《Acta Psychologica》：The effects of perceived technical explanation and analogical explanation on learning behavioral intention among K-12 students with different subject preferences in AI-assisted learning
编辑推荐：
本研究基于双过程理论（Dual-Process Theory, DPT）和认知负荷理论（Cognitive Load Theory, CLT），探讨感知技术解释（Perceived Technical Explanation, PTE）和感知类比解释（Perc
本研究基于双过程理论（Dual-Process Theory, DPT）和认知负荷理论（Cognitive Load Theory, CLT），探讨感知技术解释（Perceived Technical Explanation, PTE）和感知类比解释（Perceived Analogical Explanation, PAE）如何影响K-12学生在AI辅助学习中的学习行为意向（Learning Behavioral Intention, LBI）。研究人员采用单组双刺激设计，对来自中国东部三所中学的258名八年级学生进行研究发现，PTE通过自我效能感（Self-Efficacy, SE）正向影响LBI，而PAE通过学习兴趣（Learning Interest, LI）正向影响LBI。相关认知负荷（Germane Cognitive Load, GCL）并不中介两种解释风格与LBI之间的关系。学科偏好（Subject Preference, SP）调节PTE对LBI的影响，但不调节PAE对LBI的影响。研究结果提供了一个双认知-情感通路模型，用于理解AI解释如何影响学生的学习投入，并为K-12教育中设计学科自适应的生成式AI（Generative AI, GAI）系统提供启示。
本研究旨在探讨在人工智能辅助学习环境中，不同解释风格如何影响K-12学生的学习行为意向，并发表于《Acta Psychologica》。研究背景方面，随着生成式AI在教育中的深度整合，个性化自适应学习系统得以大规模部署，但技术整合的深度并未自动转化为学生使用AI学习工具的意愿。学习行为意向受多种认知和情感因素影响，其中AI解释的质量是一个关键但未被充分研究的变量。现有研究将AI解释视为统一的反馈形式，忽视了不同解释风格背后的内在认知逻辑差异，尤其是基于双过程理论，技术解释和类比解释激活不同认知系统的根本区别。此外，学科类型对解释风格有效性的调节作用被广泛忽略，导致难以揭示AI解释在数学推理和语言感知任务中的不同效应。
为弥补这些空白，研究人员基于双过程理论（DPT）和认知负荷理论（CLT），将AI解释区分为感知技术解释（PTE）和感知类比解释（PAE）。PTE侧重于证据链和逻辑推导，对应于分析处理通路；PAE则借助相似历史案例和叙事语境，激活直觉模式识别。研究以K-12学生为参与者，在数学几何和英语语法两个学习情境中，系统考察了每种解释风格通过自我效能感（SE）、学习兴趣（LI）和相关认知负荷（GCL）这三个中介变量影响学习行为意向（LBI）的内部机制，并检验学科偏好（SP）的调节作用。
研究得出以下结论：PTE通过自我效能感正向影响LBI，而PAE通过学习兴趣正向影响LBI。相关认知负荷不预测学生使用AI学习工具的意愿。学科偏好显著调节了PTE对LBI的影响，但未调节PAE对LBI的影响。本研究为AI解释文献贡献了一个双认知-情感通路模型，并为不同学科背景下设计学科差异化的生成式AI教学系统提供了初步的相关性证据。
**主要技术方法**：本研究采用单组双刺激感知设计，学生同时接受PTE和PAE两种解释。参与者来自中国东部三所鼓励学生在课后使用GAI辅助学习的中学，采用多阶段抽样，最终纳入258名八年级学生。使用SmartPLS进行偏最小二乘结构方程模型（PLS-SEM）分析，通过5000次子样本自助法评估路径系数显著性，并采用PLSpredict评估预测相关性。学科偏好通过单题强制选择测量。
**研究结果**：
- **5.1 测量模型**：通过评估指标可靠性（因子载荷>0.70）、内部一致性（Cronbach's α为0.873-0.943，CR为0.913-0.956）、收敛效度（AVE>0.50）和区分效度（交叉载荷、Fornell-Larcker准则、HTMT比率<0.85），确认测量模型具有良好的信度和效度。共同方法偏差（CMB）不严重。
- **5.2 结构模型**：路径分析显示，PTE对LBI有显著正向影响，对GCL和SE有显著正向影响；PAE对GCL和LI有显著正向影响；LI和SE对LBI有显著正向影响。PAE对LBI和SE的影响不显著，PTE对LI的影响不显著，GCL对LBI的影响不显著。LBI的R2为0.525，表明解释适度到实质性。中介分析显示，SE中介了PTE对LBI的影响，LI中介了PAE对LBI的影响，GCL未中介任何关系。学科偏好显著调节了PTE对LBI的影响，但未调节PAE对LBI的影响。
**讨论部分总结**：研究发现PTE通过自我效能感路径影响LBI，而PAE通过学习兴趣路径影响LBI，验证了双认知-情感通路模型。PTE对LBI的直接影响显著，这可能源于其清晰有序的呈现方式减少了认知不确定性，增强了感知有用性和控制感。PAE对LBI的直接效应不显著，但通过学习兴趣间接影响，符合理论预期。SE对LBI的正向影响强于LI，表明学生对自己能力的判断在决定行为意向时可能比情感偏好更重要。GCL对LBI无显著影响，可能因为高认知负荷下学生注意力被学习任务本身完全占据，或AI被视为“备用选项”而非即时压力应对工具。PTE通过增强学生对逻辑推理的理解和掌握感，提升其自我效能感，但未能显著激发学习兴趣，这可能是因为PTE偏重认知层面，缺乏情感激活。PAE通过类比案例激发学习兴趣，但未显著提升自我效能感，因为类比理解可能被归因于AI的表达能力而非自身能力。学科偏好仅调节PTE对LBI的作用，STEM倾向的学生对技术解释更敏感，而语言偏好学生可能对抽象推理框架不适应。PAE对LBI的调节效应不显著，可能是因为类比推理和叙事沉浸是跨学科的通用认知机制。
**研究结论翻译**：本研究为AI解释文献贡献了一个双认知-情感通路模型，并为不同学科背景下设计学科差异化的生成式AI教学系统提供了初步的相关性证据，但需在更受控的条件下进行重复验证。
