利用生成式人工智能进行下一代教育：基于认知负荷理论和知识基础观- 大数跨境

扣子说AI

2026-03-05

导读：我是@扣子，视频号：扣子说AI，主要关注「AI工具｜科研学术 | 博士生活 | 网络创业｜自我提升」，利用AI

我是@扣子，视频号：扣子说AI，主要关注「AI工具｜科研学术 | 博士生活 | 网络创业｜自我提升」，利用AI工具提升科研效率和自我成长，每天必须读两篇论文才能睡得着，这是我在公众号发布的第【295】篇原创内容。

本文探讨了生成式人工智能（GenAI）在教育中的应用，特别是如何通过学生的知识获取和应用来提升他们的创新能力、信息素养（IL）、动机和行为意向（BI）。研究基于知识基础观（KBV）和认知负荷理论（CLT），采用偏最小二乘结构方程模型（PLS-SEM）方法对250名学生的调查数据进行分析。

研究背景

研究问题：这篇文章旨在探讨学生通过生成式人工智能（GenAI）获取和应用知识与其创新能力和信息素养（IL）之间的关系。此外，还研究了这些因素如何影响他们的动机和行为意图（BI）。

研究难点：如何有效测量和分析GenAI知识获取和应用对学生创新能力和信息素养的影响，以及如何控制认知负荷理论（CLT）中的潜在偏差。

相关工作：现有工作主要集中在GenAI在教育中的应用及其对学生学习成果的影响，但对其与创新能力和信息素养之间关系的系统研究较少。

研究方法

这篇论文提出了基于知识视角（KBV）和认知负荷理论（CLT）的实证模型，用于解决学生GenAI知识获取和应用与创新能力和信息素养之间的关系问题。具体来说，知识视角（KBV）：KBV认为知识是一种战略资源，个体的知识显著影响其竞争优势。该理论强调知识获取和应用在提升个体创新和操作效率方面的作用。

认知负荷理论（CLT）：CLT解释了人类认知能力如何影响学习行为。该理论指出，人类的有限工作记忆容量需要通过形成心理结构（即模式）来转移信息。CLT识别了三种类型的认知负荷：内在负荷、外在负荷和关联负荷。

模型构建：基于KBV和CLT，研究开发了结构模型，使用偏最小二乘结构方程模型（PLS-SEM）方法进行评估。模型假设如下：

H1a：GenAI知识获取与创新能力正相关。

H1b：GenAI知识获取与信息素养正相关。

H2a：GenAI知识应用与创新能力正相关。

H2b：GenAI知识应用与信息素养负相关。

H3a：学生的创新能力与其动机正相关。

H3b：学生的创新能力与其行为意图正相关。

H4a：信息素养与学生的动机负相关。

H4b：信息素养与学生的行为意图无显著关系。

实验设计

数据收集：研究收集了来自美国和英国250名管理学生的在线问卷响应。数据通过Prolific平台收集，该平台以其多样化的预筛选参与者池而闻名。

样本选择：参与者包括本科生和研究生，涵盖了不同的教育背景和年龄范围。测量工具：研究使用了标准化的量表来评估GenAI知识获取和应用、创新能力、信息素养、动机和行为意图。所有量表均经过验证，并在预测试中进行了调整以确保可靠性。

数据分析：使用PLS-SEM方法进行数据分析，以评估假设关系。为了控制共同方法偏差，研究实施了程序性和统计性补救措施，包括匿名性保证、项目顺序变化和使用不同Likert量表锚点的量表。

结果与分析

GenAI知识获取与应用：研究发现，GenAI知识获取显著增强了学生的创新能力（β=0.28, t=3.08, p<0.001），而GenAI知识应用与创新能力也呈正相关（β=0.53, t=6.01, p<0.001）。然而，GenAI知识应用与信息素养呈负相关（β=-0.22, t=2.15, p<0.05）。

动机与行为意图：学生的创新能力与其动机正相关（β=0.28, t=4.76, p<0.001），并且创新能力显著增强了其行为意图（β=0.73, t=15.72, p<0.001）。然而，信息素养与学生的动机负相关（β=-0.24, t=4.10, p<0.001），但对行为意图无显著影响（β=0.03, t=0.75, p=0.23）。

模型拟合度：标准化根均方残差（SRMR）为0.075，低于0.08的阈值，表明模型拟合良好。

总体结论

基于KBV和CLT理论，研究表明GenAI知识应用在塑造学生创新能力方面比知识获取更为重要。尽管GenAI知识获取对创新能力有积极影响，但它并不显著影响信息素养。GenAI知识应用的负向但显著的信息素养影响表明，过度依赖GenAI可能会削弱学生的批判性思维能力。此外，创新能力是模型中的关键变量，显著预测了动机和行为意图。研究结果强调了认知负荷管理和知识应用在提高学生学习成果中的重要性。

摘要原文

Purpose – This study aims to examine how students’ generative artificial intelligence (GenAI) knowledge acquisition and knowledge application are associated with their innovation ability and information literacy (IL) skills. It further explores how these factors are associated with their level of motivation and behavioral intentions (BI). Design/methodology/approach – The study collected responses from 250 students using GenAI for their educational purposes. Based on the knowledge-based view (KBV) and cognitive load theories (CLT), the study developed an empirical model assessed using the partial least squares structural equation modeling (PLS-SEM) method. Findings – The findings reveal that GenAI knowledge acquisition significantly enhances students’ innovation ability, while GenAI knowledge application exhibits a negative but significant relationship with IL. Students’ innovation abilities, backed by GenAI, positively influence their level of motivation and BI. However, IL negatively impacts students’ level of motivation and shows no significant effect on their BI. Originality/value – The study results support KBV and CLT theories that effective utilization of knowledge resources fosters students’ innovation ability, while excessive cognitive load can hinder their learning processes. Current research contributes to both theory and practice and offers insights for educators and policymakers.

DOI:10.1108/JKM-07-2025-0957