生成式AI学习分析技术（GLAT）对大学生学习投入的影响机制：探究社区的中介作用与数字素养的调节效应

《International Journal of Educational Technology in Higher Education》：Unpacking the impact mechanism of generative AI-based learning analytics technology on student learning engagement: the mediating role of community of inquiry and the moderating role of digital literacy

为解决GLAT“技术可用但教学效果有限”的困境，本研究基于RBV与CoI框架，通过PLS-SEM与fsQCA方法，揭示了GLAT通过探究社区三维度提升学习投入的路径，并证实数字素养的关键调节作用，为智能教育设计提供了“资源—能力—绩效”的理论与实践依据。

　　

当AI遇见课堂：GLAT如何“激活”大学生的学习投入？

在ChatGPT等生成式AI席卷全球的浪潮下，高等教育正经历一场深刻的数字化转型。学习分析技术（Learning Analytics, LA）与生成式AI的融合，催生了新一代技术范式——生成式AI学习分析技术（Generative AI-based Learning Analytics Technology, GLAT）。这类技术能通过数据驱动，为学生提供实时反馈、个性化学习路径推荐及行为可视化，理论上具备重塑学习体验的巨大潜力。

然而，现实却陷入了“技术已就位，效果未达标”的尴尬境地。许多学生面临着“有工具但不会用、不愿用”的困境：一方面，学生数字素养的差异导致其对GLAT反馈的解读和应用能力参差不齐，加剧了教育不平等；另一方面，即便学校部署了智能学习平台，学生的主动使用率和反馈采纳率依然偏低，难以转化为实质性的学习行为改变。传统的学习理论（如认知理论、最近发展区理论）虽能解释个体心理机制，却难以系统整合技术资源属性、学习者多维能力及学习社区互动机制。因此，构建一个能统一解释“技术资源如何转化为学习行为”的理论框架，成为当前智能教育研究的迫切需求。

针对这一挑战，本研究创新性地将战略管理领域的资源基础观（Resource-Based View, RBV）引入教育技术研究，将其与经典的探究社区（Community of Inquiry, CoI）框架相结合，提出了“资源—能力—绩效”的分析逻辑。研究旨在揭示GLAT如何通过CoI的三个维度（认知存在、社会存在、教学存在）影响学习投入，并探究数字素养在这一过程中的调节作用，为破解GLAT应用困境提供机制性解释。

该研究发表于International Journal of Educational Technology in Higher Education，采用混合研究方法（Mixed-methods），通过两阶段问卷调查（n=400）和半结构化访谈（n=12）收集数据，并运用偏最小二乘结构方程模型（PLS-SEM）和模糊集定性比较分析（fsQCA）进行系统检验。

关键技术方法

研究采用混合方法设计，关键技术与样本来源如下：

1. 1.
   数据收集：通过两阶段问卷调查获取400名大学生样本，并辅以12例半结构化访谈进行深度挖掘。
2. 2.
   定量分析：使用偏最小二乘结构方程模型（PLS-SEM）检验GLAT、CoI、数字素养与学习投入之间的直接效应、中介效应及调节效应。
3. 3.
   组态分析：采用模糊集定性比较分析（fsQCA）识别导致高学习投入的多重并发条件与组态路径。

研究结果

GLAT的直接效应与CoI的中介机制

研究发现，GLAT对大学生学习投入具有显著的正向直接效应，证实了其作为战略性学习资源的价值。更重要的是，探究社区（CoI）的三个维度在GLAT与学习投入之间扮演了关键的中介角色：

• •
  认知存在（Cognitive Presence）：GLAT通过提供数据驱动的反馈和支持知识建构，显著提升了学生的认知深度和持续探究能力。
• •
  社会存在（Social Presence）：GLAT facilitated collaboration and affective connection among peers, indicating that intelligent tools can enhance interpersonal interaction and a sense of community.
• •
  教学存在（Teaching Presence）：GLAT empowers instructors with actionable insights to design and manage the learning process, thereby strengthening the teaching presence.

结果表明，CoI三维度在GLAT与学习投入的关系中起到了部分中介作用，这意味着GLAT不仅直接促进学习，更通过营造高质量的探究社区环境间接驱动学习投入。

数字素养的调节作用

数字素养被证实是影响GLAT效用的关键边界条件。研究发现：

• •
  数字素养正向调节GLAT对CoI三维度（认知、社会、教学存在）的影响。即学生的数字素养越高，GLAT对探究社区建设的促进作用越强。
• •
  数字素养正向调节GLAT对学习投入的直接效应。这表明在数字素养较高的学生群体中，GLAT的技术红利能得到更充分的释放，而在低数字素养群体中，技术效应急剧衰减，提示了潜在的“数字鸿沟”风险。

高学习投入的组态路径（fsQCA）

通过fsQCA分析，研究识别出四条导致高学习投入的充分条件组态：

1. 1.
   技术驱动型路径：高GLAT水平结合高数字素养，即使在其他条件一般时也能导向高投入。
2. 2.
   互动主导型路径：高水平的CoI三维度（特别是社会存在和教学存在）可以弥补GLAT技术的相对不足。
3. 3.
   均衡发展型路径：GLAT、CoI三维度与数字素养均处于中等偏上水平的协同配置。
4. 4.
   资源补偿型路径：对于数字素养中等的学生，极高的GLAT资源投入与强的教学存在可形成补偿效应。

这些组态表明，高学习投入并非依赖单一因素，而是技术、互动与能力多维要素组合的结果。

结论与意义

本研究通过整合RBV与CoI框架，实证揭示了GLAT影响学习投入的“黑箱”机制。主要结论包括：

1. 1.
   理论贡献：构建了“资源—能力—绩效”的统一分析框架，将GLAT界定为一种有价值的、稀有的、可被组织（学校/学习者）开发利用的战略性学习资源，丰富了智能学习环境下的理论解释工具。
2. 2.
   机制发现：证实了CoI是GLAT转化为学习行为的关键中介机制，而数字素养是调节这一转化效率的关键能力变量。
3. 3.
   实践启示：研究指出，GLAT的设计应超越工具本身，注重与课程设计、教学互动（CoI）的深度融合；同时，高校需加强对学生数字素养的系统性支持，避免技术应用加剧教育不平等。

该研究为高等教育机构优化GLAT设计、制定精准的学生支持策略提供了理论依据和实践指南，强调了在智能教育中“技术赋能”与“人的发展”并重的重要性。