生成式AI对编程教育中应用导向学习的认知失调影响：一项质性探索

本研究针对生成式AI(LLMs)在编程教育中引发的认知失调现象，通过访谈12名欧洲应用科学大学学生，揭示了应用导向学习者(application-directed)与意义导向学习者(meaning-directed)对LLMs的差异化使用模式，提出利用认知失调理论(CDT)促进自我调节，为AI时代的编程教学策略提供实证依据。

　　

随着生成式人工智能（Generative AI）技术尤其是大型语言模型（Large Language Models, LLMs）的迅猛发展，编程教育正面临前所未有的挑战与机遇。学生们越来越依赖ChatGPT等工具快速获取代码解决方案，这种趋势引发了教育界的深度忧虑：当学生能够通过自然语言指令瞬间获得完整代码时，他们是否真正掌握了编程思维？这种便捷是否会削弱人类最宝贵的认知能力——通过试错和反思实现深度学习？

这种担忧被类比为计算器刚普及时对数学能力的争议，但LLMs带来的认知冲击更为复杂。与计算器不同，使用LLMs生成代码可能完全绕过对算法逻辑的理解过程，导致"能力幻觉"(illusion of competence)——学习者误以为自己掌握了知识，实则无法独立解决问题。这种现象在强调实践应用的应用科学大学环境中尤为突出，因为这些院校的学生往往采用"应用导向学习"(application-directed learning)模式，更关注快速实现功能而非深入理解原理。

为探究这一教育困境，来自德国联邦教育与研究部资助的CodingLabs项目团队对12名欧洲应用科技大学学生进行了深度访谈。这些学生来自软件工程、产品管理和交互设计等专业，年龄21-37岁，具有多元文化背景。研究采用主题分析法(Thematic Analysis)，通过半结构化访谈和后续跟踪问卷，系统考察了LLMs使用模式与学习成效的关系。

研究发现呈现鲜明的两极分化：采用"意义导向学习"(meaning-directed learning)的学生普遍对LLMs保持警惕，如S2坚持使用原生JavaScript而非框架以夯实基础；而应用导向学习者则表现出高度依赖，如S5坦言"有时根本不理解自己写的代码"。更具启发性的是，许多高频使用者（如S4、S9）虽清楚意识到这种依赖会阻碍学习，却仍难以抗拒即时获取解决方案的诱惑，这种矛盾心理被研究者定义为"认知失调"(cognitive dissonance)。根据Festinger的认知失调理论(CDT)，这种心理紧张会促使个体通过三种方式寻求平衡：改变行为（减少LLMs使用）、弱化矛盾认知（贬低深度学习价值）或强化协调认知（强调LLMs的不可替代性）。

研究观察到生动的案例佐证：S11在访谈过程中逐渐调整自我认知，从承认"过度依赖"转变为声称"现在99%时间自主编程"；S3通过强制不使用ChatGPT编写初始代码来保持"逻辑思维能力"；而S5则通过幻想"未来AI团队自动完成开发"来合理化当前的知识缺口。这些现象印证了CDT在技术介入学习场景中的解释力，也为教育干预提供了切入点。

在方法论层面，研究团队采用质性研究设计，通过目的性抽样选取12名具有编程学习经历的本科生，进行远程视频访谈并转录文本。运用Braun & Clarke的主题分析法，两位研究者独立编码后达成共识，提炼出"LLMs使用模式"和"学习认知"两大超主题。两周后通过跟踪问卷评估受访者行为改变，有效捕捉到认知失调引发的动态调整过程。

研究结果部分通过三个维度展开：

1. 学习模式与LLMs使用差异：意义导向学习者(S2、S6、S12)坚持"错误是必要学习机会"的理念，警惕AI导致的被动学习；应用导向学习者(S1、S5、S7)则推崇LLMs带来的效率提升，尽管S7也承认这会削弱"debug能力"。
2. 认知失调的表现形式：S4的反思极具代表性——初期直接采用AI生成代码，后期意识到需"自己做研究才能真正理解领域知识"，这种醒悟促使其在后续两周主动减少LLMs使用。
3. 元认知的调节作用：S3通过持续监控AI使用场景，发展出更精细的"心智化使用"策略，印证了Loksa等学者关于元认知技能对AI辅助学习的关键作用。

结论部分提出三重教育策略：首先，通过对比实验（如交替使用/禁用LLMs完成相似任务）提升学生的元认知能力；其次，运用CDT的"伪善范式"(hypocrite paradigm)，让学生宣讲理性使用LLMs的原则，利用言行不一来促进行为改变；最后，通过重构评估标准，从结果导向转为学习过程导向，鼓励Vermunt & Donche倡导的深度学习模式。这些建议对编程教育具有直接指导价值，其核心在于：在拥抱技术便利的同时，守护人类认知发展的本质规律。

该研究的创新性在于首次将认知失调理论系统应用于AI教育场景，揭示了技术便利性与学习有效性之间的深层矛盾。局限性在于样本量较小且依赖自我报告数据，未来研究可通过学习分析技术客观追踪LLMs使用行为。随着AI技术持续渗透教育领域，这项研究为平衡技术创新与认知发展提供了重要坐标系。