自我效能與技術依賴的悖論：揭示生成式人工智能對大學生任務完成的影響

研究背景

1. 研究問題
   探討了生成式人工智能（Generative AI）使用頻率對大學生自我效能感和技術依賴性的影響，揭示了其中的悖論關系，并對包容性教育實踐提出了啟示。
2. 研究難點
   如何量化生成式AI的使用頻率及其對自我效能感和技術依賴性的影響，以及如何解釋這種復雜的雙向關系。
3. 相關工作
   生成式AI可以提升學習者的自信心和效率，從而增強自我效能感（Liang et al., 2023b; Meyer et al., 2019; Yilmaz and Yilmaz, 2023）。然而，過度依賴生成式AI可能會削弱學生獨立解決問題的能力（Huang et al., 2020; Zhang et al., 2024）。
4. 研究假設

   假設 1a

   增加生成式人工智能（Generative AI）使用的頻率會增強學生的自信心。

   假設 1b

   增加生成式人工智能（Generative AI）使用的頻率會增強學生的問題解決效率。

   假設 2

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

   假設 3

   生成式人工智能（Generative AI）的使用積極影響學生對效率的感知，這反過來會導致技術依賴的增加。

   假設 4

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

研究方法

這篇論文提出了一個研究模型，用于解決生成式AI使用頻率對大學生自我效能感和技術依賴性的雙重影響問題。具體來說：

1. 生成式AI使用頻率
   使用四點Likert量表來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. 技術依賴性
   使用五點Likert量表來評估受訪者在使用生成式AI后完成任務時對技術的依賴程度，范圍從“強烈不同意”到“強烈同意”。
3. 自我效能感
   基于Bandura的自我效能理論，設計了兩個維度來評估自我效能感：
• 信心感知
  評估生成式AI對個體在面對挑戰時的信心影響。
• 效率感知
  評估生成式AI在解決問題時提高效率的影響。
4. 中介變量
   假設生成式AI使用頻率通過提高效率感知和信心感知來增加技術依賴性。
5. 控制變量
   性別，年級

實驗設計

1. 數據收集
   通過在線平臺對中國某一線城市高校的本科生進行問卷調查，共發放348份問卷，回收200份有效問卷，響應率為57%。
2. 樣本選擇
   樣本包括大一到大四的學生，涵蓋了廣泛的學科領域，以確保樣本的多樣性和代表性。
3. 參數配置
   使用結構方程模型（SEM）進行路徑分析，樣本量為200個觀測值，滿足最小樣本量要求。

結果與分析

1. 描述性統計：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，技術依賴性平均得分為3.33。

2. 結構方程模型分析：模型擬合指數顯示模型與數據高度一致，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生的自我效能感和效率感知，進而增加了技術依賴性。

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

總體結論

這項研究揭示了生成式AI使用頻率對大學生自我效能感和技術依賴性的復雜關系。盡管AIGC顯著提升了學生的自我效能感和效率感知，但同時也加劇了他們的技術依賴性。這表明在教育環境中整合AI技術需要平衡其優勢與避免過度依賴的風險。未來的研究應進一步探討AI對學生長期學習成果的影響，并探索如何在不同類型的教育環境中應用這些發現。

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