《与人工智能一起长大：对儿童发展的影响》

AI 已在孩子身边（第 1 节）：作者引美国一项全国调查：3 到 12 岁的美国孩子里，87% 能接触到带 AI 的设备，从语音助手到智能手机，一半的孩子每天都在用。孩子用 Siri、Alexa、ChatGPT 提问查资料，和社交机器人一起讲故事，玩能识别、回应面部表情的智能玩具。自适应电子游戏和智能辅导系统（intelligent tutoring systems，按每个学生的需要调整内容的教学软件）也靠 AI 算法。AI 还进了童书出版，写故事、画插图。

这本书说的 AI（第 1 节）：AI 包括计算机视觉、分类、机器人、自然语言处理、语音识别等一大批技术。作者先引了经济合作与发展组织（Organisation for Economic Co-operation and Development, OECD）的一个宽泛定义：基于机器、按人设定的目标做预测、推荐或决策，并影响真实或虚拟环境的系统。为了既不过于简化、又不陷进技术细节，作者换了一个务实的说法：本书的 AI，指孩子当作互动伙伴来感知、来交往的那一类技术或设备，通常叫“对话代理”（conversational agents），包括语音助手（voice assistants，如 Siri、Alexa）、聊天机器人、AI 玩具（AI-enabled toys）和社交机器人（social robots）。它们背后的技术各不相同，共同点是能让人和机器进行有意义的、像人一样的交流。

作者说，这类对话式 AI 和儿童发展格外相关，因为对话塑造孩子的成长。几十年的研究表明，孩子和父母、兄弟姐妹、老师、同伴来回对话，才发展出语言能力，加深对别人、对世界的理解；语言输入的多少和好坏，都显著影响发展；很多没法亲身经历的概念和知识，孩子也是在对话里学到的。所以，和 AI 的对话怎样融入、甚至改变孩子的对话经历，是一个重要问题。

老问题，新对象（第 1 节）：

公允地说，我们对 AI 与儿童的许多讨论和担忧，并不全新。

It is fair to say that many of our discussions and concerns about AI in relation to children are not entirely new.

第1节 Introduction，p.2

从电视、手机应用到社交媒体，一直有两种看法。一种担心“替代”（displacement）：孩子用得太多，会挤掉其他重要活动，减少这些活动的时间和质量，妨碍社会性和认知的发展。另一种认为新技术带来了新的学习方式。作者举电子书为例：亲子一起看电子书，孩子可能更关注数字功能，对话就少了意义；可带朗读功能的电子书，又能让还不识字的孩子在大人不在时自己听故事。

对话式 AI 也是这样。好处是孩子像问人一样，一问就能得到知识，个性化学习也更容易实现。坏处见下面的引文；此外，被包装成“陪伴者”的 AI，可能影响孩子和身边人的关系。

另一方面，AI 能很快给出答案，这可能在一定程度上减少孩子动脑解决问题、批判反思的需要，从而限制他们发展批判思维和基础学业技能的机会。

On the other hand, AI’s ability to provide quick answers might, to some extent, reduce the need for children to engage in problem-solving and critical reflection, potentially limiting their opportunities to develop both critical thinking and foundational academic skills.

第1节 Introduction，p.2

由于缺少直接证据，或现有证据还没有定论，这些观点往往停留在推测和个人意见上。

These views often remain speculative and opinion based due to the lack of direct evidence or the inconclusive nature of the available evidence thus far.

第1节 Introduction，p.2

三块内容（第 1 节）：作者说，本书想概述目前已知的情况，同时承认许多问题还没有答案，希望引起读者对这些未知的好奇。全书分三块：

• 互动：孩子和 AI 来往的基础，决定孩子和 AI 建立什么样的关系，也为理解和学习打底。
• 感知与信念：孩子怎样根据自己的经验和对世界的已有认识来理解 AI，既受直接经验影响，也受发展阶段的能力影响。
• 学习与发展：AI 怎样影响孩子的语言、学科学习、解决问题和创造力，利弊都谈，强调要审慎设计和使用。

书中图 1 画的就是这三块的关系，第 8 节再展开。这也是本页的题图。

为什么只看幼儿（第 1 节）：作者说有两个理由。一是这个年龄正在形成“怎样区分人和机器”的认识，这和孩子的分类能力、理解社会群体的能力连在一起。早期理论家皮亚杰（Jean Piaget）认为，幼儿常有“魔法思维”（magical thinking）或拟人化（anthropomorphism）倾向，也就是以为不是人的东西也有人的特质；当代心理学家则认为，孩子分类不只看外表，也看内在的“本质”（essences），也就是决定一样东西属于哪一类的稳定特性，孩子的理解比以前以为的成熟。学前到小学正是孩子形成“事物本质”基础信念的时期。二是对很多幼儿来说，智能玩具、语音助手、学习平台是他们第一次接触智能系统：

这些早期经历，往往发生在正规学校教育产生影响之前，也在孩子大量接触“AI 是什么”的文化叙事之前，为观察孩子直觉的、自发的思维提供了一个独特的窗口。

These early experiences often occur before the influence of formal schooling or strong exposure to cultural narratives about what AI is, offering a unique window into their intuitive and spontaneous thinking.

第1节 Introduction，p.4

作者说，这个领域横跨心理学、计算机科学、传播学和教育学，各有理论和方法，长短不同，结果的读法也不同，所以在讲具体发现之前先交代清楚。

研究里用的三类 AI（第 2 节）：研究用什么样的 AI，影响结果能不能推广、在真实生活里能不能重现，以及反映的是孩子的一般体验还是理想的最好情形。

• 商业产品：有专为儿童设计的，如 Echo Dot Kids Edition 智能音箱、Khanmigo 学习助手；也有通用的，如 ChatGPT。优点是生态效度（ecological validity）强，也就是贴近孩子真实的使用情形。例如 Khanmigo 的报告说，2023—2024 学年有 20 多万人用过它，学生常把它当家教，卡住时请它一步步帮忙。缺点是研究者改不了产品，难以单独检验某个机制；不是专为儿童设计的产品，研究里看到的效果也未必代表 AI 能给孩子的最好结果。
• 研究原型：研究者按儿童发展或教学理论专门做的工具（proof-of-concept prototypes），体现促进自我调节、鼓励对话式学习、为解决问题搭支架等策略。研究者可以比较有没有某项功能时孩子的表现，弄清哪些设计有效、在什么条件下有效。
• “模拟 AI”（simulated AI）：即“绿野仙踪”法（“Wizard of Oz” approach），研究者在幕后手动操控设备，却告诉参与者这是 AI。好处是能精确控制 AI 的行为，免得 AI 出错带来干扰；操控时通常照严格的脚本，甚至事先安排好“出错”，看孩子的反应。作者说，AI 越来越像人，这个方法反而越来越有现实意义，能让人预先看到不久以后的 AI 会是什么样子。

因此，这类研究对推进理论和实践都格外有价值：它不仅能确认一个 AI 工具是否有效，还能说明它为什么有效。

As a result, this type of research is especially valuable for advancing both theory and practice – it helps identify not just whether an AI tool works but why it works.

第2节 2.1 Types of AI Used in Research Studies，p.5

三种研究设计（第 2 节）：

• 描述性研究（descriptive studies）：用调查、访谈、田野笔记和细到每次操作的使用记录，描述孩子接触和使用 AI 的情况。例如追踪儿童 AI 使用情况的快速调查，能鸟瞰 AI 在幼儿中扩散得多快；也有规模小、但数据更深入的研究，用使用记录追踪几十个孩子长期向 AI 提了哪些问题。
• 相关研究（correlational studies）：看年龄、语言背景、以往接触技术的多少等因素，能不能预测孩子用 AI 的频率或学到多少，比如高收入家庭的孩子是否更可能用 AI 教育应用。它不能证明因果，但能发现规律，指出值得再用实验检验的问题。
• 实验研究（experimental studies）：检验因果。常见三种比法：同一个活动，有 AI 和没有 AI 比，看 AI 的“附加价值”（“added value”）；和人类专家（如一对一家教）比，人的条件当“金标准”（gold standard），看 AI 能多接近专家；只改 AI 的一个设计特征（如语调、表现力、回应性），其他不变，看哪个特征起作用。

无论哪种情形，选择拿什么作比较都不是小事。

In all cases, choosing what to compare is not a trivial decision.

第2节 2.2 Study Design，p.7

谁被研究（第 2 节）：现有研究大多在 AI 领先的地区做，如美国、欧洲和亚洲部分地区，好像研究对象是谁无关紧要。作者说，这背后默认 AI 在文化上是中立的。实际上 AI 由训练数据塑造，数据里编码了产生它的那个社会的主流规范、价值和偏见。

因此，孩子遇到的 AI 不是文化上的一张白纸，它是内嵌着关于语言、行为和身份的隐含假设的系统。

As a result, children do not encounter AI as a culturally blank slate but as systems embedded with implicit assumptions about language, behavior, and identity.

第2节 2.3 Study Population，p.7

作者举了两类问题。一是 AI 对不同背景的孩子表现不同：自动语音识别（automatic speech recognition, ASR，把说话转成文字的技术）对只说英语的孩子，明显比对双语孩子好用；Thomas 等人（2023）发现，家里语言更占优势的双语孩子识别效果最差，这让孩子从 AI 教育工具获益的机会不平等。二是文化上合不合拍：孩子会把 AI 当作社会伙伴，AI 若主要反映西方主流文化，边缘或少数群体的孩子可能更难认同它，投入少、学得也差。Finkelstein 等人（2013）发现，和说非裔美国人白话英语（African American Vernacular English, AAVE）的 AI 导师互动的孩子，关系更融洽、投入更深，学习效果更好。

作者说，这些问题反映的是编进训练数据和算法设计的更广泛的社会不平等。设计者和研究者要像老师面对背景各异的学生那样，留意孩子的身份和生活经验怎样影响、也被 AI 互动影响。AI 还可能放大这些问题：

例如，如果孩子把 AI 看作无所不知的知识来源，那么对 AI 生成的带偏见的信息，他们可能比对人提供的信息更少质疑。

For instance, if children view AI as an omniscient source of knowledge, they might be less likely to question the biased information generated by AI than they would with information provided by people.

第2节 2.3 Study Population，p.8

作者提醒，很少有研究正式检验偏见和文化错位怎样削弱或改变 AI 对不同背景孩子的作用，所以后面各节的结论，未必适用于所有文化、社会经济背景和情境。

这是全书最长的一节。作者依次问：孩子怎样和 AI 说话？和对人说话有什么不同？AI 听错时孩子怎么办？为什么不同？会不会带到和人的相处中？有别人在场时又怎样？

孩子问 AI 什么（第 3 节）：Lovato 等人（2019）录下孩子和 Google Assistant 的对话，发现 5—6 岁的孩子多用它查事实，问科学、技术、数学或天气，和很多成人的用法一样；但也有不少社交性的问题（socially oriented questions），比如“你几岁了？”“你最喜欢什么颜色？”。Oh 等人（2025）研究 8—10 岁孩子和生成式 AI 聊天机器人的对话，大部分问题是事实性的，也有一些问 AI 的个人特征。

怎样理解这些社交问题？常见的解释是孩子把 AI 拟人化了，当它是有想法、有偏好、有家人的社会存在。作者提出第二种可能：玩耍式的探索。即使知道 AI 不是人，孩子也会问这类问题，试探它的边界，引出意想不到的回答，或者只是觉得新鲜。

按这种看法，这类行为更多出于好奇和试验，而不是误解了 AI 的本质。

In this view, such behaviors are driven more by curiosity and experimentation than by mistaken beliefs about the nature of AI.

第3节 3.1 How Do Children Talk to AI?，p.9

作者说，有初步证据支持这一看法。Kanda 等人（2007）把一个社交机器人放到小学两个月，孩子起初问了很多关于机器人感受、来历的个人问题，后来越来越少。Oh 等人（2025）也看到，孩子先问“你上学吗？”这类问题，后来逐渐转向求助、要信息这类办事的问题（transactional queries）。作者推论，如果孩子真把 AI 当社会存在，关系越熟，个人问题应该越多；问题越来越少，说明早期的互动多半出于好玩和图新鲜。

对 AI 说得少、说得简单（第 3 节）：要下结论，得和对人说话作比较。研究者让孩子分别和人（通常是实验者）或 AI 互动，从数量、质量、社交意图三方面看。作者先提醒：孩子对“人”说话也因关系而异，对父母和对陌生人就很不一样，所以 AI 和人的差别里，可能也有关系和情境的因素，要谨慎看待。

• 数量：Xu 等人（2021）让 3—6 岁的孩子读绘本，孩子对人类实验者比对智能音箱回应得更多、话更长。Gampe 等人（2023）让 5—6 岁的孩子和语音助手或真人玩寻宝游戏，孩子对人用了更多的“接地话语”（grounding utterances，用来确认双方理解一致的话）。
• 质量：Xu 等人（2021）还发现，孩子对人的回答用词更丰富、更切题。作者推测，孩子认为人更值得花力气沟通。不过孩子对 AI 也会用另一种方式花力气：为对方调整说话方式。Cohn 等人（2024）发现，孩子对智能音箱 Alexa 说话时话语更长、音调更高；Xu 等人（2021）也发现，孩子对对话代理说话咬字更清楚。作者认为，这可能是孩子知道 AI 作为听者有局限，有意说得更清楚。
• 社交意图：Aeschlimann 等人（2020）发现，5—6 岁的孩子更愿意向人分享信息、给人帮忙。Tolksdorf 等人（2021）发现，4—5 岁的孩子和社交机器人互动时，更常回头看照护者、寻求指引，术语叫“社会参照”（social referencing），可能反映孩子拿不准、有犹豫。Gampe 等人（2023）发现，孩子更主动和人建立“共同基础”（common ground，双方都知道、都认可的信息），更多地确认和澄清。

综合来看，这些发现表明：孩子虽然乐于和 AI 互动，但他们的社交行为在和人交流时表达得更丰富、更有意图。

Together, these findings suggest that although children interact readily with AI, their social behaviors remain more richly expressed and intentional in human communication contexts.

第3节 3.2.3 Social Intention，p.13

AI 听错了，孩子怎么办（第 3 节）：沟通中断（conversational breakdowns）指一方误解了另一方，对话偏离了原意：AI 可能没听懂孩子的话，也可能听懂了却答得不着边际。作者说，孩子和人沟通也常中断，只是 AI 的技术局限可能让它更常发生。孩子的修复策略（repair strategies）有重复、提高音量、咬字更清楚、换个说法，甚至换个话题。Mavrina 等人（2022）记录了 6—12 岁孩子和 Alexa 的例子：孩子问世界上最敏捷的动物是什么，Alexa 却讲了最毒的动物，孩子就一遍遍再问；或者把长问题缩短成“谁最敏捷？”；都不行，就找人帮忙。有个孩子问“我能和妈妈、姐姐一起做什么？”，问得太笼统，大人把它改成“今天某城市有什么活动”。

这些研究没有和对人时的修复作比较。两项实验补上了这一点。Gampe 等人（2023）让 5—6 岁的孩子和人或语音助手互动，双方都事先安排好“听错”。出错以后，和语音助手说话的孩子更不愿意继续，和人说话的孩子则更“宽容”。Li 等人（2024）让 4—8 岁的孩子和人或一个生成式 AI 讲故事代理互动，AI 实时回应，中断是自然发生的。结果：和 AI 说话更容易中断；中断后孩子更少尝试修复，考虑了年龄和语言水平之后仍然如此；相当一部分孩子在 AI 误解自己时并不纠正，而是顺着 AI 的回答往下说。作者担心：

放弃重复、换说法、澄清这些修复策略，孩子可能错过练习和提高重要对话技能的机会。

By forgoing repair strategies – such as repetition, rephrasing, or clarification – children might miss important opportunities to practice and improve important conversation skills.

第3节 3.3 How Do Children React When AI Misunderstands Them?，p.14

Li 等人还推测，孩子把对方看作“自己人”（“in-group” member，和自己相似的人）时更愿意修复对话。他们用“感知同质性”量表（perceived homophily scale）测孩子觉得 AI 和自己有多像，发现孩子越觉得 AI 像自己，越会尝试修复。

为什么不一样（第 3 节）：作者归纳了三个原因。

• 对 AI 对话能力的期待。孩子普遍认为 AI 不如人会说话，所以对它咬字更清楚、音调更高，这可能来自孩子的看法或经历：AI 听不太准。孩子还会边说边调整。Xu 等人（2024）让孩子和一个会针对孩子的话作回应的代理、或一个不管孩子说什么都泛泛回应的代理互动，起初孩子的投入差不多，后来越来越愿意和会回应的那个说话。作者联系“适应”（“adaptation”）理论：孩子 3 岁就能按对方的沟通线索调整自己，年纪越大越会适应对方的说话风格，这种能力也用到了和 AI 的互动上。
• 对 AI“社会临场感”（social presence，觉得对方是一个在场的社会存在的程度）的感知。孩子可能觉得 AI 不那么“在场”、情感投入也少，于是说话更讲功能、直奔目标，比如直接下命令，不闲聊。作者说这未必是坏事，社交性的对话不一定是孩子和 AI 互动的理想结果。但在用 AI 支持社会情绪学习（social-emotional learning）或做治疗的场合，孩子不愿和 AI 社交，就会限制效果，所以开发者在给 AI 加共情的成分，比如情绪认可与评价（emotional validation and appraisal）。
• 社会环境。在 AI 普及的社会，即使孩子自己用得少，也会从媒体、学校、社区形成强烈的期待。Shahid 等人（2014）比较巴基斯坦和荷兰的孩子跟机器人朋友或同伴玩耍：巴基斯坦孩子对机器人的社交能力期待更高，机器人听不懂孩子说话时也更失望；但他们更有劲头、更投入，玩的时候表情更生动。作者认为，在 AI 少见而新奇的地方，孩子带着理想化的期待和高涨的热情接近它。

可以合理地认为，孩子区分对 AI 和对人的互动方式是有益的，因为这种能力可能有助于在 AI 和人类伙伴之间保持清晰的社会边界。

One could reasonably argue that it is beneficial for children to differentiate their modes of interaction with AI, as this capacity may help preserve a clear social boundary between AI and human partners.

第3节 3.4 Why Do Children Talk “Differently” with AI?，p.16

作者也说，量化指标一致显示孩子对 AI 的社交行为比对人少，但不等于没有。Nass 等人（1994）提出“电脑是社会行动者”（“computers as social actors”）：他们用 NeXT 工作站做了五项研究，一台电脑当“导师”答题，另一台当“评估者”评判导师答得对不对。成年参与者会不自觉地套用社交规则：电脑直接请他们反馈时，他们给的夸奖更多；他们还表现出性别刻板印象，觉得男声的夸奖比女声的更可信。作者解释说，说话、你来我往这些细微的类人线索，让人觉得技术有“人味”，不自觉地套用人与人之间的那一套。后来的儿童研究印证了这一点：Ryokai 等人（2003）用绿野仙踪法，让 5 岁孩子和一个叫 Sam 的虚拟同伴或一个真人玩伴轮流编故事，孩子会说“该 Sam 了”，提问时看着 Sam，还主动帮 Sam。作者认为，这和孩子对 AI、对人有差别并不矛盾。

会不会把孩子带坏（第 3 节）：作者说，关心孩子怎样和 AI 互动，更重要的是这些模式会不会带到和人的相处中。常见的担心是：孩子习惯了对 AI 下命令，对人也不讲礼貌。有位家长在博客里写，4 岁的孩子爱让 Alexa 讲“敲敲门”笑话，家长开始担心：AI 被设定成容忍没礼貌，等于鼓励孩子“使唤人”。作者说，这类轶事反映了公众普遍的看法：

这些商用 AI 系统被设定为提供服务，没有任何机制让用户为自己的言语行为负责。

These commercially available AI systems are programmed to serve, with no mechanisms to hold users accountable for their verbal behavior.

第3节 3.5 Can AI Influence Children’s Interactions with Others?，p.18

除了推测和轶事，能支持这些担忧的证据很少。

Evidence beyond speculations and anecdotes to support these concerns is scarce.

第3节 3.5 Can AI Influence Children’s Interactions with Others?，p.18

社交礼仪要靠长期反复的互动才能形成，很难观察，于是有研究者看一个更直接的问题：孩子能不能从 AI 那里学到新的说话习惯。Hiniker 等人（2021）让 5—10 岁的孩子和一个说话会放慢的 AI 对话，孩子说“Bungo”就能让它加快。之后研究者悄悄让父母放慢语速，结果至少一半孩子在实验室里就对父母说“Bungo”；回家以后，55% 的家长报告孩子还在用。作者提醒：家长自己报告不一定可靠；“Bungo”是个没有意义的新词，分不清孩子只是在玩，还是说话方式真变了。

为回应公众的担心，Alexa 等语音助手加了表扬礼貌用语、提示不礼貌说法的功能。作者介绍了两项初步研究。Bonfert 等人（2018）让大学生分两组，一组的数字助手拒绝回应不礼貌的请求，另一组的照常回应，结果前者明显让人更讲礼貌；但说不清这些人是真觉得应该对 AI 有礼，还是发现不礼貌就拿不到信息。作者在脚注里补充：这项研究把不带“请”、不以“您能否”一类客气话开头的请求都算作不礼貌，这个定义相当严苛。Mandagere（2020）改用表扬的办法，观察了五个家庭，家长报告 5—13 岁孩子的礼貌用语比之前多了。作者指出，结果靠家长报告，可能有社会期许偏差（social desirability bias，回答时往“应该如此”的方向靠）和记忆误差，又没有对照组，家长知道研究关注礼貌，这本身就可能影响回答。

证据尚无定论之外，在与 AI 代理的互动中强制讲礼貌，还可能带来一个后续后果：这类功能可能模糊人与人对话和人与 AI 对话的区别，让孩子更难分辨这两种情境。

Beyond the inconclusive evidence, one potential downstream consequence of enforcing politeness in interactions with AI agents is that such features may blur the distinction between human-to-human and human-to-AI conversations, making it harder for children to differentiate between the two contexts.

第3节 3.5 Can AI Influence Children’s Interactions with Others?，p.19

作者还说，公众讨论太集中在说“谢谢”“请”上，而孩子要学的社交规范还包括轮流说话、识别和回应别人的情绪、按情境调整说话方式、理解别人的视角。这些习惯要很长时间才能养成，不容易改变，要长期研究才看得出 AI 有没有影响，目前证据很少。

有别人在场时（第 3 节）：多数研究是在实验室里一对一做的。在家里，孩子问智能音箱的话会被父母、兄弟姐妹听到，他们可能加进来；在学校，孩子共用智能玩具或设备，互动就带上了合作或协商的性质。Wald 等人（2023）研究有 3—8 岁孩子的家庭，发现家长单独用、孩子单独用、一起用语音助手都很常见。

• 家庭：Beneteau 等人（2020）研究家里有 Alexa 时亲子怎样互动，孩子从 1 岁到 13 岁。偶尔有小冲突，比如 Alexa 放了别的家人不喜欢的音乐，或者它一次只能执行一个人的请求，但都没有闹大。家长还把 Alexa 当作中立的第三方来管孩子的行为，比如定个计时器，让孩子结束一件难以停下来的事；孩子似乎更听 Alexa 的建议，作者认为可能因为机器给人客观的感觉。作者说，语音助手本来不是为家庭互动设计的，却在一定程度上起到了这些意料之外的作用。
• 同伴：Pantoja 等人（2019）用化身为动物角色的语音代理，支持 3—4 岁孩子一起玩假装游戏（pretend play）。研究者在幕后实时打字控制代理时，代理能在恰当的时候给建议和鼓励，孩子玩散了就把他们拉回来，像幼儿园老师或家长那样引导，又不喧宾夺主。改成孩子用平板应用自己控制代理说什么以后，孩子忙着让代理说话，几乎每分钟两次，彼此一起玩的时间反而少了。作者说，本想给孩子控制权的平板界面，结果抢走了孩子的注意力。
• 有意的设计：很多教育技术只做孩子和设备一对一的互动，可能挤掉宝贵的亲子互动。Xu 等人（2023）开发了嵌在电子书里的双语对话代理 Rosita，面向有 3—6 岁孩子的家庭，促进亲子共读（shared reading）。除了问孩子理解故事的问题，它还提开放的“家庭问题”（“family questions”），邀请父母和孩子把故事和自己的经历联系起来。研究发现，这些问题引出了实质性的亲子对话，谈到日常经历、共同回忆和故事内容。

这项研究表明，AI 代理如果经过精心设计、考虑到家庭互动，就能增强而不是取代家庭里的人际互动，让技术成为家庭交流的桥梁，而不是障碍。

This research demonstrates that when AI agents are thoughtfully designed to consider family dynamics, they can enhance rather than replace interpersonal interactions in families, turning technology into a bridge rather than a barrier to family engagement.

第3节 3.6 How Do Children Interact with AI When Others Are Present?，p.22

AI 是活的吗（第 4 节）：孩子一直好奇植物、家电、玩具甚至虚构角色是不是“活的”“真的”，这关系到孩子怎样区分有生命和无生命的东西。皮亚杰的阶段论认为，孩子先是把两者混在一起，后来形成有缺陷的区分（比如认为会动的就是活的），最后才有成人式的理解；批评者质疑这种发展是按固定阶段跳跃，还是连续进行。两派都同意，童年是概念不断发展的时期，给 AI 归类对孩子来说不容易：孩子常看会不会动这类看得见的特征，把它和“活的”连在一起，却忽略能显示 AI 并非生命的那些看不见的特征。

这类探索的主要结论是：孩子对 AI 的看法是混杂的，落在“有生命—无生命”这条光谱的不同位置。

The key takeaway from this line of exploration is that children have mixed beliefs about AI falling along the animate–inanimate spectrum.

第4节 4.1 Do Children Believe AI Is a Living Being Like Humans?，p.23

Xu 和 Warschauer（2020）请 3—6 岁的孩子描述用过的 Google Assistant。17% 的孩子称它“人”或“女孩”；多数孩子说它是“设备”“机器”“手机”；还有相当一部分孩子归不了类，说它“像人又不是人”，或者是“魔法”。初步看有年龄差别：6 岁的孩子全都认定它是人造的东西，认为它是活物的全是 3 岁孩子。书中图 2 收了孩子们画的“Google Home 智能音箱里面有什么”。Festerling 和 Siraj（2020）问 6—10 岁的孩子 Alexa 是什么，孩子多用“电脑芯片”“硬盘”这类说法；有的孩子推理说，人得把自己的智能“放进”造出来的机器，所以“被造的”永远不会比“造它的”更聪明。

什么让 AI 显得像人（第 4 节）：另一种研究办法是看哪些特征让孩子觉得 AI 像人。这些特征常分三类：认知（想法）、心理（感受、情绪）、行为（动作、言语）。三类全有或全无，孩子容易归类；只有一部分，就让孩子拿不准。作者把有生命和无生命看作一条连续的光谱，有些东西落在两头，有些落在模糊的中间。

• Xu 和 Warschauer（2020）发现，多数 3—6 岁的孩子认为 AI 会思考、会记事，但较少认为它能像朋友那样有感受、有情绪。问理由，孩子常说因为它能对话，特别是能针对自己的话作回应（contingent）。作者说，AI 的应变能力和说话能力，被孩子当作有智能的强烈信号。
• Girouard-Hallam 等人（2021）发现，6—10 岁的孩子也认为语音助手有一定的社会和心理能力，年纪越小越明显。这种倾向还延续到成年：Cohn 等人（2024）让孩子和成人与 Alexa 互动后，问他们觉得 Alexa 有多像真人，两组都有约三到四成说像，孩子略多一些，但差别看来不显著。
• 外形和动作也是线索。Melson 等人（2009）发现，多数 7—15 岁的孩子认为机器狗 AIBO 有心理状态、社会意识和道德地位（moral standing）。Beran 等人（2011）发现，5—16 岁的孩子中有相当比例认为机器人有认知、行为、心理特征，而让孩子觉得它是活的，主要是它的动作，而不是它的智能；问孩子为什么觉得机器人是活的，多数说因为它长得像人、看上去能自己动。作者在括号里补充：当时的机器人动作单调重复，孩子不觉得它聪明，今天的 AI 未必如此。

与其把这些因素看作相互竞争、彼此排斥，不如把它们看作互补的线索：孩子判断 AI 有多“像人”时，常常同时掂量这些线索。

Rather than treating these dimensions as competing or mutually exclusive, it may be more accurate to view them as complementary cues that children weigh, often simultaneously, when making judgments about the “humanness” of AI.

第4节 4.1 Do Children Believe AI Is a Living Being Like Humans?，p.25

AI 自己做决定吗（第 4 节）：孩子看到 AI 的这些表现，会认为是程序驱动的，还是 AI 有自己的“心智”？心理学研究认为，人凭直觉从两方面理解“心智”：能动性（agency），即形成意图、推理、追求目标、计划、沟通和行动的能力；体验（experience），即感受情绪、感到快乐或痛苦、通过感官知觉、记住经历、有个性、有意识的能力。

• Brink（2018）让 3—17 岁的孩子看类人机器人的短片，再问它的能动性和体验。用聚类分析（cluster analysis，按回答的模式把人分组）发现，一半多的孩子认为机器人能动性低、感受情绪的能力也有限；另有约四分之一认为它能动性高，但仍没有体验。
• Flanagan 等人（2023）让 4—11 岁的孩子看机器人和语音助手的视频，孩子普遍认为它们几乎没有体验，但仍有一定的能动性，在 0 到 3 分的量表上平均约 1 分。Flanagan 等人（2021）还发现，5—7 岁的孩子大体认为机器人和人类小孩“做选择”的能力差不多。
• Dietz 等人（2023）让孩子看视频：一个人把不同的信息分别告诉两个对象，要么是两个人，要么是两台联网的智能音箱。人各听各的，联网的音箱则会同步、共享信息。成人能推断出两台音箱知道的一样，有些孩子却像对待人一样，认为两台音箱各知道各的。作者说，孩子可能难以区分人的“信念”和 AI 的“信念”。

作者说，在他们自己的研究里，很多孩子同意“代理和我互动，是因为它自己选择这样做”。这种看法可能让互动显得更真诚、更有意义，孩子更投入；但也带来发展上的隐忧：孩子可能误以为 AI 自己做决定，而它其实受算法而不是意识支配。这会影响孩子对责任、问责，以及有知觉的生命和按程序运行的机器之间区别的理解。

例如，AI 系统出错时，孩子可能误把责任算在 AI“本人”头上，而没有认识到这是它的设计或数据固有的局限。

For example, when AI systems err, children might mistakenly hold the AI personally accountable rather than recognizing the limitations inherent in its design or data.

第4节 4.2 Does AI Make Decisions on Its Own?，p.27

该不该公平对待 AI（第 4 节）：作者说，这方面研究还在早期，初步的趋势是：孩子普遍认为不公平、恶劣地对待 AI 是不对的，但不认为 AI 应享有自由或公民权利。

• 一项研究让 9 岁、12 岁、15 岁的孩子和类人机器人 Robovie 轮流玩游戏。玩到一半，还没轮到 Robovie，实验者就突然把它抱起来塞进柜子，Robovie 抗议说这不公平。事后访谈中，看到这一幕的孩子认为这样对它不公平，它应该受到公平对待；但认为 Robovie 享有公民自由（civil liberties）或公民权利（civil rights，如投票、工作拿报酬）的孩子要少得多。
• Flanagan 等人（2023）针对孩子熟悉的 Google Assistant 和 NAO 类人机器人，发现孩子平均认为冲它们吼叫或动手打都是不对的。
• Newhart 等人（2016）研究患慢性病的孩子用机器人远程上学。同学们很快把机器人当人看：叫它的名字，在走廊里跟它打招呼，甚至拥抱它。但这有明确的界限：有一天学生 Samuel 本人来学校拍班级合照，同学们问为什么他和机器人都在照片里，坚持说“那是一个人”；他本人到场后，机器人就不再被当作他的替身，被推回了充电站。

这一转变说明，孩子会依据情境和是否亲身在场，在“把机器人当作社会意义上真实的存在”和“把它归为物品”之间来回切换。

This shift underscores how children can toggle between treating the robot as socially real and categorizing it as an object, depending on context and physical presence.

第4节 4.3 Does AI Deserve to Be Treated Fairly?，p.28

另有研究看到，孩子游戏时称机器人为队友或朋友，游戏一结束，又说要给它“停车”“充电”“升级”。作者总结说，孩子在和 AI 的互动中表现出共情和道德推理，但常常把 AI 看成被人拥有、被人控制的工具，而不是有权利的自主存在。

孩子说不能虐待 AI，是出于共情吗？Oh 等人（2025）问孩子能不能把 Alexa 放在冷的地方、能不能把它扔进箱子，再追问“为什么”。孩子的顾虑很少是 AI 会不会受伤害、会不会被剥夺权利，多半是怕它不好用了。一个孩子说，那样 Alexa 就没那么有用了，白白浪费很多钱，“就像买了一整座房子再把它砸掉”；另一个说，它可能会没电，“它们挺贵的”。

然而，更深入的分析表明，孩子的这种行为反映的可能是：想保住 AI 代理作为一件有用但易坏的工具的价值。

However, a deeper analysis suggests that their behavior could instead reflect an effort to preserve the AI agent’s value as a useful but fragile tool.

第4节 4.3 Does AI Deserve to Be Treated Fairly?，p.28

信 AI 还是信人（第 5 节）：

研究者仍在努力弄清孩子怎样决定是否信任 AI，但关于人际互动的已有研究形成了一个共识：孩子不会盲目相信他们得到的所有信息。

While researchers are still working to understand children’s decision-making in trust toward AI, existing research on human interactions suggests a consensus that children do not blindly trust all the information they receive (Harris & Corriveau, 2011).

第5节 5.1 AI versus Humans: Who to Trust?，p.28

这个问题属于“选择性信任”（selective trust）研究，看孩子怎样评估不同的信息来源。常用两种测量：认可（endorsement），即 AI 和人说法冲突时，孩子接受谁的；求取新信息的偏好（preference for seeking new information），即需要更多信息时，孩子去问谁。

• Stower 等人（2024）：一个人和一个机器人先都正确说出熟悉物品的名字，说明两个都可靠；然后它们给一个新物品起了不同的名字，3—6 岁的孩子更可能相信机器人的。
• Girouard-Hallam 和 Danovitch（2022）又加了年龄和信息类型两个因素。4—5 岁和 7—8 岁的孩子要事实信息（比如某种动物吃什么）时更信 AI；问题涉及个人，也就是关于孩子自己或别人的事时，更信人、更愿意问人。作者说，这解释了 Stower 的结果：给物品起名属于事实信息。这项研究还发现，按信息类型区分信任的倾向随年龄越来越明显；原因不太在于孩子怎么看对方的一般能力（比如会不会学新东西），而在于孩子怎么看对方能不能获得某一类信息：孩子知道语音助手能上网、知识面广，适合问事实；关于实验者本人的事，人更有发言权。

信 AI，还是信造 AI 的人（第 5 节）：

与“信人还是信 AI”相关，还要注意：人们对 AI 的信任，常常和对 AI 的创造者——人——的信任交织在一起。

Related to the discussion of trust in humans versus AI, it is also important to note that people’s trust in AI is often intertwined with their trust in the creators of AI: humans.

第5节 5.1 AI versus Humans: Who to Trust?，p.30

作者说，以往研究常常说不清测的是孩子对技术本身的信任，还是对负责这项技术的人或机构的信任。成人研究已经呼吁把两者分开，但在幼儿身上很难：一是很多幼儿可能根本不知道 AI 是人造的，不过年纪大些会好转，Girouard-Hallam 和 Danovitch（2024）发现，9—10 岁的孩子知道 Google 是查找信息的有效工具，但信息本身来自人；二是人们常把新技术拟人化，直接把它当作信任的对象。作者建议，未来研究可以用深度访谈或专门的问卷，把这两种信任区分开，并看它们怎样相互作用。

影响信任的三类因素（第 5 节）：AI 和 AI 之间也有差别，比如怎样传递信息、怎样呈现自己，这些也影响孩子信不信。

• 过往准确性。Brink 和 Wellman（2020）让一个机器人总是叫对熟悉物品的名字，另一个总是叫错，之后 3 岁的孩子更愿意问、也更相信叫对的那个。作者说，看对方过去准不准，能帮孩子在缺乏知识时少受误导，但也有风险：

然而，过度依赖过往准确性也可能盖过其他相关线索，让孩子仅仅因为对方以前可靠就相信它，即使它这一次的说法可能是错的。

However, an overreliance on past accuracy may also overshadow other relevant cues, leading children to trust an informant solely because of their prior reliability, even when the current claim may be inaccurate.

第5节 5.2.1 History of Accuracy in the Past，p.31

AI 出错后，孩子的信任会下降，但如果它之后一直准确，信任可以恢复。Di Dio 等人（2020）让 3—9 岁的孩子判断游戏伙伴（人或机器人）能不能猜中娃娃藏在哪个盒子里，分三个阶段：信任建立（孩子连续三次跟着伙伴猜，算建立了信任，看需要几轮）、信任丧失（伙伴错几次孩子就不跟了）、信任恢复（重复第一阶段）。结果对机器人的信任能恢复，但比最初建立时要多试几轮，对人也是这样。还有别的因素会干扰：Brink 和 Wellman（2020）发现，只有机器人长得像人时，3 岁的孩子才会因为它过去准确而更信它；机器人不像人，过去准不准都一样。Baumann 等人（2023）比较一个能干的机器人和一个给过错误信息的人：3 岁的孩子明显更信那个不靠谱的人，5 岁的孩子更信能干的机器人。

这一转变表明，随着年龄增长，孩子在判断该信谁时，越来越能把认知方面的线索放在相互冲突的社会线索或知觉线索之前。

This shift suggests that, with age, children become increasingly able to prioritize epistemic cues over conflicting social or perceptual cues when evaluating whom to trust.

第5节 5.2.1 History of Accuracy in the Past，p.32

• 熟悉与依恋。还没有研究专门看孩子对 AI 的熟悉程度，但研究发现孩子更信熟悉的媒体角色。Danovitch 和 Mills（2014）让 4 岁的孩子听熟悉的角色（如《海底总动员》里的 Nemo）或长得相似的陌生角色讲一些关于新奇动植物、食物和活动的事，孩子更愿意问熟悉的角色，也更认可它说的话；熟悉的角色说错之后，孩子对它的信任有所下降，但偏好并没有完全转向说对的陌生角色。作者说，这背后可能是准社会关系（parasocial relationships），也就是反复接触形成的单向情感纽带；熟悉这类强烈的情感线索，会让孩子凭感觉作判断（heuristic processing，启发式加工）。AI 还能回应孩子，熟悉和依恋的作用可能更强。
• 说话方式。Van Straten 等人（2022）让 7—10 岁的孩子和会闲聊（“你好吗？”“你几岁了？”）或不闲聊的 NAO 类人机器人互动，机器人闲聊时，孩子对它的整体信任更高；进一步分析显示，可能因为孩子觉得它更能和自己的视角保持一致。说话自信不自信也有影响，这体现在语气、姿势、措辞上。对人类信息提供者的研究发现，只在话前加一句“我觉得”，3 岁的孩子就会起疑；说“我知道……”比说“我猜……”明显更让 3—6 岁的孩子信任。一项成人研究发现，AI 在回答前加一句“我不确定，但……”，人们对它的信心降低、也更少同意它的答案，但识别错误答案的准确率提高了。作者由此提醒：

像 ChatGPT 这样的 AI 代理，提供信息时常常显得非常自信，无论是语气还是呈现知识的方式，即使答案可能不准确，甚至根本无从知道。

AI agents such as ChatGPT often deliver information with a high degree of confidence – both in tone and in the way they present their knowledge – even when the answer may be inaccurate or unknowable.

第5节 5.2.3 Communicative Behaviors，p.33

作者说，这可能在无意中抬高用户对系统的信任，让人不加审视地接受它的答案。作者在脚注里补充：较新的研究显示，新一代大语言模型在改进，更能区分能回答和不能回答的问题，也更能认识到自己知识的边界。

作者说，前几节讲的那些即时互动，关系到孩子怎样获得技能和知识、把它迁移到别的领域、用到日常生活中。本节看这些互动是孩子向 AI 学习的基础，还是限制。

AI 当语言伙伴（第 6 节）：孩子通过和父母、老师、同伴的对话发展语言。研究者开发了在阅读、讲故事、角色扮演中模拟人际互动的“语言伙伴”（language partners）。

• Xu 等人开发的对话代理和 3—6 岁的孩子做对话式阅读（dialogic reading，边读边提问、根据孩子的回答给反馈的共读方法）：它讲故事、提问、回应孩子。孩子故事理解的提高，和跟真人一起读的孩子差不多。
• Westlund 等人（2017）让学前儿童分别跟机器人和真人学陌生动物的名字。孩子同样能读懂机器人和人的目光、姿势，找到它们说的是哪个，记住的词也差不多。
• Fan 等人（2024）的平台让二至四年级的孩子设定主角的性格和情绪、选场景，系统用 AI 生成的关键词引导孩子编每个场景的情节。孩子写出了奇幻、科幻、冒险等故事，对系统和故事的评价都很高，最喜欢的是 AI 画的图。作者认为，这说明生成式 AI 可以在保住孩子的主动性和热情的同时，为写作搭支架。
• Estévez 等人（2021）让 NAO 机器人在 30 周的言语治疗中陪五名 9—12 岁、有语言障碍的孩子练习，目标是提高阅读理解、发音、语音意识（phonological awareness，辨别和操作语音的能力）等。治疗师在场，孩子直接和机器人互动，复述故事、回答理解问题、辨认音节结构，机器人给指导、支持和鼓励。治疗师观察到孩子在发声、记忆和造句上都有进步。
• 对多语学习者，AI 可以补上家里某种语言接触少（比如父母不完全是双语）、学校偏重一种语言的不足。前面提到的 Rosita 能用西班牙语或英语共读贴近孩子文化的图书（culturally responsive books），两种语言都听得懂，3—6 岁的孩子说话时可以在两种语言之间自然切换（code-switch，语码转换）。Lee 和 Jeon 为年龄稍大的英语学习者设计的对话代理，用闲聊、猜东西游戏和介词练习做结构化的对话，多数孩子把它看作像人的伙伴。

AI 还做不好的两件事（第 6 节）：

• 共同注意（joint attention），即孩子和说话的对方同时关注同一样东西，是早期语言学习的基础。父母会本能地回应孩子身体前倾（感兴趣）或扭开（没兴趣）这类细微信号，AI 很难识别和回应。Kwon 等人（2022）用计算机视觉（computer vision）判断目光，用语音识别听出说的是哪样东西，追踪亲子的共同注意，再在屏幕上推荐话题（孩子 1—3 岁）。和静态的指导卡相比，家长针对孩子注意焦点的回应多了 38.3%；但系统只认得事先设定的物品，还要三台摄像头，很难推广。
• 建立共同基础。父母会把故事和孩子的经历联系起来，比如讲动物故事时提起孩子最近去过的动物园，AI 很难有这样丰富的情境感知。

虽然可以给 AI 编入关于儿童发展的一般知识，但它很难复制人类照护者依据对孩子世界的亲密了解来调整互动的方式。

Though AI can be programmed with general knowledge about child development (e.g., Dietz Smith et al., 2024; Zhang et al., 2024), it cannot easily replicate how human caregivers adjust their interactions based on intimate knowledge of a child’s world.

第6节 6.1 Can AI Help Children Learn?，p.36

作者说，要做到这一点，既要自然语言处理进步，也要能在保护隐私和安全的前提下收集、利用孩子的个人情境。

语言之外（第 6 节）：作者说不求列全，只举几例。Xu 等人把对话代理加进 PBS KIDS 制作的儿童电视节目，3—6 岁的孩子在剧情中和角色讨论科学概念，科学学得比只是看节目的孩子好。Dietz 等人（2021）的 StoryCoder 是个语音引导的手机应用，用互动讲故事教 5—8 岁的孩子计算思维（computational thinking，把问题拆成步骤、让计算机执行的思考方式）；对 22 个孩子的评估显示，他们能通过定制故事的游戏学会“顺序”“循环”等概念。Zhang 等人（2024）的 Mathemyths 用 GPT-4 和孩子一起编故事，把数学词汇自然地编进情节；早期系统只能按预设的脚本回应，它能顺着孩子的想法续写；孩子从它那里学到的数学，和从真人那里学到的相当。作者说，生成式 AI 借助恰当的提示工程（prompt engineering，精心设计给模型的指令），能在开放的对话中守住教育目标。

有效设计的四个特征（第 6 节）：作者从这些研究中归纳出四点。

• 结构化支架（structured scaffolding）：有意安排提示、线索、反馈的顺序，让任务保持在孩子最合适的难度，并随孩子掌握逐步撤掉。例如孩子答不上来时，对话代理把问题改成更简单的选择题，学前儿童的故事理解和概念理解明显提高；孩子有误解时，智能数学导师给针对性的提示，把孩子引向正确的推理，而不直接给答案。
• 人的参与（human involvement）：家长或同伴加进来，就成了“三方学习”（triadic learning experience），人提供情感联结、回应和现实情境，AI 提供持续的、随孩子调整的练习。例如家长在双语共读系统的提示上，把故事和孩子的日常联系起来；目光追踪系统在幼儿盯着某样东西时提醒家长及时提问，来回的对话明显增多；言语治疗中，治疗师退后一步观察、微调目标，由机器人带练习、给反馈。

在这些例子中，人与 AI 的合作借助了孩子对熟悉的大人和同伴天然的社会动机，加深了投入，并让新知识扎根在丰富的共同经验里。

Across these examples, human–AI partnerships leverage the natural social motivation children feel toward familiar adults and peers, deepening engagement and grounding new knowledge in rich, shared experiences.

第6节 6.1.1 Key Design Features in AI Systems for Learning，p.40

• 儿童主导的创造性互动（child-driven, creative interactions）：由孩子提出想法，故事、画面或解题办法都行，再在 AI 帮助下反复修改。例如 Mathemyths 把数学词汇编进孩子自己编的情节；Fan 等人的平台由孩子设定角色、情绪和场景，AI 生成插图，孩子边评边改，练了文体结构、描写语言和用画面讲故事；StoryCoder 里孩子决定屏幕上的人物怎样解决问题，代理把孩子的选择变成可运行的代码块。作者说，这能培养好奇心、自我效能感（相信自己能做成的信心），让知识和技能能持久地迁移。
• 包容性设计（inclusive design approaches）：承认孩子的语言、文化身份和发展特点各不相同。Rosita 贴近所服务家庭的文化背景，用英语和西班牙语读书，孩子自然切换语言，家长也能以真实、自在的方式参与，既促进两种语言的发展，也肯定了家里的语言习惯和身份。对语言障碍儿童，NAO 在 30 周里用清晰的提示和即时反馈，带孩子辨音、切分音节、造句，按稳定的节奏给每个孩子个别的练习。

用 AI 会不会影响学习能力（第 6 节）：词汇、科学概念这类成果，作者叫“近端结果”（proximal outcomes），和 AI 教的内容直接相关。这时 AI 像老师一样讲解、提问、反馈，在具体领域往往能带来稳定的提高。但还要看 AI 怎样影响跨领域的基础能力。作者看了好奇心、创造力和自我调节三项。

好奇心（第 6 节）：好奇心大致指想学习、想探索未知的愿望，表现为探索和提问。作为稳定特质的好奇心难测，研究多看“状态好奇”（“state” curiosity），即在具体的学习时刻表现出来、受环境影响的好奇。Oh 等人（2025）在两周的研究里，记录了孩子和生成式 AI 之间的“智识探寻段落”（“passages of intellectual search”）：孩子一个接一个地追问越来越具体的问题，有时因为答案留了空白，有时因为 AI 的回答带出了新信息。

这些例子表明，AI 不仅能满足孩子即时的信息需求，还能支持更深入、更持久的探索。

These instances demonstrate how AI can not only fulfill children’s immediate informational needs but also afford deeper and more sustained exploration.

第6节 6.2.1 Curiosity，p.41

激发认知好奇心（epistemic curiosity，想弄懂、想知道的好奇）有两种办法：示范好奇的行为；让孩子看到自己已知和想知之间的差距。两者常一起用。一项研究让孩子和社交机器人在平板上合玩一个编故事的应用，孩子摆弄屏幕上的角色，机器人配合着讲故事。一组孩子遇到的是“好奇型”机器人，它对学习和探索表现出热情，给孩子出难题，建议新的玩法；另一组遇到的是中性的机器人，只是合作的玩伴。48 个 3—8 岁的孩子参加，好奇型机器人那组的孩子，自由探索和寻求不确定性的行为（uncertainty-seeking behaviors）明显更多。作者说，这支持好奇心可以通过社交传递；Abdelghani 等人（2022）对稍大的小学生和对话代理的研究也印证了这一点。

然而，目前还不清楚需要多少这类互动，也就是怎样的“剂量”或强度，才能让激发好奇的经历变成孩子稳定的性情。

However, it remains unclear how much exposure – or what “dosage” or intensity – to such interactions would be necessary for curiosity-promoting experiences to evolve into stable dispositions in children.

第6节 6.2.1 Curiosity，p.42

创造力（第 6 节）：创造力怎么定义、怎么测，学界没有共识，所以很难确定 AI 是否影响创造力。目前最全面的证据来自成人研究：让人做一系列创造性的解题任务，比如用回形针、水瓶和纸袋造一个新玩具，按原创性和恰当性（是否可行）打分；用 AI 的人比用 Google 搜索的人，想法更原创也更恰当（Lee 和 Chung，2024）。

然而，个人层面创造力的这种提升，似乎是以集体层面的多样性为代价的。

Yet such enhancement in individual-level creativity appears to come at the expense of diversity at the collective level (Doshi & Hauser, 2024).

第6节 6.2.2 Creativity，p.42

也就是说，单看每个人的想法更新颖，放在一起却更雷同。作者担心，随着生成式 AI 成为人们构思时常用的起点，社会层面的创造力会受到长期影响。

儿童研究多是专门做的儿童界面，帮孩子讲故事、画画。一个思路是让 AI 示范好的创造行为，让孩子在观察和互动中学过去。Elgarf 等人（2021）做了一个讲故事代理，点子来得快，情节常有意外转折；比较 7—8 岁的孩子和它互动、与和一个不作示范的代理互动后编出的故事，平均创造力分数没有显示前者更好。作者说这可能有测量和统计方法上的原因，也可能只靠示范、没有明确指导，不足以影响孩子。另一个思路更直接，由 AI 提供明确的支架，把抽象、流动的创作过程变得具体、有条理。Zhang 等人（2022）的系统让 6—10 岁的孩子编故事，AI 把孩子的叙述实时画成草图：孩子说“路边两朵粉色的花”，系统就提取“两”“粉色”“花”，马上画出来；它还会在已有想法的基础上补画一些启发想象的草图。加上这个功能以后，孩子想出的点子明显更多、也更细。作者说，不少类似的程序都相当一致地显示，明确的支架能提高孩子在创造力任务上的表现。

那么 AI 自己有创造力吗？发展心理学研究者比较孩子和 AI 的“创造力”，认为孩子更会想出出人意料又可行的点子。Gopnik（2022）的解释是：孩子成长中会建立关于周围世界的抽象模型，能作出明显偏离已有信息的预测和概括，这和 AI 预测序列中的下一个词元（token）根本不同。

化解这一矛盾的一个办法，是重新思考 AI 的角色：不把它当作创造力的来源，而把它当作促进者，为孩子的创造力生长创造条件。

One way to address this tension is by rethinking AI’s role – not as a source of creativity, but as a facilitator that establishes conditions under which children’s creativity can flourish.

第6节 6.2.2 Creativity，p.44

作者解释说，这类创作辅助工具自己并不创作，它们降低认知负荷（cognitive load），扫除创作中那些辅助性的障碍，从而放大孩子的创造表现，即使创造力本身来自孩子。

自我调节（第 6 节）：作者先分清两个概念。自我调节（self-regulation）和执行功能（executive functioning）密切相关，指为达成目标而监控、管理自己的内部状态、情绪和行为的能力，包括抑制控制、工作记忆和认知灵活性。自我调节学习（self-regulated learning, SRL）指主动管理自己的学习过程，包括计划、检查自己懂没懂、评估进度、反思学习策略，更偏具体任务，通常发生在学业情境中。前者是后者的基础。

Weng 等人（2024）做了一个用 AI 反馈支持自我调节学习的系统，发现 AI 能让调节策略变得更明确，促使小学生当场反思，养成经常问自己元认知监控问题（metacognitive monitoring questions，即检查自己想得对不对、懂得够不够的问题）的习惯。但悬而未决的是：AI 撤走以后，孩子能不能把这些策略变成自己的？这一点很要紧，因为孩子将来会在没有这种帮助的情境中遇到 AI。

一个有前景的方向，是让 AI 系统不只提供即时的支架，还逐步教会孩子调节自己的学习。

One promising direction is to design AI systems not only to provide immediate scaffolding but also to gradually teach children how to regulate their own learning.

第6节 6.2.3 Self-regulation，p.44

具体说，AI 先示范调节的策略，再鼓励孩子承担越来越多的监控责任，等孩子掌握了再撤掉支持。Molenaar（2022）在数学学习原型系统上的证据显示，这种逐步移交能提高孩子调节的准确性，减少对 AI 提示的依赖，并让策略迁移到新的情境。

为什么要有 AI 素养（第 7 节）：

AI 系统的一个关键特征是不透明：孩子通常不知道，在他们的输入（比如对 AI 代理说的话）和系统的输出（比如 AI 代理的回应）之间发生了什么。

A key characteristic of AI systems is their opacity, as children are generally unaware of what happens between their input (e.g., what they say to AI agents) and the system’s output (e.g., how AI agents respond).

第7节 7.1 What Does AI Literacy Entail?，p.45

再加上孩子的认知能力还在发展、技术知识有限，许多面向儿童的 AI 产品又模仿人，让孩子把它看作玩伴、教练或陪伴者，却不展示它内部怎样运作。作者说，这种黑箱（black-box）设计可能在不经意间助长对 AI 的过度依赖，让孩子少了批判地评估、质疑所得信息的机会。所以研究界越来越关注 AI 素养（AI literacy），也就是有效与 AI 互动所需的技能。AI 素养常被看作数字素养（digital literacy）的一部分或延伸，后者是二十年前随着互联网、智能设备和社交媒体的兴起受到重视的；AI 素养到底包括哪些核心技能，还在讨论中。

AI 素养包括什么（第 7 节）：有学者提出一个多维框架。AI 可以看作技术系统（如机器学习的原理）、工具（如 Google Assistant），也可以看作有社会影响的社会技术系统（sociotechnical systems，如对儿童隐私的影响）；素养可以是功能性的（如理解和实现机器学习模型）、批判性的（如批判地评估 AI 产品、负责任地使用），也可以是动机性的（如培养对 STEM，即科学、技术、工程、数学的兴趣）。Long 和 Magerko（2020）把 AI 素养定义为一组技能，让人能批判地评估 AI、与 AI 沟通、把 AI 当工具有效协作，涵盖五个问题：AI 是什么？AI 能做什么？AI 怎样工作？AI 应该怎样用？人们怎样看待 AI？作者指出，这两个框架说的“儿童”都没有明确年龄，可能从幼儿园到高中都包括。也有针对特定年龄的框架：Su 等人（2023）综述了 16 篇关于幼儿 AI 素养的文章，提出的范围和通用框架相似，包括机器学习、基于规则的系统（rule-based systems）等基本概念；各框架深浅不同，覆盖的主题是一致的。

怎样测（第 7 节）：早期的测评多是测验、问卷或结构化访谈，测孩子对 AI 技术（如机器学习、算法）或社会影响（如隐私、工作被替代、决策是否公平）的了解；很少直接评估孩子动手和 AI 打交道的能力，比如操作 AI 系统、搭简单的模型、用 AI 工具作出明智的决定，而这些也许更能反映实际的 AI 素养。作者按年龄介绍了几种：

• 幼儿园：研究发现，幼儿园的孩子能理解 AI 由人用数据训练、能帮人解决日常问题、能力有局限，也能了解不同的 AI 算法；但这个年龄还缺少可靠的测评，现有的多和具体课程绑在一起。Williams 等人（2019）的 PopBots 平台，让 4—6 岁的孩子通过机器人和平板应用学三个概念：基于知识的系统（knowledge-based systems）、监督式机器学习（supervised machine learning）和生成式 AI。研究者编了 10 道选择题，让孩子在孩子熟悉的情境里预测机器人会怎么做。例如，机器人只学过把草莓和番茄归入“好”组，没学过别的食物，问它会把巧克力归到哪一组。答案是“好”组，因为它只见过“好”组的例子。这道题考孩子是否明白：只见过一类例子的机器人，会把所有新东西都归到那一类。
• 小学：AI 素养教育从小学起更普及，有兼顾功能和社会两方面的系统课程，测评也更全面、经过验证。Chung 等人（2025）为小学生设计的测评涵盖三方面：理解 AI 的概念（AI 是什么、能做什么）、AI 怎样工作（知识表示、决策、机器学习）、AI 伦理。24 道题都用小学生会遇到的真实情境，比如认出日常生活中的 AI 应用、理解 AI 怎样作决定。测评经过 15 位专家多轮评审和 287 名六年级学生试测，信度良好（衡量测验内部一致性的 KR-20 系数高于 0.81），难度适合这个年龄。
• 初中：给年龄小的孩子的测评重基本概念，给初高中生的更重技术术语，以及对 AI 的定义、功能和伦理影响的深入理解。Chiu 等人（2024）编了 25 道选择题测初中生的 AI 素养，在香港 2,390 名学生中验证。它对应香港中小学 AI 课程框架的三个领域：AI 知识（区分 AI 和非 AI 技术，懂神经网络、自然语言处理等概念）、AI 过程（强化学习、模型训练、训练数据的重要性）、AI 影响（工作被替代、透明、负责任的开发、隐私）。

作者认为，这些工具能帮人初步了解孩子知道什么，但不一定能反映孩子把 AI 当工具用的能力：

这些技能可能很难用测验式的题目来测量，用要求孩子真正上手使用 AI 工具的情境式测评，或许能测得更可靠。

These skills are likely difficult to measure through quiz-style items and may be more reliably assessed through scenario-based instruments that require children to actually engage with AI tools.

第7节 7.1 What Does AI Literacy Entail?，p.48

而且多数测评基于具体的课程框架，只覆盖部分技能，难以用来测孩子总体的 AI 素养。

幼儿能学 AI 伦理吗（第 7 节）：许多项目开发课程或平台，明确地教孩子 AI 素养，既教技术知识，也让孩子理解 AI 的社会和伦理影响。多数项目让孩子动手，比如操作 AI 算法、为社会目的设计 AI 系统；研究显示，孩子对 AI 的知识和态度、对它社会影响的认识，都能明显提高。

• Van Brummelen 等人（2023）做了一个儿童友好的应用，让初中生和家长一起做自己的对话代理。它用搭积木的方式（building-block design）加功能，孩子不必懂代码语法。之后孩子更有信心判断什么时候该信任自己做的代理，作者认为可能因为孩子更懂 AI 内部怎样运作了。
• Charisi 等人（2021）的跨文化研究，看日本和乌干达的孩子怎样理解公平，包括和机器人有关的情境。小到 6 岁的孩子，就能说出对机器人伙伴偏心的担心。乌干达孩子重物质层面的公平，想象机器人应该保证人人平等地得到食物、衣服或进教室；日本孩子重心理层面，比如机器人能理解学生迟到的理由，并据此作判断。

这些例子表明，即使是年幼的孩子，也能把植根于自身文化的公平观念用在对智能系统的期待上。

These examples demonstrate that even young children can apply culturally grounded ideas of fairness to their expectations of intelligent systems.

第7节 7.2 Can Young Children Learn AI Literacy and Ethics?，p.49

• Melsion 等人（2021）做了一个互动平台，把它的图像分类（image classification）系统依据哪些特征作判断显示出来，帮助孩子理解算法偏见（algorithmic bias），认出 AI 输出中的歧视模式。

综合来看，这些例子说明，AI 素养教育既可以通过教技术基础来开展，也可以通过培养孩子对公平、偏见以及智能系统带来的伦理挑战的意识来开展。

Together, these examples suggest that AI literacy education can be approached not only through teaching technical foundations but also by fostering children’s awareness of fairness, bias, and the ethical challenges posed by intelligent systems.

第7节 7.2 Can Young Children Learn AI Literacy and Ethics?，p.49

三块怎样连在一起（第 8 节）：作者回到全书的三块内容。互动是孩子和 AI 来往的主要方式，孩子由此获得直接经验，经验塑造感知；感知是孩子心里对 AI 的理解，既受行为影响，也引导行为；学习是互动和感知的结果，既包括关于 AI 本身的知识和技能，也包括借 AI 获得的经历带来的更广泛的发展。

一条主线（第 8 节）：表面上，孩子对 AI 和对人很像：提问、求助，甚至说带情绪的话；但仍有细微差别，可能源于孩子对 AI 能否回应、是否可信的不同期待。感知上也一样两难：有的孩子模糊了人和机器的界限，有时认为 AI 有想法、有情感；有的孩子认识到 AI 和人根本不同。感知又影响学习：孩子把 AI 当作有知识但没有人情味的对象时，学习策略可能不同于对老师、同伴或父母；有的孩子可能把 AI 当作无所不知的存在，不加批判地听从，有的孩子则通过试验和少量的试错跟它打交道。

关键在于，孩子从 AI 那里学习不是孤立发生的，它取决于孩子怎样理解 AI 相对于人在社会和认知上的局限。

Crucially, children’s learning from AI does not occur in isolation – it is shaped by how they understand the social and cognitive limits of AI compared to humans.

第8节 Conclusion，p.50

总的来说，用“AI 会不会取代人”来框定对 AI 的担忧，可能把问题简单化了。

Overall, framing concerns about AI in terms of whether it replaces humans could oversimplify the issue.

第8节 Conclusion，p.50

作者说，从全书的讨论看，AI 能引起很多和人相似的反应，但它本质上不同：

AI 提供了独特的经验和信息来源，和孩子已有的其他资源不同，却可以互为补充。

It provides unique sources of experience and information – distinct yet complementary to the other resources children already have.

第8节 Conclusion，p.50

七条机会与风险（第 8 节）：作者说，目前的证据表明，接触 AI 能给孩子带来明显的好处，也要重视降低可能的风险。他们从证据中列出七条，说明机会和风险错综并存：

• 规模化的个性化学习（personalized, adaptive learning at scale）：对话代理和智能辅导平台能按孩子的发展水平、语言背景和学习需要调整教学。比如对话式阅读代理提高故事理解的效果可比真人，面向 STEM 的 AI 通过互动叙事帮助孩子理解概念。这能惠及原本难以得到个别化教育支持的孩子。
• 激发好奇心和创造力（stimulation of curiosity and creativity）：示范好奇和探索的 AI 能明显提高孩子在学习活动中的投入；讲故事系统像人一样，为孩子想点子、充实点子搭支架。

同时，人们仍然担心，依赖 AI 模拟出来的好奇心和创造力，可能在不经意间限制孩子自身能动性的发展。

At the same time, concerns remain that dependence on AI-simulated curiosity and creativity may inadvertently constrain the development of children’s own agency.

第8节 Conclusion，p.51

• 与他人的交往（social engagement with others）：一方面，有理由担心和 AI 相处的时间多了，会挤掉和人的交往；另一方面，为和大人、同伴一起用而设计的 AI 也能促进交往。比如 AI 支持的共读引出亲子对话，语音助手帮着安排家庭作息、管理孩子的行为，而不取代人际关系。
• 拟人化和能动性的误判（anthropomorphism and misattribution of agency）：许多孩子认为 AI 有想法、情感和意图，有时把它看作“像人又不是人”或神奇的存在。这能提高投入，也可能让孩子误解 AI 的能力和局限，过度信任（overtrust）它。
• 社会和情感投入的局限（limitations in social and emotional engagement）：孩子和 AI 的交流不如和人的丰富，分享得少、帮忙少、修复对话也少；AI 误解后，孩子常调整自己去迁就 AI 的局限，错过练习对发展至关重要的社会沟通技能的机会。
• 内嵌的偏见和文化错位（embedded bias and cultural misalignment）：AI 可能编码社会偏见，对不同人群表现不一。比如语音识别对双语孩子，尤其是家里以非英语为主的孩子，准确率更低；主要反映主流文化的 AI，可能让边缘群体的孩子不愿投入，削弱 AI 学习工具的效果。
• 隐私、安全和内容可靠性（privacy, safety, and content integrity concerns）：AI 收集数据、依赖联网、能生成内容，引起对孩子隐私、对孩子接触不当或不准确内容的严重担忧。

现行法律框架常常落后于技术进步，在应对 AI 特有风险的保护上留下了空白。

Current legal frameworks often lag behind technological advances, leaving gaps in protections specific to AI’s unique risks.

第8节 Conclusion，p.52

作者说，这几条不是确定、完整的清单，只是快速变化的 AI 设计领域中的初步例子。

怎样往前走（第 8 节）：作者认为，关键是把这些认识真正用到面向儿童的 AI 系统的设计和实施中，包括决定这类系统到底该不该给孩子用。一条可行的路，是以这些总体原则为支柱，同时让孩子、家庭和社区成员参与共同设计（co-design），做实地测试和效果试验（field tests and efficacy trials），确保系统既体现理论，也符合使用者的生活经验、需要和价值观。

把理论驱动的洞见和以儿童为中心的方法结合起来，我们有望在推进 AI 能力和保护孩子的发展需要之间取得平衡。

By combining both theory-driven insights and child-centered approaches, we can hopefully strike a balance between advancing AI capabilities and safeguarding children’s developmental needs.

第8节 Conclusion，p.52

作者希望，这样 AI 既能增进孩子的学习和社会发展，也符合把孩子福祉放在首位的伦理标准。