自我调节与对人工智能的过度依赖：通过高等教育中的混合方法研究揭示一个悖论

《Computers in Human Behavior》：Self-regulation and overreliance on artificial intelligence: Unpacking a paradox through a mixed-methods study in higher education

　　

生成式人工智能（AI）在高等教育中的迅速出现引发了人们对学生过度依赖这些工具完成学术和个人任务的担忧。尽管生成式AI可以提升生产力和创造力，但过度使用可能削弱关键的学习能力。在此背景下，自我调节可能成为关键的保护因素。本研究考察了大学生自我调节与对生成式AI过度依赖之间的关系。样本包括404名本科生（平均年龄=20.78，标准差=4.12），就读于巴斯克大学的教育相关学位课程。研究人员使用经过验证的自评量表测量自我调节和AI过度依赖的维度，并将中介分析与开放式回答的定性内容分析相结合。结果表明，目标设定显著预测了毅力、决策和从错误中学习。出现了一种矛盾模式：目标设定与更高的AI过度依赖正向关联，但其通过毅力和从错误中学习的间接关联为负向，表明存在反向关系，即更强的调节策略与较低的过度依赖水平相关。这些发现表明，设定清晰目标的学生倾向于报告更高的AI工具初始使用频率，而毅力和反思性学习则与抵消过度依赖的模式相关。定性分析支持了这一梯度，揭示大多数学生使用AI的程度很低或仅用于基本信息搜索，而少数组则依赖AI完成学术任务或决策。这种分布表明过度依赖集中在少数学生中，与强大自我调节能力的保护作用一致。

论文解读文章

**研究背景与问题**

生成式人工智能（generative AI）在高等教育中的迅速普及引发了学术界的广泛关注。这些工具虽能提升学生的生产力和创造性，但过度依赖可能削弱自主学习、批判性思维等核心能力。现有研究表明，约16%至25%的大学生已出现对ChatGPT等工具的过度依赖行为，且这种依赖与认知卸载（cognitive offloading）、批判性反思减少等风险相关。自我调节能力作为教育心理学中的关键建构，理论上可缓冲技术依赖，但具体机制尚不明确。特别是，目标设定在技术介导学习中呈现双重角色：一方面驱动学生策略性使用AI以提高效率，另一方面可能激活自我调节过程（如毅力）来抑制过度依赖。这种矛盾关系目前缺乏实证检验。因此，本研究旨在通过混合方法剖析自我调节各维度与AI过度依赖之间的直接与间接关联，并探索学生对AI在决策和自我调节中角色的主观感知。

**研究方法**

本研究采用混合方法设计。定量部分基于巴斯克大学（西班牙）404名教育学本科生的便利样本（平均年龄20.78岁，标准差4.12）。主要技术方法包括：（1）使用西班牙简短自我调节问卷（Spanish Short Self-Regulation Questionnaire）测量四个维度：目标设定（Goal Setting）、毅力（Perseverance）、决策（Decision-making）和从错误中学习（Learning from Mistakes）；（2）以单题项“使用生成式AI撰写学术文档的频率”作为AI过度依赖（Overreliance on AI）的行为代理指标；（3）通过PROCESS宏程序（模型80）进行中介分析，设置10,000次bootstrap抽样，检验目标设定通过毅力、决策和从错误中学习对AI过度依赖的直接与间接效应。定性部分采用开放式问题“生成式AI在您的学术、专业或个人决策中扮演什么角色？”收集学生观点，并由两名研究者独立进行归纳性内容分析以提取类别。

**研究结果**

*定量分析结果*

初步确认性因素分析（Confirmatory Factor Analysis, CFA）对自我调节量表进行调整后，最终模型拟合良好（χ2/df=3.20, CFI=0.919, RMSEA=0.074）。描述性统计显示AI过度依赖均值较低（1.99/5），可能与社会期望偏差有关。相关性分析表明，AI过度依赖与决策（r=-0.131, p=0.009）和从错误中学习（r=-0.148, p=0.003）呈显著负相关，与目标设定呈弱正相关（r=0.118, p=0.018）。中介分析显示：目标设定正向预测毅力（b=0.512, p<0.001）、决策（b=0.138, p=0.021）和从错误中学习（b=0.163, p=0.007）；毅力（b=0.147, p=0.002）和决策（b=0.261, p<0.001）正向预测从错误中学习。在预测AI过度依赖方面，毅力（b=-0.121, p=0.011）和从错误中学习（b=-0.126, p=0.011）呈负向关联，决策的路径不显著（b=-0.082, p=0.094）。目标设定对AI过度依赖的直接效应为正且显著（b=0.241, p<0.001）。间接效应中，仅毅力介导的路径显著（b=-0.062, 95% CI [-0.117, -0.012]），以及毅力和从错误中学习依次介导的路径显著（b=-0.009, 95% CI [-0.022, -0.001]）。模型解释了AI过度依赖7.1%的方差。

*定性分析结果*

开放式回答的内容分析识别出九类主题。多数学生（42.51%）报告极少使用AI，16.60%仅用于基本信息检索。积极整合类包括：学术任务策略使用（12.96%）、决策与选项评估（7.69%）、目标设定与规划（2.43%）。另有3.24%的学生明确表达伦理谨慎或刻意回避。总体而言，AI在学生决策和自我调节中仍属边缘工具，仅少数群体依赖其进行高阶认知过程。

**讨论总结与结论**

研究揭示了自我调节与AI过度依赖之间的悖论：目标设定正向预测AI过度依赖的直接路径，同时通过毅力和从错误中学习产生负向间接路径。这种模式说明，高目标导向的学生可能将AI作为效率工具策略性使用，但若伴随高度毅力则能够抑制过度依赖。定性结果进一步印证过度依赖集中于少数学生群体，与自我调节的保护作用一致。本研究为自我调节学习理论在AI时代的拓展提供早期实证基础，提示教育干预应着重培养毅力和错误反思能力，并设计结构化使用框架（如先独立尝试再咨询AI），以在效率与自主性间取得平衡。结论：设定清晰目标的学生倾向于报告更高的AI初始使用频率，而毅力和反思性学习则与抵消过度依赖的模式相关。研究人员建议未来采用纵向设计、多模态数据（如AI交互痕迹）和更精细的多题项量表，以深化对SRL-AI动态的理解，并支持制定有针对性的教学与政策指南。