生成式人工智能塑造大学生学习行为的作用：基于COM-B模型的混合方法研究

《Behavioral Sciences》：The Role of Generative Artificial Intelligence in Shaping University Students’ Learning Behavior: A Mixed-Method Research Based on the COM-B Model Rui Ma and Mingfei Guo

　　

尽管生成式人工智能（GenAI）正在重塑教育格局，但其如何塑造学生行为，尤其是关于人工智能素养的影响机制仍不明确。本研究旨在基于COM-B模型，检验哪些因素正向影响学生的学习行为，并探讨人工智能素养是否在这一过程中发挥调节作用。研究人员对438名参与者进行了在线调查，并采用协方差结构方程模型（CB-SEM）和模糊集定性比较分析（fsQCA）进行分析。CB-SEM结果显示，自主学习能力、接受能力、学习环境、人工智能支持设备以及内在与外在动机均显著塑造学生学习行为。值得注意的是，人工智能素养调节了GenAI与学习行为之间的关系。此外，fsQCA揭示了七个有利于提升学习行为的因素组态。这些发现共同为高校提供了理论与实践层面的启示，明确了支持学生采纳GenAI的可行路径。

生成式人工智能（GenAI）正深刻改变高等教育生态，其在提升学习效率、促进批判性思维方面的潜力已被广泛认可，然而现有研究存在显著空白。多数研究侧重于技术本身的客观特征，忽视了学生的个体特质（如情感、动机与能力），且普遍采用回归分析等线性对称方法，假设外部变量对结果变量的影响是均匀的，这限制了对学生偏好差异和行为复杂性的理解。鉴于此，研究人员引入行为改变领域的COM-B模型（包含能力Capability、机会Opportunity、动机Motivation三个核心要素），结合混合研究方法，旨在探究GenAI如何转化大学生的学习行为，并识别影响该行为的多重路径。

本研究的主要关键技术方法如下：研究人员于2025年10月17日至12月3日，针对中国五所高校中自报曾在学习中使用过GenAI的学生开展在线问卷调查，最终回收有效样本438份。测量工具采用改编自既有研究的李克特5点量表，涵盖自主学习能力、接受能力、学习氛围、AI支持设备、内在动机、外在动机及AI素养等维度。数据分析采用混合方法策略，首先运用协方差结构方程模型（CB-SEM）检验变量间的线性关系与假设，随后采用模糊集定性比较分析（fsQCA）探索导致学习行为的多重并发因果组态。

研究结果部分显示：

4.1 基于CB-SEM的分析结果

4.1.1 构念测量结果显示，所有题项因子载荷均超过0.8，组合信度（CR）高于0.7，平均方差萃取量（AVE）高于0.5，且区分效度良好，Harman单因子检验显示同源偏差问题不显著。

4.1.2 假设检验结果揭示，除学习氛围（H3）外，自主学习能力（H1）、接受能力（H2）、AI支持设备（H4）、内在动机（H5）及外在动机（H6）均对学习行为产生显著正向影响。此外，AI素养在GenAI与学习行为间起显著调节作用，假设H7a至H7f得到支持。

4.2 基于fsQCA的分析结果

分析未发现单一必要条件，但识别出七条促成高水平学习行为的组态路径。整体一致性为0.864，覆盖率为0.882。其中组态3（以接受能力为核心条件，辅以自主学习能力、AI支持、内在动机，且无学习氛围与外在动机干扰）的一致性最高（0.975），解释力最强；组态2（以AI素养为核心条件）和组态5（以接受能力和AI素养为核心条件）亦表现出高一致性。这表明不存在唯一的“最佳实践”，而是存在多种等效路径。

讨论部分指出，CB-SEM的线性视角证实了个体能力与外部资源的基础性作用，这与自我决定理论等相符；而fsQCA的非线性视角则揭示了“殊途同归”的组态效应，强调了不同因素间的协同作用。特别是学习氛围在线性模型中未显显著，可能源于其未被有效融入教学任务，但在特定组态中仍具价值。

结论部分总结如下：

理论层面，本研究将COM-B模型引入GenAI教育应用领域，突破了传统技术接受模型的局限，从静态采纳转向动态持续使用行为的解释，并通过混合方法揭示了影响机制的复杂性与多重性。

实践层面，高校应依据COM-B框架制定策略：升级硬件设施以提供物理机会；设计培训项目提升学生的AI素养（即能力）；利用组态路径实施差异化干预，早期阶段侧重基础设施建设，成熟阶段侧重能力与动机的协同激发。

研究局限性在于样本局限于中国东部发达地区高校，未来研究应拓展至欠发达地区及跨文化背景，并对学习氛围未产生显著影响的具体原因进行深入质性探究。