研究背景

1. 研究問(wèn)題
   探討了生成式人工智能（Generative AI）使用頻率對(duì)大學(xué)生自我效能感和技術(shù)依賴性的影響，揭示了其中的悖論關(guān)系，并對(duì)包容性教育實(shí)踐提出了啟示。
2. 研究難點(diǎn)
   如何量化生成式AI的使用頻率及其對(duì)自我效能感和技術(shù)依賴性的影響，以及如何解釋這種復(fù)雜的雙向關(guān)系。
3. 相關(guān)工作
   生成式AI可以提升學(xué)習(xí)者的自信心和效率，從而增強(qiáng)自我效能感（Liang et al., 2023b; Meyer et al., 2019; Yilmaz and Yilmaz, 2023）。然而，過(guò)度依賴生成式AI可能會(huì)削弱學(xué)生獨(dú)立解決問(wèn)題的能力（Huang et al., 2020; Zhang et al., 2024）。
4. 研究假設(shè)

   假設(shè) 1a

   增加生成式人工智能（Generative AI）使用的頻率會(huì)增強(qiáng)學(xué)生的自信心。

   假設(shè) 1b

   增加生成式人工智能（Generative AI）使用的頻率會(huì)增強(qiáng)學(xué)生的問(wèn)題解決效率。

   假設(shè) 2

   生成式人工智能（Generative AI）使用的頻率與技術(shù)依賴程度呈正相關(guān)。

   假設(shè) 3

   生成式人工智能（Generative AI）的使用積極影響學(xué)生對(duì)效率的感知，這反過(guò)來(lái)會(huì)導(dǎo)致技術(shù)依賴的增加。

   假設(shè) 4

   生成式人工智能（Generative AI）的使用積極影響學(xué)生的自信心，這隨后增強(qiáng)他們對(duì)效率的感知，最終導(dǎo)致技術(shù)依賴的增加。

研究方法

這篇論文提出了一個(gè)研究模型，用于解決生成式AI使用頻率對(duì)大學(xué)生自我效能感和技術(shù)依賴性的雙重影響問(wèn)題。具體來(lái)說(shuō)：

1. 生成式AI使用頻率
   使用四點(diǎn)Likert量表來(lái)量化受訪者每周使用生成式AI的頻率，范圍從“從不”到“每天”。
2. 技術(shù)依賴性
   使用五點(diǎn)Likert量表來(lái)評(píng)估受訪者在使用生成式AI后完成任務(wù)時(shí)對(duì)技術(shù)的依賴程度，范圍從“強(qiáng)烈不同意”到“強(qiáng)烈同意”。
3. 自我效能感
   基于Bandura的自我效能理論，設(shè)計(jì)了兩個(gè)維度來(lái)評(píng)估自我效能感：
• 信心感知
  評(píng)估生成式AI對(duì)個(gè)體在面對(duì)挑戰(zhàn)時(shí)的信心影響。
• 效率感知
  評(píng)估生成式AI在解決問(wèn)題時(shí)提高效率的影響。
4. 中介變量
   假設(shè)生成式AI使用頻率通過(guò)提高效率感知和信心感知來(lái)增加技術(shù)依賴性。
5. 控制變量
   性別，年級(jí)

實(shí)驗(yàn)設(shè)計(jì)

1. 數(shù)據(jù)收集
   通過(guò)在線平臺(tái)對(duì)中國(guó)某一線城市高校的本科生進(jìn)行問(wèn)卷調(diào)查，共發(fā)放348份問(wèn)卷，回收200份有效問(wèn)卷，響應(yīng)率為57%。
2. 樣本選擇
   樣本包括大一到大四的學(xué)生，涵蓋了廣泛的學(xué)科領(lǐng)域，以確保樣本的多樣性和代表性。
3. 參數(shù)配置
   使用結(jié)構(gòu)方程模型（SEM）進(jìn)行路徑分析，樣本量為200個(gè)觀測(cè)值，滿足最小樣本量要求。

結(jié)果與分析

1. 描述性統(tǒng)計(jì)：生成式AI使用頻率的平均得分為3.28，信心感知平均得分為3.43，效率感知平均得分為3.71，技術(shù)依賴性平均得分為3.33。

2. 結(jié)構(gòu)方程模型分析：模型擬合指數(shù)顯示模型與數(shù)據(jù)高度一致，CFI和TLI均大于0.95，RMSEA小于0.06。生成式AI使用頻率顯著提高了學(xué)生的自我效能感和效率感知，進(jìn)而增加了技術(shù)依賴性。

3. 中介效應(yīng)分析：生成式AI使用頻率通過(guò)提高效率感知和信心感知間接增加了技術(shù)依賴性。具體路徑包括：AI使用頻率→效率感知→技術(shù)依賴性，以及AI使用頻率→信心感知→效率感知→技術(shù)依賴性。

總體結(jié)論

這項(xiàng)研究揭示了生成式AI使用頻率對(duì)大學(xué)生自我效能感和技術(shù)依賴性的復(fù)雜關(guān)系。盡管AIGC顯著提升了學(xué)生的自我效能感和效率感知，但同時(shí)也加劇了他們的技術(shù)依賴性。這表明在教育環(huán)境中整合AI技術(shù)需要平衡其優(yōu)勢(shì)與避免過(guò)度依賴的風(fēng)險(xiǎn)。未來(lái)的研究應(yīng)進(jìn)一步探討AI對(duì)學(xué)生長(zhǎng)期學(xué)習(xí)成果的影響，并探索如何在不同類型的教育環(huán)境中應(yīng)用這些發(fā)現(xiàn)。

Zhang, L., & Xu, J. (2025). The paradox of self-efficacy and technological dependence: Unraveling generative AI’s impact on university students’ task completion. Internet and Higher Education, 65, 100978. https:///10.1016/j.iheduc.2024.100978