Artificial Intelligence Competence of K-12 Students Shapes Their AI Risk Perception: A Co-occurrence Network Analysis
这项针对芬兰 K-12 学生的研究表明，自我感知的 AI 能力显著影响了风险感知，其中低能力水平的学生侧重于个人学习方面的弊端，而高能力水平的学生则优先考虑系统性和制度性的问题，这强调了在教育中整合 AI 素养的必要性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个教室场景，学生们正在观察一种全新的、功能强大的工具：人工智能（AI）。研究人员想要知道：学生们在害怕什么？ 以及 他们对使用 AI 的“熟练程度”是否会改变他们的恐惧点？
为了找出答案，他们询问了 163 名芬兰高中生，让他们勾选出一份关于在学校学习中使用 AI 时所担心的忧虑清单。随后，他们使用了一种特殊的制图技术（称为“共现网络”/ co-occurrence network）来观察这些忧虑是如何相互连接的。把这张地图想象成一个蜘蛛网：如果两个忧虑经常同时出现在一个学生的脑海中，它们就会被一根线连在一起。线的粗细代表了这种连接的强度。
以下是研究结果的简单拆解：
1. 两种不同的地图
研究发现，学生们看到的“危险区域”并不尽相同。根据他们自评的 AI 技能水平，他们的风险地图发生了变化。
“新手司机”组（低胜任力）
那些觉得自己在使用 AI 方面缺乏信心或技能的学生，就像是那些对汽车本身感到恐惧的新手司机。他们的担忧非常个人化且直接：
- 恐惧点： “如果我使用它，我会停止独立思考吗？”“我会变得懒惰吗？”“我会失去创造力吗？”
- 类比： 想象一个正在学骑自行车的小孩。他们主要担心的是摔倒、擦伤膝盖或者自行车坏掉。他们关注的是个人安全和即时性的失败。
- 结果： 这些学生的忧虑清单更长。他们更容易将 AI 与“成瘾”、“误用”以及“丧失批判性思维能力”联系起来。
“资深司机”组（高胜任力）
那些觉得自己能很好地使用 AI 的学生，就像是经验丰富的司机。他们担心的不是自行车会不会倒，而是交通规则和路况。
- 恐惧点： “AI 在对我撒谎吗？”“数据有偏见吗？”“使用这个算作作弊吗？”“学校的规则公平吗？”
- 类比： 一位经验丰富的司机不会担心自行车倒下，他们担心的是红绿灯坏了、路面湿滑，或者其他人违反了规则。他们关注的是系统性问题和公平性。
- 结果： 这些学生关注的点较少涉及个人失败，更多地转向宏观问题，如偏见、不准确性以及学校关于 AI 的规定是否一致。
2. 最常见的忧虑（核心枢纽）
当研究人员观察整个群体时，发现蜘蛛网中最显著的“枢纽”（即所有学生讨论最多的忧虑）是：
- 不准确与偏见： “AI 在说实话吗？”
- 作弊： “使用这个算作作弊吗？”
- 技能流失： “我会停止学习或停止创造吗？”
有趣的是，关于版权法或严格学校政策的担忧是最不常见的。学生们更关心 AI 如何影响他们自己以及真相，而不是法律层面的技术细节。
3. “线”告诉了我们什么
网络分析显示了学生是如何将这些想法联系起来的：
- 对于自信心强的学生： 线条将“作弊”与“偏见”以及“学校规则”连接在一起。他们将 AI 风险视为一个复杂的系统，其中公平性和规则至关重要。
- 对于缺乏自信的学生： 线条将“创造力”与“资源”以及“不公平优势”连接在一起。他们将 AI 风险视为对自己个人成长和公平性的威胁。
核心结论
论文得出结论：你对使用 AI 的自我感觉，决定了你认为什么是危险的。
- 如果你觉得缺乏技能，你会担心你自己（你的大脑、你的创造力、你的习惯）。
- 如果你觉得很有技能，你会担心系统（规则、真相、公平性）。
研究人员建议，由于学生的恐惧会随技能水平而变化，学校需要教授“AI 素养”。这不仅仅是教学生如何使用工具，更是要帮助他们理解其中的风险，这样他们才不会仅仅是盲目地恐惧，而是能够负责任地驾驭它。正如论文所指出的，如果没有这种教育，理解风险的人与不理解风险的人之间的差距可能会进一步扩大，从而导致机会的不平等。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。