Learners’ Engagement with Artificial Intelligence: Validation of the Cognitive-Affective AI Engagement Model
本研究通过对1,249名匈牙利大一学生数据的验证性因子分析，证实了认知-情感人工智能参与模型（CAAIEM）是一个可靠的、用于衡量大学生对基于大语言模型（LLM）的人工智能工具参与度的四维框架，展现出强大的心理测量特性，同时也指出需要进一步进行跨文化验证。
原始论文采用 CC BY 4.0 许可（https://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
在现代课堂中，一场无声的革命正在发生，其驱动力并非新的教科书或黑板，而是能够撰写论文、解决问题并进行对话的智能计算机程序。这些被称为大语言模型的工具，已经从科幻小说的领域走进了学生的日常生活中。对于教育者和研究人员而言，一个紧迫的问题出现了：学习者究竟是如何与这些技术建立联系的？他们与人工智能的关系仅仅是出于实用性的“打卡”行为，还是涉及更深层的感受、习惯和对未来的期望？为了理解这一点，科学家们观察了“参与度”（engagement）这一概念，它描述了一个人投入到某项活动中的深度。传统上，这通常是通过工具是否有用或是否易用来衡量的。然而，随着人工智能变得更加具有对话性和个性化，研究人员怀疑，情况可能更为复杂。它可能涉及学生使用该工具的频率、他们对体验的喜爱程度、他们对自己有效使用该工具能力的信心，以及他们是否计划在未来几年继续与之共同学习。理解这些层面至关重要，因为如果学校和开发者仅关注工具是否奏效，他们可能会忽略那些让学生不断回归学习的情感和行为驱动力。
来自匈牙利塞格德大学的一个研究小组致力于绘制这一未知领域的图谱。他们提出了一种观察学生如何参与人工智能的新方法，认为这并非一种单一的感觉，而是由四个截然不同的部分组成的。他们将其称为“认知-情感AI参与模型”（Cognitive-Affective AI Engagement Model）。第一部分是“交互强度”（interaction intensity），它简单地衡量学生在日常生活和学习中频繁使用及深入使用这些工具的程度。第二部分是“工具效能”（instrumental efficacy），它捕捉了学生对于技术确实能帮助他们更快、更好地完成工作的信念。第三部分是“情感参与”（affective engagement），这是一个指代体验中情感层面的术语：学生在使用AI时是否感到愉悦、舒适并产生真正的喜爱？最后一个部分是“学习持续意向”（learning continuance intent），它着眼于未来，衡量学生是否计划在这些技术演进的过程中继续学习并使用它们。
为了测试这个由四部分组成的模型是否准确反映了现实，研究人员收集了一大群大学一年级学生的数据。他们邀请了来自该大学不同系的1,241名学生参与这项研究。参与者大多年龄在18至22岁之间，他们填写了一份旨在测量这四个领域的问卷。问题要求他们报告使用AI应用的频率、他们在多大程度上认同AI提升了他们的表现、他们在多大程度上享受使用过程，以及他们是否打算在未来继续学习相关知识。随后，研究人员使用了复杂的统计方法，以观察学生的回答是否自然地汇聚成模型所预测的四个类别，或者数据是否指向了另一种结构。
结果非常明确，并有力地支持了这一新模型。当研究人员分析数据时，他们发现他们提出的四个类别确实是描述这些学生如何参与人工智能的最佳方式。数据并不符合所有答案都指向单一普遍感觉的简化模型，也不符合仅有三个类别的模型。相反，这四个截然不同的维度作为整体体验中独立但相互关联的部分脱颖而出。学生的回答一致表明，他们的行为、对实用性的看法、情感以及对未来的计划，都是参与度中可衡量且各具特色的方面。这项研究证实，这四个部分共同构成了一个完整的图景，描绘了学习者如何与AI建立联系。
研究人员还进行了检查，以确保所提问的问题是可靠的，并且确实测量了他们想要测量的目标。他们发现每个领域的题目都具有一致性；例如，关于愉悦感的题目紧密结合在一起，关于未来计划的题目也是如此。这使他们确信该模型是理解学生行为的可靠工具。此外，他们验证了这四个领域之间具有足够的差异性，可以作为独立的理念来对待，尽管它们彼此相关。例如，一个发现AI很有用的学生也往往会享受使用它，但研究表明，实用性和愉悦感并非同一回事。同样，频繁使用AI的学生与那些仅仅计划在未来使用的学生，其动机也是不同的。
这项研究为理解人工智能在教育中的“人性化”一面迈出了重要一步。通过将参与度分解为这四个特定组成部分，研究人员提供了一个框架，使教育者和开发者能够超越简单的使用统计数据。它表明，为了让学生真正从AI中受益，技术不仅必须有效，还必须具有情感共鸣，并与他们的长期学习目标相契合。研究结果指出，成功整合这些工具需要关注学生对技术的感受以及他们如何构想自己在未来的使用场景，而不仅仅是看它今天是否能帮他们完成一项任务。虽然这项研究侧重于匈牙利的一个特定学生群体，但它所验证的模型为描述学习者与日益塑造其教育进程的智能机器之间复杂关系提供了一种新的语言。
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。