拉近技术鸿沟:大学生技术准备度的专业与性别差异及其对教育公平的启示

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》:Toward closing the zipper: Technology readiness and diverse technology use of university students in terms of academic major and gender

【字体: 大 中 小 】 时间:2025年12月31日 来源:TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE 13.3

编辑推荐:

  本研究聚焦于教育数字化转型中的“第三层次数字鸿沟”问题,探讨了在技术接入和技能已相对普及的背景下,个体技术准备度(TR)的差异如何影响技术采纳。研究人员通过对芬兰大学生进行问卷调查,发现技术准备度在专业(如信息技术、自然科学学生较高)和性别(男性,尤其在创新性维度上更高)方面存在显著差异。研究结果强调了在引入新兴教育技术时考虑个体差异的重要性,并提出了“数字公平拉链模型”,为促进教育技术公平应用提供了理论框架和实践工具。

  
在当今教育快速迈向以个性化、互联和数字技术为特征的“教育4.0”时代,新兴技术如人工智能(AI)和大语言模型(LLM)正以前所未有的力量重塑学习景观。它们承诺提升效率、促进个性化学习,但同时也带来了新的挑战,尤其是关于数字公平的担忧。人们开始意识到,即使在学校提供了平等的技术设备和技能培训机会后,学生之间在利用技术获益方面依然可能存在差距。这就是所谓的“第三层次数字鸿沟”,它超越了简单的设备接入(第一层次)和技能掌握(第二层次),深入到个体在心理层面拥抱和有效利用技术的意愿与能力差异。那么,在技术基础设施高度发达的芬兰,这种基于个人特质的差异是否依然存在?如果存在,它们如何体现在不同专业和性别的学生群体中?这又对教育公平意味着什么?一项发表在《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》上的研究对此进行了深入探索。
为了回答这些问题,由Ville Heilala、Riitta Kelly、Miitta J?rvinen和Raija H?m?l?inen组成的研究团队,在芬兰一所公立多学科研究大学进行了一项大规模问卷调查。研究共招募了796名大学生作为参与者,数据收集于2021年1月。研究团队采用了几个经过验证的测量工具:核心工具是技术准备度指数(TRI 2.0),用于测量个体拥抱新技术的倾向性,该指数包含四个维度:乐观性(OPT,认为技术能增强控制力、灵活性和效率)、创新性(INN,率先采用新技术的倾向)、不适感(DIS,感觉技术难以掌控或令人不知所措)和不安全感(INS,对技术缺乏信任)。此外,研究还使用了技术交互亲和力(ATI)量表作为对照工具,以及研究者自行开发的多样化技术使用指数(D-TUI)来量化学生实际使用的技术种类是常见还是小众。分析方法包括验证TRI 2.0在芬兰语境下的心理测量学特性(如使用Mokken量表分析评估其构成有效性和测量不变性)、进行潜在类别分析(LCA)以识别具有不同技术准备度特征的学生群体,并运用统计检验(如t检验、卡方检验)和多元回归模型来考察专业、性别与技术准备度及技术使用多样性之间的关系。
4.1. TRI 2.0的心理测量学特性
研究首先证实了芬兰版TRI 2.0具有良好的信度和效度。乐观性和创新性维度形成了强Mokken量表,而不适感和不安全感维度形成了弱Mokken量表,表明前两个维度的内部一致性更高。该量表在不同性别群体中显示出测量不变性,意味着男性和女性学生在相同特质水平上会得到相似的分数,从而支持了后续跨性别比较的有效性。与ATI量表的关联分析显示了良好的收敛效度和区分效度,特别是创新性维度与ATI呈强相关。
4.2. 基于潜在类别的技术准备度与多样化技术使用
通过潜在类别分析,研究人员成功识别出五类具有显著特征的学生群体,与TRI 2.0的理论框架一致:探索者(最高TR,高OPT和INN,低DIS和INS)、先驱者(高TR,但INS略高于探索者)、怀疑者(中等TR,OPT和INN较高,但DIS和INS也相对较高)、犹豫者(最大群体,特征性的低INN)和回避者(最低TR,低OPT和INN,高DIS和INS)。这些类别在ATI得分上也显示出预期差异,探索者、先驱者和怀疑者的ATI得分显著高于犹豫者和回避者,进一步验证了类别的区分效度。更重要的是,D-TUI分析显示,技术准备度更高的类别(如探索者、先驱者)其技术使用也更具多样性(即使用更多小众技术),而技术准备度较低的类别(如犹豫者、回避者)则更倾向于使用常见技术。这表明技术准备度这一心理特质与实际的技术使用行为存在关联。
4.3. 不同专业和性别的技术准备度与多样化技术使用
研究结果揭示了技术准备度在不同专业和性别间的显著差异。就专业而言,信息技术和商科专业的学生中,属于高技术准备度类别(探索者和先驱者)的比例远高于人文社科、教育和体育专业的学生。性别差异尤为明显:男性学生的总体技术准备度显著高于女性学生,效应量较小(d=0.42)。当控制专业变量后,这种差异在信息技术和自然科学领域最为突出,具体表现在创新性维度上,男性得分显著高于女性(信息技术领域d=0.73,自然科学领域d=0.82)。在不适感和不安全感维度上,男性在整体样本和自然科学领域也显示出更低的倾向。此外,男性报告的D-TUI值也显著高于女性,表明男性使用了更多样化、更小众的技术。多元回归模型进一步指出,在探索者、先驱者和犹豫者这些潜在类别中,性别与D-TUI存在交互作用,即在这些类别中,男性的技术使用多样性高于女性。
研究的讨论部分将上述发现置于更广阔的数字公平背景下。结果表明,即使在芬兰这样技术高度普及和公平的国家,基于个人特质(如技术准备度)的差异依然存在,这提示我们,在解决了技术和技能接入问题后,第三层次数字鸿沟的风险依然不容忽视。个体差异,尤其是创新性方面的差异,可能与技术领域长期存在的社会文化建构和隐性偏见有关。这些差异在引入高认知、情感或技术要求的场景(如复杂AI教育工具)时,可能会被放大,导致“马太效应”,即技术准备度高的学生更能从新技术中获益,从而加剧不平等。
基于此,研究者提出了一个新颖的“数字公平拉链模型”作为概念工具。该模型将数字公平比喻为一条拉链。拉链闭合的一端代表数字公平,敞开的一端代表数字鸿沟。模型中的“拉片”象征着为促进公平所做的努力(闭合因素,如包容性教学设计、教师支持),而不断涌现的新技术、固有的社会偏见等因素则可能成为“拉开因素”,加剧鸿沟。模型强调,在技术变革飞速发展的背景下,需要持续努力来“拉上拉链”,促进公平。例如,针对AI教育应用,设计更透明、易用、安全的系统可以降低高DIS和INS学生的使用门槛(闭合因素),而忽视个体差异则可能导致部分学生回避使用,进而造成数据采集偏差,最终使AI算法产生偏见(拉开因素)。
这项研究的重要意义在于,它强调了在教育机构大规模引入新兴技术(如AI)时,不能仅满足于提供平等的访问权限和技能培训,还必须评估并关注学生个体技术准备度的差异。教育工作者和政策制定者可以利用TRI 2.0等工具识别可能存在风险的群体,并设计针对性的支持策略和包容性教学实践,以确保所有学生都能从技术变革中平等受益。研究者呼吁,未来的研究应进一步探索技术准备度差异的成因及其动态变化,并将数字公平的考量更深层次地融入教育实践和未来工作场景的设计中,共同迈向一个更具包容性的数字化未来。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号