职前教师自我调节学习中的AI素养:伦理使用、监控、动机、调节与评估量表的开发与验证

《Frontiers in Psychology》:AI literacy for self-regulated learning among pre-service teachers: development and validation of a scale of ethical use, monitoring, motivation, regulation, and evaluation

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Psychology 3.8

编辑推荐:

  摘要翻译:引言:现有的AI素养测量往往侧重于广泛的知识、态度、应用或伦理意识,而非学习者如何在自我调节的学术学习中使用AI。本研究开发并验证了职前教师多维AI素养量表(MAILS-PT),该量表评估伦理使用、元认知监控(监控)、动机调节(动机)、行为调节(调节

  
摘要翻译:引言:现有的AI素养测量往往侧重于广泛的知识、态度、应用或伦理意识,而非学习者如何在自我调节的学术学习中使用AI。本研究开发并验证了职前教师多维AI素养量表(MAILS-PT),该量表评估伦理使用、元认知监控(监控)、动机调节(动机)、行为调节(调节)和批判性评估(评估)。方法:初始60题项目库经过专家内容审查后缩减为40题。该量表于2025年春季施测于420名职前教师进行探索性因子分析,并于2025年秋季另行招募684名样本进行验证性及效度分析。研究采用了有序数据方法、信度分析、收敛效度和区分效度评估,以及性别测量不变性检验。同时使用15题的AI辅助学习判断测验来检验与框架对齐的判断测量之间的初步并发关联。结果:探索性因子分析保留了30个题项,每个维度6题;五因子解解释了58.3%的方差,主要载荷范围为0.639–0.829。验证性因子分析支持该结构,χ2(395)=522.90,p<0.001,CFI=0.988,TLI=0.986,RMSEA=0.022,90% CI [0.016, 0.027],SRMR=0.037。探索性样本中各分量表的omega值范围为0.851–0.889,验证性样本中为0.848–0.874。AVE值范围为0.522–0.583,HTMT值范围为0.029–0.272。在特定的有序分类JASP/lavaan参数化下,跨性别的形态、载荷和阈值不变性得到支持。伦理使用与其他维度呈近零相关。五个分量表共同解释了判断测验方差的41.3%,R=0.643,R2=0.413,调整后R2=0.409,F(5,678)=95.48,p<0.001。结论:MAILS-PT为职前教师学习相关AI素养的五个可区分方面提供了初步心理测量学支持。各分量表应单独解释,伦理使用被视为负责任学术AI使用的一个独特但相关的领域。测验关联提供了初步的框架对齐并发证据,而非独立标准效度或预测效度。需要在不同机构、文化和行为或纵向标准下进行进一步验证。
论文解读:

**研究背景与问题**

随着生成式人工智能在高等教育中的深度嵌入,学生日益依赖AI工具进行写作、学习、寻求解释、头脑风暴、获取反馈和学术决策。然而,教育意义上的AI使用不仅取决于访问机会或使用频率,更取决于学习者如何在学术工作中策略性、批判性和负责任地使用AI。现有的AI素养测量工具大多侧重于广泛的知识、态度、应用或伦理意识,未能针对学习者如何在自我调节学习(Self-Regulated Learning, SRL)过程中具体运用AI进行监控、动机调节、行为调节和批判性评估这一特定交叉领域进行测量。因此,研究者开发了职前教师多维AI素养量表(Multidimensional Aspects of AI Literacy Scale for Pre-Service Teachers, MAILS-PT),旨在评估伦理使用(Ethical Use)、元认知监控(Metacognitive Monitoring, Monitor)、动机调节(Motivational Regulation, Motivate)、行为调节(Behavioral Regulation, Regulate)和批判性评估(Critical Evaluation, Evaluate)五个维度。该研究的开展基于以下问题:现有测量工具未能有效区分AI素养与自我调节学习之间的交叉点,缺乏针对AI辅助学习过程中具体调节过程的测量工具,且需要验证该工具的心理测量学特性。

**研究方法**

研究人员采用多阶段量表开发与验证设计。研究样本来自土耳其某公立大学教师教育项目的职前教师,分别于2025年春季招募420名(探索性因子分析样本,回收率93.33%)和2025年秋季招募684名(验证性及效度分析样本,回收率85.50%),两个样本在人口统计学特征上无显著差异。研究首先由两名作者和四名外部专家进行内容效度审查,将初始60题项目库缩减为40题。探索性因子分析采用主轴因子法(Principal Axis Factoring)和Promax斜交旋转,基于多分格相关矩阵进行;验证性因子分析采用对角加权最小二乘法(DWLS)估计。信度采用McDonald's omega和Cronbach's alpha评估;收敛效度通过平均方差抽取量(AVE)评估;区分效度通过异质-单质比率(HTMT)评估。性别测量不变性采用多组验证性因子分析检验。此外,研究人员开发了一个15题的情境判断测验(AI-Assisted Learning Judgment Quiz)用于检验并发关联,并通过多元线性回归分析五个维度与测验成绩的关系。

**研究结果**

**样本可比性**:探索性样本(n=420)和验证性样本(n=684)在年龄、性别、年级、兄弟姐妹数量和婚姻状况上均无显著差异,效应量可忽略不计,表明两个独立招募的学期队列具有可比性。

**内容效度**:经专家审查后,40个选定题目的S-CVI值范围为0.85–0.92,其中调节维度最高(0.92),监控维度最低(0.85)。经过探索性因子分析,最终保留30个题项,每个维度6题。

**探索性因子分析**:KMO值为0.853,Bartlett球形检验显著(χ2(435)=6982.267,p<0.001)。平行分析和碎石图支持保留五因子结构。旋转后五因子解解释了58.3%的总方差,主要载荷范围为0.639–0.829,唯一性范围为0.323–0.565。因子相关矩阵显示,评估与调节相关最强(r=0.281),伦理使用与其他维度呈近零或轻微负相关(r=-0.065至0.056)。

**验证性因子分析**:五因子模型拟合良好,χ2(395)=522.90,p<0.001,CFI=0.988,TLI=0.986,RMSEA=0.022,90% CI [0.016, 0.027],SRMR=0.037,GFI=0.992,MFI=0.997,NFI=0.952。标准化载荷范围为0.653–0.802,所有载荷均显著(p<0.001)。潜在因子协方差显示,评估与调节、监控和动机正相关,伦理使用与其他因子无显著相关。

**收敛与区分效度**:AVE值范围为0.522–0.583,均超过0.50阈值,支持收敛效度。HTMT值范围为0.029–0.272,低于常规截断值,表明五个维度在经验上可区分。伦理使用的HTMT值特别低(0.029–0.041),支持其显著的实证分离。

**信度分析**:在探索性样本中,omega值范围为0.851–0.889,alpha值范围为0.851–0.881;在验证性样本中,omega值范围为0.848–0.874,alpha值范围为0.846–0.868。总量表30题系数在探索性样本中为omega=0.915,alpha=0.829,在验证性样本中为omega=0.901,alpha=0.817,但该系数仅供描述参考,不应视为单维性证据。

**性别测量不变性**:形态不变性模型拟合良好(χ2(790)=912.82,CFI=0.988,RMSEA=0.021);载荷不变性模型(χ2(815)=927.61,CFI=0.989,RMSEA=0.020)相对于形态模型ΔCFI=+0.001,ΔRMSEA=-0.001;阈值不变性模型(χ2(810)=922.26,CFI=0.989,RMSEA=0.020)相对于载荷模型ΔCFI=0.000,ΔRMSEA=0.000。所有变化均远小于预设标准(|ΔCFI|≤0.010,|ΔRMSEA|≤0.015),支持跨性别的形态、载荷和阈值不变性。自由度从815降至810是因为阈值不变性模型中释放了非参照组的五个潜在因子均值。

**并发关联**:多元线性回归显示,五个维度共同解释了判断测验方差的41.3%(R=0.643,R2=0.413,调整后R2=0.409,F(5,678)=95.48,p<0.001)。所有五个维度均与测验成绩呈显著正相关,动机的标准化系数最大(β=0.284),其次为伦理使用(β=0.273)、监控(β=0.235)、调节(β=0.227)和评估(β=0.222)。多重共线性诊断良好(容差0.914–0.998,VIF 1.002–1.094)。

**讨论与结论**

**讨论总结**:MAILS-PT的五个维度分别对应AI支持的自我调节学习过程的不同方面。监控、动机和调节代表了已确立的自我调节学习过程在AI情境中的具体体现,而非新的自我调节形式;评估增加了AI特有的认知要求,即学习者必须判断生成信息的准确性和可信度。这四个维度间的适度正相关是理论可预期的,因为它们功能上互补但性质不同。伦理使用的近零相关表明其可能通过不同于学习调节的机制运作,可能受课程规则、机构政策、披露期望和学术诚信规范的影响,也可能受社会赞许性反应偏差的影响。性别不变性支持了测量结构的可比性,但观察到的性别差异仅为描述性结果。与情境判断测验的正向关联提供了初步的框架对齐并发证据,但因测验由同一研究团队开发、遵循相同框架、即时施测,且信度有限,不能视为独立标准效度或预测效度。

**研究结论翻译**:本研究开发并验证了MAILS-PT,用于评估AI使用的五个学习相关方面:伦理使用、元认知监控(监控)、动机调节(动机)、行为调节(调节)和批判性评估(评估)。该量表从初始60题项目库出发,经专家审查提炼,在独立招募的420名职前教师试点样本中探索,并在684名参与者的独立样本中验证。最终30题工具显示出稳定的五因子结构、强分量表信度、充分的收敛效度、维度间的清晰经验分离,以及在特定有序分类JASP/lavaan参数化下跨性别的形态、载荷和阈值不变性。研究结果支持将MAILS-PT解释为多维特征档案,而非单一同质AI素养分数。监控、动机、调节和评估代表了学习者在自我调节学习中使用AI的不同但相关的方式,而伦理使用似乎更加独立,最好被视为负责任学术AI使用的一个独特但相关的领域。MAILS-PT分数与同时施测的框架对齐情境判断测验成绩正相关,这些关联提供了初步证据表明自我报告倾向与相关AI辅助学术判断一致,但不应解释为独立标准效度、行为预测或预测效度的证据。该研究存在若干局限性:两个样本均来自土耳其单一大学;设计为横断面自我报告;未收集先前AI经验的详细特征;缺乏认知访谈的反应过程证据;情境判断测验需进一步完善。因此,MAILS-PT目前应主要用于研究、形成性评估和项目层面评估,而非高风险个体决策。总体而言,MAILS-PT为评估职前教师在学术学习过程中策略性、批判性和负责任地使用AI提供了初步心理测量学支持。在更广泛或更高风险的解释得到保障之前,需要在不同机构、学科、文化、政策背景以及独立获得的行为或纵向标准下进行进一步验证。
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