AI介导的建成环境教育中的认知分化：来自混合方法研究的证据

《Computers and Education: Artificial Intelligence》：AI-Mediated Cognitive Divergence in Built-Environment Education: Evidence from a Mixed-Methods Study

　　

生成式人工智能（Generative AI, 简称GenAI）正在迅速融入设计教育，但其对学生学习过程的影响在实证上仍未被充分探索。本研究报道了一项在某一研究密集型大学的建成环境学院进行的序贯混合方法调查，基于24次教师访谈、一项包含32名教师并采用回归建模的问卷调查，以及五次涉及31名参与者的分组讨论。教师们的叙述一致指向一种模式，即AI放大了学生准备程度的现有差异，而不是产生统一的改善。与认知卸载理论（cognitive offloading theory）一致，基础较好的学生利用AI扩展推理和加速迭代，而基础较弱的学生则将形成性认知工作委托给AI，产生连贯的输出但缺乏相应的理解。这种分化因过程可见性的丧失而加剧，因为AI生成的输出不再可靠地表明学生如何完成他们的工作，同时，构成能力建设的摩擦性学习阶段也被侵蚀。教师们的应对策略包括以过程为导向的评估重新设计和有意识地重新引入认知约束，但报告称无可扩展的解决方案。探索性定量分析（n=32）确定，在教师AI积极性模型中，感知到的教学相关性而非资历或职业阶段是主要预测因子。理论课程导向与AI积极性之间存在显著负相关，表明统一的整合策略可能导致不同课程类型之间的结果不均。设计教育中有效的AI整合需要差异化策略，这些策略应响应课程认识论（course epistemology）和学生准备水平，并通过过程可见的方法而非仅凭输出质量进行评估。

**论文解读：生成式AI在建成环境教育中的认知分化效应与差异化整合策略**

**研究背景与问题**
生成式人工智能（Generative AI, 简称GenAI）以异常速度进入高等教育，调研显示80%本科生已在校内使用AI工具，在建筑学等设计教育领域更是被广泛应用于早期构思、可视化与研究流程。然而，现有文献多聚焦于采纳模式、用户态度与治理框架，缺乏对AI如何重塑学习过程的实证考察。即使有研究指出认知卸载（cognitive offloading）风险（学生将认知任务委托给AI，导致深层参与减少），但鲜有研究在学科内在规模上系统分析AI整合对学习过程、教师实践与结构性条件的影响。设计教育高度依赖过程性学习——通过迭代、反思、隐性判断（tacit judgement）形成能力，而AI可能绕过这些摩擦性学习阶段，导致输出与理解脱钩。因此，本研究旨在回答三个核心问题：教师如何感知AI重塑学生学习过程与认知参与？哪些结构因素（资历、课程导向、感知教学效果）与教师对AI的积极性相关？教师开发了哪些教学与评估适应策略，其可扩展性限制何在？

**研究内容与意义**
研究人员在所属研究密集型大学的建成环境学院（涵盖建筑、景观建筑、城市规划与设计、房地产与建设四个系/分部）开展了一项序贯混合方法研究。通过24次半结构化深度教师访谈、32名教师问卷调查（含多元回归建模）以及五次分组讨论（31名参与者），研究人员揭示了AI整合中的核心现象——认知分化（cognitive divergence）：AI并非产生统一改善，而是放大学生现有准备程度的差异。该研究提供了学院范围的三角验证证据，证明理论课程导向而非资历是教师AI积极性的显著预测因子，并指出有效的AI整合需采用差异化策略，响应课程认识论与学生准备水平，通过过程可见的评估方法维持学习质量。该论文发表在《Computers and Education: Artificial Intelligence》。

**主要关键技术方法**
研究采用序贯混合方法设计，包含三个互补的实证来源：1）定性深度访谈：24名教师（来自四个系，通过目的性抽样与滚雪球抽样选取），半结构化访谈涵盖六个领域，访谈内容经定向主题分析后生成154个代码；2）定量问卷调查：32名教师完成40项问卷（含19项李克特量表），采用成对普通最小二乘（OLS）回归与多元OLS回归，利用Benjamini-Hochberg错误发现率（FDR）校正多重比较，并检验稳健性（Spearman秩相关与序数逻辑回归）；3）审议性分组讨论：5场聚焦五大关注领域的讨论，由31名参与者（包括22名受访者）参与，通过审议性提取分析集体立场。所有数据均来自同一研究密集型大学的建成环境学院（2025年5月至9月收集）。

**研究结果**

**AI整合横跨学院**
调查显示，超过80%的教师报告在课程中整合了AI，其中图形生成与文本生成AI是使用最频繁的类别（各19次报告），其次为数值生成与应用型AI。AI对教学的感知影响显著：18/32的教师选择高影响等级（4或5级），但学生成果改善的感知较为温和，无人选择“非常显著改善”。访谈表明，AI整合在工作室与计算导向课程中更为集中，而在理论导向课程中采用率较低且教师矛盾情绪更强。

**定性分析：认知分化及其机制**

**AI作为放大器**
通过所有访谈与分组讨论，研究人员发现一致模式：AI并非均等化力量，而是放大已有差异。基础较好的学生利用AI扩展推理与加速迭代（如受访者7、21指出），而基础较弱的学生则委托推理，产生视觉连贯但认知空洞的输出（受访者1；分组讨论3）。调查数据方向性一致：在报告方向性效应的教师中，成绩差距与批判性差距扩大者多于缩小者（见图4）。该机制符合“马太效应”（Matthew effect）——现有优势转化为进一步优势。

**过程可见性丧失与摩擦性学习侵蚀**
连贯输出可通过快速提示生成，不再表征迭代推理过程，导致过程可见性丧失（受访者13、10）。同时，调试、仔细阅读与迭代起草等摩擦性学习阶段被常规绕过，学生完成作业但未理解底层逻辑（受访者11、19）。两种路径共同威胁可迁移技能（独立学习、批判性综合、问题框架等）的发展，这些技能正是最持久的职业能力。

**教师适应性策略及其局限**
教师开发了四类重叠策略：评估重新设计（开放任务、口头提问、行业链接项目）、过程强制与可见性（中间提交、手绘图表、个人展示）、故意摩擦与去自动化（定时练习、不完整模型需调试）、AI使用重构（要求评估、修订并批判性审计AI输出）。然而，所有策略存在结构性限制：有效干预依赖持续观察与小班规模，无法扩展到70-140人的大班（受访者19、20）。

**定量分析：教师AI积极性的结构预测因子**

**成对OLS回归**
在FDR校正后，教师AI积极性（未来态度）由感知AI影响力（r=0.740）、近期态度（r=0.732）、当前整合（r=0.723）与采纳意愿（r=0.714）显著预测，形成一个一致的态度-行为核心。知识-整合路径显著：AI知识预测当前整合（r=0.708）。资历（标题资历、教学年限等）与任何AI态度项均无显著关联（所有adj. R² = 0.000）。成绩差距感知与未来态度负相关（r=-0.465）。

**多元OLS模型**
以AI积极性为因变量，多元模型解释显著方差（R²=0.451，调整后R²=0.346，F(5,26)=4.28，p=0.006）。两个显著预测因子：AI对教学的影响（β=0.534，p<0.01）正向预测积极性；理论课程程度（β=-0.380，p<0.05）负向预测积极性。资历、学生影响感知与实践课程程度均不显著。这表明理论课程导向是AI积极性最强的结构预测因子，反映了学科认识论与当前AI工具之间的不匹配，而非个体对技术的保守态度。

**讨论与结论**
研究讨论指出，认知分化机制可被解读为脚手架问题：在最近发展区（zone of proximal development）内，AI仅当学生具备解读与内化其输出的基础时才能发挥支架作用。认知卸载理论解释了底层机制：AI可卸载整个认知过程，消除形成持久理解所需的努力加工。过程可见性丧失则侵蚀了形成性评估的证据基础——当评估产物不再可靠地反映学习位置时，教学反馈循环无法运行。摩擦性学习阶段的绕过相当于消除了“理想困难”（desirable difficulties），这些困难虽在短期内降低表现，但长期促进保留与迁移。
研究结论翻译如下：通过访谈、问卷调查与分组讨论，本研究考察了生成式AI如何重塑建成环境教育中的学习。研究发现，在教师的共同经验中，AI带来了真实益处（包括更快迭代、更广探索与表现质量提升），但这些益处并非均匀分布。AI并非均等化力量，而是放大学生认知准备程度的差异：基础较好的学生利用AI扩展推理与加速迭代，而基础较弱的学生可能将形成性认知工作外包，产生精美输出但缺乏相应理解。这种分化因过程可见性丧失与摩擦性学习阶段侵蚀而加剧。在设计教育中，能力通过迭代、反思、反馈与隐性判断形成，最终输出不再可靠地证据化有意义的学习。教师已通过过程导向评估、分阶段提交、口头提问与故意认知约束做出回应，但这些措施难以扩展。探索性定量发现进一步表明，教师对AI的积极性由感知教学相关性而非资历驱动，而理论课程导向预测更大的怀疑态度。因此，有效的AI整合需要差异化策略，与课程认识论、学生准备与过程可见性对齐。核心挑战不在于采纳，而在于设计AI支持而非替代学习的条件。