IF 8.8 頂刊征稿｜把 AI 當(dāng)作“認(rèn)知模型”，教育心理學(xué)旗艦刊 EPR 專題征稿

認(rèn)知神經(jīng)科學(xué)前沿文獻(xiàn)分享

基本信息

征稿期刊:Educational Psychology Review

影響因子:8.8，心理學(xué)大類 1 區(qū)（升級(jí)版）

Educational Psychology Review主題專輯

AI as Cognitive Models in Education: Theory, Synthesis, and Mechanistic Insight

截稿：2027 年 2 月 1 日　|　聯(lián)系郵箱：wang@essb.eur.nl

各位同行：

我是這個(gè)主題專輯的發(fā)起人之一。與三位客座編輯商量后，想用一篇相對(duì)完整的推送，向中文學(xué)術(shù)社區(qū)介紹我們正在籌備的這個(gè)專輯——既說清楚我們想看到什么樣的稿件，也說清楚哪些稿件不屬于本專輯的方向，避免大家投入精力之后才發(fā)現(xiàn)選題不合適。

期刊基本盤

關(guān)鍵指標(biāo)數(shù)據(jù)中科院分區(qū)

心理學(xué)大類 1 區(qū)（升級(jí)版）

JCR分區(qū)

Q1

數(shù)據(jù)庫

SCIE + SSCI 雙檢索

2024影響因子

8.8

2025全年下載量

300 萬+

首次決策中位時(shí)間

3 天

出版商

Springer Nature

創(chuàng)刊

1989

稿件長(zhǎng)度

約 12,000 字

出版模式

Hybrid（OA 可選，非強(qiáng)制）

EPR 是教育心理學(xué)領(lǐng)域理論與綜述類論文公認(rèn)的旗艦刊之一，與 Journal of Educational Psychology、Contemporary Educational Psychology 同處一區(qū)第一梯隊(duì)。“3 天初審”不是噱頭——我們走的是先快速判斷 fit、再進(jìn)入深度評(píng)審的流程，對(duì)作者比較友好。

一、我們?yōu)槭裁窗l(fā)起這個(gè)專輯

過去三年，“AI + 教育”方向的論文已經(jīng)多到讓審稿人疲憊。但坦率講，絕大多數(shù)研究都在重復(fù)同一個(gè)劇本：讓一組學(xué)生用 ChatGPT，另一組不用，比較成績(jī)、動(dòng)機(jī)或參與度。

這種范式的天花板已經(jīng)非常清楚——它把 AI 當(dāng)作工具變量，而不是認(rèn)知科學(xué)的對(duì)象；產(chǎn)出的是“使用效應(yīng)”，而不是關(guān)于人是怎么學(xué)的新理論；它的可復(fù)制性也很差，因?yàn)槟Ｐ兔咳齻€(gè)月迭代一次，結(jié)論很快過時(shí)。

我們想做的，恰恰相反。

我們不再問“學(xué)生用 AI 學(xué)得好不好”，而是反過來問：當(dāng)一個(gè) AI 模型在學(xué)習(xí)一項(xiàng)任務(wù)時(shí)，能不能讓我們看清“學(xué)習(xí)”這件事本身？

具體來說：

? 當(dāng)一個(gè)神經(jīng)網(wǎng)絡(luò)從零開始學(xué)解方程，它的錯(cuò)誤模式會(huì)出現(xiàn)“概念性誤解”嗎？這些誤解是否與中學(xué)生的錯(cuò)誤出奇地相似？

? 當(dāng)一個(gè)強(qiáng)化學(xué)習(xí)智能體調(diào)整策略，它內(nèi)部的“價(jià)值函數(shù)”能否映射到自我調(diào)節(jié)學(xué)習(xí)理論中的“目標(biāo)設(shè)定—監(jiān)控—調(diào)整”？

? 當(dāng)一個(gè) LLM 在多輪對(duì)話中習(xí)得一個(gè)概念，它的注意力分布能否告訴我們認(rèn)知負(fù)荷理論中“圖式建構(gòu)”在計(jì)算上長(zhǎng)什么樣？

? 當(dāng)我們用 mechanistic interpretability 拆開 GPT 解數(shù)學(xué)題的內(nèi)部回路，能不能反過來檢驗(yàn) ACT-R 這些經(jīng)典認(rèn)知架構(gòu)的預(yù)測(cè)？

這就是 “AI as Cognitive Models” 的核心立場(chǎng)——讓 AI 成為我們理解學(xué)習(xí)者大腦的“顯微鏡”，而不是又一塊需要被評(píng)測(cè)的黑箱。

我們認(rèn)為，這是教育心理學(xué)少有的、把“理論建構(gòu) × 計(jì)算建模 × 機(jī)制可解釋性”打通的窗口期。

二、為什么我們特別期待中國學(xué)者的投稿

直白講——這個(gè)專輯的命題，幾乎是為國內(nèi)研究者的能力結(jié)構(gòu)量身定做的。

?計(jì)算功底強(qiáng)。國內(nèi)做學(xué)習(xí)科學(xué)、教育技術(shù)、計(jì)算認(rèn)知方向的青年學(xué)者，普遍有扎實(shí)的 ML 背景。能跑 attention probing、representation similarity analysis、mechanistic interpretability 的研究者，在歐美教育心理圈反而稀缺。

?跨學(xué)科團(tuán)隊(duì)基礎(chǔ)成熟。心理學(xué)院 × 計(jì)算機(jī)學(xué)院 × 教育學(xué)院的橫向合作在國內(nèi)已經(jīng)常態(tài)化。AI for Education 又是教育數(shù)字化戰(zhàn)略的國家重點(diǎn)方向，做合作、申基金、組隊(duì)都有政策紅利。

?數(shù)據(jù)規(guī)模優(yōu)勢(shì)。認(rèn)知建模需要大規(guī)模、連續(xù)、高質(zhì)量的學(xué)習(xí)行為數(shù)據(jù)。國內(nèi)的在線教育平臺(tái)、智慧課堂、教育大數(shù)據(jù)基地，數(shù)據(jù)體量在全球都是頭部。

?“破五唯”之后更需要“代表作”。在中科院 1 區(qū)、IF 8.8 的旗艦刊上發(fā)一篇 12,000 字的理論長(zhǎng)文，分量遠(yuǎn)超幾篇平庸小文。

?進(jìn)入國際核心圈的窗口。四位客座編輯分布在荷蘭、德國、英國、瑞典，覆蓋歐洲教育心理學(xué)、學(xué)習(xí)科學(xué)、HCI 三個(gè)核心圈層。

三、我們想看到的研究方向（舉例，非窮舉）

下面列出的七個(gè)方向，是我們當(dāng)前重點(diǎn)關(guān)注的類型，但絕不構(gòu)成限制。每個(gè)方向下的選題靈感更只是拋磚引玉。只要稿件契合本專輯“將 AI 作為認(rèn)知模型”的核心立場(chǎng)——也就是用 AI 模型去解釋人是怎么學(xué)的，而不是反過來——其他角度我們同樣歡迎。如果你的研究方向不完全歸入下面某一類，但你認(rèn)為契合度足夠，歡迎照投，或先發(fā)郵件聊聊。

方向 1：整合性理論框架

把 AI 技術(shù)與經(jīng)典學(xué)習(xí)理論真正“焊接”，讓計(jì)算機(jī)制承擔(dān)理論解釋的重量。

? Grokking 現(xiàn)象與“頓悟時(shí)刻”：用神經(jīng)網(wǎng)絡(luò)從記憶到泛化的相變，重新理解概念變革理論（Chi、diSessa）所說的認(rèn)知重組

? LLM 的 in-context learning vs 權(quán)重更新式學(xué)習(xí)：能否對(duì)應(yīng)工作記憶推理與長(zhǎng)時(shí)記憶圖式形成的雙系統(tǒng)假說？

? 主動(dòng)推理（active inference）作為統(tǒng)一框架：把好奇心驅(qū)動(dòng)的探索與 Zimmerman 自主學(xué)習(xí)模型在同一計(jì)算語言下重寫

方向 2：綜述與元分析

不是文獻(xiàn)羅列，而是有立場(chǎng)的、能改寫領(lǐng)域共識(shí)的批判性綜合。

? 知識(shí)追蹤二十年（BKT → DKT → LLM-based）：哪些主流建模假設(shè)其實(shí)違背了認(rèn)知心理學(xué)的基本結(jié)論？

? 教育領(lǐng)域機(jī)制可解釋性研究綜述：attention probing、sparse autoencoder、circuit analysis 這些新方法各自能問出什么教育心理學(xué)問題？

? AI 學(xué)習(xí)曲線 vs 人類學(xué)習(xí)曲線的差異性元分析：哪些差異提示著根本性的認(rèn)知架構(gòu)區(qū)別，而不僅是參數(shù)差異？

方向 3：來自 AI 模型的機(jī)制洞見（專輯最稀缺方向）

這是我們最希望看到的方向。通過分析訓(xùn)練好的 AI 模型內(nèi)部結(jié)構(gòu)，揭示與人類學(xué)習(xí)者類比的策略、表征、錯(cuò)誤模式或瓶頸。

? 用稀疏自編碼器（sparse autoencoder）從 LLM 內(nèi)部提取“概念表征”，并與課程標(biāo)準(zhǔn)里的知識(shí)組件做對(duì)齊分析——AI 實(shí)際學(xué)到的，是不是我們以為它學(xué)到的？

? 解讀 LLM 解多步數(shù)學(xué)題時(shí)的內(nèi)部回路（mechanistic interpretability / circuit analysis），與學(xué)生分步解題時(shí)出聲思維的對(duì)照

? 當(dāng) LLM 出現(xiàn)“幻覺”：它是單純的輸出錯(cuò)誤，還是某種類似學(xué)生 confabulation 的知識(shí)重構(gòu)現(xiàn)象？?jī)煞N機(jī)制是否在表征層面同源？

? 神經(jīng)網(wǎng)絡(luò)中的 replay 機(jī)制與人類睡眠鞏固：通過對(duì)訓(xùn)練動(dòng)力學(xué)的可解釋性分析，驗(yàn)證或證偽 systems consolidation 理論的某個(gè)具體預(yù)測(cè)

方向 4：與認(rèn)知構(gòu)念的對(duì)齊

把心理構(gòu)念顯式地內(nèi)嵌進(jìn) AI 模型——讓模型不只是“學(xué)得像人”，而是按照理論假設(shè)的機(jī)制去學(xué)。

? 把 testing effect（測(cè)試效應(yīng) / retrieval-as-encoding）顯式編碼進(jìn)知識(shí)追蹤模型，用模型行為反向檢驗(yàn)該理論的邊界條件

? 把 desirable difficulties（Bjork）框架嵌入課程學(xué)習(xí)算法：什么訓(xùn)練難度的非單調(diào)安排，反而能讓 NN 在遷移任務(wù)上表現(xiàn)更好？

? 把 Nelson-Narens 元認(rèn)知監(jiān)控-控制框架實(shí)現(xiàn)為獨(dú)立可學(xué)習(xí)模塊，測(cè)試該理論的計(jì)算可實(shí)現(xiàn)性與邊界假設(shè)

? 把 Vygotsky 的 ZPD 形式化為一個(gè)可量化的目標(biāo)函數(shù)，讓 AI 導(dǎo)師按照“潛在發(fā)展水平”而非“當(dāng)前水平”進(jìn)行難度調(diào)節(jié)

方向 5：教育情境下的可解釋 AI

不是泛泛地講 XAI，而是把模型行為翻譯成教師、研究者、學(xué)生都能用的認(rèn)知語言。

? 用 attention probing 把 AI 的“評(píng)分”還原為對(duì)學(xué)生使用了哪種認(rèn)知策略的判斷，讓反饋具有診斷意義而非黑箱評(píng)分

? 把自適應(yīng)推薦系統(tǒng)的決策路徑翻譯成教師可讀的“診斷邏輯”，并與教師真實(shí)的形成性評(píng)價(jià)決策做對(duì)照

? 教師心智模型 vs AI 內(nèi)部模型：當(dāng)二者對(duì)同一學(xué)生的掌握狀態(tài)判斷不一致時(shí)，誰更接近真實(shí)？這種不一致本身揭示了什么？

方向 6：小規(guī)模實(shí)證或模擬示范

用 AI 模型與真實(shí)學(xué)生在同一任務(wù)上做對(duì)照實(shí)驗(yàn)，讓仿真承擔(dān)理論檢驗(yàn)的角色。

? 訓(xùn)練多個(gè)同架構(gòu)、不同初始化的智能體在同一課程上學(xué)習(xí)，觀察其“個(gè)體差異”是否預(yù)測(cè)真實(shí)學(xué)生的學(xué)習(xí)軌跡分布

? 模擬 productive failure（Kapur）：讓 NN 在難任務(wù)上先“失敗”一段時(shí)間再給出指導(dǎo)，與直接示范對(duì)比遠(yuǎn)遷移效果

? 在拼讀、運(yùn)算、概念推理三類典型任務(wù)上對(duì)比 AI 與兒童的錯(cuò)誤模式頻率，識(shí)別出哪些瓶頸是“架構(gòu)性”的、哪些是“數(shù)據(jù)性”的

本專輯首篇范例已上線：Wang, Ganushchak & van Steensel (2026), Emotions Are Not Random: Machine Learning Reveals Predictable Patterns in a 21-Day Second Language Learning Trajectory（Open Access, EPR Article 49）。建議投稿前讀一遍，作為接受稿件類型的參考。

方向 7：批判與倫理性分析

聚焦理論效度與認(rèn)識(shí)論層面的批判，而非泛泛的倫理討論。

? 當(dāng) AI 的學(xué)習(xí)曲線“看起來像人”但內(nèi)部機(jī)制完全不同：如何在理論層面識(shí)別并處理這種“表面同構(gòu)”陷阱？

? 把學(xué)生建模為“待優(yōu)化的損失函數(shù)”：從 RLHF 隱喻反思教育中的工具理性問題，以及它對(duì)學(xué)習(xí)目標(biāo)設(shè)定的潛在扭曲

? LLM 作為“學(xué)生代理”用于教學(xué)評(píng)估時(shí)的代表性危機(jī)：當(dāng)訓(xùn)練語料本身就有偏，我們用它做仿真到底在測(cè)什么？

——再次強(qiáng)調(diào)，以上七類只是常見路徑，并非完整清單。判斷稿件是否契合的根本標(biāo)準(zhǔn)只有一條：你是否在用 AI 模型去揭示人類學(xué)習(xí)的機(jī)制。

四、哪些稿件不在本專輯范圍內(nèi)

為節(jié)省大家時(shí)間，明確說一下：僅評(píng)測(cè)人類使用 LLM 效果的實(shí)證研究——比如“用 ChatGPT 的學(xué)生 vs 不用 ChatGPT 的學(xué)生，誰考得更好”——不屬于本專輯。

如果研究只到“使用評(píng)估”層面，沒有進(jìn)一步把 AI 當(dāng)作認(rèn)知或?qū)W習(xí)的模型來解讀，建議投 EPR 的常規(guī)通道，那里仍然歡迎。

五、可接受的稿件類型

?理論與概念論文（首選）

? 綜述與綜合性文章

? 方法論或觀點(diǎn)文章

? 理論驅(qū)動(dòng)的實(shí)證、干預(yù)與模擬研究

六、客座編輯團(tuán)隊(duì)

?Peng Wang（鹿特丹伊拉斯姆斯大學(xué) / 阿姆斯特丹自由大學(xué)）：專輯發(fā)起人，主要聯(lián)系人。研究方向：用 ML 揭示學(xué)習(xí)與情緒的動(dòng)力學(xué)機(jī)制。

?Samuel Greiff教授（慕尼黑工業(yè)大學(xué)，2025 年退休）：教育評(píng)估與復(fù)雜問題解決領(lǐng)域的國際權(quán)威，PISA 計(jì)算思維評(píng)估專家組核心成員。

?Effie Lai-Chong Law教授（杜倫大學(xué)計(jì)算機(jī)系）：人機(jī)交互與學(xué)習(xí)技術(shù)領(lǐng)域資深學(xué)者，歐盟多個(gè)學(xué)習(xí)技術(shù)大型項(xiàng)目首席。

?Olga Viberg副教授（瑞典皇家理工學(xué)院 KTH）：學(xué)習(xí)分析與教育數(shù)據(jù)科學(xué)方向，歐洲學(xué)習(xí)分析協(xié)會(huì)核心。

四人覆蓋教育心理 × 計(jì)算機(jī) × HCI × 學(xué)習(xí)分析——這正是本專輯跨學(xué)科性質(zhì)所需要的視角組合。

七、投稿信息

項(xiàng)目內(nèi)容投稿入口

EPR 官方系統(tǒng)（Editorial Manager）

投稿時(shí)選擇

Topical Collection: “AI as Cognitive Models in Education”

截稿日期

2027 年 2 月 1 日

篇幅

約 12,000 字

格式

遵循 EPR 作者指南

審稿

雙盲，2–3 位外審，客座編輯統(tǒng)稿

預(yù)投稿咨詢

wang@essb.eur.nl（歡迎，非必需）

如果對(duì)選題契合度心里沒底，歡迎發(fā)一份 1 頁摘要給我做 fit check。當(dāng)然，直接走正式投稿系統(tǒng)也完全可以——EPR 的初審反饋通常很快。

八、給作者的幾點(diǎn)建議

第一，把“機(jī)制”寫進(jìn)標(biāo)題里。本專輯核心是 mechanistic insight，標(biāo)題里出現(xiàn) mechanism、interpretability、representation、how，比 performance、effectiveness 更容易過初審。

第二，理論框架放在最前面。EPR 審稿人極看重理論 framing，第一段就要讓人看清你扎根在哪個(gè)教育心理學(xué)傳統(tǒng)里——是認(rèn)知負(fù)荷？自我調(diào)節(jié)？雙重加工？

第三，避免技術(shù)展示型寫法。不要花三頁講模型架構(gòu)有多創(chuàng)新，要花三頁講這個(gè)模型回答了什么舊問題、推翻了什么舊假設(shè)、生成了什么新預(yù)測(cè)。

最后

如果你正在做的事情，是用 AI 反過來重新理解“人是怎么學(xué)的”——而不是相反——那你做的就是這個(gè)專輯想要的研究。

教育心理學(xué)正站在一個(gè)少有的理論重構(gòu)窗口期。計(jì)算的工具第一次精細(xì)到可以與認(rèn)知構(gòu)念逐項(xiàng)對(duì)應(yīng)；可解釋性方法第一次讓黑箱有可能成為白箱。這是一個(gè)值得認(rèn)真出手的時(shí)刻。

期待你的來稿。

——主題專輯編輯團(tuán)隊(duì)

2026 年 5 月

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認(rèn)知神經(jīng)科學(xué)的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級(jí)大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場(chǎng)探索未知的長(zhǎng)跑，但你無需獨(dú)行。歡迎加入PsyBrain 學(xué)術(shù)社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點(diǎn)擊卡片進(jìn)群，歡迎你的到來

一鍵關(guān)注，點(diǎn)亮星標(biāo) ? 前沿不走丟！

一鍵分享，讓更多人了解前沿