生成式人工智能辅助学术作弊的感知因素：伦理模糊性、技术可供性、制度缺口的实证考察

《PLOS One》：Perceived factors associated with self-reported AI-assisted academic cheating among undergraduate students: Evidence from ethical ambiguity, technological affordances, institutional gaps, academic pressure, and peer comparison

　　

摘要专业翻译 生成式人工智能（generative AI）的快速发展使得高等教育中的学术作弊行为日益复杂且难以监管。本研究基于对越南一所科技大学863名本科生的横断面自我报告问卷调查，考察了学生对于与AI辅助学术作弊相关因素的感知的潜在结构，以及由此产生的构念与自我报告作弊行为之间的关联。数据分析采用探索性因子分析（exploratory factor analysis, EFA）、验证性因子分析（confirmatory factor analysis, CFA）和基于协方差的结构方程建模（covariance-based structural equation modeling, CB-SEM）。研究结果支持三因子结构，即AI辅助学术作弊行为（AI-Assisted Academic Cheating Behaviors, AICB）、伦理模糊性、技术可供性与制度缺口（Ethical Ambiguity, Technological Affordances, and Institutional Gaps, ETIG）以及学业压力与同伴比较（Academic Pressure and Peer Comparison, APPC）。在结构模型中，ETIG与AICB呈显著正相关（β=0.228，p<0.001），而APPC与AICB呈轻微负相关（β=-0.148，p=0.022）。性别与AICB也呈显著正相关（β=0.142，p<0.001），其中男性学生报告的AICB得分往往高于女性学生。学生年级与AICB无显著关联（β=0.018，p=0.622）。学科领域与AICB呈正相关（β=0.104，p=0.008），非STEM学生的AICB得分往往高于STEM学生。该模型解释了AICB约5%的方差，表明其解释力较为有限。总体而言，研究结果表明，围绕AI使用可接受边界的模糊性、AI工具获取的便捷性以及AI生成内容检测的困难性、制度指导的缺口、学业压力与同伴比较，可能值得在AI辅助学术作弊方面进行进一步研究。

论文解读文章

研究背景与问题提出

学术作弊长期以来一直是高等教育领域的持续性难题，因为它破坏了学术工作的核心价值，包括诚实、公正、责任以及对智力劳动的尊重。抄袭、考试期间未经授权使用材料、捏造研究数据等行为不仅损害教育质量，还削弱了人们对学习成果真实性及学位价值的信任。然而，生成式人工智能（generative AI, GenAI）的出现并未缓解这一长期存在的问题，反而使学术作弊变得更加复杂和难以监管。基于大语言模型的AI系统能够生成连贯的学术文本、总结文档、支持论证，并处理广泛的学习任务，为学生提供了个性化学习和提高学习效率的实质性机会。但与此同时，AI强大的内容生成能力也增加了在学术评估情境中被滥用的风险。当学生可以在极短时间内使用AI生成完整的学术成果时，将AI作为合法学习支持工具与使用AI替代个人学习努力之间的边界变得日益模糊。此外，AI生成的内容往往难以通过传统抄袭检测工具识别，这使得当代高等教育中学术作弊的管控更加复杂。

与传统的学术作弊形式相比，AI辅助作弊存在于一个广泛的连续谱上，经常处于诚信与欺诈之间的灰色地带。学生可能使用AI完成全部作业、生成虚假数据或研究结果、改写内容以规避抄袭检测，或在教师明确禁止的情况下使用AI。因此，AI辅助作弊不应被理解为单一行为，而应被理解为一系列学术实践，包括将学术任务完全委托给AI、在无智力贡献的情况下提交AI生成的作品、在承认AI协助方面缺乏透明度，以及违反伦理或教学指导原则使用AI等。以往研究虽已识别出学术压力、伦理模糊性、AI能力、制度政策缺口等因素与AI辅助学术作弊的关联，但多数实证研究侧重于描述该行为的普遍性、测量作弊意图或考察学生对AI使用是否构成学术作弊的看法，对学生在学业压力、伦理模糊、AI能力和制度政策缺口方面的感知关注不足。基于此，研究人员提出两个研究问题：一是学生感知的学业压力、伦理模糊性、AI能力和制度政策缺口等维度如何与自我报告的AI辅助学术作弊行为相关联；二是性别和学生年级如何与自我报告的AI辅助学术作弊行为相关联。

研究设计与方法

本研究采用横断面自我报告调查设计，研究对象为越南一所科技大学在册的本科学生，数据收集通过匿名在线问卷进行，最终有效样本为863名学生。样本中STEM（Science, Technology, Engineering, and Mathematics，科学、技术、工程和数学）领域学生占81.3%，非STEM领域学生占18.7%；男生占71.3%，女生占28.7%。数据收集时间为2025年10月25日至11月22日。调查工具基于先前关于高等教育中AI辅助学术作弊的定性研究设计，AICB部分最初包含11个项目，经删减后保留10个项目，采用五点频率量表（1=从不，5=经常）评估学生参与特定不当AI使用行为的频率；另有11个项目评估学生对与AI辅助学术作弊相关因素的感知，采用五点同意量表（1=强烈不同意，5=强烈同意）。数据分析采用SPSS 26和AMOS 24，依次进行描述性统计、探索性因子分析（EFA）、验证性因子分析（CFA）和基于协方差的结构方程建模（CB-SEM）。EFA用于识别感知项目的潜在结构，CFA用于验证测量模型，SEM用于估计潜在构念与AICB之间的结构关联，同时纳入性别、年级和学科领域作为观察背景变量。

研究结果

3.1 描述性统计结果

描述性统计显示，AICB项目的平均得分介于1.645至2.423之间，总体低于五级频率量表的中点，表明自我报告的参与程度相对较低。感知因素项目的平均得分介于3.479至3.846之间，其中得分最高的项目包括学业负担过重（PI5，M=3.846）和学业成绩压力（PI4，M=3.811）。描述性结果表明，自我报告作弊行为水平较低与对相关因素感知的较高认同度之间存在明显对比。

3.2 探索性因子分析结果

KMO值为0.921，高于推荐阈值0.70；Bartlett球形检验显著（χ2=10119.069，df=210，p<0.001），表明数据适合进行因子分析。碎石图、特征值和理论可解释性支持三因子结构，前三个因子的特征值均大于1，累计解释方差为60.344%。所有十个AICB行为项目均载荷于因子1（载荷范围0.637-0.856），命名为“AI辅助学术作弊行为”（AICB）；因子2包含八个感知项目（PI1、PI2、PI3、PI7、PI8、PI9、PI10、PI11），载荷范围0.564-0.744，命名为“伦理模糊性、技术可供性与制度缺口”（ETIG）；因子3包含三个项目（PI4、PI5、PI6），载荷范围0.665-0.832，命名为“学业压力与同伴比较”（APPC）。

3.3 验证性因子分析

CFA验证了三因子测量模型，模型拟合可接受：χ2(183)=913.051，χ2/df=4.989，CFI=0.927，TLI=0.916，RMSEA=0.068，SRMR=0.0572。AICB的标准化因子载荷范围为0.635-0.858，Cronbach's α=0.932，CR=0.932，AVE=0.580，显示良好的信度与收敛效度。ETIG的载荷范围为0.560-0.738，α=0.855，CR=0.855，AVE=0.428（低于0.50但处于边际范围，因CR充分而保留）。APPC的载荷范围为0.665-0.832，α=0.807，CR=0.813，AVE=0.594。判别效度方面，Fornell-Larcker准则对ETIG-APPC组合未完全满足，但HTMT值为0.719（低于0.85），结合EFA产生两个概念上不同的项目簇及两者均具有充分组合信度，支持将ETIG与APPC作为独立构念处理。

3.4 结构模型检验

结构模型拟合可接受：χ2=1013.849，χ2/df=4.278，CFI=0.924，TLI=0.912，RMSEA=0.062，SRMR=0.0523。路径分析结果显示：ETIG与AICB呈显著正相关（β=0.228，p<0.001）；APPC与AICB呈小但显著的负相关（β=-0.148，p=0.022）；性别与AICB呈显著正相关（β=0.142，p<0.001），男生报告的AICB得分高于女生；学科领域与AICB呈显著正相关（β=0.104，p=0.008），非STEM学生的AICB得分高于STEM学生；学生年级与AICB无显著关联（β=0.018，p=0.622）。模型解释了AICB约5%的方差。

讨论与结论

在讨论部分，研究人员指出ETIG与AICB的正向关联与以往研究一致，表明伦理模糊性、AI工具易获取性、检测困难以及制度指导缺口与AI辅助作弊行为密切相关。EFA表明伦理模糊性、技术可供性和制度缺口聚为一个维度，说明学生可能将这些因素视为紧密关联的整体。APPC与AICB的负向关联需谨慎解读，因为该系数是在控制ETIG及其他变量后的净效应，并非简单的反向关系。性别差异与既往多数研究一致，但样本分布不均衡限制了结论的推广性。年级无显著关联与既往越南研究存在差异，提示年级差异可能取决于评估实践、AI经验或制度指导等因素。模型仅解释约5%的方差，表明大量未解释变异可能涉及其他变量，如检测风险感知、AI使用态度、AI素养、评估设计、道德脱离、同伴规范等。

研究结论指出，高等教育机构在制定生成式AI使用指导时应考虑：明确可接受的AI使用边界、课程层面的具体期望、一致的制度指导。学生可能受益于具体解释哪些AI使用是允许的、哪些需要披露、哪些可能构成学术作弊。同时，APPC与AICB的小负相关不应被解释为学业压力具有保护作用，机构应避免仅依据该系数制定干预措施。性别和学科差异虽显著但幅度有限，且样本来自单一机构且分布不均，不应作为针对特定性别或学科群体的依据。AI使用指导与学术诚信教育应面向所有专业和年级提供。研究局限性包括：单一机构便利抽样导致样本不均、自我报告数据可能存在低报、横断面设计无法确定因果关系、模型解释力有限。未来研究应使用更多样化的多机构样本、采用间接提问或实验设计、纳入更多潜在变量，以更全面理解AI辅助学术作弊的影响机制。