生成式人工智能对学术学习的感知影响：基于技术接受模型（TAM）与自我决定理论（SDT）的实证研究

本综述深入探讨了以ChatGPT为代表的生成式人工智能（AI）在高等教育中的应用及其对学生学习动机、技术接受度和伦理意识的影响。研究基于技术接受模型（TAM）和自我决定理论（SDT），通过对84名工科大学生的问卷调查，揭示了ChatGPT在问题解决、知识保留、结构化交互等六个维度的显著作用。文章强调，尽管AI工具能有效提升学习自主性与能力感，过度依赖亦可能引发学术诚信风险。研究结果呼吁教育者将AI素养培训与制度政策相结合，以推动其在技术驱动学习环境中的负责任使用。

　　

引言

生成式人工智能（AI）尤其是ChatGPT的出现，正在深刻改变高等教育的教与学方式。它通过提供动态的、对话驱动的学习支持，超越了传统教材和视频课程的功能。ChatGPT能够即时生成个性化解释与多样化内容，既为学术圈带来兴奋，也引发了关于抄袭、过度依赖及伦理风险的广泛担忧。本研究聚焦于工科大学生对ChatGPT的感知与使用行为，旨在系统评估其学术效益、潜在风险及对学习成果的影响，为推动AI在教育中的负责任整合提供实证依据。

教育效益与挑战

个性化学习

AI工具如ChatGPT、自动写作评估系统（AWE）和GRAD-AI平台，通过提供定制化反馈显著促进个性化学习。它们能根据学生需求调整内容，例如生成解释、总结文本或解决技术问题，从而提升学习效率与参与度。GRAD-AI专为编程课程设计，可自动评分代码并提供详细反馈，减轻教师负担。然而，研究也警示，过度依赖AI可能削弱学生的批判性思维，尤其是当学生追求快速答案而非深度理解时。因此，需在AI支持与传统教学方法间寻求平衡，以维持学术严谨性。

AI素养

AI素养定义为理解、使用和批判性评估AI技术的能力，在高等教育中愈发重要。这包括技术知识（如大语言模型的工作原理）、对输出准确性与偏见的批判评估，以及伦理意识。学生使用ChatGPT时需验证响应以避免错误信息，这要求教育者结合以人为本的教学法培养AI素养。当前课程普遍缺乏结构化AI素养训练，学生多依赖非正式途径发展这些技能，尤其在工科领域，学生可能因AI输出的表面合理性而高估其可靠性。

伦理与学术挑战

AI在教育中的应用引发了一系列伦理问题，包括学术诚信、数据隐私和公平访问。ChatGPT生成论文与解题能力增加了抄袭风险，学生可能提交AI生成内容而未适当引用。数据安全担忧同样突出，AI平台收集敏感学生信息，需强化隐私政策。此外，AI工具的可及性不平等可能加剧教育差距。过度使用AI还可能减少社会互动，削弱学生的归属感。算法偏见问题亦不容忽视，嵌入式偏见可能传播刻板印象或错误信息，需通过教育者引导和结构化整合来缓解。

教育者角色的演变

教育者需适应AI整合的教育环境，从知识传授者转变为学习促进者。培训教育者使用AI工具、指导伦理实践至关重要。例如，建模负责任使用、开发明确伦理框架，能帮助学生理解AI的边界与责任。

方法论

研究目标与假设

本研究旨在评估工科学生对ChatGPT的感知与使用模式，检验其学术任务效益及抄袭、依赖等风险。基于技术接受模型（TAM），提出以下假设：H1－感知ChatGPT对问题解决有用的学生将报告更强的学习保留与技能获取；H2－与熟悉主题的结构化交互更可能验证AI输出准确性；H3－频繁咨询熟悉与不熟悉主题会增加学习收益与依赖；H4－广泛使用ChatGPT与有限引用实践相关，揭示学术诚信风险。

参与者与抽样

研究样本为84名工科学生，通过便利抽样选取，90%为本科生（其中70%为一年级），10%为硕士生，性别比例均衡（40%女性，60%男性）。所有参与者来自布加勒斯特理工大学，75%来自自动控制与计算机学院，其余来自电子、电信与信息技术学院（9.5%）、应用科学学院（6%）、工业工程学院（3.5%）及其他学院（6%）。研究遵循伦理准则，确保知情同意与匿名性。

研究设计与工具

采用Google Forms问卷，评估学习动机、AI素养、抄袭与伦理意识三个理论构念。38个条目使用5点李克特量表（1＝强烈不同意，5＝强烈同意），涵盖文本生成、问题解决与概念理解等多种应用。问卷经三位大学专家评审，内容效度指数（CVI）为0.991，表明工具具有高内容效度。问卷通过大学门户分发，为期两周，确保匿名性。

统计分析

使用描述性与推理性统计技术分析数据。因李克特数据为序数特征，采用非参数检验如Wilcoxon符号秩检验与Friedman检验。通过探索性因子分析（EFA）提取学生与ChatGPT交互的潜在维度，使用主轴因子提取与Promax旋转。采样充足性通过KMO检验与Bartlett球形检验确认。显著性水平设为α＝0.05，使用Python与SPSS进行数据分析与可视化。

结果与讨论

探索性因子分析揭示六个学生与ChatGPT交互的维度：感知问题解决效用（F1）、学习保留与技能获取（F2）、与熟悉主题的结构化交互（F3）、咨询不熟悉主题（F4）、简洁性偏好（F5）、验证行为（F6）。六因子累计解释方差52.8%，KMO＝0.705，Bartlett检验p＜0.001，表明数据结构良好。

学习动机

H1得到支持，感知ChatGPT对问题解决有用的学生显著报告更高学习保留与技能获取（r＝0.34, p＝0.002）。学生偏好视频课程、在线文章与教授笔记胜过ChatGPT与书籍，反映向AI驱动学习的转变。ChatGPT帮助学生快速解决技术挑战，复制步骤时感觉直观，这看似促进自主性，但不一定代表真实技能获取。内在动机是接受ChatGPT的主要因素，学生认可其帮助理解曾视为难以克服的概念或程序。

AI素养

H2获支持，结构化交互与熟悉主题（F3）显著预测验证行为（F6）（r＝0.38, p＜0.001）。回归分析显示F3解释14.5%方差（β＝0.38, p＜0.001），表明谨慎查询的学生更 conscientious 验证输出。学生区分逻辑错误与事实错误，认为逻辑错误更常见（p＝0.003），反映一定AI素养。然而，Friedman检验显示不同使用动机（如时间不足、理解概念、解决作业）的感知有用性无统计差异（p＝0.155），表明使用模式多样。

依赖与风险

H3获支持，F3与F4均与学习收益与依赖（F6）正相关（F3: r＝0.38, p＜0.001; F4: r＝0.35, p＝0.001）。多元回归表明两者共同解释21.8%方差（F3: β＝0.32, p＝0.002; F4: β＝0.28, p＝0.008），显示ChatGPT在熟悉与不熟悉任务中的使用关联更强学习感知但也增加依赖。

抄袭与伦理

学生对作业中使用AI的态度差异显著（p＜0.001）。细微修改AI输出是最常用方法，很少提及AI生成内容，这实为抄袭，部分支持H4。然而，EFA未提取出抄袭专属因子，因此无法直接检验H4，需未来研究开发特定测量工具。

结论

本研究通过六维认知－行为框架，平衡审视生成式AI在教育中的应用。学生视ChatGPT为问题解决与学习支持的有价值工具，但其教育潜力受使用方式与目的制约。结果表明，需将学习动机、AI素养与学术诚信视为相互依存的面相，系统整合于负责任AI采用议程。仅提升技术熟练度不足，还必须提供关于AI学习伦理与认识论边界的指导。

局限性与建议

研究样本为便利抽样，局限于一所工科大学，结果可能不适用于全球学生或其他学科（如医学、人文）。缺乏定性成分限制洞察深度，自报告数据可能存在偏差。本科生与硕士生样本量不均，阻碍比较分析。未来研究应优先更大、更多样化样本与纵向方法，深入理解AI使用的长期效应。

教育者应参与专业发展，深化AI工具理解，指导学生有效利用ChatGPT同时 proactively 应对抄袭等风险。机构需制定清晰、全面的AI使用指南，强调适当引用实践，维护学术诚信。AI素养应融入技术课程， equip 学生批判性评估AI生成输出的技能。最后，结合ChatGPT与传统教学方法，培养批判思维与社会参与，确保AI增强而非主导全人学习体验。