生成式人工智能应用中的批判性思维:大学生GAICU量表的开发与验证
《Thinking Skills and Creativity》:Critical Thinking in Generative AI Use: Development and Validation of the GAICU Scale for University Students
【字体:
大
中
小
】
时间:2026年10月23日
来源:Thinking Skills and Creativity 5.3
编辑推荐:
**摘要**
生成式人工智能的广泛应用正在重塑高等教育,这要求我们负责任地对待人工智能工具,以维护学生作为学习者的主体能动性。本研究以Facione提出的六项核心推理技能为基础,将批判性思维能力置于特定情境中,以回应人工智能使用所带来的独特认知与行为要求。本研究开发了"生成
**摘要**
生成式人工智能的广泛应用正在重塑高等教育,这要求我们负责任地对待人工智能工具,以维护学生作为学习者的主体能动性。本研究以Facione提出的六项核心推理技能为基础,将批判性思维能力置于特定情境中,以回应人工智能使用所带来的独特认知与行为要求。本研究开发了"生成式人工智能批判性使用量表"(GAICU),并通过三个连续阶段进行了验证。在第一阶段,通过对46项文献的系统综合、学生访谈及专家评议,生成了22个条目。在第二阶段,基于试点样本(N=166)进行探索性因子分析,得出由16个条目构成的稳定四因子结构。在第三阶段,基于大样本(N=1,515)进行验证性因子分析,最终确定了一个包含15个条目且模型拟合度可接受的五因子量表。最终量表展现出良好的信度和多方面的效度证据,包括组合信度、收敛效度、区分效度、效标关联效度,以及在学科和学历层次上的测量等值性。GAICU提出了一个基于行为的四维框架:(1)任务的分析与理解;(2)人工智能内容的评价与判断;(3)人工智能使用的控制与优化;(4)对人工智能结果的自我调节与反思。这些维度按序运作:任务分析开启序列,评价与优化构成交互核心,反思则作为元认知性审查环节。因此,GAICU提供了一种理论有据、经验验证的测量工具,用以衡量大学学生在学术环境中与生成式人工智能进行批判性互动的方式。
**引言**
生成式人工智能(GenAI)工具正在迅速重塑高等教育,提高了任务完成和信息检索的效率。然而,这些工具也引发了对人类主体能动性削弱的担忧,引发了一个关键问题:当面对自动化输出时,学生还能否行使独立判断?
这一转变要求在GenAI融入教育的环境中,对批判性思维进行重新审视。GenAI的负责任使用可以促进学习(Rusandi等,2023),但过度依赖则可能损害学生批判性思维和独立解决问题的能力(Rahman & Watanobe,2023)。学生需要在学术写作、研究和信息综合中对GenAI输出进行批判性评估,这凸显了在教育中衡量GenAI批判性使用的迫切需求。
GenAI的批判性使用既体现了批判性思维的延伸,也是学生在人工智能赋能环境中主体能动性的实际表达。尽管已有越来越多的测量工具被开发出来以评估人工智能素养、能力和依赖程度,但这些工具主要测量的是通用知识、技能、态度或不良使用模式。因此,现有测量工具中鲜有专门针对学生在与GenAI互动过程中应用批判性思维技能的具体行为过程,尤其是在真实学术情境中。
为填补这一空白,本研究开发并验证了"生成式人工智能批判性使用量表"(GAICU)。该量表通过大学学生在生成式人工智能支持下的分析、评价、调节和反思等可观察行为,对批判性互动进行了操作化定义。与传统工具侧重于基于表现的批判性思维技能或一般性的自我报告倾向不同,GAICU捕捉的是学生在进行GenAI辅助学术课程学习时实际开展的批判性行为。值得注意的是,GAICU并不试图将批判性思维作为一个宽泛的心理构念进行测量。相反,它针对的是当学生利用GenAI进行学科特定的学术课程作业和/或任务时,所表现出的具有教育意义的情境特定行为子集。最终,通过将Facione的核心技能整合到人-机交互的动态循环中,GAICU将经典框架适应了GenAI介导学习的独特需求。
基于当代教育和心理测量学原则,本研究建立了多方面的效度证据以支持GAICU。具体而言,我们考察了:(a)通过专家评议检验内容效度;(b)在条目开发过程中通过迭代式学生访谈检验反应过程;(c)通过探索性因子分析和验证性因子分析检验内部结构,包括跨学科和学历层次的测量等值性检验;以及(d)与其他变量的关系,包括主要通过平均变异量提取检验收敛效度,辅以组合信度和因子载荷、区分效度(如异特质-单特质比率)和效标关联效度(如自我报告的学业排名)。
尽管人工智能技术具有将常规任务自动化并释放认知带宽用于创造性活动的潜力,但频繁使用者可能过度依赖自动化输出。这种日益增长的依赖性引发了对高阶认知技能发展削弱的严重担忧,包括批判性思维、独立解决问题能力和元认知调节。最终,这种依赖削弱了学生的能动性,阻碍他们从教育过程中充分获益(Holmes,2024)。
人类能动性从根本上被定义为"通过自身行动有意产生某些效果的能力"(Bandura,2018,第130页)。在教育情境中,这体现为学生能动性——即对自身思维过程、动机和行动进行控制的能力。这一属性越来越被认可为信息时代的核心技能,因为快速的技术变革要求学习者做出独立决策、进行自我调节并在复杂环境中导航(Brandt,2024)。培养学的能动性使学生从被动接受者转变为积极参与者,他们对自己的学习承担责任,这一过程本质上需要培养问题解决、批判性思维和自我调节技能(Holmes,2024)。基于这一视角,本研究将批判性思维定位为基础的认知架构,而非并行目标,它赋予并支撑学生在人工智能介导学习环境中的能动性。
这些担忧越来越多地反映在概念和实证文献中。在概念层面,学者们认为学生可能将能动性让渡给GenAI,导致其研究实践中的批判性减弱(Chaaban,2025)。另有学者指出学生普遍存在将认知劳动外包给AI系统的倾向(Walter,2024),并警告这些工具可能通过减少独立思考的机会而将学习者"幼稚化"(Watanabe,2024)。这些概念性警告得到了新兴实证证据的强烈印证。例如,过度依赖GenAI会引发元认知惰性,从而减少参与自我调节过程(Fan等,2025)。此外,学生经常利用AI辅助仅仅为了完成任务而非促进实际学习(Darvishi等,2024)。这与被动接受式学习方式的识别相一致,在这种方式中,学生主要作为AI生成内容的消费者,未能对输出进行批判性审视或承担责任,最终限制了主动知识建构(Yang等,2024)。将这一研究方向延伸至生物学层面,最近的神经科学证据表明,依赖ChatGPT进行论文写作会降低神经连接性、损害记忆保持、削弱学生的作者认同感,从而导致长期认知债务并损害深度学习(Kosmyna等,2025)。
尽管AI引入了削弱学生批判性思维的风险,但其审慎使用反过来可以促进批判性思维。实证研究表明,结构化整合ChatGPT等工具可以深化学生的反思实践,同时提高他们对AI固有优势和局限的认识(Essien等,2024; Styve等,2024)。然而,由于AI同时带来智力依赖和被动参与的风险,教育工作者必须采用有意的教学策略来促进批判性思维(Jasmadi等,2024; Lo等,2024)。例如,针对性的教学框架,如ChatGPT事实核查模型,要求学生主动评估AI生成的来源,并将自动化的说法与原始文献中的经验证据进行交叉验证(Holzmann等,2025)。
综上所述,不负责任的AI使用会损害批判性思维,而结构化、负责任地整合AI则能最大化学习效果。教育体系不应排斥AI,而应优先考虑人类权利并选择适当的应用,有意识地实施这些工具以促进集体利益(Shiohira & Holmes,2023)。因此,技术赋能的环境必须坚持以人为本(Holmes,2024; Dumbuya,2025),要求学生保持能动性。通过主动验证、解释和编辑AI生成的内容,学生直接强化了自己与这些工具的互动(Eaton,2023)。
基于学生能动性的框架,对AI的批判性互动是能动性在实践中的一种具体表达。正如Ormrod(Ormrod,2023,第357页)所指出的,批判性思维需要通过逻辑和反思性证据,有目的地评估信息的准确性、可信度和价值。虽然历史上被视为数字素养的核心支柱(Ng,2012),但这种认知能力现在具有了新的紧迫性。当前框架表明,真正的AI素养取决于学生批判性审查、战略性利用和主动与AI工具协作的能力(Long & Magerko,2020; Wang等,2023)。因此,培养批判性思维对于负责任的 technological integration 至关重要;否则,学习者面临无法认识到自身内在边界和缺陷的重大风险(Walter,2024)。
为减轻被动消费的风险,当代研究强调了通过明确的教学指导来促进批判性AI互动的必要性。与其允许未经中介的工具使用,教学设计应促使学生通过权威来源对AI生成的信息进行严格审查(Lo,2023; Kasneci,2023)。此外,在AI饱和的环境中导航要求学习者发展强大的元认知意识,以监控自身的认知偏差和潜在的技术依赖(Baskara,2025)。为落实这些需求,结构化的干预措施如AI-CRITIQUE框架应运而生。该框架通过引导学生提出聚焦的查询、评估响应、综合见解并反思学习过程,将理论上的批判性思维转化为可操作的实践(Shanto等,2024)。
目前,学生在使用GenAI完成特定学习任务时表现出不同程度的批判性参与。AI被应用于高阶活动(如主题理解、证据检索)和低阶任务(如修改、校对),通常在原始思想和AI辅助内容之间保持严格界限(Black & Tomlinson,2025)。尽管学生对AI工具的态度总体积极,但教育工作者经常无法检测到AI的使用,凸显了AI使用的隐蔽性(Buyakova等,2024)。此外,批判性分析因教育经历不同而存在显著差异:高年级本科生识别AI不准确性的能力比低年级同学更强(Cail,2024),而具有资源丰富或反思倾向的研究生则策略性地利用GenAI来展示卓越的批判性思维和能动性(Yang等,2024)。
综上所述,GenAI的批判性使用综合了认知判断、伦理意识和自我调节,反映了批判性思维的行为表现,以及人与AI协作过程中学生能动性的主动表达。
评估当前领域测量水平需要审视批判性思维和AI相关构念的现有工具。Facione(1990a)的德尔菲报告至今仍是定义批判性思维的权威共识框架,它构成了两个广泛使用的工具的基础:加利福尼亚批判性思维技能测验(CCTST),用于评估核心批判性思维技能;以及加利福尼亚批判性思维倾向量表(CCTDI),一个自陈量表,旨在测量七项倾向属性,即开放心态、分析性、认知成熟度、求真精神、系统性、好奇心和自信心。基于德尔菲共识描述,CCTDI采用条目分析和因子分析开发,并展现了稳健的总体内部一致性信度以及可接受的分量表演度(Facione等,1994)。CCTST的内容效度建立在由美国哲学协会德尔菲专家组确立的专家共识之上。其构念效度证据包括:批判性思维课程教学干预后分数的显著提升,以及与CCTDI的强相关。在共时效度方面,CCTST总分与大学生GPA、SAT语文、SAT数学和阅读成绩呈正相关。该工具还展现了可接受的内部一致性信度(Facione,1990b; Facione & Facione,1994)。两个工具的条目设计均保持了学科中立且避免行话,从而确保了跨情境适用性和测量泛化能力。
近期的量表开发研究进一步细化了高等教育中的批判性思维测量。Sosu(2013)通过探索性因子分析和多组验证性因子分析开发了包含11个条目的批判性思维倾向量表,在本科生和研究生中识别出两个核心倾向因子:批判性开放性和反思性怀疑主义。该量表随后被改编并在多种文化情境中验证,包括面向青少年的西班牙语版本(Bravo等,2020)。Stupple等(2017)开发了批判性思维工具包,这是一个包含27个条目的量表,测量学生对批判性思维的态度和信念,由三个因子组成:批判性思维自信、重视批判性思维和误解。最终量表展现了足够的信度和与学业表现及论证技能测量的收敛效度。Quinn等(2020)通过集体智能方法开发了包含21个条目的学生-教育者协商批判性思维倾向量表,该方法涉及学生和教育工作者的共同参与,随后通过探索性因子分析和验证性因子分析确认了一个六因子结构,具有足够的信度和效度。Liu和Pásztor(2022)开发了雇主-雇员支持的批判性思维倾向量表。
# 研究概览与内容分析
## 1. 研究背景与文献综述
该研究对现有量表进行了系统性回顾,涵盖以下几个领域:
| 类别 | 代表量表 | 特征 |
|------|----------|------|
| 经典批判性思维量表 | CCTST、CCTDI | 评估一般批判性思维技能、倾向或信念 |
| 领域专用量表 | 批判性思维倾向量表(三因素、七点计分) | 661名中国本科生,EFA+CFA验证 |
| EFL学习者量表 | 批判性思维能力问卷(七因素,李和刘,2024) | 1169名中国学生,内容/结构/效标效度 |
| 学术阅读量表 | Critical Thinking in Academic Reading Scale(41项,七因素) | 支持假设结构,信度充分 |
| AI素养量表 | Generative AI Literacy for Learning Scale(29项,四维度) | 需求分析、提示技能、自主学习、批判性思维 |
| AI情境量表 | Scenario-Based AI Literacy Scale | 区分工具性技能与批判性反思技能 |
| AI依赖量表 | AI Dependence Scale(22项,四维度) | 情感/功能/认知依赖、失控感 |
| 不适应使用量表 | Maladaptive AI Use for Learning Scale | 六项研究验证,三因素:非批判性依赖、浅层加工、虚幻胜任感 |
| GenAI批判性思维量表 | GenAI-CrT(八项,面向越南EFL学习者) | 分析技能、逻辑推理、证据评估、开放思维 |
| 感知量表 | PCTD-GAI(六维度) | 推理、公正、证据搜寻、真理追寻、开放思维、系统性 |
**已识别的研究缺口**:大学学生在学术课程中批判性使用GenAI的**行为过程**尚缺乏测量工具。
---
## 2. 研究问题
| 编号 | 研究问题 |
|------|----------|
| RQ1 | 大学学生在完成学术课程时批判性使用GenAI的核心行为维度是什么? |
| RQ2 | Generative AI Critical Use Scale(GAICU)在多大程度上展现出令人满意的心理测量属性? |
---
## 3. 方法论
**设计**:顺序性混合方法设计,分三个阶段:
| 阶段 | 内容 | 样本量 | 产出 |
|------|------|--------|------|
| 第一阶段 | 质性项目生成(文献综述+师生访谈+专家内容效度审查) | — | 22个条目 |
| 第二阶段 | 试点量化测试(探索性因素分析EFA) | N=166 | 16个条目 |
| 第三阶段 | 大规模验证(验证性因素分析CFA等) | 较大样本 | 最终版本 |
**理论基础**:Facione批判性思维框架
---
## 4. 最终量表结构:四维十五题
| 维度 | 核心内容 |
|------|----------|
| **维度一:任务分析与理解** | 对课程任务的分析与理解 |
| **维度二:AI内容评估与判断** | 对AI生成内容的评估与判断 |
| **维度三:AI使用的控制与优化** | 对AI使用的控制与优化 |
| **维度四:自我调节与反思** | 对AI使用的自我调节与反思 |
**关键发现**:各维度之间存在强关联,表明在AI辅助学习中,批判性思维表现为认知与元认知倾向的相互依存的集合,而非离散子技能。
---
## 5. 研究意义
- 为教育者和研究者提供了实用工具,用于评估大学学生在学术课程中批判性使用GenAI的行为
- 通过四个关键维度的测量,可以识别学生的优势领域和需要支持的薄弱环节
- 可用于指导有针对性的教学干预设计,如在使用AI前搭建任务分析脚手架、培养批判性评估策略等
---
## 6. 研究局限
| 局限 | 说明 | 未来建议 |
|------|------|----------|
| 抽样偏差 | 在线滚雪球抽样可能导致自选择偏差 | 采用分层随机抽样或跨区域/跨国样本 |
| 社会赞许偏差 | 自报式量表易受社会赞许偏差影响 | 整合多种数据来源(如行为日志、同伴报告) |
---
## 7. 基本信息
| 项目 | 内容 |
|------|------|
| **作者** | 李默炎(Moyan Li)、郭力(Li Guo) |
| **机构** | 北京航空航天大学高等教育研究所 |
| **通讯作者** | 郭力(副教授) |
| **资助** | 国家自然科学基金(72574016)、北航2026年教育教学改革研究项目 |
| **伦理** | 经机构伦理委员会批准 |
| **AI使用声明** | 使用ChatGPT、DeepSeek、Grok辅助英文翻译和语言润色 |
| **利益冲突** | 无 |
---
## 8. 整体评价
这是一项设计严谨的量表开发研究,具有以下突出特点:
1. **填补了明确的研究缺口**——聚焦于大学学生在学术课程中使用GenAI的批判性**行为过程**,而不仅仅是态度或认知维度
2. **方法论规范**——遵循标准量表开发流程(质性生成→试点测试→大规模验证),采用EFA+CFA确保结构效度
3. **理论根基扎实**——以Facione框架为基础,并结合最新文献综述
4. **实践导向**——四维结构具有清晰的教育干预含义,可直接指导教学设计
5. **学术诚信意识强**——明确披露AI辅助工具的使用范围与限制
该研究对AI时代的高等教育课程改革具有重要的理论贡献与实践价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号