一篇針對預印本 《拆解主體性，隔離應答性：在 AI 輔助學習中培養無法被委託的能力》 (Tomita, 2026) 的白話解說。
預印本：https://osf.io/preprints/edarxiv/hvbfe
(日文版解說：https://researchmap.jp/ketomy/others/54141521
當一個系統能夠規劃一篇論文、起草它、修改它，並在要求時解釋自己的推理過程時，一個過去被認為是修辭性的問題就變得無法迴避：當 AI 能完成所有工作時，學習者還有什麼是必須由自己原創的？
學術機構對此的回應大致分為兩種——要麼禁止這些工具以保護學習者的能力，要麼接納這些工具並期望這些能力能存活下來。這兩種回應都將「主體性」視為一個單一的量，AI 要麼威脅它，要麼不威脅它。這篇文章主張，這種看待問題的方式從根本上就是錯的。主體性並非單一事物。一旦你用正確的方式將其拆解，你會發現它的大部分是可訓練、可支持或可分散於人機系統之間的——而剩下的一小部分精確殘留物，根本就不是一種能力。
不同的拆解方式：按可委託性，而非心理功能
傳統拆解主體性的方式，要嘛是根據心理功能（Bandura, 2001），要嘛是根據時間取向（Emirbayer & Mische, 1998）。這兩種方式在回答它們各自的問題時都表現得很好。但它們都不是為了回答 AI 現在強迫我們面對的問題而設計的。因此，這篇文章選擇了一個不同的軸線來進行拆解——可委託性——並由一個簡單的測試來定義：當你試圖將每個部分移交出去時，會發生什麼事？
由此產生了三個組成部分。
- 方向——學習者所朝向的目標：一種評價性的承諾，它使得某個問題成為「他們的」問題，而不僅僅是被指派的工作。
- 驅動力，分為兩個層次——一般驅動力（類似特質的能量和活動水平）和動機驅動力（類似狀態的、朝向特定目標的力量）。
- 模式——驅動力在學習者的氣質中運作的特徵模式：一個人通常是創造、連結、批判或維持。一個能銳化任何放在他面前的草稿，但從不原創任何東西的學習者，並非主體性低落；他們只是以單一模式在運作。
這些是為了進行可委託性分析而設的分類箱，而非一套新的心理學。重點在於，當每個部分接受測試時會發生什麼事。
大部分都能清晰地歸類
表 1. 在可委託性軸線下的學習者主體性。
進行測試後，主體性的大部分都能被歸類：一般驅動力是可選擇和可支持的；模式是可訓練和可支持的——AI 可以直接為較弱的模式提供鷹架（例如，為批判者提供草稿作為批判對象，為連結者提供結構化材料），這使得它成為爭議最小的部分；動機驅動力則可從一般驅動力轉化而來。
唯獨「方向」抗拒委託——但精確的定義很重要。抗拒委託的並非候選方向的供應。提出方向是廉價的：老師可以建議十個，AI 可以應要求生成五十個，而且兩者在拓寬學習者的視野方面都有其正當角色。無法被移交的是所有權。一個被提出的方向能否成為學習者自己的方向——或者無法成為——是透過一個提議者無法控制的過程來實現的。一個被安裝的方向和一個被擁有的方向之間的差異，在行為上是可見的：順從會追蹤監督者的注意力；承諾則不會。 自我決定理論從另一個角度為這個區別提供了收斂的支持——外部提出的目標只有在同時滿足關係性和資訊性條件時，才會被整合而非僅僅被順從（Ryan & Deci, 2000）。
根據當前的拆解，這證實了主體性的分佈觀點（Cukurova, 2026）確實適用於這些組成部分：規劃鷹架、對一般驅動力的支持、拓寬模式的工具、圍繞現有動機的維持架構——所有這些都真正地分佈在人機配置之間。這篇文章並非拒絕分佈式主體性。它是在限制分佈式主體性所能解釋的範圍。分佈式觀點正確地說明了什麼是可分佈的——但對什麼是不可分佈的卻保持沉默。
那個從未是組成部分的殘留物
圖 1. 一個有組成部分；一個立於應答性之中。
當分類完成後，有一些東西被遺留下來，而它從未出現在清單上——而且它不是第四個組成部分。它是一種關係：應答性，一種不可轉移的立場，即必須為自己的判斷向有權提問的人負責。（在教育領域，「應答性」也有巴赫金學派的淵源；此處使用的意義更狹窄，是達沃爾式的——即向有權提問者回答的立場。）
這篇文章以第二人稱的視角來論證這個概念，並且必須精確地標明其借用來源。它從達沃爾（2006）那裡借用了第二人稱稱呼的結構：主張和要求是個人對個人提出的，而具有應答性意味著你是那個可以被要求回答的人。被借用的是這個稱呼結構。此處原創的部分在於其延伸——將它從「行為」（達沃爾自己的主題）擴展到判斷的正當性：一個評價性的判斷，不亞於一個行為，需要一個可以被稱呼、被挑戰、並且必須回答的承載者。
達沃爾論述中的一個不對稱性在此被視為決定性的關鍵。「主張」的一方明確允許代理——受託人可以代表他人提出要求，第三方可以為受害者感到憤慨。但在「回答」的一方則沒有平行的代理：罪惡感的自然表達是懺悔、道歉和自我譴責。這篇文章將這個不對稱性視為論證的關鍵：回答無法由他人代勞。
兩個區別有助於避免此概念與鄰近概念混淆：
- 問責 vs. 應答性。 問責是可由制度分配的：它可以擴散、被審計、被重新指派。應答性是關係性的、與個人相關的：判斷的正當性始終錨定在必須回答的那個特定主體身上（Tomita, 2026b）。
- 權威 vs. 立場。 這個立場的運行方向與 Xing 等人（2026）所探討的 AI Agent 的權威方向相反。根據當前的論述，權威是由學習者授予的，並與感知到的能力相關；而立場則由做出判斷的人保留，並與應答性相關。Agent 可以被授予更多權威，但並不會因此獲得立場。
為什麼 AI 無法擁有這種立場——以及為什麼這不是一個能力宣稱
一個熟練的詐欺犯擁有豐富的方向，並且不向任何人負責——直到被迫為止。 這個限制條件是關鍵：一個人類詐欺犯可以被要求回答；這種易受影響性——即被稱呼、被挑戰、被追究——正是第二人稱能力的體現。一個當前的 AI 系統的輸出無法在這個意義上被要求回答：無法從它那裡奪走任何東西，它沒有自己的承諾需要捍衛，而預先編寫好的自責也只是空轉。這種差異並非在任何組成部分維度上的程度差異。它是拒絕一種關係與無法處於一種關係之間的差異。
兩種誤解應該被排除：
- 這不是一個任務能力宣稱。 任何規劃、起草、解釋或自我監控能力的累積，本身並不能建立第二人稱的立場——達沃爾的第二人稱概念（權威、有效主張、第二人稱理由、以及對他人的責任）形成了一個相互定義的循環，無法從外部進入。相關的問題是系統是否能進入稱呼和回應的關係，而不是它能執行多少任務。這篇文章並未斷定未來的系統是否能夠獲得第二人稱能力；它排除了僅憑能力作為捷徑的可能性。界線取決於能力，而非載體。
- 這不是菁英主義。 應答性並非少數有才能者所持有。住院醫師從取得執照的第一天起就擁有回答的立場；學生從以自己名義提交作業的那一刻起就擁有它。訓練所建立的不是立場，而是妥善佔據這個立場的能力。
另一方面，也存在一個實際的邊緣效應：不加批判地委託，並不會讓學習者這一方毫髮無傷——在高度依賴下，它會削弱學習者在規劃、監控和評估方面的參與度（Fan 等人，2025）。這就是為什麼處方將委託視為需要被塑造的事物，而非僅僅被允許的事物。
方向從何而來
如果方向無法被安裝，它從哪裡來？這篇文章提出了一個精簡的機制，包含三個步驟：與問題持有者的具體遭遇促成了評價性承諾的結晶化；然後，這個結晶化的方向將一般驅動力轉化為動機驅動力。每個步驟都命名了一個條件，而非一個保證。
醫學界已經執行這個設計一個世紀了。臨床實習將學生安排到病人身邊，其明確的前提是，對照護的熱忱是在病床邊形成的，而非在課堂中被安裝的。這個模型可以作為一個設計啟發，適用於任何能夠創造持續、早期、具體接觸問題持有者的課程。
一個兩階段的處方
這個雙層結構產生了一個兩階段的處方，而且這兩個階段絕不能合併。
第一階段——針對拆解所能定位的一切。
- 一個診斷羅盤。 OECD 的「學習羅盤 2030」將主體性置於學習者如何在不確定的世界中導航的核心，但它指向的是「前進的方向」，而非將方向解析成教育者可以解讀的部分（OECD, 2019）。這個階段提供了第二種羅盤：根據可委託性分類，分別解讀學習者的方向、一般驅動力、動機驅動力和模式，而不是將它們加總成一個單一的「性向」。它不需要新的心理測量學——只需要用不同的方式解讀現有的工具。一個保留意見是構成性的，而非警示性的：羅盤只能讀取可以被外化的東西。應答性不會出現在任何指針上，一個聲稱能為它評分的羅盤，只會重新引入本文所診斷出的混淆。實例。 一個學習者表現出「缺乏動機」。羅盤將其拆解：一般驅動力高（同一個學生在其他地方很有活力），方向缺失，模式主要是批判性的。這不是動機缺陷，而是一個結晶化前的狀態——一個沒有目標的強大引擎——而槓桿是提供遭遇的機會，而非說教。這個羅盤也將「找到你的目標」（一個二元的、多半會讓人癱瘓的要求）替換為「觀察你自己的梯度」，這是處於結晶化前狀態的學習者實際能做到的事。
- 遭遇工程。 如果遭遇能促成方向，那麼課程可以為了遭遇密度而設計——在能力傳統上被認為「足以證明」其合理性之前，就提供與問題持有者早期、具體的結構化接觸。
- AI 護欄。 配置 AI，使其委託能移除障礙，但不會取代學習者。但請注意其限制：與 AI 的對話，無論配置得多好，都無法培養應答性——系統可以引發承諾，但它無法成為學習者向其回答的那個人。護欄服務於第一階段。它們無法取代第二階段。
第二階段——針對第一階段無法觸及的部分。
應答性只在第二人稱交流中成長：被提問、回答、並為自己的答案負責。教育者不可取代的功能——沒有任何工具配置能吸收的功能——就是成為那個「另一個人」：問學習者你的評估是什麼？ 並要求他們對自己所說的話負責。臨床監督一直以來都是這樣運作的——住院醫師在一個又一個案例中，向有權提問的人回答，而這就是如何在從一開始就存在的立場上，建立起回答的能力。
這是結構性的論證，而非懷舊。借用 Nonaka 和 Takeuchi 的 SECI 模型（1995），Tomita（2026b）主張，當 AI 加速了知識的外化和結合時，有效的速率限制過程會轉向社會化和內化——而社會化，即評價性承諾在人與人之間被質疑和修正的過程，正是第二人稱的場域。自我決定理論發現的內化所需的關係性條件，也指向了同樣的方向（Ryan & Deci, 2000）。人機混合配置是正確的容器，第一階段填滿了它；但在任何配置中，回答的一方是其中的人類，而非配置本身。
結論是什麼
所以，對於「學習者還剩下什麼」這個問題的答案是兩種，而保持它們的區別是本文的核心紀律：
- 方向——一個抗拒安裝但屈服於遭遇的組成部分。
- 應答性——根本不是一個組成部分，而是學習者為自己的判斷向某人回答的立場。
AI 改變了圍繞那個關係的一切事物的經濟學，從教學和學習中剝離了外化的負擔。它無法改變的是關係本身：誰必須回答，以及向誰回答。 教育者的角色因此被釐清，而非被削弱——設計遭遇、配置工具、解讀羅盤；然後，成為學習者向其回答的那個人。
AI 移除了教育的外化負擔；它無法移除的是那個「另一個人」。
AI 時代的教育，不是捍衛人類任務免受自動化取代。它是培養那些從未是任務的事物。
這如何融入一個更大的框架
這是關於 AI 壓縮了什麼、以及沒有壓縮什麼的一系列研究中的第三篇。第一篇區分了外化成本（AI 剝離的部分）和規格化——即 AI 協助本身無法在框架目標領域中提供的領域判斷（Tomita, 2026a）。第二篇將規格化解析為事實型（Sein）和價值負載型（Sollen）組成部分，並定位了一個委託正當性邊界——越過這條線，AI 可以產生輸出，但不能成為其正當性的來源（Tomita, 2026b）。這一篇則打開了那些論文視為常數的變量——學習者——並在人類的邊界上，發現了一種關係而非一個數量。操作者恆定；被爭論的概念則發生了變化。
參考文獻（關鍵文獻；完整列表請見預印本）
預印本中發展了反循環論證、機制模型的證據限制，以及本簡短版本中省略的制度性條件說明。
- Bandura, A. (2001). Social cognitive theory: An agentic perspective. Annual Review of Psychology, 52, 1–26.
- Cathcart, S., Priestley, M., Priestley, A., & Rushton, E. A. C. (2026). Unravelling agency. Review of Education, 14(1), e70131.
- Cukurova, M. (2026). Agency as a system property in human–AI interaction in education. British Journal of Educational Technology, 57(4), 1065–1070.
- Darwall, S. (2006). The second-person standpoint: Morality, respect, and accountability. Harvard University Press.
- Emirbayer, M., & Mische, A. (1998). What is agency? American Journal of Sociology, 103(4), 962–1023.
- Fan, Y., et al. (2025). Beware of metacognitive laziness. British Journal of Educational Technology, 56(2), 489–530.
- Nonaka, I., & Takeuchi, H. (1995). The knowledge-creating company. Oxford University Press.
- OECD. (2019). OECD Learning Compass 2030: A conceptual learning framework.
- Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation. American Psychologist, 55(1), 68–78.
- Tomita, K. (2026a). Domain-native development: A Mekiki framework for AI-assisted knowledge work [Preprint]. SocArXiv.
- Tomita, K. (2026b). Philosophy as cognitive assay [Preprint]. SocArXiv.
- Xing, W., et al. (2026). Unveiling interaction patterns between students and a generative AI teachable agent. British Journal of Educational Technology, 57(4), 896–923.
- Zimmerman, B. J. (2000). Attaining self-regulation: A social cognitive perspective. In Handbook of self-regulation (pp. 13–39). Academic Press.
P.S. 這篇解說已經很密集，而它背後的原論文更為密集。歡迎讓 AI 陪你一起閱讀其中任何一篇——摘要、翻譯、解析。這正是 AI 應該為你分擔的那種外化工作。AI 也可以測試論點：檢查邏輯、找出反例、權衡證據。但它無法為你決定是否接受它。將論點視為有正當性，並為此負責，這仍然是屬於你的事。
