生成式人工智能用于可持续高等教育的校准：感知能力与依赖性的横断面证据

《Sustainability》：Calibrating Generative AI Use for Sustainable Higher Education: Cross-Sectional Evidence on Perceived Capability and Dependence

　　

摘要专业翻译 生成式人工智能（Generative artificial intelligence，GenAI）可以在支持教育工作的同时，改变使用者参与独立生成与评估的方式。本研究考察了GenAI任务使用频率与感知角色特定能力（perceived role-specific capability）及AI依赖性（AI dependence）之间是否存在不同的关联。一项针对北京五所高校1105名受访者（659名学生和446名教师）的横断面调查，通过自我报告测量了所有焦点变量。采用具有HC3稳健标准误的分层回归分析（hierarchical regressions），并辅以正式倒U形检验（formal inverted U tests）、自助法置信区间（bootstrap intervals）、测量模型敏感性分析以及嵌套式折外预测（nested out-of-fold prediction）。两项能力结果均呈现低范围正向斜率与高范围负向斜率，最大值位于观测使用范围内，且在每一素养分层内均有两侧观测数据支持。在AI素养的第25百分位至第75百分位之间，模型隐含最大值对于学生移动了0.715个使用量表单位（95%自助法置信区间[0.525, 0.973]），对于教师移动了0.643个单位（95%置信区间[0.450, 0.883]）。主要素养测量为12条目均值；四维度和二阶验证性因子分析（CFA）规范支持将其解释为广义复合指标。单独的探索性维度模型产生了正向的素养×使用交互作用，其中批判性评估的点估计值最大。依赖性（Dependence）与使用、习惯和信任呈正相关，与素养呈负相关。依赖性模型中平方使用项与交互项的合并增量分别为0.0024和0.0004，其90%区间上限为0.0058和0.0031，低于探索性0.01基准。以信念为中心及省略信任的规范支持更广泛的依赖模式，尽管信任与依赖性在概念上仍然接近。非线性岭回归（nonlinear ridge）恢复了相对于线性岭回归的大部分能力预测改进。研究结果描述的是个体间关联，而非个体最优使用水平或干预效应。这些发现推动了以素养为导向的任务设计评估，以及信任校准和习惯性依赖的互补方法。

论文解读文章

一、研究背景与问题提出

高等教育的可持续性不仅取决于当下的教育产出，更取决于院校能否持续再生产学习、判断与专业行动所需的人类能力。联合国可持续发展目标4（SDG 4）将目标从入学与完成学业拓展至相关技能、终身学习、可持续发展教育以及合格教师。数字技术可以通过扩大教育可及性、降低个性化辅导成本来支持上述目标，但技术采纳的增加本身并不构成教育可持续性的证据——一项技术可能改善即时任务完成，却同时取代了可迁移知识与判断力得以更新的认知活动。

生成式人工智能（Generative AI，GenAI）使这一区分尤为关键。学生使用GenAI进行解释、起草、翻译、编程与备考；教师将其用于课程设计、反馈、资源开发与行政工作。元分析报告了GenAI支持干预对学业成绩的正向平均效应，但这些增益并不能证明更频繁的使用与更强的独立能力存在一致关联。引导式系统可能为问题解决提供脚手架，而无限制的辅助则可能提升有辅助条件下的表现，却未必在移除支持后产生同等增益。因此，可持续整合要求同时关注辅助的即时价值与被辅助所替代的人类工作。

认知卸载（cognitive offloading）研究为上述两种可能性提供了机制解释。外部支持可以释放工作记忆资源，使注意力转向更高阶活动；但同样的支持也可能替代检索、生成、错误监控与元认知调节——这些过程对持久学习与判断至关重要。在低或中等使用水平下，示例、反馈与低成本迭代可能主要起脚手架作用；在更高使用水平下，脚手架的边际收益递减而替代效应增加。这一组合预测凹形关联而非恒定线性效应。

能力与依赖性必须加以区分。本研究中的感知角色特定能力指学生感知的学习能动性与教师自我报告的教学创新能力；AI依赖性指自我报告的认知与行为层面对AI支持任务执行的依赖。信任可以在不确定性下使委托变得可接受，而稳定情境中的重复行为可能成为习惯并逐渐减少深思熟虑。因此，受访者可能同时报告高能力与高依赖性，将两种结果视为同一量表的两端会掩盖这种可能性。

AI素养可能改变上述两条路径。意识、实践使用、批判性评估与伦理判断帮助用户识别任务边界、验证输出、识别不确定性并保留对重大决策的责任。选择性卸载理论暗示一个更强的边界条件主张：素养可以通过改善委托质量来拓宽使用伴随能力的范围，即使它不能消除习惯形成。现有证据大多关注学生，教师需要平行分析，因为教师的使用影响课程设计、反馈、评估以及多届学生所经历的学习环境。

二、研究设计与核心问题

本研究围绕四个研究问题展开：RQ1考察GenAI任务使用频率与感知角色特定能力之间关联的函数形式；RQ2考察AI素养（整体及分维度）是否移动模型隐含能力最大值的位置；RQ3考察使用、信任、习惯、素养与感知风险是否通过一种与能力路径不同的、以加性为主的结构关联于AI依赖性；RQ4考察双路径结构在学生与教师群体之间的收敛程度。

三、主要技术方法

研究采用横断面平行工具调查设计，于2025年10月至12月在北京五所高校收集数据，最终有效样本为1105名受访者（659名学生和446名教师）。问卷以中文施测，英文源条目经双人独立翻译、讨论协调并由第三人回译。研究使用七点李克特量表测量各焦点构念，GenAI任务使用频率采用七级类别编码。主要分析方法包括：具有HC3稳健标准误的分层普通最小二乘回归、正式倒U形检验（在5%与95%百分位处检验边界斜率并确认内部最大值）、5000次案例自助法置信区间、验证性因子分析（CFA）比较一因子、四相关一阶因子与二阶素养模型、多组测量等价性检验、异质性-一致性（HTMT）判别效度诊断、受限三次样条、岭回归与树模型（随机森林、XGBoost、LightGBM）的嵌套五折折外预测比较，以及留一机构敏感性分析与空约束野聚类自助法。

四、研究结果

4.1 测量质量、素养结构与判别效度

相关一阶焦点模型拟合可接受：学生CFI = 0.963、RMSEA = 0.030；教师CFI = 0.959、RMSEA = 0.032。二阶模型虽拟合可接受但施加了20个额外协方差限制。AI素养分析拒绝了单一因子结构，支持四相关维度与二阶模型。学生信任与依赖性虽高度相关（潜在相关0.806），但在潜在因子层面可区分；以信念为中心的信任评分将HTMT降至0.842。

4.2 描述统计与原始关联

使用频率与感知学习能动性（r = ?0.06）和教学创新能力（r = ?0.09）呈小的负零阶相关，但与依赖性呈中等正相关（学生r = 0.52，教师r = 0.48）。素养与使用弱相关，素养分层摘要直接描述了拟合曲线的联合支持。

4.3 对比函数形式与增量解释价值

平方使用项与素养交互块为能力模型增加了0.113（学生）和0.137（教师）的R2增量；依赖性模型的相应增量为0.0024和0.0004，90%区间上限分别为0.0058和0.0031，均低于探索性0.01基准。受限三次样条联合Wald检验确认了能力模型的非线性结构，而教师依赖性无偏离线性加性规范的证据。

4.4 正式倒U形检验、转折点与数据支持

两个能力模型均满足倒U形的三个条件：下边界斜率显著为正、上边界斜率显著为负、转折点在观测范围内。模型隐含最大值随素养从第25百分位升至第75百分位而右移：学生从3.743移至4.458（位移0.715），教师从3.789移至4.431（位移0.643）。每个素养分层内最大值两侧均有观测支持。

4.5 维度层面素养调节

四个素养维度（意识、实践使用、批判性评估、伦理判断）的单独探索性模型均产生正向维度×使用交互作用，其中批判性评估的点估计值最大。支持导向与替代近似使用指标的分解显示，替代近似平方使用估计更负，而所有素养交互均为正。

4.6 可靠性、信任、控制与机构敏感性

可靠核心规范保持了中心系数，焦点标准化系数变化不超过0.013。以信念为中心的信任评分降低但未消除信任系数；省略信任后，使用、习惯与素养仍保持方向与显著性。机构ICC介于0.024至0.039之间，固定效应与留一机构模型保留了能力模型的负平方使用与正素养交互符号。

4.7 折外预测三角验证

加入预设平方项与交互项使能力R2从0.514增至0.611（学生）、从0.476增至0.561（教师）；XGBoost在非线性岭回归基础上仅增加0.017和0.018。依赖性两种岭回归仅相差0.001。素养对能力预测的平均绝对SHAP贡献最大（学生0.426，教师0.391），信任对依赖性的贡献最大（学生0.343，教师0.279）。

4.8 假设与研究问题评估

H1获得支持：两群体均满足正式倒U形检验条件。H2获得支持：素养与能力正相关并右移最大值。H3部分支持：使用、信任、习惯与依赖性正相关，素养为负相关，但感知风险仅对学生为负。探索性评估与H4一致：依赖性非线性增量低于0.01基准，且无内部最大值。RQ4表明跨角色结构收敛而非系数等同。

五、讨论与结论

研究发现支持GenAI任务使用频率的两种经验上不同的关联模式。感知能力遵循素养调节的倒U形关联，而AI依赖性以加性结构为主。这一区分调和了看似矛盾的证据：干预研究在辅助起脚手架作用时检测到收益，撤除研究在辅助替代独立加工时揭示成本，横断面研究在观测值分布于凹形关系两侧时报告弱线性相关。本研究的贡献不在于设定通用使用配额，而在于证明恒定斜率模型丢弃了感知能力中的大量结构，同时能充分近似依赖性。

可持续性贡献在于两条路径所蕴含的时间问题。负责任使用询问单次委托是否可接受；可持续整合进一步询问重复辅助是否帮助院校再生产未来教学所依赖的人类判断，以及依赖是否保持可逆。本研究未直接测量制度能力存量、SDG结果或长期锁定，而是在四个明确假设下识别可能累积为上述结果的个体层面模式。

研究提出两个互补的设计方向：能力校准——AI素养课程应超越操作熟悉度，涵盖批判性评估、不确定性识别、任务边界与主动决定不委托；依赖治理——测试信任校准措施（使不确定性可见、要求来源验证、区分低后果与高后果任务）以及计划性AI关闭阶段、轮换无工具练习与委托日志。限制条件具有分配风险：残障学生、二语学习者与缺乏人类辅导资源的学生可能依赖AI执行其他途径无法获得的功能，任何AI关闭措施都需配以可及替代方案与合理便利。

研究存在多项局限：横断面设计无法识别个体内发展；所有焦点变量均为单一工具自我报告；使用频率不反映委托深度或任务后果；便利样本来自单一都市环境五所高校，机构聚类有限。未来研究应结合纵向个体内轨迹、随机化素养与任务设计干预、暂时撤除AI后的行为表现以及平台遥测或任务级委托日志四种证据形式。

研究结论指出：可持续GenAI整合不能仅以采纳率或使用频率评估。在学生与教师群体中，GenAI任务使用频率与感知角色特定能力呈现形式上受支持的、素养调节的倒U形关联；AI依赖性遵循独立路径，使用、习惯与信任为正相关，素养为负相关，非线性增量低于探索性基准。研究结果推动两个互补的评估目标：素养导向的任务设计，以及信任与习惯性依赖的校准。其有效性、交互作用与分配后果需通过包含独立表现测量与AI辅助可及替代方案的纵向或实验设计加以检验。