人工智能时代重新审视SAMR模型：为什么该模型需要第二个轴？

该模型为一线广大教育工作者提供了一个清晰、直观的框架，用以描述、规划和反思技术在教学中的应用，鼓励从简单的工具使用走向深度的教学创新。尽管存在诸多批评（如，非必须线性上升、忽略具体教学法、缺乏实证证据支持等等），但是，SAMR模型因其简洁性和启发性，已成为教育技术领域最具标志性和实用性的思维工具之一，持续引导着教育者在数字化时代重新构想教与学的可能性。但随着SAMR模型的推广，教育科技领域对这个模型进行了重构：最初的描述性的模型似乎转变称为了一个规范性的模型。“替代”被视为“低级”、“入门级”，“增强”被视为“更好”，而“重塑”似乎被理解成为了黄金标准。SAMR不再是反思的工具，而是成为攀登的阶梯。在人工智能时代，这种阶梯模型就像彭罗斯错觉一样——看似无限攀登，实则未必能到达终点。人工智能既能让简单的任务变得强大，也能让复杂的任务变得空洞无物。SAMR模型的单轴解读显然是不够的。传统的 SAMR 认知在 AI 语境下已显得力不从心。SAMR模型需要第二个轴？

在回顾他们首次开展的全国性调查的数据时，Vriti Saraf, Nate McClennen, Katie Martin，三位发现了一种原始模型无法解释的模式。在调查中，教师们评估了他们在SAMR模型框架下使用人工智能的情况。教师们在描述替代、增强、修正和重塑这四项技术时，着重强调了这些操作如何影响学习，而不仅仅是它们属于哪个类别。有些应用加强了师生关系、加深了思考或拓展了学习途径，而另一些应用则削弱了这些方面。SAMR 的每个层级都表现出正向和负向的双重表达。这一观察促成了至关重要的重新定义：SAMR 不仅描述了技术引入了什么样的变化，还需要描述这种变化是建设性的还是破坏性的。不仅如此，同样的细微差别也在调查结果中反复出现：SAMR的级别并不能决定实践的质量，影响的方向才能决定实践的质量。三位研究人员发现，整个模型，四个层级都表现出同样的二元性：正向的积极的，和负向的消极的。这自然而然地导致了模型本身的重新构建。SAMR模型不再是一个单一的阶梯，而是一个双轴系统：轴 1：整合方式（替代、增强、修正、重塑）轴 2：冲击方向（负 ↔ 正）从这个角度来看，SAMR 不是从“创新性较低”到“创新性较高”的转变，而是一系列模式，每一种模式都可能赋能学习（积极作用）或削弱学习（消极作用）。于是，三位作者提出了一个新的修正的模型：

为此，三位作者提出，从这个新视角，浮现出四个细微差别：1、层级并不等同于质量长期以来，SAMR 被误读为一种等级森严的线性的阶梯。很显然，“替代是肤浅的，而重塑是变革性的”这一假设并不成立。无论替代还是重塑，都既能提升学习效果，也能削弱学习效果，这取决于它们如何被应用。2、效率提升与效果侵蚀起初可能难以区分当效率能为师生互动、关注和反馈赢得时间时，它是积极的；但当它取代了人的判断或限制了人际互动时，就变得消极了。3、重塑可能是变革性的，但也可能抽空学习的实质人工智能能帮助学生完成此前无法独立完成的工作，也可能让他们不经过挣扎、探究与迭代就获得完美的成品。4、区分优劣的关键在于关系，而非技术本身积极的应用会增强联系、反馈与可及性；消极的应用则拉大师生距离，鼓励过度依赖，或用自动化输出取代人的洞见。SAMR模型的四个层级描述了变化的类型，而“积极-消极”的轴线则描述了这种变化的影响。只有结合两者，我们才能理解人工智能正在如何塑造教学与学习。在这篇文章中，三位作者还指出，SAMR模型从来就不是按顺序进行的。教师的教学过程并非遵循从S→A→M→R的可预测路径。

无论如此，无论 AI 工具在 SAMR 框架中处于哪个位置，衡量其整合是否成功的终极标志永远不在于技术本身，而在于它对人的影响。人工智能在教育中的作用具有复杂性——其成效取决于它是否能促进师生关系、深化思维并拓宽教育可及性，而非取代有意义的互动。有效的 AI 整合应加深师生连接、扩大反馈路径或增加学习机会。如果一项技术应用让师生关系变得疏离，或者用算法的自动化输出来隔离人类的洞察，那么，无论它看起来多么“重塑”，它在教育本质上都是失败的。

我们应始终追问：这项技术是增强了人类的能动性，还是让我们沦为了输出的搬运工？SAMR 框架在 AI 时代不是终点，而是思考的起点。它提醒我们，技术的使用不应是盲目的攀爬，而应是理性的选择。