反转交替使用任务

《Thinking Skills and Creativity》：Reversing the alternate uses task

开发并验证了反向Alternate Uses Test（rAUT），通过逆转原版任务指令提升生态效度，利用AI自动评分系统验证了原创性、流畅性及详述性指标的信效度，六因子验证性因子分析模型拟合良好（CFI=0.907，RMSEA=0.05），结果显示rAUT在原创性评分显著高于原版AUT，且任务耗时与原创性相关性更强。

　　

摘要

发散思维测试被广泛用于识别创造潜力，并显示出显著的预测能力。然而，这些测试经常受到批评，因为它们使用的任务往往不切实际，可能无法引发与现实世界创造性问题相似的思维过程。本研究的目的是构建并验证一种新的发散思维测量工具——反向替代用途测试（rAUT），通过反转替代用途测试（AUT）的提示，要求参与者为日常物品生成用途，而不是令人惊讶的用途，从而使测试更具目标导向性。样本包括240名本科生，他们参与了rAUT测试。我们的目标是检验这种新工具的原创性和详细程度成分是否能够通过自动人工智能评分系统（Ocsai）进行可靠评分。rAUT的九个项目在原创性、流畅性和详细程度方面的内部一致性信度都表现良好（α = 0.88、α = 0.89、α = 0.88）。自动原创性评分系统与三位人类评分者的评分结果具有较高的重合度（α = 0.947）。为了检验rAUT与AUT之间的内部效度和潜在结构，我们应用了六因素验证性因子模型，该模型的拟合度良好（CFI = 0.907，RMSEA = 0.05）。与我们的预测一致，rAUT引发的回答在原创性方面更具统计显著性，而在详细程度方面则较低。值得注意的是，rAUT下的任务完成时间与原创性得分之间的相关性也高于AUT。

部分摘录

反转替代用途任务

长期以来，创造力一直被视为推动创新和经济增长的重要力量（Florida, 2002; Edwards-Schachter et al., 2015; Sawyer & Henriksen, 2024）。因此，世界各地的教育机构都非常重视开发能够帮助识别个人创造才能的测试工具（Runco, 2003; Thornhill-Miller et al., 2023）。探索创造性思维过程本质的研究数量也大幅增加。

量表开发

为了开发一种新的发散思维测量工具（rAUT），我们分析了常用测试的主要局限性，并考虑了任务实施的最佳实践。在本研究中，我们解决了以下问题：(a) 任务结构；(b) 指导语和时间限制；(c) 原创性评分

在本研究中，我们反转了AUT任务的表述，使其更具目标导向性，从而提高了生态效度。例如，一个常用的AUT提示要求参与者为物品生成

参与者

本研究分析了来自美国东南部一所大型研究型大学教育心理学学生参与池的240名本科生的回答。样本中的大多数学生年龄在18至24岁之间（n = 238人），另有2名学生的年龄在25至34岁之间，3名学生在35至44岁之间。女性占样本的77%（n = 185人），21.6%（n = 52人）自认为是男性，1.2%（n = 3人）自认为是非二元性别。共有194名

结果

为了检验新测量工具的心理测量学质量，我们分析了其内部效度和外部效度（Lissitz & Samuelson, 2007）。内部验证过程包括项目间的相关性、描述性统计、内部一致性信度和验证性因子分析。验证性六因素模型包含了rAUT和AUT的原创性、流畅性和详细程度成分。由于使用了自动评分系统来评估原创性，因此整个数据集的20%被用于

讨论

本研究旨在开发并验证一种新的发散思维测量工具——rAUT，它是替代用途测试（AUT）的反向版本。为了评分原创性和详细程度，我们使用了人工智能自动评分系统（Organisciak et al., 2024; https://openscoring.du.edu）。研究的主要发现如下：(a) rAUT在流畅性、原创性和详细程度方面的评分结果可靠且有效；(b) rAUT能够被可靠地评分

局限性与未来方向

尽管新开发的rAUT工具的验证结果令人满意，但该研究仍存在一些局限性，这些局限性涉及样本的人口统计特征、项目数量以及研究持续时间。本研究的参与者主要为白人（80.8%），黑人和亚裔学生仅占样本的约15%；然而，没有参与者自认为是拉丁裔。由于rAUT是一种衡量言语发散思维的工具，

结论

识别学生的创造潜力是教育中最重要的目标之一（Runco, 2003）。教育工作者和研究人员非常重视开发易于获取且成本效益高的创造力测量工具（Acar et al., 2024）。人工智能评分平台在评估言语发散思维任务的原创性方面表现出很高的有效性（Beaty & Johnson, 2021; D. Dumas et al., 2021）。在本研究中，我们开发并验证了一种新的

CRediT作者贡献声明

Alisa Scherbakova：撰写 – 审稿与编辑，撰写 – 原稿创作，验证，数据分析，概念化。Denis Dumas：撰写 – 审稿与编辑，指导，方法论，概念化。Sofiia Kagan：撰写 – 审稿与编辑，数据分析。Theadora Vlaamster：撰写 – 审稿与编辑。Selcuk Acar：撰写 – 审稿与编辑，指导。Peter Organisciak：撰写 – 审稿与编辑。