教育科学的未来：生成式人工智能的使用、信任与认知负荷对高等教育中自我感知学业表现的预测作用

摘要

本研究探讨了生成式人工智能的使用及对人工智能的信任如何通过认知负荷影响高等教育阶段学生的学业表现。基于390名学生的数据，采用偏最小二乘结构方程模型（PLS-SEM）分析发现，这两个因素均显著增加认知负荷，而认知负荷对学业表现具有正向预测作用，并在其中起到中介效应。

摘要

本研究探讨了高等教育学生中生成式人工智能使用、对人工智能的信任、认知负荷与学业表现之间的复杂关系。基于认知负荷理论和信任相关文献，该研究考察了学生对生成式人工智能工具的使用及其对这些系统的信任如何影响学业成果，并以认知负荷作为中介机制。研究采用定量横断面设计，以390名高等教育学生构成的分层随机样本进行调查。通过经过验证的量表收集数据，测量生成式人工智能使用情况、对人工智能的信任（类人属性和功能性能两个维度）、认知负荷（内在负荷、外在负荷和自我感知学习）以及学业表现。采用带自举法程序（5,000次重抽样）的偏最小二乘结构方程模型（PLS-SEM）检验假设的直接关系和中介效应。结果显示，生成式人工智能使用（β = 0.34, p < 0.001）和对人工智能的信任（β = 0.28, p < 0.001）与认知负荷呈显著正相关。认知负荷也与学业表现呈显著正相关（β = 0.52, p < 0.001）。此外，认知负荷在生成式人工智能使用与学业表现之间（β = 0.18, p < 0.001），以及在对人工智能的信任与学业表现之间（β = 0.15, p < 0.001）均起到显著的中介作用。该模型解释了学业表现45%的变异，PLS Predict分析确认了模型具有较高的预测能力。研究结果将认知负荷理论拓展至人工智能增强的学习情境，表明认知负荷可能是连接人工智能相关因素与学业成果的重要解释路径。在实践层面，本研究强调了提升人工智能素养、设计优化认知负荷的学习环境，以及在人工智能工具开发中优先保障功能可靠性的必要性。本研究提供了实证证据，表明认知负荷是生成式人工智能使用和对人工智能信任转化为学业表现的重要中介机制。

引言

生成式人工智能（GenAI）的快速发展引发了高等教育领域的范式转变，从根本上改变了学生获取、处理和构建知识的方式¹。诸如 ChatGPT、Gemini 和 Claude 等工具已日益融入学术环境，近期估计表明，超过 30% 的大学生经常使用这些技术进行与课程相关的学习活动²。这场技术革命为教育工作者、管理人员和研究人员带来了前所未有的机遇，同时也带来了重大挑战，他们亟需理解人工智能的整合如何影响学习过程与学习成果³。

尽管生成式人工智能在个性化辅导、即时反馈和提升学习效率方面具有潜力，但学生并非被动地接受人工智能生成的信息⁴。相反，人工智能辅助学习涉及持续的互动过程，学生在此过程中构建提示语、评估输出结果、将人工智能生成的回答与外部信息源进行比较、调整对人工智能系统的依赖程度，并将机器生成的内容整合到学术任务中⁵。这些互动需求引入了新的认知动态，超出了传统技术使用模型的范畴，可能在减轻某些认知负担的同时，又产生新的认知努力和认知超载。其中核心问题是人工智能的使用如何影响学习背后的基本认知过程，而这一问题在实证研究中仍基本未被探索。认知负荷理论（CLT）为探讨这些问题提供了坚实的理论框架。该理论认为，学习受限于工作记忆的有限容量，有效的教学设....

方案

的 材料表 总结了本研究中使用的仪器、软件和量表，包括经过改编和验证的用于生成式人工智能使用、对人工智能的信任、认知负荷、自我感知的学业表现的量表，以及抽样与调查程序和数据分析工具（SPSS 和 SmartPLS）。此外，由于本研究未涉及任何可能对参与者造成生理或心理风险的实验操作、医疗程序或干预措施，因此无需申请伦理审批。研究采用非侵入性、自填式的在线问卷，收集学生在学术环境中对生成式人工智能使用方面的感知、经验和行为数据。由于研究仅限于问卷填写，未进行临床试验、生物医学程序或实验性治疗，也未对参与者施加任何可能导致伤害或困扰的实验条件。在数据收集前，所有参与者均收到一份详细的知情同意书，其中说明了研究目的、参与的自愿性，以及为确保匿名性和保密性所采取的措施。知情同意通过问卷的完成与提交行为隐式获得，这一点已在知情同意书中明确说明。参与者被告知其回答将仅用于学术研究目的，不会收集或报告任何可识别个人身份的信息。此外，参与者被告知在提交问卷前可随时退出研究，且不会产生任何后果。所有数据均存储在仅限研究团队访问的密码保护设备中，研究结果以汇总形式报告，以防止识别任何个体受访者。这些措施确保了本研究遵循《赫尔辛基宣言》的伦理原则以及涉及人类参与者的机构研究指南，尽管本研究无需正式的机构审查委员会（IRB）审查。

研究设计

本研究采用定量的横断面研究设计，探讨....

结果

描述性统计

采用描述性统计方法对本研究中关键变量的集中趋势和离散程度进行总结，这些变量包括生成式人工智能使用情况、类人信任度、功能信任度、内在认知负荷、外在认知负荷、自我感知学习效果以及学业表现。描述性分析使用 SPSS 26 版本进行，结果见下文表 1。

变量	均值	标准差	偏度	峰度
生成式人工智能使用	3.82	0........

讨论

本研究的首个重要发现表明，生成式人工智能的使用与认知负荷呈正相关（β = 0.34，p< 0.001），该结果与假设1一致。这一发现表明，在学习活动中更频繁使用生成式人工智能工具（如ChatGPT）的学生，其报告的认知负荷也更高。从人机交互的视角而非简单技术使用框架出发，可能更有利于理解生成式人工智能使用与认知负荷之间的正向关联。频繁使用生成式人工智能的学生并非仅被动接收信息，而是参与了一个包括提示词构建、输出结果解读、来源比对、可靠性评估以及决策是否及如何将人工智能生成内容融入学术作业的迭代交互过程⁴⁹。这些交互过程通常需要持续的认知监控和评估判断。从这一角度看，生成式人工智能的使用可能既降低也可能增加认知需求。例如，人工智能系统可能有助于减轻信息检索、草稿撰写和内容摘要等方面带来的负担，从而降低某些类型的外在认知努力；但与此同时，人工智能的使用也可能带来新的认知需求，如验证信息、处理模糊性以及调节依赖程度，尤其是在输出结果不一致、不准确或在特定情境下不完整时。因此，在本样本中，人工智能增强型学习环境中的认知负荷不仅与教学内容本身有关，还与人类认知和人工智能系统.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
遮眼程序	SmartPLS 4（内置）	N/A	计算结构模型预测相关性的 Q² 值。
自举法程序（5,000 次重采样）	SmartPLS 4（内置）	N/A	用于评估路径系数（β）和间接效应的显著性。
认知负荷量表 – 外在负荷（3 项）	Hadie & Yusoff (2021)	N/A（已验证量表）	由教学设计和信息呈现引起的认知负担。
认知负荷量表 – 内在负荷（3 项）	Hadie & Yusoff (2021)	N/A（已验证量表）	学习材料或任务的感知复杂性/难度。
认知负荷量表 – 自我感知学习（4 项）	Hadie & Yusoff (2021)	N/A（已验证量表）	作为相关认知加工的代理指标；反映为理解与图式构建所投入的心理努力。
Fornell-Larcker 准则	SmartPLS 4（内置）	N/A	评估构念的区分效度。
生成式人工智能使用量表（8 项）	Abbas et al. (2023)	N/A（改编量表）	测量生成式人工智能（ChatGPT）在学术任务中使用的频率、目的及感知有效性。采用 5 点李克特量表。
HTMT 相关比值	SmartPLS 4（内置）	N/A	异质-单质比值；用于进一步检验区分效度。
知情同意书	研究团队（依据机构指南）	N/A	详细说明研究目的、自愿参与、匿名性、保密性以及随时退出的权利。通过完成问卷视为默示同意。
在线问卷平台	未指定（通用）	N/A	结构化、自填式的网络问卷；所有条目均采用 5 点李克特量表（1 = 非常不同意 至 5 = 非常同意）。
抽样框	大学注册处’s Office	N/A（机构记录）	涵盖所有院系在册学生的完整名单，用于分层随机抽样。
自我感知学业表现量表（4 项）	改编自教育研究先例	N/A（改编量表）	对学业效能与成就的主观评估（例如，对课程学习的信心、高效的任务管理能力）。
SmartPLS 4 软件	SmartPLS GmbH	版本 4	基于方差的结构方程建模软件；用于 PLS-SEM 分析、自举法和遮眼程序。
SPSS 版本 26	IBM	N/A	用于初步数据筛查、描述性统计以及任何 PLS-SEM 前的数据管理（如适用）。
分层随机抽样程序	研究团队（手动操作）	N/A	分层依据为学科领域（4 类）和学习年级（5 个水平：本科 1 至 4 年级 + 研究生）。在各层内使用随机数生成器进行抽样。
对人工智能的信任量表 – 功能性信任（5 项）	改编自技术信任相关文献	N/A（改编量表）	测量人工智能在学术任务中的感知可靠性、能力和可依赖性。
对人工智能的信任量表 – 类人信任（6 项）	改编自人际信任（Rempel 等）和技术信任相关文献	N/A（改编量表）	评估归因于人工智能的仁慈性、正直性和可预测性。