一种可复现的调查评分与C5.0决策树工作流程，用于分类生成式人工智能支持学习中自我报告的高阶思维

摘要

本方案提供了一套可重复的工作流程，用于收集自报告式问卷数据、对与学习者相关的变量进行评分、将高阶思维得分二分法处理，并应用C5.0决策树，以展示在生成式人工智能支持的学术学习中可解释的学习者分类。

摘要

生成式人工智能在高等教育中的应用日益广泛，但在这一快速变化的背景下，研究人员仍需建立透明的程序，以收集、评分和组织学习者层面的调查数据。本文介绍了一种可重复的调查评分与C5.0决策树工作流程，用于对大学生在学术学习中使用生成式人工智能工具后自我报告的高阶思维水平进行分类。该方案涵盖参与者招募、问卷施测、作答质量筛查、综合得分计算、二元编码、训练-测试集划分、C5.0决策树构建、剪枝、模型输出导出以及基于节点的分类路径解释。本工作流程以2023年3月7日至3月15日在中国一所高校收集的776名本科生的调查数据集为例进行演示。高阶思维在此被操作化定义为自我报告的问卷得分，而非直接观察到的认知表现。在演示数据集中，剪枝后的决策树保留了八个与学习者相关的变量：生成式人工智能焦虑、对生成式人工智能的信任、智能手机问题性使用、学业拖延、学业表现、父母教养方式、负面情绪以及对生成式人工智能的态度。所保留的模型在训练子集中的准确率为89.52%，在测试子集中的准确率为86.21%。然而，类别特异性评估显示性能不均衡，低高阶思维（Low-HOT）类别的召回率明显低于高高阶思维（High-HOT）类别。因此，该决策树应被视为一种辅助性的、可解释的工作流程示例，而非经过验证的筛查工具。本方案可为需要在生成式人工智能支持的学习环境中开展基于调查的学习者画像研究的研究人员提供一套有据可循且可重复的操作流程。

引言

高阶思维是高等教育中的核心关注点，因为大学学习应超越对事实性知识的记忆，转向分析、评价、反思、问题解决以及知识创造¹。布鲁姆教育目标分类法的后续修订进一步明确，高级学习不仅包括记忆与理解，还涉及在日益复杂的语境中应用、分析、评价和创造知识²。这一区分对本研究方案尤为重要，因为高阶思维并非被视为一个简单的成就分数，而是一个学习者层面的构念，在进行分析之前需要进行严谨的操作化定义。在教育研究中，高阶思维还与批判性推理、元认知监控以及在不同问题情境间的学习迁移密切相关³。对于技术支持的学习而言，这一问题尤为关键，因为学生在解决问题的过程中往往需要连接概念、评估生成的信息并做出决策，而不仅仅是被动接收教学内容⁴。

生成式人工智能的迅速传播使得高阶思维能力的测量变得更加复杂。生成式人工智能工具能够基于从大规模数据集中学习到的模式，生成文本、代码、图像、解释、摘要以及其他形式的学术支持⁵。大型语言模型（包括ChatGPT）在2022年底至2023年初公众广泛采用的初期阶段，尤其在高等教育领域受到广泛关注⁶。在学术环境中，学生可能利用这些工具进行信息检索、概念解释、提纲构建、想法生成、作业修改、翻译辅助以及其他与课程相关的活动。这些使用方式可能减轻常规工作负担，但也可能改变学生注意力的分配方式、对信息质量的判断以及对自身认知努力的调节。因此，针对生成式人工智能支持下的学习研究，需要采用能够清晰记录学习者层面变量的收集、评分、编码和解释过程的研究方法。

以往关于数字化与混合式学习的研究表明，当学生积极参与学习任务而非被动使用学习环境时，技术能够支持高阶思维能力的提升⁷。移动学习与技术增强型学习的研究也类似地指出，同伴互动、学习感知以及主动参与程度与学生发展高阶思维倾向密切相关⁸。数据挖掘方法亦已被用于探究在线学习行为与高阶思维技能之间的关联，显示出将教育数据组织为可解释的学习者行为模式的价值⁹。大量技术使用研究受到技术接受模型（Technology Acceptance Model）的指导，该模型通过感知有用性与感知易用性来解释技术使用行为¹⁰。然而，生成式人工智能支持的学习与早期的数字化学习情境存在差异，因为学生所交互的系统会产生开放性回应，影响其信心水平，并可能激发或削弱其批判性参与。因此，针对该主题的研究方案不仅应记录学生是否接受该技术，还应系统记录情感、行为、学术与情境等指标，以为后续分析做好准备。

在此背景下，若干与学习者相关的变量尤为关键。对人工智能的信任程度可能影响学生是否依赖生成内容、对其提出质疑，或在学术工作中谨慎地加以整合¹¹。对技术或人工智能的焦虑也可能产生影响，尽管在缺乏实证依据的情况下，不应单向解读其作用¹²。智能手机的不当使用是另一个相关的行为指标，因为注意力碎片化和设备相关的分心可能干扰学习过程中的持续认知投入¹³。更广泛的学术研究进一步表明，自我调节学习策略与在线及技术支持环境中的学业成就相关¹⁴。基于探究与合作学习的研究也指出，有意义的学习取决于学生参与学习任务的方式、证据的组织以及解释的构建过程¹⁵。这些因素支持采用多变量调查流程，而非仅局限于对生成式人工智能接触程度的单一测量。

认知负荷理论为在同一工作流程中记录情绪和行为指标提供了额外的依据。由于工作记忆有限，过多或组织不当的信息可能会干扰学习和问题解决过程¹⁶。在生成式人工智能支持的学习中，当学生面对大量生成内容、不一致的解释、无关的建议或相互冲突的信息来源时，这一问题尤为明显。研究还表明，在多媒体学习过程中，情绪活动与认知负荷相关，提示情感状态可能会影响学习者在技术丰富的环境中处理信息的方式¹⁷。与此同时，当前关于通用人工智能与未来教育的讨论强调，人工智能重塑学习实践的速度可能超过传统教学系统适应的能力¹⁸。这些条件使得有必要采用一种不仅记录技术态度，还记录情绪状态、自我调节能力、学术背景和情境变量的方法。在本工作流程中，这些变量被视为自陈式问卷指标，而非直接观察到的行为痕迹或因果机制。

方法学上的难点在于，学习者特征通常并非仅由单一变量构成。教育调查数据往往包含情感、行为、学业、情境以及与技术相关的指标的多层次组合。传统的回归模型在估计净关联方面很有用，但当目标是展示条件分支、子群体区分和基于规则的分类时，其直观性较差。决策树分析提供了一种互补的方法，因为它能够递归地将样本划分为可解释的分支，并通过节点结构使分类过程变得可视化¹⁹。与更复杂的机器学习模型相比，单个决策树更易于检查、解释，并可作为可重复工作流程的一部分导出。与标准线性模型相比，它能够揭示学习者指标的组合如何在教育数据中形成实际的分类路径²⁰。然而，单个决策树也容易受到类别不平衡、划分决策、剪枝设置以及样本特征的影响。因此，本方案中的决策树被用作辅助性的、可解释的分类步骤，而非通用的预测引擎或因果模型²¹。

本文介绍了一种可重复的调查评分与C5.0决策树工作流程，用于对生成式人工智能支持下的学术学习中自述的高阶思维进行分类。该工作流程以2023年3月7日至3月15日在中国收集的一项针对776名本科生的大学调查数据集为例进行演示。结果为自述高阶思维问卷得分，该得分被二分法处理以辅助分类；它并非对实际认知表现的直接测量。本示例中的生成式人工智能暴露情况，是指学生自述在过去四周内使用生成式人工智能工具开展与课程相关的学术活动，包括信息检索、概念解释、想法生成、提纲起草和作业修改。工具使用情况未通过平台日志、提示历史或实时活动记录进行验证。

本方案的目的并非声称所保留的决策树可推广至所有机构、队列或当前的生成式人工智能环境。这一谨慎态度是必要的，因为演示数据是在2023年初的一个短暂时间段内，于一所大学收集的，当时学生对生成式人工智能的接触仍处于快速发展阶段。相反，本文的贡献在于使整个流程具有可重复性：定义调查背景、实施问卷、筛选回答、对构念进行评分、记录信度、应用固定的编码规则、划分数据集、训练并剪枝C5.0决策树、导出模型输出结果，并结合类别特异性表现，解释基于节点的分类路径。这种以方法为核心的流程可能有助于教育研究者、课堂导向的研究人员以及教学分析人员，在支持生成式人工智能的学习环境中，复现或调整一种透明的基于问卷的学习者画像方法。

方案

本研究涉及人类参与者，已由伊犁师范大学教育科学学院伦理委员会审查并批准（编号：LZEDU2023003）。研究于2023年3月7日至3月15日进行。该委员会认定本研究符合伦理豁免条件，因其仅包含匿名、自愿的问卷程序，且对参与者不构成任何身体、心理或社会方面的伤害。所有参与者在填写问卷前均提供了电子知情同意书。

分析前，需将受访者记录替换为不可逆的病例编号，并移除所有直接标识信息。分析文件中不得保留姓名、学生编号、电话号码、账户名、班级标识、互联网协议地址、设备标识符或原始平台账户标记。重复的控制信息仅可用于应答筛选，在锁定分析数据集前应将其删除。

1. 确定调查环境和抽样程序

1. 确定研究场所和纳入标准
   1. 于2023年3月7日至3月15日，在中国广西壮族自治区柳州市柳州职业技术大学开展调查。
   2. 将目标人群定义为该参与高校当前注册的本科生。
   3. 纳入在过去4周内报告使用至少一种生成式人工智能工具进行课程相关学术学习的学生。
   4. 将符合资格的学术用途定义为信息检索、概念解释、思路生成、提纲撰写、作业修改、翻译支持、代码相关辅助或其他与课程相关的任务。
   5. 排除仅报告用于娱乐、随意聊天、非学习性尝试或其他与课程无关用途的学生。
   6. 排除非在读学生、未报告使用生成式人工智能进行学术活动、拒绝签署电子知情同意书，或根据以下筛选规则提交无效问卷的受访者。
   7. 通过自报条目记录生成式人工智能的接触情况，内容包括工具类别或工具名称、过去4周内的大致使用频率，以及该工具所支持的学术任务。请注意，这些接触数据不应被视为经验证的平台使用记录。
2. 构建抽样框架并招募参与者
   1. 从参与高校获取机构内的本科生抽样框架。该框架涵盖46个专业超过15,000名学生。
   2. 按专业类别和年级进行分层随机抽样，生成邀请名单，以确保不同学科领域和学习阶段的学生在受邀样本中均有代表。
   3. 按专业类别和年级进行分层随机抽样，生成邀请名单。
   4. 使用标准化的招募通知邀请800名被抽中的学生。
   5. 仅在非教学时段（如课间休息或师生咨询时间）向受邀学生分发在线问卷平台的二维码。
   6. 记录完整的招募与筛选流程。在此工作流程中，共邀请800名学生，回收问卷792份。其中16份问卷被排除：4份因生成式人工智能使用不符合纳入标准，3份因重复提交，5份因完成时间低于最低阈值，4份因存在无效的直线作答模式。最终分析样本包含776份有效问卷。

2. 配置问卷管理与数据隐私保护流程

1. 配置在线问卷
   1. 使用在线问卷平台（又称 Questionnaire Star）构建并分发问卷。
   2. 启用二维码分发、量表题必答、提交时间导出、重复填写控制检查以及电子表格导出功能。
   3. 在收集第一个有效响应之前锁定面向受访者的问卷。在整个调查期间保持题目措辞、题目顺序、作答锚点、指导语、量表标签、知情同意文本及访问路径不变。
   4. 将所有量表题项设置为必答题。不得对量表作答进行事后插补。
   5. 通过平台可提供的最低可识别性选项启用单次提交控制。仅使用账户级、设备级或平台生成的标识符进行重复作答筛查。
2. 标准化完成条件
   1. 要求受访者独立、一次性完成问卷，且不得与他人讨论。
   2. 指导受访者根据过去4周内生成式人工智能在学术中的实际使用情况作答。
   3. 要求受访者在安静环境中完成问卷，避免切换设备、长时间中断或提交后重复访问。
   4. 设定预期完成时间窗口为5–30分钟。仅将完成时间用作作答质量的参考指标。

3. 筛查反应并锁定分析数据集

1. 导出原始应答文件
   1. 在调查窗口关闭后，从在线问卷平台导出原始问卷文件。
   2. 在进行排除、计分、编码或模型构建之前，保留原始导出数据。
   3. 在筛选前为所有回收的记录分配非识别性个案编号。在此工作流程中，为回收的792份问卷分配个案编号。
2. 应用应答质量排除规则
   1. 排除未提供电子知情同意的记录。
   2. 排除不符合当前在读学生身份或学术资格要求的记录。
   3. 导出后排除缺失非人口学量表应答的记录。在此工作流程中，强制应答设置已防止量表应答缺失。
   4. 采用平均每道封闭式题目完成时间低于2秒作为阈值，识别不太可能完成题目阅读与应答处理的记录，并予以排除。
   5. 检查完成时间少于5分钟或超过30分钟的记录，视为潜在低质量或中断性应答。仅当重复性检查与应答模式审查未提示无效完成时，方可保留该时间范围外的记录。
   6. 将直线式应答作为另一项应答质量指标。若某记录在至少90%的李克特量表题目中选择相同选项，则视为对题目内容参与度有限，应予以排除。
   7. 根据平台的重复标记排除重复提交的记录，并保留最早提交的完整有效记录。
   8. 将面向应答者的问卷保存为补充文件1。
   9. 将筛选日志保存为补充文件2。筛选日志应包含被邀请学生人数、回收问卷数量、排除问卷数量、排除原因及最终保留的个案数。
3. 创建锁定的分析数据集
   1. 筛选后保留776份有效问卷。在计分前锁定面向应答者的问卷和分析数据集，以确保题目表述、资格标准、排除决策和变量定义在数据收集完成后不再更改。
   2. 在分析前移除直接识别信息、原始时间戳、账户级标识、设备级痕迹及重复控制标记。通过此去标识化步骤保护参与者匿名性，防止分析数据集被关联回具体学生个体。
   3. 将去标识化后的776个案数据集保存为锁定的分析数据集。
   4. 仅使用锁定的分析数据集进行计分、编码和分类操作。

4. 测量与学习者相关的变量

1. 整理问卷
   1. 将问卷分为四个部分：知情同意、人口统计学与学术背景、生成式人工智能接触情况，以及与学习者相关的量表。
   2. 记录性别、年龄、专业、年级和自我报告的学业表现。
   3. 按工具类别、大致使用频率和支持的学术任务记录生成式人工智能的接触情况。
   4. 测量自我报告的高阶思维能力、生成式人工智能焦虑、对生成式人工智能的信任、负面情绪、对生成式人工智能的态度、智能手机问题性使用、学业拖延和父母教养方式。
   5. 将所有基于量表的变量视为自我报告的调查指标，而非直接的行为观察或直接观察到的认知表现。
2. 确定保留的测量工具
   1. 采用保留的23项工具测量自我报告的高阶思维能力，涵盖问题解决、批判性思维、团队合作、沟通和创新能力²²。
   2. 采用改编的11项技术焦虑量表测量生成式人工智能焦虑²³。
   3. 采用改编的12项自动化信任量表测量对生成式人工智能的信任²⁴。
   4. 采用改编的抑郁-焦虑-压力量表（21项）作为一般性负面情绪指标进行测量²⁵。请勿将此得分解释为临床诊断。
   5. 采用改编的18项技术态度量表测量对生成式人工智能的态度²⁶。
   6. 采用适用于学生调查情境的智能手机成瘾量表简版测量智能手机问题性使用情况²⁷。
   7. 采用16项学业拖延量表测量学业拖延行为²⁸。
   8. 采用5点自我报告条目测量学业表现：1 = 远低于平均水平，2 = 低于平均水平，3 = 平均水平，4 = 高于平均水平，5 = 优秀。
   9. 采用5点自我报告情境条目测量父母教养方式：1 = 非常不支持，2 = 不支持，3 = 中立或混合，4 = 支持，5 = 高度支持。
3. 明确作答锚点及改编程序
   1. 对保留的量表变量采用1–5的李克特式作答格式。
   2. 使用通用锚点：1 = 非常不同意，2 = 不同意，3 = 中立或不确定，4 = 同意，5 = 非常同意。
   3. 以中文施测问卷，确保受访者在其所在高校所使用的教学语言和语境下完成所有量表条目。
   4. 通过前向翻译、专家评审、针对生成式人工智能支持学习情境的措辞调整，以及预测试可读性检查，对原始条目进行改编，以在保持预期构念含义的同时，提升对中国本科生受访者的语境清晰度。
   5. 通过专家评审检查改编后的条目是否仍与原始构念、作答锚点、计分方向和研究背景保持一致。仅修改可能在生成式人工智能支持学习情境中引起歧义、语境不匹配或误解的措辞。
   6. 在补充文件1中包含条目措辞、作答锚点、条目顺序、计分方向和最终变量标签。

5. 评分指标并验证测量质量

1. 准备已评分的工作文件
   1. 在 IBM SPSS Statistics 26.0 中打开锁定的分析数据集。
   2. 保持每一行对应一个受访者，每一列对应一个条目或变量。
   3. 检查缺失值、回答范围、条目标签和变量名称。
   4. 在计算综合得分之前，保存一个经过筛查的条目水平数据集。
2. 计算综合得分
   1. 针对每个多条目构念，计算一个受访者水平的平均综合得分。
   2. 仅对评分标准中标识为反向计分的条目进行反向计分，然后进行综合得分计算。
   3. 在此工作流程中，不要对源自 DASS21 的负性情绪条目进行反向计分，因为所有保留的条目均按相同方向计分，即较高数值表示更强的负性情绪体验。
   4. 不要从部分转换的量表中计算综合得分。
   5. 在完成综合得分计算后，保存一个连续得分的工作文件。
3. 验证测量的内部质量
   1. 在 IBM SPSS Statistics 26.0 中，为每个保留的多条目量表计算 Cronbach’s alpha。将 Cronbach’s alpha 用作内部一致性指标，以判断同一量表内的条目在综合得分计算中是否表现出足够的内在一致性。
   2. 检查每个保留量表的校正条目-总分相关性和删除条目后的 alpha 值。使用校正条目-总分相关性来评估每个条目在从总量分计算中排除该条目后，是否仍与其所属量表的总分保持充分一致。
   3. 使用删除条目后的 alpha 值识别可能降低内部一致性的条目。不得仅基于统计结果自动删除条目；只有在检查条目的构念含义、计分方向以及与改编问卷的一致性后，方可决定保留或删除该条目。
   4. 对改编后的量表集合进行 Kaiser-Meyer-Olkin 检验和 Bartlett 球形检验。
   5. 在正文部分报告关键的 Cronbach’s alpha 值。
   6. 将完整的评分与测量记录作为 补充表 1 提供。内容应包括条目数量、回答范围、回答锚点、计分方向、反向计分条目、综合得分计算规则、Cronbach’s alpha 值、校正条目-总分相关性检查结果、删除条目后 alpha 值检查结果以及最终变量标签。

6. 将连续评分转换为辅助分类输入

1. 应用二进制编码
   1. 使用连续评分工作文件作为源文件。
   2. 将自报的高阶思维重新编码为二分类目标变量。
   3. 将评分 ≤3 编码为 0，评分 >3 编码为 1。
   4. 在计算综合得分后，对所有保留的预测变量应用相同的阈值。
   5. 使用评分量表 1–5 的中点值 3 作为阈值，以建立透明且可重复的编码规则。
   6. 仅在为 C5.0 决策树演示创建二分类输入时进行二分法处理。
   7. 二分法处理后检查各类别的频数。
   8. 保留原始的连续评分工作文件。
2. 创建编码后的分析文件
   1. 生成一个新的二进制编码分析文件。
   2. 使用相同的阈值，对生成式人工智能焦虑、对生成式人工智能的信任、智能手机问题性使用、学业拖延、学业表现、父母教养方式、负面情绪以及对生成式人工智能的态度等变量进行重新编码。
   3. 验证每个二分类变量的类别频数。
   4. 在表 1中报告编码规则及各类别频数。
   5. 保留该二进制编码分析文件。
   6. 将编码后的分析文件结构作为补充文件 3提供。

7. 构建辅助的 C5.0 决策树分类器

1. 配置建模环境
   1. 在 Windows 10 64 位操作系统上打开 IBM SPSS Modeler 18.4。
   2. 导入二进制编码的分析文件。
   3. 将二元编码的自报高阶思维设为目标字段。
   4. 将所有其他保留的二元变量设为输入字段。
   5. 核对字段名称、值标签以及目标/输入角色。
   6. 在 补充表 2 中记录软件名称、版本、操作系统、C5.0 实现方式、项目文件名和分析日期。
2. 划分数据集
   1. 将 776 个样本按 70:30 的比例划分为训练集和测试集。
   2. 使用固定随机种子 20230307。
   3. 根据二元高阶思维目标变量进行分层划分。
   4. 将 544 个样本分配至训练子集，232 个样本分配至测试子集。
   5. 验证完整数据集、训练子集和测试子集中低高阶思维（low-HOT）和高高阶思维（high-HOT）的样本数量。
   6. 在 补充表 2 中保存划分记录。
3. 训练并剪枝 C5.0 决策树
   1. 在训练子集上训练一个 C5.0 分类器。
   2. 使用增益率作为分裂选择准则²⁹。
   3. 定义熵为：
      Entropy(D) = −Σp_ilog₂(p_i)
      其中 p_i 表示数据集 D 中类别 i 所占的比例。
   4. 定义增益率为：
      Gain ratio (D, C) = [Entropy(D) − Entropy(D|C)]/SplitInfo (D, C)
      其中 C 为候选分裂变量。
   5. 启用剪枝以减少可能拟合训练子集噪声的过度特化分支。
   6. 使用以下 C5.0 设置：剪枝 = 启用；提升（boosting）= 禁用；试验次数 = 1；误分类成本 = 不应用；类别权重 = 不应用；每个子分支的最小记录数 = 2；全局剪枝 = 启用；子树提升（subtree raising）= 启用；置信因子 = 0.25；停止规则 = 采用 IBM SPSS Modeler C5.0 默认设置，除非另有说明。
   7. 在主要工作流程中不应用合成过采样、类别加权或代价敏感学习。
   8. 导出初始决策树和最终保留的剪枝后决策树。
   9. 保存最终节点结构、终端节点汇总、变量重要性输出、分类规则及模型设置。
4. 记录类别不平衡情况
   1. 在模型训练前计算低高阶思维（low-HOT）和高高阶思维（high-HOT）的分布。
   2. 将无信息率记录为完整数据集和测试子集中多数类所占比例。
   3. 将决策树解释为一种辅助性的、可解释的分类输出，而非优化的筛查模型。
   4. 对于未来面向筛查的应用，可考虑使用类别权重、代价敏感学习、重采样、重复的训练-测试划分、k 折交叉验证或阈值调整等方法。

8. 评估并保存分类结果

1. 导出性能输出
   1. 将保留的剪枝后决策树应用于训练子集。
   2. 导出训练集的混淆矩阵、准确率、类别特异性召回率、类别特异性精确率以及终端节点输出。
   3. 将同一棵决策树应用于测试子集。
   4. 导出测试集的混淆矩阵、准确率、类别特异性召回率、类别特异性精确率以及终端节点输出。
   5. 按 TP/(TP + FN) 计算召回率。
   6. 按 TP/(TP + FP) 计算精确率。
   7. 按正确分类的样本数除以总样本数计算总体准确率。
   8. 计算无信息率，并将测试准确率与多数类基线进行比较。
   9. 报告各类别的评估指标及总体准确率。
2. 导出可解释性输出
   1. 导出包含数值的变量重要性表。
   2. 导出最终的决策树图，图中应包含节点样本量、预测类别、类别分布和类别概率。
   3. 若完整决策树图在视觉上过于密集，可提供简化的主图，并将完整的节点表置于补充文件4中。
   4. 导出终端节点摘要，包括规则路径、节点样本量、预测类别、低HOT计数、高HOT计数和分类置信度。
   5. 在代表性结果部分描述一至两条典型的分类路径。
3. 保存可重复性数据包
   1. 保存原始应答文件、去标识化记录、筛选日志、筛选后的条目级数据集、连续评分工作文件、二进制编码分析文件、抽样流程表、评分标准、信度表、C5.0项目文件、初始决策树文件、剪枝后决策树文件、变量重要性输出、终端节点表、混淆矩阵以及导出的模型摘要。
   2. 提供补充表1作为评分与测量记录。
   3. 提供补充表2作为模型设置与输出记录。
   4. 提供补充文件1作为面向应答者的问卷。
   5. 提供补充文件2作为样本筛选日志。
   6. 提供补充文件3作为编码后分析文件结构。
   7. 提供补充文件4作为终端节点与变量重要性输出。
   8. 保存以下工作流程路径：原始问卷导出 > 去标识化与筛选日志 > 筛选后的条目级数据集 > 连续评分工作文件 > 二进制编码分析文件 > 训练/测试划分 > 初始C5.0决策树 > 剪枝后C5.0决策树 > 导出的分类输出 > 补充可重复性数据包。

结果

保留变量的描述性统计

表2报告了在进行二分变量重编码之前，连续评分数据集中保留的自评调查变量的描述性统计结果。自评高阶思维得分为3.71（标准差 = 0.68），高于1–5评分量表的固定中点阈值3。生成式人工智能信任度也超过了该阈值，均值为3.54（标准差 = 0.60）；而学业表现接近该阈值，均值为3.07（标准差 = 1.12）。其余变量的平均得分分别为：生成式人工智能焦虑3.48、智能手机问题性使用2.72、学业拖延2.59、父母教养方式2.99、负面情绪2.12以及对生成式人工智能的态度3.26，对应的标准差分别为0.75、0.74、0.64、0.43、0.75和0.57。

这些描述性统计结果表明，在进行二分变量重编码之前，所保留的变量并不具有相同的分布。自我报告的高阶思维、对生成式人工智能的信任、生成式人工智能焦虑、学业表现以及对生成式人工智能的态度均达到或超过中点阈值，而智能手机问题性使用、学业拖延、父母教养方式和负面情绪则低于或接近该阈值。这种分...

讨论

本方案介绍了一种可重复的调查评分与C5.0决策树工作流程，用于整理生成式人工智能支持下的学术学习中的自陈式学习者数据。其主要贡献在于方法学层面，而非预测性能。该工作流程详细说明了如何界定调查背景、筛选作答数据、对多条目构念进行评分、应用固定的中点编码规则、划分数据集、训练并剪枝C5.0决策树、导出节点层级的输出结果，以及评估各类别的分类表现。选择C5.0算法的原因在于，它能够生成可解释的基于规则的决策树，支持基于增益比的分裂与剪枝，并允许研究者检视学习者相关变量的组合如何导向最终的分类路径。与透明度较低的分类方法相比，这种结构更符合方法学论文强调可重复性、可审计性以及学习者特征解释性的目标，而非追求最大预测准确性²⁹。这一区别在生成式人工智能教育研究中尤为重要，因为学生的学习成效不仅受工具可及性的影响，还受到认知投入、技术相关认知以及学业自我调节能力的共同作用。因此，本方案完整保留了从问卷施测到模型输出解释的全过程，而非仅将最终生成的决策树视为唯一的研究成果。

成功实施需注意多个关键步骤。第一步是在发放问卷前明确生成式人工智能暴露的定...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
IBM SPSS Modeler	IBM Corp.	Version 18.4	用于 70:30 分层数据划分、C5.0 决策树构建、剪枝、分类评估及树形输出导出。
IBM SPSS Statistics	IBM Corp.	Version 26.0	用于数据核查、综合得分计算、信度分析、频数检查及二分变量重编码。
联网的受访者设备	受访者自有的设备	具备浏览器访问功能的智能手机、平板电脑或笔记本电脑	供受访者完成在线问卷使用。本研究未提供特定设备。
Microsoft Excel	Microsoft Corp.	Microsoft 365 或 Excel 2019 及更高版本	用于筛选日志审查、编码验证、表格格式化及导出结果核对。
二维码分发功能	问卷星 / Questionnaire Star	内置的问卷链接二维码生成功能	在调查期间为受邀学生提供标准化的问卷访问方式。
安静的问卷填写环境	参与高校	非教学时段的教室休息时间或学生咨询场景	用于减少一次性完成问卷时的作答情境差异。
安全的数据存储目录	作者 / 参与机构	受访问控制的机构存储空间	用于保存原始导出数据、筛选后的数据集、评分数据集、编码数据集、模型文件、日志及导出结果，并实施版本控制。
问卷星 / Questionnaire Star 在线调查平台	长沙冉星信息技术有限公司	基于网页的平台；通过问卷星官方网站访问	用于问卷构建、二维码分发、必答题设置、重复提交检测、时间戳导出及电子表格导出。
Windows 操作系统	Microsoft Corp.	Windows 10，64 位	IBM SPSS Statistics 26.0 和 IBM SPSS Modeler 18.4 的运行环境。