《Journal of Intelligence》：Generative AI as an External Cognitive Tool for Developing Creative Intelligence in Visual Design: A Mixed-Methods Randomized Study Using Cognitive Load Indicators and Motivational Modeling
Ziyang Huang,
Jiajia Zhao and
Xuan Fu
编辑推荐：
为探究生成式人工智能（GenAI）融入教学能否提升学习成效及其作用机制，研究人员开展了一项随机对照教学实验，结合认知负荷理论（CLT）与ARCS动机模型，通过结构方程模型（PLS-SEM）与专家盲评进行分析。结果表明，相比传统教学，GenAI整合式教学与更高的学习动机、投入度及专家评定的创造性表现相关联，而认知负荷指标的预测作用相对有限。研究强调了教学整合一致性（ITA）的调节作用，为AI支持下的设计教育提供了理论与实践启示。
随着生成式人工智能（GenAI）技术的迅猛发展，艺术与设计教育正经历一场深刻的变革。像Midjourney、DALL·E这样的工具，让学习者能够通过自然语言指令高效生成复杂图像，极大地拓展了设计思维的表达空间。这听起来像是教育领域的“生产力革命”，但繁华背后也隐藏着新的挑战：当技术深度介入创作流程，学习者如何保持其创造性思维？教师又该如何在“人机共创”的课堂中重新定位自己的角色？更重要的是，这种新技术驱动的学习过程，究竟是如何影响学生的认知负担、学习动力，并最终转化为学习成果的？尽管GenAI的应用日益广泛，但其背后的认知与动机机制，在设计教育情境中仍如雾里看花，缺乏扎实的实证依据。现有的研究多聚焦于工具效能和教学应用，基于随机教学设计、系统探究其内在作用路径的实证证据依然有限。
为了拨开这层迷雾，一项发表在《Journal of Intelligence》上的研究应运而生。该研究旨在检验将GenAI整合到视觉设计教学中，是否与学生特定领域的创造性表现提升相关，并深入探索认知负荷、学习动机与学习成果之间的复杂关系。研究者将GenAI概念化为一种“外部认知工具”，即一种通过将创意生成、可视化、迭代探索等认知过程部分外化到AI辅助环境中，从而支持学习者思维的技术系统。
为了回答这些核心问题，研究团队精心设计并实施了一项为期六周的随机教学实验。研究招募了120名视觉传达设计专业的本科生，将他们随机分为实验组和对照组。实验组接受的是基于设计思维五阶段（共情、定义、构思、原型、测试）构建的、GenAI深度整合的“任务链+工具链”教学模式；而对照组则采用传统的插画教学流程，仅零星使用GenAI工具。通过这种设计，研究得以在控制其他变量的情况下，聚焦检验系统化GenAI整合教学模式的有效性。
研究采用了混合方法，定量与定性数据相互印证。在数据收集方面，研究主要运用了以下几种关键技术方法：首先，通过基于认知负荷理论（CLT）和ARCS动机模型设计的问卷，测量学生的内在负荷（IL）、外在负荷（EL）、相关负荷（GL）以及注意力（AT）、关联性（RE）、信心（CF）、满意度（SA）等变量；其次，引入并测量了“教学整合一致性（ITA）”这一调节变量，用以评估学生对教学目标、任务流程、教师指导与GenAI支持之间协调程度的整体感知；第三，邀请了六位行业与教学专家，对两组学生最终的匿名设计作品进行盲评，从创意表现、应用相关性、制作质量等多个维度进行百分制评分，以此作为学习成果的外部效标；第四，对实验组的教师和学生进行了结构化的定性访谈，以捕捉定量数据难以反映的情感、认知与互动变化。在数据分析阶段，研究采用了偏最小二乘结构方程模型（PLS-SEM）来验证基于CLT和ARCS模型构建的路径模型，并进行多组比较分析，以考察实验组和对照组在变量关系上的差异。
研究结果
4.1. 描述性统计结果
初步数据显示，实验组在大多数认知负荷（IL, EL, GL）和动机维度（AT, RE, CF, SA）以及ITA上的平均分均高于对照组。这表明在GenAI整合教学条件下，学生的主观认知体验和动机体验普遍更高。
4.2. 测量模型验证
对所有潜在变量的测量模型进行检验，结果显示其内部一致性信度（Cronbach‘s alpha与组合信度CR均达标）、收敛效度（平均方差抽取量AVE>0.5）和区分效度（异质-同质比率HTMT<0.85）均符合标准，为后续结构模型分析提供了可靠基础。
4.3. 结构模型结果与路径分析
整体路径分析（如图4所示）揭示了一些关键发现：教学整合一致性（ITA）对学习满意度（SA）有显著的正向直接影响（β = 0.511），且对关联性（RE）到满意度（SA）的路径具有显著的正向调节作用（β = 0.327），支持了假设H8。课程关联性（RE）对学习信心（CF）也有显著正向影响（β = 0.383），支持H5。然而，认知负荷相关的路径（如IL→AT, EL→AT, GL→RE）以及注意力到关联性（AT→RE）的路径均未达到统计显著性。关联性到满意度（RE→SA）以及信心到满意度（CF→SA）的直接路径也不显著。
4.5. 实验组与对照组的多组比较结果
多组分析发现了不同教学环境下变量关系的差异。例如，相关负荷到关联性（GL→RE）的效应在实验组显著弱于对照组。而注意力到关联性（AT→RE）的路径在两组间存在显著差异，且方向相反。关联性到满意度（RE→SA）的路径效应在两组间也差异显著。这些结果表明，变量间的关系具有情境依赖性。
4.6. 专家评价与模型验证
专家盲评结果为GenAI整合教学的效果提供了强有力的外部证据。独立样本t检验显示，实验组作品的专家评价总分（M = 86.58）显著高于对照组（M = 79.94），效应量很大（Cohen’s d = 2.68）。在创意性、技术性、表达力、完整性和逻辑性五个维度上，实验组的中位数评分均高于对照组，且分布更为集中。组内相关系数（ICC）分析表明专家评分具有极好的一致性。
4.7. 教师与学习者访谈结果分析
定性访谈结果补充了定量发现。师生普遍认为GenAI提高了创作初期的效率和学习兴趣，但也经历了初期的适应阶段，认知负担先增后减。访谈还指出，清晰的教师指导和任务设计能帮助学生将焦点从工具操作转向概念判断。此外，GenAI的引入改变了课堂互动和评估方式，教师需要更关注学生的设计思路和工具使用策略。
结论与讨论
本研究的主要结论是，在当前的视觉设计课程情境下，GenAI整合教学与更积极的学习体验、更高的学习动机以及专家评定的更优创造性表现相关联。然而，学习成效并非主要由单一的认知负荷或动机变量线性解释。
一个核心发现是，传统认知负荷理论（CLT）和ARCS动机模型中的一些预期路径（如认知负荷对注意力的负面影响、关联性对满意度的直接正向影响）在本研究的GenAI支持环境中并未得到稳定支持。这并不意味着这些理论失效，而是揭示了在GenAI这类能提供即时生成、多模态呈现的技术环境中，变量间的关系模式可能发生变化。学生的学习体验和成果差异，更紧密地与他们对整个教学系统协调性的感知——即教学整合一致性（ITA）相关联。ITA在本研究中显示出对学习满意度稳定且显著的关联及调节作用。
这表明，在GenAI支持的设计教育中，有效的学习似乎更取决于教学设计、技术支持和学习过程之间的整体协调与对齐，而非孤立的工具使用或心理变量。当教师的指导、任务的设计与GenAI的工具支持良好整合时，学习者更容易将技术视为学习过程的自然组成部分，从而获得更稳定和积极的学习体验。因此，GenAI在教育中的应用，应从简单的“工具插入”思维，转向构建协调的“任务-工具-反馈”一体化教学设计。
在理论意义上，本研究通过引入ITA这一整合性视角，为理解CLT和ARCS相关因素在智能教学条件下的互动提供了框架。它并非取代原有理论，而是补充解释了为何一些预期关系在GenAI整合情境中显得不那么稳定。在实践层面，研究为设计教育者提供了重要启示：成功整合GenAI的关键在于进行连贯的教学设计，确保任务结构、教师引导和技术支持在整个教学过程中保持一致，并重视对学习过程和策略的形成性评价。
当然，本研究也存在一些局限性，如样本量相对较小、干预周期为六周、情境特定（视觉设计）等，其结论的普适性有待在不同学科、更大样本和更长期的研究中进一步验证。然而，它无疑为探索人机协同的学习未来，迈出了扎实而富有启发性的一步。
