《Frontiers in Psychology》：To cheat or not to cheat? Examining undergraduate students’ use of generative AI and academic dishonesty
编辑推荐：
生成式人工智能（GenAI）已嵌入大学生日常学习之中，使学生能够按需获取成品，从而加剧了长期存在的学术诚信关切。然而，为何部分学生会跨越学术不诚实的界限——以及教导他们感到自己有能力并掌控AI是否能对此起到保护作用——仍不清楚。本研究以面向AI赋能学术不诚实的
生成式人工智能（GenAI）已嵌入大学生日常学习之中，使学生能够按需获取成品，从而加剧了长期存在的学术诚信关切。然而，为何部分学生会跨越学术不诚实的界限——以及教导他们感到自己有能力并掌控AI是否能对此起到保护作用——仍不清楚。本研究以面向AI赋能学术不诚实的倾向作为核心教育结果，并借鉴人-情感-认知-执行交互（I-PACE）模型，采用解释性混合方法设计。研究人员分析了来自中国多所大学各学科本科生的横截面调查（在剔除115名对全部41个条目给出相同回答的受访者后，N=1,045），并对7名学生进行了半结构化访谈，访谈数据采用主题分析。学术不诚实行为较为普遍（50.1%的学生在1–7级量表上得分≥5），且与AI依赖（β=0.63）的相关性最强；而AI依赖又与冲动性、对AI的信任和错失恐惧相关；信任还与不诚实行为直接相关。与“能动性保护诚信”的普遍假设相反，人类-AI能动感并未调节依赖-不诚实之间的关联，其本身反而与不诚实行为正相关。对AI输出的习惯性验证则呈现互补模式：它并未削弱依赖-不诚实关联，但与显著更低的依赖相关，从而间接与更少的不诚实行为相关。潜在剖面分析得出了相同结论——依赖按不诚实程度对剖面进行排序，而能动感则完全不具排序作用——受访者在解释将AI作品当作自己作品提交时也援引了控制感。由于该调查为横断面且基于自我报告，上述结果为关联而非已证明的效应。尽管如此，对于教学与诚信政策而言，这些结果提示，遏制依赖并校准学生对AI的信任，而非培养普遍的能动感，是更有希望的干预靶点。
生成式人工智能（GenAI）已深度嵌入大学生日常学习，学生可随时获取成品性回答，这加剧了学术诚信（academic dishonesty）方面的长期担忧。已有研究或强调GenAI的个性化辅导与能力培养，或警示其侵蚀学术诚信与外包思维，但鲜有在同一设计中检验这两种对立叙事。更重要的是，实践中普遍假设培养“有能力、自主的AI使用者”能保护诚信，但这一假设缺乏实证检验。为此，本研究以面向AI赋能学术不诚实的倾向为核心教育结果，借鉴人-情感-认知-执行交互（Interaction of Person-Affect-Cognition-Execution, I-PACE）模型，提出四个研究问题，考察AI依赖（AI dependence）对不诚实的预测作用、倾向性前因，以及人类-AI能动感是否具有保护效应。
研究人员采用解释性混合方法设计，先对中国多所大学本科生进行横断面问卷调查（N=1,045，剔除115名规律作答者），随后对7名学生进行半结构化访谈。定量分析基于I-PACE模型构建结构方程模型，并使用潜在剖面分析识别学生类型；定性数据采用主题分析。结果显示，AI依赖是学术不诚实的最强预测因子（β=0.63），冲动性（impulsivity）、错失恐惧（fear of missing out, FOMO）和对AI的信任（trust in AI）通过依赖间接影响不诚实，且信任还有直接作用；人类-AI能动感不调节依赖-不诚实关联，反而与不诚实正相关；习惯性验证AI输出则与更低依赖相关，从而间接与更少不诚实相关。这些发现提示，诚信干预应聚焦于遏制依赖和校准信任，而非培养普遍能动感。
研究方法：采用解释性混合方法设计。定量部分样本来自中国多所大学本科生（N=1,045），通过社交媒体平台便利招募，使用多题项七点李克特量表测量12个构念。分析技术包括：验证性因子分析（CFA）检验测量模型；结构方程模型（SEM）估计路径；偏差校正自助法（5,000次重抽样）检验间接效应；潜在剖面分析（LPA）识别学生亚组；多组分析检验学科与性别的测量不变性及路径差异；并执行系列敏感性分析（如剔除规律作答者、改变指标数目）。定性部分对7名跨学科学生进行半结构化访谈，采用基于编码手册的主题分析，双人编码一致性κ=0.90。
**结果**
**4.1 GenAI使用与学术不诚实的普遍性（RQ1）**：描述统计显示，68.1%的学生每天至少一次使用GenAI；学术不诚实项目均值为4.74（1–7级），50.1%的学生得分在5及以上。资源型构念均值较高，表明样本为频繁且自信的使用者。
**4.2 测量模型、信度与效度**：十二因子CFA拟合良好（CFI=0.944，RMSEA=0.037）；所有量表α为0.71–0.90，AVE为0.55–0.76，区分效度成立。依赖与不诚实的潜在相关为0.694，嵌套模型比较确认两者可分。
**4.3 AI依赖是不诚实的主要驱动因素（RQ2-RQ3）**：结构模型显示，AI依赖对学术不诚实的标准化路径系数为0.63（p<0.001），解释其54%方差；冲动性、错失恐惧和对AI的信任均正向预测依赖（β分别为0.36、0.17、0.13），信任还直接预测不诚实（β=0.19）；偏差校正自助法确认三条间接效应均显著。
**4.4 能动感与学术不诚实（RQ4）**：能动感与依赖几乎不相关（复合r=0.04），且不调节依赖-不诚实关联（交互β=-0.04，p=0.272）；控制依赖后，能动感与不诚实呈弱正相关（β=+0.09，p=0.009）。
**4.5 验证与批判性评价AI输出**：批判性评价（critical evaluation，习惯性验证）与更低依赖相关（β=-0.285），并通过依赖间接与更少不诚实相关（间接β=-0.175）；它不直接预测不诚实，但显著调节依赖-不诚实斜率（交互β=-0.118）。
**4.6 稳健性与敏感性分析**：在更严格筛查下核心结果保持；学科多组分析显示测量不变性，依赖在科学与非科学组均为最强预测因子；性别分析发现部分标量不变性，女性依赖-不诚实路径更强（β=0.64对0.51），男性的能动-不诚实路径显著（β=0.17）。
**4.7 超越诚信的其他观察**：依赖强烈预测认知卸载（cognitive offloading，β=0.83）；能动感不约束卸载，批判性评价可约束（β=-0.20）。
**4.8 风险的个人中心剖面（RQ4）**：潜在剖面分析识别三个剖面：自我导向低依赖（23.0%）、低资源主流（44.4%）、全情投入高强度（32.6%）。依赖按不诚实程度排序，能动感不排序；在能动感匹配的学生中，依赖高低组不诚实差异巨大（d=2.17）。
**4.9 定性发现：依赖与诚信界限**：访谈主题包括GenAI作为反射性第一步、从依赖到越界、信任而不验证、控制感与依赖并存、虚假学习感，与定量结果一致。
**讨论总结**：研究将学术不诚实定位为依赖的结果而非理性计算选择；能动感不仅无保护作用，还提供了将外包工作宣称为自己作品的语汇；验证行为才是有效杠杆，通过降低依赖间接保护诚信。理论贡献在于将I-PACE模型扩展到学术诚信领域、区分能动感与验证行为、跨学科验证机制。实践上，政策应针对信任校准和依赖遏制，评估应要求验证步骤，而非仅培养自信。
**结论翻译**：生成式AI使学术不诚实更易实施、更难检测：学生现在可以按需获取成品。因此，如何在不依赖不可执行禁令的情况下保护诚信，是高等教育面临的紧迫问题。本研究在跨学科样本中，通过三种汇聚的方法——变量中心结构模型、个人中心剖面分析和学生自述——检验了最常提出的补救措施（将学生培养为有能力、自主的AI使用者）。总体而言，研究识别了不诚实的心理关联因素，而非仅记录其普遍性。在1,045名多学科学生中，AI赋能学术不诚实的倾向与AI依赖相关性最强，而AI依赖又与冲动性、错失恐惧和对AI的信任相关。关键的是，人类-AI能动感并未保护诚信：它与依赖相区别且基本不相关；在潜在和复合层面均不调节依赖-不诚实关联，且本身与更多不诚实相关；探索性比较中，依赖-不诚实关联在女性中更强（β=0.64对0.51），而能动-不诚实关联仅存在于男性。个人中心分析显示同样的不对称：依赖按不诚实程度排序剖面，而能动感完全不排序。在能动感匹配但依赖不同的学生中，直接比较再现了差距（d=2.17），受访者在解释捷径行为时也援引了对AI的掌控感。习惯性验证AI输出是唯一行为不同的资源，它与更低依赖相关，并通过依赖与更少不诚实相关。实质上，这指向依赖——而非缺乏能力或信心——是更值得干预的诚信靶点，并区分了控制感与已实施的验证；方法学上，它提供了跨学科组稳定、经三种方法三角验证的机制，而该领域此前多为普遍性计数。由于调查为横断面，这些是关联而非已证明的效应。让学生感到掌控AI并不等于让他们诚实，并且本证据表明，这种感觉可能反而助长破坏诚信的依赖。报告掌控感最强的学生恰恰属于最不诚实的群体，因此，不触及依赖的自信干预是目标错位的。随着GenAI成为许多学习者的默认第一步，教育任务不是建立使用工具的信心，而是遏制对它的依赖，并要求对其输出进行验证。尽早建立这种实践的大学，将是在捍卫其自身评估的意义；而那些不这样做的大学，将会发现自信的依赖已成常态。
