人工智能辅助学习中的行为适应框架:认知外包如何重塑深度学习效率与深度权衡

时间:2026年4月11日
来源:Computers in Human Behavior Reports

编辑推荐:

本研究针对高等教育中AI辅助工具对深度学习影响机制不明的问题,提出行为适应框架(BAF-AIL),揭示认知外包中介作用及信任校准与动机调节的边界条件,为优化人机协作教学策略提供理论支撑。

广告
   X   

当ChatGPT成为学生的“第二大脑”,高等教育正面临前所未有的认知重构——学生只需轻点鼠标,便能获得AI生成的论文框架、概念解释甚至完整论述,学习效率飙升的同时,教育者们却陷入焦虑:这种“思维外包”究竟是解放了认知资源,还是瓦解了深度学习的根基?
这正是西南大学少数民族教育与心理研究中心团队在《Computers in Human Behavior Reports》发表的最新研究试图解答的核心命题。传统教育心理学长期关注“深度学习”(强调概念整合、批判反思与知识迁移)与“表面学习”(追求任务完成与短期表现)的二元对立,而生成式AI的爆发性应用彻底打破了这一平衡:不同于早期的电子学习工具仅提供信息检索支持,大型语言模型(LLM)如Copilot、Gemini等已能主动参与推理过程,生成论证、阐释与判断,学习者从“使用工具”转变为与具有认识论主动性系统的“认知协作”。然而,现有研究多聚焦AI对任务准确性、时间效率等表象指标的影响,对学习者如何调整认知策略、调节信任与动机的内在行为机制仍知之甚少,更缺乏解释“效率与理解权衡”的理论框架。
为此,研究团队提出了行为适应框架(BAF‑AIL),首次将AI辅助学习视为“认知外包(Cognitive Outsourcing)、信任校准(Trust Calibration)与动机调节(Motivation Regulation)”三者互动的动态过程。该框架突破了传统自我调节学习(SRL)理论仅关注内部认知调控的局限,将AI系统本身纳入“被调节对象”——学习者需主动管理对AI的依赖度、质疑意识与努力分配,从而决定AI是作为“认知放大器”提升理解,还是沦为“认知替代品”削弱深度思考。
为验证这一框架,研究者设计了严谨的随机对照实验:300名大学生被随机分配至“AI辅助组”(可使用类ChatGPT界面获取解释、提纲建议)与“对照组”(无外部工具),共同完成阅读-理解-分析写作任务。AI组的所有交互行为(提问频次、采纳内容比例)均被自动记录,用于量化认知外包程度;学习深度通过双盲评分的概念整合度与迁移力指标评估,辅以自我报告的反思投入;信任校准采用算法信任量表结合准确性感知测试,动机调节则基于自我决定理论测量自主性与胜任感。
研究结果揭示了人机协作的深层悖论:
描述性关联证实了“效率换深度”的代价:AI组完成任务速度显著更快(效率指数0.68 vs 0.55),但在概念整合与知识迁移上的得分明显低于对照组(3.61 vs 3.92),认知负荷也因外包而降低(4.10 vs 4.32)。
中介效应揭开了行为黑箱:结构方程模型显示,AI辅助通过增加认知外包间接降低学习深度(间接效应β=-0.18),即学生越是频繁委托AI进行推理与合成,自身对知识的深层加工就越匮乏。
调节机制指明了破局路径:信任校准与动机调节成为关键缓冲——当学习者保持适度信任(验证AI输出而非盲目接受)或维持高内在动机(视AI为反思伙伴而非速成工具)时,认知外包对深度的负面影响被显著削弱;反之,过度信任与动机衰退则会放大“自动化自满”,导致表面学习泛滥。
这些发现不仅为教育实践敲响警钟,更从行为科学层面重新定义了智能时代的认知本质:技术的价值不取决于接入权限,而在于人类如何驾驭它。当AI能够承担越来越多的智力劳动,教育的核心使命或许不再是灌输知识,而是培养“有意识的认知合伙人”——懂得何时借助机器提速,何时回归独立思考,在效率与深度之间找到动态平衡。
关键技术方法概述
研究采用个体随机对照设计,300名本科生分为AI辅助组(使用类ChatGPT文本生成接口)与对照组,完成统一阅读-写作任务。通过平台日志记录AI查询频率与内容采纳率构建认知外包指数;由双盲评分(ICC>0.80)评定概念整合与迁移维度的学习深度;结合算法信任量表与动机调节问卷采集调节变量数据,最终利用结构方程模型(SEM)检验BAF‑AIL框架的路径效应。
研究结果
描述性关联与组间差异:数据显示,认知外包与学习深度呈负相关(r=-0.41),而与任务效率正相关(r=0.42)。AI辅助组在学习深度(3.61±0.65)上显著低于对照组(3.92±0.58),效率(0.68±0.19)则显著更高,印证了效率-理解权衡的存在。
认知外包的中介作用:SEM分析表明,AI辅助显著提升了认知外包水平(β=0.45),外包又反向预测学习深度下降(β=-0.40),中介路径成立且直接效应减弱,说明外包是AI影响深度的核心传导机制。
信任与动机的调节效应:交互作用检验发现,低信任校准或低动机调节者中,外包对深度的负面效应更强(简单斜率-0.31/-0.33);而高信任或高动机者几乎抵消了这一影响(斜率不显著),证明良好的自我调节可将AI转化为认知助力。
综合模型拟合:整合模型解释了58%的学习深度变异,CFI=0.96、RMSEA=0.028,支持BAF‑AIL三机制联动假说。
结论与讨论
本研究表明,AI辅助学习并非简单的技术增效过程,而是涉及认知资源再分配的行为适应系统。认知外包作为核心中介,解释了为何AI在提升效率的同时可能削弱概念整合——这与认知负荷理论中“减少必要加工负荷损害图式建构”的观点一致,也呼应了双重加工理论中AI诱发快思(System 1)主导、抑制慢想(System 2)的风险。
信任校准的作用凸显了“有条件的协作”的重要性:当学习者具备足够的怀疑精神与验证习惯时,AI输出成为批判性思维的磨刀石而非替代品;而动机调节则揭示了内在驱动力的守护作用——当学生视AI为拓展能力的支架而非逃避努力的捷径时,学习主体性得以留存,避免了“努力悖论”中因认知挣扎消失而导致的意义感丧失。
研究的理论贡献在于将SRL理论延伸至人机分布式认知场景,提出“对外部智能体的调节”是新形势下自我调节的关键维度;实践层面则呼吁教育者从单纯引入AI转向设计“元认知支架”:通过要求学生对AI生成内容进行证伪、重构或反思,强制激活深度加工,让技术真正服务于人的认知成长。

生物通微信公众号
微信
新浪微博


生物通 版权所有