基于社区检测与调查证据的本科教育人工智能鸿沟图谱:学科网络视角

《Big Data and Cognitive Computing》:Mapping the AI Divide in Undergraduate Education: Community Detection in Disciplinary Networks and Survey Evidence

【字体: 大 中 小 】 时间:2026年09月21日 来源:Big Data and Cognitive Computing 5.3

编辑推荐:

  随着人工智能生成内容(AIGC)重塑知识获取方式,高等教育中日益加剧的不平等现象亟需系统性映射与干预。研究人员结合网络科学与来自南京大学(中国人工智能教育领先机构之一)301名学生的调查证据,绘制了本科生教育中的人工智能鸿沟。基于课程修读模式构建学科网络,识别

  
随着人工智能生成内容(AIGC)重塑知识获取方式,高等教育中日益加剧的不平等现象亟需系统性映射与干预。研究人员结合网络科学与来自南京大学(中国人工智能教育领先机构之一)301名学生的调查证据,绘制了本科生教育中的人工智能鸿沟。基于课程修读模式构建学科网络,识别出四个不同的学生社区:科学主导型、科学边缘型、社会科学与科学型、人文与社会科学型。调查结果显示,AIGC素养与动机效能存在显著差异,其中科学主导型学生表现优于人文与社会科学型同侪。普通最小二乘法(OLS)回归表明,动机效能——尤其是技能效能——部分中介了这一差距,而使用效能的中介作用在不同模型设定中有所变化,提示感知效用与批判性参与之间的关系对社区差异和学校层面聚类的建模方式敏感。研究结果表明,课程结构与跨学科整合是技术流畅度的关键决定因素。本研究为通过制度设计诊断和应对人工智能鸿沟提供了可扩展的分析框架。
在人工智能重塑知识生产的时代,高等教育正从知识传授转向智能协作。人工智能生成内容(AIGC)作为自动生成多模态内容的技术,以前所未有的速度推动着这一变革,从ChatGPT的兴起到Deepseek等模型的突破,AIGC重新定义了AI在教育中的应用边界,并为个性化学习和高阶认知发展开辟了新路径。在这一背景下,信息素养在AIGC时代发生了演进,不仅涵盖传统的信息获取与管理能力,还要求个体具备评估AI生成内容价值与风险的能力。

关于AI鸿沟(AI divide),不平等体现在接入、使用和评估三个维度,但AIGC的出现改变了传统维度的层级关系。与需要专门技能的传统数字技术不同,AIGC的自然语言交互极大地降低了技术接入门槛,使得不平等的焦点从简单的技术获取转向人机交互质量。因此,AIGC素养的核心价值集中在使用与评估维度。然而,现有研究存在两个明显不足:其一,尚未阐明动机效能(motivational efficacy)与AIGC素养之间的关联;其二,尚未系统考察"教育环境—动机—素养"的传导路径。社会建构主义理论提示,通过课程关联形成的学习社区可能通过群体规范塑造个体动机,进而影响AIGC素养,但课程相似性定义的社区如何结构化这一关系,尚属理论空白。

南京大学作为中国C9联盟成员高校,在人工智能领域具有国际公认的研究实力,并于2023年9月启动了全面的本科生AI课程改革。研究人员以该校为案例,采用社区检测(community detection)与问卷调查相结合的方法,连接中观层面的课程设计与微观层面的学生素养,围绕两个核心问题展开研究:基于课程相似性识别的社区中,动机效能与AIGC素养如何表现?这些社区如何影响AIGC素养,动机效能发挥何种中介作用?研究在理论上聚焦环境—动机—素养机制的图谱绘制,在实践上为高校建立动态监测系统、推动教育数字化转型提供了数据驱动的精准路径。

研究人员采用的主要关键技术方法包括:第一,构建学科网络(disciplinary network),以南京大学31个院系为节点,以两个及以上院系培养方案中的共同课程为边,通过课程重叠数量表征边强度;第二,应用贪心模块度优化(Greedy Modularity Optimization)、Louvain和Leiden三种社区检测算法进行比较,最终选用无权重贪心算法,以三门共同课程为阈值,识别出29个院系、4个社区(模块度=0.427,覆盖率=0.727,性能=0.935);第三,采用分层抽样问卷调查,于2025年3月至5月通过问卷星平台在必修思想政治理论课中匿名施测,覆盖2021–2024级本科生,最终保留来自29个院系的301份有效问卷(有效率97.1%),其中男生185人(61.46%)、女生116人(38.54%);第四,采用偏校正加速(BCa)Bootstrap法(5000次重复)检验动机效能的中介效应,并设置社区作为分类预测变量、学校层面聚类Bootstrap等补充模型进行稳健性检验。样本来源为南京大学,属于中国顶尖AI教育机构,研究得到各院系学生事务教师的协调支持,问卷信度(Cronbach's α各维度介于0.70至0.90之间)和效度(五因子CFA模型拟合良好)均达到可接受标准。

研究结果分为四个部分。第一部分为学科网络分析:基于度中心性排序和院系性质,识别出四个社区。社区1为科学主导型社区,度中心性最高,以匡亚明学院、管理工程学院等传统理工科院系为核心,课程交互密集;社区2为科学边缘型社区,度中心性次之,包含生命科学、环境、化学、医学等院系,虽属理科但专业性强,课程相关性较低;社区3为社会科学与科学型社区,度中心性排名第三,以信息管理学院、政府管理学院为核心,兼具社会科学与科学特征,体现跨学科课程互动;社区4为人文与社会科学型社区,度中心性最低,由哲学、历史、新闻传播等院系组成,内部课程联系紧密,但与其他社区尤其理工科互动极少,形成人文学科闭环。

第二部分为社区内部分析:同一社区内不同院系学生在技能效能和使用效能方面无显著差异,且方差成分分析显示社区内院系间额外变异很小(AIGC使用和评估的校内社区ICC均为0.000),支持H1a在技能和使用效能维度上成立。但价值效能存在特殊情形:社区3和社区4内部各院系间存在显著差异,经Benjamini–Hochberg错误发现率(BH-FDR)校正后仍显著。社区3中,信息管理学院与社会学院、国际研究学院、社会与行为科学学院等存在显著差异;社区4中,新闻传播学院与国际学生学院、哲学学院之间差异显著。这表明价值效能比其他动机效能维度更易受到学科背景、办学理念和学生群体特征的综合影响。在AIGC素养方面,同一社区内不同院系学生在使用AI和评估AI两个核心维度上均无显著差异,支持H1b。

第三部分为社区间分析:单因素方差分析显示,四个社区在动机效能三个维度(价值效能、技能效能、使用效能)上均存在显著差异,支持H2a。科学主导型社区在三个维度上得分最高(价值效能、技能效能、使用效能分别为相应最大值),人文与社会科学社区得分最低,且得分从科学主导型到人文社科型依次递减。AIGC素养方面同样存在显著差异(支持H2b):科学主导型学生在使用AIGC(均值最高)和评估AIGC(均值最高)上均得分最高,人文与社会科学社区得分最低,科学边缘型和社会科学与科学型处于中间位置。这一模式表明各社区所依托的学科课程框架是关键决定因素,科学主导型课程强调与技术工具的整合,而人文社科课程中技术应用内容比例较低。

第四部分为动机效能的中介作用分析。在使用AIGC方面(验证H3a),社区检测对学生AIGC使用能力的总效应为?0.317,加入动机效能后直接效应降至?0.157,表明动机效能起部分中介作用。间接效应中,技能效能路径最强(?0.083),使用效能为?0.044,价值效能为?0.034。在评估AIGC方面(验证H3b),总效应为?0.260,直接效应降至?0.109,价值效能间接效应为?0.043,技能效能间接效应为?0.089(最强),而使用效能的间接效应在主线性模型(?0.019,95%置信区间[?0.053, 0.010])中不显著。然而,补充分析显示使用效能的中介作用对模型设定敏感:当社区作为分类变量(以社区1为参照)时,使用效能间接效应在三个比较中均显著;学校层面聚类Bootstrap分析也得出显著间接效应(?0.080,95% CI [?0.112, ?0.054])。这表明使用效能的中介证据需谨慎解读,而非断言其无中介作用。

在讨论部分,研究人员指出,基于课程聚类的四个社区表现出结构组织与学生动机效能的强关联。课程相似性促进跨学科内容整合,但社区3和社区4在价值效能方面存在显著内部异质性,如社会与行为科学学院报告的价值效能高于信息管理学院,国际教育与新闻传播、马克思主义研究之间存在差异。研究认为价值效能不是技术暴露的被动结果,而是植根于学科身份的主动建构,AI鸿沟由此不仅表现为功能性的接入或技能差距,更是一种深层的认知论鸿沟。为应对这一挑战,研究人员提出两项策略:一是建立跨学科实验室,由STEM学习者主导技术开发、人文社科学习者贡献情境设计和伦理评估;二是实施"AIGC+学科"微项目,在人文课程中嵌入技术应用单元,在STEM路径中引入技术伦理模块。关于使用效能中介效应的模型敏感性,研究人员强调需要在课程中纳入AIGC输出的伦理分析和验证模块。此外,通过对比不同入学年级(2021级至2024级)发现,2021级学生在使用和评估AIGC上得分最高,2024级最低,且差异显著(使用AIGC:F=5.533, p=0.001;评估AIGC:F=2.940, p=0.033),这既反映了课程累积效应,也可能与2023年课程改革有关。研究局限性包括单机构样本、非完全概率抽样、横断面设计不能推断严格因果、个别校内比较样本量较小,以及信息接入维度尚未充分发展。未来研究应在多元机构中验证结论,采用跨层次比较和纵向追踪,考察课程相似性映射如何监测AI改革随时间的影响。

研究结论可翻译为:本研究通过结合基于课程的社区检测与关于动机效能和AIGC素养的调查证据,考察了本科生教育中新出现的人工智能鸿沟。基于南京大学的课程共享模式,识别出四个结构不同的社区:科学主导型、科学边缘型、社会科学与科学型、人文与社会科学型。这些社区的学生在动机效能和AIGC素养方面存在显著差异,其中科学主导型社区普遍报告最高水平。这些发现表明,人工智能鸿沟不仅与个体能力相关,还与学生在其中接触和参与人工智能的课程结构相关。社区内分析显示,具有相似课程特征的院系之间AIGC素养变异相对有限,但价值效能某些社区内部波动较大,说明课程结构固然重要但不能完全决定学生的感知和能力。人工智能鸿沟因此是多维的,涉及技能、感知价值、信心和评估能力的差异。中介分析进一步表明,动机效能部分中介了社区归属与使用AIGC、评估AIGC之间的关联,其中技能效能表现出最强且最一致的中介作用,使用效能则依赖于模型设定。这些结果凸显了不仅需要发展学生使用AI工具的能力,还需培养其批判性且有效地运用信息处理和技术相关技能的信心。总体上,研究支持采取更具情境敏感性和跨学科的方法推进AI教育,高校应将AIGC教育融入学科路径,将技术应用与批判评估、伦理反思和学科特定问题解决相结合,不仅关注AI技术的接入,也应关注塑造有意义人机协作的动机与课程条件。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号