Generative AI Adoption in Statistics and Data Science Higher Education
一项针对72名埃及高年级本科生的研究通过应用改进后的UTAUT2模型揭示，尽管易用性和支持是驱动统计学与数据科学教育中生成式人工智能采用的主要因素，但负责任的学科应用还需要除了单纯的行为意向之外的额外关键技能，例如验证能力和统计判断力。
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，一种新型的助手已经到来，它不仅能检索事实，还能在数秒内编写代码、求解方程并起草解释。这种被称为生成式人工智能的技术，已迅速从新奇事物转变为一种必需品，尤其是在统计学和数据科学等领域，学生必须不断将抽象概念转化为可运行的程序和清晰的论证。对于教育者而言，核心问题已从学生是否会使用这些工具，转向了他们将如何使用它们。挑战在于仅仅采用一种工具与负责任地使用它之间的区别。一名学生可能会轻易要求人工智能编写一段计算机程序，但这种便捷性背后可能隐藏着一个微妙的陷阱：代码运行得可能非常完美，但其背后的逻辑却是有缺陷的；或者解释听起来很自信，但数学逻辑却是错误的。在结论的有效性取决于严谨检查和健全判断的学科中，工具的速度有时会超过学生验证工作的能力。
为了了解这种动态如何在真实的学习环境中展开，开罗美国大学的一位研究人员对 72 名就读于时间序列分析和分类数据分析高级课程的高年级学生进行了调查。这些学生并非初学者，他们已经能够熟练运用编程语言和复杂的统计模型，并在一个可以使用人工智能来调试代码、解释结果或澄清困难概念的环境中学习。研究人员要求这些学生描述他们对这项技术的习惯和感受，并使用了一个将人们采用新工具的原因分解为几个核心理念的框架：工具的使用易用性、学校提供的支持程度，以及学生对自己处理该技术能力的信心程度。其目标是观察哪些因素实际上驱动了学生使用人工智能，以及这种意向是否转化为了实际的使用行为。
研究发现，学生想要使用生成式人工智能的最主要原因仅仅是它节省了多少精力。当这项技术使从困惑的概念转向可行的解决方案变得更加容易时，学生就更有可能将其纳入日常的工作流程。研究人员将这一因素称为“努力预期”，它比学生对自身技能的一般信心或从教师那里获得的特定支持都是更强大的驱动力。虽然支持性的环境和个人信心确实发挥了作用，但集成的便捷性才是主要的门槛。一旦学生形成了使用该工具的意向，这种意向就会强烈地预测他们是否真的使用了它，从而在“感到工具方便”与“将其作为日常学习常规的一部分”之间建立了一条清晰的路径。
然而，研究也揭示了使用工具与使用好工具之间存在显著的差距。参与调查的学生表达了对人工智能即时性的明确赞赏，指出它如何帮助他们简化复杂概念并更快地编写代码。然而，用他们自己的话来说，他们也对收到的答案的可靠性表示了深深的担忧。他们描述了一些情况，即人工智能提供了错误的计算，生成的代码看起来正确但无法运行，或者给出的解释与他们在课堂上学到的内容相矛盾。许多学生担心自己会对技术产生过度依赖，担心这种便利性可能会侵蚀自身的批判性思维能力。他们强调，虽然该工具对于入门很有用，但它不能取代他们去验证每一步骤、检查模型背后的假设并确保最终输出在统计学上是可靠的需求。
研究结论指出，虽然让技术易于使用是促使学生采用它的最有效方式，但易用性并不保证负责任的使用。在高级统计学和数据科学的具体背景下，鼓励学生拿起工具的因素与确保他们正确使用工具的因素并不相同。研究表明，为了让教育跟上这项技术的发展步伐，教师必须超越简单的采用指标。真正的教育挑战不仅在于让学生使用人工智能，还在于教导他们在使用的同时如何保持自身的判断力。这意味着要设计出需要学生找出人工智能生成内容的错误、证明自身模型选择的合理性，并明确说明他们是如何验证结果的作业。研究表明，如果没有这些特定的保障措施，那种让工具如此受欢迎的便捷性，可能会导致学生在接受答案时缺乏该领域所定义的必要审视。
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。