《Frontiers in Psychology》:A study on AI-enabled course development, AI proficiency, and first-year students’ academic and psychological adjustment
编辑推荐:
摘要翻译:背景:数字技术与生成式人工智能(AI)在高等教育中的快速融合,重塑了一年级大学生的学习体验与自我报告心理适应。本研究采用横断面自我报告设计,考察了AI赋能课程开发、AI素养、学业适应与自我报告心理适应复合指标之间的统计关联。方法:对来自单一机构的55
摘要翻译:背景:数字技术与生成式人工智能(AI)在高等教育中的快速融合,重塑了一年级大学生的学习体验与自我报告心理适应。本研究采用横断面自我报告设计,考察了AI赋能课程开发、AI素养、学业适应与自我报告心理适应复合指标之间的统计关联。方法:对来自单一机构的551名一年级大学生进行了横断面自我报告调查。采用描述性统计、Pearson相关、多元与层级回归、Bootstrap中介分析(PROCESS)、有调节的中介分析及结构方程模型(AMOS)检验假设关联。鉴于数据的横断面与自我报告性质,不能进行因果推断。结果:学生对AI赋能课程开发报告了较高的满意度,并对AI学习工具表现出较强的接受度,超过80%的学生认可AI的学习效率并积极使用AI进行学习。然而,超过三分之二的样本认可了自我报告心理压力指标;这些条目为描述性自我报告指标,不构成临床诊断。回归分析显示,课程开发满意度与AI素养分别与情绪管理、压力应对及学业适应呈统计显著正相关。层级回归表明,上述变量显著提升了模型解释力,其中学业适应的解释方差最高(R2=0.240)。中介分析显示,AI素养部分中介了课程开发满意度与自我报告心理适应之间的关联(间接效应=0.124,95% CI [0.076, 0.181])。调节分析显示,AI相关使用压力削弱了AI素养与自我报告心理适应之间的正向关联(调节指数=?0.051,95% CI [?0.095, ?0.017])。结构方程模型显示拟合良好(χ2/df=2.31,CFI=0.956,TLI=0.941,RMSEA=0.049,SRMR=0.041)。结论:在本横断面样本中,AI赋能课程开发与一年级大学生自我报告心理适应呈统计显著正相关,既直接相关,也通过自我报告AI素养间接相关。过度的自我报告AI相关压力削弱了这些正向关联。由于设计为横断面且基于自我报告,这些发现应解释为统计关联而非因果效应。高校可考虑加强AI素养培训、优化课程设计、管理技术相关工作量并提供心理支持,以最大化AI融合教育的潜在益处;未来需开展纵向及多机构研究以更严格地检验这些关联。
论文解读
一、研究背景与问题
随着生成式人工智能(AI)在高等教育中的快速渗透,大学课程设计、知识获取方式、学习评估机制及师生互动模式均发生深刻变革。对于一年级大学生而言,这一转变不仅是技术更新,更涉及学习方式转型、专业认同建立、学业压力管理以及自我报告心理适应等多重挑战。已有研究多聚焦于学习动机、同伴支持、师生关系等传统适应因素,但针对AI赋能课程开发如何与大一学生的学业及心理适应相关联的实证证据仍显不足。现有文献存在以下缺口:第一,课程支持研究多停留在一般性描述,缺乏将AI课程支持解构为目标设置、教学示范、规范指导等结构要素的统一分析框架;第二,AI素养多被视为静态指标,较少从“能力内化—动机形成—心理结果”的连续过程加以系统考察;第三,AI使用压力在AI素养与心理结果关系中的调节作用缺乏足够实证支持;第四,已有样本多集中于普通大学生群体,针对大一这一过渡群体的专门模型与本土化证据相对稀缺。因此,研究人员基于自我决定理论(SDT)与控制价值理论(CVT),构建了涵盖“课程支持—能力转化—动机机制—自我报告心理结果”的系统分析框架,并将自我报告AI使用压力作为关键边界条件,探讨AI赋能课程开发与一年级大学生心理适应之间的统计关联。
二、研究设计与方法
研究人员采用横断面自我报告问卷设计,以中国江苏省扬州工业职业技术学院建筑工程学院的一年级学生为调查对象,共收集551份有效问卷。样本以男性(81.85%)、工科专业(76.41%)、住校(90.56%)为主。研究工具包括课程开发满意度(6题)、AI素养(6题)、自我报告心理适应(9题,涵盖学习适应、情绪管理、压力应对,部分反向计分)及AI使用压力(4题),均采用5点Likert量表。数据分析方法包括描述性统计、Pearson相关、多元回归、层级回归、Bootstrap中介分析(PROCESS Model 4,5000次重抽样)、简单调节模型(PROCESS Model 1)、有调节的中介模型(PROCESS Model 14)及AMOS结构方程模型(SEM)。测量模型通过验证性因子分析(CFA)检验,三因子模型拟合良好(χ2/df=2.31,CFI=0.956,TLI=0.941,RMSEA=0.049,SRMR=0.041)。
三、主要研究结果
(1)描述性统计结果:课程开发与AI学习工具获得高认可度,超过80%的学生认可AI的学习效率并主动使用AI学习。然而,自我报告心理压力指标同样突出,焦虑/紧张(69.51%)、易怒(68.78%)、难以放松/压力(67.88%)、低自我价值(67.70%)、孤独(67.52%)及AI平台任务额外压力(66.97%)的认可比例均高于65%,呈现“高支持与高压力并存”的双重特征。
(2)相关与回归分析:课程开发满意度与AI素养分别与情绪管理、压力应对、学业适应呈显著正相关(r介于0.31至0.42之间)。多元回归显示,课程开发满意度(标准化β介于0.28至0.34)和AI素养(标准化β介于0.22至0.27)均显著正向预测三个适应指标,其中学业适应模型的解释力最高(R2=0.24)。
(3)层级回归分析:在控制人口学变量后,课程开发满意度对学业适应的增量解释力最大(ΔR2=0.145),AI素养对学业适应的增量解释力也最大(ΔR2=0.060),表明AI赋能课程开发与大一学生学习方式转型的统计关联最为直接。
(4)Bootstrap中介分析:AI素养部分中介了课程开发满意度与自我报告心理适应之间的关联(间接效应=0.124,95% CI [0.076, 0.181]),中介比例为30.0%。课程开发满意度不仅直接正向关联心理适应(c′=0.29,p<0.001),还通过增强学生的AI素养间接产生正向关联。
(5)AI素养的调节效应:课程开发满意度与AI素养的交互项对学业适应具有显著正向作用(B=0.12,p=0.003),表明AI素养越高,课程开发满意度与学业适应之间的正向关联越强。
(6)AI使用压力的有调节中介效应:PROCESS Model 14显示,AI素养与AI使用压力的交互项对心理适应具有显著负向作用(B=?0.11,p=0.004)。简单斜率分析表明,在低使用压力下,AI素养与心理适应的正向关联最强(B=0.42,p<0.001);在中度压力下关联减弱(B=0.31,p<0.001);在高使用压力下关联不显著(B=0.20,p=0.052)。有调节的中介指数为?0.051(95% CI [?0.095, ?0.017]),证实AI使用压力显著削弱了课程开发满意度通过AI素养影响心理适应的间接效应。
四、讨论与结论
研究结果显示,课程开发满意度与AI素养对心理适应各维度均具有稳定的正向统计关联,其中课程设计满意度的影响权重高于AI素养,提示环境支持仍是大一学生心理适应的基础性因素。AI素养的部分中介作用表明,外部课程支持需通过学生能力的内部转化才能充分发挥心理效益。AI使用压力的调节作用则揭示了技术压力的风险机制:即使学生具备较高的AI素养,过度的任务负担、平台复杂度及评价不确定性也会抑制能力向心理收益的转化。此外,学业适应模型解释力最高,说明AI课程设计对大一新生学习方式转型的关联最为直接,因此应注重过渡性与支持性设计。
研究结论指出,AI赋能课程开发应遵循“课程支持—AI素养—心理支持”三位一体原则。高校不应仅追求AI工具覆盖率,还应关注课程结构清晰度、教师指导质量、AI伦理教育、工作量管理及学生心理适应。由于本研究为横断面自我报告设计,所有发现应解释为统计关联而非因果效应;未来需通过纵向、多机构及混合方法研究进一步验证,并建议使用GAD-7、PHQ-9等标准化工具区分各心理维度。