《Journal of Intelligence》：Enhancing or Hindering? The Moderating Role of Self-Regulated Learning in the Relationship Between GenAI Usage and Higher-Order Thinking Skills Among Chinese University Students
编辑推荐：
生成式人工智能（GenAI）在教育场景中的快速整合引发了对其可能影响学生高阶思维技能的日益关注。然而，现有研究结果尚无定论，且个体因素在塑造这些影响中的作用受到的关注有限。本研究基于自我调节学习理论，考察了生成式人工智能使用与三种高阶思维技能——批判性思维、创
生成式人工智能（GenAI）在教育场景中的快速整合引发了对其可能影响学生高阶思维技能的日益关注。然而，现有研究结果尚无定论，且个体因素在塑造这些影响中的作用受到的关注有限。本研究基于自我调节学习理论，考察了生成式人工智能使用与三种高阶思维技能——批判性思维、创造性思维和计算思维——之间的关系，并探究了自我调节学习的调节作用。结果表明，生成式人工智能使用与高阶思维技能之间的关联随自我调节学习水平的不同而变化。具体而言，在自我调节学习水平较低的学生中，生成式人工智能使用与批判性思维、创造性思维和计算思维呈负相关；相反，在自我调节学习水平较高的学生中，生成式人工智能使用与批判性思维和计算思维呈正相关，而与创造性思维的关联不显著。此外，自我调节学习与三种高阶思维技能均呈正相关，并显著调节了生成式人工智能使用与批判性思维、创造性思维及计算思维之间的关系。这些发现凸显了生成式人工智能使用所产生的复杂认知后果，并强调了自我调节学习在人工智能辅助学习环境中塑造学生认知结果的重要性。本研究有助于更细致地理解生成式人工智能如何影响高阶思维，并为促进有效且负责任的人工智能教育应用提供了启示。
Enhancing or Hindering? The Moderating Role of Self-Regulated Learning in the Relationship Between GenAI Usage and Higher-Order Thinking Skills Among Chinese University Students
——论文解读
## 1. 研究背景与问题提出
随着科学技术的高速发展，高阶思维技能（higher-order thinking skills）日益被视为学生未来就业能力与长期职业竞争力的核心素养。高阶思维技能通常涵盖批判性思维（critical thinking）、创造性思维（creative thinking）与计算思维（computational thinking），这些能力有助于个体有效应对复杂问题并适应学术及真实世界情境。在教育领域，培养高阶思维技能被视为促使学习者超越机械记忆和程序性学习、走向深层概念理解、反思性探究与知识迁移的关键。因此，识别影响高阶思维发展的关键因素及有效教学途径，已成为全球教育政策制定者、研究者和学术机构关注的重要议题。
近年来，生成式人工智能（generative artificial intelligence, GenAI）在教育中的广泛应用极大地改变了学生的学习活动与高阶思维技能的发展路径。一方面，GenAI系统能够为学习者提供即时、个性化且广泛的信息支持，可能鼓励学习者从多角度思考问题并参与更精细的认知加工，从而促进高阶思维技能的发展。另一方面，越来越多的证据表明，过度依赖GenAI可能降低学习者深度学习的参与度，限制其高阶认知过程的使用。既有研究发现呈现矛盾结果，这提示GenAI对高阶思维的影响可能并非单一方向，而是取决于学习者如何与人工智能辅助系统互动。因此，仅考察GenAI使用的频率可能不足以理解其对高阶思维发展的影响。
从自我调节学习（self-regulated learning）理论视角来看，学习者会在学习活动中主动调节自身的认知、动机和行为过程。在GenAI辅助的学习环境中，这种调节能力可能决定人工智能的使用是促进有意义的认知投入，还是导致被动的认知卸载（cognitive offloading）。因此，自我调节学习可能成为GenAI使用与高阶思维技能发展关系中的关键调节变量。基于此，本研究不仅测量学生GenAI使用的频率，还进一步考察其在GenAI辅助学术活动中的自我调节学习水平，探讨GenAI使用与自我调节学习如何共同关联批判性思维、创造性思维和计算思维这三种高阶思维核心维度。
## 2. 研究设计与方法概述
研究人员从五所大学招募了1067名本科生，排除未完成高阶思维测评的参与者后，最终有效样本为1024人（男性403人，女性621人），年龄范围17至25岁（M = 19.74, SD = 1.91）。研究采用自我报告量表测量GenAI使用（八条目，六点计分）和自我调节学习（21条目，涵盖目标设定、任务策略、时间管理、自我评价、环境建构和寻求帮助六个维度），并通过绩效评估任务测量三种高阶思维技能：批判性思维采用成人批判性思维技能测验（TCTS-A），创造性思维采用替代用途任务（AUT）评估流畅性、灵活性和独创性，计算思维采用计算思维任务（22题）。数据分析使用SPSS 22.0和PROCESS v4.1宏，进行描述性统计、相关分析、层次回归和调节效应分析，并采用Benjamini-Hochberg错误发现率校正及稳健标准误检验。
## 3. 主要研究结果
### 3.1 描述性统计与相关分析
所有变量之间的两两相关均达到统计显著水平（p < 0.05），为后续回归分析提供了基础。
### 3.2 回归模型与调节效应
三个线性回归模型分别以批判性思维、创造性思维和计算思维为因变量。结果发现，GenAI使用显著预测所有三种高阶思维技能，其中与批判性思维和计算思维呈正相关，与创造性思维呈负相关。自我调节学习在三个模型中均为显著正向预测因子。关键的交互项（GenAI使用×自我调节学习）显著，表明GenAI使用与各认知技能之间关联的方向和强度取决于学生的自我调节学习水平。经FDR校正后，所有调节效应仍显著；采用异方差稳健HC3标准误后，交互效应依然显著。额外分析显示二次效应不显著，排除了非线性关系。
### 3.3 简单斜率分析
对于批判性思维：在自我调节学习低水平（?1 SD）时，GenAI使用负向预测批判性思维（β = ?0.198, p < .001）；在高水平（+1 SD）时，GenAI使用正向预测批判性思维（β = 0.275, p < .001）。Johnson-Neyman分析表明，当自我调节学习低于?0.424 SD时条件效应显著为负，高于0.087 SD时显著为正。
对于计算思维：类似地，低自我调节学习时GenAI使用负向预测计算思维（β = ?0.132, p < .01）；高自我调节学习时正向预测（β = 0.222, p < .001）。Johnson-Neyman分析显示，自我调节学习低于?0.646 SD时显著为负，高于0.103 SD时显著为正。
对于创造性思维：低自我调节学习时GenAI使用负向预测创造性思维（β = ?0.275, p < .001）；高自我调节学习时关联不显著（β = 0.058, p = .159）。Johnson-Neyman分析显示，当自我调节学习低于0.267 SD时负向关联显著。
这些结果表明，自我调节学习不仅影响GenAI使用与高阶思维技能之间关系的强度，还影响其方向。
## 4. 讨论与结论
本研究发现GenAI使用与批判性思维和计算思维呈正相关，但与创造性思维呈负相关，支持了GenAI作为“双刃剑”的观点。自我调节学习与三种高阶思维技能均呈正相关，证实了其在高阶认知发展中的重要作用。更关键的是，自我调节学习显著调节了GenAI使用与三种思维技能的关系，说明GenAI的认知效应取决于学习者能否主动调节自己的学习过程。自我调节能力强的学生更可能将GenAI视为认知支持工具，批判性地评估和整合AI生成信息；而自我调节能力弱的学生可能被动依赖AI输出，减少独立认知投入。
研究存在若干局限：创造性思维仅采用AUT测量，未能覆盖其全部维度；横断设计限制了因果推断；样本仅来自中国五所大学，通用性有限；GenAI使用测量以频率为主，未捕捉时间框架和使用质量；未检验潜在中介机制。未来研究可采用纵向或实验设计、多种创造力测量、行为追踪和定性方法。
结论：GenAI使用与批判性思维和计算思维正相关，与创造性思维负相关；自我调节学习与所有三种高阶思维技能正相关，并调节了GenAI使用与这些技能的关系。GenAI的教育价值不仅取决于其使用，还取决于学习者调节自身学习过程的能力。因此，培养自我调节学习对于最大化GenAI的益处、降低其可能损害高阶思维发展的风险至关重要。
本研究表明，教育机构和教师应同时关注GenAI工具的有效利用与学生自我调节学习能力的培养，提供明确的负责任使用指导，开发嵌入目标设定提示、AI输出评价机制、反思性提问和自适应反馈的GenAI系统，以支持学生监控学习过程、批判性评估信息、策略性调节与GenAI的互动，从而降低被动依赖并促进高阶思维发展。
