建模生成式人工智能对学生感知决策能力的影响：一种认知负荷与决策增强方法

《Computers and Education: Artificial Intelligence》：Modelling Generative AI’s Influence on Students’ Perceived Decision Capability: A Cognitive Load and Decision Augmentation Approach

　　贾斯基拉特·辛格·赖（Jaskirat Singh Rai）| 萨克希·卡图里亚（Sakshi Kathuria）| 哈尔波明德·考尔（Harpominder Kaur）| 阿曼普里特·辛格（Amanpreet Singh）| 马赫尔·伊塔尼（Maher Itani）
印度旁遮普邦拉杰普拉（Rajpura）的奇特卡拉大学（Chitkara University）奇特卡拉商学院（Chitkara Business School）

**摘要**
生成式人工智能（Generative Artificial Intelligence, GenAI）的广泛应用与学生识别、分析并在多种选项中选择最佳方案的能力之间存在密切关联。因此，本研究通过决策增强理论（Decision Augmentation Theory, DAT）和认知负荷理论（Cognitive Load Theory, CLT）的视角，探讨了GenAI采用对学生决策能力认知的影响。研究针对阿拉伯联合酋长国的350名商学院学生进行了调查。利用结构方程模型（structural equation modeling），研究了认知负荷减轻、信息质量以及决策信心等中介变量，以及GenAI信任这一调节变量。结果表明，GenAI通过提升决策信心和信息质量显著增强了学生对自身决策能力的认知。尽管GenAI能有效降低认知负荷，但这种减轻效果与学生感知的决策能力呈负相关。中介分析证实，决策信心和信息质量在GenAI采用与感知决策能力之间起到了显著的中介作用。调节分析显示，对GenAI的高度信任削弱了GenAI在减轻认知负荷和提升信息质量方面的积极作用。这些发现强调了平衡整合GenAI、促进用户积极参与以及负责任地建立信任的重要性。本研究为希望利用GenAI工具提升学习和决策能力的学生、教育工作者、学术机构及行业提供了宝贵见解，并指出了未来GenAI辅助教育研究的局限性和方向。

**1. 引言**
生成式人工智能（GenAI）是人工智能的一个分支，它基于从大规模多样化数据集中学习到的模式，生成新的原创内容，如文本、图像、视频和编程代码（Feuerriegel等人，2024年）。与传统主要用于分类或预测的AI系统相比，现代GenAI模型（例如用于文本的生成预训练Transformer（GPT）或用于图像的DALL·E）能够生成类似人类的内容（Kanbach等人，2024年；Lv，2023年）。这些模型依赖于深度学习算法（如神经网络和Transformer），能够模仿人类的创造力和语言能力（Mariani & Dwivedi，2024年）。此外，GenAI生成真实且具有情境驱动性的输出的能力使其成为提高各领域生产力和创造力的强大工具（Chen等人，2023年）。GenAI已广泛应用于工业和学术领域，例如通过聊天机器人、ChatGPT和虚拟助手等应用（Holmstrom & Carroll，2024年）。

GenAI在学术界的整合显著提高了学生的学习效率（Chen等人，2023年）。在求学过程中，大学生常常面临冗长、复杂且信息密集型的任务。GenAI的采用增强了学生的变革潜力，进一步提升了他们的认知能力和智力水平（Gkintoni等人，2025年）。GenAI帮助学生生成有助于学术和职业发展的相关、结构化的内容（Chen等人，2023年）。同时，依靠GenAI可以减少学生的认知负荷（即学习者在处理学术任务时所需的精神努力），通过分析和解释信息来提升他们的决策信心（Gutiérrez-Leefmans等人，2025年）。自动化常规数据处理和生成条理清晰的演示文稿减少了学生的精神负担，从而增强了他们的决策信心（Albashrawi等人，2025年；Gkintoni等人，2025年；Koc-Januchta等人，2022年）。

先前的研究发现，GenAI相关的风险可能会削弱学生对AI生成内容的信任，影响他们的学习态度，阻碍认知能力的发展，降低学术产出（Arroyo-Bello等人，2025年；Samala等人，2025年）。另一方面，教育学研究表明，生成组织良好、准确且具有情境驱动性的信息不仅有助于个性化学习（Lee等人，2024年），还能提升学生在专业或创业活动中的决策能力（Duong & Nguyen，2024年）。学生对GenAI的信任或不信任是决定是否采用其进行未来学习和决策的关键因素（Lyu等人，2025年）。文献指出，GenAI引发的伦理问题、隐私问题和信息准确性问题引发了用户的疑虑（Chan & Hu，2023年；Gkintoni等人，2025年）。然而，学生对在学术活动中使用GenAI持乐观态度，这直接促进了个性化学习，并有助于减轻他们在教育相关决策中的认知负担，同时增强了对技术的信心（Viberg等人，2024年）。

近期跨学科的研究探讨了GenAI使用的伦理方面及其利弊（Chan & Hu，2023年；Wang等人，2023年）。Alkaissi和McFarlane（2023年）讨论了ChatGPT生成的逻辑不合理且无关内容对学术写作的影响。Hannigan等人（2024年）发现GenAI聊天机器人提供的内容缺乏条理且模糊不清。其他研究则强调了GenAI在学术中的积极作用，如改善学习效果、问题解决能力和认知能力（Gupta & Jaiswal，2024年；Jose等人，2024年）。尽管现有研究较多，但仍缺乏探讨GenAI支持的环境如何通过认知因素（如认知负荷减轻和决策信心）影响学生感知决策能力的机制。虽然信息质量被广泛认为是信息系统有效决策的关键因素，但AI生成信息质量在学术决策中的作用尚未得到充分研究。此外，很少有研究将决策增强理论（DAT）和认知负荷理论（CLT）结合起来，解释GenAI基工具如何在教育环境中同时作为决策支持系统和认知支持机制发挥作用。

根据Jose等人（2025年）的观点，将GenAI整合到学习过程中不仅仅是技术层面的整合，还涉及认知和心理层面的转变，这会影响学生感知的决策能力（Ododo等人，2024年）。理解这些相互关系对于希望利用GenAI作为决策增强工具的教育工作者和机构至关重要（Patac & Patac，2025年）。因此，本研究还将探讨学生对GenAI的信任如何带来更顺畅的认知体验、更高质量的信息以及更高的决策信心。在教育中应用CLT和DAT基于这样的理解：GenAI并不取代批判性思维，而是增强学生的分析能力，从而提升他们判断的质量（Jose等人，2025年）。

为了解决这些知识空白，本研究提出了以下研究问题：
**RQ1. GenAI的采用如何与商学院学生的认知负荷减轻、信息质量、决策信心及感知决策能力相关？**
**RQ2. 商学院学生的认知负荷减轻、信息质量和决策信心如何与其感知决策能力相关？**
**RQ3. 商学院学生的认知负荷减轻、信息质量和决策信心是否在GenAI采用与感知决策能力之间起到中介作用？**
**RQ4. 商学院学生对GenAI的信任是否调节GenAI采用与认知负荷减轻、信息质量和决策信心之间的关系？**

本研究的目的是探究学生在使用GenAI工具时对决策能力和信心的认知，而非测量其客观决策的准确性。在GenAI支持的决策系统中，感知决策能力是一个关键的行为结果，因为用户的信任、信心和技术使用很大程度上取决于他们对系统输出的主观评价（El-Amran等人，2025年；McKnight等人，2011年）。基于此，本研究制定了三个目标：首先，基于DAT和CLT理论构建连接学生学习过程中各种变量的概念模型；其次，验证认知负荷减轻、信息质量和决策信心作为中介变量如何通过GenAI的采用提升学生的感知决策能力；第三，验证GenAI信任这一调节变量是否对商学院学生GenAI采用与认知负荷减轻、信息质量和决策信心之间的关系产生影响。

**2. 理论框架**
**2.1. 决策增强理论（Decision Augmentation Theory, DAT）**
DAT由May等人（1995年）提出，阐述了如何通过自动化系统增强个体的决策能力，从而改善认知过程（May等人，1995年；Tao等人，2024年）。DAT强调了决策支持系统（如AI和数据分析）在微妙地提升个体认知能力、实现更好决策结果方面的作用（Leyer & Schneider，2021年）。在学术领域采用DAT有助于通过GenAI增强学生的学习能力（Gupta等人，2024年；Harfouche等人，2023年）。与DAT的核心原则——共生决策相契合，学生通过课堂应用、案例研究和实时模拟学习将人类认知与机器智能相结合（Herath Pathirannehelage等人，2025年）。GenAI的采用扩展了学生的能力，例如分析大型数据集、构建场景模型和更精确地评估结果（Suryanarayana等人，2024年）。它提高了学生基于数据分析制定战略决策的能力，以及识别未来机会和障碍的能力。它简化了大量信息处理过程，使学生能够专注于重要或高优先级的任务（Burton等人，2020年）。此外，决策增强工具的采用增强了学生在面对学术挑战时的信心（Herath Pathirannehelage等人，2025年）。

**2.2. 认知负荷理论（Cognitive Load Theory, CLT）**
CLT认为人类短期记忆（即工作记忆）的容量有限，一次只能处理少量信息（Sweller，1988年，2011年）。相比之下，长期记忆可以以称为图式的结构化形式存储大量信息（De Jong，2010年）。当工作记忆中的信息成功转移到长期记忆时，学习效果最佳（Paas等人，2020年）。根据CLT，认知负荷分为三种类型：（1）内在负荷指信息本身的复杂性；（2）外在负荷源于糟糕的教学设计，会分散或混淆学习者的注意力；（3）相关负荷指理解和组织材料以形成图式的认知努力（Patac & Patac，2025年）。CLT有助于理解先进技术（如GenAI）如何通过匹配学生的认知架构来优化学习（Jose等人，2025年）。在商学院学生采用GenAI的背景下，这意味着先进的学习工具可以减少外在负荷，管理内在负荷（即任务一致性），并提升相关负荷，从而促进深度学习和支持战略决策（Gkintoni等人，2025年；Patac & Patac，2025年）。

**3. 文献回顾与假设构建**
**3.1. GenAI在管理教育中的应用**
在动态的学术环境中，学生采用先进技术工具可以提高他们的批判性思维能力，进而增强对这些工具的信任（Gupta等人，2024年；Huy等人，2024年）。学生对GenAI的采用与其对技术的认知和威胁感密切相关（Al-Emran等人，2025年；Herath Pathirannehelage等人，2025年）。Sze等人（2026年）发现了GenAI的益处与学生采用意图之间的直接关系。然而，GenAI的相关风险并不直接影响学生的行为意图。Changalima等人（2025年）发现，学生使用GenAI获取可靠信息、数据驱动的见解和实时反馈，支持迭代学习，从而增强他们在学术和职业决策中的信心。基于高质量信息的结果帮助学生制定有效的学习策略（Xia等人，2024年）。Xia等人（2024年）还表明，学生利用GenAI分析复杂问题、生成潜在解决方案并快速评估结果，进一步提升了学术能力和学习效率。GenAI的采用促进了协作学习，提供了多元视角并整合了来自多个来源的信息（Wood & Moss，2024年）。Vieriu和Petrea（2025年）认为，信息质量提升了学生的批判性思维能力，使其在快速变化的学术和商业环境中做出更好的决策。总之，学生与GenAI的结合不仅帮助他们管理认知负荷，还提高了学习效率，最终增强了他们的决策能力（Herath Pathirannehelage等人，2025年；Patac & Patac，2025年）。

**3.2. GenAI的采用与认知负荷减轻**
认知负荷减轻指的是减少学生在工作记忆中理解信息所需的精神努力，从而提升学习效率和决策能力（De Jong，2010年）。学生在学习中采用GenAI显著降低了完成任务时的认知和工作负担（Patac & Patac，2025年）。通用人工智能（GenAI）通过帮助学生快速高效地完成复杂任务（如数据分析、撰写报告和准备演示文稿）来减轻他们的认知负担。它还通过自动化常规的重复性任务（如总结长篇文章或反思案例研究）来减少他们的工作量。在这两个方面，GenAI 都鼓励学生运用他们的分析推理能力，从而提升他们的决策能力（Bahroun 等人，2023年）。另一方面，减少需要完成的任务数量或处理信息所需的认知负担不仅能够提高学生的表现，还能降低他们的学业压力。学生能够更好地管理时间，从而在学术、个人和职业领域取得理想的结果（Jose 等人，2024年）。Almugren 等人（2026b）发现，在教育中过度使用 GenAI 会阻碍学生的认知发展。Gkintoni 等人（2025）将 AI 和机器学习与认知语言理论（CLT）相结合，并指出在学术讨论中采用 GenAI 可以通过提供个性化的学习体验（例如即时反馈、概念清晰度和模拟现实世界场景）来减少学生的非必要负担并增加他们的必要负担。这种采用将显著提高学生的学习效率。该研究还表明，尽管使用了先进技术，但在学术界使用 GenAI 时，伦理问题、数据安全和隐私问题仍然非常重要。同样，Patac 和 Patac（2025）指出，学生将 GenAI（例如 ChatGPT）用于教育目的可以显著减轻他们的内在和外在认知负担。GenAI 提示生成的信息质量和详细的即时响应将减轻学生的学术负担，增强他们的理解能力，并培养他们的批判性思维技能。同样，Jose 等人（2025）报告称，在教育中使用 GenAI 可以显著减轻学生的认知负担，提供个性化指导，并提升学习效果，最终改善决策结果。然而，他们也指出，过度依赖 GenAI 可能会削弱学生的批判性思维能力，从而影响他们的整体学术表现。为了避免这一缺点，他们建议通过课程设计在教育环境中正确实施 GenAI 工具，以提高学生的自主学习能力，培养他们的智力，并增强他们的认知思维。前述讨论导致了以下两个与商科学生相关的假设的提出：

H1 商科学生采用 GenAI 与他们的认知负担减轻呈正相关。
H1a 认知负担的减轻调节了商科学生采用 GenAI 与其感知决策能力之间的关系。

3.3 GenAI 的采用与信息质量
在管理教育的背景下，信息质量指的是准确、相关、及时且可靠的信息，能够满足商科学生的特定需求和预期用途（Changalima 等人，2025年）。在学术界，采用 GenAI 工具（例如 ChatGPT、Gemini、Copilot、Perplexity 或 DeepSeek）正通过互动式、个性化的学习方式影响学生的学业表现（Jose 等人，2024年）。这种依赖的一个关键原因是 AI 技术提供的信息质量（Changalima 等人，2025年）。然而，缺乏关于如何使用先进技术工具的适当指导给学生带来了验证 AI 输出的挑战，包括不适当或模糊的信息、信息偏见和数据隐私问题（Alkaissi & McFarlane，2023年；Hannigan 等人，2024年）。当学生具备 AI 理解能力并能够编写有效的信息搜索提示时，他们会批判性地评估 GenAI 的输出，以确定其可信度和适用性（Chan & Hu，2023年）。他们专注于将这些信息应用于学术任务中，如撰写报告、进行分析和解决练习（Pallant 等人，2025年）。信息质量还通过减少交叉验证事实或重新解释模糊内容的需求来提高学生的认知效率，这与认知语言理论的核心思想一致（Jose 等人，2025年）。Changalima 等人（2024年）的研究结果表明，严格的信息质量显著增强了学生在学术环境中采用和使用 GenAI 工具的意愿。基于数据驱动理论（DAT），一旦学生的认知知识得到高质量 AI 支持，他们的学习效率就会提高，创新灵感也会得到激发（Chen 等人，2023年；Herath Pathirannehelage 等人，2025年）。Almugren 等人（2026a）发现，GenAI 的使用为学生提供了高质量的信息，这与他们的创业热情和准备程度呈正相关。Kuo-Wei（2025年）强调了基于 GenAI 的信息源在提升商科学生学习方面的变革性作用，帮助他们获得对未来决策有益的多样化学术和实践知识。先前的研究表明，高质量的人工智能生成的信息显著提高了学生的知识水平以及他们快速响应动态教育环境的能力（Chen 等人，2023年；Jose 等人，2024年）。鉴于上述综述，本研究提出了以下两个关于商科学生的假设：

H2 商科学生采用 GenAI 与 GenAI 信息质量呈正相关。
H2a GenAI 信息质量调节了商科学生采用 GenAI 与其感知决策能力之间的关系。

3.4 GenAI 的采用与决策信心
Koriat 等人（1980年）将决策信心定义为“一个人相信自己的答案或选择是正确的程度”。决策信心是一种元认知判断，在决策过程中起着核心作用，影响随后的行为，如采取行动的意愿、寻求额外信息或修改先前的决定（Phillips 等人，2014年）。根据认知语言理论（CLT），Gkintoni 等人（2025）报告称，基于 AI 的教学方法通过个性化和自适应学习减少了学生的认知负担，提高了他们的学术决策信心（Patac & Patac，2025年）。Zhang 等人（2026年）发现，学生将 GenAI 用于教育目的与知识获取和应用呈正相关，他们利用这些知识发展了自己的创业技能和意向。然而，使用 GenAI 工具相关的风险，如数据隐私问题、网络安全威胁、错误信息和操纵、偏见以及缺乏透明度，会对信息的可信度产生不信任和怀疑（Chan & Hu，2023年；Sze 等人，2026年），从而影响用户的决策信心。Chan 和 Lee（2023年）指出，在关键情况下，GenAI 通过提供实时数据合成、情景建模和战略洞察力帮助学生做出重要决策，具有重大价值。在类似的研究中，Hao 等人（2024年）发现，GenAI 向用户提供可靠、相关和基于情境的信息，从而提高了他们的决策信心。这种信心作为一种认知促进因素，使他们能够更清晰地处理基于案例的问题和模拟，减少模糊性，并提高分析深度（Gkintoni 等人，2025年）。在另一项研究中，Zhang 等人（2020年）观察到，除非用户准备好管理 AI 风险，否则基于 AI 模型的决策效率不高。基于上述文章的研究结果，本研究提出了以下两个关于商科学生的假设：

H3 商科学生采用 GenAI 与他们的决策信心呈正相关。
H3a 决策信心调节了商科学生采用 GenAI 与其感知决策能力之间的关系。

3.5 GenAI 的采用与感知决策能力
GenAI 的采用显著提高了决策者的分析、战略和创造性思维能力（Herath Pathirannehelage 等人，2025年；Pallant 等人，2025年）。许多学者表明，使用 GenAI 通过提供相关和结构化的内容来提高个体的感知决策能力，从而增强用户做出复杂决策的信心和有效性（Albashrawi，2025年；Hao 等人，2024年）。Yilmaz 和 Yilmaz（2023年）发现，采用 GenAI 提高了学生的计算技能和热情。此外，GenAI 使学生能够高效处理和分析大型数据集，从而做出更明智、基于证据的决策。借助预测建模和情景模拟等开发工具，学生可以生成各种学术商业文档（例如商业计划、研究提案、客户访谈），识别周围的风险（即分析内部和外部因素），并利用这些见解加强他们的战略规划能力（Vecchiarini & Somià，2023年）。除了 GenAI 的潜在好处外，研究还指出，当信息来源不可靠、具有误导性或失真时，也会对知识获取构成威胁（Chan & Hu，2023年），从而不利地影响学生的决策效率（Zhang 等人，2020年）。根据认知语言理论（CLT）和数据驱动理论（DAT），Patac 和 Patac（2025年）以及 Herath Pathirannehelage 等人（2025年）推断，使用 GenAI 工具可以显著减少处理大量复杂信息所需的认知负担，最终提高学生的学习和感知决策能力。Jose 等人（2024年）发现，学生对 GenAI 的积极看法使他们能够获得高质量的信息，并激励他们将其用于管理决策。Yang 等人（2025年）发现，GenAI 在医学领域的应用直接影响医疗从业者的感知决策能力。在另一项研究中，Alghamdi（2025）发现，学生对 GenAI 在学术中的使用的积极看法增强了他们的批判性思维能力并提高了他们的创造力。同样，Changalima 等人（2025）发现，GenAI 的使用可以通过生成数据驱动的见解、摘要和分析来提高信息质量，帮助学生获取相关、准确和及时的信息，从而提升他们的感知决策能力（Alghamdi，2025年）。Chen 等人（2023年）认为，GenAI 的使用为学生提供了可靠的支持，帮助他们建立知识，及时做出正确的决策，从而取得更好的结果。基于上述综述，本研究提出了以下关于商科学生的假设：

H4 商科学生采用 GenAI 与他们的感知决策能力呈正相关。

3.6 认知负担的减轻与感知决策能力
在学术界，负担减轻是指通过应用高效的工具或策略来减轻学生的心理负担，从而提高理解和表现（Sweller 等人，1998年；van Merri?nboer & Sweller，2005年）。多项研究表明，精细的教学策略有助于减少学生的认知负担，提高他们的参与度和学习成果。心理努力的减少增强了个体有效完成任务的能力（Evans 等人，2024年）。在管理教育不断发展的背景下，GenAI 在转变商科学生的学术方法和决策过程中发挥着关键作用。Patac 和 Patac（2025）研究了学生使用 GenAI（例如 ChatGPT）如何通过简化耗时的任务（如文献回顾、数据解释、内容生成和问题分析）显著减轻内在和非必要负担，从而提高学习效率并改善决策技能。然而，过度依赖 GenAI 会降低学生的批判性思维能力和记忆保持能力（Bai 等人，2023年）。Chen 等人（2023年）指出，通过自动化常规认知功能（如问题识别、想法生成、想法评估、想法可行性检查以及高层次想法的工作）并提供实时结构化信息，GenAI 帮助学生更多地关注他们的更高阶思维技能，如战略评估、批判性分析和伦理推理（过度依赖 AI 和信息偏见）。根据认知语言理论（CLT）和数据驱动理论（DAT），GenAI 作为一种放大器，增强了学生的知识构建能力，减少了非必要负担，使他们能够将心理资源投入到深度学习中，从而提高他们的决策技能（Gkintoni 等人，2025年）。基于 CLT，Jose 等人（2024年）指出，在教育中使用 GenAI 工具为学生提供了获取高级知识的机会，增强了他们的认知能力，并激励他们采用这项技术以实现学术成果（Evans 等人，2024年）。基于上述见解，本研究提出了以下关于商科学生的假设：

H5 商科学生的认知负担减轻与他们的感知决策能力呈正相关。

3.7 信息质量与感知决策能力
在管理教育中，信息质量在塑造学生的决策能力方面起着关键作用，这被广泛认为是未来商业领导者的核心能力（Herath Pathirannehelage 等人，2025年）。在当今的学术环境中，信息质量指的是学生处理和应用数据以理解现实世界问题的有效性（Pallant 等人，2025年）。对于参与内容规划、市场分析、预测和批判性讨论等任务的学生（Chen 等人，2023年），获取高质量信息的能力不仅决定了他们判断的可靠性，还决定了他们在决策中的信心和学习效率（Vieriu & Petrea，2025年）。尽管有这些好处，研究也发现，由 GenAI 工具生成的不明确、无关背景、具有误导性和偏见的信息（Alkaissi & McFarlane，2023年；Hannigan 等人，2024年）会阻碍学生的学习和解决问题的能力（?ela 等人，2024年）。Tao 等人（2024年）认为，高质量的输入会导致更优的输出；因此，所使用信息的可信度直接影响决策的质量。在由通用人工智能（GenAI）支持的数字学习环境中，人工智能生成信息的感知质量提高了学生的决策能力（Leyer & Schneider, 2021）。Almugren等人（2026b）发现，基于GenAI的信息素养对学生的动机水平有负面影响，但对他们的行为意图没有影响。Pallant等人（2025）认为，教育者不仅强调信息的获取，还强调信息的质量。他们进一步通过教授学生批判性地评估GenAI工具、三角验证数据以及在上下文中解释信息来证明这一点，从而提高了他们的分析能力，并为他们发展有效的决策能力做好了准备。基于对前三项研究的回顾，本研究提出了以下关于商务学生的假设：

H6：GenAI信息的质量与商务学生感知的决策能力呈正相关。

3.8. 决策信心与感知的决策能力
决策信心指的是个人对其判断的准确性和相关性的信任（Arts et al., 2024）。一个有信心的决策者能够更深入地评估各种选择，果断地执行，并对结果负责（Moore & Healy, 2008）。在学术环境中，决策信心在提高个人的决策能力方面起着关键作用（Grimaldi et al., 2015）；然而，很少有研究直接探讨学生决策信心与感知决策能力之间的关联。Moore和Healy（2008）发现，对决策的更高信心增强了个人对自己执行任务能力的看法，因为对自己决定更有信心的人往往更相信自己能够有效地完成任务。Albashrawi（2025）在多学科背景下报告称，GenAI对个人的决策有积极影响。相比之下，Oblakovic等人（2025）发现，使用GenAI会增强学生的元认知信心，同时降低他们的决策能力。Yeung和Summerfield（2012）认为，决策信心使个人能够实时调整决策策略，从而实现更高效和适应性的决策。他们还表明，决策信心通过减少犹豫、简化认知处理和支持更好的判断校准来提高高风险和不确定环境中的表现（Ishizu et al., 2024）。Bromberg-Martin和Sharot（2020）指出，决策信心不仅提高了即时决策的质量，还促进了学生的长期自我调节学习和反思性思维，这两者对高等教育学生都至关重要（McDonald et al., 2025）。Pallant等人（2025）发现，当学生使用GenAI来增强知识时，他们的学习效果更好，这体现在他们的学术决策和结果上。基于前述回顾，本研究决定测试以下与商务学生相关的假设：

H7：商务学生的决策信心与他们感知的决策能力呈正相关。

3.9. GenAI信任作为调节因素
信任是指“愿意依赖一个自己有信心的人或事物”（Moorman et al., 1992, p.83）。根据国际标准化组织（2020）的定义，如果AI满足所有用户的标准要求，则被认为是可信的来源。Kaur等人（2022）认为，一个可信的AI工具应提供公平、可解释、负责任、安全且可靠的信息。Lyu等人（2025）研究了下一代技术（AI）在帮助或阻碍用户（学生或专业人士）准确、可靠、合乎道德地按照他们的期望和目标执行特定任务方面的信任或不信任程度以及心理安全感。Shin（2021）强调了AI的解释能力的重要性，并发现因果关系（即应该解释什么以及如何解释）作为AI可解释性的前提，建立了用户对AI算法的信任，进而影响他们的决策。从认知负荷理论（CLT）的角度来看，Paas等人（2020）指出，学习者在工作记忆容量方面面临限制，这可以通过适当的教学支持得到缓解。当学生高度信任GenAI工具时，他们更有可能将这些技术视为可靠的认知伙伴，从而减少心理负担并简化信息处理（Patac & Patac, 2025）。考虑到管理教育，对GenAI的信任不仅鼓励其采用，还决定了其使用是否能够有意义地减轻学生的认知负荷（Jose et al., 2025）。基于前述讨论，本研究旨在探讨GenAI信任在商务学生中的调节效应：

H8a：GenAI信任调节商务学生采用GenAI与其认知负荷减少之间的关系。

信息质量特征，如准确性、相关性、及时性和完整性，可以预测技术的采用（Feuerriegel et al., 2024）。Changalima等人（2024）指出，学生对AI生成信息质量的积极看法使他们倾向于使用这些工具来支持学术决策、学习效率和认知参与。然而，这种关系的强度受到学生对GenAI信任程度的显著影响（Amoozadeh et al., 2024）。先前的研究对GenAI生成的幻觉（即误导性、模糊和有偏见的输出）表示担忧（Alkaissi & McFarlane, 2023; Hannigan et al., 2024）。Kaur等人（2022）认为，为了增加对GenAI工具的信任，用户必须了解其适用性和局限性。Huynh和Aichner（2025）研究指出，信息的公平性（无偏见和非歧视性）与对GenAI工具的信任直接相关，这积极影响了用户的态度和行为意图。Amoozadeh等人（2024）认为，对GenAI有高度信任的学生更有可能将高质量的信息视为可信和可操作的，从而增强他们采用该技术的意愿。相比之下，对GenAI信任度低的学生可能对这些信息的实用性或准确性持怀疑态度，这反过来降低了他们采用GenAI的意愿（Lyu et al., 2025）。这种调节效应与扩展的技术接受模型一致，在该模型中，信任作为一种心理机制，减少了感知风险和不确定性（Venkatesh et al., 2012）。基于上述论点，本研究提出了GenAI信任的调节效应，如下假设所示：

H8b：GenAI信任调节商务学生采用GenAI与其GenAI信息质量之间的关系。

Lukya-nenko等人（2022）认为，对GenAI的信任和接受度是用户的关键方面。Lyu等人（2025）指出，对先进技术的信任是影响学生与GenAI关系及其决策信心的关键因素。Zhang等人（2020）将决策信心定义为个人对其判断的正确性和可靠性的确定程度。该研究还发现，信心得分提高了用户对GenAI工具的信任，但仅凭信任不足以改善决策，除非用户学会如何应对AI的局限性。Chen等人（2023）指出，学生使用GenAI进行学术决策（例如解决问题、生成见解或评估选项）不仅展示了他们的信心，也展示了他们对GenAI的信任（Huynh & Aichner, 2025）。Amoozadeh等人（2024）认为，当学生对GenAI表现出高度信任时，采用GenAI对决策信心的积极影响显著增强。研究进一步表明，信任减少了学生的感知不确定性，并培养了对GenAI系统的强烈信念，从而提高了他们的表现预期（Huynh & Aichner, 2025）。在管理教育的背景下，学生必须做出复杂的数据驱动的学习和决策，培养对GenAI的信任可以确保采用的好处有效地转化为更高的决策信心，最终提高他们的决策能力和职业准备度（Weng et al., 2024）。基于上述先前的发现，本研究提出了GenAI信任的调节效应，如下假设所示：

H8c：GenAI信任调节商务学生采用GenAI与其决策信心之间的关系。

本研究的概念框架如图1所示。

4. 研究方法
4.1. 测量方法
本研究采用了现有研究中的标准化量表来收集数据。所使用的GenAI采用量表基于Singh等人（2024）的研究。负荷减少的量表条目来自Martin等人（2023），信息质量来自Changalima等人（2025），决策信心来自Phillips等人（2014）。感知决策能力量表改编自Sadeghi等人（2024），GenAI信任量表来自Huy等人（2024）。发给学生的问卷包含31个项目，回答采用7点李克特量表，范围从1（强烈不同意）到7（强烈同意）。这些项目旨在探讨学生使用GenAI与其认知机制（负荷减少、信息质量和决策信心）之间的关联，这些因素最终影响他们的感知决策能力。后者是在一个不特定于任务的模型中定义的，而不是为了比较单一业务分析任务（例如案例研究或项目评估）的表现。因此，本研究与之前的研究一致，这些研究将决策构建视为由GenAI工具促进的感知能力提升，而不是客观绩效结果（例如成绩评估）（Almogren et al., 2024）。

4.2. 数据收集
数据来自阿拉伯联合酋长国的四所知名大学。研究中的学生是注册的本科和研究生水平的商务学生。这些大学的注册办公室提供了学生的电子邮件地址列表（Ruihley et al., 2020; Rai et al., 2023; Rai et al., 2024）。问卷链接总共发送给了大约2300名学生（Billings et al., 2016; Rai et al., 2021）。在包括一次参与提醒的四周时间内，收到了412份回复。在仔细检查回复并剔除不完整和未参与的回复后，保留了386份回复用于后续分析。性别分布在大致相等的男性和女性受访者之间。学生的年龄范围从18岁到24岁，其中64%是本科生。大多数学生将GenAI工具用于教育目的，主要是在业务分析任务中，使用频率各不相同：57%经常使用，32%有时使用，11%偶尔使用。

4.3. 数据分析程序
所有参数的统计显著性阈值设定为p < 0.01（Trafimow & Earp, 2017）。通过检查所有变量的偏度和峰度值来评估数据的正态性。所有值都在规定的范围内：偏度为-2到+2，峰度为-7到+7（Curran et al., 1996）。使用两种测试来评估数据中的共同方法偏差（CMB）。首先，使用Harman的单因素测试（Podsakoff et al., 2003）来评估由单一因素解释的方差。计算出的单因素仅解释了数据方差的34.64%（不到50%），表明没有CMB。其次，使用共同潜在因素方法。共同方法方法得出的CMIN/df = 2.51，而测量模型得出的CMIN/df = 2.697。CMIN/df的差异小于0.2，表明没有CMB。此外，几乎所有观察变量的因子载荷差异都小于0.20，进一步表明没有CMB。结构方程建模（SEM）用于分析研究中确定的多个变量之间的关系。由于本研究是一种旨在验证现有理论的有效性的演绎研究，因此使用了基于协方差的（CB）技术（Hair et al., 2014）。CB-SEM适用于确认性因素分析（CFA），原因有三点。首先，它提供了对区分效度和收敛效度的精确评估。其次，研究中使用的构建是从先前开发的量表中采用的。第三，它提供了其他统计方法（如偏最小二乘法-SEM）无法获得的详细拟合度指标。因此，CB-SEM通过提供更多可验证的特征，减少了模型估计的偏差（Kline, 2016）。

5. 结果
使用AMOS 26分析测量模型和结构模型。调节和中介分析使用Process Macro Model 4进行。结果如下所述。

5.1. 测量模型
应用CFA来评估研究中确定的一阶构建的可靠性和有效性。CFA是一种受限模型技术，其中放弃了所有交叉载荷，以确认构建与其测量之间的关系。使用最大似然估计（MLE）技术生成模型参数。拟合优度统计量：CMIN = 1119.368，df = 415，CMIN/df = 2.697，CFI = 0.94，TLI = 0.933，IFI = 0.94，NFI = 0.91，RMSEA = 0.066（<0.08），表明模型拟合良好。如表1所示，所有构念的因子载荷均超过0.70，说明观察变量中超过50%的方差可以通过各自的构念来解释（Hair等人，2019），这支持了模型的聚合效度。此外，这些构念的AVE值在0.692到0.796之间，远高于推荐的最低值0.50，从而确认了构念的聚合效度（Hair等人，2019）。构念的可靠性通过Cronbach’s alpha（CA）和复合可靠性（CR）进行评估。构念的CA统计量在0.910到0.958之间，而CR在0.912到0.957之间。这些可靠性统计量超过了0.70的最低阈值（Hair等人，2019），提供了高可靠性的有力证据。

表1. 测量模型结果总结

| 构念 | 测量项目 | 因子载荷 | 均值（SD） |
|---------------|----------------|---------|---------|
| GenAI采纳（GA） | GenAI的采纳将显著提高我的学术生产力。 | 0.855 | 5.15 (1.53) |
| C-Alpha = 0.925 | | |
| AVE = 0.711 | |
| GenAI的利用 | GenAI将使我能够更高效地完成复杂任务。 | 0.829 | 5.33 (1.55) |
| CR = 0.925 | | |
| MSV = 0.585 | |
| 我会发现指导GenAI执行特定任务很容易。 | 0.814 | 5.27 (1.51) |
| C-Alpha = 0.925 | | |
| GenAI将使我更容易履行学术职责。 | 0.868 | 5.23 (1.47) |
| | | |
| 熟练使用GenAI将是一项直接且可管理的任务。 | 0.849 | 5.10 (1.45) |
| 认知负荷减少（LR） | GenAI有助于以简化的方式学习复杂数据。 | 0.859 | 5.16 (1.66) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 当我需要时，GenAI会提供帮助。 | 0.899 | 0.884 |
| 0.840 | | |
| 5.12 (1.54) | | |
| 4.99 (1.62) | | |
| MSV = 0.442 | |
| | | |
| GenAI帮助我独立做出决策。 | 0.755 | 4.81 (1.66) |
| 信息质量（IQ） | 通过GenAI工具提取的信息是可信的。 | 0.824 | 4.88 (1.55) |
| C-Alpha = 0.958 | | |
| AVE = 0.692 | |
| CR = 0.957 | |
| MSV = 0.609 | |
| | | |
| 通过GenAI工具提取的信息是无偏的。 | 0.747 | 0.832 |
| 4.85 (1.55) | | |
| 4.90 (1.51) | | |
| | | |
| 通过GenAI工具提取的信息具有附加值。 | 0.858 | 5.08 (1.49) |
| 0.825 | | |
| 0.825 | | |
| 通过GenAI工具提取的信息易于解释。 | 0.835 | 5.18 (1.50) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 通过GenAI工具提取的信息组织良好。 | 0.835 | 5.22 (1.54) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 通过GenAI工具提取的信息是一致的且合理的。 | 0.848 | 5.13 (1.45) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 通过GenAI工具提取的信息格式简洁。 | 0.850 | 5.11 (1.49) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 通过GenAI工具提取的信息易于获取。 | 0.859 | 5.28 (1.50) |
| C-Alpha = 0.930 | | |
| AVE = 0.720 | |
| CR = 0.928 | |
| | | |
| 通过GenAI工具提取的信息易于查找。 | 0.839 | 5.23 (1.48) |
| C-Alpha = 0.930 | | |

区分效度使用Fornell–Larcker标准（Fornell & Larcker, 1981）进行评估。评估区分效度的目的是为了证明模型中的每个构念都是独特的，并且能够捕捉到其他构念无法测量的现象（Hair等人，2019）。区分效度的必要条件是每个构念的AVE的平方根应大于构念间的相关性（Fornell & Larcker, 1981）。如表2所示，对角线值代表AVE的平方根，非对角线值代表构念间的相关性。对角线值大于非对角线值，确认了模型中构念的区分效度。

表2. 测量模型中构念之间的相关性

| | GA | LR | IQ | DC | PC | GT |
|---------|-----------|---------|---------|---------|---------|
| | 0.843 | 0.665*** | 0.765*** | 0.633*** | 0.849 |
| | 0.849 | 0.608*** | 0.675*** | 0.892 | 0.653*** |
| | 0.820 | 0.466*** | 0.780*** | 0.730*** | 0.849 |
| | 0.820 | 0.483*** | 0.695*** | 0.840*** | 0.860 |
| | 0.820 | 0.558 | 0.820 | 0.13 | 0.820 |
| | 0.820 | 0.788 | 0.20 | 0.13 | 0.820 |
| | 0.820 | 0.788 | 0.20 | 0.13 | 0.820 |
| | 0.820 | 0.820 | 0.788 | 0.20 | 0.820 |
| | 0.820 | 0.820 | 0.788 | 0.20 | 0.820 |
| | 0.820 | 0.755 | 0.442 | 0.820 | 0.820 |
| | 0.820 | 0.824 | 0.824 | 0.824 | 0.824 |
| | 0.820 | 0.824 | 0.824 | 0.824 | 0.824 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825 |
| | 0.820 | 0.825 | 0.825 | 0.825 | 0.825菲利普斯-雷恩（Phillips-Wren）和维尔武（Virvou）（2025年）的研究也提供了类似的支持，但他们的研究同时也提出了关于数据准确性、隐私、数据操纵、偏见以及伦理使用等方面的担忧，这些因素都可能影响用户的决策能力。接下来，在提出研究问题2（RQ2）时，该研究通过测试三个额外的假设（H5-7），探讨了认知负荷减轻、信息质量和决策信心如何独立影响商科学生的决策能力。在假设模型中，认知负荷减轻被认为是一个关键变量，因为它对决策能力的提升效应最大（1.51）。研究结果否定了H5假设，并量化了认知负荷减轻与商科学生决策能力之间的负相关关系。这表明，使用生成式人工智能（GenAI）会削弱商科学生的批判性思维能力，从而降低他们的决策能力。研究结果显示，虽然GenAI可以减少无关负荷并提高相关负荷，但过度依赖GenAI会削弱学生的批判性思维能力，进而影响他们的决策能力。这一发现将“决策辅助理论”（DAT）扩展到了学生在校内采用GenAI的情境中。当学生将GenAI工具作为认知辅助工具而非增强工具使用时，他们被动地依赖AI的输出结果，从而削弱了自己的决策能力。白等人（2023年）的研究也支持了这一结论，他们发现过度使用GenAI会损害学生的批判性思维能力（Jose等人，2025年）。本研究进一步指出，使用GenAI可以减轻学生的认知负担，但过度使用会显著损害他们的决策能力，这是对AI研究领域的一个独特贡献。

关于H6假设，研究结果表明信息质量对商科学生的决策能力有显著的积极影响。也就是说，通过GenAI生成的质量信息增强了学生分析复杂情境、有效评估学术选项和做出理性决策的能力（Almogren等人，2026年）。这一发现与“决策辅助理论”一致，该理论认为可靠且针对具体情境的信息能够支持学生的认知功能，从而提升他们的决策能力（Albashrawi，2025年；Almogren等人，2024年）。先前的研究强调了GenAI在信息质量方面的优势，但也提出了关于信息偏见、伦理使用和准确性的担忧，这些因素可能影响学生的决策能力（Phillips-Wren和Virvou，2025年；Vieriu & Petrea，2025年）。在测试最后一个假设（H7）时，研究结果显示决策信心对商科学生的决策能力有积极影响。这意味着随着学生对学术决策的信心增强，他们的决策效率也会提高（Li等人，2025年）。这一发现与Oblakovic等人（2025年）的研究结果相反，后者指出使用GenAI虽然增强了学生的元认知信心，但却削弱了他们的决策能力。Chong等人（2022年）明确指出，个体对自己能力的信心（而非对GenAI的信心）是促使他们接受GenAI建议并影响其决策的主要因素。

为了回答研究问题3（RQ3），研究人员提出了中介假设（H1a、H2b和H3c）。与认知负荷减轻不同，信息质量和决策信心都被认为是部分中介因素，因为它们影响了商科学生采用GenAI与其决策能力之间的关系。研究表明，通过GenAI生成的信息质量有助于促进学生的深思熟虑的决策过程（Changalima等人，2024年；Albashrawi，2025年）。Gkintoni等人（2025年）也指出，使用GenAI可以提高学生的学习效率并减轻他们的认知负荷，但数据安全、伦理考虑和可信度方面的担忧可能会影响他们的决策能力。简而言之，这项中介分析表明，使用GenAI可以减轻学生的认知负担，但并不直接影响他们的决策能力。

最后，该研究探讨了GenAI信任在GenAI采用与商科学生三个关键结果（认知负荷减轻、信息质量和决策信心）之间的关系中的调节作用。研究发现，GenAI信任调节了认知负荷减轻（H8a得到支持）和信息质量（H8b得到支持）的影响，但对决策信心（H8c未得到支持）没有影响。随着学生对GenAI的信任度增加，GenAI在减轻认知负荷方面的作用变得更加显著，同时他们对信息质量的感知也会提高。这种调节作用可以看作是对Patac和Patac（2025年）以及Jose等人（2025年）研究的扩展，因为它考虑了GenAI信任在影响学生采用GenAI和减轻认知负荷中的作用。对于GenAI信任度较高的学生来说，他们更有可能认为GenAI生成的信息是准确、可靠、相关和有用的（Lyu等人，2025年）。相反，当GenAI信任度较低时，即使GenAI的采用率很高，学生也可能对GenAI生成的信息质量持怀疑态度（Kim等人，2023年）。这种关系强调了信任在塑造用户对GenAI效果认知中的关键作用，尤其是在学术或决策情境中。此外，仅仅采用GenAI工具是不够的，用户还必须信任这些工具所提供的信息的可信度，才能充分受益于其信息质量。因此，通过透明度、准确性和用户体验来建立对GenAI工具的信任对于最大化GenAI在教育中的效果至关重要。最后，研究发现GenAI信任并未调节GenAI采用与决策信心之间的关系。这一结果表明，学生对GenAI的信任程度对其决策信心没有显著影响。一种可能的解释是，决策信心更多地来源于对输出结果的实用性或清晰度的感知，而不是对技术本身的普遍信任。即使学生信任GenAI，如果输出结果复杂、模糊或与情境不符，他们的决策信心也可能不受影响（Chan & Zhou，2023年）。

**7. 含义**

**7.1. 理论意义**

从“决策辅助理论”（DAT）和“认知负荷理论”（CLT）的角度来看，这项研究具有潜在的理论意义。根据DAT理论，采用GenAI可以通过提供相关、及时和高质量的信息来提升商科学生的决策能力（Tao等人，2024年）。这一点得到了学生采用GenAI与决策信心、信息质量和决策能力之间强关联的支持。该研究通过将决策信心和信息质量作为学生采用GenAI以提高决策能力的指标，进一步扩展了DAT理论。GenAI作为一种催化剂，增强了学生的信心和信息洞察力，使他们能够迅速有效地做出决策（Leyer & Schneider，2021年）。它扩展了学生的认知边界，增强了他们的决策能力（George & Wooden，2023年）。例如，如果将案例研究和实时模拟等教学方法与GenAI工具结合使用，可能会提升商科学生的智力能力，促进他们在学术作业、学习发展和职业前景方面的更明智决策（Nguyen & Elbanna，2025年）。同时，CLT理论认为减少认知负担可以使用户（学生）更高效地处理信息（De Jong，2010年）。然而，该研究发现GenAI的采用显著减轻了商科学生的认知负荷，但这种减轻却对他们的决策能力产生了负面影响。这表明GenAI虽然减少了心理压力，但过度依赖GenAI可能会削弱他们的主动认知参与，从而损害决策能力——这一矛盾可以用CLT理论中关于“负荷不足”或“脱离参与”的概念来解释（Bai等人，2023年；Cela等人，2024年；Jose等人，2025年）。

中介分析显示，GenAI对决策能力的影响主要通过信息质量和决策信心来调节，而非通过认知负荷减轻。这表明GenAI主要通过知识增强来支持决策制定，而非通过缓解压力。此外，调节分析还表明，过度信任GenAI会削弱GenAI采用与认知负荷减轻和信息质量之间的关系，暗示过度依赖GenAI可能会降低学生的批判性思维能力（Cela等人，2024年）。

**7.2. 实际意义**

这项研究对学生、教育工作者、教育机构官员和行业利益相关者具有多重实际意义。对于商科学生而言，采用GenAI可以提高信息质量并增强决策信心，从而提升他们的决策能力（Albashrawi，2025年）。这意味着将GenAI工具整合到教育项目和培训工作中可以显著提高学生做出明智决策的能力。通过让学生接触AI驱动的模拟、情景分析或数据解释工具，教育机构可以培养他们的信心和更敏锐的分析能力。然而，学生必须学会将GenAI作为辅助工具而非依赖工具来使用（Jose等人，2025年）。认知负荷减轻与决策能力之间的负相关关系表明，过度依赖GenAI可能导致被动学习或批判性思维能力下降（Vieriu & Petrea，2025年）。因此，应强调培养学生保持与GenAI工具的认知互动。他们应该能够验证基于GenAI的输出结果，并将这种能力体现在决策中。

研究结果暗示教育实践需要发生根本性的转变。GenAI应被整合为学习伙伴，以促进决策能力的提升而非替代传统教学方法（Cela等人，2024年）。教育工作者可以使用聊天机器人、内容摘要工具和数据分析工具等GenAI驱动的工具，创建决策场景，让学生分析和评估GenAI的建议。教育工作者不仅应教会学生如何使用GenAI工具，还应教会他们如何解释、验证和批判性地评估AI生成的结果，从而建立更坚实的信任和信心基础（Li等人，2025年；Lyu等人，2025年）。由于决策信心至关重要，教育工作者应鼓励学生通过实践建立对GenAI的信任。此外，教育工作者还应强调GenAI的局限性，以防止学生对GenAI产生盲目依赖（Bai等人，2023年；Chong等人，2022年；Phillips-Wren & Virvou，2025年）。

对于教育机构官员而言，实际意义在于重新设计课程框架，以纳入GenAI素养、伦理推理和对AI生成结果的批判性评估（Fischer等人，2024年）。教育机构应投资于支持跨学科安全、互动使用GenAI工具的基础设施（Gupta等人，2024年）。研究结果还强调了平衡认知负荷的必要性。虽然GenAI可以简化复杂任务，但课程设计应鼓励学生独立思考。此外，教育机构应开展意识提升项目、研究实验室和GenAI相关的工作坊，帮助学生和教育工作者在学术环境中伦理地使用GenAI（Wodd和Moss，2024年）。

对于行业而言，特别是对于大规模招聘商科毕业生的组织来说，研究结果强调了由受过良好培训的专业人员领导的GenAI驱动的生产力平台的重要性。因此，组织需要与学术机构合作，提供基于GenAI的学习课程，以模拟工作环境中的决策场景。合格的行业专业人士可以为商科学生提供培训模块，教他们在实时情境中使用GenAI，同时保持认知参与和责任感。重点应放在教授提供精确可靠信息的GenAI工具上，因为决策信心和信息质量对GenAI的效果具有调节作用。

**8. 结论**

本研究基于“决策辅助理论”（DAT）和“认知负荷理论”（CLT）的概念，强调了GenAI在提升商科学生决策能力认知中的重要作用。研究发现，采用GenAI积极影响了商科学生的认知负荷减轻、信息质量和决策信心。这三个因素被认为是提升他们决策能力的关键。此外，研究还指出决策信心和信息质量是重要的中介因素。这意味着GenAI通过提高信息的清晰度和可靠性帮助商科学生做出更好的决策。然而，认知负荷减轻对决策能力的负面影响表明，过度依赖GenAI可能会带来认知脱离的风险（Bai等人，2023年；Cela等人，2024年）。GenAI信任的调节作用表明，过度信任GenAI可能会降低GenAI在提高信息质量或管理认知负荷方面的效果（Lyu等人，2025年）。总体而言，这些结论的核心要点是，尽管通用人工智能（GenAI）是学生宝贵的辅助工具，但其好处取决于合理使用、批判性思维技能的运用以及负责任的信任之间的平衡。这项研究存在一些局限性，需要未来的关注。首先，该研究采用了定量方法来得出有说服力的结果，但这可能无法完全反映学生对GenAI的态度或认知行为的深度。定性或混合方法的研究可以更清晰地展示学生使用GenAI的情况及其对决策的影响。其次，该研究没有纳入非AI对照条件或学术诚信的直接测量指标，这限制了关于有无GenAI时表现比较的结论。未来的工作应包括实验性对比（AI与非AI条件）、学习前后的测量，以及学术诚信的直接测量，以实证检验这些影响。此外，虽然这项研究捕捉到了学生感知的决策能力，但未来的研究可以整合客观绩效指标（如任务准确性、学术成果或实验决策任务），来考察使用GenAI工具时感知决策质量与实际决策质量之间的匹配程度。第三，研究样本仅限于特定教育领域的学生，即阿联酋的商业大学学生，这限制了其普遍性，无法推广到其他教育机构、地理区域或国家。进一步的研究可以探索GenAI在其他学科（如医疗保健、工程或人文学科）中的应用，以评估不同国家学生的认知和决策影响是否存在差异。最后，该研究将GenAI的信任度作为唯一的调节变量。在未来的研究中，可以考虑其他因素，如伦理关切、技术焦虑和数字素养，以考察它们对学生判断力的影响。

**作者贡献声明：**
- Jaskirat Singh Rai：撰写 – 审稿与编辑、撰写 – 原稿、监督、项目管理、方法论、形式分析、概念化。
- Sakshi Kathuria：撰写 – 审稿与编辑、撰写 – 原稿、资源准备、方法论、形式分析。
- Maher N. Itani：撰写 – 审稿与编辑、撰写 – 原稿、可视化、资源准备、方法论、概念化。
- Harpominder Kaur：撰写 – 审稿与编辑、撰写 – 原稿、资源准备、方法论、形式分析。
- Amanpreet Singh：撰写 – 审稿与编辑、撰写 – 原稿、可视化、软件开发、方法论、调查、形式分析、数据整理、概念化。

**未引用的参考文献：**
- Bell and Bell, 2023; Clegg and Sarkar, 2024; Crompton and Burke, 2023; Ferreira et al., 2020; Fu et al., 2020; Gado et al., 2021; Grant, 1996; Gupta et al., 2024; Hicks et al., 2023; Hoang et al., 2024; Holmstr?m and Carroll, 2024; International Organization for Standardization, 2020; Jo, 2023; Kelley et al., 2023; Kiani and Shadlen, 2009; Ko?-Januchta et al., 2022; Liu et al., 2025; Lukyanenko et al., 2022; Magistretti et al., 2021; Martin and Javalgi, 2019; May et al., 1995; Mirhabibi et al., 2025; Nah et al., 2023; Paas and van Merri?nboer, 2020; Pereira and Bamel, 2021; Rasul et al., 2024; Sengar et al., 2024; Singh et al., 2024; Skulmowski and Xu, 2022; Sobaih et al., 2024; Stoian et al., 2024; Strzelecki, 2023; Sweller and Chandler, 1991; Yilmaz et al., 2023.

**伦理声明：**
本研究遵循阿曼大学研究伦理委员会的指导方针（批准代码B-F-H-13-Oct）进行。参与者通过Google Forms同意参与本研究。所有数据均保密，仅研究人员可访问。

**利益声明：**
作者声明没有利益冲突。

**数据可用性：**
本研究生成或分析的数据可向相应作者提出合理请求后获取。

**数据和材料的可用性：**
当前研究中使用和/或分析的数据集可向相应作者提出合理请求后获取。

**资金支持：**
本研究由阿曼大学内部研究基金（编号2025-IRG-CBA-3）提供财务支持。