去技能化、重新技能化还是提升技能？解析学生适应生成式人工智能的路径

《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》：Deskilling, reskilling, or upskilling? Unpacking the pathways of student adaptation to generative artificial intelligence

本研究通过混合方法探讨生成式AI（如ChatGPT）依赖对学习绩效的影响机制，揭示技能适应（升级、降级、重技能）与任务特征（结构化/多样化）如何通过替代性/增强性使用模式调节个体学习目标与绩效产出之间的关系。研究发现不同任务情境下AI依赖模式对技能转型产生差异化影响，为理解人机协作中的适应性结构理论提供新证据。

　　
生成式人工智能（GAI）在教育领域的渗透引发了对学习效果的双刃剑效应的持续探讨。研究团队通过三阶段混合研究方法，系统揭示了GAI依赖性对学习者技能结构的影响机制及其作用边界，为教育技术应用提供了新的理论视角。研究显示，学习者的个体差异与任务特征共同作用，促使GAI依赖呈现出替代性使用与增强性使用两种典型模式，进而触发技能流失、技能重塑和技能强化三种适应性路径。

在理论框架构建方面，研究创新性地整合了适应性结构理论（AST）、劳动过程理论（LPT）和成就目标理论（AGT），形成了多维度的分析框架。AST理论作为核心框架，将技术结构、用户行为与组织环境纳入统一分析模型，有效解释了个体差异与任务特征如何通过GAI依赖影响技能适应。LPT理论则帮助解构技能适应的微观机制，揭示自动化替代如何导致核心技能退化，而增强性使用如何催生新型复合能力。成就目标理论则从动机维度切入，阐明不同学习目标如何塑造技术依赖模式。

研究设计采用递进式混合方法，第一阶段通过306名大学生的问卷调查，初步建立GAI依赖与技能适应的关联模型。数据显示，学习目标类型（规避型、成就型、发展型）与任务特征（结构化程度、创新性要求）共同影响技能适应路径。其中，规避型目标用户更易陷入替代性依赖，导致传统技能流失；而发展型目标用户在增强性使用中表现出更强的技能迁移能力。

第二阶段16人的深度访谈，揭示了任务特征的关键作用机制。研究发现，在结构化任务（如编程、数据分析）中，学习者更倾向于替代性使用，导致特定领域技能退化；而在开放性任务（如创意写作、战略规划）中，增强性使用显著促进跨学科能力整合。值得注意的是，任务复杂度与时间压力会改变技术依赖策略，高压力环境下替代性使用概率提升47%。

第三阶段397名参与者的实验研究，通过控制变量法验证了理论假设。实验设置包含常规任务（标准化考试）和创新任务（商业策划案撰写），结果显示：在常规任务中，替代性使用使技能退化幅度达23%，而增强性使用提升效率18%；在创新任务中，增强性使用组的新技能产出量是替代性使用组的3.2倍，且知识迁移效率提升41%。这证实了任务类型对技术依赖策略的选择性影响。

研究发现的核心突破在于揭示了技能适应的三维动态平衡机制。首先，替代性依赖导致技能结构单一化，典型表现为数学建模能力下降但编程效率提升；其次，增强性使用催生技能网络化，形成"AI工具操作+领域知识+批判思维"的复合能力结构；最后，技能重塑过程在跨学科任务中表现尤为突出，学习者通过整合GAI输出与原有知识体系，形成新型问题解决范式。这种三维动态模型有效解释了为何部分学生使用GAI后成绩反而提升，而另一些学生出现学习效能感下降的现象。

研究特别强调任务特征的调节作用，发现结构化任务（标准化流程占比>70%）更易引发替代性依赖，而开放性任务（创新元素占比>40%）则促进增强性使用。在知识密集型学科（如计算机科学、医学），替代性使用带来的技能退化更显著，但在人文社科领域，增强性使用反而提升批判性思维能力23%。这为教育技术设计提供了重要启示：需要根据任务类型定制AI辅助方案，在标准化流程中设置人工审核节点，而在开放性任务中构建人机协同的知识整合框架。

在实践指导层面，研究提出"双轨制"应用策略：对于程式化知识（如语法规则、公式记忆），建议采用"AI工具+人工校验"的替代增强混合模式，将技术依赖转化为能力提升的催化剂；对于创造性知识（如学术研究、产品设计），则应建立"AI辅助+深度反思"的增强性学习路径，通过设置强制人工重审环节，确保技术使用不会削弱核心思维能力。研究团队据此开发了可调节AI辅助强度的教学系统原型，在试点高校应用中使技能退化率降低31%，创新任务完成度提升58%。

理论贡献方面，研究拓展了适应性结构理论的应用边界，提出技术依赖的三阶段演化模型：初期工具替代（技能结构失衡）、中期能力整合（新技能网络形成）、后期范式重构（知识生产方式变革）。同时构建了GAI依赖指数评估体系，包含技术渗透度、任务替代率、技能迁移值三个维度，为量化评估提供工具。

研究局限与未来方向亦值得关注。当前样本主要来自理工科院校，未来需扩大教育背景多样性。在技术依赖测量方面，建议引入动态追踪指标，捕捉技能适应的时序特征。此外，文化情境变量（如集体主义vs个人主义教育理念）对依赖模式的影响尚待深入探究。

该研究对教育管理实践具有直接指导价值。建议高校建立AI教学应用的三级防护机制：基础层（算法伦理审查）、应用层（动态依赖监测）、制度层（技能发展评估体系）。同时需要重新定义学习效果评价标准，将"AI辅助下的技能迁移能力"纳入核心考核指标，避免陷入"效率至上"的误区。

教育技术领域应从三个维度进行创新：首先，开发智能预警系统，通过学习行为数据分析提前识别替代性依赖风险；其次，构建增强型学习平台，集成知识图谱与思维导图工具，促进人机协同的认知模式；最后，设计元技能培养课程，重点训练信息甄别、策略调整等底层能力，形成抗技术依赖的韧性学习体系。

该研究为理解人机协同学习范式提供了关键理论突破，其揭示的"任务特征-依赖模式-技能适应-绩效产出"作用链条，不仅完善了教育技术理论体系，更为人工智能教育应用开辟了新路径。研究证实，合理引导下的增强性使用不仅能提升学习效率，更能催生跨学科创新能力，这为应对人工智能时代的教育变革提供了重要理论支撑和实践指南。