人工智能辅助绘画课程对大学生持续学习意愿的影响：教育催化剂的实证研究

本研究针对人工智能(AI)在教育领域的应用争议，探讨了AI辅助绘画课程如何通过自我感知创造力(SPC)、心流体验(FL)和学习兴趣(LI)影响大学生持续学习意愿(CLI)。通过两项调查(样本量分别为793和210)，研究揭示了SPC通过FL间接促进LI、LI直接正向影响CLI的路径关系，并识别出情感投入、技术负担等7个关键影响因素。该成果为AI在艺术教育中的应用提供了理论依据，也为跨学科教育技术开发提供了新思路。

　　

在数字技术席卷教育领域的今天，人工智能(AI)正从科幻概念演变为重塑教学范式的关键力量。从医疗到零售，AI已深刻改变多个行业生态，而教育领域却面临特殊挑战：一方面，AI辅助语言学习、编程教学等逻辑驱动学科成效显著；另一方面，在绘画等强调创造力的非制度化艺术教育中，AI究竟扮演"创造力放大器"还是"思维限制器"仍存争议。这种矛盾在高等教育中尤为突出——当学生通过AI绘画工具实现"一键生成"时，其持续学习意愿(Continuous Learning Intention, CLI)究竟会被技术便利性激发，还是因原创性焦虑削弱？

浙江某高校的研究团队在《Acta Psychologica》发表的研究，通过双阶段混合方法揭示了这一谜题。研究首先构建了"自我感知创造力(Self-Perceived Creativity, SPC)→心流体验(Flow Experience, FL)→学习兴趣(Learning Interest, LI)→CLI"的理论模型，随后采用探索性因子分析(EFA)挖掘深层影响因素。研究团队在中国大陆及港澳台地区招募1,003名大学生参与者，涵盖美术、工程、医学等多元专业背景，通过结构方程模型(SEM)和文本挖掘技术，首次系统解构了AI艺术教育中的人类-技术协同机制。

关键技术方法包括：1) 采用跨区域分层抽样获取793份有效问卷进行SEM建模；2) 基于开放问卷的文本数据构建三角验证体系，由人机交互、艺术设计领域专家协同编码；3) 对210名参与者进行EFA，采用最大方差法和主成分分析提取潜在因子；4) 通过共同方法偏差检验(CMB)和异质特质-单质特质比(HTMT)确保数据信效度。

研究结果呈现三大发现：

1. 路径关系验证
   通过χ²/df=2.556、CFI=0.979的优化模型证实：SPC对FL具有直接促进作用(β=0.679,p<0.001)，但通过FL间接影响LI(β=0.526)，推翻H2关于SPC直接影响LI的假设。FL作为关键中介变量，对LI的标准化路径系数达0.775，而LI对CLI的影响更强(β=0.848)，形成"创造力-沉浸感-兴趣-持续性"的传导链条。

2. 调节效应缺失
   与预期不同，性别(Δχ²=0.292,p=0.589)和年级(Δχ²=0.782,p=0.377)均未显现调节作用，研究者认为这可能源于艺术教育的非逻辑特性削弱了人口学差异。

3. 影响因素图谱
   EFA提取出4类促进因子：情感投入(贡献率26.816%)含"灵感激发""专注度"等6指标；认知支持(8.213%)强调"专业性""时尚感"。3类阻碍因子中，技术负担(13.578%)包含"逻辑混乱""生成粗糙"等问题，资源约束(8.328%)凸显设备成本难题。

结论部分指出，AI绘画工具通过参数化创作界面提供即时视觉反馈，成功将SPC转化为FL状态(支持H1)，这种"技术脚手架"效应在视觉艺术领域尤为显著。但研究也警示，工具易用性可能引发"快餐式创作"陷阱——当N18"思维受限"(因子载荷0.705)与N3"依赖性"(0.694)等负面效应叠加时，将抵消SPC的积极影响。

该研究的创新价值在于：理论层面，突破传统创造力测量框架，首次将AI语境下的"工具增强创造力"和"原创性焦虑"维度纳入分析；实践层面，为开发"情感智能型"AI教育工具提供设计准则，如建议整合鼓励性语音提示来缓解情感脱节(Emotional Disconnection)。未来研究可拓展至跨文化比较，并针对"AI-人类共创意"的归因动力学展开深度探索。