學習科學
AI 時代的學習方法:哪些東西該放進腦袋,又怎麼讓它留下來
重點整理
AI 隨問隨答,答案已經不稀缺了。稀缺的是不用查就能用的知識,以及足夠的底子去判斷 AI 說得對不對。這篇文章先整理哪些東西值得自己擁有,再看學習研究怎麼說「記得住」,接著提出一套和 AI 一起學的四步循環,最後用開源的 FSRS 排程器跑一次模擬,算出「記住」每天到底要花多少時間。
AI 什麼都能回答之後,學習有什麼不一樣?
找答案幾乎不用成本了。AI 給不了你的,是需要時已經在腦中的知識,以及分辨「好答案」和「看似合理的錯答案」的底子。這兩樣東西還是得用老方法建立:靠你自己一次次提取。
目前最清楚的證據都指向同一件事:誰在動腦。一項近 1,000 名高中生的數學實地實驗中,用一般 GPT-4 聊天介面練習的學生,練習成績進步 48%;但拿掉 AI 之後,他們的考試成績比從沒用過的學生低 17%。另一個加了護欄、只給提示不給答案的版本,練習成績進步 127%,而且大致沒有這種傷害。[1]
其他研究方向相同。一項 117 名大學生寫作的隨機實驗裡,用 ChatGPT 的組別作文進步最多,知識增長和遷移卻和其他組沒有差別,作者稱這種風險為「後設認知怠惰」。[2] MIT Media Lab 一份 54 人的預印本發現,用 LLM 寫作的人腦波連結最弱,而且很難引用自己剛寫的文章。[3] 樣本小、尚未經同行審查,只能當訊號,不能當結論。另一份知識工作者問卷則顯示,越信任 AI 的人,自評的批判思考投入越少。[4]
另一面同樣重要。哈佛一門物理課的隨機交叉實驗(194 名學生)中,依學習科學設計的 AI 家教(回答簡短、一次一步、先讓你試再給答案),學習成效是主動學習課堂的兩倍以上,花的時間還更少。[5] 這只涵蓋一門課的兩堂內容,但說明了問題不在工具本身。
AI 本身不會讓學習變好或變壞。AI 替你提取和推理時,練習看起來更好,獨立表現卻可能下滑;AI 逼你自己提取和推理時,學習可以變得更好。[1][5]
還有什麼值得放進自己的腦袋?
通過以下三個檢驗之一的,就值得記在腦中:比查詢更快就要用到、判斷 AI 答案時需要、之後的學習會建立在它上面。其他的放在筆記和 AI 裡就好。
| 檢驗 | 問自己 | 常見例子 |
|---|---|---|
| 速度 | 會不會在對話、考試、會議或除錯當下需要它,根本沒時間查? | 領域的核心詞彙、關鍵公式、每天用的指令與快捷鍵 |
| 判斷 | AI 講錯的話,我看得出來嗎? | 主要概念與經驗法則、常見數字與量級、典型的出錯方式 |
| 地基 | 接下來要學的東西,會不會疊在它上面? | 課程的先備知識、你工作系統的心智模型 |
| 交給查詢 | 它很少用、查一下就能確認,或變得很快? | API 的精確參數、特定版本的設定、一年只用一次的日期 |
「判斷」這一項,正是 AI 讓它變得更重要的。認知負荷的研究指出,你已經知道多少,會改變你該怎麼學:對新手有幫助的詳細引導,對懂得較多的人反而會拖慢,這叫專業知識反轉效應。[6] 也正是這些存在長期記憶裡的知識,讓你能批判地讀 AI 的回答,而不是照單全收。無法檢查的答案,你不是在使用工具,而是在相信它。
擁有知識也是一種預算。每決定記住一項,接下來好幾個月每天都要付一點複習時間。下面的模擬把這筆預算算成數字,讓你能有意識地分配。
AI 時代值得記住的,是比查詢更快就要用到的、檢查 AI 答案時需要的、以及下一步學習要站在上面的知識。
學習科學怎麼說:什麼讓知識留得住?
幾十年的研究指向同一個結論:用力把記憶提取出來、把練習分散在時間裡、在不同情境中使用,記憶就會變強。一份大型學習技巧回顧中,自我測驗和分散練習的效用評價最高,重讀和畫重點最低。[15]
| 原則 | 研究發現 | 和 AI 一起學時 |
|---|---|---|
| 提取練習 | 一週後的測驗,做過回想測驗的人勝過重讀的人,雖然五分鐘後重讀看起來比較好。[7] 提取練習也勝過畫概念圖。[8] | 關掉對話視窗,先憑記憶回答再核對。 |
| 間隔 | 把學習分散在時間裡能提升長期記憶,而最佳間隔會隨你要記多久而拉長。[9] | 讓排程器以逐漸拉長的間隔把內容帶回來,不要臨時抱佛腳。 |
| 生成效應 | 自己產出的資訊,比讀到的更容易記住,多項研究結果一致。[10][11] | 先寫下自己的解釋或例子,再請 AI 挑錯。 |
| 先試再學 | 在看答案前先嘗試作答,即使答錯,之後也學得更好。[12] | 請 AI 先考你,再開始解釋。 |
| 有益的困難 | 當下讓學習變慢的條件,例如間隔、測驗和變化,常常讓之後的記憶和遷移更好。[13] | 不要追求順暢的一節課,要追求下個月還記得。 |
| 交錯練習 | 混合不同題型有幫助,但效果視材料而定,類別之間的相似度是關鍵。[14] | 把容易搞混的相關主題放在同一次複習。 |
| 精緻化 | 追問「為什麼」和自我解釋,效用評價為中等。[15] | 先問自己「為什麼會這樣?」並作答,再去問 AI。 |
| 遷移 | 提取練習能遷移到新問題和新題型,122 個實驗的平均效果量 d = 0.40。[16] | 在沒見過的情境裡練習使用這個概念。 |
| 後設認知 | 上主動學習課的學生學得更多,卻覺得自己學得比較少。[17] 多數學生寧可重讀也不自我測驗。[18] | 別相信「好像懂了」的流暢感,考考自己。 |
| 認知負荷 | 對新手有幫助的教學方式,可能妨礙懂得較多的學習者。[6] | 告訴 AI 你的程度,越熟練就要求越少引導。 |
這些發現的共同點讓人不太舒服:當下感覺最好的方法,像是讀一段清楚的解釋、重讀、從聊天機器人拿到流暢的答案,留下的最少。AI 讓這條舒服的路更加順暢,所以更需要刻意加上反向的力量。
「覺得學會了」不是可靠的指標:哈佛一項物理課研究中,主動學習班的學生考得比較好,卻覺得自己學到的比聽精彩講課的學生少。[17]
該怎麼和 AI 一起學?Own-It 循環
把 AI 用在它擅長的事:做教材;把建立記憶的工作留給自己:生成和提取。我們把這套做法叫做 Own-It 循環:選定要擁有什麼、讓 AI 建教材但你先試、先想再看答案、最後間隔複習並拿去用。名稱和結構是我們提出的,每一步都建立在上面的研究之上。
| 步驟 | 研究依據 | 具體做法 | 完成後你手上有 |
|---|---|---|---|
| 選 | 專業知識反轉、認知負荷[6] | 寫 3~7 行「不用查,我就能……」 | 一份簡短的目標清單 |
| 建 | 生成效應、先試再學[11][12] | 先回答 AI 的問題,再看它解釋 | 符合你程度的一堂課 |
| 想 | 提取練習[7][8] | 關掉對話、作答、核對 | 只來自答錯題目的卡片 |
| 用 | 間隔、遷移[9][16] | 每天照排程複習,每週一個新情境任務 | 不用查就能用的知識 |
1. 選:寫一張「我做得到」清單
打開 AI 之前,先寫三到七行以「不用查,我就能……」開頭的句子。例如:「不用查,我就能說明手沖咖啡為什麼會酸,以及該調整哪個變數。」這張清單是接下來所有步驟的目標,也能避免你把整段對話紀錄都變成卡片。
2. 建:讓 AI 做教材,但你先試
AI 很會把筆記變成教材、範例、圖解和題目。告訴它你的程度,並請它在解釋之前先問你。先試著作答,就算答錯,也能讓之後的解釋更容易記住;[12] 先用自己的話寫一段解釋,則是在運用生成效應。[11]
適用任何 AI 工具的提示詞
我正在學[主題]。我的程度:[初學/有些經驗]。
目標:不用查,我就能[你的清單]。
1. 先問我 3 個問題,等我回答。
2. 再只解釋我答錯或漏掉的部分,一次一步。
3. 最後給我 10 題測驗目標的回想題,只給題目。3. 想:先回想,再看答案
關掉對話視窗。用寫的或說出來,逐題作答,再核對。提取是建立記憶的那一步,也是 AI 最容易替你拿走的那一步。[7][1] 答錯或想很久的題目做成卡片;馬上答得出來的,不用做卡。
4. 用:間隔複習,並拿去應用
交給 FSRS 這類間隔重複排程器,決定每張卡什麼時候回來。[19] 每週一次,在沒遇過的情境裡用上它:一個新問題、一個工作上的決定、講給同事聽。練習方式越接近實際使用,提取練習的遷移效果越好。[16]
要記住學過的東西,每天得複習多久?
我們用開源的 FSRS 排程器做模擬:以 90% 目標保留率維持 1,000 張卡,第一年平均每天約 26 次複習,以每次 10 秒計約 4.4 分鐘。卡組不再增加後,維持成本降到每天約 9 次。若一整年每天都加 10 張新卡,到年底會增加到每天約 100 次,接近 17 分鐘。
模擬怎麼做
- 排程器:open-spaced-repetition 專案的 py-fsrs 6.3.3,實作 FSRS-6,使用 21 個預設參數、預設學習步驟(1 分鐘、10 分鐘)、重新學習步驟(10 分鐘)與間隔隨機微調。FSRS 源自 Ye、Su、Cao 在 KDD 2022 發表的排程模型。[19][20]
- 目標保留率 0.80、0.90 或 0.95。共 365 天,每天加 10 張新卡,直到卡組達到 100、500 或 1,000 張,或不設上限(3,650 張)。
- 每張卡都在到期當下複習。新卡第一次出現評為 Good(你剛學過)。之後每次複習,以 FSRS 預測的當下回想機率評為 Good,否則評為 Again。
- 每次複習(包含當天的學習步驟)花 10 秒。如果你的卡要 20 秒,分鐘數乘以二。
- 每個情境跑 5 個隨機種子,表格是平均值。
| 卡組大小 | 每日複習次數(全年平均) | 每日分鐘(全年平均) | 每日複習次數(最後 30 天) | 最忙的一天(次) | 第 365 天預測回想率 |
|---|---|---|---|---|---|
| 100 | 2.7 | 0.4 | 0.8 | 36 | 95.7% |
| 500 | 13.8 | 2.3 | 3.5 | 64 | 96.2% |
| 1,000 | 26.3 | 4.4 | 9.0 | 82 | 96.6% |
| 3,650(不設上限) | 77.2 | 12.9 | 100.8 | 120 | 95.5% |
| 目標保留率 | 1,000 張:每日複習(全年平均) | 不設上限:每日複習(全年平均) | 不設上限:每日分鐘(最後 30 天) | 不設上限:第 365 天預測回想率 |
|---|---|---|---|---|
| 0.80 | 19.7 | 58.5 | 12.1 | 89.8% |
| 0.90 | 26.3 | 77.2 | 16.8 | 95.5% |
| 0.95 | 36.6 | 106.1 | 22.7 | 97.6% |
數字告訴我們什麼
- 維持很便宜,加新卡才貴。 已完成的 1,000 張卡組,到年底每天只需約 9 次複習(1.5 分鐘)。大部分負擔來自新卡的頭幾週。
- 你的吸收速度決定每天要花的時間。 一年來每天加 10 張,最後會變成每天約 100 次複習。這就是「選」要放在第一步的原因。
- 0.90 是合理的預設值。 提高到 0.95,複習量多 37~39%,預測回想率只多 1~2 個百分點;降到 0.80 約省下四分之一的複習,回想率則少 6~8 個百分點。
- 先理解,省下複習。 如果每張新卡第一次都評 Again,等於沒學過就硬記,1,000 張卡組每天要 47.8 次複習,而不是 26.3 次,約多 80%。先把概念學懂再背,連複習時間都划算。
- 外掛本身的程式碼結果一致。 把 EngramQuest 的 FSRS-5 排程程式碼移植成 Python 跑同樣的模擬,0.90 時 1,000 張卡每天 26.4 次,幾乎相同。
在使用預設參數的 FSRS-6 模擬中,以 90% 保留率維持 1,000 張卡,第一年平均每天約 26 次複習,以每次 10 秒計約 4~5 分鐘;不再加新卡後,降到每天約 9 次。[20]
模擬的核心:評分模型(py-fsrs 6.3.3)
r = scheduler.get_card_retrievability(card, now) # FSRS 預測的回想機率
rating = Rating.Good if rng.random() < r else Rating.Again
card, _ = scheduler.review_card(card, rating, now)限制:這個模型假設 FSRS 能完美預測你的記憶。真實的人有難卡和易卡、會按 Hard 和 Easy、會跳過幾天、會累積待複習的卡。預設參數描述的是平均學習者,用你自己的複習紀錄擬合參數,數字就會變。請把表格當成比例和量級的參考,而不是保證。
在 Obsidian 裡怎麼跑 Own-It 循環?
任何筆記軟體加任何閃卡工具,都能跑這個循環。EngramQuest 是我們圍繞它做的 Obsidian 外掛:AI 從你的筆記做出學習材料,回想由你來做,複習交給 FSRS 排程。插件可以免費安裝使用,AI 也是選用的。
- 選:你的筆記始終是來源。AI 生成的卡片放在獨立的資料夾,AI 不會改動你的筆記。
- 建:你原本就在用的 AI 工具(Claude Code、Codex、Gemini CLI、Cursor 等)能把一篇筆記或一個主題變成教材課程(每堂課最後都有小測驗)、用 Claude Code 製作的影片學院教學短片、Quest Map 任務,或 Review Deck 複習卡。不用 AI 也行:在筆記加上 #flashcards/主題 標籤,手寫 Q: 和 A: 即可。
- 想:Review Deck 每張卡一開始只顯示問題。卡住時,下一層提示會從你的 vault 重建你第一次學到這個概念的脈絡;最後一層只給關鍵字方向,絕不直接給答案。
- 用(間隔):每張卡都由 FSRS-5 排程。目標保留率可以在設定中調整(0.70~0.99,預設 0.90),就是上面模擬調整的那個旋鈕。
- 用(應用):Quest Map 的任務把你放進沒見過的情境,最後的 Boss Battle 用一個整合案例考你的判斷。

對 AI 工具說的範例
用我的筆記教我手沖咖啡,初學者程度。
用我標了 coffee 標籤的筆記做一份 review deck。
把 手沖咖啡.md 做成 quest-map medium。
這週可以從哪裡開始?
從一個主題、一週開始。這個循環刻意做得很小。
- 挑一個主題,寫五行「不用查,我就能……」。
- 請 AI 工具做一堂符合你程度的短課,先問問題再解釋。
- 關掉對話視窗作答,只把答錯的做成卡片。
- 每天複習約五分鐘;週末在新情境裡用一次這個主題。
常見問題
AI 查得到,還需要背東西嗎?
需要,但範圍更小、更有選擇:比查詢更快就要用到的、檢查 AI 答案時需要的、以及之後學習要建立在上面的。其他的留在筆記裡,需要時再查。
用 ChatGPT 或 Claude 讀書,怎麼避免它替我思考?
請它先問你再解釋、先憑記憶作答再核對,並且要提示不要完整解答。一項高中生的實地研究中,加了這類護欄的 GPT-4 家教,避免了不設限聊天介面造成的考試成績下滑。
維持 1,000 張閃卡,每天要複習多久?
在我們以 90% 保留率進行的 FSRS-6 模擬中,第一年平均每天約 26 次,以每張 10 秒計約 4~5 分鐘;不再加新卡後降到每天約 9 次。這是模擬,不是使用者資料。
FSRS 的目標保留率該設多少?
0.90 是合理的預設值。我們的模擬中,0.95 要多 37~39% 的複習量,只換來 1~2 個百分點的回想率;0.80 約省四分之一的複習,回想率少 6~8 個百分點。
AI 時代,間隔重複和主動回想還重要嗎?
重要。AI 改變的是學習材料怎麼做出來,不是記憶怎麼運作:幾週後不靠外力還想得起什麼,仍然取決於間隔和提取。
可以讓 AI 幫我做閃卡嗎?
可以,AI 能從你的筆記擬出好題目,省下大量時間。但回想必須由你自己來:逐張讀過、刪掉不需要的,並且先作答再看答案。
參考資料
文中每一個研究說法都對應到下列來源;預印本會特別標示。
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. doi.org/10.1073/pnas.2422633122
- Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. doi.org/10.1111/bjet.13544
- Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. V., Braunstein, I., & Maes, P. (2025). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv preprint arXiv:2506.08872 (預印本,尚未經同行審查). arxiv.org/abs/2506.08872
- Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI ’25), 1–22. ACM. doi.org/10.1145/3706598.3713778
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. doi.org/10.1038/s41598-025-97652-6
- Kalyuga, S., Ayres, P., Chandler, P., & Sweller, J. (2003). The expertise reversal effect. Educational Psychologist, 38(1), 23–31. doi.org/10.1207/S15326985EP3801_4
- Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. doi.org/10.1111/j.1467-9280.2006.01693.x
- Karpicke, J. D., & Blunt, J. R. (2011). Retrieval practice produces more learning than elaborative studying with concept mapping. Science, 331(6018), 772–775. doi.org/10.1126/science.1199327
- Cepeda, N. J., Pashler, H., Vul, E., Wixted, J. T., & Rohrer, D. (2006). Distributed practice in verbal recall tasks: A review and quantitative synthesis. Psychological Bulletin, 132(3), 354–380. doi.org/10.1037/0033-2909.132.3.354
- Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. Journal of Experimental Psychology: Human Learning and Memory, 4(6), 592–604. doi.org/10.1037/0278-7393.4.6.592
- Bertsch, S., Pesta, B. J., Wiscott, R., & McDaniel, M. A. (2007). The generation effect: A meta-analytic review. Memory & Cognition, 35(2), 201–210. doi.org/10.3758/BF03193441
- Kornell, N., Hays, M. J., & Bjork, R. A. (2009). Unsuccessful retrieval attempts enhance subsequent learning. Journal of Experimental Psychology: Learning, Memory, and Cognition, 35(4), 989–998. doi.org/10.1037/a0015729
- Bjork, R. A., & Bjork, E. L. (2020). Desirable difficulties in theory and practice. Journal of Applied Research in Memory and Cognition, 9(4), 475–479. doi.org/10.1016/j.jarmac.2020.09.003
- Brunmair, M., & Richter, T. (2019). Similarity matters: A meta-analysis of interleaved learning and its moderators. Psychological Bulletin, 145(11), 1029–1052. doi.org/10.1037/bul0000209
- Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. doi.org/10.1177/1529100612453266
- Pan, S. C., & Rickard, T. C. (2018). Transfer of test-enhanced learning: Meta-analytic review and synthesis. Psychological Bulletin, 144(7), 710–756. doi.org/10.1037/bul0000151
- Deslauriers, L., McCarty, L. S., Miller, K., Callaghan, K., & Kestin, G. (2019). Measuring actual learning versus feeling of learning in response to being actively engaged in the classroom. Proceedings of the National Academy of Sciences, 116(39), 19251–19257. doi.org/10.1073/pnas.1821936116
- Karpicke, J. D., Butler, A. C., & Roediger, H. L., III (2009). Metacognitive strategies in student learning: Do students practise retrieval when they study on their own? Memory, 17(4), 471–479. doi.org/10.1080/09658210802647009
- Ye, J., Su, J., & Cao, Y. (2022). A stochastic shortest path algorithm for optimizing spaced repetition scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’22), 4381–4390. doi.org/10.1145/3534678.3539081
- Open Spaced Repetition. py-fsrs:實作 Free Spaced Repetition Scheduler(FSRS-6)的 Python 套件,6.3.3 版。MIT 授權。GitHub. github.com/open-spaced-repetition/py-fsrs
關於這篇文章
powen 是 EngramQuest 的開發者。EngramQuest 是免費的 Obsidian 外掛,把筆記變成教材、教學影片、練習任務和 FSRS 閃卡。這裡的文章由 AI 協助蒐集資料與起稿;引用的每一篇研究都對照過原始論文,外掛的細節來自外掛本身的文件與原始碼。
EngramQuest 如何運用記憶科學