人工智能采纳中的认知 - 情感画像：准教师批判性思维、自我调节与伦理怀疑主义的以人为中心聚类

《Thinking Skills and Creativity》：Cognitive-Affective Profiles in AI Adoption: Person-Centered Clustering of Critical Thinking, Self-Regulation, and Ethical Skepticism Among Teacher Candidates

　　

摘要

人工智能（AI）在教育生态系统中的快速整合，要求教师不仅重构其技术能力，还需重构其认知与伦理框架。尽管现有文献主要采用以变量为中心的方法来考察这些构念，但此类方法往往掩盖了教师候选人群体内部的异质性，并倾向于将技术犹豫简化为一种心理缺陷。因此，本研究采用以人为中心的方法，基于教师的批判性思维、自我调节和多维度人工智能感知，识别教师候选人的不同认知情感画像。研究群体由某国立大学的341名教师候选人组成。数据收集使用了具有高内部一致性的量表，Cronbach's α系数在.84至.92之间，并采用K-Means聚类、方差分析（ANOVA）和卡方检验进行分析。分析揭示了三个具有统计学显著差异的画像：数字先锋，其特征为高认知调节和高人工智能接受度；疏离群体，在所有领域均表现出低参与度；以及怀疑型知识精英，这是一个新型画像，展现出高批判性思维能力，但对人工智能表现出最高水平的负面感知和知情谨慎态度。效应量分析表明，感知的自我调节和批判性思维在区分这些画像中发挥了决定性作用，其效应量分别为.481和.461。此外，这些画像的分布与性别和学历水平无统计学显著关联（p > .05）。这些发现表明，仅凭批判性思维并不能保证技术接受度；相反，它培养了对技术万能主义（techno-solutionism）的必要警惕。在此背景下，自我调节作为一种关键机制，与候选人对人工智能的批判性参与（而非被动消费）密切相关。该研究暗示，教师教育项目应超越一刀切的技术培训，转向差异化策略，强调可持续的人工智能整合需要严格的机构问责与个人适应能力的结合。

引言

21世纪以来，人工智能（AI）技术的快速整合已深刻改变了教育教学的动态格局。教育领域日益利用AI提供个性化学习体验、提升运营效率并实现信息的民主化获取（Alqarni, 2025）。然而，这种快速整合往往由一种技术万能主义叙事所驱动，将AI描绘为解决复杂教育难题的万能灵药，从而常常遮蔽了这些技术在伦理、法律和结构层面的深远影响（Bulathwela等, 2024；Selwyn, 2022）。尽管AI被视为一种能够提供即时反馈、丰富教学过程的变革性工具，但它同时也引发了一场关于其对基础认知技能发展和基本人权保护影响的激烈学术争论。具体而言，越来越多的担忧认为，对生成式AI的依赖可能导致批判性思维能力的下降，因为学生可能将这些工具用于浅层的信息检索而非深层的认知参与（Firdaus等, 2025）。

批判性思维，被定义为分析、评估、做出逻辑推断和综合多元视角的能力，仍然是现代教育的基石（Zeybek, 2025）。文献将批判性思维概念化不仅作为一组认知技能（如分析、推断），还作为一种涉及好奇心和开放心态的倾向性特征（S?nmez等, 2021）。尽管AI技术具有通过生成复杂场景或多样数据集来搭建这些技能的支架潜力，但这种潜力的实现与其说是取决于技术本身，不如说是取决于学习者的认知意识和教学方法（Alqarni, 2025）。最近的实证证据表明，尽管生成式AI的易用性加速了其采用，但这种便利性并不一定促进深度学习或批判性探究；相反，它引入了不加批判地接受AI幻觉或错误信息以及不透明的算法偏见的风险（Al-Zahrani, 2024；Zhou等, 2024）。

在此背景下，自我调节能力成为一项关键决定因素。自我调节学习（SRL）涉及通过计划、监控和评估来主动管理自身的学习过程，被公认为数字环境中学业成功的主要预测因子（Saadati等, 2023）。从社会认知视角来看，自我调节是有效部署批判性思维技能的载体（Gundogan, 2026）。Kitsantas等（2019）提出，智能技术不应仅仅被视为信息存储库，而应被视为增强人类能力的认知伙伴。然而，有效的伙伴关系需要高水平的自我调节；学生必须主动管理AI提供的认知卸载，而非被动地消费其输出。此外，在一个AI应用不仅作为教学辅助工具，而是作为受严格监管框架管辖的复杂数据生态系统的时代，自我调节还涵盖了在数字环境中安全、批判和合乎伦理地导航的元认知能力（Britchenko, 2025；Colonna, 2026）。

尽管批判性思维、自我调节和技术接受之间的理论联系已得到确立，但现有研究主要依赖以变量为中心的方法（如相关分析和回归分析）。这些方法通常假设人群的均质性，聚焦于整个样本中变量间的关系以识别一般趋势（Howard & Hoffman, 2018；Laursen & Hoff, 2006）。尽管这些方法在建立广泛关联方面具有价值，如发现易用性可预测采用率（Zhou等, 2024），但以变量为中心的分析往往会掩盖学生群体中固有的异质性（Meyer & Morin, 2016）。

以变量为中心的方法依赖样本均值，可能会忽视表现出复杂特征配置的个体子群体。例如，以变量为中心的分析可能表明批判性思维与技术接受度之间存在正相关。然而，这可能掩盖了一个怀疑型知识精英子群体，即那些具有高批判性思维技能的学生，他们恰恰因为能够批判性地评估风险（如数据隐私、伦理问题和算法监控），而对AI表现出较低的接受度或更高的焦虑。至关重要的是，现有文献中的许多研究倾向于将这种谨慎病理化，将教师的抵制视为心理缺陷、缺乏自我调节或单纯的技术恐惧（Berendt等, 2020）。以人为中心的方法提供了一个机会，将这种怀疑重新框定，不是将其视为适应能力的失败，而是作为一种知情且基于权利的、反对教育科技全景监狱（edtech panopticon）和学生数据权利可能受到侵犯的教学立场（Aksoy, 2025；Favero等, 2026；Gilliard & Selwyn, 2023）。相反，低接受度可能源于另一个子群体的数字素养缺乏。以变量为中心的方法无法区分这些定性不同的抵制形式（Hofmans等, 2020）。

此外，对个人教师技术采用率的普遍关注往往无意中将AI合规和数据保护的负担完全转移给了教育工作者。通过将结构性风险个体化，严格的机构问责的体系性需求被绕过。机构部署AI工具的速度往往快于其建立透明的数据治理政策的速度，使教师成为唯一的数据监护人，负责在课堂中应对算法公平性和学生隐私问题（Biju等, 2026；Delello等, 2025）。教育中有效的人工智能整合需要一种混合治理模式，在这种模式中，机构问责提供必要的法律和伦理基础设施，使教师能够安全地行使其教学判断，而不是被迫吸收机构的合规失败（Chan, 2023；Khairullah等, 2025）。

为了解决这些局限性，教育研究者越来越多地提倡以人为中心的方法，如聚类分析或潜在画像分析。这些方法根据个体在多个变量上的分数模式将其分类为未观察到的子群体（画像）（Howard & Hoffman, 2018；Bergman & Magnusson, 1997）。采用以人为中心的视角有助于更透彻地理解认知能力（批判性思维）和元认知能力（自我调节）如何在个体内部结合以塑造其对人工智能的感知。

本研究旨在通过采用以人为中心的方法来识别教师候选人的不同认知情感画像，从而超越传统以变量为中心分析的局限性。教师候选人是一个关键群体，因为他们对AI的感知将直接影响后代的技术整合策略（Alqarni, 2025）。通过考察批判性思维和自我调节如何与多维度的AI感知（积极感知、负面感知和使用意向）共现，本研究旨在揭示AI采用的异质性特征。

具体而言，本研究探讨以下研究问题：
1. 基于其批判性思维、自我调节和AI感知水平，可以识别出哪些不同的教师候选人画像？
2. 这些画像在具体的AI态度方面有何差异？
3. 这些画像是否与性别和学历水平等人口统计特征无关？

通过回答这些问题，本研究为设计针对候选人特定认知画像的差异化教师培训项目提供了更精细的证据基础，而非应用忽视机构责任和伦理谨慎有效性的"一刀切"技术教学。

研究设计

本研究采用量化研究设计，运用以人为中心的方法。与假设人群均质性并聚焦变量间关系的回归分析等以变量为中心的设计不同，以人为中心的方法旨在识别在多个维度上具有相似特征模式的不同个体画像（Laursen & Hoff, 2006）。具体而言，本研究利用聚类分析对教师候选人进行分类，基于

认知情感画像的识别

为回答第一个研究问题，本研究使用批判性思维、感知自我调节和AI感知四个维度的标准化Z分数进行了K-Means聚类分析。分析识别出三个不同的教师候选人画像。识别出的聚类的描述性统计结果见表1。

根据表1中观察到的分数模式和聚类中心的视觉检查，这些画像被标记为：
1. 画像1：

讨论

本研究采用以人为中心的方法，揭示了教师候选人在批判性思维、自我调节和AI感知方面的异质性。研究发现挑战了高级认知技能自动导致高技术接受度的传统线性假设。相反，三种不同画像的涌现——数字先锋、怀疑型知识精英和疏离群体——揭示了一种更复杂的动态，其中元认知能力和

结论

随着AI持续重塑教育格局，未来教师的培养需要全面理解他们如何感知和与这些技术互动。通过采用以人为中心的分析策略，本研究证明了教师候选人并非一个同质群体。怀疑型知识精英画像的识别提供了实证证据，表明对AI的抵制不仅仅源于低能力或无知；相反，它

建议

基于识别出的不同画像，本文为教师教育项目和政策制定者提出以下建议：

作者贡献声明

H?z?r Dinler：撰写——初稿。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所述工作的报告。

致谢

作者衷心感谢所有参与本研究的学前教师和孩子。最后，我感谢匿名审稿人的深刻意见和建议，他们显著提高了本文的质量。

H?z?r Dinler
基利斯7月12日大学教育学院幼儿教育系，79000，土耳其基利斯