体育管理专业学生数字能力与人工智能相关能力的多维关联研究

《Behavioral Sciences》：Multidimensional Associations Between Digital Competence and AI-Related Competencies in Sport Management Students

　　

本研究考察了土耳其体育管理专业学生感知数字能力与人工智能相关能力之间的关联，重点关注维度特异性关系以及因正式人工智能教育和人工智能工具使用而产生的差异。一项横断面调查纳入了420名本科及研究生体育管理专业学生。数字能力采用包含29个条目的土耳其版COBADI?量表进行评估，人工智能相关能力则采用包含34个条目的MAILS量表。研究人员进行了验证性因子分析、异质-单质比率检验、基于自助法（5000次重抽样）的路径建模以及经多重比较校正的独立样本t检验。COBADI?总分与MAILS总分呈正相关（β = 0.438, p < 0.001, R2 = 0.192, f2 = 0.238）。五个数字能力维度共同解释了人工智能素养24.1%、创建人工智能21.8%、人工智能自我效能感13.7%以及人工智能自我能力12.6%的方差。经错误发现率校正后，问题解决、信息与数据素养、数字内容开发以及沟通在不同的人工智能相关能力领域均表现出显著的维度特异性关联，其局部效应量从可忽略到小不等。经Holm校正后，报告接受过正式人工智能教育的学生具有更高的人工智能素养得分；而报告使用人工智能工具的学生，其MAILS总分、创建人工智能、人工智能自我效能感以及数字内容发展得分均高于未使用人工智能工具的学生。未观察到具有统计学意义的性别差异。在体育管理专业学生中，感知数字能力与人工智能相关能力之间存在多维且非均匀的关联模式。这些发现可为未来体育管理教育的课程开发及干预性研究提供参考，但并不能证明针对特定数字能力、提供正式人工智能教育或使用人工智能工具必然能够提升人工智能相关能力。

一、研究背景与问题提出

随着人工智能在体育产业中的深度渗透，体育管理从业者不仅需要传统的领导力、沟通和伦理判断能力，还需具备数字与人工智能相关的复合型能力。然而，现有研究多聚焦于整体数字能力或单一人工智能素养水平，缺乏对两者各子维度间特异性关联模式的系统探讨。具体而言，信息与数据素养、数字内容开发、沟通、问题解决以及大学虚拟工具与社会沟通等数字能力维度，如何分别与核心人工智能素养、创建人工智能、人工智能自我效能感和人工智能自我能力产生差异化关联，尚不明确。此外，正式人工智能教育与人工智能工具使用经验对这些能力的影响也缺乏针对性证据。为此，研究人员开展了此项横断面调查研究。

二、研究方法概述

研究采用横断面、定量、相关性调查设计，于2026年6月至7月期间通过在线问卷收集数据。样本来自土耳其五所大学的体育管理专业本科生及研究生，最终有效样本量为420人。数字能力评估采用土耳其版29条目五维度的COBADI^?量表（University Students' Basic Digital Competences Scale），人工智能相关能力评估采用34条目四维度的MAILS量表（Meta AI Literacy Scale）。数据分析工具包括SPSS、AMOS和SmartPLS。统计方法涵盖验证性因子分析、异质-单质比率判别效度检验、基于5000次自助法的路径建模、独立样本t检验，并分别采用Benjamini-Hochberg错误发现率程序和Holm序贯Bonferroni程序进行多重比较校正。敏感性分析显示，在α=0.05、80%统计效力下，样本对整体小效应量（f²=0.031）具有足够检测灵敏度。

三、研究结果

1. 1.
   测量模型与信效度检验：COBADI^?的五因子相关模型（CMIN/df=2.214, GFI=0.946, CFI=0.952, RMSEA=0.061）和MAILS的低阶模型（CMIN/df=1.976, GFI=0.978, CFI=0.984, RMSEA=0.052）均表现出良好拟合。所有Cronbach's alpha系数介于0.801至0.965，组合信度介于0.868至0.961，平均方差萃取量介于0.567至0.848，均满足阈值标准。异质-单质比率值均低于0.85，表明九个潜变量间具有良好的判别效度。Harman单因素检验显示首个未旋转因子仅解释31.4%的总方差，未发现严重共同方法偏差。
2. 2.
   聚合层面假设检验：COBADI^?总分与MAILS总分呈显著正相关（β=0.438, t=9.964, p<0.001），解释MAILS总变异19.2%（R²=0.192），效应量为中等（f²=0.238），支持假设1。
3. 3.
   维度特异性探索性分析：五个数字能力维度共同解释人工智能素养24.1%、人工智能自我效能感21.8%、创建人工智能13.7%以及人工智能自我能力12.6%的方差。经错误发现率校正后，问题解决与人工智能素养（β=0.286, f²=0.064）、信息与数据素养与创建人工智能（β=0.194, f²=0.029）、数字内容开发与人工智能自我效能感（β=0.247, f²=0.049）、沟通与人工智能自我能力（β=0.184, f²=0.028）的关联仍具统计学意义，但局部效应量均为小或可忽略水平。需注意，未对路径系数进行正式的成对比较，因此不能推断任一数字能力维度在统计上强于其他维度。
4. 4.
   正式人工智能教育分组比较：经Holm校正后，仅人工智能素养在两组间存在显著差异（Cohen's d=0.357），报告接受正式人工智能教育的学生得分更高。MAILS总分、人工智能自我效能感、信息与数据素养及数字内容开发的原始组间差异在校正后不再显著。
5. 5.
   人工智能工具使用分组比较：经Holm校正后，报告使用人工智能工具的学生在MAILS总分（Cohen's d=0.393）、创建人工智能（Cohen's d=0.461）、人工智能自我效能感（Cohen's d=0.462）及数字内容开发（Cohen's d=0.365）上均显著高于未使用者。COBADI^?总分、信息与数据素养及问题解决的原始差异在校正后消失。
6. 6.
   性别探索性比较：所有MAILS和COBADI^?指标均未观察到统计学显著的性别差异，Holm校正后所有p值均为1.000，效应量极小（|Cohen's d|=0.029-0.148）。

四、讨论与结论总结

讨论部分指出，数字能力与人工智能相关能力是相关但可区分的构念。聚合层面的正相关表明高数字能力学生倾向于拥有更强的人工智能相关能力，但仍有大量变异未被解释，证实了两者的不可互换性。维度特异性分析揭示了差异化而非统一的关联模式：问题解决与人工智能素养及自我效能感相关，数字内容开发与创建人工智能及自我效能感相关，信息与数据素养与创建人工智能相关，沟通与人工智能自我能力相关。这些关联虽具有统计学意义，但效应量较小，应视为假设生成性发现。正式人工智能教育仅与核心人工智能素养存在选择性关联，而人工智能工具使用则与更广泛的能力维度（如创建人工智能和自我效能感）相关。研究强调，这些组间差异反映的是自然分组间的关联而非因果效应。研究还指出，由于人工智能工具使用和教育经历均采用二元自报指标，未能捕获类型、频率、强度和质量等关键特征，未来需采用纵向或实验设计、引入客观绩效测量并进行跨文化验证。

结论翻译：本研究表明，体育管理专业学生的感知数字能力与人工智能相关能力存在关联，但这种关联模式在不同能力领域间呈现差异化特征。在聚合层面，较高的感知数字能力与更高的MAILS总分相关。在维度层面，经错误发现率校正后，信息与数据素养、问题解决、数字内容开发和沟通与不同人工智能能力成分显示出特异但普遍较小的关联。五个数字能力维度在不同人工智能能力领域中解释的方差比例各异，支持多维而非均匀的关联模式。经Holm校正后，报告正式人工智能教育的学生仅人工智能素养更高，而报告人工智能工具使用的学生在MAILS总分、创建人工智能、人工智能自我效能感和数字内容发展上均更高。未观察到显著性别差异。这些发现可为未来体育管理课程开发和干预研究提供基础，但并不能证明发展特定数字能力必然带来相应人工智能能力的提升。