教育卓越的社会技术框架：新兴金融市场中人工智能与Jidoka在会计教学法中的整合的实证验证

《Computers and Education: Artificial Intelligence》：A socio-technical framework for educational excellence: Empirical validation of artificial intelligence and jidoka integration in accounting pedagogy within emerging financial markets

　　

本研究的重点是人工智能（AI）工具如何影响基于Jidoka概念的质量保证体系，该体系位于新兴金融市场环境下的会计教育生态系统中。该研究通过解决一个现有证据的空白，填补了在传统金融中心以外地区技术使用方面的空白。研究在科威特（一个处于早期阶段的金融中心，技术采纳指数=0.72）进行，并于2021年从三组参与者中收集了横截面调查数据：86名教育工作者、231名高年级学生和28名审计专业人士。采用校正了测量误差的结构方程模型（SEM）作为分析技术。集成的AI-Jidoka模型解释了感知教育质量73%的方差（;，GFI = 0.93，CFI = 0.94，RMSEA = 0.058）。Jidoka质量协议与教育质量存在显著正相关关系（,），并与评估准确性（提高了31.4%）呈正相关。AI对教育质量的积极影响在零阶相关水平上很明显（,）；然而，这种影响很大程度上是通过间接路径和机构技术准备度来中介的，一旦两者都得到控制，AI对教育质量不再有显著的直接关系（,），技术准备度成为主导杠杆（总效应，）。结果表明，使用AI的益处可以通过将AI与机构准备度和结构化的质量控制协议相结合来实现。由于本研究是在一个国家、一个时间点进行的横截面感知调查，因此结果是解释性的而非因果性的；然而，它们确实为支持在发展中国家会计教学法中采用集成的社会技术采纳模型提供了实证证据。

**论文解读：人工智能与Jidoka集成框架在会计教育中的实证验证**

**研究背景、问题与目的**

长期以来，大学教育质量，特别是会计学科的教学方式，已发生显著变化。技术改变了教学方法、课程设计以及学生的学习方式。然而，尽管对教育技术进行了大量投资，会计项目仍面临一系列与质量相关的共同挑战：课程缺乏一致的衡量标准、计算机辅助评估的可靠性存疑，以及从“传统”向“混合”教学模式转型的进程不一。在新兴经济体中，国内会计项目与国际公认标准之间存在约18-19%的绩效差距。本质上，这些问题并非内容或设备上的缺陷，而是质量控制环节的失败：错误（如误用标准、评分错误、未识别的概念误解）发生，未被察觉地蔓延至后续课程材料，直至最终总结性评估时才被发现，此时纠正成本高昂。会计教育因其顺序性和规则导向性，特别适合采用制造业中类似的质量控制逻辑。因此，仅仅修订教学大纲或引入新软件并不能解决根本问题，关键在于建立一个能在过程中发现并纠正错误的机制。为此，研究人员转向丰田生产体系的支柱之一——Jidoka（自働化）框架。Jidoka遵循“检测、停止、纠正、调查根源”四个步骤，应用于课堂可使教师实时识别错误并在错误概念被强化前进行干预。然而，Jidoka本身不足以应对对数千名学生进行实时、细微错误识别的需求，传统的数字工具也缺乏基于检测结果采取纠正行动的逻辑。人工智能（AI）擅长模式识别和大规模反馈，而Jidoka提供治理框架，将原始预测转化为及时的人类干预。两者相互需要。本研究旨在解决会计教育中缺乏实证验证的、将AI嵌入质量保证协议框架的问题，在科威特测试了一个集成的AI-Jidoka模型，并做出了三项贡献：(1) 阐述了一个将工业过程质量逻辑引入课堂的社会技术模型；(2) 通过345名教育工作者、学生和实践者对该模型进行了实证评估；(3) 展示了AI驱动、Jidoka治理的反馈如何与弥合区域绩效差距相关联。

**主要技术方法**

研究人员开发并验证了一套包含35个题项、六维度子量表的调查工具，采用李克特五级量表，在内容效度、响应过程和内部结构方面进行了分阶段验证。研究采用分层随机抽样策略，于2021年2月在科威特收集了来自八个会计系的345份有效问卷，样本包括86名教育工作者、231名高年级学生和28名审计专业人士（样本来源：科威特）。主要分析方法包括描述性统计、独立样本t检验、方差分析（ANOVA）、多元方差分析（MANOVA）以及结构方程模型（SEM）。SEM在校正了测量误差，并采用Bollen-Stine bootstrap校正处理数据的非正态性。

**研究结果**

1. **利益相关者感知与假设检验**
* 关于课程相关性（H₁）：教育工作者与学生之间未发现显著差异，原假设成立。但学生在AI实施准备度上的感知显著低于教育工作者。
* 关于教育责任（H₂）：组间差异较小，但教师专业发展是感知教育有效性的强预测因子，技术熟练度调节了此关系。
* 关于机构角色（H₃）：三个组别在感知机构对技术采纳的支持度上存在显著差异，原假设被拒绝，此差异在实践者与教育工作者之间最为显著。
* 关于未来轨迹（H₄）：存在显著的多元差异，原假设被部分拒绝；各组对核心能力优先级排序基本一致，但机构整合技术于课程的速度感知不同。
* 关于毕业生准备度（H₅）：实践者对毕业生技术能力的评价显著低于教育工作者的自我评估，揭示了显著的学界-业界差距，原假设被拒绝。

2. **结构模型与拟合度**
结构方程模型（SEM）拟合良好（GFI = 0.93, CFI = 0.94, RMSEA = 0.058），解释了教育质量73%的方差。机构技术准备度是AI实施和Jidoka实施的显著前因。Jidoka实施对教育质量有显著正向直接路径。然而，一旦将技术准备度作为共同前因进行建模，AI实施对教育质量的直接路径不再显著，技术准备度对教育质量的总效应显著且大部分为间接效应。

3. **路径分析与中介效应**
零阶相关水平上，AI实施强度与教育质量强相关，Jidoka协议对评估准确性有显著影响。中介分析确定了AI通过三条路径影响教育质量：增强评估准确性、提高教师生产力、改善学生参与度。这表明AI的贡献主要通过中介机制而非直接路径实现。

4. **回归与SEM估计的调和**
多元回归分析仅解释了极低的教育质量方差，且无显著预测因子，而SEM解释了73%。这种差异是预期的，反映了三个不同点：SEM使用潜变量校正了测量误差；SEM指定了技术准备度和中介结构，这些是AI效应的主要载体；SEM使用多指标潜变量测量教育质量。两者结果一致，均表明AI几乎没有未中介的直接效应。

5. **因子结构分析**
探索性因子分析提取出四个关键因子：支持质量的技术（34.9%）、质量控制过程（17.7%）、用户满意度（11.9%）、实施障碍（9.1%），所有题项载荷清晰。结果表明，Jidoka与AI系统的结合能比单独系统更有效地提升性能，特别是评估准确性，相比基线提升了31.4%。

**讨论与结论**

**讨论部分总结：** 研究发现，AI实施与教育质量的关联符合建构主义学习理论，但并非因果关系。学习分析是利益相关者评估教学质量的核心，应内置于教学设计中。研究人员提出了两个基于Jidoka的课堂应用建议：Poka-Yoke（防错法）和Andon（安灯系统）。框架的主要贡献在于通过“学习分析”概念实现了对教育质量的持续内部监控，解释了约73%的方差，表明改进主要源于评估时机和方法的变化，而非简单添加新技术。伦理方面，讨论了AI在会计教育中的非恶意、公正、自主和可解释性原则，强调必须通过Jidoka的中断过程让人类始终参与决策，并需进行偏见审计、允许教师覆盖自动中断、告知学生测量内容与原因。研究的局限性在于其为横截面、单国别（科威特，TAI=0.72）研究，数据收集于2021年，早于生成式AI的公开普及，因此应被视为一个基线。与先前研究比较，本研究发现学界-业界技术能力差距的效应量（Cohen's d=0.91）较大，且机构准备度和教师培训是AI发挥积极影响的关键变量，这与“技术优先”的观点形成对比。

**结论翻译：** 为了确定将人工智能与基于Jidoka的质量保证系统相结合是否能在新兴金融市场的会计项目中提供改进的教育质量，建构主义理论、技术接受模型（TAM）理论和精益理论为本研究提供了理论框架。研究人员采用了一个包含测量误差校正的结构方程模型（SEM）来分析这些变量之间的关系。结果表明，归因于使用AI来提供改进教育质量的大部分益处是间接的。在控制机构技术准备度的情况下，从AI到教育质量没有统计学上显著的直接路径（,）。相比之下，Jidoka质量控制过程的影响具有统计学上显著的直接效应（,）；它还提供了31.4%的评估准确性改进。因此，仅仅采用技术本身并不能提供提高教育质量的杠杆；相反，机构准备度以及实施结构化的、过程中的质量控制过程才是关键。出于实践目的，结果展示了一种将过程内质量控制整合到会计项目课程中的具体方法。这包括建立机构基础设施和教师发展作为实现此目标的主要手段；而技术本身是次要的。接下来需要进行纵向、多国别测试，以及对所提出的Poka-Yoke和Andon应用及防止算法偏见的保障措施进行直接评估。在第6部分承认的局限性范围内，证据倾向于将会计教育中的AI视为一个依赖于准备度、受人监督的质量体系的一个组成部分，而非一个独立的工具。