当AI遇见焦虑：数字孪生能否真正理解学生对数学的恐惧？
教育心理学长期关注一个看似简单却深奥的问题：为什么有些学生对数学避之不及，而对生物或化学却兴致盎然？答案显然不止于智力差异或教学方式。最新研究通过一种创新的认知网络建模方法，揭示了隐藏在学生心智深处的“情感结构”——那些由知识、经历与情绪交织而成的隐性认知图式。
心智网络的映射：从自由联想到情感图谱
研究团队采用行为心智网络（Behavioral Forma Mentis Networks, BFMNs）作为分析工具，将个体对特定词汇的自由联想转化为可视化网络结构。每个节点代表一个概念（如“数学”“考试”“教授”），边则表示这些概念在真实人群中的心理关联强度，而每个节点还标注了被试感知的情感效价（正面或负面）。这种方法超越了传统问卷调查的局限，直接捕捉了思维中隐含的联结模式。
通过对994名参与者——包括高中生、大学生和早期STEM从业者的分析，研究描绘出一幅令人深思的认知图景：科学整体被积极框架包围，研究、探索、发现等词汇形成明亮的情感簇；但数学与统计学却深陷于“焦虑”“压力”“失败”等负面语义场中。这种“科学欢迎，数学排斥”的分裂现象，在数学焦虑较高的学生群体中尤为突出。
数字孪生的局限：AI能模仿态度，却难共情痛苦
更具启发性的部分来自对大型语言模型（LLM）“数字孪生”的对比实验。研究者使用GPT类模型，提示其模拟不同教育背景个体的认知特征，并生成相应的联想网络。结果显示，AI在宏观层面成功复现了人类对STEM领域的整体态度分布，例如对科学的正面倾向和对数学的复杂情绪。
然而，细粒度分析暴露了关键差异：人类网络中，数学与焦虑之间的联结强度显著高于AI模型所呈现的水平。这意味着，真实学生经历中的挫败感、考试压力、教师评价等情境化创伤，并未被语言模型充分内化。AI可以“知道”数学难，但无法“感受”那种深夜做题时的无助，或成绩单下发时的羞耻。
更值得注意的是，高焦虑群体对数学的表述往往更加抽象和去情境化——他们用“复杂”“抽象”“无用”等泛化词汇描述数学，而非具体的学习场景。这种“认知脱嵌”现象在AI模型中未被准确再现，暗示其缺乏对教育体验中情感累积过程的理解。
教育焦虑的深层结构：为何数学成了“情感孤岛”？
研究进一步指出，数学的负面框架不仅情绪强度高，而且语义网络密度较低，与其他积极概念（如“创造力”“团队合作”）的连接薄弱。这使其在认知图谱中成为一个“情感孤岛”——被负面情绪包围，却难以融入更广阔的知识生态。
这种隔离效应可能源于数学教育的固有特性：强调唯一正确答案、线性进阶逻辑、频繁的高风险评估。相比之下，生物或化学允许更多探索性学习，实验失败常被视作过程的一部分。而数学中的错误往往被直接标记为“错”，强化了学生的自我否定。
此外，社会文化叙事也加剧了这一现象。媒体常将数学天才塑造成“异类”，强化“普通人学不好数学”的刻板印象。这种集体认知偏差在BFMNs中表现为数学节点周围聚集大量“天赋”“聪明”“不适合我”等自我设限的联想。
AI模拟的边界：从文化复制到经验缺失
尽管LLM在模拟群体态度方面表现出色，但其本质仍是基于文本统计规律的生成系统。它学习的是“人们怎么说”，而非“人们怎么经历”。教育焦虑是一种具身化的、情境依赖的心理状态，涉及记忆、情绪调节、社会比较等多维度机制，远超当前AI模型的建模能力。
这一发现对教育科技的发展具有警示意义。若依赖AI生成个性化学习路径或心理干预方案，却忽视其无法真正理解学生情感困境的局限，可能导致“精准但不共情”的解决方案——算法推荐更多练习题，却未察觉学生已处于崩溃边缘。
未来方向：构建有温度的智能教育系统
研究启示我们，未来的教育AI不应止步于知识传递的效率优化，更需发展“情感认知建模”能力。这可能需要融合多模态数据——如眼动、语音语调、写作风格变化——来捕捉学习过程中的情绪波动。同时，人机协同框架或更可行：AI负责知识图谱构建与资源推荐，教师则聚焦于情感支持与意义引导。
更重要的是，教育者应重新审视数学的教学哲学。与其强调速度和正确率，不如引入更多情境化、协作式、容错性强的学习设计，帮助学生在安全环境中重建对数学的认知联结。毕竟，改变一个心智网络，比训练一个语言模型更为复杂，也更为根本。