学术性人工智能过度依赖量表:健康科学大学生中的开发及初步心理测量学验证

《Frontiers in Digital Health》:Academic AI overreliance scale: development and preliminary psychometric validation in health sciences university students

【字体: 大 中 小 】 时间:2026年07月22日 来源:Frontiers in Digital Health 5.2

编辑推荐:

  摘要引言:生成式人工智能(Generative Artificial Intelligence,GAI)在高等教育中的快速整合,引发了对于其可能影响学术自主性、自我调节学习(Self-Regulated Learning,SRL)及认知功能的日益增长的关注。然

  
摘要引言:生成式人工智能(Generative Artificial Intelligence,GAI)在高等教育中的快速整合,引发了对于其可能影响学术自主性、自我调节学习(Self-Regulated Learning,SRL)及认知功能的日益增长的关注。然而,针对学术性认知与自我调节过程逐步委托给智能系统这一现象,现有研究关注仍然有限。本研究旨在开发“学术性人工智能过度依赖量表”,并检验其在健康科学大学生中的初始心理测量学属性。

方法:研究人员在厄瓜多尔开展了两项相互独立的研究。在研究1中,采用437名大学生样本进行探索性因素分析(Exploratory Factor Analysis,EFA),以识别初始24个条目池的潜在结构。在研究2中,采用另一组独立的437名大学生样本进行验证性因素分析(Confirmatory Factor Analysis,CFA),以评估精简后22条目版本的因素效度、测量等值性和内部一致性。

结果:研究1支持由“情绪失调性依赖”和“认知依赖”构成的双因素解。研究2确认了相关双因素模型,并显示出优异的拟合指标:比较拟合指数(Comparative Fit Index,CFI)= 0.994,Tucker–Lewis指数(TLI)= 0.994,近似误差均方根(Root Mean Square Error of Approximation,RMSEA)= 0.066,标准化残差均方根(Standardized Root Mean Square Residual,SRMR)= 0.056;且该模型在性别组间达到了严格等值。两维度内部一致性均达到适当水平:情绪失调性依赖Cronbach’s α = 0.94、McDonald’s ω = 0.94;认知依赖Cronbach’s α = 0.88、McDonald’s ω = 0.88。

讨论:研究结果表明,学术性人工智能过度依赖更可能代表一种与生成式人工智能整合进学术活动相关的特定认知与自我调节外化形式,而非传统意义上的技术成瘾形式。该量表基于内部结构、测量等值性和信度提供了初步效度证据,可作为未来研究生成式人工智能、学术推理与高等教育中智性自主性的初始工具。
本文发表于《Frontiers in Digital Health》,聚焦生成式人工智能进入高等教育后对大学学习方式所带来的深层影响。研究背景在于,生成式人工智能(Generative Artificial Intelligence,GAI)不仅能够提供信息,还能直接生成学术摘要、概念解释、复杂论证文本与问题解决方案,因此其作用已超出传统数字工具的“信息检索”范畴,开始介入学生的推理、整合、组织与判断等高阶认知活动。对于健康科学领域学生而言,这一变化尤为重要,因为医学、护理、心理学及其他健康相关专业的培养目标,不仅是知识获取,更包括临床推理、证据整合、专业判断以及在不确定情境中的决策能力。现有讨论往往在“技术赋能”与“技术削弱认知”两端摇摆,但对于学生是否正在把本应由自身承担的学术认知过程和自我调节过程逐步移交给人工智能系统,相关概念化和测量工具仍较为缺乏。因此,开展本研究的必要性在于:为这一新兴现象建立清晰、非病理化的教育心理学定义,并形成可用于经验研究的测量工具。

研究人员提出,“学术性人工智能过度依赖”并不等同于高频使用人工智能,也不等同于传统技术成瘾,而是指学生持续性地将学习中的智力功能与自我调节功能委托给生成式人工智能系统,从而可能削弱自主认知投入的一种倾向。该构念与认知卸载(cognitive offloading,借助外部工具减轻内部认知负荷)、自我调节学习(Self-Regulated Learning,SRL)以及自动化信任(Trust in Automation)等理论框架相关,但又具有明确的学术情境特异性。研究初始从认知外化、自我调节依赖、情绪—功能性依赖和学术—社会干扰四个理论领域构思量表结构,希望识别生成式人工智能整合进入学习活动后,学生学术自主性可能发生的变化。

为完成量表开发与初步验证,研究人员在厄瓜多尔一所私立大学的健康科学学生中开展了两项独立研究。首先通过理论文献整合与专家评审形成初始条目池,再在研究1中采用探索性因素分析(EFA)检验潜在结构并进行条目精简;随后在独立样本中通过验证性因素分析(CFA)及探索性结构方程模型(Exploratory Structural Equation Modeling,ESEM)、双因素模型等进行模型比较,同时检验跨性别测量等值性,并以Cronbach’s α与McDonald’s ω评估内部一致性。研究样本均来自厄瓜多尔同一所私立大学健康科学专业学生,两项研究各纳入437人。

从方法上看,研究首先构建了32个初始条目,经3位具有心理测量学、心理学和数字教育背景的专家进行内容审查后删除8项,形成24条目初版量表。研究1基于多分序相关矩阵进行EFA,采用最小残差法(minres)和oblimin斜交旋转,并结合平行分析确定因子数。研究2对精简后的22条目版本使用对角加权最小二乘法(Diagonally Weighted Least Squares,DWLS/WLSMV)实施CFA,同时比较单因素、相关双因素、双因素和双因素ESEM模型,并进行性别组间构型、度量、标量与严格等值检验;另计算平均方差提取量(Average Variance Extracted,AVE)、组合信度(Composite Reliability,CR)和异质特质—同质方法比率(Heterotrait-Monotrait Ratio,HTMT)。

在研究结果部分,论文按小标题依次报告了量表形成与验证过程。

3.1 Study 1

3.1.1 Item reduction
研究人员首先依据专家评审结果删除了8个存在概念重复或表述清晰度不足的条目,得到24条目初始经验分析版本。随后又在EFA过程中根据心理测量表现与理论可解释性继续筛选条目。该过程表明,量表开发并非机械保留理论设想,而是在理论与经验数据之间反复校准,以保留更具结构代表性的条目。

3.1.2 Descriptive analysis of the items and exploratory factor analysis
研究1的描述统计显示,24个条目具有可接受的分布特征,适合进入因素分析。Kaiser–Meyer–Olkin(KMO)指数为0.95,Bartlett球形检验显著,说明数据具有很强的可因子化程度。最初基于四理论领域检验四因素结构时,研究人员发现存在较多交叉载荷、因素间明显重叠以及第四维度较弱等问题,因此未支持理论预设的四因素模型。进一步平行分析支持更简约的双因素结构。最终EFA提取出两个主要维度:其一为情绪失调性依赖,主要反映人工智能不可用时出现的情绪不适、学习调节困难和功能性受扰;其二为认知依赖,主要反映将学术推理、概念综合及学习相关认知过程委托给人工智能系统。尽管模型部分拟合指标并非全部达到最严格标准,但条目载荷结构清晰、理论解释一致,并在后续独立样本中获得交叉验证,因此研究人员保留了该双因素方案。

3.2 Study 2

3.2.1 Descriptive analysis of the items
在研究2中,保留进入验证分析的22个条目整体呈中等程度认同水平,条目均值大致分布在1.68至2.48之间。偏度和峰度总体处于可接受范围,但部分条目存在中度正偏,这一结果支持采用适用于有序分类数据且对非正态分布更稳健的DWLS/WLSMV估计方法。该部分结果说明,量表条目在目标样本中既未出现严重天花板效应,也未显示极端集中趋势。

3.2.2 ESEM and confirmatory factor analysis
研究2是全文的核心验证部分。研究人员比较了四类模型:单因素模型、相关双因素CFA模型、双因素模型以及双因素ESEM模型。结果显示,单因素模型拟合最弱,说明量表不能被简单理解为单一、未分化的总体构念。相关双因素CFA模型相较单因素模型明显改善,且各条目在所属维度上的标准化载荷均具有统计学意义和实质解释价值。该模型拟合优良,CFI = 0.994,TLI = 0.994,RMSEA = 0.066,SRMR = 0.056,支持“认知依赖”和“情绪失调性依赖”两维度结构。

值得注意的是,双因素之间相关较高,CFA模型中潜变量相关为r = 0.87,提示两维度密切相关。研究人员因此进一步估计双因素模型和ESEM模型,以检验高相关是否意味着两个维度实质冗余。双因素模型虽然给出最佳整体拟合,但在控制一般性“学术性人工智能过度依赖”因子后,特异因子的可解释性有限,尤其情绪失调性依赖特异因子残差方差不显著,部分条目在特异因子上的载荷较弱,因此该模型虽统计拟合优越,却不适合作为最终测量结构。ESEM模型则在允许交叉载荷后进一步提升拟合,并将因子相关从0.87降至0.64,说明CFA中较高因子相关部分来源于“交叉载荷固定为零”的严格假设,而非两个维度完全重合。综合经验拟合、理论清晰性、参数稳定性与模型简约性,研究人员最终保留了相关双因素CFA模型。该结论表明,学术性人工智能过度依赖是一个整体性现象,但其中仍可区分认知委托与情绪—调节性依赖两个相互关联而不完全相同的成分。

3.2.3 Convergent and discriminant validity
收敛效度分析显示,两维度AVE均超过0.50,其中认知依赖AVE = 0.527,情绪失调性依赖AVE = 0.658,表明潜变量能够较好解释其所属条目方差。组合信度方面,认知依赖CR = 0.908,情绪失调性依赖CR = 0.961,进一步说明量表维度内部具有较强一致性。区分效度方面,Fornell-Larcker标准未完全满足,即两个维度的AVE平方根均低于潜变量间相关,反映其潜在重叠程度较高;但HTMT = 0.815,低于0.85这一较保守阈值,因此仍支持两者具有可接受的区分效度。研究人员据此认为,两维度虽然高度相关,但并非经验上冗余,保留双因素结构在理论上与心理测量学上均属可辩护方案。

3.2.4 Measurement invariance across Sex
研究进一步检验了量表在性别组间的测量等值性。构型等值模型显示男性与女性样本具有相似的因素结构;在此基础上,度量等值、标量等值与严格等值模型的拟合变化均在推荐阈值内,支持因子载荷、阈值及残差在性别组间具有可比性。该结果具有重要方法学意义,说明该量表不仅在整体样本中结构稳定,而且可用于男性与女性学生之间的得分比较,而不必担心测量结构差异导致的解释偏误。

3.2.5 Internal consistency
量表信度结果良好。情绪失调性依赖维度的Cronbach’s α与McDonald’s ω均为0.94,认知依赖维度的α与ω均为0.88。上述结果表明,两个维度均具有较高的内部一致性,可为后续研究应用提供基础支持。

在讨论部分,作者强调,本研究提出的“学术性人工智能过度依赖”不应被简单归类为技术成瘾、人工智能成瘾或广义问题性技术使用。传统成瘾模型多围绕快感满足、强化机制、强迫性使用和失控行为展开,而本文量表所捕捉的核心机制,是学生把本应由自身完成的学术认知与学习调节功能转移给生成式人工智能系统。情绪失调性依赖维度反映的是当人工智能无法使用时,学生在学习启动、持续与组织方面出现的不适和困难,这更接近自我调节学习受外部系统嵌入后产生的脆弱性,而非经典戒断或渴求机制。认知依赖维度则是研究中最具概念意义的发现之一,它集中体现了生成式人工智能已介入高阶学术认知活动,包括推理、综合、结构化表达与问题解决。作者据此提出,这一现象可被理解为一种认知—功能位移过程,即认知与自我调节功能从学生向外部智能系统的渐进式再分配。

研究还指出,这一议题在健康科学教育中尤为关键,因为专业训练依赖临床推理、证据评估及不确定条件下的判断能力。如果学生越来越依赖外部生成式系统完成这些功能,可能会影响其学术自主性与专业能力发展的路径。因此,该量表可作为未来研究生成式人工智能如何改变大学学习过程、学生与智能系统关系以及学术推理能力形成机制的基础工具。此外,量表通过了性别严格等值检验,也增强了其结构稳定性与跨组比较价值。

作者同时明确了研究局限。首先,两项样本均来自厄瓜多尔同一所私立大学的健康科学学生,情境较为单一,且女性比例偏高,因此结论的可推广性有限。其次,本研究提供的主要是基于内部结构、内部一致性和测量等值性的初步效度证据,尚未纳入外部变量,因而无法检验聚合效度、区分效度、效标关联效度与预测效度。作者建议未来研究应在不同国家、不同教育层次、不同学科和更多样化样本中检验该量表,并进一步考察其与自我调节学习、学业拖延、认知卸载、人工智能素养、学业投入、批判性思维、学业成绩、自动化信任、技术依赖及人工智能依赖等构念的关系,同时区分适应性人工智能辅助学习与失适应性过度依赖。

研究结论部分可译为:本量表的开发是理解生成式人工智能如何逐步嵌入大学生学术功能的重要一步。该工具基于内部结构、信度及跨性别结构稳定性提供了初步心理测量学证据,支持其在高等教育情境中评估学术性人工智能过度依赖的潜在用途。然而,这些发现应被视为验证过程的起点,而非关于量表广泛效度的最终证据。该量表超越了对高频或问题性技术使用的单纯评估,能够捕捉与智能系统融入日常学术活动相关的特定认知和自我调节外化形式。总体而言,本研究为理解生成式人工智能可能如何改变学习过程、学术自主性以及学生与智能系统之间认知功能分配提供了新的经验基础,但仍需要在更广泛人群、不同学科和多元文化背景中开展进一步研究,以持续检验该工具的适用性与稳定性,并为未来教育策略、制度政策和相关研究提供依据。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号