The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing

本文针对现有理论无法解释学生在使用大语言模型进行学术写作时动态协商过程的局限，基于美国一所公立少数族裔服务院校的研究，提出了“依赖协商框架”（RNF），该框架将依赖行为重构为感知收益、风险、伦理承诺与情境需求四者间的持续博弈，并引入双模型架构以涵盖部分因伦理立场而完全拒绝协商的学生群体。

要点

这篇文章提出了一种全新的看待学生如何使用 AI（大语言模型，如 ChatGPT）写论文的观点。作者 Shahin Hossain 认为，我们之前的理解都太简单了。

为了让你轻松理解，我们可以把学生使用 AI 的过程想象成**“在迷雾中驾驶一辆自动驾驶汽车”，而这篇论文就是给这辆车设计的一套全新的“导航与决策系统”**。

以下是这篇论文的核心内容，用通俗的语言和比喻来解释：

1. 旧观念的误区：把学生当成“固定类型”

以前的理论认为，学生使用 AI 就像给汽车贴标签：

• 有的学生是“依赖型”（完全靠 AI 开）。
• 有的学生是“工具型”（只用 AI 查路）。
• 有的学生是“拒绝型”（坚决不用 AI）。

问题在于： 现实不是这样的。同一个学生，今天可能在写历史论文时像个“依赖型”用户，明天写科学实验报告时却像个“工具型”用户，甚至下个月可能因为道德原因彻底“拒绝型”。
比喻： 就像一个人，在超市买菜时精打细算（像“工具型”），但在家里做饭时却完全依赖外卖（像“依赖型”）。你不能简单地说这个人“是个依赖外卖的人”，因为他的行为是随情境变化的。

2. 新框架：Reliance Negotiation Framework (RNF) —— “动态谈判系统”

作者提出了一个新的模型，叫**“依赖谈判框架”。
核心比喻： 想象学生的大脑里有一个“谈判桌”**。每当要写作业时，学生并不是直接决定“用”或“不用”AI，而是让四个“谈判代表”坐在桌前开会，互相博弈，最后达成一个决定。

这四个代表分别是：

1. 利益代表（Perceived Benefits）： “用 AI 能帮我省时间、找灵感、写得更好。”（这是诱惑）
2. 风险代表（Perceived Risks）： “用 AI 会被老师发现吗？AI 会胡说八道（幻觉）吗？我会不会变笨（技能退化）？”（这是恐惧）
3. 道德代表（Ethical Commitments）： “我觉得用 AI 作弊是不对的，或者我觉得这违背了我的价值观。”（这是底线）
4. 环境代表（Situational Demands）： “作业明天就要交了（时间紧）”、“这门课老师管得严”、“这是 STEM 课还是文科课？”（这是外部压力）

结果： 这四个代表吵完架后，根据当时的权重（比如时间紧，利益代表声音就大；老师管得严，道德代表声音就大），最终决定了学生是“用”、“慎用”还是“不用”AI。

3. 这个系统的三个关键特点

A. 它是“递归”的（像滚雪球）

比喻： 就像你第一次玩滑板摔了一跤，下次你会更小心。

• 如果学生用 AI 写了一篇作业，结果发现 AI 编造了事实（风险代表赢了），下次他再谈判时，对“风险”的权重就会调高。
• 如果学生发现用 AI 确实省了时间且没出事（利益代表赢了），下次他可能会更依赖。
• 结论： 学生的行为不是固定的，每一次使用 AI 的经历都会改变下一次的“谈判筹码”。

B. 它是“情境化”的（像变色龙）

比喻： 就像变色龙在不同背景下颜色不同。

• 同一个学生，在文科课上可能觉得 AI 是“对话伙伴”（用来头脑风暴），但在理科课上觉得 AI 是“危险源”（因为理科答案必须精准）。
• 以前的理论无法解释为什么同一个人会有这种变化，但这个模型可以：因为“环境代表”在不同课程里说的话不一样。

C. 它是“双模式”的（特别重要！）

这是论文最独特的发现。作者发现，有 13% 的学生 根本不参与这个谈判。

• 谈判模式（87% 的学生）： 他们在权衡利弊，像上面的谈判桌一样。
• 拒绝模式（13% 的学生）： 他们的道德代表手里拿着一把**“绝对禁止令”。无论利益代表说能省多少时间，无论环境代表说压力多大，这把禁止令直接让谈判桌解散。他们是因为价值观**（比如认为 AI 训练数据不道德、或者认为学习必须亲力亲为）而彻底拒绝使用。
• 误区： 以前的研究把这些“彻底拒绝者”误认为是“不会用 AI"或“不敢用 AI”的人，其实他们是有原则的“不参与者”。

4. 对学校和老师的启示

这篇论文不仅仅是理论，它对学校政策有巨大的指导意义：

• 不要只盯着“抓作弊”（监控）：

  • 如果学校只靠监控（比如用软件检测 AI），只能吓住那些“谈判模式”里怕被发现的“道德代表”（第一层道德）。一旦监控放松，他们马上就会恢复依赖。
  • 对于那些“拒绝模式”的学生，监控毫无意义，因为他们本来就不想玩。

• 要教“谈判技巧”（AI 素养）：

  • 学校应该教学生如何更准确地评估“风险”和“利益”。比如，教学生如何识别 AI 的胡说八道（降低风险），如何把 AI 当作辅助而不是替身（优化利益）。
  • 这样学生就能从“盲目依赖”进化到“明智使用”。

• 关注弱势群体的特殊困境：

  • 论文特别提到，在少数族裔服务机构（MSI）或基础较弱的学生中，AI 的“省时间”诱惑更大，因为他们需要弥补基础知识的差距。
  • 如果只禁止 AI，这些学生就失去了“拐杖”，却还没学会“走路”。学校应该提供**“智能拐杖”**（教他们怎么用 AI 学习），而不是直接没收拐杖。

总结

这篇论文告诉我们：学生使用 AI 不是一个简单的“好”或“坏”的问题，也不是一个固定的“能力”问题。

它是一个动态的、不断变化的心理谈判过程。

• 有些人在权衡（谈判模式）；
• 有些人在坚守（拒绝模式）；
• 而且，每一次经历都会改变他们下一次的权衡。

学校和老师不应该试图把学生变成某种固定的类型，而应该理解这个“谈判过程”，通过改变环境（政策）、提供工具（素养教育）和尊重价值观，引导学生做出更明智、更道德的决策。

技术摘要

《依赖协商框架：学术写作中学生大语言模型（LLM）参与的动态过程模型》技术摘要

1. 研究背景与问题陈述 (Problem)

尽管生成式人工智能（GenAI）已迅速进入高等教育领域，但现有的理论框架在解释学生如何在学术写作中使用大语言模型（LLM）方面存在显著不足。现有研究主要面临以下三个理论缺口：

• 学生内部的变异性（Within-Student Variability）无法解释： 现有的类型学模型（Typological Models）将学生分类为“战略型”、“工具型”等固定类型，但无法解释为何同一个学生在不同任务（如人文学科论文与 STEM 实验报告）中会表现出截然不同的依赖行为。
• 发展悖论（Developmental Paradox）： 技术接受模型（TAM/UTAUT2）能解释采纳行为，但无法解释采纳后的质量。研究发现，更多的 LLM 使用经验并不必然带来更成熟的技能，反而可能导致习惯化（habituation）和非战略性的过度依赖。
• 原则性不使用（Principled Non-use）被忽视： 现有的 AI 素养框架将“不使用”视为低能力或低参与度的表现，无法解释那些基于道德承诺而主动、有原则地拒绝使用 AI 的学生群体。

核心问题： 缺乏一个能够解释学生 LLM 依赖行为是动态协商过程而非稳定特质的理论架构，且现有框架未能涵盖情境敏感性、递归反馈机制以及原则性拒绝的伦理维度。

2. 研究方法 (Methodology)

本研究采用顺序解释性混合方法设计（Sequential Explanatory Mixed-Methods Design），数据来源于美国一所公立少数族裔服务机构（MSI）的 382 名本科生。

• 定量阶段： 对 382 名学生进行问卷调查。通过分层回归分析和多项逻辑回归，识别预测 LLM 依赖强度的关键变量（如动机信念、风险感知、AI 素养等）。
• 定性阶段：
  • 半结构化访谈： 对 14 名学生进行深入访谈，以理解依赖行为背后的决策机制。
  • 定性调查分支： 收集 361 份开放式回答，其中 47 人（13.0%）明确表达了基于价值观的拒绝使用。
  • 编码分析： 对 1,435 个编码实例进行分析，以构建理论模型。
• 理论整合： 将期望 - 价值理论（EVT）、情境认知（Situative Cognition）和 AI 素养框架整合，构建新的解释模型。

3. 核心贡献：依赖协商框架 (RNF) (Key Contributions)

文章提出了依赖协商框架（Reliance Negotiation Framework, RNF），将 LLM 依赖重新概念化为一个由四个并发输入驱动的持续协商过程，并引入了独特的双模型架构。

3.1 四个并发输入 (Four Concurrent Inputs)

学生的依赖行为是以下四个输入动态权衡的结果：

1. 感知收益 (Perceived Benefits)： 基于期望 - 价值理论，包括时间节省、创意生成、质量提升等效用价值。
2. 感知风险 (Perceived Risks)： 基于 EVT 的成本维度，细分为四类：
   • 学术诚信风险（检测概率）
   • 认识论风险（幻觉、事实错误）
   • 认知发展风险（技能退化、过度依赖）
   • 社会风险（披露后果）
3. 伦理承诺 (Ethical Commitments)： 基于科尔伯格的道德发展理论，分为三级：
   • 一级：基于合规（害怕检测）
   • 二级：基于规范（遵循教师政策）
   • 三级：基于原则（内在价值观）
4. 情境需求 (Situational Demands)： 基于情境认知，包括截止日期压力、任务重要性、学科规范和教师政策。

3.2 双模型架构 (Two-Model Architecture)

RNF 区分了两种截然不同的行为逻辑：

• 协商模式 (Negotiation-mode, 87.0%)： 大多数学生。上述四个输入动态交互，根据情境调整权重，产生情境敏感的依赖行为。
• ** abstention 模式 (Abstention-mode, 13.0%)：** 少数学生。其伦理承诺构成词汇约束（Lexical Constraint），在协商开始前就完全否决了其他输入。无论情境如何（即使有截止日期压力或允许使用），他们基于原则拒绝使用。

3.3 三个定义属性

1. 递归性 (Recursive)： 输出（依赖行为）会反过来修改输入（如：经历 AI 幻觉会提高对认识论风险的感知；过度依赖导致技能退化会激活发展风险）。这解释了非线性发展轨迹。
2. 情境性 (Situated)： 协商过程由活动系统的“可供性 - 约束”结构构成。同一学生在不同学科（如 STEM vs. 人文学科）中会因任务性质不同而表现出不同的协商结果。
3. 发展性 (Developmental)： 协商过程随时间从反应性（基于恐惧的合规）向反思性（基于价值观的原则）演变，但这一过程并非必然，可能因缺乏反馈而陷入习惯化。

4. 研究结果与发现 (Results)

• 动机信念的主导作用： 在分层回归中，动机信念（感知收益与风险）是预测依赖强度的最强变量块（$\beta = .630$）。
• 经验悖论： 更多的 LLM 使用经验（$\beta = .308$）虽然增加了依赖强度，但也显著增加了学生属于“非战略型”依赖类别的几率（ORs: 2.89–6.83）。这表明单纯的经验积累若无反思，会导致非理性的依赖。
• 原则性拒绝的普遍性： 13.0% 的受访者（$n=47$）表现出基于价值观的拒绝，这无法被现有的“低素养”或“低使用”模型解释。
• 情境敏感性验证： 案例研究（如 Tariq 和 Destiny）显示，同一学生在不同学期、不同政策环境下，其依赖行为发生显著变化，证实了“类型”是不稳定的，而“输入权重”是动态的。
• MSI 背景下的不平等： 第一代大学生和低收入学生因“准备度差距”，感知到的 AI 效率收益更高，但更容易陷入“效率 - 萎缩”的陷阱（即 AI 替代了本应发展的核心技能），且缺乏正式的 AI 素养教育支持。

5. 理论意义与实践启示 (Significance)

5.1 理论意义

• 超越静态分类： 将研究焦点从“学生属于什么类型”转移到“哪些输入正在驱动行为”，为解释学生内部变异性提供了机制。
• 填补后采纳空白： 通过递归反馈机制，解释了为何经验有时导致成熟，有时导致退化。
• 伦理视角的纳入： 将“原则性不使用”理论化为一种高级的伦理决策形式，而非能力缺失。

5.2 对 AI 素养教学的启示

• 从合规转向校准： 教学不应仅关注检测或禁止，而应专注于协商准确性（calibration）。即帮助学生准确评估 AI 在特定学科任务中的收益与风险（如识别特定领域的幻觉）。
• 加速遭遇式学习： 设计作业让学生主动分析 AI 错误（如“对抗性验证”），以加速从被动依赖向战略使用的转变。

5.3 对学术诚信政策的启示

• 政策即输入： 机构政策（如披露要求、监控强度）直接作为“情境需求”输入，重塑学生的协商权重。
• 针对 MSI 的公平性： 单纯的检测政策对少数族裔服务机构（MSI）学生是不公平的，因为它剥夺了他们弥补准备度差距的工具，却未提供替代性的技能支持。政策应结合素养教育和伦理推理，而非仅依赖监控。

5.4 可证伪的预测 (Testable Predictions)

文章提出了四个可证伪的预测，为未来研究设定了议程：

1. 学生内部变异性： 同一学生在不同任务中的依赖行为 ICC（组内相关系数）应低于 0.50。
2. 伦理层级与监控独立性： 伦理教育干预应能降低学生对监控的敏感度（Cohen's $d \ge 0.40$）。
3. 素养干预效果： AI 素养干预应能减少依赖型用户的自我效能感膨胀（$\Delta\beta \ge .05$）。
4. 机构调节效应： MSI 背景下的学生应表现出更陡峭的“效率 - 技能萎缩”拐点。

总结： RNF 提供了一个动态的、递归的、情境化的理论透镜，不仅解释了学生如何使用 AI，更揭示了这种使用如何随时间演变，以及教育机构如何通过改变输入条件（政策、教学、支持）来引导这一过程向更公平、更成熟的方向发展。