《International Journal of Educational Technology in Higher Education》：Guarded adoption of generative AI in higher education: high-achieving students, successful-student identity, and epistemic agency in a single-university mixed-methods survey
编辑推荐：
生成式人工智能（generative AI）正成为大学学习的一部分，但学生对其的参与并不一致。这项对澳大利亚一所大学学生的混合方法调查考察了成功学生身份与学生自我报告的学业成就是否与不同的生成式人工智能参与模式相关。全校范围的调查共获得484份回复，其中469
生成式人工智能（generative AI）正成为大学学习的一部分，但学生对其的参与并不一致。这项对澳大利亚一所大学学生的混合方法调查考察了成功学生身份与学生自我报告的学业成就是否与不同的生成式人工智能参与模式相关。全校范围的调查共获得484份回复，其中469份包含有效的GPA分段数据。学业成就较高的学生报告了较低的主动人工智能参与、积极情感、感知学习影响和人工智能相关脱离，同时伴有略高的消极情感。条目层面的分析显示，他们对人工智能支持的自主性、有效学习和主动参与的认可度较低，而更认同依赖人工智能会阻碍批判性思维和独立问题解决。开放式回答表明，这些学生有选择性地使用人工智能进行澄清、总结和工作流支持，同时核查输出并使其服从于自己的判断。论文将此模式解释为谨慎采用：为维护认识控制和成功学生身份而进行的选择性、有界且以验证为重的使用。
**研究背景**
生成式人工智能（generative AI）正日益成为大学学习的一部分，但学生对其的参与并不均匀。当代高等教育正处于两种日益不稳定的立场之间：一端是长期将成功与可见努力、纪律性阅读、独立综合以及产出可被认定为"自己的"作品能力相联系的学术世界；另一端是能够以惊人速度与流畅度生成解释、摘要、草稿和重构的生成式人工智能世界。既有研究已确认学生对人工智能普遍持有矛盾态度，既认可其在澄清疑难、总结文献和提升效率方面的价值，也担忧其可能引发虚假信息、浅层学习和思维替代。然而，现有文献多将学生视为同质群体，较少考察处于不同学业成就层级的学生是否以系统性差异的方式参与人工智能。核心问题在于：当曾被视作学术能力标志的任务可以被机器部分替代时，那些通过这些能力建构起成功学习者自我认同的学生将如何回应？为此，研究人员在澳大利亚一所大学开展了全校范围的混合方法调查，考察成功学生身份（successful-student identity）与学生自我报告的学业成就是否与不同的生成式人工智能参与模式相关联，论文发表于《International Journal of Educational Technology in Higher Education》。
**研究概要与核心发现**
该研究以认识能动性（epistemic agency）为主要理论框架，辅以可能自我（possible selves）、基于身份的动力（identity-based motivation）和自我作者身份（self-authorship）等支持性概念，提出"谨慎采用"（guarded adoption）这一解释模式——即学生使用人工智能，但施加选择性、有界且以验证为重的使用条件，以维护认识控制、知识所有权和自身学习的合法性。研究核心发现是：高成就学生（GPA分段≥5.5）报告了更低的主动人工智能参与、积极情感和感知学习收益，同时也报告了更低的人工智能相关脱离，并伴以略高的消极情感。研究人员将该模式解释为对认识控制和成功学生身份的防御性策略。
**技术方法**
本研究采用混合方法调查设计。定量部分运用Spearman相关分析、条目层面相关分析和控制年龄组、性别与年级类别的回归敏感性检验；定性部分采用Braun和Clarke（2006）的反思性主题分析（reflexive thematic analysis），由研究人员手工编码。样本来自澳大利亚昆士兰东南部一所大型综合公立大学（注册学生超过44,000人），调查于2025年初通过大学中心研究参与渠道招募，历时两个月，共获得484份回复，其中469份含有效GPA分段数据。
**研究结果**
*描述性指数层面的成就相关模式。* Spearman相关分析显示，GPA分段与感知学习影响（ρ = -0.395）、积极情感（ρ = -0.359）和主动人工智能参与（ρ = -0.357）呈最强负相关；高成就学生亦报告更低的人工智能相关脱离和略高的消极情感。该模式排除了两种简化解释：高成就学生既非更积极的人工智能使用者，亦非普遍脱离技术者。
*条目层面的稳健性检验。* 因各指数内部一致性较弱（α介于0.21至0.57之间），研究人员进行条目层面分析。结果显示，高成就学生更不认可人工智能支持自主性、提升学习效率和构成主动学术参与，而更认同依赖人工智能会妨碍批判性思维和独立问题解决。
*学习阶段的探索性分析。* 本科生年级与人工智能相关脱离呈正相关；成就相关模式在研究生/研究型群体中对主动参与和感知学习收益的关联更强（交互作用p = .001和p = .002）。
*定性主题分析。* 四个主题突出浮现：条件性有用（人工智能仅在澄清、总结和工作流支持时被接受）、验证即工作的一部分（学生坚持核查人工智能输出）、认知替代恐惧（担忧依赖人工智能削弱独立思考），以及压力下的成功学生身份（学生担忧人工智能能力动摇其基于独立能力和诚实评估的自我认同）。
**讨论与结论**
讨论部分强调，"谨慎采用"并非简单的怀疑主义、技术恐惧或拒绝。它是一种有选择性的参与形式，学生在使用人工智能的同时将其保持在维护认识控制、知识所有权与学习合法性的界限之内。这一发现将较低的人工智能热情重新框定为一种教育判断，而非创新滞后。研究人员指出，大学不应将较低热情视为能力或开放性的缺陷；人工智能素养应作为"认识校准"（epistemic calibration）而非单纯操作流畅度来教授；评估设计应为人类推理、判断和所有权保留可见空间。研究局限包括自我报告GPA、横截面设计、自愿参与的自我选择偏差、指数内部一致性较弱、定性数据仅为简短书面回答，以及单一机构样本。结论部分指出：生成式人工智能在高等教育中经常被讨论为"学生是否会采用"的问题，但更重要的问题是学生愿意让人工智能做什么、坚持自己保留什么，以及这些决定如何被其成就历史、学术合法性和对成功学习所需条件的理解所塑造。
