人工智能辅助以学生为中心的教学对青少年学业自我概念与沟通能力的影响：一项混合方法研究

摘要

这项混合方法研究评估了一种由人工智能辅助的、以学生为中心的课堂教学模式，该模式包含人工智能支持的探究、同伴讨论、教师讲解和自我评价。本研究重点关注学生自述的学业自我概念和沟通能力，并提供了充分的程序性细节，以促进在课堂中的重复实施。

摘要

这项基于课堂的混合方法准实验研究探讨了人工智能辅助的学生中心教学是否与青少年学业自我概念及自评沟通能力的变化相关。六个完整的班级被分配至人工智能辅助教学组或常规学生中心教学组。干预措施将人工智能支持的提示嵌入到一个结构化学习周期中，该周期包括个体探究、同伴讨论、教师讲解和自我评价。在招募的186名学生中，有174名学生被纳入定量分析。学业自我概念和自评沟通能力在基线期、干预后即刻以及预设的短期随访阶段进行评估。干预后测量了互动质量、自我评价和学习者参与度，另有36名学生参与了半结构化访谈。与常规教学组相比，人工智能辅助组在干预后和随访阶段的两项结果指标上均表现出更大的基线调整后提升。探索性过程分析显示，人工智能辅助组的互动质量、自我评价和学习者参与度更高；质性分析结果表明，当人工智能支持的提示与同伴讨论和教师指导相结合时，有助于学生验证解释、修改回答，并使自我评价更加明确。由于参与者是在班级层面进行分配，且结果主要依赖自评，因此研究结果应被解读为课堂环境下的关联性发现，而非学业表现因果性提升的确凿证据。

引言

人工智能（AI）在教育环境中的应用日益普遍。然而，其教学价值仍不稳定，因为仅仅接触技术工具本身并不等同于学习过程。尽管已有综述强调了教育领域中人工智能的进步，但往往忽视了教师的角色以及课堂互动的重要性。这一点对于青少年尤为关键，因为他们正处于积极形成能力判断并与同伴检验观点的阶段。因此，人工智能支持的学习必须作为有意识的教学设计来实施，以塑造学生提问、评估和讨论的方式，而不仅仅停留在技术接触的层面。

以学生为中心的教学为应对这一挑战提供了坚实的框架。这种方法将学生从被动接受知识的模式中转移出来，强调主动参与、任务投入、同伴间的相互解释以及自主决策。元分析研究证实，以解决问题和学生参与为特征的主动学习环境，相较于传统讲授式教学，能够显著提升学业表现¹。然而，以学生为中心的教学并非天然有效。它需要具备足够结构化的教学任务，以引导学生的参与，同时又需具备足够的灵活性，鼓励学生进行解释、比较和修正观点。在人工智能辅助的课堂环境中，这种动态关系变得更加复杂。尽管人工智能能够快速生成示例、解释和建议，但若缺乏教师引导和同伴评价，学生可能不加批判地接受这些输出内容，将其视为认知捷径，而非深入思考的原始素材。

学业自我概念在这一背景下是一个高度相关的结果变量，反映了学生对其学术能力的领域特异性信念。先前的研究已证实，学业自我概念并非一种静态的人格特质，而是一个动态的构念，与学业成就及持续的学习经验密切相关²。本研究通过评估学业自我概念来衡量学生对其改进自身学习成果能力的信心。沟通能力作为次要结果变量，因为该干预措施要求学生通过结构化的同伴反馈来阐述理由并完善解释。

反馈与自我评估构成了连接人工智能支持与这些特定学习成果的关键教学桥梁。有效的形成性评估要求学生主动监控学习进展，将其与标准进行比对，并针对表现差异采取相应措施^3,4。在以学生为中心、人工智能辅助的课堂环境中，人工智能提示可生成替代性解释或修改建议。然而，这些提示的真正教育价值取决于学生是否审慎审视输出内容，与同伴展开讨论，并将其转化为经过改进的回答。因此，本研究中的自我评估并非被定义为一种模糊的态度，而是被操作化为一种具体且可观察的课堂行为，旨在识别学习中的差距并进行修正。

学习者参与度在此学习循环中同样起着至关重要的作用。作为一种多维度的构念，参与度涵盖行为参与、情感投入和认知投入⁵。这种多维性对于青少年尤为关键，因为表面的顺从并不意味着深层的认知加工。一名学生可能机械地完成练习单，却未分析其背后的推理过程；而另一名学生可能提问较少，却通过持续的自我监控与修正实现深度参与。人工智能的引入理论上可通过提供丰富的比较与探究材料来提升参与度；但反之，若学生习惯于依赖自动化输出而无需努力，则可能削弱其参与程度。因此，本研究将学习者参与度置于互动质量和自我评价的背景下进行考察，有意避免将人工智能的使用视为孤立的课堂教学事件。

关于教育领域大语言模型的争论凸显出，在缺乏严格边界的情况下部署此类技术时，个性化辅助与过度依赖或学习投入减少等风险之间的矛盾。因此，学习流程的教学设计与人工智能技术本身具有同等重要的影响。本研究将人工智能辅助提示嵌入一个固定的五步课堂教学流程中：教师讲解、个人探究、同伴讨论、全班澄清和自我评估。该特定设计有意将人工智能输出视为需经过严格验证和修订的初步材料，而非不可更改的最终答案。

本研究采用混合方法研究设计，因为仅靠定量调查数据无法充分捕捉学生实际学习体验中的细微差异。当需要结合参与者经历、实施条件以及动态变化的课堂情境来解读结果轨迹时，混合方法尤为有价值⁶。在本项研究中，定量部分追踪了学业自我概念和沟通能力的发展变化。同时，定性部分探讨了学生如何描述互动质量、自我评价实践、任务参与程度以及干预过程中感知到的障碍。随后，将这两类证据进行整合，以评估所观察到的定量评分模式是否与学生的实际课堂体验相一致。

本研究还解决了人工智能辅助教学文献中一个重要的实践空白。尽管已有大量研究评估了人工智能驱动的教学成果，但相对较少的研究提供了透明且可重复的课堂实施方案，详细说明了提示语的使用、同伴支架、对照组比较、实施保真度监控以及混合方法数据的整合。数十年关于同伴互动的研究表明，当学生通过解释概念、获得同伴反馈，并通过对话不断深化理解时，能够显著受益⁷。本研究在此基础逻辑之上，探讨人工智能生成的提示语是否能够在不取代教师指导和同伴协作所承担的不可或缺作用的前提下，成功融入这种对话式教学结构中。

因此，本研究将人工智能辅助的以学生为中心的教学视为一种结构化的课堂方案，而非仅仅接触人工智能工具。所提出教学路径是：首先由人工智能支持的提示提供探究和比较的材料；随后通过同伴讨论和教师讲解，要求学生对这些材料进行验证、论证和修订；最后的自我评估环节则帮助学生认识自身取得的进步以及尚未解决的差距。在此路径中，互动质量、自我评估和学习者参与度被视为探索性过程变量，用于帮助解释学生如何体验该教学流程，而非作为已确认的中介变量。

主要研究问题如下：人工智能辅助的以学生为中心的教学方案是否比常规的以学生为中心的教学产生更大的学业自我概念和自评沟通能力的提升？干预后的互动质量、自我评价和学习者参与度在人工智能辅助条件下是否更高？次要探索性问题如下：这些过程变量是否与结果变化分数存在关联？质性访谈主题是否与定量研究结果一致、拓展或加深了其发现？由于是以完整的班级而非个别学生为分配条件单位，因此在解释所有研究结果时均明确谨慎对待因果推断及班级层面的聚类效应。

方案

所有涉及人类参与者的实验方法均按照机构指南和《赫尔辛基宣言》进行。研究方案已通过广州城市建学院机构审查委员会 的审查与批准（IRB 批准编号：GZCJ2026A016；批准日期：2026年1月2日）。获批的研究标题为“人工智能辅助以学生为中心的教学对青少年学业自我概念与沟通能力的影响：一项混合方法研究”。研究实施前已获得参与学校的书面许可。研究获得了学生家长或法定监护人的书面知情同意，以及所有参与学生的书面同意书。研究人员告知学生，参与研究是自愿的，可在任何时间退出，且不会受到任何学术处罚。未将任何姓名、联系方式、学校标识、成绩或其他直接可识别的信息输入人工智能聊天机器人平台，也不包含在公开数据集中。所有研究程序均在批准的研究期间（2026年1月2日至2027年1月2日）内进行。本研究中使用的所有工具和平台均列于材料表中

研究设计与课堂分配

本研究采用准实验性、混合方法的课堂设计，包含两种教学条件：人工智能辅助的学生中心教学组和常规的学生中心教学组。纵向测量在三个时间点进行：干预前的基线水平（T1）、最后一次教学结束后的即时测量（T2）以及预设的短期随访评估（T3）。T2至T3的时间间隔已在研究日志中记录，并在全文、数据集、分析脚本和图表标签中保持一致。图1汇总了受试招募、班级分配、评估时间点、排除情况以及定性抽样过程。由于行政和生态学限制，无法进行个体随机化，因此在课堂层面将六个完整班级进行分配，其中三个班级为人工智能辅助教学组，另三个班级为对照组。每个班级为最终分析样本贡献了29名学生。各组在年级水平、学科领域、课程顺序、课时长度、课堂任务、评估时间表以及教师接触时间方面均保持可比性。班级标识符被保留，用于基于聚类敏感性的统计检验。

受试者招募与资格筛选

研究参与者直接从参与的完整班级中招募。学生及其父母或法定监护人收到一份详细的信息手册，其中概述了研究目的、课堂流程、人工智能支持的学习活动、问卷调查时间安排、可选的访谈环节、隐私保护措施、退出权利以及数据存储计划。如果学生就读于参与研究的班级之一，参加常规课堂教学，提供书面知情同意书，获得父母或监护人的书面同意，并在第一次课程前完成基线问卷调查，则被纳入研究。相反，若学生转学、缺席超过25%的干预课程、提交无效的问卷记录或撤回数据使用许可，则将被排除在最终分析样本之外。每位被排除的参与者均记录了一个主要的排除原因。在数据录入之前，每位符合条件的参与者均被分配一个唯一的研究识别代码。研究人员记录了相关的社会人口学和教育协变量，包括年龄、性别、班级标识符、基线学业成绩等级、先前接触人工智能辅助学习的情况以及基线数字学习熟悉程度。为便于统计追踪，教学分组变量被编码为：比较组记为0，人工智能辅助组记为1。

教学材料与干预措施实施

在实施前制定了一套包含六个课时的教学单元（补充表1），每个课堂教学课时持续40–45分钟。两种教学条件均采用相同的学习目标、课程主题、练习工作表、同伴讨论任务、自我评估表和反思提示。问卷结构、评分说明、反向计分项目以及最终的量表级变量均遵循表1中锁定的评分方案。可重复性材料包括教案（补充表1）、AI提示词工作表（补充表2）、教师提示词工作表（补充表3）、学生工作表（补充表4）、自我评估表（补充表5）、观察检查清单（补充表6）、技术事件日志（补充表7）、访谈指南（补充表8）以及定性编码手册（补充表9）。参与教学的教师使用一份书面授课指南完成培训，内容涵盖课时顺序、AI使用边界、对照组操作流程、隐私要求以及保真度检查清单。在正式实施前，还组织了非研究对象学生进行试讲，以验证活动时间安排、设备访问、工作表清晰度和任务难度。所使用的AI工具是机构批准的基于ChatGPT、采用GPT-4架构的聊天机器人。在课堂教学中，禁用了聊天记录、个人资料记忆、网页浏览、插件、图像生成和自动评分功能。在首次提及后，文稿中统一使用通用术语"AI聊天机器人平台"，以避免宣传性语言。干预前已固定提示词设计原则，并将AI的使用范围限定于提供澄清、生成示例、比较解释、针对性修改支持以及自我评估提示。代表性提示词、AI输出示例以及教师干预示例均作为可重复性材料予以保留。

每次人工智能辅助教学会话均分为五个结构化阶段进行。第一阶段为5分钟的教师简要说明，明确学习目标，讲解任务内容，介绍已配置的人工智能聊天机器人平台，并提醒学生人工智能的输出仅为初步提示，而非权威答案。学生被严格要求不得在平台中输入任何可识别的个人信息。第二阶段为10分钟的个体人工智能支持探究活动，学生利用预先准备的提示词工作表，向人工智能请求澄清、示例、替代性解释或修改建议。每位学生需记录所使用的提示类别、一个有用的人工智能支持观点、一个需要验证的要点，以及最终是否采纳该建议的决定。第三阶段为12至15分钟的同伴讨论活动，学生在小组内比较各自获得的人工智能支持观点，识别其中的错误，并协作修改自己的内容。在此阶段，教师在教室内巡视，采用标准化的引导规则，要求学生根据课程评价标准口头说明修改理由，并在最终定稿前纠正错误或过度自信的人工智能输出。第四阶段为5至8分钟的全班集中答疑环节，用于澄清普遍存在的误解并纠正事实性错误。最后阶段为5分钟的自我评估活动，学生在此期间评估自身理解程度，记录一项具体的改进措施，并提出一个尚未解决的问题。所有干预课程均严格遵循这一操作流程。打印的提示词工作表作为技术备用方案，任何影响超过班级三分之一学生的技术偏差均被明确记录。匿名的代表性提示-输出-引导示例被保留，并记录于补充表2、3中。

对照条件采用了相同的学习时长、学习目标、主题顺序、工作表、同伴讨论间隔、自我评估表以及教师反馈时间。然而，人工智能支持的提示被替换为教师预先准备的标准引导提示，指导学生解释核心概念、比较实例、识别薄弱环节并修改自己的作业。包含简要介绍、独立探究、同伴讨论、全班澄清和最终自我评估的相同五步结构被严格保留。两个组均未获得额外辅导、课外作业、延长反馈时间或不同的评估任务。课堂出勤、行为干扰、教师代课以及不完整教学环节均采用相同的记录格式对两组进行记录。

数据收集、依从性监测与定量分析

在基线、干预后及随访阶段均实施了评估问卷，三次测量均采用一致的题项表述、应答量表和计分规则。所用工具包含经过验证的量表，用于评估学业自我概念、沟通能力、互动质量、自我评价以及学习者参与度。应答数据采用标准的5点李克特量表收集，范围从1（强烈不同意）到5（强烈同意），得分越高表示目标构念水平越高。在完成必要的反向计分后，各量表得分计算为有效题项的算术平均值。若单个题项缺失，且同一量表和测量阶段中缺失题项不超过20%，则以该学生在该量表和阶段内的平均分填补缺失值；若缺失题项超过20%，则该量表视为整体缺失；若整个测量阶段的数据完全缺失，则不予填补。在进行统计分析前，对原始数据集进行了仔细审核，检查是否存在超出合理范围的数值、重复记录、直线型应答模式以及异常的完成时间。若记录出现不可能的数值、所有题项应答完全一致，或完成时间低于中位时长的1/3（除非有明确的课堂记录证实其真实性），则标记为无效并予以剔除。主要的干预后和随访分析纳入了提供有效基线得分以及相应干预后或随访结果数据的学生，从而避免对部分完成的测量计划进行单方面完整剔除。在数据录入前已建立锁定的数据字典，用于定义变量名称、标签、应答范围、缺失值编码、反向计分规则、测量阶段标识符以及最终的量表层面构念。问卷数据以宽格式录入，每位学生每阶段占一行，通过波次后缀（_T1、_T2、_T3）区分不同测量阶段。通过计算方式验证了数值范围和参与者记录的唯一性，并依据主考勤日志，对各组别、班级和测量阶段的缺失模式进行了检查。

每次教学过程中均采用标准化的课堂观察清单，以监测实施的保真度。每个教学组成部分的评分分为0分（未完成）、1分（部分完成）或2分（完全完成）。所评估的组成部分严格对应五阶段教学序列，包括教师简报、个体探究、同伴讨论、全班澄清以及自我评估记录的完成。整体课程保真度百分比通过将实际得分除以最高可能得分计算得出。任何保真度低于70%阈值的课程均被记录为方案偏离。为确保评分者间信度，另有一位经过培训的观察员独立对至少20%的总课程进行评分。所有项目的评分一致性以百分比形式计算，若初始一致性低于80%，则通过共识讨论解决评分差异。硬件或软件的技术故障被单独记录在日志中，以区别于教学保真度问题。

统计分析采用可重复的基于脚本的工作流程进行，其中在任何抽样或敏感性检验之前均预先固定随机种子。所有统计检验均为双尾检验，显著性水平设定为 p < 0.05。连续变量以均值和标准差表示，分类变量则以频数和百分比表示。队列间的基线等价性通过描述性方法进行评估：连续数据采用独立样本 t 检验，分类分布采用卡方检验。内部一致性通过 Cronbach’s α 系数进行测量，通用量表采用 α ≥ 0.70 的阈值，主要结局指标采用 α ≥ 0.80 的阈值，并辅以校正的条目-总分相关系数。以基线调整的协方差分析（ANCOVA）作为主要分析方法。针对每个主要结局分别构建独立模型，将干预后或随访时的得分设为因变量，教学组别作为主要预测因子，相应的基线得分作为强制协变量。为控制基线不平衡或基于理论相关性，额外纳入了性别、基线学业成绩分组及先前人工智能接触情况作为协变量，并报告调整后的均值差异、95% 置信区间、标准误以及模型 R² 值。作为次要分析，采用独立样本 Welch t 检验对变化分数（T2–T1 和 T3–T1）进行比较，效应量使用 Cohen’s d 进行量化。探索性过程分析评估了过程变量与结局变化之间的 Pearson 相关性，并通过多预测因子线性回归进行补充，同时监测方差膨胀因子（VIF）以检验多重共线性。最后，实施基于聚类的敏感性检验，以考虑六个完整班级内学生数据的嵌套结构。估算无条件组内相关系数（ICCs），在班级层面汇总并比较结局变化，并使用聚类稳健标准误重复主要的 ANCOVA 计算，作为探索性敏感性检验。

定性抽样、编码与混合方法整合

在干预后问卷调查结束后，立即采用目的性抽样方法选取了36名学生进行半结构化访谈。该定性研究队列包括来自两种教学条件下的参与者，其学业自我概念或沟通能力的变化分数分别表现为高、中或低水平。半结构化访谈提纲旨在探究学生在课堂互动中的体验、解释观点时的自信心、自我评价行为、任务参与度以及沟通意愿，并通过有针对性的引导问题，深入探讨修改观点的时刻、对模糊反馈的反应以及参与度的变化情况。访谈仅在获得家长同意和学生本人知情同意后进行录音；否则，将采用结构化书面记录方式。转录过程中删除所有个人姓名、班级编号及其他可识别信息，转录文本通过对应的定量标识符进行关联。初始的定性编码框架基于互动质量、自我评价和学习者参与度等理论构念进行演绎构建，仅当数据无法纳入基础框架时，才通过归纳法增加主题编码。两名独立编码员对至少20%的转录文本进行分析，以验证编码信度。采用Cohen's kappa系数进行评估，kappa值在0.61–0.80之间视为信度较高，高于0.80视为信度良好。若初始kappa值低于0.61，则重新修订编码手册定义并重复双人编码过程。最终的编码定义及由此生成的定性编码频次矩阵均已归档（补充表9和10）。

在启动混合方法整合之前，定量数据分析和定性编码框架已独立完成。通过结构化方式构建了一个统一的联合展示表，将三个定量过程变量与其对应的定性主题相联系。整合后的研究结果被系统地分类为：收敛（问卷数据模式与访谈主题一致）、扩展（定性叙述解释了定量趋势背后的机制）或分歧（访谈揭示了独特的障碍或不均衡的参与情况，使定量模式复杂化）。定性研究结果用于对课堂过程进行情境化解释，将学习者参与度得分与积极提问和同伴讨论等主题相联系，将自我评价得分与差距意识及策略性调整的叙述相联系。

结果

研究对象的流程与基线特征

研究招募了来自六个完整班级的186名学生作为初始队列。经过资格筛选、出勤核实和应答质量检查后，共有174名学生被纳入最终的定量分析。这些参与者被均匀分配，其中87名被分配至人工智能辅助的以学生为中心教学组，另外87名被分配至常规的以学生为中心教学组。图1详细展示了招募流程、班级分配、三阶段评估时间线、排除标准以及定性子样本选取情况。

表2总结了按教学组别和测量阶段划分的描述性主要结局得分。干预前，两个队列的学业自我概念水平相似（AI辅助组：3.00 ± 0.37；对照组：3.05 ± 0.43）。然而，AI辅助组的基线沟通能力（2.85 ± 0.40）低于常规教学组（3.04 ± 0.38）。由于分组是在完整班级层面进行的，而非个体随机分配，因此这些基线差异被视为可能存在的班级间预先差异，而非干预效应。所有主要模型中均将基线结局得分作为协变量保留，且在解释沟通能力结果时注意了...

讨论

本研究探讨了将人工智能辅助工具整合到以学生为中心的教学中，是否与青少年学业自我概念和自评沟通能力的变化相关。在为期三阶段的观察期间，接受人工智能辅助教学的学生在上述两项指标上的提升均大于接受常规以学生为中心教学的学生。这一趋势在原始得分模式、变化分数指标以及基线调整后的协方差分析（ANCOVA）模型中均保持一致。然而，由于本研究采用的是自然班级设计、依赖自评结果，且课堂聚类数量较少，因此这些发现应被视为具有前景的课堂关联性证据，而非学业表现提升的确定性因果证据。

观察到的学业自我概念的提升与以下观点一致：学生对自身学业能力的信念是由累积的任务经验及持续的反馈所塑造的。学业自我概念并非一种泛化的自尊感，而是一种领域特定的构念，会随着在具体学习活动中所感知到的能力变化而变化。该干预要求学生首先生成初步解释，批判性地审视人工智能生成的建议，与同伴就这些观点进行讨论，并完善最终的回答。这种迭代循环可能为学生提供了进步的直观证据，从而为观察到的学业自我概念变化模式提供了一个合理的解释⁸。

...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
ChatGPT	OpenAI	https://chatgpt.com	经机构批准的平台，用作学生探究和提示的教學组成部分。
Grammarly	Grammarly, Inc.	https://www.grammarly.com	在稿件撰写过程中用于语言润色和格式支持。
SPSS	IBM Corp.	SCR_002865	用于定量数据分析，包括基线调整后的协方差分析（ANCOVA）、t检验、Pearson相关性分析和组内相关系数（ICCs）。
NVivo	Lumivero	https://lumivero.com/products/nvivo	用于编码半结构化访谈转录文本，并计算独立编码员之间的Cohen's kappa值。
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	用于实施基线、干预后及随访评估问卷。