《Frontiers in Psychology》：Adaptive AI-generated feedback in higher education: exploring associations with cognitive flexibility and academic psychological safety among engineering students
编辑推荐：
摘要
背景：自适应AI生成反馈（Adaptive AI-generated feedback, AIF）日益融入高等教育，然而其认知与心理层面的影响仍未得到充分理解，尤其是在工程教育领域。本研究以反馈干预理论和情绪调节理论为基础，构建并检验了一个整合模型，考
摘要
背景：自适应AI生成反馈（Adaptive AI-generated feedback, AIF）日益融入高等教育，然而其认知与心理层面的影响仍未得到充分理解，尤其是在工程教育领域。本研究以反馈干预理论和情绪调节理论为基础，构建并检验了一个整合模型，考察AIF、认知灵活性（Cognitive Flexibility, CF）与学业心理安全感（Academic Psychological Safety, APS）之间的感知关系，包括中介与调节模式。
方法：本研究对471名工程专业学生进行了横断面调查。数据采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行分析。测量模型展现了良好的信度与效度，因子载荷高于0.70，平均方差抽取量（Average Variance Extracted, AVE）超过0.50，组合信度介于0.908至0.936之间，Cronbach's α系数介于0.887至0.921之间，异质-单质比率（Heterotrait-Monotrait Ratio, HTMT）低于0.85。结构模型对CF（R2 = 0.443）和APS（R2 = 0.626）具有中等程度的解释力，具备充分的预测相关性且不存在多重共线性问题。
结果：AIF与CF显著相关（β = 0.580, p < 0.001），与APS显著相关（β = 0.352, p < 0.001）。CF与APS显著相关，且在AIF与APS之间表现出显著的间接关联（间接效应β = 0.257, p < 0.001）。显著的交互效应表明，情绪支持型AI反馈（Emotionally Supportive AI Feedback, ESAF）与AIF和CF之间更强的关联性相关，而正念支持型AI反馈（Mindfulness-Supportive AI Feedback, MSAF）与CF和APS之间更强的关联性相关。
结论：感知到的AIF通过CF直接或间接地与APS相关联，而情绪支持性和正念支持性特征与这些关联的强度增强相关。鉴于本研究的横断面设计，研究结果仅表明关联性而非因果效应。本研究推进了对AI支持的工程教育中认知与情感模式的理解，并强调了将自适应、情绪性和反思性特征整合到AI反馈系统中的重要性。
**论文解读：自适应AI生成反馈与工程专业学生认知灵活性及学业心理安全感的关系研究**
**一、研究背景与问题提出**
随着人工智能（Artificial Intelligence, AI）在高等教育中的日益普及，探究其对学习者认知与心理层面的深层次影响已成为教育技术研究的重要议题（Bautina, 2025; Elshanhaby et al., 2026）。在众多AI教育应用中，自适应AI生成反馈（Adaptive AI-generated feedback, AIF）因能够提供个性化、迭代且实时的反馈，被认为能够有效支持学习者的反思与自我调节学习（Ba et al., 2025）。与传统的教师反馈相比，AIF通常具有非评判性、即时性和个体针对性的特点，这可能从根本上改变学生对待错误及参与持续学习循环的方式（Chauncey and McKenna, 2024b; Nagata and Uetake, 2025）。
工程教育因其专业学习常涉及复杂的、结构不良的问题求解，要求学习者具备适应性推理、迭代设计思维与认知重构等能力，为考察上述关系提供了特别适宜的情境。认知灵活性（Cognitive Flexibility, CF）被定义为个体转换思维策略、考虑替代性解决方案以及适应不断变化任务要求的能力，已被认定为STEM领域创新与成功的关键能力（Begum et al., 2025; Chen and Xiao, 2025; Hohl and Dolcos, 2024）。已有研究表明，AI支持的学习环境可能通过呈现多种解决路径并鼓励探索性推理，从而促进学习者的灵活思维（Na-Songkhla et al., 2024; Pop et al., 2025）。同时，CF还与情绪调节、学习焦虑降低以及数字环境中的适应性投入相关（Fan and Yang, 2026; Karaoglan Yilmaz et al., 2025）。
另一方面，学业心理安全感（Academic Psychological Safety, APS）作为支持学习的关键心理社会条件日益受到关注。APS指学生感知到的自我表达、提问以及犯错而不必担心负面评价或尴尬的能力（Edmondson, 1999; McClintock et al., 2023）。APS与深度参与、批判性思维和敢于承担智识风险紧密相关。在AI支持的学习中，被认为是非评判性和支持性的反馈已被证明可以减少评价焦虑，鼓励实验和反思性学习（Chauncey and McKenna, 2024b; Peng and Wan, 2025）。
然而，现有研究存在若干明显缺口。首先，现有文献主要关注AI性能、学习成果和技术接受度等行为结果，而较少关注其底层的心理过程（Alshammari et al., 2026; Alsaiari et al., 2025）。其次，尽管CF与APS已被分别考察，但二者在AI中介学习中的相互关系探索不足。第三，不同类型的AI反馈维度（认知、情感、元认知）如何差异化地影响学习者的认知与心理结果，尚未得到充分研究（Alsaiari et al., 2025; Medina Merodio et al., 2026; Zhao et al., 2026）。针对上述缺口，本研究基于反馈干预理论（Kluger and DeNisi, 1996）、情绪调节理论（Gross, 1998）和正念学习视角（Zeidan et al., 2010），构建了一个有调节的中介模型。该模型将AI反馈概念化为包含认知、情感和元认知三个维度的多维构念，考察CF在AIF与APS关联中的中介效应，并检验情绪支持型AI反馈（Emotionally Supportive AI Feedback, ESAF）和正念支持型AI反馈（Mindfulness-Supportive AI Feedback, MSAF）作为边界条件的调节效应。该研究发表于《Frontiers in Psychology》。
**二、主要研究方法**
本研究采用定量横断面设计，于沙特阿拉伯一所公立大学中选取471名工程专业本科生为样本，涉及土木、机械、电气和计算机工程四个学科。为确保共同经验基线，所有参与者在为期四周的教学周期中使用ChatGPT作为形成性反馈工具，并遵循相同的反馈寻求协议。数据通过问卷收集，测量了AIF、CF、APS、ESAF和MSAF五个潜在构念。探索性因子分析（Exploratory Factor Analysis, EFA）用于初步检验因子结构，偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）运用SmartPLS 4进行路径分析、中介与调节效应检验。测量模型评估了因子载荷、平均方差抽取量（AVE）、组合信度（CR）和Cronbach's α系数；结构模型评估了路径系数、效应量、预测相关性（Q2）和模型拟合指标。
**三、研究结果**
**3.1 描述性统计**
样本以男性为主（80.7%），本科生占73.7%。在AI使用经验方面，74.9%报告有限经验，17.2%报告高经验。反馈使用频率方面，74.1%报告“经常”使用，11.0%报告“总是”使用，表明参与者普遍规律性地使用AI支持的反馈。
**3.2 测量模型评估**
**3.2.1 探索性因素分析** Kaiser-Meyer-Olkin（KMO）抽样充分性检验值为0.904，Bartlett球形检验显著（χ2 = 8317.80, p < 0.001）。根据特征值大于1的标准提取五个因子，累积解释方差88.2%。所有条目在其目标构念上的主载荷介于0.736至0.830之间，共同度介于0.557至0.672，支持五因子结构。
**3.2.2 收敛效度、信度与区分效度** 所有因子载荷均超过0.50阈值，大部分超过0.80。AVE值介于0.636至0.695，CR值介于0.908至0.936，Cronbach's α介于0.887至0.921，表明模型具有良好的收敛效度与内部一致性信度。Fornell-Larcker准则和HTMT比率两种方法均确认了区分效度。
**3.2.3 共同方法偏差** Harman单因素检验和完全共线性方差膨胀因子（Variance Inflation Factor, VIF）检验表明共同方法偏差不构成严重威胁。
**3.2.4 结构模型评估** SRMR值为0.038，NFI值为0.921。模型对CF（R2 = 0.443）和APS（R2 = 0.626）的解释力可观。Q2值分别为0.286（CF）和0.395（APS），预测相关性充分。所有VIF值低于3.0，无多重共线性问题。
**3.2.5 直接效应** AIF与CF显著关联（β = 0.580, p < 0.001, f2 = 0.603），支持假设H1；AIF与APS显著关联（β = 0.352, p < 0.001, f2 = 0.212），支持假设H2。
**3.2.6 中介效应** AIF通过CF对APS的间接关联显著（β = 0.257, p < 0.001），且直接与间接效应均显著，判定为部分互补中介，支持假设H3。
**3.2.7 调节效应** ESAF显著调节AIF与CF的关系（β = 0.227, p < 0.001, f2 = 0.095），支持假设H4；MSAF显著调节CF与APS的关系（β = 0.266, p < 0.001, f2 = 0.175），支持假设H5。此外，ESAF对CF有小的但显著的直接关联（β = 0.197, p < 0.001），而MSAF与APS的关联可忽略（β = 0.084, p = 0.037）。
**四、讨论与结论**
**4.1 讨论部分总结**
研究结果首先为AI生成反馈的多维结构提供了实证支持。AIF、ESAF和MSAF被证明是经验上可区分的学习者感知维度，而非同一潜在结构的重叠组件。其次，AIF与CF的强关联（β = 0.580）表明，学生感知到的高自适应认知支持与其更高的CF水平相关，这与反馈干预理论一致。第三，AIF与APS的显著关联，且通过CF产生部分中介效应，表明CF是连接反馈感知与心理结果的重要解释路径。第四，ESAF调节AIF-CF关系，说明情感支持特征在强化认知反馈的接纳与应用中发挥辅助作用。第五，MSAF调节CF-APS关系，表明正念支持性反馈特征影响认知灵活性向心理安全感转化的程度。研究将AI生成反馈定位为认知-情感-元认知整合支持系统，拓展了反馈干预理论、情绪调节理论和正念学习视角在AI教育情境下的应用。
**4.2 研究结论部分翻译**
感知到的自适应AI生成反馈通过认知灵活性直接和间接地与学业心理安全感相关联，而情绪支持性和正念支持性特征与此类关系的增强相关。鉴于本研究的横断面设计，研究结果所揭示的是各变量间的统计关联而非因果效应。本研究推进了对AI支持的工程教育中认知与情感模式的理解，并强调了在AI反馈系统中整合自适应、情绪支持性和反思性特征的重要性。
