《International Journal of Educational Technology in Higher Education》：AIGC-enhanced learning analytics in film education: a decision-making framework for creative pedagogy in Chinese higher education
编辑推荐：
摘要：学习分析（Learning Analytics, LA）与人工智能（Artificial Intelligence, AI）的整合代表了教育决策中的范式转变，然而，在伦理考量至关重要的创意高等教育背景下，针对AI增强学习设计的系统化框架仍严重缺乏探索。尽
摘要：学习分析（Learning Analytics, LA）与人工智能（Artificial Intelligence, AI）的整合代表了教育决策中的范式转变，然而，在伦理考量至关重要的创意高等教育背景下，针对AI增强学习设计的系统化框架仍严重缺乏探索。尽管对AI增强教育的兴趣日益增长，现有方法缺乏将学习分析与伦理框架系统整合以在艺术类学科中实施循证教育干预。本研究开发并验证了学习分析驱动的教育决策（Learning Analytics-driven Educational Decision-Making, LA-EDM）框架，这是一种通过数据驱动的教育决策实现AI增强学习设计的综合方法，适用于创意教育。采用序贯混合方法设计，包括对508名中国电影学生的学习分析数据进行定量分析、对10名电影教育者进行定性访谈，以及对10部学生电影进行系统评估。结构方程模型（Structural Equation Modeling, SEM）表现出良好的模型拟合度（χ2/df=2.677, CFI=0.949），中介分析揭示了显著的路径关系。LA-EDM框架展现出稳健的预测效度，解释了学习设计有效性中较大的结果方差（R2=30.6%?35.7%）。关键发现表明，伦理适应性（Ethical Fitness, EF）显著预测成功的AI整合（β=0.262，针对技术-艺术平衡），并通过技术-艺术平衡间接影响教育有效性，该路径占总效应的19.834%。定性分析识别出关键的辩证张力，包括赋权与去技能化动态、效率与创意深度考量。本研究通过提供首个经实证验证的、将伦理考量与数据驱动的教育决策整合应用于创意学科框架，扩展了学习分析理论。研究结果为在艺术教育中实施AI增强学习设计的教育者提供了循证指导，展示了学习分析如何为个性化且具伦理基础的教学干预提供信息。
### 论文解读文章
#### 研究背景与问题
随着人工智能生成内容（Artificial Intelligence-Generated Content, AIGC）技术的快速发展，创意高等教育领域（尤其是电影教育）正经历深刻的变革。学习分析（Learning Analytics, LA）与人工智能（AI）的融合被视作教育决策的范式转变，然而现有研究在创意高等教育语境中缺乏系统化框架来指导AI增强的学习设计，尤其是在伦理考量至关重要的情境下。尽管已有研究关注数据驱动的教育决策（如Long & Siemens, 2014）和AI与学习分析的整合（如Sajja et al., 2023），但针对艺术类学科中主观评估标准、协作学习过程和多元创意产出特征，尚未有框架能够系统整合伦理维度并实现循证干预。当前理论模型如技术接受模型（Technology Acceptance Model, TAM）和技术-教学-内容知识框架（Technological Pedagogical Content Knowledge, TPACK）在应用于创意教育AI整合时存在局限，忽视了伦理和艺术完整性的关键作用。因此，研究人员旨在开发并验证一个学习分析驱动的教育决策（Learning Analytics-driven Educational Decision-Making, LA-EDM）框架，以中国电影高等教育为“自然实验室”，通过数据驱动的方法指导AI整合决策，解决“创意去技能化”等辩证张力。
#### 研究内容与结论
研究人员通过序贯解释性混合方法设计，首先对508名来自中国五所地理分布广泛的高等院校（北京、南京、广州、成都、西安）的电影专业学生进行定量调查，测量技术知识（Technological Knowledge, TK）、内容知识（Content Knowledge, CK，操作化为课程整合）、教学知识（Pedagogical Knowledge, PK，操作化为学习者-工具匹配）和伦理适应性（Ethical Fitness, EF）四个预测维度，以及技术-艺术平衡（Technical-Artistic Balance, TAB）、文化适应性（Cultural Adaptability, CA）和教育有效性（Educational Effectiveness, EE）三个结果变量。随后对10名电影教育者进行半结构化访谈，并对10部学生创意作品（5部AI辅助、5部传统创作）进行系统评估。结构方程模型（Structural Equation Modeling, SEM）分析显示模型拟合良好（χ2/df=2.677, CFI=0.949），LA-EDM框架对学习设计有效性的方差解释率达到30.6%?35.7%。关键发现包括：伦理适应性对技术-艺术平衡具有显著正向预测作用（β=0.262, p<0.001），并通过技术-艺术平衡间接影响教育有效性（中介效应占总效应的19.834%）；技术知识、内容知识和教学知识对教育成果的直接效应部分显著，但整体框架强调了伦理维度的核心中介角色。定性分析揭示了四种关键辩证张力：赋权与去技能化、效率与创意深度、文化适应要求、以及AI-人类协作教学模式。该研究首次提供经实证验证的、整合伦理考量与数据驱动决策的框架，为创意教育中AI增强学习设计提供了循证指导。
#### 主要关键技术方法
研究人员采用了序贯解释性混合方法设计。定量阶段使用结构化问卷（5点李克特量表）对508名中国电影专业学生进行横截面调查，通过结构方程模型（SEM）验证LA-EDM框架的测量模型和结构模型，并采用自助法（Bootstrapping, 5000次重抽样）进行中介效应分析。定性阶段包括对10名来自参与院校的电影教育者（至少1年AI教学经验）的半结构化访谈，以及对10部学生创意作品（5部AI辅助、5部传统）的评估，使用主题分析和比较分析。样本来源明确：五所中国高等院校（北京、南京、广州、成都、西安），学生涵盖导演、剪辑、摄影、编剧、数字媒体艺术等方向。
#### 研究结果
**描述性分析：教育决策模式**
对508份有效问卷进行描述性分析，所有量表均表现出良好至优秀的内部一致性（Cronbach’s Alpha: 0.797–0.866，整体量表Alpha=0.878），构念间相关显著（p<0.01），为框架的构念效度提供初步证据。
**测量模型验证**
验证性因子分析（Confirmatory Factor Analysis, CFA）显示模型拟合可接受（χ2/df=2.677, CFI=0.949, TLI=0.937, RMSEA=0.058, SRMR=0.053）。所有因子载荷显著（p<0.001，普遍≥0.70），组合信度（Composite Reliability, CR）超过0.70（0.799–0.908），平均方差提取量（Average Variance Extracted, AVE）超过0.50（0.572–0.729），区分效度通过AVE平方根大于构念间相关及HTMT比值低于0.85得到确认。Harman单因素检验（30.546%方差）表明共同方法偏差不显著。
**预测分析：AI整合的循证决策**
结构方程模型（SEM）显示LA-EDM框架具有较强解释力：技术-艺术平衡（TAB）方差解释率35.7%，文化适应性（CA）32.6%，教育有效性（EE）30.6%。直接效应方面，伦理适应性（EF）显著正向预测TAB（β=0.262, p<0.001）和CA（β=0.172, p<0.01），但对EE的直接效应不显著；技术知识（TK）显著正向预测TAB（β=0.129, p<0.05）和EE（β=0.120, p<0.05）；内容知识（CK）显著正向预测CA（β=0.198, p<0.001）和EE（β=0.175, p<0.01）；教学知识（PK）显著正向预测TAB（β=0.135, p<0.05）、CA（β=0.139, p<0.05）和EE（β=0.143, p<0.05）。中介分析表明：EF通过TAB对EE的间接效应显著（0.042, 95% CI [0.009, 0.054], p<0.01），部分中介；EF通过CA对EE的间接效应显著（0.020, 95% CI [0.001, 0.034], p<0.05），部分中介。TAB和CA的间接效应分别占总效应的19.834%和9.330%。
**定性洞见：电影教育实践中的AI整合**
对10名教师（化名Teacher A至J）的访谈和10部学生作品的分析识别出四个主题：伦理导航作为教育决策基础（如Teacher A关注“策展人vs创作者”争议）、AI作为增强工具而非替代（如Teacher B指出AI缺乏“人文精神”）、文化适应要求（如AI常生成刻板中国美学）、协作性AI-人类教学模式（如“AI+人类”Co-pilot系统）。学生作品分析显示AI在概念化阶段有效，但技术-艺术平衡和文化表达需人工监督。
**整合学习分析：定量与定性证据的综合**
定量与定性证据呈现关键汇聚：伦理适应性作为预测变量和中介变量的核心作用得到质性解释（教师强调伦理考量优先），文化适应性的中介效应与教师对AI文化偏差的干预需求一致，技术-艺术平衡的中介机制通过“避免创意捷径”的实践得到印证。
#### 讨论与结论
**讨论部分总结**
本研究对学习分析理论做出重要贡献：首先，通过实证验证扩展了Long和Siemens（2014）的数据驱动教育决策理论，证明伦理适应性并非约束而是促进技术整合的因素；其次，填补了Papamitsiou和Economides（2014）综述中未涉及的主观评估和创意学习过程的空白，展示了学习分析在复杂创意领域的适用性；第三，整合了Sajja等（2023）的AI-学习分析框架，提出AI作为学习分析洞察的放大器而非替代的理论观点。实践上，研究人员提出分阶段实施指南：建立伦理基础（数据治理、透明同意、审查机制）、评估文化适应性（定期审计、自适应协议）、系统部署框架（综合数据收集、AI增强分析工具、决策支持系统）。研究局限性包括横截面设计限制因果推断、文化背景可能影响推广性，未来应开展纵向研究和跨国复制。
**研究结论部分翻译**
本研究通过学习分析视角探讨了创意高等教育中人工智能的复杂整合，验证了学习分析驱动的教育决策（LA-EDM）框架，展示了数据驱动方法如何指导AI在创意教育情境中的有效实施。LA-EDM框架的实证验证是对学习分析领域的重要贡献，扩展了现有理论基础，同时为AI增强环境中的教育决策提供了实践指导。研究结果揭示，四个关键维度——技术知识、课程整合、教学知识和伦理适应性——显著影响教育成果，包括技术-艺术平衡、文化适应性和整体教育有效性，其中伦理适应性在技术-艺术平衡、文化适应性以及通往教育有效性的中介路径中发挥重要作用。本研究通过展示如何分析教育数据以指导AI整合决策，推进了学习分析理论，填补了Papamitsiou和Economides（2014）指出的空白，并扩展了Long和Siemens（2014）提出的框架。混合方法验证为数据驱动的教育决策提供了稳健的实证证据，推动了学习分析研究的方法论进步。实践上，该研究为教育机构提供了经验证的框架，以指导创意教育中AI技术的采纳决策。中国电影电视教育情境为理解文化因素如何影响AI整合模式提供了宝贵见解，为面临类似技术转型的国际教育背景提供经验教训。尽管存在横截面设计和特定文化背景等局限，本研究为负责任且有效的AI整合提供了循证指导，展示了学习分析在提升教育有效性同时维护伦理实践和文化敏感性的潜力。
