感知生成式人工智能反馈可信度如何促进大学生深度学习:认知投入的中介作用

《Frontiers in Psychology》:When college students perceive GAI feedback as credible: the role of perceived GAI feedback credibility in promoting deep learning through cognitive engagement

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Psychology 3.8

编辑推荐:

  生成式人工智能(Generative Artificial Intelligence, GAI)在高等教育中快速发展,并从教育心理学视角提出新的问题:为什么GAI反馈能够促进部分大学生的有意义学习,却未能对其他人产生类似的学习收益?为回答该问题,本研究基于信息

  
生成式人工智能(Generative Artificial Intelligence, GAI)在高等教育中快速发展,并从教育心理学视角提出新的问题:为什么GAI反馈能够促进部分大学生的有意义学习,却未能对其他人产生类似的学习收益?为回答该问题,本研究基于信息加工理论(Information Processing Theory)、精加工可能性模型(Elaboration Likelihood Model, ELM)和建构主义学习理论(Constructivist Learning Theory)构建理论框架。本研究考察感知GAI反馈可信度(Perceived GAI Feedback Credibility)如何影响大学生深度学习(Deep Learning),并探讨认知投入(Cognitive Engagement)在该关系中的中介作用。本研究采用分层简单抽样方法,收集506名本科生的问卷数据,并使用结构方程模型(Structural Equation Modeling, SEM)检验所提模型。结果表明,感知GAI反馈可信度与认知投入和深度学习均呈正相关关系。此外,认知投入在感知GAI反馈可信度与深度学习之间发挥显著中介作用,提示可信的GAI反馈可能通过促使大学生进行认知加工和反思性思考来支持深度学习。本研究通过解释大学生如何评价与加工GAI反馈,拓展了GAI支持学习环境中的学习心理学研究。研究结果表明,GAI反馈对学习的影响并不单纯源于技术本身;相反,大学生对反馈可信度的判断及其后续认知投入在塑造深度学习过程中发挥重要作用。
研究背景与问题:GAI在高等教育中形成了新的反馈情境。原文指出,反馈的影响不单纯取决于外部信息本身,而依赖大学生如何感知、理解和认知加工;GAI虽可即时生成解释、建议和评价,但其心理价值取决于大学生对反馈可信度的判断及其认知加工意愿。既有研究较多关注大学生是否使用或接受GAI、采纳意愿及学习结果,较少考察大学生如何心理评价GAI信息,以及感知可信度如何影响主动认知加工;认知卸载研究又提示,依赖外部认知资源可能降低个体内部认知努力,因此可信GAI反馈究竟促进深度认知投入还是导致依赖尚不清楚。为此,本研究基于精加工可能性模型(Elaboration Likelihood Model, ELM;解释信息源评价如何影响深度加工意愿)、信息加工理论(Information Processing Theory;解释注意、组织与整合外部信息)和建构主义学习理论(Constructivist Learning Theory;解释学习者联系新旧知识建构理解),提出“信息评价—认知加工—知识建构”框架,考察感知GAI反馈可信度(Perceived GAI Feedback Credibility;大学生对GAI反馈可靠性、准确性和可依赖性的主观评价)对深度学习(Deep Learning;有意义理解、知识联系与应用)的影响及认知投入(Cognitive Engagement;加工、评价和理解信息时投入心理努力的程度)的中介作用。

研究开展与结论:研究人员采用多阶段分层抽样,以中国济南10所全日制本科院校的506名本科生为样本,使用问卷和结构方程模型(Structural Equation Modeling, SEM)检验模型。结论显示:感知GAI反馈可信度正向关联认知投入和深度学习;认知投入正向关联深度学习;认知投入在二者之间起显著部分中介作用。其意义在于将GAI教育研究从“技术有效性”推进到学习者心理评价与认知加工机制,说明GAI反馈的学习价值不仅来自技术生成信息,也取决于大学生对反馈可信度的判断及其后续认知投入。

技术方法:样本队列来自中国济南10所全日制本科院校(2所研究型、6所普通本科、2所应用型),按年级与性别分层配额,计划700份,回收550份,筛除无效后获506份有效问卷;所有参与者均报告曾将GAI工具用于学习。预试100人用于项目分析、信效度与探索性因子分析。正式数据使用SPSSAU与AMOS 23.0进行信度、效度、Harman单因子检验、验证性因子分析(Confirmatory Factor Analysis, CFA)和SEM;SEM采用最大似然估计,中介效应采用Bootstrap 2000次重抽样及偏差校正百分位置信区间检验(原文提及AMOS 31.0完成Bootstrap)。

研究结果:
4.1 验证性因子分析(CFA)结果:基于506份正式数据,CFA检验感知GAI反馈可信度、认知投入、深度学习三因子测量模型。模型拟合可接受:χ2=141.245,df=132,χ2/df=1.070,GFI=0.971,AGFI=0.962,CFI=0.998,IFI=0.998,NFI=0.969,TLI=0.998,RMSEA=0.012,SRMR=0.028。各指标标准化载荷显著,组合信度(Composite Reliability, CR)分别为0.893、0.898、0.840,平均方差抽取量(Average Variance Extracted, AVE)分别为0.583、0.596、0.467;Fornell–Larcker准则与异质—单质比率(Heterotrait–Monotrait ratio, HTMT)均支持区分效度。由此得出测量模型具有可接受的信度、收敛效度和区分效度,可作为后续结构模型分析基础。

4.2 结构方程模型(SEM)分析结果:基于潜变量SEM,感知GAI反馈可信度对深度学习有显著正向关联(β=0.356,p < 0.001),支持H1;对认知投入有显著正向关联(β=0.428,p < 0.001),为所有假设路径中系数最大,支持H2;认知投入对深度学习有显著正向关联(β=0.394,p < 0.001),支持H3。Bootstrap中介检验显示,认知投入的间接效应显著(β=0.168,p=0.001,95% CI [0.115, 0.232]);控制认知投入后直接效应仍显著,故认知投入起部分中介作用,支持H4。总效应为0.524,间接效应约占32.1%。结论是可信GAI反馈既与深度学习直接正向关联,也通过促进认知投入与其关联。

讨论部分总结:原文讨论指出,研究将关注点从GAI系统能提供什么转向学习者如何理解与回应GAI反馈。理论贡献包括:以ELM、信息加工理论和建构主义学习理论整合解释GAI反馈评价、加工与知识建构;将ELM和信息加工理论拓展至GAI支持学习环境;强调建构主义所主张的学习者主动意义建构;把反馈研究从人工反馈拓展至非人类反馈源的可信度评价;并凸显学习者在GAI学习中的主动认知角色。实践上,原文建议教育者培养学生对GAI反馈可信度的评估与“校准信任”,设计解释、比较、反思等任务以促进认知投入,教师应作为学习体验设计者和心理过程支持者,关注“心理有效性”而非仅“技术有效性”。

研究结论翻译:GAI正在重塑学习环境中的信息获取与加工方式,但关键心理问题在于:当大学生面对GAI反馈时,何种条件使GAI成为促进认知发展的工具而非替代自主思考的替代物?本研究通过“感知GAI反馈可信度—认知投入—深度学习”的心理路径表明,GAI的教育价值并非仅源于其信息生成能力,而取决于学习者如何心理评价GAI反馈以及这种评价如何影响其认知加工。未来GAI辅助学习实践应从关注“技术有效性”转向“心理有效性”,重视人—AI互动中信任、投入与认知活动的动态作用;应帮助学生形成基于证据和情境相关性的校准信任,避免过度依赖与信任不足两种结果;应通过要求解释接受或拒绝GAI反馈的理由、比较GAI建议与自身观点等设计,激发认知投入,使学生“更好地思考”而非“更少思考”;还应培养元认知监控能力,使学生能识别理解缺口、评估反馈与学习目标一致性,并决定何时依赖GAI、何时独立推理,从而使GAI扩展而非替代人类思维。结论同时承认横断面设计、单一城市样本、自我报告、新开发量表及未纳入GAI使用强度等局限,建议未来采用纵向、实验、经验采样、行为日志和多样本验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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