Each language version is independently generated for its own context, not a direct translation.
这篇文章探讨了一个非常现代且重要的话题：当学生在学习编程时，过度信任人工智能（AI）助手会发生什么？
为了让你轻松理解，我们可以把这项研究想象成一场"学生与 AI 助手的信任大冒险"。
🎭 核心故事：信任是一把双刃剑
想象一下，你正在学习编程（就像在学做一道复杂的菜），而 AI 是你的“超级助手”。它会在旁边给你提建议，告诉你代码该怎么写。
- 理想情况：助手很聪明，它说“加个盐”，你就加盐；它说“别加糖”，你就不加糖。你懂得辨别它的话对不对。
- 现实情况：这项研究发现，如果你太信任这个助手，你反而更容易犯错。
研究团队找了 432 名大学生，给他们出了一套编程题。在这个过程中，AI 助手故意混入了一些错误的建议（就像助手有时候会胡说八道，比如告诉你“把盐当糖放”）。
🔍 他们发现了什么？
1. 信任越高，越容易“盲从”
研究发现了一个有趣的现象：学生对 AI 的信任度越高，他们越容易不加思考地接受 AI 的所有建议，哪怕是错的。
- 比喻：这就像你太相信一个“导游”了。如果导游说“前面是悬崖，快跳下去”，因为太信任他，你可能真的就跳下去了，完全没自己看一眼。
- 结果：那些对 AI 最信任的学生，反而最分不清哪些建议是对的，哪些是错的。他们把 AI 的话当成了“圣旨”。
2. 并不是“信任”本身有问题，而是“思考”变少了
为什么会出现这种情况？因为当人们太信任某个东西时，大脑就会“偷懒”（心理学上叫“认知懒惰”）。
- 比喻：就像你太相信导航软件了，哪怕导航把你带进了死胡同，你也懒得抬头看看路牌，只会怪自己没听导航的。学生也是这样，一旦信任 AI，他们就不愿意动脑筋去验证 AI 说的话了。
3. 谁更能“保持清醒”？（两个关键因素）
研究还发现，并不是所有人都一样容易“上当”。有两个特质像“防骗盾牌”一样，能帮助学生保持清醒：
但是！ 研究也发现了一个残酷的现实：当信任度变得非常高时，即使是那些“懂 AI"或“爱思考”的学生，也会开始变得盲目。 一旦信任的“滤镜”太厚，再聪明的人也容易失去判断力。
💡 这对我们意味着什么？（给老师和学生的建议）
这项研究告诉我们，在教育中引入 AI 时，不能只教学生“怎么用”，还得教学生“怎么防”。
- 不要做“甩手掌柜”：不能让学生觉得 AI 说什么就是什么。
- 设计“强制思考”环节：
- 比喻：就像在过安检时，必须把包打开检查一样。教育工具可以设计成：在看 AI 的答案之前，先让学生自己写个答案；或者让学生必须指出 AI 哪里可能错了，才能提交作业。
- 培养“怀疑精神”：要告诉学生，AI 是个强大的工具，但它不是全知全能的上帝。它也会“一本正经地胡说八道”。
📝 一句话总结
信任 AI 是好事，但“盲目信任”是坏事。 这项研究提醒我们，在 AI 时代，保持怀疑和独立思考的能力，比单纯地依赖 AI 更重要。我们需要学会做 AI 的“老板”，而不是它的“跟班”。
Each language version is independently generated for its own context, not a direct translation.
论文技术总结：教育中 AI 的信任与依赖：AI 素养与认知需求作为调节变量
1. 研究背景与问题 (Problem)
随着生成式人工智能（Generative AI）在高等教育中的整合（如作为辅导助手、写作工具等），学生在学习任务中频繁接触 AI 生成的输出。然而，AI 系统可能产生看似连贯但实际错误或不完整的建议（即“幻觉”或误导性内容）。
核心问题：
- 学生对 AI 的信任（Trust）如何影响他们在解决问题时的适当依赖（Appropriate Reliance）？
- 这种关系是否因学生的个体特征（如 AI 素养、认知需求）而有所不同？
- 学生是否容易陷入过度依赖（Overreliance，盲目接受错误建议）或依赖不足（Underreliance，拒绝正确建议），特别是在缺乏批判性评估的情况下？
本研究旨在量化信任与适当依赖之间的关系，并探究个体差异如何调节这一关系，以解决自动化偏差（Automation Bias）和教育中认知卸载（Cognitive Offloading）的风险。
2. 方法论 (Methodology)
2.1 参与者与设计
- 样本：432 名来自佛罗里达大学计算机科学相关课程的本科生。
- 实验设计：单会话实验室实验，结合编程任务与前后测问卷调查。
- 任务：学生需完成 14 个 Python 代码输出预测问题（涉及循环、条件语句、数据结构等）。
- AI 助手设置：
- 采用“奥兹巫师”（Wizard of Oz）方法，初始回答预编程以确保一致性，后续交互使用 OpenAI API (gpt-3.5-turbo)。
- 关键操纵：14 个问题中，8 个提供正确建议，6 个提供故意误导的建议（包含逻辑错误或语法错误）。
- 问题顺序随机化以控制顺序效应。
2.2 测量指标
- 行为指标（因变量）：
- 适当依赖 (Appropriate Reliance)：学生接受正确建议并拒绝错误建议的比例。
- 过度依赖 (Overreliance)：在错误建议中接受 AI 建议的比例。
- 依赖不足 (Underreliance)：在正确建议中拒绝 AI 建议的比例。
- 任务准确率：最终答案的正确率（独立于是否采纳 AI 建议）。
- 调查指标（自变量与调节变量）：
- 信任：任务后对 AI 助手的信任度（7 点李克特量表）。
- 调节变量：AI 素养 (AI Literacy)、认知需求 (Need for Cognition, NFC)、编程自我效能感、编程素养。
- 所有量表均改编自现有文献，具有良好的内部一致性（Cronbach's α > 0.85）。
2.3 数据分析
- 使用线性回归模型预测适当依赖。
- 引入二次项（Trust²）检验非线性关系。
- 使用调节回归模型（包含交互项）分析个体差异（AI 素养、NFC 等）如何调节信任与依赖之间的关系。
- 使用 Johnson-Neyman 分析确定调节变量的显著区间。
3. 主要结果 (Key Results)
3.1 信任与适当依赖的关系 (RQ1)
- 负相关：信任与适当依赖呈显著负相关 (r=−0.42,p<.001)。即信任度越高，学生区分正确与错误建议的能力越弱，导致适当依赖率下降。
- 非线性特征：二次模型拟合度优于线性模型 (R2 从 0.173 提升至 0.185)。
- 随着信任度从低到中等增加，适当依赖率急剧下降。
- 在高信任度区域，下降趋势减缓，但未出现反转（即没有发现“适度信任”能带来最佳依赖的区间）。
- 这表明在该任务背景下，信任主要作为一种接受倾向驱动过度依赖，而非校准机制。
- 过度依赖普遍：学生在面对误导建议时，过度依赖率高达 86.03%，而依赖不足率仅为 2.37%。
3.2 个体差异的调节作用 (RQ2)
回归分析显示，AI 素养和认知需求 (NFC) 显著调节了信任与适当依赖之间的关系：
- AI 素养 (AI Literacy)：
- 交互项显著为负。当 AI 素养较高时，信任对适当依赖的负面影响更强（斜率更陡）。
- 低信任时：高 AI 素养的学生表现出更高的适当依赖（能更好地区分建议）。
- 高信任时：高 AI 素养的优势减弱，甚至消失，他们同样容易陷入过度依赖。
- 认知需求 (Need for Cognition)：
- 交互项显著为负。趋势与 AI 素养类似。
- 高认知需求的学生在低信任条件下表现更好（更审慎），但随着信任增加，其批判性评估的优势被削弱。
- 无显著调节：编程自我效能感和编程素养未显示出显著的调节作用。
4. 关键贡献 (Key Contributions)
- 揭示信任的负面效应：挑战了“信任越高越好”的直觉，发现在生成式 AI 辅助编程中，高信任直接导致批判性评估的减少和过度依赖。
- 量化依赖行为：明确区分了“适当依赖”、“过度依赖”和“依赖不足”，并指出在教育情境中，过度依赖是主要风险，而依赖不足极少发生。
- 识别关键调节变量：证明了AI 素养和认知需求在低信任环境下能提升学生的判断力，但在高信任环境下，这些特质无法完全抵御自动化偏差。
- 非线性关系验证：证实了信任与依赖之间并非简单的线性关系，且在当前任务设置下不存在“最佳信任点”。
5. 意义与启示 (Significance)
- 教学设计与干预：
- 单纯依赖学生的自我调节是不够的。教育者需要设计认知强制功能 (Cognitive Forcing Functions)，例如：要求学生在查看 AI 建议前先提交自己的答案，或强制学生解释同意/不同意 AI 建议的理由。
- 将验证 (Verification) 作为任务完成的显性步骤，而非隐式过程。
- 系统开发：
- AI 教育系统不应仅追求“流畅”和“自信”的回答，而应鼓励反思。
- 需要开发能够识别学生过度信任状态并提供即时干预（如提示质疑）的系统。
- 理论贡献：
- 丰富了人机信任理论，指出在生成式 AI 教育应用中，信任可能更多表现为一种“接受启发式”（Acceptance Heuristic），而非理性的校准机制。
- 强调了在 AI 素养教育中，不仅要教“如何使用”，更要教“如何质疑”和“何时不信任”。
局限性：研究基于短时的输出预测任务，可能无法完全代表长期、开放式编程项目中的依赖行为；依赖指标基于行为选择，未直接捕捉学生的思维过程（如出声思维）。
结论：学生的高信任度是教育中 AI 过度依赖的主要驱动力。通过提升 AI 素养和认知需求可以在一定程度上缓解这一问题，但最有效的途径是通过教学设计和系统功能强制学生进行批判性评估。