在人工智能（AI）技术深度赋能教育、掀起数字化变革浪潮的今天，传统的“知识灌输”式教学正快速转向“精准赋能”新模式。然而，一股潜在的“暗流”也随之涌动：一方面，超过80%的高校已引入智能教学平台或AI辅助学习系统，试图以技术破解师资紧张、反馈滞后的困局；另一方面，高达23.8%的大学生坦言会“直接复制AI答案而不加批判性思考”，“技术依赖”与“认知能力衰退”的风险隐约可见。这背后折射出一个核心矛盾：我们投入了大量的“技术”，但“技术”究竟在多大程度上真正塑造了学生的高阶思维能力，比如批判性思维、创新思维？现有的智能系统大多忙于判断知识点的对错，却鲜少深入反馈认知过程本身。这种“投入”与“产出”的错位，构成了一个紧迫的现实课题。
为了揭开这个“黑箱”，一项发表在《Frontiers in Psychology》的研究进行了一次深入的探索。研究人员想知道，AI给出的那种个性化、实时、精准的反馈，是否真能像人们期待的那样，成为塑造大学生思维能力的“利器”？如果答案是肯定的，那么它又是通过怎样的心理路径起作用的？不同学生面对AI反馈时表现出的批判性思考能力差异，会不会影响最终的效果？为了回答这些问题，研究者们构建了一个包含中介和调节作用的综合模型，试图描绘出从“技术输入”到“能力输出”的完整图景。
为开展此项研究，作者团队主要应用了以下几项关键技术方法：首先，通过包含线上线下渠道的问卷调查法，收集了来自1079名有效大学生样本的数据，并对问卷进行了信度（Cronbach‘s α系数为0.850）和效度（KMO值为0.749）检验。其次，运用路径分析（Path Analysis）来验证AI精准反馈对思维塑造能力的直接效应。再次，采用Bootstrap抽样法（Bootstrap Sampling）来检验内在价值认同的中介效应，通过重复抽样构建置信区间以评估间接效应的显著性。最后，通过构建包含交互项的回归模型进行调节效应检验（Moderation Effect Testing），以分析批判意识转化的调节作用。所有分析均控制了性别、年龄、学习阶段和政治面貌等变量，并进行了共线性检验（VIF值均小于5），确保了模型的稳健性。
研究结果 显示：
5.1 样本量分析
研究最终纳入了1079份有效问卷，样本覆盖了不同性别（男53.01%，女46.99%）、年龄（18-22岁占43.37%）、学习阶段（本科生46.99%，硕士生33.73%，博士生19.28%）和政治面貌的学生，具有良好的代表性。
5.2 Cronbach‘s α系数分析与5.3 效度分析
问卷整体的Cronbach‘s α系数为0.850，表明量表具有优秀的信度。KMO值为0.749，Bartlett球形检验显著性p=0.000，表明数据适合进行因子分析，问卷效度良好。
5.4 共线性检验
所有变量的方差膨胀因子（VIF）值均小于5，表明模型不存在多重共线性问题。
5.5 路径分析
分析验证了假设1 。AI精准反馈到大学生思维塑造能力的标准化路径系数为0.561（C.R.=6.179, p<0.001），表明两者存在显著的正相关关系。模型拟合指标（GFI=0.965, RMR=0.013, CFI=0.976, NFI=0.937, NNFI=0.940）均在接受范围内，模型拟合良好。
5.6 Bootstrap抽样分析
分析验证了假设2 。内在价值认同在AI精准反馈与思维塑造能力之间的中介效应值为0.153，其Bootstrap 95%置信区间为(0.061, 0.284)，不包含0，且p=0.006，达到显著水平。该中介效应占总效应（0.478）的32.01%，表明内在价值认同起到了显著的部分中介作用。
5.7 调节效应分析
分析验证了假设3 。内在价值认同与批判意识转化的交互项系数为0.18，且达到显著水平（p=0.040）。简单斜率图进一步显示，对于批判意识转化水平高的大学生，内在价值认同对思维塑造能力的正向促进作用更强；而对于批判意识转化水平低的学生，这种促进作用则较弱。这表明批判意识转化显著调节了内在价值认同对思维塑造能力的影响。
研究结论与讨论 部分对上述发现进行了总结与深化。本研究得出三大核心结论：第一，AI精准反馈能显著促进大学生思维塑造能力的发展，这为AI技术在高教领域的有效性提供了实证支持。第二，内在价值认同在其中扮演了关键的中介角色。当学生从内心认同AI反馈对提升学习成效、实现自我价值的意义时，会更主动地接纳和利用反馈，从而将外部技术干预转化为内在认知发展的动力。这揭示了技术影响认知的深层心理机制。第三，批判意识转化起到了重要的调节作用。在高信息密度的时代，学生并非AI反馈的被动接受者。那些具备较高批判意识、能对AI反馈进行理性审视、整合与应用的学生，能更有效地将价值认同转化为实际的思维能力提升；反之，则可能陷入盲目依赖或排斥，削弱积极效果。这凸显了在教育中培养学生批判性思维和“算法素养”的紧迫性。
这项研究具有重要的理论与实践意义。在理论层面，它将研究视角从AI对学业成绩等“显性结果”的影响，延伸至对“思维塑造能力”这一高阶认知能力的探讨，构建了“技术干预→心理加工→能力输出”的完整解释链，丰富了教育技术学中“技术-认知”关系的理论建构。同时，研究将传统的期望价值理论、批判教育学理论融入AI教育场景，实现了有价值的理论整合与创新。在实践层面，研究为教育工作者提供了明确指南：在应用AI工具时，需注重前期的价值引导、过程中的体验强化以及反思性意义建构，以提升学生的内在价值认同。高校应将“算法素养”纳入通识教育，并通过专门训练提升学生评估、质疑与整合AI反馈的能力。对于教育科技企业而言，AI反馈系统的设计应从“知识导向”转向“思维导向”，并内置“批判性使用引导机制”，从技术架构层面降低过度依赖风险。
当然，研究也存在一些局限，如样本主要来自中国综合性高校，可能限制结论的普适性；采用横截面设计和自陈式问卷，在因果关系推断和客观行为数据捕捉上存在不足；未区分不同类型AI反馈的具体影响等。这些也为未来研究指明了方向，包括扩大样本范围、采用纵向追踪或实验设计、结合多源数据（如学习行为日志）、以及深入探究生成式AI等特定场景下的影响机制。尽管如此，这项研究无疑为我们在人工智能时代重新思考与塑造教育，提供了一个扎实的、富有启发的科学注脚。
打赏
