,更失去了在反复尝试与失败中积累默会知识的机会。

2.4 研究空白与本研究的定位

综合以上三个文献群,可以识别出一个明确的研究空白:现有工作要么是实证性的AI教育效能研究,缺乏批判性的技术哲学视角;要么是理论性的技术批判,缺乏向教育设计的转化路径;要么是一般性的批判AI素养框架(Long & Magerko, 2020),缺乏针对艺术教育特殊性的具体化。

本研究的定位在于这一交叉点:将批判性理论(Stiegler、DiSalvo、Biesta)与学习科学 (Bjork)和具身实践理论(Ingold、Sennett)整合为一套教育设计原则,并在此基础上提出可操作的设计框架。研究的核心问题不是”GenAI对教育好不好”,而是”当学习的摩擦条件被系统性地移除时,如何通过设计来恢复那些对学习至关重要的阻力结构”。

3 理论框架:“学习摩擦”作为整合性概念

3.1 概念的提出

本研究提出”学习摩擦”(learning friction)作为理论框架的核心概念。学习摩擦指的是在学习过程中那些减缓,阻碍或偏转学习者既有路径的结构性条件,这些条件在短期内增加了学习的困难度,但在长期内对判断力的形成,创造性的分化与主体性的确立具有不可替代的建构作用。

学习摩擦并非一个全新的发明,而是对三个已有但相互独立的理论传统的整合性重述:

认知摩擦(Cognitive Friction):源自Bjork(1994)的”必要困难”概念。指那些增加编码难度但增强长期记忆保持与迁移能力的认知条件。在艺术学习中,认知摩擦表现为需要在多种可能的视觉方案之间做出选择的判断过程,对自身创作意图的反复澄清与修正,以及对作品与参照框架之间关系的持续评估。

材料摩擦(Material Friction):源自Ingold(2013)和Sennett(2008)的实践理论。指创作者在与物理材料互动过程中所遭遇的阻力——材料的不可预见性,工具的使用限制,身体技能的当前边界。材料摩擦迫使创作者回应而非仅仅执行,在”意图”与”结果”之间创造了一个需要持续协商的空间。

政治摩擦(Political Friction):源自DiSalvo(2012)的对抗性设计理论与Biesta(2013)的教育风险理论。指那些暴露技术系统的偏倚与默认逻辑,促使学习者质疑而非顺从既定框架的批判性条件。政治摩擦不是要制造无意义的对抗,而是要维护学习者在技术环境中的协商权——即理解自己正在被什么力量所塑造,以及如何有意识地回应这种塑造。

3.2 GenAI作为”去摩擦化”的技术力量

在这一框架下,GenAI的教育影响可以被重新理解为一个三重”去摩擦化”(de-friction)过程:

在认知层面,AI的即时反馈与高完成度输出消除了”必要困难”——学习者无需在多种方案之间艰难抉择,因为AI可以在秒级时间内生成数十种方案;学习者无需反复修正自身意图,因为AI的输出已经足够”好看”。这种认知上的平滑化导致判断力的虚化——学习者从”做判断”退化为”选择 AI输出”。

在材料层面,AI的符号化操作切断了创作者与物理材料之间的身体性互动。当创作从画布,黏土或丝网印刷转向文本提示词,身体的参与被极度简化,Sennett所描述的”手与头之间的对话”失去了物理基础。Ingold所说的”呼应关系”被替换为一种单向的”指令-输出”关系。

在政治层面,商业GenAI平台的默认逻辑——向数据分布的均值收敛,以点击率与用户满意度为优化目标——构成了一种隐性的美学治理。Manovich(2023)指出,AI生成的视觉输出趋向数据分布中的高频区域,导致系统性的风格同质化。Crawford和Paglen(2019)则揭示了训练数据集中嵌入的分类偏见如何构成视觉生产的隐性政治结构。学习者在缺乏批判意识的情况下,容易将这些算法偏倚内化为”自然”的审美标准。

3.3 学习摩擦的设计原则

基于上述分析,本研究从”学习摩擦”的三个维度推导出三条设计原则,作为后续”对抗性AI学习系统”的理论基础:

原则一:判断延迟(Judgment Deferral)。 源自认知摩擦维度。在学习流程中有意识地延迟 AI的介入时机,要求学习者在获得AI输出之前先完成独立的判断过程——包括方案构思,标准制定与自我评估。这一原则旨在恢复被AI即时反馈所覆盖的深度编码过程。

原则二:材料回返(Material Return)。 源自材料摩擦维度。在AI辅助的数字创作流程中嵌入物理材料操作的强制环节,要求学习者在数字生成与物理制作之间进行至少一轮往返。这一原则旨在恢复身体-材料互动的具身性经验。

原则三:偏差激发(Deviation Provocation)。 源自政治摩擦维度。通过暴露AI的默认倾向 (如生成空间中的高频区域,训练数据的文化偏见)并主动引入偏离这些默认的创作约束,激发学习者产出偏离算法”均值”的视觉方案。这一原则旨在恢复美学差异与批判性意识。

4 对抗性AI学习系统:设计框架

4.1 系统概述

基于上述理论框架与实验设计,本研究提出一套模块化的”对抗性AI学习系统”(Adversarial AI Learning System, AALS)。该系统不是一个技术平台或软件应用,而是一套以学习摩擦为设计原则的教学流程架构,可以嵌入不同类型的艺术设计课程中。

AALS的核心理念是将商业GenAI模型从”生成器”重新定位为”学习条件调节工具”——即AI不是用来替代创作的工具,而是用来创造特定学习条件(包括对比,冲突,偏差暴露)的手段。系统的目标不是排斥AI,而是将AI的使用置于批判性的教学脚手架之中。

4.2 系统架构

AALS由四个功能模块构成,每个模块对应一种特定的学习摩擦类型:

模块一:判断锚定模块(Judgment Anchoring Module)

功能:在AI介入之前建立学习者的独立判断基线。

流程:学习者接收创作简报后,进入一个为期24-48小时的”无AI期”。在此期间完成三项任务:

(a)手绘至少三个方向的方案草图;(b)为每个方向撰写100字以内的判断理由;(c)在三个方向中选择一个作为”主方向”,并记录选择标准。这些记录构成学习者的”判断基线”,用于后续与AI介入后的判断变化进行对比。

设计依据:Bjork(1994)的”生成效应”(generation effect)表明,学习者自主生成的信息比被动接收的信息具有更强的记忆保持。该模块通过强制独立判断来激活认知层面的深度编码。

模块二:材料往返模块(Material Shuttle Module)

功能:在数字生成与物理制作之间创造强制性的往返循环。

流程:学习者使用AI工具生成视觉方案后,必须选择至少一个方案进行物理材料转译. 转译的形式由课程性质决定——可以是手工拼贴,丝网印刷,陶艺,手绘,立体模型等。完成物理转译后,学习者需要(a)拍照记录,(b)在判断日志中描述”物理过程中的意外”与”意外带来的新理解”,(c)基于物理制作的经验修改数字方案——这构成一次完整的”数字→物理→数字”循环。

设计依据:Ingold(2013)的”呼应”理论与Sennett(2008)的技艺理论。材料的物理阻力在数字创作中被完全消除,该模块通过强制性的物理介入来恢复身体-材料互动的经验维度。

模块三:偏差暴露模块(Bias Exposure Module)

功能:使AI的默认倾向变得可见并可讨论.

流程:教师引导学习者进行”AI生成空间地图”活动. 具体操作为:全班使用相同的提示词 (prompt)让AI生成大量图像(如100张),然后集体对这些图像进行聚类排列,识别AI的默认风格区域(高频区)与空白区域(低频区或缺失区)。在此基础上展开课堂讨论:为什么AI倾向于生成这些风格?缺失的风格意味着什么?训练数据中的何种偏倚导致了这些倾向?

设计依据:Crawford和Paglen(2019)关于AI训练数据集政治性的研究,以及Long和 Magerko(2020)关于批判性AI素养框架中”AI的社会影响”这一能力维度。

模块四:张力协作模块(Tension Collaboration Module)

功能:在学习者之间以及学习者与AI之间建立建设性的张力关系.

流程:学习者两两组成”张力对”(tension pair)。每对学习者交换各自的AI生成结果,要求对方以”最大偏离”为目标对这些结果进行再诠释——可以是物理材料的再创作,也可以是通过修改提示词来刻意”反向”生成。完成后双方讨论:偏离产生了什么新的可能性?在何处偏离是有价值的?在何处偏离只是为了偏离而偏离?

设计依据:DiSalvo(2012)的对抗性设计理论。该模块将”对抗”从学习者与AI系统之间的二元关系扩展为学习者之间的社会性互动,使批判成为一种协作实践而非孤立行为。

4.3 教师角色

在AALS中,教师的角色被重新定义为三重身份:

判断框架的建构者: 负责设计每个模块的具体参数(如”无AI期”的时长,材料转译的介质选择, 偏差暴露的讨论框架),并根据学生的具体情况动态调整这些参数。

偏差的解释者: 在偏差暴露模块中,教师需要具备足够的技术理解力来解释AI生成倾向背后的技术与社会原因——例如,为什么AI生成的”中国风”图像总是呈现某种特定的视觉模式?这涉及对训练数据集的文化偏倚,模型架构的数学特性以及商业平台的优化目标的综合理解。

意义协商的参与者: 教师不是判断的最终仲裁者,而是与学习者共同参与意义协商的对话伙伴。教师的核心任务不是告诉学生”什么是好的”,而是帮助学生理解”好的标准是如何被构建的”——以及AI的默认逻辑如何隐性地影响了这些标准的构建。

4.4 系统边界与限制

需要明确指出的是,AALS并非主张”反AI”或”去AI”的教育立场。其核心目标不是将AI排除在艺术教育之外,而是将AI的使用从”无条件接受”转变为”批判性协商”。系统的设计假设是:当学习条件被重新设计为具有摩擦,不确定性与可见的技术偏倚时,学习者的判断力,创造性差异与主体性意识能够获得更大的生成空间。这一假设需要通过经验研究来检验,该假设为后续经验研究提供了可检验的理论命题。

此外,AALS目前主要针对本科层次的艺术设计教育,其在不同教育层次(如研究生,职业教育)和不同文化语境中的适用性尚需进一步研究。系统对教师的批判性AI素养也提出了较高要求 ——如果教师自身缺乏对AI技术特性与社会影响的理解,则模块三和教师角色的第二重身份难以有效实施。

5 学习摩擦与算法治理:理论拓展

5.1 去摩擦化作为算法治理的教育表现

“学习摩擦”的概念框架不仅具有教育学的分析价值,更与当代算法治理批判形成深层的理论共振。Rouvroy与Berns(2013)所描述的”算法治理性”通过三个环节运作:自动化数据收集,基于相关性的知识生产,先发式行为干预。GenAI在教育场景中的运作逻辑与此高度同构:学习者的行为数据被收集为训练与优化的素材,概率模型替代了因果性的知识建构,AI的即时输出对学习者的下一步行动进行预先结构化。

在这一视角下,“去摩擦化”不仅是一个教育问题——它是预测性算法系统对主体性进行结构性压缩的具体表现形式。当AI系统以”零摩擦”为设计目标时,它实际上在执行一种Rouvroy意义上的”先发式干预”:在学习者形成独立判断之前,就以高完成度的输出预先占据了判断的空间。 Yeung(2017)将这种机制概括为”超推送”(hypernudge)——一种网络化的,持续的行为引导——在教育语境中,AI的即时反馈正是一种认知层面的超推送。

5.2 学习摩擦与相互异化

将学习摩擦概念置于”相互异化”(mutual alienation)的理论框架中可以揭示更深层的结构。相互异化描述的是一种不对称的双向状态:人类行为被还原为概率分布,主体性被压缩;而技术系统本身也被锁定在训练数据的相关性结构中,无法实现真正的认识论突破。

在教育场景中,这种双向异化的具体表现是:学习者的审美判断被AI的默认分布所”预测”并趋同化——Doshi和Hauser(2023)所发现的”集体多样性下降”正是这一过程的经验证据;而AI系统本身也被其训练数据所限定,无法生成超出既有美学分布的真正新颖方案——它的”创造力”本质上是对训练数据中高频模式的重组而非突破。学习摩擦的设计意义在此获得了新的理论深度: 它不仅是对学习条件的恢复,更是对双向异化结构的主动干预——通过在预测性系统的平滑表面上制造裂缝,为判断的偶然性和材料的不可预见性保留空间。

5.3 从内在批判到教育设计

本研究的方法论立场可以被理解为”内在批判”(immanent critique)在教育设计领域的延伸. 内在批判——同时使用系统作为工具和批判对象——在当代计算艺术实践中已有深厚的谱系 (Agre, 1997)。AALS的核心策略正是一种教育领域的内在批判:不是排斥AI,而是在AI的使用过程中制造可见的断裂,使学习者得以在AI系统内部发展对AI系统的批判性意识。

这一方法论选择与Dunne和Raby(2013)的”思辨设计”形成互补:思辨设计追问”替代可能性是什么”,而内在批判追问”在既有系统的内部,批判如何可能”。对于身处商业GenAI平台不可避免之教育现实中的学习者而言,后一个问题可能比前一个更具操作性意义。

6 讨论

6.1 理论贡献

本研究的核心理论贡献在于提出”学习摩擦”作为一个整合性概念框架. 这一框架的价值在于:

首先,它将三个此前相互独立的理论传统——学习科学中的”必要困难”,实践哲学中的”材料阻力”和批判设计中的”对抗性”——统合在一个共同的概念伞下,使它们在GenAI教育语境中获得了新的综合解释力。这三种”摩擦”之所以能够被整合,是因为GenAI恰恰在这三个层面同时施加了”去摩擦化”的压力——这种同步性使得任何单一理论传统的回应都不够充分,而需要一个整合性的框架。

其次,“学习摩擦”概念将关于GenAI教育影响的讨论从”效果评估”范式转向了”条件分析”范式. 现有大量研究追问的是”AI是否有效地辅助了学习”,而学习摩擦框架追问的是”AI改变了学习发生的条件结构本身”。这一范式转换使得一些看似积极的AI效果(如学习者自我效能感的提升, 创作速度的加快)可以被重新审视——它们可能恰恰是认知摩擦消除后产生的”能力错觉”(Bjork & Bjork, 2011)的表征。

第三,通过将学习摩擦与算法治理性,相互异化等更广泛的理论框架相联结,本研究展示了教育问题如何内嵌于更大的技术-政治结构之中。“去摩擦化”不是一个孤立的教育现象,而是预测性技术系统的普遍运作逻辑在教育领域的具体投射。

6.2 对教育实践的启示

对于艺术设计教育者而言,本研究的实践启示集中在以下几个方面:

第一,AI工具的引入不应以”效率”为唯一考量. 当前许多艺术院校将GenAI定位为”提升创作效率的工具”,这一定位忽视了艺术学习中”低效”环节(如反复尝试,材料探索,缓慢判断)的教育价值。AALS提供了一种替代性的定位方式——将AI视为”制造有价值的学习困难”的手段。

第二,教师的角色需要从”技术培训者”向”批判性中介者”转变. 在AI时代,艺术设计教师的核心任务不是教会学生如何写提示词或如何选择AI工具,而是帮助学生理解AI输出背后的技术逻辑与文化偏倚,并在此基础上做出有依据的判断。

第三,课程设计应有意识地保护”非AI空间”. 这并非意味着禁止AI的使用,而是在课程流程中为独立判断,物理材料操作和批判性反思保留专门的时间与空间,使学习者有机会在”有AI”与”无 AI”的条件之间建立对比性的自我认知。

6.3 局限与未来方向

本研究作为理论性工作,其主要局限在于AALS设计框架尚未经过系统性的经验验证. 学习摩擦的三条设计原则——判断延迟,材料回返与偏差激发——是否能够在真实教学环境中产生预期的效果,需要后续的设计本位研究(DBR)来检验。此外,AALS目前主要针对本科层次的艺术设计教育,其在不同教育层次和文化语境中的适用性尚需进一步研究。系统对教师的批判性AI素养也提出了较高要求——如果教师自身缺乏对AI技术特性与社会影响的理解,则偏差暴露模块难以有效实施。

未来研究的优先方向包括:在真实教学环境中实施AALS并采集经验数据;发展学习摩擦的量化评估工具;以及探索AALS在不同文化语境(特别是中国AI治理框架下)的本土化适配问题。

7 结论

本研究从艺术设计教育面临的一个核心矛盾出发:GenAI在提供前所未有的创作便利的同时,正在系统性地消除艺术学习赖以发生的条件结构——即那些涉及判断困难,材料阻力与批判性协商的”摩擦”环节。

针对这一矛盾,研究做出了两个层面的贡献. 在理论层面,提出了”学习摩擦”这一整合性概念框架,将学习科学,实践哲学与批判设计理论在GenAI教育语境下加以综合,为理解AI对学习条件的影响提供了一种新的分析范式,并将其联结至算法治理性与相互异化的更广泛理论语境。在设计层面,提出了一套模块化的”对抗性AI学习系统”(AALS)设计框架,将理论批判转化为可操作的教育设计原则——判断延迟,材料回返与偏差激发——并通过具体的教学模块加以实现。

本研究主张,在GenAI时代,艺术教育的核心任务不是教授如何”生成”,而是训练如何”判断”——如何在自动化系统中保持审美判断的开放性,如何在算法偏倚面前维护批判性意识,如何在物理与数字之间建立有意义的创作往返。学习摩擦不是学习的障碍,而是学习的条件。当技术系统将一切变得平滑时,有意识地设计摩擦就成为了一种教育伦理。

参考文献

Abdulmajid, M., Alali, N., & Alsharrah, A. (2025). Critical agency and hybrid cognition in digital art education: Human-AI co-creation using Stable Diffusion XL. SSRN. https://doi.org/10.2139/ssrn.5983388

Barab, S., & Squire, K. (2004). Design-based research: Putting a stake in the ground. Journal of the Learning Sciences, 13(1), 1-14.

Biesta, G. (2013). The beautiful risk of education. Paradigm Publishers.

Bjork, R. A. (1994). Memory and metamemory considerations in the training of human beings. In J. Metcalfe & A. Shimamura (Eds.), Metacognition: Knowing about knowing (pp. 185-205). MIT Press.

Bjork, E. L., & Bjork, R. A. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Psychology and the Real World: Essays Illustrating Fundamental Contributions to Society, 2, 59-68.

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Crawford, K., & Paglen, T. (2019). Excavating AI: The politics of images in machine learning training sets. https://excavating.ai

The Design-Based Research Collective. (2003). Design-based research: An emerging paradigm for educational inquiry. Educational Researcher, 32(1), 5-8.

Dewey, J. (1934). Art as experience. Minton, Balch & Company.

DiSalvo, C. (2012). Adversarial design. MIT Press.

DiSalvo, C. (2022). Design as democratic inquiry: Putting experimental civics into practice. MIT Press.

Doshi, A. R., & Hauser, O. P. (2023). Generative artificial intelligence enhances creativity but reduces the diversity of novel content. arXiv. https://doi.org/10.48550/ arXiv.2312.00506

Dunne, A., & Raby, F. (2013). Speculative everything: Design, fiction, and social dreaming. MIT Press.

Fang, Z. (2026). Integrating generative AI in higher art education: A systematic review of tools, pedagogies, and practices. SN Computer Science, 7, 215.

Hui, Y. (2016). On the existence of digital objects. University of Minnesota Press.

Hui, Y. (2019). Recursivity and contingency. Rowman & Littlefield.

Ingold, T. (2013). Making: Anthropology, archaeology, art and architecture. Routledge.

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-16). ACM.

Manovich, L. (2023). Artificial aesthetics: A critical guide to AI, media and design. Manovich.net.

Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. NYU Press.

Pasquinelli, M., & Joler, V. (2021). The Nooscope manifested: AI as instrument of knowledge extractivism. AI & Society, 36(4), 1263-1280.

Polanyi, M. (1966). The tacit dimension. Doubleday.

Raley, R., & Rhee, J. (2023). Critical AI: A field in formation. American Literature, 95(4), 693-709.

Rouvroy, A. (2013). The end(s) of critique: Data behaviourism versus due process. In Privacy, due process and the computational turn (pp. 143-168).

Selwyn, N. (2019). Should robots replace teachers? AI and the future of education. Polity Press.

Sennett, R. (2008). The craftsman. Yale University Press.

Stiegler, B. (2016). Automatic society, volume 1: The future of work. Polity Press.

Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

Agre, P. E. (1997). Toward a critical technical practice: Lessons learned in trying to reform AI. In G. Bowker et al. (Eds.), Social science, technical systems, and cooperative work (pp. 131-157). Lawrence Erlbaum.

Rouvroy, A., & Berns, T. (2013). Gouvernementalité algorithmique et perspectives d’émancipation. Réseaux, 177(1), 163-196.

Yeung, K. (2017). ‘Hypernudge’: Big data as a mode of regulation by design. Information, Communication & Society, 20(1), 118–136.