《International Journal of Educational Technology in Higher Education》：Knowing its name, not its nature: word association mapping of student AI cognition and evidence-based micro-credential design in Turkish higher education
编辑推荐：
中文摘要翻译
尽管人工智能（AI）工具已深度嵌入土耳其大学生的学术生活，但学生对AI的认知表征仍呈工具性导向且结构碎片化。本研究开展了一项需求评估，旨在设计基于学习者实际知识结构的AI素养微证书项目。研究采用词语联想测验（WAT）作为心理语言学认知诊断工具，数
中文摘要翻译
尽管人工智能（AI）工具已深度嵌入土耳其大学生的学术生活，但学生对AI的认知表征仍呈工具性导向且结构碎片化。本研究开展了一项需求评估，旨在设计基于学习者实际知识结构的AI素养微证书项目。研究采用词语联想测验（WAT）作为心理语言学认知诊断工具，数据来自土耳其四所公立大学（克勒克拉雷利大学、伊诺努大学、尼代·奥马尔·哈利斯代米尔大学和哈塔伊·穆斯塔法·凯末尔大学）的N=436名本科生，涵盖社会科学与人文学科（80.3%）、自然科学与应用科学（12.2%）和健康科学（7.6%）。研究人员通过七阶段分析方案对WAT反应（1376个原始词元）进行分析，该方案包括规范编码分类体系（65个编码；评分者间信度κ=0.87）、经Benjamini-Hochberg校正的Kendall's τ关联性估计、多维尺度分析（应力值=0.396）、分层阈值网络构建以及Z分数带分析。研究发现呈现出一致的认知碎片化模式：功利性概念——最突出的是便利性（f=145）、速度和科技——主导着学生的联想网络，而算法透明度、伦理治理和技术机制在概念层面则完全缺失。网络分析揭示了积极效用与消极风险集群之间的结构性极化（τ=?0.819），证实了学生对AI普遍存在"黑箱"取向。研究人员利用这些诊断性发现作为课程路线图，提出了一个"伦理AI与劳动力就绪"微证书框架，以弥合功能性使用与概念性掌握之间的鸿沟。本研究贡献了土耳其高等教育中首个基于大规模WAT的AI知识结构认知图谱，并展示了一种可复制的、数据驱动的需求评估驱动式证书设计方法论。
论文解读
一、研究背景与问题
在高等教育领域，土耳其大学在制定本科生人工智能（AI）素养课程时，普遍采用规范性假设来推断学生已有的知识基础，而非基于实证数据进行诊断。这种课程设计方法存在双重系统性风险：其一是可能导致课程仅重复学生已掌握的知识，降低学习动机与教学效率；其二则更为严重，即课程内容可能与学生实际认知结构严重脱节，使学习效果在很大程度上取决于偶然因素。正如论文所指出的，在这两种情况下，课程所服务的对象都是设计者想象中的"假设学生"，而非真实的学习者群体。
这一结构性缺口在AI素养的伦理与批判维度上尤为突出。现有文献表明，伦理与批判维度在学生的认知框架中系统性地缺位，然而旨在实证确定哪些先验知识结构需要何种课程序列的研究却极为匮乏。结果，AI素养项目往往将伦理内容作为事后补充而非融入基本原则，从而再生产了本应解决的风险。
土耳其提供了一个独特的战略研究情境：高AI暴露、低正规教育以及缺乏一致的国家能力框架同时并存。此外，现有AI素养教育研究普遍存在"工具丰富而理论贫乏"的问题，技术效率往往遮蔽了批判性反思与伦理意识。正是在这一背景下，本研究旨在通过实证诊断方法，建立学生AI认知结构与课程设计之间的直接关联。
二、研究设计与方法
研究设计与样本来源
本研究采用了一种区别于传统混合方法设计的转化式研究路径，收集单一数据集并通过量化处理（quantitization）进行解析性转化。研究以战略性需求评估为核心框架，旨在识别学生"碎片化与非系统性知识获取"现状与理想能力状态之间的差距。样本来自土耳其四所公立大学——克勒克拉雷利大学（n=211，48.4%）、伊诺努大学（n=159，36.5%）、尼代·奥马尔·哈利斯代米尔大学（n=57，13.1%）和哈塔伊·穆斯塔法·凯末尔大学（n=9，2.1%），共436名本科生，覆盖教育学、社会科学与人文学科、健康科学等18个学术项目。其中77.7%的参与者每周至少使用AI工具数次，ChatGPT为最主要使用工具。
核心分析方法
研究人员采用了词语联想测验（WAT）作为主要数据收集工具，辅以人口统计学问卷。WAT基于语义记忆中的扩散激活模型，通过测量概念间的联想强度来揭示认知结构的组织方式。研究实施了七阶段分析协议：
- 1.
规范编码分类体系（canonical code taxonomy）：将1376个原始词元编码为65个规范代码，评分者间信度κ=0.87；
- 2.
Kendall's τ关联性估计：经Benjamini-Hochberg校正计算概念间关联强度；
- 3.
多维尺度分析（MDS）：应力值为0.396，用于可视化概念空间结构；
- 4.
分层阈值网络构建：建立层级化概念关联网络；
- 5.
Z分数带分析：分类概念的中心性与边缘性程度。
三、研究结果
认知碎片化的实证证据（回应RQ1与RQ2）
研究结果揭示了一致的认知碎片化模式。功利性概念——最为突出的是便利性（f=145）、速度和科技——主导着学生的联想网络，而算法透明度、伦理治理和技术机制等概念在认知层面完全缺失。网络分析揭示了积极效用与消极风险集群之间的结构性极化（τ=?0.819），证实了学生对AI普遍存在"黑箱"取向——即信任AI输出却对其运行机制漠不关心。
认知结构的中心与边缘位置
通过Z分数带分析和网络中心性指标，研究识别出处于联想网络中心位置的概念（主要为功能性使用相关概念）与边缘化概念（伦理、治理、技术机制等）之间的显著区分。这种认知结构的不平衡直接回应了宽泛使用AI并不等同于AI素养发展的核心理论张力。
三大学科领域的一致性模式
尽管样本涵盖社会科学与人文学科（80.3%）、自然科学与应用科学（12.2%）和健康科学（7.6%），认知碎片化模式在三个学科领域中呈现一致性，表明这一现象并非特定学科的局部现象，而是具有普遍性的认知特征。
四、结论与讨论
研究结论
本研究的核心发现可总结为：土耳其大学生对AI的认知结构是碎片化的，功能性概念占据主导地位，而伦理与技术机制维度在概念层面处于缺位状态。研究结果确认了"黑箱"取向的普遍存在，即学生能够熟练使用AI工具，但缺乏对其运作机制和治理框架的概念性理解。广泛的AI使用并未自动转化为AI素养的发展，工具熟练程度可以与对AI系统及其治理的误解共存并相互强化。
理论意义
本研究贡献了土耳其高等教育中首个基于大规模WAT的AI知识结构认知图谱，将经验评估与学术课程设计直接关联，在方法论上展示了从需求评估到课程设计的完整数据驱动路径。研究通过对单一数据集的量化分析转化，提供了一种可复制的方法论范式，超越了传统规范性能力框架的局限。
实践意义与伦理设计
基于诊断性发现，研究人员提出了"伦理AI与劳动力就绪"（Ethical AI and Workforce Readiness）微证书框架，旨在弥合功能性使用与概念性掌握之间的鸿沟。该框架与将AI伦理视为技术课程的附加模块的通行做法形成鲜明对比，将伦理考量贯穿于整个能力结构之中。这一设计呼应了劳动力市场对AI伦理与治理能力的持续高需求——研究表明雇主的主要关注点是伦理与治理，而非单纯的技术技能。研究为AI素养微证书项目提供了经验基础，证明基于学习者实际知识结构的需求评估应成为课程设计的出发点。
