人工智能自我效能感、技术压力与批判性思维：来自秘鲁大学生的证据

《European Journal of Investigation in Health, Psychology and Education》：Artificial Intelligence Self-Efficacy, Technostress, and Critical Thinking: Evidence from Peruvian University Students

　　

人工智能（artificial intelligence, AI）在高等教育中的快速整合重新引发了人们对技术相关压力可能削弱学生高阶思维的担忧。基于社会认知框架，本研究检验了AI自我效能感与技术压力是否能预测批判性思维，研究对象为340名秘鲁大学生，他们完成了三个经过验证的量表（Yoon批判性思维倾向量表、针对AI的简短一般自我效能感量表GSE-6AI、以及RED-Technostress量表）。数据采用偏最小二乘结构方程模型（PLS-SEM）进行建模，显著性通过5000次bootstrap重抽样和样本外预测评估（PLSpredict、CVPAT）获得。AI自我效能感是批判性思维的稳健正向预测因子（β = 0.42, p < 0.001），而技术压力无直接效应（β = ?0.06, p = 0.50）；AI自我效能感与更高的技术压力相关（β = 0.24, p < 0.001），但该路径并未传递至批判性思维（无中介效应）。假设的调节效应（AI自我效能感在高技术压力下更重要）未得到确认：该效应在两阶段法下显著，但在更严格的bootstrap下不显著，因此该假设未获支持。模型解释了批判性思维中适度的方差比例（R² = 0.17），并在公立和私立大学之间保持不变。这些发现将技术压力重新定位为最多是一种远端相关因素，并识别出自信、有素养的AI参与（而非压力的缺失）是培养批判性思维的更有前景的杠杆。

**论文解读：人工智能自我效能感、技术压力与批判性思维——来自秘鲁大学生的证据**

**研究背景与问题**
人工智能（artificial intelligence, AI）在高等教育中的快速整合，特别是2022年ChatGPT发布后生成式AI（generative AI, GenAI）的普及，深刻改变了学生获取信息、完成学业任务和调节学习的方式。然而，技术带来的心理压力也日益加剧，技术压力（technostress）——即个体无法有效应对信息与通信技术（information and communication technologies, ICT）时产生的紧张状态——已被证实与大学生幸福感、动机和学业表现下降相关。但技术压力是否直接削弱高阶认知能力（如批判性思维）尚缺乏实证检验。批判性思维（critical thinking）作为核心毕业能力，在AI密集的环境中愈发重要，学生需持续评估机器生成信息。现有研究指出，技术压力可能通过消耗认知资源影响批判性思维，但保护机制尚不明确。同时，AI工具的使用引入了一个新概念：AI自我效能感（AI self-efficacy），即学生对自己有效使用AI能力的信心，其与批判性思维的关系及技术压力的调节作用尚未被探讨。因此，本研究旨在填补这两项空白，在秘鲁大学生样本中检验技术压力对批判性思维的直接效应、AI自我效能感的直接效应，以及技术压力对AI自我效能感-批判性思维关系的调节作用。

**研究内容与结论**
研究人员对340名秘鲁公立和私立大学本科生进行了横断面问卷调查，使用三个经过验证的量表：Yoon批判性思维倾向量表（13条目）、针对AI的简短一般自我效能感量表（GSE-6AI，6条目）和RED-Technostress量表（18条目，涵盖怀疑、疲劳、焦虑、无效感和成瘾五个维度）。数据采用偏最小二乘结构方程模型（PLS-SEM）分析，通过5000次bootstrap重抽样评估显著性，并使用PLSpredict和CVPAT进行样本外预测评估。研究发现：AI自我效能感对批判性思维有稳健的正向预测效应（β = 0.42, p < 0.001），而技术压力无直接效应（β = ?0.06, p = 0.50）。假设的调节效应（AI自我效能感在高技术压力下更重要）仅在两阶段法下显著，但在更严格的全bootstrap重估计下边际显著，因此未获支持。模型解释了批判性思维17.0%的方差（R² = 0.17），并在公立和私立大学间保持测量和结构不变性。这些发现重新定位了技术压力：最多是批判性思维的远端相关因素，而非直接威胁；培养自信、有素养的AI参与比减少压力更有利于促进批判性思维。论文发表在《European Journal of Investigation in Health, Psychology and Education》。

**主要关键技术方法**
本研究采用横断面、相关设计，样本来源为秘鲁公立和私立大学的本科生，通过非概率便利抽样招募340名参与者。关键技术方法包括：使用Yoon批判性思维倾向量表、GSE-6AI量表和RED-Technostress量表进行数据收集；采用PLS-SEM（在SmartPLS 4.1.1.8中执行）进行模型估计，包括测量模型评估（内部一致性、收敛效度、区分效度）和结构模型评估（路径系数、R²、效应量f²、样本外预测相关性Q²_predict和PLSpredict，以及交叉验证预测能力测试CVPAT）；调节效应通过两阶段法检验，并辅以全bootstrap重估计；共同方法偏差通过Harman单因子检验和全共线性方差膨胀因子（VIF）评估；跨组不变性通过MICOM程序和置换多组分析检验。

**研究结果**
**3.1 测量模型（第一阶段）**
所有构念的Cronbach‘s α、ρ_A和组合信度ρ_c均超过0.70，标准化因子载荷在0.52至0.85之间。AI自我效能感的平均方差提取量（average variance extracted, AVE）为0.60，批判性思维和技术压力约为0.40，低于0.50基准，但组合信度均高于0.70，符合Fornell和Larcker（1981）及Malhotra和Dash（2011）的建议，即当AVE较低时，组合信度高于0.60可视为收敛效度的可接受证据。所有指标VIF低于3.3，表明无指标共线性。

**3.2 区分效度**
区分效度得到支持：每个构念AVE的平方根均超过其与其他构念的相关系数（Fornell-Larcker准则），所有异质-单质比率（heterotrait-monotrait ratio, HTMT）均远低于0.85。

**3.3 共同方法偏差与模型拟合**
Harman单因子检验显示第一个未旋转因子解释22.8%的方差（<40%），全共线性VIF均低于1.3，表明共同方法偏差不严重。近似模型拟合指标中，SRMR为0.105（超过0.10阈值），但NFI为0.952（高于0.90基准），结合PLS-SEM中模型拟合被弱化的指导原则，推断主要依赖测量和预测评估。

**3.4 解释力与预测力**
AI自我效能感和技术压力共同解释批判性思维的17.0%方差（R² = 0.17），AI自我效能感解释技术压力的5.7%方差。样本外预测相关性有限：批判性思维指标的Q²_predict接近零，CVPAT显示模型未超过指标均值基准，表明技术压力与批判性思维关联微弱。

**3.5 结构模型与假设检验（第二阶段）**
AI自我效能感对批判性思维有显著正向效应（H2: β = 0.42, 95% CI [0.32, 0.53], p < 0.001, f² = 0.20），支持假设2。技术压力对批判性思维无直接效应（H1: β = ?0.06, p = 0.50），假设1未获支持。AI自我效能感对技术压力路径在标准bootstrap下显著（β = 0.24, p < 0.001），但在全bootstrap重估计下不显著（95% CI [?0.12, 0.36], p = 0.08）。

**3.6 调节效应（H3）与补充中介检验**
技术压力对AI自我效能感-批判性思维关系的调节效应：两阶段法下交互项显著（β = 0.15, 95% CI [0.024, 0.251], p = 0.012），但全bootstrap重估计下仅边际显著（95% CI [?0.015, 0.264], p = 0.07），且效应量小（f² = 0.031），因此假设3未获支持。简单斜率分析显示，在低技术压力（?1 SD）下AI自我效能感对批判性思维的斜率为0.31，在高技术压力（+1 SD）下为0.60，但仅具描述性。补充中介分析显示，AI自我效能感通过技术压力对批判性思维的间接效应不显著（a × b = ?0.014, 95% CI [?0.039, 0.011]），直接效应显著（c′ = 0.42, p < 0.001），对应直接效应无中介模式。

**3.7 多组分析：公立与私立大学**
MICOM程序确认了完全测量不变性，置换多组分析显示所有结构路径在公立和私立大学之间无显著差异，表明模型在两种机构背景下等价。

**讨论与结论**
**讨论部分总结**：本研究澄清了技术压力是否削弱批判性思维，以及AI自我效能感如何影响该结果。三大发现：AI自我效能感是批判性思维的稳健正向预测因子；技术压力无直接效应；假设的调节效应未获支持。这些结果重新框定了广泛担忧：在AI中介的高等教育中，技术施加的压力对高阶认知的影响可能不如学生动员技术资源的信心重要。理论上，将社会认知理论扩展到AI领域，将AI自我效能感视为高级认知的近端预测因子，并重新概念化技术压力与个人资源的关系为边界条件而非直接威胁。实践上，干预应优先通过AI素养教育促进积极有效的AI参与，而非单纯减少压力。多组分析表明结论适用于公立和私立大学。局限性包括横截面设计、便利抽样、自我报告测量、AVE部分偏低、交互效应统计功效不足等。

**研究结论翻译**：本研究检验了技术压力是否会削弱批判性思维，以及是否存在比主流叙事更复杂的答案。在秘鲁340名大学生样本中，技术压力对批判性思维无直接效应，也未作为连接AI自我效能感与批判性思维的路径。最重要的是参与者的AI使用自我效能感，这是唯一与批判性思维呈强正相关的变量。假设的调节效应（即该信心在高技术压力下最有价值）在严格bootstrap推断下未获支持；这种边界条件是否存在，本研究留待后续解答。本研究做出三项独特贡献：第一，展示了领域特定自我效能感在社会认知理论中应用于AI使用的重要性，并将技术压力更准确地描述为潜在限制条件而非直接威胁；第二，在方法上，将传统估计与全面预测评估结合bootstrap推断，报告了模型在样本外的有限适用性，而非过度乐观的估计；第三，在实践层面，提出在AI素养项目中发展AI技能和批判性思维技能，并将AI的受控使用作为拉丁美洲背景下促进批判性思维的更直接路径，而非专注于压力缓解。结论受限于横截面、单国方法以及对AI自我效能感作为构念的早期考虑。因此，技术压力的调节作用应视为待探索的假设而非确定发现。未来研究应采用纵向设计、多情境、大样本，并使用客观批判性思维测量。但核心信息不变：在AI密集的高等教育中，增强学生对AI的信心和能力很可能比保护他们免受技术压力更有效地促进批判性思维。