《Computers and Education: Artificial Intelligence》：AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training
编辑推荐：
摘要专业翻译
生成式人工智能正逐步成为高等教育科研训练基础设施的组成部分，然而学界对AI中介环境如何塑造早期科研人员的主体性仍知之甚少。本研究考察了AI依赖（AI dependence），即研究者将智能工具作为判断密集型科研任务中认知支持主要来源的倾向，并将其
摘要专业翻译
生成式人工智能正逐步成为高等教育科研训练基础设施的组成部分，然而学界对AI中介环境如何塑造早期科研人员的主体性仍知之甚少。本研究考察了AI依赖（AI dependence），即研究者将智能工具作为判断密集型科研任务中认知支持主要来源的倾向，并将其教育风险阐释为认知委托（epistemic delegation）：即问题框架设定、方法选择与解释权威从研究者向智能系统的转移。研究基于AI中介的研究主体性形成框架（AI-mediated research agency formation framework），考察研究自主性（research autonomy）与研究自我效能（research self-efficacy）是否在AI依赖与创新研究行为（innovative research behaviour）之间起中介作用，以及导师支持（supervisory support）是否调节上述路径。研究通过基于同伴的微信群向中国天文学博士生与博士后研究人员发放匿名问卷，经预先设定的数据质量筛查后，保留420份有效问卷。分样本因子分析支持AI依赖量表的宽泛单因子结构，条目层面验证性因子分析支持五因子测量模型。AI依赖与研究自主性及研究自我效能呈负相关，而后两者均与创新研究行为呈正相关。经由研究自主性的间接效应强于经由研究自我效能的间接效应。导师支持与自主性、自我效能及创新均呈正相关，并削弱了AI依赖与研究自主性及创新行为之间的负向关联；预测自我效能的交互项方向一致但未达统计显著性。研究结果将讨论重心从AI赋能的生产力转向AI中介的研究者形成，并将导师支持定位为通过解释、验证与反思性AI使用实现认知监督（epistemic supervision）的关系性基础。
论文解读
一、研究背景与研究问题
生成式人工智能（Generative AI）、大语言模型（Large Language Models）、代码助手、智能检索系统与自动化数据分析工具正迅速成为高等教育科研训练基础设施的组成部分。在博士生与博士后培养中，这些工具可能加速文献综述、编程、数据清洗、建模、可视化与学术写作等环节。然而，高等科研训练的核心目标不仅是完成任务，更在于培养研究者提出问题、评估证据、作出方法判断、解释模糊发现并建立独立知识生产者自信的能力。现有研究已从AI采纳与学术诚信扩展到AI素养与负责任整合，但对科研训练这一高级学习形式中AI如何影响研究主体性（research agency）的形成知之甚少。
本研究的核心关切在于：当研究者越来越多地将问题框架设定、方法选择与结果解释等判断密集型任务外包给AI系统时，博士生教育本应培养的学术判断力是否被削弱。研究提出AI依赖（AI dependence）这一概念，区别于AI使用频率——频繁使用AI若伴随批判性评估与独立推理仍可能具有生产性，而真正具有教育后果的是认知委托（epistemic delegation）：研究者将判断密集型行为——问题框架设定、方法选择、解释性评估与最终决策责任——从自身转移至智能系统。研究选择天文学作为AI中介、数据密集型科研训练的典型案例，因为当代天文学研究高度依赖大规模巡天数据、复杂流水线、编程、统计建模、图像分析、模拟与文献综合。
二、研究设计与主要技术方法
研究人员采用匿名在线问卷方法，通过基于同伴的微信群（学生群、同学群与学术交流群）在中国天文学相关领域的博士生与博士后研究人员中招募参与者。招募由学生与同伴而非院系、导师或课题组负责人进行，以限制层级学术关系的影响。问卷未收集学校、院系、实验室、课题组或导师标识以最大化匿名性。共收到500份问卷，经预先指定的响应质量分类后，保留420份正常响应作为主要分析样本，其中博士生237人、博士后183人。所有实质性条目采用七点李克特量表（1=非常不同意，7=非常同意）。研究开发了AI依赖量表（10个条目），并采用研究自主性量表（7个条目）、研究自我效能量表（7个条目）、创新研究行为量表（7个条目）与导师支持量表（7个条目）。数据分析采用分样本探索性因子分析（EFA）与验证性因子分析（CFA）、条目层面五因子测量模型、共同方法偏差诊断、层级回归、平行间接效应模型（5000次百分位自助法重抽样）、调节效应与第一阶段被调节的中介分析（条件过程框架），以及条目层面潜变量结构方程模型（SEM）、等参数反向路径模型、多组学术阶段检验与数据质量敏感性分析。
三、研究结果
3.1 数据质量与样本筛查
500份初始响应经筛查后保留420份（84.0%）。25份具有集中趋势或轻度不一致模式的响应被标记审查并排除，55份因注意力检查失败或其他明显异常模式被移除。多个质量指标的联合使用表明不认真作答并非单一形式。
3.2 AI依赖量表的初步评估
平行分析在探索性半样本中保留一个因子，第一观测特征值为5.469，超过第95百分位随机特征值1.460。独立确认性半样本中单因子模型拟合良好（χ2(35)=43.33，CFI=.990，TLI=.987，RMSEA=.034，SRMR=.036）。全样本中相关两因子与三因子规格的潜变量相关介于.982至.999之间，单因子模型最为简约。AI依赖与自我报告的AI使用频率经验上可区分（r=?.051，p=.296）。六位专家一致认定AI7（异常发现解释）与AI8（研究方案选择）是认知委托最清晰的指标。
3.3 共同方法诊断与条目层面测量模型
KMO值为.950，Bartlett检验显著（χ2(703)=8189.92，p<.001）。Harman第一未旋转因子解释31.19%方差。受约束的共同潜方法因子约占条目方差4.2%，未改善五因子模型拟合（Δχ2(1)=.96，p=.326）。条目层面五因子模型拟合良好（χ2(655)=818.95，CFI=.979，TLI=.977，RMSEA=.024，SRMR=.043），显著优于合并自主性与自我效能的四因子模型、合并三个积极自报构念的三因子模型及单因子模型。
3.4 信度、收敛效度与相关
五个构念的内部一致性均较强：AI依赖（α=.900，CR=.902，AVE=.482）、研究自主性（α=.894，CR=.894，AVE=.548）、研究自我效能（α=.885，CR=.886，AVE=.527）、创新研究行为（α=.881，CR=.882，AVE=.518）、导师支持（α=.871，CR=.873，AVE=.497）。所有HTMT值低于.85。AI依赖与研究自主性（r=?.355）、研究自我效能（r=?.321）及创新研究行为（r=?.279）显著负相关。研究自主性与创新行为相关最强（r=.628）。
3.5 回归、间接效应与调节
层级回归显示，仅控制变量模型解释创新行为5.0%方差；加入AI依赖后增至12.3%（B=?.301，p<.001）；加入研究自主性与研究自我效能后R2增至.478，两者均正向预测创新行为（自主性B=.435，自我效能B=.272），AI依赖系数变为小且不显著；加入导师支持后R2增至.501（B=.191）。平行间接效应模型中，AI依赖负向关联研究自主性（B=?.323）与研究自我效能（B=?.302），自主性（B=.355）与自我效能（B=.232）正向关联创新行为。经由自主性的间接效应为?.115（95% CI [?.159, ?.076]），经由自我效能为?.069（95% CI [?.104, ?.038]），总间接效应为?.184（95% CI [?.238, ?.132]），直接系数不显著（B=?.060，p=.158）。调节分析显示，AI依赖与导师支持的交互项对研究自主性显著（B=.077，p=.020，H8支持），对自我效能方向一致但未达显著性（B=.066，p=.064，H9未获统计显著支持），对创新行为显著（B=.092，p=.005）。条件间接效应显示，经由自主性的负向间接效应从低支持的?.149降至高支持的?.077，总间接效应从?.238降至?.125（降幅约47.5%）。被调节的中介指数对自主性路径显著（index=.0272，95% CI [.0053, .0519]），自我效能路径包含零（index=.0153，95% CI [?.0002, .0346]）。
3.6 全条目结构方程模型与替代方向模型
全条目潜变量结构方程模型拟合可接受（χ2(656)=858.33，CFI=.974，TLI=.972，RMSEA=.027，SRMR=.052）。标准化路径显示：AI依赖→自主性（β=?.314）、AI依赖→自我效能（β=?.313）、自主性→创新（β=.438）、自我效能→创新（β=.272）、直接AI依赖路径（β=?.019）、导师支持→自主性（β=.580）、导师支持→自我效能（β=.483）、导师支持→创新（β=.179）。标准化间接效应为经由自主性?.137、经由自我效能?.085，总间接效应?.223。等参数反向路径模型同样拟合良好，表明横断面数据无法推断因果方向。
3.7 多组学术阶段检查与数据质量敏感性分析
多组条目层面结构分析中，将八条主路径约束为等同时未恶化拟合（Δχ2(8)=6.16，p=.629，ΔCFI=.0002），表明博士生与博士后群体的结构模式基本一致。主要间接效应系数在N=420、N=445与N=500三个样本中保持稳定，自我效能调节仅在纳入明显问题响应时达到显著，进一步支持H9在主要样本中未获统计显著支持的结论。
四、讨论与结论
讨论部分总结
研究将讨论重心从AI赋能的生产力转向AI中介的研究者形成。主要贡献包括：第一，发展AI中介的研究主体性形成框架，将AI从生产力工具重新定位为可能重塑研究者形成的条件；第二，通过认知委托概念精炼AI依赖的教育后果；第三，区分研究自主性与研究自我效能两种互补的心理资源；第四，将导师支持重新概念化为认知监督的关系性基础。实践启示方面，研究生项目应使AI中介推理可见化，要求研究者记录AI贡献、生成替代方案、被拒绝的建议、验证证据与最终决策理由。导师应在研究讨论中要求学生解释AI生成建议的合理性、所含假设、检验所需证据及与替代解释的比较。制度层面应区分低风险用途（如语言润色）与判断密集型用途（如方法选择、异常结果解释、研究方向确定）。
研究结论翻译
本文考察了博士与博士后科研训练中的AI依赖，将其作为高等教育教育技术的一个问题。在中国科研训练社群招募的早期天文研究者中，AI依赖与研究自主性及研究自我效能呈负相关，而这两种资源中介了其与创新研究行为的关联。导师支持对研究资源与创新具有正向直接关联，并削弱了涉及研究自主性与创新行为的不利关联。这些发现的教育意义在于焦点转移：问题不在于早期科研人员是否应使用AI，也不在于AI能否使科研工作更高效，而在于当AI成为研究环境的一部分时，研究者是否仍是自身学术思考的作者。在博士与博士后教育中，成为研究者意味着逐渐获得提问、判断、质疑、解释与创新的能力。当AI作为反思与探索的支架时，它可以支持这一过程；当AI替代了研究自主性与自我效能赖以形成的判断行为时，它就具有教育危害性。研究因此推进认知委托作为AI依赖中核心教育风险的理论解释，并发展认知监督框架以理解导师关系如何维持解释、验证与学术责任。高等教育中负责任的AI整合应被理解为研究者形成问题，而非仅仅是工具监管。目标不是阻止早期科研人员使用AI，而是确保AI使用始终嵌入解释、验证、反思与导师对话的实践中。
