本章的判断
课堂很少发生真正学习，不是因为学生没有遇到困难，不是因为教师没有提供恰当支持，也不只是因为任务过早被宣布完成，而是因为困难一出现，系统便通过代偿通行恢复产出；恢复后的成功又使同类代偿在下一轮更早行动。
提要 课堂通常把顺利推进视为教学有效的重要证据：学生遇到困难时，教师提供提示，教材给出步骤，同伴补充解释，平台推送变式，人工智能生成答案；任务由此重新向前，正确率提高，作品得以完成，课堂避免陷入停滞。然而，任务恢复通行并不等于学习者原有的组织方式已经发生改变。本章从病理生理学、交通运输学与自动化科学三条彼此冲突的动力出发，解释课堂为何会稳定地产生“高通行、低学习”的状态。病理生理学表明，机体在功能受损时会启动代偿机制以维持输出，但长期代偿可能掩盖原发损伤并推动进一步恶化；交通运输学表明，个体选择低阻力路径或网络增加新通道，可能在新的均衡中诱发更多流量，甚至使全体通行时间上升；自动化科学则表明，系统接管越多常规行动，操作者越容易失去情境意识、诊断能力与接管技能，在异常时反而更依赖外部控制。三门学科通常都把“恢复功能、增加通道或提高自动化”视为解决阻滞的路径，却共同默认：一旦输出恢复，原来的障碍便已被处理。它们自己的研究反而证明，局部恢复可以制造全局退化。本章据此提出“代偿通行”机制：当学习者当前的理解、策略或表征不能生成下一步时，教师、模板、同伴、平台或人工智能在其组织方式被迫重构之前提供一条外部通路，使任务产出恢复；这次成功又被记录为支持有效，促使下一轮更早调用同类支持，学习者则逐步退出差异诊断与行动发起。文章建立“任务通行度×内部重构度”二维辨别格，提出代偿完成率、障碍转化率与外部首动递增率三个过程指标，并与脚手架、援助困境、认知卸载、自动化偏误、生产性失败、理想困难、习得性无助、“结算先行”及“无主转化轮次”逐一分界。最后给出六组可证伪预测、事件层随机研究设计、固定日期经验赌注、适用边界与伦理限制。
一名学生解方程3(x－2)=12。他展开括号时写成3x－2=12。教师没有直接说答案，而是提醒：“括号前面的3要乘到哪里？”学生立刻改成3x－6=12，继续求出x=6。教师表扬他“自己发现了”，学生也确实完成了订正。
下一题换成－2(3x＋1)=8。学生再次只把－2乘给3x。教师又提醒：“每一项。”学生改对。第三题中，平台直接用颜色把括号内两项同时标亮，学生迅速完成。
从课堂表面看，学习正在加速：第一次需要语言提示，第二次只需关键词，第三次视觉提示已经足够。正确率逐步提高，停顿时间逐步缩短，教师支持似乎越来越精准。
但取消提示后，学生仍然可能不知道为什么括号里的每一项都必须参与乘法。他掌握的不是分配关系，而是一套外部信号：老师问“乘到哪里”时要检查两项；出现彩色标记时要照着展开；题目没有这些信号时，原来的动作重新出现。
课堂没有停下来。恰恰因为它没有停下来，那个本来可能迫使学生重新理解“一个整体被放大三倍意味着什么”的障碍，被提示迅速绕过了。
教师、教材、同伴和技术工具都完成了善意而专业的工作：让学生继续走。可学习是否发生，取决于学生以后能否自己辨认障碍、决定取样、改写规则。若外部系统总能在他必须重构之前恢复通行，任务一次次完成，学习却一次次被延后。
因此，第八章追问的不是“为什么课堂支持太多”，而是一个更锋利的问题：
为什么课堂越能及时帮助学生跨过困难，困难越可能失去改变学生的权力？
第七章提出“结算先行”：课堂必须在学习的未来效应尚未显露以前，完成课时、成绩、责任与秩序的确认，于是可结算凭证反过来塑造学习对象。它解释了课堂为什么会过早宣布“已经学会”。
但有些课堂并不急于宣布完成。教师愿意耐心追问，也允许学生继续修改；评价压力不高，课程时间较宽松，甚至明确告诉学生“慢一点没有关系”。学习仍可能很少发生。
原因是，课堂还有另一种更基础的运行要求：活动必须能够继续。
学生卡住以后，课堂不能无限等待；小组没有方案，教师需要提供支点；实验无法解释，教材要给出概念；写作无从下笔，模板要帮助起步；学生使用人工智能，也常是为了让任务重新流动。
这种通行要求不必伴随高风险评价。一个温和、关爱、低竞争的课堂同样会不断替学生降低阻力。教师之所以提示，不是为了赶成绩，而是为了避免挫败；平台之所以推荐下一步，不是为了结算，而是为了保持参与；同伴之所以直接告诉方法，往往是因为不愿看见别人长期无助。
所以，第八章与第七章的驱动不同：
前者关注何时宣布完成，后者关注怎样继续前进。一个课堂可以不急于结算，却仍然通过持续代偿把每个真正可能引发重构的障碍绕过去。
要解释这种动力，普通的“过度帮助”还不够。我们需要知道：为什么支持一旦成功，就会越来越早、越来越深地进入下一轮；为什么学习者的困难反而越来越难被看见；为什么每个局部参与者都在解决问题，整体却越来越依赖解决问题的人。
病理生理学、交通运输学与自动化科学分别把这条回路放在功能、路径和控制权三个不同位置。
生物体面对损伤时，不会先停下来等待结构彻底修复。血压下降、心输出量不足、氧供受限或组织灌注减少，都会立即威胁生存。机体必须优先维持关键功能。
心力衰竭提供了典型材料。心肌泵血能力下降后，交感神经系统、肾素—血管紧张素—醛固酮系统以及Frank-Starling机制等会被激活。心率加快、心肌收缩增强、血管收缩、钠水潴留和心室扩张，可以在初期维持血压、灌注与心输出量（Kemp&Conte,2012；Triposkiadisetal.,2009）。
这些反应不能简单称为“错误”。在急性阶段，如果机体不进行代偿，生命可能无法维持。病理生理学因此给出一个强判断：
当结构能力不足以满足生存要求时，维持功能的压力会驱动系统改变内部状态。
动力顺序十分清楚：泵血功能下降在先，神经—体液代偿随后启动，输出暂时恢复；恢复后的血压和灌注又降低了系统立即暴露失败的程度，使机体能够继续运行。
然而，长期代偿可能从保护变成病理。持续的交感神经兴奋会增加心肌耗氧、促发心律失常；长期RAAS激活会导致钠水潴留、血管收缩、纤维化和不利重构；心室扩张最初增加搏出量，持续扩张却会提高壁应力并加重心肌损伤（Cohnetal.,2000；Bristow,2000）。
于是，系统进入一个反直觉回路：
功能越不足，代偿越强；代偿越能维持表面输出，原发损伤越不容易以立即失败显
露；代偿持续越久，结构负担越重；下一轮越需要更强代偿。
病理生理学并不把代偿等同于疾病，但它迫使我们区分两个常被混为一谈的结果：
二者可以同步，也可以背离。一个系统可能暂时表现正常，却正在用更高代价维持同一结果。
课堂同样存在这种背离。学生无法生成下一步时，教师提示、模板、范例、同伴或AI可以恢复任务输出。答案继续出现，作品继续完成，课堂继续运行。可是，学生原来的组织方式可能没有改变，只是外部系统替他承担了诊断、选择或连接。
病理生理学提供的第一条动力式是：
内部能力不足与任务必须继续相冲突——外部代偿恢复当前输出——恢复掩盖未解决
结构并提高后续依赖——下一轮由代偿系统更早启动。
课堂中最常见的证据是结果改善。学生原来不会，提示后会了；原来写不出，提供框架后写出了；原来小组争执，教师总结后形成了方案。这些改善真实存在，不能被轻率否定。
问题在于，我们常把“支持条件下的功能恢复”直接解释成“学习者能力已经恢复”。
在医学中，评估治疗效果不能只看一个时点的表面指标。利尿剂可能迅速缓解充血症状，却不等于心肌结构已经逆转；强心作用可以改善短期血流动力学，却可能增加长期风险。现代心衰治疗之所以重视阻断神经—体液通路，正因为某些看似维持功能的反应会推动疾病进展。
课堂支持也需要同样的时间分辨率。
教师的一次提示可能具有三种不同后果：1.提示帮助学生看见自己的规则在哪里失效，下一题他能自主启动修复；2.提示只提供当前动作，学生在相似题中继续等待同类信号；3.提示不仅替代当前动作，还使学生更确信“遇到这种题就是等老师告诉我看哪里”。
三种情况当堂都可能正确，长期命运却完全不同。
真正的分界不在“有没有帮助”，而在帮助恢复输出以后，原障碍是否仍然获得改变内部结构的机会。若学生只是被带过了障碍，系统会把这次成功归到支持方案上：这个提示有效，这个模板好用，这个平台准确，这种AI工作流提高效率。下一轮设计自然会更早调用它。
于是，支持的成功生产了更多支持。学生困难则被重新解释为“还需要更细的提示”，而不是“当前组织方式必须自己经历一次重构”。
这就是课堂中的病理性代偿：不是帮助本身有害，而是帮助的成功遮蔽了帮助所替代的能力。
交通网络面对拥堵时，最直观的解决方案是增加容量：扩宽道路、增加车道、修建新连接、优化导航，让车辆能够绕开阻塞点。
在没有拥堵相互作用的网络中，增加一条可选路径不应使任何人变差。可是，当每名出行者都根据自己的时间成本选择路线，而道路耗时又随流量变化时，局部理性不保证系统最优。
Wardrop提出的用户均衡原则描述了这种状态：在均衡中，所有被使用的路线具有相同且最低的旅行成本，任何个体单独换路都不能改善自己的时间（Wardrop,1952）。这是一种稳定状态，却不一定是全网总成本最低的状态。
Braess在1968年提出著名悖论：给拥堵网络增加一条看起来更快的连接，可能诱使所有驾驶者重新选路，最终使每个人的通行时间都上升。其英文译文后来发表于《TransportationScience》（Braessetal.,2005）。
这不是因为驾驶者愚蠢，也不一定因为信息不足。每个人都选择对自己最有吸引力的路径，恰恰是这些选择共同把网络推向更差的均衡。Steinberg与Zangwill证明，在相当一般的条件下，Braess悖论并非罕见异常；Roughgarden与Tardos则用“无政府代价”研究个体优化与系统最优之间的差距（Steinberg&Zangwill,1983；Roughgarden&Tardos,2002）。
交通运输学还揭示“诱发需求”。道路容量增加后，原来改在其他时段、使用公共交通、放弃或不发生的出行可能重新进入道路，土地利用和居住选择也会调整。Duranton与Turner对美国城市的研究发现，道路车辆公里数与道路容量之间存在接近比例的长期响应，被概括为道路拥堵的“基本规律”（Duranton&Turner,2011）。
因此，交通系统给出第二条强动力：
个体通行需求与有限网络容量相冲突——流量转向低阻力路径或系统增加新通道——
局部阻力下降——新的路径选择和需求重新占满通道——下一轮由最容易通行的路线
先吸引行动。
这条机制与课堂高度相似，但不是简单比喻。
学生遇到认知阻塞时，教师解释是一条新路线，步骤模板是一条新路线，现成公式是一条新路线，搜索引擎和AI也是新路线。它们降低了完成任务的即时成本。学生、教师和学校都会理性地选择这些路线，因为它们让当前活动更快抵达终点。
但新增路线可能重新分配认知流量：学生不再经过“提出预测—发现矛盾—重画表征—检验规则”的慢路，而把更多任务导向“识别题型—调用模板—获得答案”的快路。快路越可靠，慢路越少被使用；慢路越少使用，学生越难在没有支持时通行。
课堂由此出现自己的诱发需求：工具越便捷，原本不可能在有限时间内完成的任务越多地被塞进课程；任务量增加，又使教师更需要便捷工具维持进度。容量提升没有释放时间，反而使更多任务进入系统。
一个班级使用智能学习平台以后，学生做题速度明显提高。平台能识别错误类型、给出分步提示、自动推送下一题。教师因此把每周练习量从三十题提高到五十题，希望学生获得更多巩固。
起初，学生完成度提升，课堂时间也被节省。但几周后，新的拥堵出现了：学生一旦离开平台，不知道如何判断错误属于计算、表征还是规则；面对开放题时，不会选择下一步；提示出现稍慢，就频繁点击“查看解析”。
原来拥堵发生在“不会做”；现在拥堵移到了“不会诊断自己为什么不会”。后者更深，也更难被平台的正确率发现。
交通网络中的绕行并不消灭流量，只会重新分布流量。课堂中的外部帮助也不自动消灭认知工作，只会重新分配谁来完成它。
一条解题路径至少包含：
教师提示可能替学生完成前两步，模板可能完成第二和第三步，计算器完成第四步，AI可能从识别到检验全部接管。学生最终仍然提交结果，因此系统看起来通畅；被转移出去的认知工作却不再构成学生练习。
新的拥堵只会在外部路线失效时显露：题目结构变化、AI回答错误、模板不适用、教师不在场。此时学生面对的不是原来的一个知识困难，而是长期没有练习过的诊断与发起困难。
交通运输学由此限制“支持越多越公平”的直觉。增加通道当然可以帮助许多学生进入任务，但若所有流量都被导向同一条低阻力路线，课堂会失去路径多样性，深层瓶颈也会被延后到更高风险的时点。
自动化的目的通常是减少人的负荷、提高稳定性并降低错误。工业控制、航空、医疗、交通和办公系统都通过自动化接管重复、精细或高风险任务。
Bainbridge在《自动化的反讽》中指出，经典自动化设计常把容易形式化的常规任务交给机器，却把异常、诊断和接管留给人。问题是，人在长期不参与常规控制以后，恰恰缺少处理异常所需的技能、过程知识和实时理解（Bainbridge,1983）。
Endsley与Kiris把这种状态称为“脱离回路表现问题”。在其导航任务研究中，自动化条件下的操作者情境意识降低，在专家系统失效后作出决策所需时间增加；保持一定操作控制能够缓解这种损失（Endsley&Kiris,1995）。
Parasuraman与Riley进一步区分自动化的使用、误用、弃用与滥用，指出过度依赖可能造成监控失败和决策偏差；Parasuraman、Sheridan与Wickens则把自动化划分为信息获取、分析、决策选择和行动实施等不同阶段，强调不同功能和不同自动化水平会产生不同的人类表现后果（Parasuraman&Riley,1997；Parasuramanetal.,2000）。
自动化科学的强动力是：
系统效率要求与人类持续参与相冲突——自动化接管可形式化的动作——当前表现更
稳定——人的情境意识、诊断技能和反馈机会下降——异常更难处理，下一轮更倾向
由自动系统先行动。
这条回路在课堂中越来越普遍。
教师把典型错误交给平台自动纠正；AI为学生生成提纲、解释和例子；自动批改系统判断步骤；智能题库根据标签安排练习。它们可能显著提高效率，并把教师从低价值重复劳动中解放出来。
但自动化替代的究竟是哪一段活动，决定了学生是否仍在学习回路中。
计算器替代长计算，学生仍然可能负责建模、估计和检验；AI替代语言润色，学生仍可能负责论点与证据。相反，若系统替代的是“判断问题属于什么”“为何这个答案不可信”“下一步应获取什么证据”，学生即使提交高质量结果，也可能逐渐退出学习最核心的控制环。
自动化越可靠，这种退出越不容易被发现。只有当系统给出异常答案、任务超出训练分布或工具不可用时，失去的能力才突然暴露。
关于AI教育风险，人们常担心幻觉、抄袭、偏见和事实错误。这些问题重要，却不是本章最关心的机制。
即使AI每次都给出正确答案，代偿通行仍然可能发生。
学生写议论文时无法建立论据与结论的连接。AI根据主题生成清晰提纲，补充数据、反例和过渡句。学生阅读后觉得合理，略作修改并提交。文章质量提高，教师也能看到更完整的结构。
但学生原来的障碍是什么？他是没有事实材料，还是没有证据标准？是不知道如何组织顺序，还是根本没有形成可被反驳的主张？AI把多个可能的障碍同时覆盖了。作品通行，障碍却没有获得名字。
下一次写作，学生更早调用AI。因为上一次成功已经证明：输入主题即可获得结构。外部系统从“遇到困难后提供帮助”升级为“任务开始时先行动”。学生不再经历自己的初态，也就无法形成与结果之间的误差。
这不是简单的懒惰。它是自动化回路的理性结果：系统在信息获取、分析、决策和行动多个阶段都更快、更稳定；使用者若只需为最终作品负责，最合理的选择就是让系统尽早接管。
真正危险的并非AI答错，而是：
AI答得足够正确，使课堂失去观察学生原来怎样组织问题的机会，也使学生失去观
察自己在哪一步需要改变的机会。
一个没有操作者的正确答案，可以同时通过作业、评价和展示，却不产生可在工具失效时接管任务的人。
病理生理学、交通运输学与自动化科学都能解释“帮助为何可能有副作用”，但它们把决定性驱动力放在不同位置。
病理生理学认为，首先发生的是内部功能不足与生存要求之间的冲突。代偿由维持关键输出的需要启动。
交通运输学认为，首先发生的是个体路径选择与网络拥堵成本之间的冲突。流量由相对阻力和均衡结构重新分配。
自动化科学认为，首先发生的是效率要求与人的持续参与之间的冲突。控制权由可自动化程度和系统设计重新配置。
三者不能被写成“帮助、路径和工具共同影响学习”。那只是因素清单。
若病理性代偿是决定性机制，那么即使没有新增路线和自动系统，只要教师替学生恢复功能，依赖也会形成。
若交通均衡是决定性机制，那么即使所有支持单次都没有伤害，只要低阻力路线吸走了认知流量，整体路径仍会退化。
若自动化退出回路是决定性机制，那么即使任务总量不增加、支持也会逐渐撤除，只要关键诊断与决策被系统接管，学生仍可能失去接管能力。
三条解释还给出不同的干预优先级：
若把它们简单合并成“适度帮助学生”，最重要的时序会消失：支持成功以后，它怎样回写系统，并决定下一轮谁先动？
三门学科虽然彼此冲突，却容易共享同一个判断框架：系统遇到阻滞，某种机制恢复输出，阻滞便被视为得到处理。
病理生理学观察心输出量、血压与灌注是否维持；交通运输学关心车辆能否到达和旅行时间是否下降；自动化科学关注系统是否更稳定、更高效、更少出错。
课堂也用同一方式理解支持：学生原来不能继续，帮助后继续了；原来没有结果，支持后有了结果。于是，支持被判为有效，障碍被判为已处理。
但三门学科自己的核心材料都在推翻这条前提。
心衰中的长期神经—体液代偿可以在维持灌注的同时推动重构和恶化。功能恢复不等于结构修复。
Braess悖论表明，增加一条更通畅的路径可以让新的均衡对所有人更慢。路线增加不等于网络改善。
自动化反讽表明，系统减少日常错误的同时，可能使操作者更难在异常时接管。当前稳定不等于未来可控。
其中，交通运输学给出了最直接的内部反证：一条真实存在、确实更快、每个人都理性选择的通道，仍然可能使整个系统更差。
因此，共同前提破裂：
任务恢复通行，不能证明产生阻滞的学习结构已经被处理；它只证明系统找到了一条
不必由原结构完成的通路。
这使课堂研究对象发生变化。我们不能只问帮助后学生是否成功，还要问：成功经过了谁的路径？哪一段认知工作被外部承担？障碍是否改变了学生下一次行动，还是只改变了教师、平台或AI下一次怎样更早介入？
本章把这种自我强化的课堂动力称为代偿通行。
“通行”表示任务从阻滞重新进入流动：学生能够继续计算、写作、实验、讨论或提交作品。
“代偿”表示恢复通行的关键动作并非由学习者当前组织方式重构后产生，而由外部主体或外部结构暂时承担。外部主体可以是教师、同伴、优生、家长；外部结构可以是例题、模板、步骤卡、评价句式、智能平台或生成式AI。
可以用三重否定式压缩核心判断：
课堂很少发生真正学习，不是因为学生没有遇到困难，不是因为教师没有提供恰当支
持，也不只是因为任务过早被宣布完成，而是因为困难一出现，系统便通过代偿通行
恢复产出；恢复后的成功又使同类代偿在下一轮更早行动，学习者尚未重构的障碍因
此逐渐退出课堂记录。
代偿通行不是一次普通提示。它至少包含五个必要条件：4.学习者当前组织方式出现真实阻滞；5.外部通路在学习者形成自主下一步之前进入；6.任务输出由此恢复；7.恢复被解释为支持有效，而非能力被替代；8.下一次相似事件中，外部通路更早或更深地先行动。
只有前四步，没有第五步，是一次性援助；有第五步，才形成动力回路。
它也不是“学生依赖性格”。代偿可以由系统主动生产，即使学生愿意独立。教材把每个关键步骤预先拆开，平台自动弹出提示，教师在沉默两秒后立刻追问，都可能使学生没有机会决定自己需要什么帮助。
代偿通行最重要的观察单位不是单次帮助，而是连续轮次中谁越来越早先动。若第一次由学生预测后教师提示，第二次由教师先提醒，第三次由平台直接标记，第四次学生开题便调用AI，发起权已经沿代偿链外移。
学生当前模型、策略或表征无法生成下一步。阻滞可以表现为错误、停顿、冲突、异常结果，也可以是学生不知道应当观察什么。
第二步：外部通路抢先进入
教师给出关键词，教材展示步骤，同伴直接解释，平台推送提示，AI生成候选方案。外部通路往往合理、准确且及时。
第三步：任务输出恢复
学生继续计算、完成段落、修正实验或提交作品。课堂的时间、情绪和秩序风险下降。
第四步：成功归因于支持方案
教师发现提示有效，平台记录完成率提升，学生感到工具好用。没有数据记录“哪一段组织能力由外部替代”。
第五步：原障碍失去结构身份
因为结果已经正确，原来的错误规则、诊断缺口或发起困难不再被视为未完成任务。它可能只被记作粗心、卡顿或需要更多练习。
第六步：下一轮外部系统更早首动
教师提前提醒，教材增加步骤，平台更快弹出帮助，学生更早调用工具。外部通路逐渐从补救变成默认入口，学习者则从行动者转为确认者与提交者。
六步形成闭环：
阻滞出现—外部抢先—产出恢复—支持获证—障碍隐身—外部更早首动。
这条回路解释了为什么课堂可以在善意、专业和技术进步中变得越来越依赖。每一次代偿都真实解决了当前任务，因此没有任何局部参与者需要承认失败；只有跨轮次观察，才能看见学习者逐渐退出。
代偿通行可以用两条轴辨认。
第一条轴是任务通行度：学生能否在规定时间内继续行动并形成可接受产出。
第二条轴是内部重构度：阻滞是否改变了学生以后辨认差异、选择路径、发起行动和检查结果的方式。
| 任务通行度 | 内部重构度低 | 内部重构度高 |
|---|---|---|
| 低 | 暴露停滞型：学生无法继续，障碍暴露，但没有获得可重构的材料与行动。困难只是持续。 | 重构潜伏型：当前表现暂时下降或任务未完成，但学生正在重画表征、修改规则或形成新的取样方式。 |
| 高 | 代偿通行型：外部支持恢复了正确与完成，学生原有组织方式却未改变；下一轮更早依赖同类支持。 （本章靶格） | 生成通行型：支持帮助学生定位障碍并保留首动权，任务恢复后，学生能在新材料中自主重建路径。 |
课堂最容易批评的是暴露停滞型：学生卡住、气氛低落、任务没有完成。
最容易被浪漫化的是重构潜伏型：困难被称为“深度思考”，即使学生实际上没有获得任何可用资源。
真正最隐蔽的是代偿通行型。它拥有正确率、完成度、流畅性、满意度和技术效率，甚至可以产生高质量作品。只有当外部通路撤除或情境改变时，内部重构不足才显露。
这张表也防止本章走向“越困难越学习”。低通行并不自动高重构；让学生长期卡住、拒绝提供必要知识，同样可能只有挫败。真正的目标不是制造堵塞，而是让通行恢复经过学习者自己的差异诊断与结构变化。
直接告诉答案很容易被识别，也容易被课堂改革批评。代偿通行最强的形态反而非常“以学定教”。
教师准确判断学生卡在单位选择，立即提醒单位；平台精确识别学生忘记负号，弹出对应提示；AI根据学生草稿补上最缺的一段论证。支持越精准，当前任务越容易恢复。
问题在于，精准支持可能同时完成了学生本来需要学习的诊断。
学生不是只缺一个知识点。他还需要学会：
若系统总能准确完成这些判断，学生得到正确动作，却没有练习“如何决定需要什么动作”。
因此，本章的靶格不是粗糙帮助，而是支持正确、任务成功、诊断权持续外置的课堂。
这也解释了为什么优秀教师更容易成为强代偿系统。教师能够迅速读懂学生，给出最小提示，避免无谓挫败。短期看，这比低质量放手好得多；长期看，若教师从不把诊断过程外显并逐步交还，学生会越来越依赖这位教师的高水平阅读。
代偿通行不是对优秀教师的批评，而是对一种结构风险的提醒：一个人越能替系统恢复通行，系统越可能不发展自己的通行能力。
一道几何题要求证明两个角相等。学生观察图形很久，没有思路。教师提醒：“连接这两个点。”辅助线一画，两个全等三角形出现，学生顺利完成证明。
这条提示完全正确，甚至非常精妙。但它可能产生两种不同学习结果。
第一种是生成通行。教师先让学生说明原图中缺什么关系，学生指出“想证明角相等，但没有直接连接这两个角所在的三角形”；他比较几种连线，预测哪条线会产生公共边或已知相等关系，再选择连接。辅助线成为学生对关系缺口的回应。
第二种是代偿通行。学生不知道为什么要连接，教师直接给出关键线；学生在新图中使用全等条件，完成证明。下一题他仍然等待教师告诉自己画哪条线。
两种课堂最后都得到同一条辅助线、同一份证明和同样的当堂正确率。分界只在下一轮：
学生能否在没有提示时先说出“原图缺少哪一种关系”，再决定用什么动作创造它？
若不能，辅助线只是外部绕行路线。它让这道题通了，却没有让学生长出寻找关系缺口的路。
当教材为了“降低难度”在所有题目中预画辅助虚线，学生完成率会提高，真正的瓶颈却从证明转移到图形重构。考试取消虚线后，学生表现突然崩塌，看似遗忘，实际上是从未承担过发起动作。
科学课研究影响蒸发快慢的因素。教材给出三个装置，分别改变温度、表面积和空气流动，学生只需观察并填写结论。
这样的实验具有清晰控制，能够帮助初学者看到现象。但若所有变量都由教材预先分离，学生学习的可能只是“看到这组装置就写温度”，而不是“怎样判断一个比较能否支持因果结论”。
后续题目换成生活情境：两件不同材质、不同厚度的湿衣服，一件放在阳光下，一件放在阴凉通风处，哪件干得快？学生开始凭经验猜测，无法说明哪些变量混杂。
实验曾经顺利通行，因为装置替学生承担了最关键的科学工作：决定改变什么、保持什么、比较什么。
生成通行的课堂不会让学生从零设计一切，而会逐步转移变量判断。第一轮使用完整装置学习基本关系；第二轮拿走一个标签，让学生说明各装置的比较意图；第三轮提供有缺陷的装置，要求诊断混杂；第四轮由学生根据自己的预测修改设计。
支持仍然存在，但支持不再只恢复结果，而是把被代偿的判断逐渐显露并交还。
病理生理学提醒我们，实验结论的正确输出可能由教材结构代偿；自动化科学提醒我们，学生长期不参与变量配置，就会在异常条件下脱离科学推理回路。
学生写“挫折使人成长”。教师提供标准结构：提出观点—名人事例—分析意义—联系现实—总结升华。学生很快完成一篇完整作文，逻辑顺序清楚，字数达标。
模板解决了组织困难，却可能同时掩盖另一个问题：学生是否真的拥有一个需要通过写作澄清的经验？
他也许经历过一次失败，却发现失败并没有使自己成长，反而让自己长期回避；也许成长来自朋友支持，而非挫折本身。模板要求他把材料导向既定命题，于是经验中的矛盾被绕过。
写作通行了，思考却没有发生。
模板本身不是敌人。对初学者而言，外显文本结构可以减少工作记忆负担，让他把注意转向论据和分析。问题在于模板的后续命运：学生是否能判断这一次结构为何适用、何时会压扁材料、哪些经验迫使他改变论点？
代偿通行型写作课不断增加更细模板：开头句式、过渡句、分析公式、结尾升华。学生越来越能稳定产出“像作文”的文本，却越来越难从真实材料中决定文章应当长成什么形状。
AI使这一机制更强。它不只提供模板，还能根据材料自动生成结构。若学生只选择喜欢的版本，写作中的结构判断已经被自动化接管。
真正的学习证据不是文章更完整，而是学生面对另一种材料时，能否说出：这次原模板在哪里失效，我为什么必须重写结构？
四人小组解决一道应用题。学生甲很快理解关系，学生乙负责计算，学生丙记录，学生丁没有跟上。为了按时汇报，甲把思路讲一遍，乙算出答案，丙整理板书。丁在最后说“我同意”。
小组高效完成任务，每个人都有角色，合作评价也可能很高。
但从认识路径看，甲成为小组的代偿系统。他承担了关系识别、路径选择与错误诊断，其他成员只完成局部动作。小组越依赖甲，整体产出越稳定；产出越稳定，教师越难发现其他成员没有形成同样的判断。
下一次换题，组内仍由甲先动。学生丁甚至学会了最安全的参与方式：等待甲解释，再复述结论。
这不是简单的“搭便车”。丁可能认真听讲，也愿意学习。问题在于，小组任务把共同完成作为首要通行目标，没有让甲的理解差异转化成其他成员必须承担的下一步。
生成通行需要改变交接：甲不能直接给完整路线，而要留下当前判断与一个未决差异；乙或丁必须据此选择验证方式；结果再写回共同模型。这样会降低短期速度，却把被强者代偿的认知工作分布出去。
交通网络的视角尤其重要：只要所有任务都自然流向最快节点，小组就会形成稳定均衡。增加更多合作次数不会自动改变路线，反而可能加深对中心节点的依赖。
智能题库根据学生错误自动调整难度，推送相似题和微课。它能够实现传统大班教学难以完成的个性化支持。
但“自适应”有两种完全不同的含义。
一种是系统适应学生：根据错误标签改变题目、提示和节奏，使学生继续完成。
另一种是学生形成适应能力：能够判断错误原因、选择资源、调整策略并在新情境中重新组织行动。
前者可以非常强，而后者仍然很弱。
平台若检测到分数加法错误，连续推送通分练习，学生正确率会提高。可是错误究竟来自单位概念、乘法基础、最小公倍数还是题型识别，学生本人可能并不清楚。系统知道他需要什么，他只知道“继续做下一题”。
久而久之，学生适应了平台提供的路径：做错—看提示—做相似题—正确—升级。面对没有标签的真实问题，他不会主动决定应当回到哪一层。
自适应系统因此可能制造“高外部适应、低内部适应”。
本章并不否定智能题库，而要求增加一个分离指标：平台调整以后，学生是否更能在平台不调整时自行诊断？若系统越来越精准，学生的自主诊断却不提高，平台正在成为代偿通行网络。
脚手架是教育学中与代偿通行最接近的概念。Wood、Bruner与Ross把辅导理解为使儿童完成超出其独立能力范围的任务，支持包括吸引兴趣、简化任务、保持方向、标记关键特征、控制挫折与示范解决方案（Woodetal.,1976）。
后续研究强调脚手架应当具有响应性，并随能力发展逐渐撤除。Reiser指出，脚手架既可以通过结构化任务降低复杂度，也可以把重要问题显化出来；两种机制一方面帮助完成，另一方面使学习者关注原本不可见的学科工作（Reiser,2004）。
代偿通行并不反对脚手架。两者的分界不在支持多少，也不在是否最终撤除，而在：
支持恢复通行时，被支持所替代的判断有没有成为学习者下一轮必须承担的对象？
一个模板可以逐步删去，但学生只是记住删减顺序；提示可以越来越少，但学生仍等待系统决定何时提示。形式上的淡出不保证诊断权回到学习者。
反过来，某些支持可以长期保留。计算器、字典、公式表和AI并不一定都要撤除。只要学习者仍负责界定问题、选择工具、检验结果和处理异常，工具是认知系统的一部分，而非代偿通路。
判决性预测是：在支持强度和淡出速度相同的条件下，若只有把“障碍诊断与下一步选择”显性交还学生的设计提高无提示迁移，代偿通行具有独立价值；若脚手架是否淡出已经完全解释结果，新机制多余。
Koedinger与Aleven把学习环境中的一个核心问题称为“援助困境”：应当给学生多少信息和帮助，多少应当让学生自己发现？过多帮助可能减少学习机会，过少帮助则可能造成无效搜索和挫败（Koedinger&Aleven,2007）。
代偿通行与这一问题高度接近，但研究单位不同。
援助困境关注帮助量与帮助时机的优化。代偿通行关注一次帮助成功以后，系统如何解释成功，并把控制权写入下一轮。
即使存在一个当堂最优提示时机，支持也可能形成代偿回路。例如，教师总在学生尝试两分钟后给出精确提示，时间安排非常合理；但学生从未学习怎样判断自己卡在何处、应该请求哪一种资源。每轮都由教师计时并诊断，学生仍不拥有帮助入口。
反过来，较早提供知识并不一定构成代偿。教师可以先讲一个必要定义，再让学生用定义生成预测、设计检验和决定何时修改规则。帮助早，却没有替代发起权。
判决性分离是：控制帮助量、准确性和时机后，外部首动递增率是否仍预测无提示任务中的诊断失败。若不预测，援助困境足够；若同样“适量帮助”的课堂仍因谁先诊断而分化，代偿通行不能被吸收。
认知卸载指通过身体动作、外部符号或技术工具改变任务的信息加工要求，从而减少内部认知负荷（Risko&Gilbert,2016）。写清单、画图、使用计算器、设置提醒和搜索资料都属于常见卸载。
卸载本身并非学习失败。数学家把推导写在纸上，不是因为不会思考；科学家使用仪器，工程师使用仿真，都是通过外部结构扩展能力。将一切外部工具视为“依赖”，会退回不必要的脑内主义。
代偿通行的分界不在工作位于内部还是外部，而在外部安排是否改变了学习者对障碍的拥有关系。
学生主动决定画图来降低工作记忆负担，他仍在回路中；平台在学生尚未理解问题时自动生成图形，并直接标出关键关系，可能替代了表征选择。两者都减少内部负荷，后果不同。
认知卸载主要问：什么触发人把加工要求转移到环境，转移后认知表现怎样改变？代偿通行还问：这次转移是否使未来任务更早由外部系统发起，并让原障碍从记录中消失？
若学生使用工具后，在无工具条件下未必更好，却能更准确地选择、验证和纠正工具，仍可构成高质量学习。本章不要求所有能力都在头脑中复制一份，只要求人不能失去对系统异常、适用边界和下一步行动的控制。
自动化偏误通常指人过度依赖自动系统的建议，忽略矛盾信息或不进行充分监控。Parasuraman与Riley的“误用”概念、Lee与See关于自动化信任的研究，都强调可靠性、信任和适当依赖之间的关系（Parasuraman&Riley,1997；Lee&See,2004）。
代偿通行不要求系统犯错，也不要求使用者错误相信系统。
AI可以始终正确，学生也可以清楚知道答案由AI生成。只要AI的成功使下一轮更早接管问题界定、方案选择和检验，学习者仍会退出回路。
自动化偏误关注决策质量：人是否因为信任系统而接受错误建议。代偿通行关注能力形成：即使决策全部正确，谁在练习识别、诊断和发起？
两者会在系统失效时同时显露，但预测不同。自动化偏误可以通过提高透明度、校准信任和显示置信度缓解；代偿通行预测，即使透明度很高，只要关键行动始终由系统完成，人仍可能缺少接管经验。
因此，让AI“解释理由”并不自动解决问题。解释可能进一步代偿学生的论证。真正需要观察的是学生能否利用解释提出自己的检验、发现适用边界并在模型关闭后继续。
生产性失败让学生先尝试解决复杂问题，生成多种不完整方案，再通过后续教学比较和整合关键结构（Kapur,2008）。理想困难则指出，某些降低当下表现的学习条件，如间隔、交错、生成和提取，可能提高长期保持与迁移（Soderstrom&Bjork,2015）。
这两类研究共同反对把顺畅表现等同于学习，与本章方向一致。
但代偿通行不是“困难越多越好”。一个学生长时间无法进入任务，既没有相关知识，也没有可比较方案，只会形成暴露停滞。低通行度可能伴随低重构度。
生产性失败通常由教师预先设计“先失败、后整合”的路径。若无论学生生成什么，整合阶段都提供同一套标准讲解，学生的真实障碍仍可能只是教学的引子。失败发生了，却没有改变支持怎样进入。
代偿通行关注更细的回写：本次阻滞是否改变了下一轮谁先行动、系统提供什么支持，以及学生怎样决定需要支持？
判决性预测是：在失败时间和最终讲解相同的情况下，把学生实际障碍写入后续任务并让其自主选择检验的条件，应比只经历“先失败后讲解”获得更高诊断迁移。若生产性失败设计本身已完全解释效果，新机制需要退回。
习得性无助研究关注个体经历不可控失败后，动机、情绪和行动能力下降。课堂中持续失败、外部控制和负面归因可能使学生放弃尝试。
代偿通行与无助不同。它可以发生在学生不断成功、情绪积极、对工具高度自信的条件下。
学生使用AI后每次都能完成任务，使用平台后正确率持续上升，教师提示后也很少感到挫败。他不是相信“我做什么都没有用”，而是相信“我知道怎样找到能替我做下一步的系统”。
这种依赖甚至可能表现为高自我效能：学生确信自己能完成作业，因为他熟练掌握工具流程。只有当任务禁止工具、工具输出冲突或需要承担责任时，发起能力不足才显露。
习得性无助的核心是不可控感；代偿通行的核心是控制权稳定外置。前者常导致不行动，后者可以产生大量行动，只是行动沿外部路线组织。
若学生主观控制感和成功体验都很高，外部首动递增率仍预测无提示迁移下降，代偿通行与习得性无助可分离。
第七章的“结算先行”与本章是Why篇中最接近的两种动力。
结算先行发生在时间与凭证层：学习尚需未来验证，课堂却必须现在确认、计量、归责和关闭。它预测，越需要形成当前凭证，任务越会被塑造成容易当堂证明的形式。
代偿通行发生在路径与控制层：学习者当前无法继续，外部系统先恢复产出，使障碍不必改变学习者便能被跨过。它预测，越强调持续流动和即时帮助，外部首动越早，内部诊断越少。
两者可以独立发生。
课堂可以提前结算，却不给太多支持：学生通过背诵和练习形成可验收结果，教师直接考试确认。
课堂也可以不急于结算，却高度代偿：教师允许长期修改，但每次卡住都提供精确路径，学生始终不负责诊断。
两者叠加时，机制会相互加强：结算期限制造通行压力，代偿通行提供快速路线；路线产生漂亮凭证，凭证又证明应当更早使用路线。
判决性对照是：在结算压力相同的课堂中，若外部首动结构仍能预测无提示迁移，本章机制独立；在支持方式相同的课堂中，若凭证期限仍能预测提前关闭，第七章机制独立。
“无主转化轮次”描述一种事件：学生的解释差异已经出现，各方也完成局部动作，却没有后续任务、反馈或同伴行动把它作为输入，课堂仍然正常关闭。
代偿通行可以制造无主轮次，但二者并不相同。
学生卡住后，教师给出提示，答案改对，下一题继续使用同样提示。原差异没有进入学生的重构，可能形成无主轮次；其上游原因是外部通路已经替代了继续处理差异的必要性。
但无主轮次也可能在没有代偿时发生：学生提出高质量问题，教师表扬后因时间直接进入下一页，没有任何通路替学生解决问题，只是问题被丢下。
代偿通行也可能暂时不形成无主轮次：教师的提示在后续被重新拿出来，让学生分析提示替代了什么，并要求他独立生成同类诊断。外部通路曾经进入，但差异最终被回收。
因此：
前者是事件命运，后者是通路自我强化的动力。
1.代偿完成率
在学习者出现真实阻滞的事件中，任务主要依靠教师、同伴、模板、平台或AI提供关键下一步而恢复完成，且学习者尚未自主诊断障碍的事件比例。
它不把所有支持计为代偿。若学生先指出障碍并主动请求特定工具，外部资源只是执行支持，不进入分子。
2.障碍转化率
阻滞事件中，原障碍后来实际改变学习者的表征、规则、取样方式、帮助请求或自我检查，并能在新任务中观察到的比例。
单纯改对答案、复述提示和完成相似练习不算转化。必须看到下一次进入方式改变。
3.外部首动递增率
连续相似任务中，教师、平台、模板或AI在学习者自主预测和诊断之前首先给出方向的事件比例，其随轮次上升的程度。
这一指标抓住代偿回路的关键：不是外部是否参与，而是它是否越来越早先动。
三个指标应呈现顺序关系：代偿完成率先上升，障碍转化率随后下降，外部首动递增，最后在支持撤除、任务变形或异常出现时表现下降。
指标只能用于研究和共同备课，不得进入教师或学生排名。否则教师会刻意延迟所有帮助，学生会被迫表演自主，平台也可能隐藏提示记录。任何编码都必须同时记录安全、先前知识、任务难度与阻滞时长，避免把必要支持污名化。
预测一：支持下表现相同，撤除后的诊断能力不同
在即时正确率、完成时间和支持数量相近时，代偿完成率较高的学生应在支持撤除后表现出更低的障碍定位与下一步选择能力。若支持下表现能够完全预测撤除后表现，代偿机制无增量。
预测二：帮助越精准，不一定越容易代偿；关键在首动权
同样精准的提示，若由学生先诊断并主动请求，应比系统自动推送产生更高迁移。若主动请求与自动推送没有差异，首动权并非机制核心。
预测三：增加通道可能提高任务量，却不提高内部重构
引入AI、智能题库或步骤模板后，完成任务数量应先增加；若课程随之增加任务量，而自主诊断时间不变，障碍转化率可能下降。若容量增加稳定释放出更多重构时间，而非诱发更多任务，交通动力受挫。
预测四：高可靠自动化的风险主要在异常任务中显露
日常任务中，自动化组可能成绩更高；在工具失效、信息冲突或任务超出模板时，应出现更大的诊断延迟和接管失败。若自动化优势在异常任务中完全保留，自动化退出回路解释失败。
预测五：局部代偿可以产生长期负向回写
一次支持若恢复输出却不改变障碍，下一次同类任务中外部首动应更早、学生自发等待更长。若每次支持成功都自然提高自主性，不存在负向回写，病理性代偿类比不成立。
预测六：代偿通行与学习结果呈非线性关系
必要的暂时代偿能够保护安全、降低无效负荷并帮助初学者进入任务；代偿过少会导致暴露停滞，过多会造成退出回路。因此代偿密度与长期学习应呈倒U形，并受先前知识、任务风险和工具类型调节。若代偿越少始终越好，本章错误地浪漫化困难；若越多始终越好，核心机制为伪。
最强竞争解释是：所谓代偿通行，只是能力较弱的学生既需要更多帮助，也自然迁移更差。相关关系不能证明帮助造成依赖。
研究应采用教师内、事件层随机设计。
可以在同一年级选择不少于十二个班级，覆盖三个教学单元。教师预先识别一组可能出现结构性阻滞的任务，把阻滞事件随机分配到两种支持条件，总教学时间与支持内容保持接近。
自动代偿条件：系统在检测到错误或规定等待时间后，直接给出关键提示、表征或下一步。
诊断保留条件：系统先要求学生写出当前判断、障碍位置与希望获得的支持类型，再提供同样内容的提示；后续任务要求学生在无提示情况下生成同类诊断。
两组都得到帮助，不把研究变成“帮与不帮”的伦理对立。唯一核心差异是：外部系统是否在学生诊断之前先动。
数据至少包括：初始草稿、请求帮助时间、提示内容、屏幕日志、课堂录像、即时成绩、两周后无提示迁移、异常任务、工具切换任务和学生对失败层级的判断。
分析应控制先前成绩、工作记忆、任务难度、教师经验、总提示次数与总时间。主要中介变量不是满意度，而是障碍转化率与外部首动递增率。
更硬的证伪条件是：两组即时表现相近时，诊断保留条件在无提示迁移、异常接管和新资源选择上没有任何优势；或者外部首动递增率不能预测后续依赖。出现这些结果，代偿通行应退回一般脚手架或援助困境理论。
本章提出如下赌注：
在2030年12月31日之前，若有预注册研究在不少于十二个班级、三个教学单元
中，将内容和数量相同的支持随机安排为“系统先诊断并推送”与“学生先诊断再调
用”两种条件，并控制先前成绩、任务难度、总帮助时间、提示准确度和教师差异，
那么两组即时成绩可以接近，但学生先诊断条件应在两周后无提示迁移、异常任务接
管和帮助类型选择上更好；差异应由障碍转化率和外部首动递增率部分中介。
以下现象不算命中：学生说自己更独立；教师认为第二种方式更有启发；系统记录帮助次数下降；实验组因为等待更久而总学习时间增加；研究只比较完全禁用工具与自由使用工具。
只有在支持内容与时间相近时，谁先完成障碍诊断产生稳定分化，才支持本章机制。
若分化不存在，或者自动推送组在异常接管中同样优秀，本章关于代偿回路的核心判断应被撤回。
病理生理学的限制：代偿不是原罪，很多时候必须先保住功能
急性危险、基础知识缺失、强烈挫败和工作记忆超载时，教师必须提供足够支持。要求学生为证明“独立”而长期停滞，如同在循环衰竭时拒绝维持灌注。本章反对的是代偿被误认为结构恢复，不是否定代偿本身。
交通运输学的限制：增加通道有时确实改善系统
Braess悖论只在特定网络与成本条件下发生，不能被滥用为“增加资源一定更糟”。更丰富的表征、更多工具和更便捷的帮助可以提高可达性。研究必须检验流量怎样重分配，而不能仅凭工具增加就宣布路径退化。
自动化科学的限制：让人始终手工操作同样会造成错误与不平等
自动化能够减少重复劳动、提高安全与一致性，也能让学习者把有限注意用于更高层判断。保持人在回路中不等于每一步都由人执行，而是人在关键诊断、目标选择、边界判断和异常接管上保有真实经验与权力。
三条限制共同削弱一个更强但错误的主张：“真正学习必须拒绝外部帮助。”
更准确的判断是：
外部帮助可以长期存在，但不能让学习者永远不知道它替代了什么、何时会失效，以
及下一次为什么由它先动。
第一类是安全关键任务。实验防护、体育保护、医疗与急救动作中，教师应立即中断危险路径。结构重构可以事后进行，不能用风险换自主。
第二类是学习者缺少必要材料。学生连基本符号、事实或动作都未建立时，要求他独立发现会产生无效搜索。必要知识应直接提供。
第三类是情绪与身份风险。公开暴露长期卡顿可能伤害尊严，支持可以匿名、私下或通过环境提供，不必为了观察“真实障碍”让学生受羞辱。
第四类是时间敏感的公共协作。小组任务在某些节点必须形成临时方案，教师或专家可以接管；关键是事后说明接管替代了哪些判断，并安排重新进入。
第五类是可合理永久外包的低价值动作。拼写检查、长计算、资料格式和重复操作可以由工具完成。课堂不需要把所有外包能力重新训练成人工熟练，而要明确保留哪些上位判断。
这些边界防止“反代偿”变成新的苦难崇拜。
本章首先是一项解释，而非一种固定教学法。但代偿通行一旦被看见，课堂复盘会改变五个问题。
1.阻滞原本发生在哪一层
是知识缺失、动作错误、表征不足、规则边界、证据标准，还是不知道下一步应做什么？不同阻滞需要不同支持。
2.外部支持替学生完成了哪一段工作
提示不只是“给了一点帮助”。它可能替代了注意、诊断、选择、执行或检验。必须把被替代部分说清楚。
3.任务恢复以后，原障碍去了哪里
它是否进入下一题、修订稿、自我检查和同伴责任？还是因答案正确而消失？
4.下一轮由谁先动
学生先预测、请求和选择，还是教师、平台或AI直接发出方向？首动位置比帮助数量更能显示依赖。
5.工具失效时，学习者能否接管
更换材料、制造冲突信息、取消提示或换用另一工具，观察学生能否恢复问题状态，而不是只观察能否背出步骤。
五个追问把课堂评价从“支持是否有效”改为“支持成功以后，能力与控制权落在哪里”。
任何教育概念进入考核，都会生产自己的仿制品。
学校可以规定教师提示前必须等待五秒，学生必须先填写“我卡在哪里”，AI平台必须先让学生选择错误类型。表面上，外部系统没有抢先；实际上，学生很快学会填写标准诊断，教师仍然依据预设标签推送同一帮助。
“学生先说”不等于学生先诊断。真正判据是：学生的判断是否可能改变支持类型、任务路径和下一轮结构。若无论他选择什么，系统都进入同一流程，首动只是形式移交。
反噬还可能表现为教师故意不帮。为了降低代偿完成率，教师让学生长时间卡住，用“要相信学生”解释撤退。结果是低通行、低重构的暴露停滞。
目前没有彻底避免反噬的方法。过程指标只用于抽样研究与共同备课；允许教师记录“本次必须立即代偿”的理由；检查原始事件链而非教案自报；把异常接管任务作为外部验证，可以降低表演诱因。
最重要的是，不能把代偿通行归责为教师个人缺点。大班、进度、平台设计和家长期待都会推动教师恢复通行。若制度不改变，只要求教师少提示，会把系统矛盾转化为教师与学生的共同痛苦。
按照本章自己的判断，读者读完“代偿通行”的定义、记住六步回路，甚至能够用它批评课堂，都不能证明学习发生。
本章本身可能成为一条认知捷径。读者以后看到教师提示、学生用AI或小组强者解释，便迅速贴上“代偿”标签，而不再判断阻滞层级、支持必要性和后续回写。概念让分析通行，却替代了分析。
本章目前也没有新的课堂实验数据。“代偿完成率”“障碍转化率”和“外部首动递增率”尚未经过独立编码与效度检验。若现有的援助困境、脚手架淡出、认知卸载或自动化依赖指标已经完全覆盖这些预测，新命名应被撤回。
文章还解释不了四个洞。
第一，某些能力本就应当分布在人与工具之间，怎样确定何种接管能力必须由人保留？
第二，一个学生当堂依赖教师，可能在课后通过反思完成重构，合理观察窗口应多长？
第三，集体课堂中，外部代偿可能让一名学生退出，却让另一名学生因解释同伴而学习，收益与损失怎样记账？
第四，AI系统可以根据学生推理进行苏格拉底式追问。若诊断与首动由人机共同生成，怎样避免强行把控制权归给某一方？
这些问题可能迫使“代偿通行”缩小适用范围，甚至改名。
更直接地说：如果本章替读者把所有课堂困难都解释完，却没有促使读者在下一次观察中自行定位“谁先动、什么被替代、障碍去了哪里”，它就是一次成功的代偿通行。
课堂为何很少发生真正学习？
不是因为学生没有遇到困难。学生每天都在出错、停顿和困惑。
不是因为教师缺少支持。现代课堂拥有讲解、脚手架、变式、同伴、平台和人工智能，支持能力前所未有。
也不只是因为学校过早结算。即使允许长期修改，只要每次阻滞都由外部系统先恢复通行，学习者仍然可能没有重构。
病理生理学告诉我们，系统可以在结构受损时通过代偿维持输出，而持续代偿可能反过来加重原有负担。
交通运输学告诉我们，增加更快的通道不保证网络改善；个体不断选择低阻力路线，可能把系统推向更差的均衡，并诱发更多流量。
自动化科学告诉我们，机器越可靠地接管常规行动，人越可能失去情境意识、诊断能力与异常接管经验。
三者共同逼出的动力是：
当学习者的当前组织方式无法继续时，课堂会优先用外部通路恢复任务产出；这次成
功又证明外部通路有效，使它在下一轮更早先动。任务因此越来越顺，学习者却越来
越少经历“困难怎样改变我的下一步”。
课堂需要帮助，也需要工具。真正的分界从来不是“独立完成”与“借助外力”，而是：外力进入以后，学生是否仍能知道阻滞在哪里、为什么选择这条路、何时应该换路，以及工具失效时怎样接管。
一个值得学习的困难，不必让学生独自承受。但它必须留下后果。
它至少要改变一次学生的观看、判断、请求、取样或发起。否则，困难只是被跨过，学习仍留在路边。