准确的 AI 辅助可以提升即时判断，同时削减练习独立操作的机会。验证学习理论（VLT）对这种现象进行形式化，关注在给出主张后进行评估并随后得到正确、独立、针对规则的反馈。模型将感知到的助手可靠性与证据检查关联，并将检查历史与规则的长期使用联系起来。其严格形式假设任务需求和感知可靠性仅通过检查影响学习，且每一次真实检查带来相同的学习量。因此模型预测，即使未观察到助手错误，仅感知其可能出错也能提升延迟的无辅助判断；但当检查本身已是必需且已执行时，这种优势会消失。规则特异性的收益以及来自检查历史的预测提供了进一步的检验手段。模拟研究展示了这些承诺的后果及参数依赖性，但不等同于经验验证。与加工深度和反馈编码模型的比较揭示了预测分歧以及观测等价的情形。该框架明确了可检验所提机制的实验设计，并将练习规则的保持与在新主张中识别适用规则的更广问题区分开来。
点评