《Sage Open》：AI-Assisted Learning in Business Negotiation Education: A PLS-SEM Investigation Through Intelligence Augmentation Theory
编辑推荐：
专业术语翻译
商务谈判课程长期以来一直在努力弥合概念知识与实际表现之间的差距，而大型语言模型现在提供了早期技术无法复制的实践条件。本研究基于智能增强理论（Intelligence Augmentation Theory, IAT），通过两种增强路径：近端路径，
专业术语翻译
商务谈判课程长期以来一直在努力弥合概念知识与实际表现之间的差距，而大型语言模型现在提供了早期技术无法复制的实践条件。本研究基于智能增强理论（Intelligence Augmentation Theory, IAT），通过两种增强路径：近端路径，即通过谈判技能提升；远端路径，即通过创新思维发展，考察了在中国一门职业谈判课程中，AI辅助学习如何产生感知学习价值。研究人员利用来自69名学生在案例准备过程中使用豆包AI助手的问卷数据，测试了一个偏最小二乘结构方程模型（PLS-SEM）。四个假设路径中有三个得到了支持。感知AI应用显著预测了谈判技能提升（β = 0.662），后者进而显著预测了感知学习有效性（β = 0.445），且间接效应显著（β = 0.295）。通过创新思维发展的路径较弱（β = 0.309），并且未能传导至学习有效性（β = 0.198，p = .313）。生成式AI被广泛定位为教育中高阶思维的催化剂，然而来自专业技能课程的直接证据仍然稀少。这种不对称结果表明，在单一课程的窗口期内，AI辅助学习主要通过可见的、可评估的技能提升而非创造性发展来产生感知价值。这并不意味着远端路径是无效的，而是其回报可能需要在比一门课程更长的时间范围内才能显现。研究结果为校准关于短期AI整合在职业专业教育中能实现和不能实现什么的预期，提供了一个基于实证的基础。
论文解读文章
研究背景与问题提出
商务谈判是一门高度依赖实践的技能，传统教学面临“知行鸿沟”：学生虽能掌握谈判理论，但在真实沟通压力下却难以产出恰当的语言和策略。现有教学方法受限于大班授课、有限的练习时间和被动的案例分析，导致多数学生只拥有谈判的“词汇表”而非“手感”。尽管大型语言模型等AI工具的出现为谈判教育提供了前所未有的实践条件，如生成情景对话、提供即时反馈和战略替代方案，但系统性的实证研究依然匮乏，尤其是在职业技能课程领域。因此，亟需探究AI辅助学习究竟通过何种机制影响学生的学习体验和价值感知。
研究内容、结论与意义
本研究基于智能增强理论（Intelligence Augmentation Theory, IAT），构建了一个包含四个潜变量的理论模型，旨在探讨学生感知的AI应用（PAIA）如何通过谈判技能提升（ENS）和创新思维发展（DIT）这两个中介路径，最终影响其感知学习有效性（PLE）。
研究以中国河南省某高等职业院校一个学期制商务谈判课程中的69名市场营销专业学生为对象，学生在案例准备过程中使用字节跳动开发的豆包AI助手。研究通过期末问卷调查收集数据，并采用偏最小二乘结构方程模型（PLS-SEM）进行分析。
研究得出三个主要结论：
- 1.
感知AI应用与谈判技能提升：感知AI应用对谈判技能提升有非常强且显著的预测作用（β = 0.662, p < .001），表明学生认为AI工具在帮助其理解案例要点、设计专业对话和改进案例改编质量方面效果显著，这与他们感受到的实用谈判技能增长密切相关。
- 2.
感知AI应用与创新思维发展：感知AI应用对创新思维发展也有正向预测作用（β = 0.309, p = .040），但关联强度远弱于前者，且在不同学生间差异较大。这说明AI对创造性思维的激发效果并不稳定。
- 3.
技能提升与创新思维对学习有效性的不同影响：谈判技能提升显著正向预测了感知学习有效性（β = 0.445, p = .005），而创新思维发展与感知学习有效性之间的关系则不显著（β = 0.198, p = .313）。这意味着，在一个学期的课程内，学生主要将可见的、具体的技能提升视为学习的价值所在，而更深层次的创造性思维发展尚未转化为他们对课程学习效果的积极评价。
这项研究的理论意义在于，它将IAT引入职业教育领域，并通过实证数据揭示了其近端与远端增强路径在单门课程内的非对称性表现。其实践意义在于，为教师和课程设计者提供了重要启示：在设计AI辅助的专业技能课程时，应优先设计那些能让学生获得可见、具体进步的活动（如对话润色、策略演练），而非单纯鼓励开放式的创造性探索。
关键技术方法
本研究采用了偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM） 作为核心分析方法，原因在于样本量较小（n=69），且研究侧重于探索性而非验证性因果推断。测量模型评估遵循Hair等人（2019）的建议，包括通过外载荷评估指标信度、通过组合信度评估内部一致性、通过平均方差提取量评估收敛效度，以及通过异质-单质比率评估区分效度。结构模型的路径系数显著性通过5000次自助法（bootstrapping）重抽样进行评估。共同方法偏差则通过全共线性方法进行检验。所有数据均来源于一次期末问卷调查，样本来自中国河南省一所高等职业院校同一批次的69名学生。
研究结果详述
1. 描述性统计
所有构念的均值均高于量表中间值3.0，其中感知AI应用（PAIA）得分最高（M=4.33），表明学生对AI工具的总体评价积极。谈判技能提升（ENS）和创新思维发展（DIT）的均值相近，但变异性更大，反映出个体间的差异。
2. 测量模型评估
所有指标的外载荷均在0.711以上，且显著（p < .001），表明指标信度良好。各构念的克朗巴赫α系数和组合信度（rho_c）均高于0.70，显示出良好的内部一致性。所有构念的平均方差提取量（AVE）均超过0.50，证实了收敛效度。异质-单质比率（HTMT）的所有值均低于保守阈值0.85，证明了四个构念之间具有良好的区分效度。此外，全共线性检验显示所有方差膨胀因子均低于3.3，未发现严重的共同方法偏差问题。
3. 结构模型与假设检验
- •
假设1（H1）支持：感知AI应用（PAIA）对谈判技能提升（ENS）有显著正向影响（β = 0.662, p < .001），效应量大（f2 = 0.782）。
- •
假设2（H2）支持：感知AI应用（PAIA）对创新思维发展（DIT）有显著正向影响（β = 0.309, p = .040），效应量为中小程度（f2 = 0.106）。
- •
假设3（H3）支持：谈判技能提升（ENS）对感知学习有效性（PLE）有显著正向影响（β = 0.445, p = .005），效应量为中等（f2 = 0.168）。
- •
假设4（H4）不支持：创新思维发展（DIT）对感知学习有效性（PLE）的影响不显著（β = 0.198, p = .313），效应量极小（f2 = 0.033）。
4. 中介效应分析
中介效应分析进一步证实了上述模式。感知AI应用（PAIA）通过谈判技能提升（ENS）对感知学习有效性（PLE）的间接效应显著（β = 0.295, p = .004），而通过创新思维发展（DIT）的间接效应则不显著（β = 0.061, p = .382）。总间接效应显著（β = 0.356, p < .001），主要由ENS路径贡献。
讨论与结论总结
讨论部分指出，研究结果清晰地揭示了AI辅助学习的价值传递路径。感知AI应用主要通过促进可见的、可评估的谈判技能提升来影响学生的整体学习满意度。这一近端增强路径符合IAT的理论预期，也与既有研究中关于即时反馈和刻意练习能有效提升技能的结论一致。相比之下，创新思维发展这条远端路径虽然受到AI应用的微弱刺激，但其成果不易在短期内被学生自我觉察和认可，因此未能转化为对学习有效性的正面评价。这并非否定AI对创造性思维的潜在促进作用，而是暗示其效果可能需要更长时间的学习周期和更具针对性的教学设计才能显现。研究强调，在职业教育的短期课程中，AI的教育价值主要体现在帮助学生快速掌握具体、实用的技能。
研究结论部分翻译如下：
认为豆包AI在其谈判案例工作中真正有用的职业学生报告了更强的实用技能发展，而这些收获与更高的感知学习有效性相关联。感知AI应用也适度预测了创新思维发展，尽管这种关系较弱且在学生间变化更大，并且未对感知学习有效性做出显著贡献。感知AI应用与感知学习有效性之间的总间接关联主要通过谈判技能提升来实现。因此，在单一课程的窗口期内，学生对AI辅助学习的评价似乎主要锚定在可见的、特定领域的技能收获上。
