问题提出

AI 进中小学已成全球趋势，但一个被忽视的真问题：同样的 AI 课，是不是对所有孩子都公平？孩子进教室时，有人早就自己玩过 AI、有人连碰都没碰过——这种『前置经历差』会不会决定他们从课里吃到多少？现有研究大多只报『平均涨了多少分』，很少有人问『谁涨得最多、差距到底收没收窄』。这正是教育公平在 AI 时代的核心命题。

难点剖析

难点有三：(1) 把『AI 准备度』拆成两层——心理准备度（信心/伦理意识/学习意愿等自评）与认知准备度（客观 AI 素养测验），二者对教学的反应可能完全不同；

(2) 不能只看前后均值差，要用能分离『个体内真实变化』与『测量误差』的纵向模型，还得先证明两波测量具有标量不变性；

(3) 按『课前有没有自己主动学过 AI』把学生分成三组（高能动性/仅课程支持/低能动性晚学者），才能在控制组间可比后，干净地比较三类的成长轨迹。

理论脉络

理论锚定班杜拉的社会认知理论（SCT）的『交互决定论』：把『课前自己主动学 AI』看作能动性行为，把『学校 AI 课程』看作环境给养（environmental affordance），把『AI 准备度』看作个人因素——三者相互作用。高能动性孩子靠行为积累了个人资源（效能感、心智模型），学校课程则作为环境给养，对缺乏前置经历的孩子起到补偿作用。这一框架把『公平』从『给不给他上课』推进到『他能不能把课转化为自己的准备度』。

理论模型

提出『前置能动性学习 × 学校 AI 课程 → AI 准备度变化』框架（Fig.1 SCT 框架）。准备度分两层：心理准备度（5 维度：AI 学习信心 AICF、自评知识 AIKG、社会善治取向 AISG、伦理意识 AIET、学习行为意向 AIBI）与认知准备度（客观 AI 素养测验）。核心分析用『多组两波潜变量变化分数模型（multigroup 2-wave LCS）』：把 T2 真分数拆成 T1 真分数 + 潜变化量 Δ，Δ 的均值代表组内平均变化、方差代表个体间异质性，并跨三组比较 Δ 均值是否相等，从而回答『课有没有收窄差距』。

研究假设

本文以研究问题（RQ）驱动，不做传统假设检验： RQ1：不同前置 AI 学习路径的学生，其心理与认知准备度的基线水平是否不同？ RQ2：学校 AI 教育在一年内多大程度上改变了心理与认知准备度？ RQ3：三组学生的变化幅度/方向是否不同？ RQ4：学校 AI 教育究竟是『心理催化剂』（提升信心/伦理/意愿等）还是『认知均衡器』（收窄 AI 素养的初始差距）？

分析策略

纵向两波设计（2024–2025 学年，香港初中，课前/课后各一测），最终分析样本 N=752（女 47.9%，均龄 14.06 岁），按前置经历分三组：高能动性学习者 N=183（仅自发学 AI 约 1 年）、课程支持学习者 N=369（仅 1 年校课）、低能动性晚学者 N=200（零前置）。先跑测量不变性（构型/度量/标量，ΔCFI≤0.01、ΔRMSEA≤0.015 判达标）；RQ1 用 MANOVA（5 个心理维度）+ 单因素 ANOVA（AI 素养）；RQ2–RQ4 用多组两波 LCS 模型，通过『自由估计 vs 约束变化均值相等』的嵌套模型比较（ΔCFI>0.01 或 ΔRMSEA>0.015 判显著差异），AI 素养为单指标 LCS 用 Wald 检验比较组间变化均值。

数据收集

香港 38 所初中参与的校本项目，1236 名学生课前同意并填前测，最终 752 人完成前后两测。课前让学生自报前置 AI 经历（校课/课外培优/自学），只保留『约 1 年』且路径不重叠者进入三组比较。所有人在研究期内接受同样的全年制校本课程（改编自 Chiu et al. 2022 的 12 章 AI 课纲，4 模块：AI 基础/机器学习应用/社会善治/伦理责任），通过常规 ICT 课实施，教师经统一培训工作坊。

研究样本

752 名香港初中生（女 47.9%，Mage=14.06, SD=1.05，11–18 岁），三组在性别(χ²=5.31,p=.07)、年级(χ²=5.42,p=.25)、年龄(F=0.59,p=.56)上均无显著差异，组间可比。三组规模：高能动性 183 / 课程支持 369 / 低能动性晚学 200。

测量工具

① 心理准备度：5 个分量表（6 点李克特，均改编自 Chai/Chiu 系列），AI 学习信心 AICF(5题，α=.91)、自评知识 AIKG(6题，α=.92)、社会善治 AISG(4题，α=.93)、伦理意识 AIET(5题，α=.84)、学习意向 AIBI(5题，α=.91)，各分量表 α 均>0.84。

② 认知准备度：客观 AI 素养测验（25 道单选，0–25 线性换算 0–100），来自 Chiu et al.(2024) 已验证工具，覆盖 AI 基础/功能/社会三类。

信效度与测量不变性检验

（1）测量不变性：构型模型 χ²=1738.79, df=176, CFI=0.94, RMSEA=0.078 拟合可接受；度量/标量模型 ΔCFI≤0.005、ΔRMSEA≤0.001，通过全标量不变性，支撑后续潜变化分析。

（2）信度：5 个心理分量表 Cronbach‘s α 0.84–0.93，内部一致性优秀。

（3）模型拟合：心理准备度多组 LCS 拟合优良（CFI=0.94–0.98, RMSEA=0.05–0.08, SRMR=0.04–0.06）。

（4）组间可比性：三组性别/年级/年龄无显著差异（p>.05），基线差异非混淆所致。

（5）伦理：香港中文大学研究与行为伦理委员会审批（SBRE-21-0830），监护人知情同意。

假设检验

RQ1（基线差异，MANOVA/ANOVA）

心理准备度组间总体显著：Wilks‘ λ=0.91, F(5,745)=6.93, p<.001, η²p=0.04；AI 素养 ANOVA F(2,749)=4.91, p=.008, η²p=0.02。呈阶梯：高能动性 > 课程支持 > 低能动性晚学，初始存在知识鸿沟。

RQ2（全员提升）

三组的心理与认知准备度潜变化均值均显著为正（高能动性组的 AIBI 除外），即全年校课让所有人（含客观素养）都涨了。

RQ3（变化幅度不同）

约束『变化均值跨组相等』后拟合显著恶化（ΔCFI=0.06–0.11, ΔRMSEA=0.09–0.11，表6），证明三组轨迹显著不同：低能动性晚学者涨幅最大、课程支持居中、高能动性较小但仍显著；变化分数方差均显著，说明个体轨迹异质。

RQ4（是否均衡器）

心理准备度：低能动性组与课程支持组之间的差距在干预后大幅收窄（Fig.4），校课像『心理催化剂/补偿性环境』。

认知准备度（AI 素养）：三组都显著涨，但组间变化均值差异不显著（p>.5），高能动性组后测仍领先——校课『填高了地板，却没铺平球场』，认知差距 persist（马太效应）。

研究结论

① 学校 AI 教育让所有孩子的心理与认知准备度都提升，但两条路径走势不同：心理差距大幅收窄，认知差距纹丝不动。

② 核心结论金句：『给所有人开同样的 AI 课，不等于所有人学到同样多（Equal access does not automatically produce equal mastery）』——平等接入 ≠ 平等掌握。

③ 机制解读（SCT）：校课是『环境给养/补偿性环境』，对缺前置经历的孩子心理准备度补偿最强；但认知深化依赖持续的自发探索与反思，校课不是完整的『认知均衡器』。

④ 前置『能动性学习』持续塑造收益：高能动性孩子涨幅虽小（天花板效应），但后测仍最高，且更会把课程给养转化为深度学习（马太效应）。

⑤ 给政策的启示：AI 教育公平不能只靠『开课覆盖』，要向前（课前）和向外（课外）扩容，并刻意培养孩子们的『能动性学习』——把课程设计成能激发自驱探索、反思与真实问题解决的场域，而非内容灌输。

研究局限

1. 仅两波测量，抓不到非线性/周期变化，也无法确认提升是否长期保持、差距后续是收还是扩。 2. 能动性被当作『有无自学经历』的分类变量，而非连续/多维构念，没测『能动性本身的变化』。 3. 主要依赖自评+测验，未纳入表现型评估、数字痕迹或课堂观察等真实参与证据。 4. 样本为香港初中生，结论向其他教育阶段/地区/文化背景的外推需谨慎。 5. 观察性纵向设计，无法排除未观测混淆（如家庭数字资源），因果解读需保守。

未来展望

① 用多波/交叉滞后设计，刻画 AI 准备度随学年如何演化、能动性与教学如何动态互构。

② 用验证量表或经验取样/访谈 longitudinal 测『能动性』本身，看它如何变化并影响准备度。

③ 加入表现型评估、数字痕迹、课堂观察，补全真实 AI 学习能力画像。

④ 拓展到高等教育、职前教师（呼应 GenAI 教学再投入）、不同文化地区，检验结论稳健性。

⑤ 做干预研究：哪些教学 scaffolding 最能催化低能动性孩子的认知跃迁、缩小素养鸿沟。

金句

原文：“Equal access to AI education does not automatically produce equal mastery.”（Liang et al., 2027） 解读：开同样的 AI 课、给同样的教材，不等于孩子们学到同样多。公平的关键不在『覆盖所有人』，而在『每个人能不能把课变成自己的准备度』。 原文：“school-based AI education may function as a psychological catalyst for students with limited prior exposure, but not a complete cognitive equalizer.”（Liang et al., 2027） 解读：AI 课能迅速拉齐孩子的『态度与信心』，却填不平『真本事』的鸿沟——会提前自己玩 AI 的孩子，一年后素养仍遥遥领先。这对做 AI 教育、数字公平的人是一记清醒针。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！