学术压力、生成式人工智能使用与大学生学术行为及感知：基于认知卸载和自我调节理论的实证研究

《Journal of Intelligence》：Academic Pressures, Generative AI Use, and Academic Behaviors and Perceptions Among University Students: An Empirical Study

　　

本研究依据认知卸载理论（cognitive offloading theory）与自我调节学习理论（self-regulated learning theory, SRL），探讨中国大学生使用生成式人工智能（Generative AI, GenAI）的原因及其相关学业关联因素。研究采用横断面调查设计，收集了500名大学生的数据，并通过结构方程模型（structural equation modeling, SEM）与Bootstrap中介分析进行分析。结果表明，学业负担、时间压力和对成绩的敏感度与GenAI使用呈正相关，而对质量的敏感度则无显著相关。此外，GenAI使用与学业拖延和自我报告的记忆困难呈正相关。关于创造性投入的竞争性假设，GenAI使用与创造性投入呈正相关，这可能表明学生使用GenAI是为了产生创意而非获取现成答案。中介分析证实，GenAI使用显著中介了学业负担、时间压力、成绩敏感度与三个结果变量之间的关联。然而，质量敏感度对三个结果变量的间接效应不显著，与未获支持的假设一致。本研究强调，有必要加强学生的AI素养培训，管理学业负担，并重新设计评估方法，以在负责任使用与学术诚信之间取得平衡。未来研究应采用纵向设计、多方法测量，并在不同教育情境中探讨这些关系，以获得更全面的理解。

生成式人工智能（Generative AI, GenAI）正深刻改变高等教育生态。以ChatGPT为代表的大语言模型虽能提供个性化辅导、内容生成与研究支持，但其快速普及也引发了关于学术诚信、学生学业发展与认知能力的担忧。然而，现有研究多聚焦于GenAI的应用场景或学术诚信问题，对学生为何使用GenAI、哪些学术压力驱动其使用，以及使用后伴随哪些学业行为与感知的实证探讨仍显不足。为弥补这一缺口，本研究基于认知卸载理论（cognitive offloading theory）与自我调节学习理论（self-regulated learning theory, SRL），考察中国大学生GenAI使用的前因与学业关联。研究在Abbas等（2024）框架的基础上，将创造性投入（creative engagement）纳入结果变量，以检验GenAI使用究竟是仅具消极关联，还是亦可能发挥积极作用，并在中国高等教育情境中验证模型适用性。

研究人员采用横断面调查设计，通过方便抽样与滚雪球抽样，从陕西省三所高校招募500名大学生（M_age=20.2岁，SD=1.6；58%为女性；本科生占71.2%，研究生占28.8%；人文社科占46.8%，商科占28.8%，理工科占24.4%）。研究工具包括自编或改编的5点Likert量表，涵盖学业负担、时间压力、成绩敏感度、质量敏感度、GenAI使用、学业拖延、自报记忆困难和创造性投入。数据分析首先使用AMOS 28进行验证性因子分析（CFA）评估测量模型，随后构建结构方程模型（SEM）检验假设路径，并采用Bootstrap（5000次重抽样）进行中介效应检验。共同方法偏差通过Harman单因素检验评估，单因子解释27.58%的方差，低于50%阈值。

### 4.1 Descriptive Statistics（描述性统计）

描述性统计显示，各变量均值介于3.43至3.74之间，标准差介于0.78至0.94之间，表明学生感知的学术压力、GenAI使用水平及三个结果变量均处于中等水平，且存在适度个体差异。

### 4.2 Measurement Model（测量模型）

CFA结果表明，所有构念的内部一致性良好（Cronbach's α介于0.748至0.924，组合信度CR介于0.753至0.924），收敛效度可接受（平均方差提取量AVE均大于0.5；除自报记忆困难量表ML2项载荷为0.612略低于0.70外，其余标准化因子载荷均高于0.70）。测量模型拟合良好（X²/df=1.909，CFI=0.955，TLI=0.950，RMSEA=0.043），且通过Fornell-Larcker标准与HTMT检验，支持区分效度。

### 4.3 Structural Model（结构模型）

结构方程模型整体拟合良好（X²/df=1.877，CFI=0.957，TLI=0.952，RMSEA=0.042）。路径检验支持假设1至3：学业负担（β=0.114，p=0.031）、时间压力（β=0.150，p=0.007）和成绩敏感度（β=0.148，p=0.003）均与GenAI使用显著正相关。假设4未获支持：质量敏感度与GenAI使用无显著关联（β=0.019，p=0.743）。GenAI使用显著正向预测学业拖延（β=0.181，p<0.001）和自报记忆困难（β=0.211，p<0.001），支持假设5和6。在竞争假设方面，GenAI使用与创造性投入显著正相关（β=0.201，p<0.001），因此假设7a被拒斥，假设7b获得支持。效应量f²介于0.010至0.057，均为小效应。四个学术前因仅解释GenAI使用8.8%的方差，而GenAI使用分别解释学业拖延35.2%、自报记忆困难37.3%和创造性投入30.3%的方差。

### 4.4 Mediation Analysis（中介分析）

Bootstrap中介分析显示，GenAI使用显著中介了学业负担、时间压力、成绩敏感度与三个结果变量（学业拖延、自报记忆困难、创造性投入）之间的关联，95%置信区间均不包含0。然而，质量敏感度通过GenAI使用对三个结果变量的间接效应不显著，95%置信区间包含0。因此，假设8获得部分支持。

讨论部分指出，学业负担与时间压力作为情境触发因素，与认知卸载理论一致；成绩敏感度与GenAI使用正相关，可能源于中国高等教育中成绩对学业进展和就业的重要影响，这与Abbas等（2024）基于“奖励敏感度”的负向发现存在构念和文化差异。质量敏感度无显著关联，可能因为质量敏感学生对GenAI的态度分化：一些学生因担忧学术诚信或输出不可靠而回避，另一些则相信其能提升作业质量，两种倾向相互抵消。GenAI使用与拖延和记忆困难正相关，支持了过度依赖AI的担忧；其与创造性投入的正关联则支持“辅助创造力”观点，提示学生可能将GenAI用于创意生成而非现成答案获取。实践上，研究强调应加强AI素养培训、合理调控学业负担、重新设计评估方式，并制定兼顾规范与教育的学术诚信政策。局限性包括横断面设计、单一地区样本、便利抽样、自我报告测量以及共同方法偏差的可能性。

结论部分可翻译为：本研究考察了中国大学生GenAI使用的前因与关联因素。结果表明，学业负担、时间压力和对成绩的敏感度与GenAI使用正相关，而对质量的敏感度则无显著关联。GenAI使用本身与学业拖延和自我报告的记忆困难正相关，支持了对过度依赖AI的担忧。更值得注意的是，GenAI使用也与创造性投入正相关，支持本研究的竞争假设（H7b）——当GenAI被用于创意生成而非答案获取时，其可能发挥支持性作用，而非仅仅是“拐杖”。本研究的创新之处在于整合认知卸载理论和自我调节学习理论，解释了GenAI使用的消极关联（拖延、记忆困难）与积极关联（创造性投入）。通过在中国高等教育情境中检验模型，研究为这些核心关联在中国情境中的适用性提供了证据。在实践层面，研究呼吁加强AI素养培训、管理学业负担、重新设计评估方法，并制定兼顾规范与教育的学术诚信政策。尽管存在横断面设计、单一地区样本和便利抽样等局限，但研究结果为学生GenAI使用相关因素提供了经验证据，可作为持续探讨GenAI教育作用的基础。总体而言，本研究提供的是单一时点上自我报告变量之间相关关系的证据，而非因果结论。