AI支持高等教育中学生投入与学业成绩的跨层分离：来自越南1,392名本科生嵌套于54个班级的多水平证据

《Sage Open》：When Engagement Does Not Translate Into Achievement: Multilevel Evidence From AI-Supported Higher Education in Vietnam

　　

人工智能（AI）已成为高等教育不可或缺的组成部分，既为学习创造新机会，也提出重要问题：在不同教育情境中，学生投入（ENG）如何促进学业成绩。本研究基于越南54个班级中1,392名本科生的嵌套数据，采用多水平结构模型（multilevel structural model）考察AI自我效能（AISE）、认知卸载（COFF）、学生投入（ENG）、教师支持（TSUP）与学业成绩之间的关系。结果表明，学生投入在个体层面与学业成绩正相关，而相应关系在班级层面未获支持。AI自我效能与更强的学生投入及较低的认知卸载依赖相关；教师支持与班级投入和学业成绩的关联强于班级共享投入（shared engagement）。多水平视角揭示，个体学习过程与教学情境通过不同路径而非单一机制作用于学业成绩。本研究通过证明学生投入在不同分析层面运作方式不同，并强调在设计AI支持的高等教育环境时整合认知调节与教学支持的重要性，推进了对AI支持学习的当前理解。

研究背景与问题：人工智能（AI）已进入高等教育的检索、构思、解题和写作等活动，但高等教育学习仍需持续认知努力、学科推理、批判评价与原创知识建构。社会认知理论与自我调节学习理论提示，AI支持学习的效果取决于学习者在知识建构中如何调节认知努力。既有研究多关注AI采纳、学生投入、认知过程和学习结果，但较少同时考察AI自我效能（AISE，使用AI有效完成学习任务的信心）、认知卸载（COFF，将记忆、构思、解题或写作等认知任务交给外部系统）、学生投入（ENG，行为、情绪、认知与能动性参与）、教师支持（TSUP，学生感知的指导、回应、鼓励与可及性）与学业成绩在个体和班级层面的关系。区分个体与班级层面具有教育意义：教学干预常通过共享班级结构实施，而投入与认知调节主要由个体学习者体验。越南高等教育政策持续关注数字转型、教育创新与负责任技术使用，研究据此展开。

研究开展、结论与意义：研究人员以越南高校54个完整班、1,392名本科生为样本，构建多水平结构方程模型（MSEM，同时估计个体层与班级层关系的统计模型），控制先前GPA，考察上述构念的跨层路径。结论显示，个体层学生投入与学业成绩正相关，班级层相应关系不显著；AISE与更高投入和更低COFF相关；TSUP与班级投入及班级学业成绩的关联强于班级共享投入。研究意义在于表明AI支持学习中个体学习过程与教学情境通过不同路径作用于学业成绩，设计AI支持高等教育环境需同时关注认知调节与教学支持。

关键技术方法：采用横断面问卷设计。样本队列来源为越南高校2025学年“数字技术与人工智能应用”必修课本科生，完整班抽样获得1,392名学生嵌套于54个班，班额20–30人，平均25.78人；数据于2025年3–6月收集。AISE、COFF、ENG、TSUP均以七点Likert量表测量，学业成绩采用越南10分制先前GPA与学期GPA。分析使用Mplus 8.4进行MSEM，最大似然估计，评估信效度、组内相关系数（ICC）、直接与间接效应。

研究结果：
4.1 描述统计：通过描述统计与组内相关分析，各指标分布稳定，均值接近量表中点，偏度与峰度可接受；AISE与ENG（r=0.572）、GPA（r=0.364）正相关，COFF与ENG（r=-0.366）、GPA（r=-0.268）负相关，ENG与GPA正相关（r=0.437），先前GPA与学期GPA相关最强（r=0.725）。
4.2 组内相关系数：通过ICC评估班级聚类，COFF=0.001、AISE=0.015、ENG=0.083、GPA=0.059、TSUP=0.344，支持多水平建模。
4.3 测量属性：通过信度、收敛效度与区分效度分析，Cronbach’s α与组合信度（CR）为0.771–0.899；标准化载荷AISE 0.765–0.848、COFF 0.759–0.818、ENG 0.803–0.847、TSUP 0.625–0.711；平均方差提取量（AVE）除TSUP为0.458略低外均超过0.50；异质–单质比率（HTMT）均低于0.85，Fornell–Larcker准则通过，测量质量可接受但TSUP收敛效度需谨慎。
4.4 结构模型评估：通过MSEM，模型拟合为CFI=0.984、TLI=0.944、RMSEA=0.074、SRMR个体层0.041/班级层0.067，χ²(4)=34.689，p<0.001。个体层AISE→ENG（β=0.530）、AISE→COFF（β=-0.156）、COFF→ENG（β=-0.283）、ENG→GPA（β=0.293）、COFF→GPA（β=-0.086）、PGPA→GPA（β=0.676）均显著，个体层间接效应显著；班级层TSUP_B→ENG_B（β=0.807）、TSUP_B→GPA_B（β=0.631）显著，ENG_B→GPA_B（β=0.144，p=0.596）及TSUP_B→ENG_B→GPA_B间接路径不显著。解释方差R²个体层COFF=0.024、ENG=0.408、GPA=0.615，班级层ENG_B=0.651、GPA_B=0.574。结论为个体与班级层机制不同。

讨论部分总结：讨论强化了AI重组学习过程的作用。AISE与投入正相关并降低COFF，与Gibson et al.、Chun et al.等观点一致；COFF与投入和成绩负相关，原文解释为认知责任转移而非策略性资源再分配，并与Tian & Zhang等对过度依赖削弱批判思维的关切相呼应。学生投入是连接认知过程与学业成绩的重要路径，与Wong & Liem、Meng et al.、Alruwaili & Alasmari、Fredricks et al.、Tao et al.等论述相衔接。多水平结果显示，个体层投入与成绩显著而班级层不显著，说明个体关系不能直接推广到班级聚合；这与Raudenbush & Bryk的多水平观点一致。教师支持与班级投入和成绩强关联，扩展了Prananto et al.的高等教育证据。局限包括横断面设计、学生自评、TSUP收敛效度较弱、COFF关系受情境影响，未来需纵向与实验研究。

研究结论部分翻译：本研究发现有助于理解AI支持高等教育中AI自我效能、认知卸载、学生投入、教师支持与学业成绩之间的关系。更强的AI自我效能与更高投入相关，并间接与学业成绩相关；更大的认知卸载与更低投入和较弱学业结果相关。学生投入是连接认知过程与学业成绩的重要机制，表明即便AI为学术任务提供广泛支持，有意义学习仍依赖主动的认知与行为参与。仅获得AI技术不足以改善学习结果，因为教育价值在很大程度上取决于知识建构过程中对认知努力的调节。多水平发现进一步表明，学习过程在个体与班级情境中运作不同。学生投入在个体层与学业成绩相关，而相应班级层关系未获统计支持；教师支持与班级投入和学业成绩均呈有意义关联，凸显教学情境对理解集体学习结果的重要性。总体模式表明，认知调节、学生投入和教学支持通过跨分析层面的相关但不同机制作用于学业成绩。因此，改善AI支持高等教育的学习结果，需要同时关注学生认知调节与AI整合于教与学的教学条件。研究局限包括：分析依赖横断面设计下的学生感知，无法得出强因果结论；班级层分析虽含54个教学单元并捕捉情境变异，但教师支持收敛效度弱于其他构念；认知卸载相关关系需谨慎解释，其教育后果可能随学习情境、教学条件和AI使用模式变化。未来纵向与实验研究可为AI自我效能、认知卸载、学生投入和学业成绩随时间演变提供更强证据。有效的AI支持学习依赖持续认知投入与适当教学条件，因为AI技术可及并不必然转化为有意义学习。