《COMPUTERS and EDUCATION》：Enhancing Students’ Critical Thinking Literacy in a Generative AI Context: Eye Movement Patterns of Deepfake Detection
编辑推荐：
眼动追踪研究显示，实验组学生在接触深度伪造与真实肖像图像时注视时长和分布显著优于对照组，且对深度伪造的识别准确率更高，但两组自我评估能力无差异。教育机构需加强21世纪核心素养培养，结合认知训练与技术手段应对GenAI虚假信息挑战。
海莉·魏格尔（Hayley Weigelt）|埃拉德·塞格夫（Elad Segev）|吉拉·库尔茨（Gila Kurtz）|奥姆里·卡哈纳（Omri Kahana）|诺哈尔·拉兹·福格尔（Nohar Raz Fogel）
以色列霍隆理工学院（HIT-Holon Institute of Technology）教学技术学院
摘要
本研究利用眼动追踪技术，比较了在引导条件下观看深度伪造图像和真实肖像图像与在非引导条件下观看这些图像时的注视模式，以评估它们对大一本科生批判性思维能力培养和应用的影响。采用组间实验设计，我们分析了参与实验组（n=24）和对照组（n=44）学生的视觉注视模式。研究结果表明，两组在视觉注意力模式上存在显著差异：实验组的注视持续时间更长，注视范围更广。实验组在识别深度伪造肖像图像方面的准确率也更高，并且更倾向于将图像归类为由生成式人工智能（GenAI）生成的。然而，两组都高估了自己的识别能力，且在感知表现上没有显著差异。随着生成式人工智能技术的不断发展，高等教育机构必须优先发展21世纪所需的核心素养，将认知训练与技术解决方案相结合，以应对由GenAI生成的错误信息。本研究通过眼动追踪提供的客观证据，为GenAI素养和批判性思维教育领域做出了贡献，表明有针对性的干预措施可以显著改变认知处理策略。教育实践应在培养批判性评估能力的同时，让学生意识到人类的局限性，从而帮助他们成为在日益复杂的数字信息环境中具有辨别力的消费者和负责任的创造者。
研究部分摘录
引言与研究目的
人类正进入生成式人工智能（GenAI）的时代，这项技术正在迅速渗透到人们的日常生活中，改变他们获取和评估信息的方式。这一技术革命尤其体现在GenAI通过视觉表现（尤其是图像）影响人们对世界的认知上（Rapp等人，2025年；van Hees等人，2025年）。图像能够快速而简洁地传达复杂信息，使人们更快地理解概念。
生成式人工智能在高等教育中的应用
高等教育机构及其研究工作构成了动态的生态系统，通过多种教学实践促进知识的传递和共同创造。教育过程体现了教学与学习之间的互动，教师在其中扮演着知识传递者和学习环境促进者的角色，这些环境有助于培养批判性思维、解决问题的能力以及与当前和未来相关的技能。
方法
本研究得到了霍隆理工学院伦理委员会的批准，采用了组间设计，包括实验组和对照组。组间设计（也称为被试间设计）是一种实验研究设计，其中参与者被随机分配到不同的组别。一组接受了干预措施（实验组），另一组则没有（对照组）。然后比较这两组的结果以确定干预效果。
数据编码与分析
使用“Tobii Pro-Lab”软件，根据任务呈现顺序，每个刺激物（人类肖像图像）被赋予1到12的编号。在每个刺激物中（见图3），定义了两个主要关注区域（AOI）：（1）面部区域AOI：眼睛、鼻子、嘴巴；（2）背景AOI：不含面部区域的区域。这些AOI在面部处理的眼动追踪研究中已被广泛使用（Fearington等人，2025年；Gupta等人，2020年；Huang等人，2024年；Sano等人）。
结果
H1：实验组的参与者在AOI上的视觉注视模式与对照组存在显著差异。
我们使用眼动追踪的热图来比较实验组和对照组在不同面部图像上的注视持续时间。为了可视化分析过程，我们展示了两个代表性图像的结果：一张男性图像和一张女性图像（见图4）。其中，热图（A）表示...
讨论
这项探索性研究利用眼动追踪技术，比较了在引导条件下观看深度伪造图像和真实肖像图像与在非引导条件下观看这些图像时的注视模式，以评估它们对大一本科生批判性思维能力培养和应用的影响。
眼动追踪是本研究的核心方法论贡献，因为它提供了参与者在干预过程中的认知处理的客观指标。先前的研究已经...
局限性与未来研究方向
应认识到一些局限性，这些局限性将为未来的研究提供方向。在解释本研究结果时，必须考虑到其探索性设计及其相关限制。主要限制是样本量较小（实验组n=24），这影响了分析的统计功效并限制了结果的普遍性。虽然组间设计提高了内部有效性，但我们意识到可能存在未测量的因素...
作者贡献声明
诺哈尔·拉兹·福格尔（Nohar Raz Fogel）：资源准备。奥姆里·卡哈纳（Omri Kahana）：可视化、软件使用、数据管理。吉拉·库尔茨（Gila Kurtz）：写作——审稿与编辑、初稿撰写、监督、概念构思。埃拉德·塞格夫（Elad Segev）：写作——初稿撰写、可视化、验证、方法论设计、数据分析、概念构思。海莉·魏格尔（Hayley Weigelt）：写作——审稿与编辑、初稿撰写、可视化、验证、项目管理、方法论设计、数据分析。
未引用的参考文献
He等人，2023年；Miller等人，2023年；Miller等人，2023年；Yegemberdiyeva和Amirgaliyev，2021年。利益冲突声明
作者声明他们没有已知的可能会影响本文研究的财务利益或个人关系。
关于写作过程中使用生成式人工智能和AI辅助技术的声明
在撰写本文期间，作者使用了“Scispace”和“Elicit”工具来搜索相关文章，并在学术数据库中找到了这些文章进行了阅读。使用这些工具后，作者根据需要对内容进行了审查和编辑，对发表文章的内容负全责。利益冲突声明
? 作者声明他们没有已知的可能会影响本文研究的财务利益或个人关系。
