《Frontiers in Psychology》：Understanding university students’ AI ethical decision-making in academic contexts: a SOR - social cognitive perspective
编辑推荐：
引言：生成式人工智能（generative artificial intelligence, GenAI）融入高等教育重塑了学生的学术实践，并模糊了学术诚信的规范边界。以往研究主要关注态度和使用意图，较少关注学生在学术场景中的人工智能伦理决策（AI ethic
引言：生成式人工智能（generative artificial intelligence, GenAI）融入高等教育重塑了学生的学术实践，并模糊了学术诚信的规范边界。以往研究主要关注态度和使用意图，较少关注学生在学术场景中的人工智能伦理决策（AI ethical decision-making）及其心理机制。本研究检验了人工智能伦理指导（AI ethics guidance）、学术伦理课程体验（academic ethics course experience）、道德认知（moral cognition）、认知复杂性（cognitive complexity）与AI伦理决策之间的关联。研究测试了道德认知是否中介了规范性输入与AI伦理决策之间的关系，以及认知复杂性是否增强了这些关系。本研究将刺激-机体-反应（Stimulus–Organism–Response, SOR）框架与社会认知理论（Social Cognitive Theory）相结合，并进行了净效应、组态和重要性-绩效分析。方法：从中国大学收集了1106名本科生的调查数据。采用偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）检验直接、中介和调节关系，并辅以模糊集定性比较分析（fuzzy-set qualitative comparative analysis, fsQCA）识别高AI伦理决策的组态路径。重要性-绩效矩阵分析（importance–performance matrix analysis, IPMA）确定了干预优先事项。结果：人工智能伦理指导（β = 0.334, p < 0.001）和学术伦理课程体验（β = 0.336, p < 0.001）均与AI伦理决策呈正相关。两种规范性输入均与道德认知呈正相关（β分别为0.479和0.280，p < 0.001），而道德认知与AI伦理决策呈正相关（β = 0.215, p < 0.001）。通过道德认知识别出显著间接关系（间接β分别为0.103和0.060，p < 0.001）。认知复杂性增强了两种规范性输入与AI伦理决策之间的关系（β分别为0.077和0.073，p < 0.05）。该模型解释了AI伦理决策66.3%的方差（R2 = 0.663）。fsQCA显示，没有单一必要条件，但人工智能伦理指导和学术伦理课程体验在高绩效组态中始终作为核心条件出现（总体一致性 = 0.934；覆盖度 = 0.793）。讨论：研究结果将学术诚信研究从态度转向基于场景的决策质量，并通过道德认知阐明了内化机制，从而推进了该领域。在实践层面，研究结果强调了技术提示（technological prompts）和学术伦理课程体验在培养学生AI伦理决策中的互补作用。
研究背景与问题：在生成式人工智能（GenAI）深度融入高等教育的背景下，学生学术实践的范式发生转变，而学术诚信的规范边界变得模糊。传统研究多聚焦于学生对AI的态度、使用意图或自我报告的合规判断，但忽视了在具体AI使用场景中，学生如何做出合乎伦理的决策。现有研究分散地讨论了技术环境线索（如平台提醒）和制度化教育输入（如学术伦理课程）的作用，却缺乏统一框架解释两者如何通过心理机制影响决策质量。因此，本研究旨在整合技术驱动的伦理指导与院校伦理教育，从“刺激-机体-反应”（SOR）框架与社会认知理论的视角，构建并检验一个从规范性输入到道德认知内化，再到AI伦理决策的机制链。
研究内容与结论：研究人员以中国大学1106名本科生为样本，通过问卷调查收集数据（包括AI伦理指导感知、学术伦理课程体验、道德认知、认知复杂性，以及基于场景任务的AI伦理决策表现）。采用偏最小二乘结构方程模型（PLS-SEM）、模糊集定性比较分析（fsQCA）和重要性-绩效矩阵分析（IPMA）进行分析。主要结论如下：（1）AI伦理指导和学术伦理课程体验均正向预测AI伦理决策；（2）道德认知在两种规范性输入与AI伦理决策之间起中介作用，即外部规范通过内化过程影响决策质量；（3）认知复杂性正向调节两种规范性输入对AI伦理决策的影响，即高认知复杂性的学生更能利用外部规范提升决策；（4）多种组态路径均可实现高AI伦理决策，其中AI伦理指导和学术伦理课程体验始终作为核心条件。该研究发表在《Frontiers in Psychology》，其意义在于将学术诚信研究从态度取向转向情境决策质量，并揭示了道德认知作为内化机制的关键作用，为课程优化和AI伦理指导设计提供了实践方向。
关键技术与方法：本研究采用多方法整合策略。首先，使用偏最小二乘结构方程模型（PLS-SEM）评估净效应、中介和调节作用；其次，运用模糊集定性比较分析（fsQCA）识别导致高AI伦理决策的多种组态路径；最后，通过重要性-绩效矩阵分析（IPMA）确定干预优先项。样本来源为来自中国十省份、三十余所高校的1106名本科生，涵盖不同年级、学科和AI使用频率，通过分层便利抽样结合线上（问卷星平台）和线下（课堂）方式收集。AI伦理决策通过五个基于场景的任务（涵盖AI改写与归属、AI生成参考文献、AI生成代码或作业作者身份、数据处理、涉及不当AI使用的团队合作）进行表现性评分，评分包括行为选择质量和书面理由质量两部分。
研究结果：4.1 描述性统计与相关分析：核心变量均值较高，AI伦理决策均值最高（3.98），学术伦理课程体验均值较低（3.88）。变量间均呈显著正相关（p<0.01），其中AI伦理决策与AI伦理指导（r=0.697）和学术伦理课程体验（r=0.692）相关性最强。4.2 测量模型：所有观测指标标准化因子载荷介于0.705至0.792，平均方差提取值（AVE）介于0.572至0.609，组合信度（CR）介于0.874至0.903，Cronbach’s α介于0.820至0.875，表明收敛效度和内部一致性良好。Heterotrait-Monotrait比率（HTMT）均小于0.85，支持区分效度。最大方差膨胀因子（VIF）为1.998，无严重共线性。4.3 结构模型：模型解释AI伦理决策66.3%的方差（R2=0.663），标准化残差均方根（SRMR）=0.039，规范拟合指数（NFI）=0.901，拟合良好。路径分析显示：学术伦理课程体验（β=0.336，p<0.001）和AI伦理指导（β=0.334，p<0.001）直接正向影响AI伦理决策，支持H1和H2；两者均显著正向影响道德认知（β=0.280和0.479，p<0.001），支持H3和H4；道德认知显著正向影响AI伦理决策（β=0.215，p<0.001），支持H5。间接效应显著：学术伦理课程体验通过道德认知影响AI伦理决策（β=0.060，p<0.001），AI伦理指导通过道德认知影响AI伦理决策（β=0.103，p<0.001），支持H6和H7。调节效应：认知复杂性正向调节学术伦理课程体验（β=0.073，p=0.021）和AI伦理指导（β=0.077，p=0.017）对AI伦理决策的影响，支持H8和H9。控制变量中，性别和年级无显著影响，AI使用频率和专业有小但显著的正向作用。4.4 fsQCA：必要性分析显示无单一条件达到0.90一致性阈值，但AI伦理指导、学术伦理课程体验和认知复杂性在高AI伦理决策案例中常见。组态分析得出五种高AI伦理决策路径，AI伦理指导和学术伦理课程体验在所有高配置中作为核心条件，道德认知和认知复杂性作为边缘或缺失条件。总体一致性0.934，总体覆盖度0.793。4.5 IPMA：高重要性-低绩效象限包括AEC3、AEC5和AEG7（如案例训练、程序性指导、引用验证提示），属于优先改进领域；高重要性-高绩效象限包括AEG1、AEC1和AEC4，为稳定优势。
讨论与结论：讨论部分指出，AI伦理指导和学术伦理课程体验通过互补机制影响AI伦理决策：技术指导提供即时情境线索，课程教育提供系统化培训。道德认知的中介作用表明外部规范可内化为稳定的评价标准。认知复杂性的调节作用揭示学生对外部规范的反应存在个体差异，高认知复杂性者更能整合信息。fsQCA结果补充了多种等效路径，说明AI伦理决策可通过不同条件组合实现。结论部分翻译如下：在AI融入学习的情境下，本研究发展并检验了以AI伦理决策为核心的心理机制框架。主要结论包括：（1）AI伦理指导和学术伦理课程体验均与大学生AI伦理决策呈正相关。（2）道德认知是连接外部规范性输入与AI伦理决策的关键内化机制。（3）认知复杂性增强了AI伦理指导和学术伦理课程体验对AI伦理决策的影响。（4）高AI伦理决策可通过多种组态实现，虽无单一必要条件，但AI伦理指导和学术伦理课程体验在高水平路径中始终作为核心条件。研究结果建议，AI学术诚信治理应结合可操作的AI指导与结构化的学术伦理培训。本研究将学术诚信研究从态度和意图转向基于场景的决策质量，并为课程优化和AI指导设计提供了实践方向。
