当下，人工智能（AI）正日益融入青少年的学习过程，他们不仅会向AI寻求问题的解释，也可能依据AI提供的建议做出学习选择和行动决策。然而，青少年对于不同模式的AI回应的接受程度并不相同。在不同用户心理状态和情境下，不同AI解释对青少年行为意愿的影响也将具有差异性。验证这些问题的机制对于面向青少年的教育型AI设计具有重要意义。
青少年在认知、情绪和决策行为上具有一定的特殊性，例如更偏好外界的即时反馈、对自身控制感较为敏感等。这意味着，AI能否真正有效惠及青少年使用者，不仅取决于模型算法和信息质量，也取决于AI以何种方式提供解释，以及这种解释是否与青少年的心理状态和具体决策情境相匹配。
针对上述问题，陈英和课题组开展了系列研究，并于2026年1月在教育学类顶刊 Computers & Education（JCR-Q1, Education & Educational Research, 5/760, IF=13.2）发表题为 How explanatory features of AI and time frame reshape adolescents’ decision-making 的研究论文。该研究系统考察了AI解释类型、用户心理特征与时间框架如何共同塑造青少年在学习情境中的决策意愿与预期。
本研究将AI提供的解释型回应划分为三种类型。第一，预测型解释仅提供AI对结果的判断，例如AI说：“根据计算，建议你选A。”（简单解释，只给结果）；第二，因果型解释进一步说明系统为何做出这一预测，例如AI说：“因为这道题考查的是勾股定理，而你忽略了直角边，所以建议你选A。”（具有因果逻辑的解释，讲究前因后果）；第三，反事实解释则采用“如果改变某个条件，结果将会如何”的形式，为用户提供另一种可能的行动路径，例如AI说：“要是你刚才注意到了这是直角三角形，你就会算出A了。”（具有假设性关系的解释，也就是我们常说的“复盘”或“后悔药”思维）。为什么要分这三类解释类型呢？ 因为前两类（预测和因果）是我们最常见的“正向思维”，而第三类“反事实解释”（如果……就……），是一种高阶思维，个体不仅要理解现实，还要去构建一个“没发生的现实”。换言之，三种解释虽然都可以围绕同一个AI判断展开，却在信息组织方式以及对用户的控制感和决策加工能力的要求上存在明显差异。
为考察这些解释特征如何影响青少年的学习决策，研究团队开发了一套在线AI交互平台，在保持真实人机对话情境的同时，对AI解释类型及其他关键变量进行了系统操纵，并实时记录参与者的交互数据。近400名在读中学生参与了研究。实验1重点考察解释类型、控制感与感知可靠性的交互作用；实验2进一步引入时间框架，比较在短期和长期情境下不同AI解释方式的作用。研究流程见图1。
图1 研究流程
研究首先发现，AI解释并非越详细、越具有行动指向性就越有效，其效果取决于青少年自身的心理状态。当青少年对相关问题的控制感处于较低或较高水平时，AI提供反事实解释都会显著降低其行为意愿，而因果解释和仅提供预测并未表现出相同效应。为什么会发生这种现象？我们分析这是因为当青少年具有“低控制感”时，处于焦虑的状态，且认知资源相对紧缺，这时候AI回复“要是你刚才做了X，就好了”，这对青少年来说不是建议，而是指责和增加了认知负担，大脑处理不过来，就会本能地排斥。当青少年处于“高控制感”时，对自己感到自信，这时候AI再去说“要是你改变X就能得到Y”，或许青少年会觉得这是一种对自己能力的冒犯，于是产生心理抗拒。
图2 实验1主要结果
实验2发现，时间框架会改变不同AI解释方式的相对效力。在指向近期结果的短期情境中，简单预测或因果解释均比反事实解释更能提升青少年的行动意愿；而当讨论指向较远的未来时，反事实解释的影响力明显增强，甚至能够在一定程度上抵消AI信息可靠性较低所带来的负面影响。我们分析这是因为面对短期任务（紧急模式），青少年的大脑聚焦在“怎么做才能改变”的想法上。 这时候，简单的预测或因果解释最高效。如果AI非要说“要是……就……”，青少年就会觉得来不及了，没有时间和精力去加工这种反事实的假设型解释，所以效果极差。而当面对长期任务（延迟模式），青少年的大脑切换到了“抽象思维”模式。这时候，AI给出反事实解释（“如果我们从现在开始改变……未来就会……”），正好契合了大脑关于未来的模拟功能。此时这种解释就能激发希望感，让青少年更愿意听从。
图3 实验2主要结果
该研究将AI解释类型、用户控制感和时间框架等心理因素共同纳入青少年AI交互研究，揭示了AI解释影响青少年决策的主体心理及外在情境依赖性，并进一步说明了更复杂的解释并不必然带来更好的决策效果，关键在于解释方式能否与使用者的心理状态和决策情境相匹配。这一发现进一步强调了教育人工智能设计中“以人为中心”的重要性。对于青少年使用者，AI系统不宜采用单一、固定的解释策略，而应根据用户状态和任务目标提供具有适应性的解释。例如，在主体感知的系统可靠性不足或控制感较低或较高的情境中，应更加谨慎地使用反事实解释；而在支持长期学习规划、帮助青少年思考未来行动可能性时，反事实解释则可能发挥更积极的作用。
研究结果为教育AI开发者、教育工作者及家长理解青少年与AI的互动提供了新的实证依据，也表明未来教育AI的发展不仅需要关注模型能否给出正确答案，还需要进一步回答诸如AI应当以何种方式解释，才能让具不同状态且在不同情境中的青少年更有效地理解和使用这些信息。
本研究第一作者是北京师范大学心理学部博士生沈卓，通讯作者为北京师范大学湾区应用心理学院、心理学部陈英和教授，其他参与作者为北京师范大学心理学部博士生张婧漪，硕士生陈恒润。
论文信息：
Shen Z., Chen Y., Zhang J. & Chen H., How explanatory features of AI and time frame reshape adolescents’ decision-making, Computers & Education, https://doi.org/10.1016/j.compedu.2026.105563.
版面首图（期刊封面+论文首页）
1