数字健康与生成式人工智能如何促进学生学业成功及可持续发展目标

摘要

本研究发现，数字健康和生成式人工智能能够提升外语英语学习的参与度，从而提高学业表现。更高的学业成就增强了对可持续发展目标的认知，将教育技术与学术成果及可持续性成果联系起来。

摘要

本研究探讨了数字福祉和生成式人工智能（AI）的采用如何促进外语英语（EFL）学习者的学业成功以及对可持续发展目标（SDGs）的参与。采用定量横断面研究设计，通过经过验证的量表从440名参与者中收集数据，测量其数字福祉、人工智能使用情况、学习投入、学业表现以及对可持续发展目标的认知。运用偏最小二乘结构方程模型（PLS-SEM）分析这些构念之间的关系，并评估模型的预测效度与稳健性。研究结果表明，数字福祉和生成式人工智能均显著提升EFL学习者的学习投入，而学习投入进一步推动学业成功。此外，学业成就对学生可持续发展目标的认知具有积极影响，凸显了数字教育与可持续发展成果之间的相互关联。研究发现，学习投入在技术赋能的学习与学业表现之间起着关键的中介作用。这些结果强调，将数字健康策略与人工智能素养融入教育框架的重要性，以促进学术成就和全球公民意识的发展。实现这一目标的途径在于设计能够同时帮助学生管理其数字生活以实现高效学习，并使他们具备利用和批判先进科技的能力，从而理解并应对全球最紧迫挑战的课程与教学方法。

引言

在技术迅猛发展的时代，数字健康与生成式人工智能（GAI）在教育中的融合已成为一种具有深远影响的变革力量，对学生学业成就以及联合国可持续发展目标（SDGs）的实现具有重要意义¹。数字健康致力于促进健康的技术使用，以提升认知与情绪平衡，而生成式人工智能则为个性化学习²、教育可及性及教学效率带来了前所未有的机遇³。然而，尽管全球对这些领域的关注日益增长，现有知识体系仍较为分散，鲜有研究聚焦于二者协同作用在未来推动学业成功及实现全球可持续发展目标方面的潜力⁴。本研究旨在填补这一重要空白，具体探讨在数字健康原则指导下负责任地使用生成式人工智能，如何在最大化学习成效的同时，支持实现关键的可持续发展目标，特别是目标4（优质教育）、目标3（良好健康与福祉）和目标10（减少不平等）。

现有文献综述揭示了若干尚未充分探索的研究维度。首先，尽管关于数字福祉的研究强调了学生过度使用屏幕、数字干扰以及心理健康问题所带来的风险⁵，但很少有研究探讨结构化的数字正念实践如何与人工智能驱动的学习工具共存⁶。其次，关于生成式人工智能（GAI）在教育中的研究主要聚焦于其在自动化评估、内容生成和实现自适应学习方面的效率优势⁷，却忽视了其对学生福祉的心理和行为影响⁸。第三，尽管可持续发展目标（SDGs）框架倡导包容且公平的教育，但鲜有研究关注：当人工智能增强型学习环境以促进福祉为设计理念时，如何减少教育不平等并推动可持续的学习实践⁹。这些研究空白凸显出亟需一种整合性方法，将技术创新与以人为本的福祉策略相协调。

本研究通过提出一种将数字福祉原则与教育领域中的生成式人工智能（GAI）应用相融合的新框架，以应对上述局限性。与先前一项将这些概念独立分析的研究¹⁰不同，本研究综合考察了二者之间的动态关系，从而提供了实证证据，说明此类人工智能如何能够以符合道德的方式实施，以支持而非削弱学生的专注力、学习动机以及长期的学业成就。通过这一方式，本文将促进教育技术、心理学和可持续发展科学领域的进一步讨论，提供一种具有时效性的研究视角，有望吸引大量读者、研究人员、政策制定者以及教育工作者，特别是那些致力于探索基于证据的方法，以在技术整合与学习者及学生的可持续、整体性发展之间实现恰当平衡的人士。

本研究的理论贡献体现在三个方面。首先，通过引入人工智能中介的幸福感这一新维度，推动了数字福祉领域的讨论，探讨了如何调整生成式人工智能以最小化认知负荷并促进有意识的参与¹¹。其次，本研究拓展了教育中人工智能的相关文献，将福祉作为核心设计要素纳入其中，打破了现有以效率为导向的论述框架¹²。第三，本研究通过展示人工智能如何更新教育体系，使其成为可持续发展的推动力，特别是在弥合数字鸿沟和确保学习者具备心理韧性方面，从而提升了可持续发展目标（SDGs）研究的质量。这些理论创新使我们的研究处于跨学科研究的前沿，提供了关于技术、教育与可持续性在全球范围内相互依存关系的新视角。在学术层面，本研究提出了一个整体性框架，说明如何通过实证数据评估生成式人工智能与数字福祉对学习成果的双重影响¹³。对于政策制定者而言，本研究提供了关于如何以符合伦理的方式治理教育中人工智能应用、保障学生安全的具体建议¹⁴。对于教育工作者而言，本研究展示了基于证据的方法，说明如何实施人工智能工具，以支持而非损害教学法的有效性¹⁵。此外，这些研究成果与可持续发展目标之间的关联，揭示了技术先进型教育对社会整体影响的宏观图景，因此也说明了数字创新应与可持续的人类发展保持一致的重要性。

数字技术与生成式人工智能（AI）在教育领域的迅速普及，引发了学界对其对学生学业表现水平以及实现包括可持续发展目标¹⁶在内的一系列社会目标所产生的综合影响的广泛关注。尽管这些技术发展具有革命性潜力，但将其应用于教学环境仍面临诸多两极分化与争议性的实际问题，亟需对现有研究进行批判性整合，以明确未来研究的方向与局限¹⁷。本综述将聚焦三个相关领域的研究成果：（1）数字福祉及其教育意义，（2）生成式人工智能对教育实践的影响，以及（3）上述技术干预措施与可持续发展目标（SDGs）的兼容性，特别是与优质教育、健康和公平相关的目标。随着学习环境日益深度融入技术，数字福祉已成为一个关键研究领域¹⁸。尽管研究已指出屏幕过度使用可能带来认知超载、数字干扰和被动消费等风险，但人们也逐渐认识到，这些负面影响是可被有效缓解的¹⁹。通过数字正念、有意识的技术使用以及元认知反思等策略性干预，可促进有意义的学习参与，并保护心理健康与情绪稳定。尤为重要的是，数字福祉并不仅限于减少屏幕使用时间，而是强调培养一种平衡的、自主的与技术之间的关系²⁰。这一观点在人工智能增强的学习环境中尤为相关，因为算法偏见和对自动化的过度依赖等伦理挑战，可能直接影响学生的胜任感、自主性²¹和归属感——这些是动机与福祉所依赖的核心心理需求²²。弥合这一差距需要建立一个框架，不仅应对数字交互的风险，还能主动将福祉原则融入生成式人工智能教育工具的设计与使用之中。

由于生成式人工智能（生成类人文本、图像和响应操作的游戏）的出现，个性化与适应性学习的新领域已然开启²³。研究表明，生成式人工智能在自动化管理流程、创建个性化学习资源、提供实时反馈以及提升教学效率与可及性方面具有显著效果²⁴。例如，基于人工智能的工具（如智能辅导系统和ChatGPT）已被证实能够促进差异化教学²⁵。然而，生成式人工智能在教育中的应用也伴随着伦理与心理层面的问题，例如学术诚信问题、算法偏见，以及学生过度依赖人工智能生成内容可能导致批判性思维能力的弱化²⁶。尽管当前研究已广泛探讨人工智能在教育中的功能与能力，却忽视了其对学生心理与行为的影响，尤其是在数字福祉方面的后果²⁷。这一缺失凸显了亟需深入探讨生成式人工智能如何被用于促进而非损害学生的认知与情感健康²⁸。当通过可持续发展目标（SDGs）的视角审视时，数字福祉与生成式人工智能的结合更显重要，全球正致力于实现公平与可持续的发展。其中，SDG 4（优质教育）要求公平且包容地获取学习机会²⁹；同样，SDG 3（良好健康与福祉）与SDG 10（减少不平等）强调关注心理健康并促进社会公平，这两者均与学生的数字体验密切相关³⁰。然而，目前关于人工智能与可持续发展目标的讨论多持技术乐观主义立场，强调人工智能干预的可扩展性，却忽视了技术使用中的心理社会因素³¹。例如，尽管人工智能可为服务不足群体提供个性化学习体验，但其实施过程中缺乏对福祉的保护机制，可能导致数字疲劳加剧，并扩大在技术获取与自我调节能力不同的学生之间的不平等差距³²。创新与福祉之间的张力进一步表明，当前文献中的这一空白至关重要，亟需建立一个系统、连贯的框架，将人工智能驱动的教育进步与可持续发展目标所倡导的人文理念相融合³³。

教育心理学、人机交互以及可持续性研究代表了一些理论方法，这些方法可作为有用的视角，用以弥合这两类不同研究方向之间的鸿沟。其中一个理论实例是自我决定理论（Self-Determination Theory, SDT），该理论认为，当个体体验到自主性、胜任感和归属感的满足时，即可实现健康的学习与幸福感³⁴。当应用于数字环境时，SDT 暗示生成式人工智能可能通过个性化的学习方案增强自主性，并通过反馈的适应性提升胜任感，但同时也必须被设计为能够超越社会疏离效应，以支持归属感³⁵。同样，“数字平衡”这一概念——即技术使用与个体及集体福祉相匹配的状态——为评估人工智能在教育中的作用提供了规范性基础³⁶。然而，这些理论构念很少被实际应用于对人工智能支持的学习环境的实证分析，因而留下了关于如何设计出本质上面向数字福祉的人工智能系统的疑问³⁷。对现有文献的批判性综述表明，仍存在一些尚未解决的张力以及未来需要发展的领域³⁸。首先，尽管数字福祉问题巧妙地聚焦于节制与正念，而生成式人工智能却涉及参与度与沉浸感，这一矛盾亟需实证解决方案³⁹。其次，围绕教育中人工智能的伦理讨论主要集中于数据隐私和算法透明度，却较少考虑人与人工智能互动的心理影响⁴⁰。第三，可持续发展目标（SDGs）所强调的可持续性与公平性，并未全面关联到人工智能实际应用中的技术与教学法层面。为克服这一局限，跨学科整合至关重要，需借助认知科学、行为经济学和教育政策的洞见，构建不仅技术上稳健而且以人为本的框架。图1展示了本研究的概念框架，其中包含所有变量及其相互之间的路径关系。该模型在概念框架中呈现了研究变量之间的假设关系。

方案

本研究未涉及需机构审查委员会（IRB）正式伦理审批的程序，因其仅包含对提供知情同意的参与者进行的匿名问卷调查和/或访谈。未收集任何个人或敏感信息，所有应答均仅用于科研目的并予以严格保密。参与完全自愿，受访者在提供反馈前已获知本研究的目标。

本研究采用定量的横断面设计，探讨外语（EFL）学生中数字福祉、生成式人工智能使用与学业成果之间的关系。数据通过在线问卷收集，样本为来自中国多所高校的440名本科EFL学生，这些学生在学习中积极使用生成式人工智能工具。结构化问卷采用了经过验证的量表，包括一个12项的数字福祉测量工具⁴¹、一个8项的生成式人工智能使用量表、一个自评学业成功量表⁴²，以及可持续发展目标（SDG）意识和学习投入的测量工具，所有量表均采用五点李克特评分。数据分析采用两阶段流程：首先使用SPSS v.27进行描述性统计和信度检验，随后使用SmartPLS v.4.0进行偏最小二乘结构方程模型（PLS-SEM）分析，以评估测量模型和结构模型，并通过自举法（bootstrapping）检验路径的显著性。

研究设计
本研究采用定量与横断面研究设计，旨在确定数字福祉、生成式人工智能、学生学业成就以及可持续发展目标（SDGs）在中国台湾地区英语作为外语（EFL）学生群体中的相互关系。横断面设计使研究者能够在同一时间点收集数据，从而获得所研究变量的现状图景。定量研究设计确保研究结果基于可测量且可进行统计分析的信息，从而提高结果的可靠性与可推广性。该设计特别适用于分析数字福祉与生成式人工智能对学业成就及可持续发展目标的直接与间接影响，因为它支持使用结构方程模型等复杂的统计分析方法。

研究总体与抽样
本研究的目标总体为中国境内高等教育机构中注册就读英语作为外语（EFL）课程的本科生。学生需满足以下纳入标准方可参与：当前为在读本科生，正在常规学术学习过程中积极使用生成式人工智能工具（如 ChatGPT、Copilot 或类似平台）进行写作辅助、研究或内容生成，并已提供知情同意。排除标准包括：未将生成式人工智能用于学术目的、为研究生或非学位学生，以及调查问卷回答不完整。

采用目的性抽样方法招募符合上述标准的参与者，以确保核心人工智能使用变量的有意义测量。最终样本包括 N = 440 名参与者，该样本量被认为足以满足偏最小二乘结构方程模型（PLS-SEM）所需的统计稳健性。为提高样本的代表性与可推广性，招募范围覆盖多所大学及不同学科领域（人文学科、社会科学、STEM）。样本的人口统计学特征如下：年龄范围为 18 至 24 岁（M = 20.4，SD = 1.6）；性别分布为女性 58%（n = 255），男性 42%（n = 185）；年级分布为大一学生（22%，n = 97）、大二学生（31%，n = 136）、大三学生（28%，n = 123）和大四学生（19%，n = 84）。由于体重信息与本研究的构念无关，故未收集相关数据。

数据收集流程
数据收集通过在安全平台（例如 Qualtrics）上托管的匿名在线问卷进行。目标高校的潜在参与者通过机构电子邮件列表、学习管理系统（例如 Moodle、Blackboard）上的公告以及相关的学生社交媒体群组收到邀请。邀请函明确说明了研究目的、自愿参与性质、预计完成时间（15–20 分钟）以及保密承诺。问卷的第一页展示了详细的知情同意书；只有提供数字同意的参与者才能继续填写问卷。为减少顺序偏差，每位受访者看到的问卷部分均以随机顺序呈现。数据收集窗口开放两周。在首次邀请发出一周后，通过原始渠道发送了一次提醒，以鼓励参与并提高应答率。收集期结束后，对数据集进行了完整性筛查，剔除了严重不完整（例如缺失数据超过>20%）的应答记录。在最终分析前，还进行了单变量和多变量异常值检查，以确保数据质量。

仪器与测量
本研究采用结构化问卷测量关键变量，包括数字福祉、生成式人工智能使用情况、学生学业成就、可持续发展目标（SDGs）意识以及英语作为外语（EFL）学生的学习投入。数字福祉采用Arslankara等人⁴¹开发的12项量表进行测量，包含责任感（4项）、满意度（4项）和健康状态（4项）三个子维度。生成式人工智能使用情况通过一个8项量表⁴³进行操作化定义，重点关注ChatGPT的使用频率。在本研究中，学业表现采用Yu等人⁴²开发的自评量表（引自Mehrvarz等人⁴⁴），该量表共包含4个条目。可持续发展目标（SDGs）意识采用经验证的量表，改编自Atmaca等人⁴⁵，包含三个核心维度：经济可持续性（12项）、社会可持续性（9项）和环境可持续性（14项），用于评估学生对相关活动的认知与参与程度。最后，EFL语言学习投入采用Eerdemutu等人⁴⁶提出的9项量表进行评估。所有量表均采用五点李克特评分，并通过预测试（n=30）验证了信度（Cronbach's α > 0.82），同时通过验证性因子分析确认了构念的区分效度。

数据分析计划
采用 SPSS（v.27）和 SmartPLS（v.4.0）相结合的方式，通过两阶段分析方法对收集的数据进行分析。第一阶段使用 SPSS 进行初步分析，包括描述性统计（均值、标准差）、信度检验（Cronbach's alpha）以及相关矩阵分析，以考察变量间的基线关系。第二阶段使用 SmartPLS 软件，该软件基于偏最小二乘法结构方程模型（PLS-SEM），用于检验假设模型。选择 PLS-SEM 是因其能够处理潜变量之间的复杂关系，并且对非正态分布数据具有较强的稳健性。分析内容包括测量模型的有效性评估（收敛效度与区分效度）以及结构模型的显著性检验（路径系数、R² 值及预测相关性）。通过自助抽样法（bootstrapping）检验路径的统计显著性。

结果

研究结果为本研究的核心假设提供了有力的实证支持，证实了一条显著的序列路径：数字健康和生成式人工智能使用对英语作为外语（EFL）学习投入产生积极影响，而学习投入继而推动学业成功，并进一步促进对可持续发展目标（SDGs）的更高参与度。具体而言，数字健康（β=0.32，p<0.001）和生成式人工智能使用（β=0.28，p<0.001）均对学习投入具有显著的直接效应，共同解释了其41%的方差。这种增强的学习投入进而作为强有力的中介变量，将数字因素的显著间接效应传递至学业成功（β=0.45，p<0.001），并最终传递至对可持续发展目标的参与度（β=0.39，p<0.001）。该模型表现出较强的预测效度和优异的拟合度，表明营造积极的数字状态并有效整合人工智能工具，能够形成一种良性循环，从而提升学业表现和可持续发展意识。

描述性统计
描述性统计在总结和解释数据集基本特征方面起着关键作用，有助于初步了解变量的分布情况、集中趋势和离散程度。在本研究中，均值和标准差用于评估参与者在数字福祉、生成式人工智能采纳、学业成功以及可持续发展...

讨论

以往的研究大多孤立地探讨了数字福祉、人工智能在教育中的应用以及可持续发展教育（ESD）⁴⁷。目前仍存在显著的研究空白，即尚不清楚个人数字能力如何与新兴技术相互作用，从而不仅推动学业成果，还促进全球公民意识的形成。本研究独特地弥合了这些领域之间的鸿沟。我们发现，数字福祉（β = 0.32，p<0.001）和生成式人工智能（GAI）的采用（β = 0.28，p<0.001）是外语学习投入度的重要且互补的前置因素，而这一关系在整合模型中的研究仍较为有限。关键的是，这种学习投入显著促进学业成功（β = 0.45，p<0.001），而学业成功又进一步预测了更高水平的学生可持续发展目标（SDG）认知（β = 0.39，p<0.001）。通过将关注点从机构层面的可持续发展教育项目转向以学习者为中心的成果，该模型阐明了教育体验如何有机地培养可持续发展意识，回应了先前以政策为导向的研究中所指出的脱节问题。

值得注意的是，该研究通过建立学业成功与可持续发展目标（SDG）参与度之间的显著关联（β = 0.39，p<0...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
学业成功量表	改编自 Yu 等（2010）	N/A	调查问卷
盲fold程序（用于Q2)	SmartPLS	内部常规流程	分析步骤
自举法程序	SmartPLS	内部常规流程	分析步骤
复合信度评估	SmartPLS	内部常规流程	分析步骤
相关矩阵分析	IBM SPSS Statistics	内部常规流程	分析步骤
Cronbach's Alpha 信度分析	IBM SPSS Statistics	内部常规流程	分析步骤
数据存储系统	机构信息技术	安全服务器	仪器设备 &和材料
描述性统计分析	IBM SPSS Statistics	内部常规流程	分析步骤
数字健康量表	阿尔斯兰卡拉等（2022）	N/A	调查问卷
EFL学习参与度量表	Eerdemutu 等（2024）	N/A	调查问卷
Fornell-Larcker准则评估	SmartPLS	内部常规流程	分析步骤
生成式人工智能使用量表	改编自 Abbas 等人（2024）	N/A	调查问卷
异质-单质（HTMT）比率评估	SmartPLS	内部常规流程	分析步骤
IBM SPSS Statistics	IBM	版本 27	软件
知情同意书文件	研究团队	电子表格	仪器设备 &和材料
在线问卷	研究团队	自给药	仪器设备 &和材料
PLS 算法	SmartPLS	内部常规流程	分析步骤
PLS-SEM 软件	SmartPLS	版本 4.0	软件
可持续发展目标认知量表	改编自 Atmaca 等（2019）	N/A	调查问卷
SmartPLS	SmartPLS GmbH	版本 4.0	软件