问题提出

生成式 AI 进入商科教育后，研究大体集中在三个方向：学生对 AI 的态度与动机、AI 使用的伦理与学术诚信风险，以及「过度依赖 AI 会不会削弱自我调节学习（SRL）与批判性思维」的争论。但一个关键缺口被绕开了：在真实任务中，学生究竟是「怎么」用 AI 调节自己学习的？ 现有证据要么停留在理论推演，要么来自控制实验设计，捕捉不到学生在真实、复杂、结构不良的商科任务里实际的调节行为——他们怎样监控、评估、采纳或拒绝 AI 生成的建议，这些行为又有哪些可观察的表现，目前实证证据都还很少。而这个缺口在体验式商科教育中尤其要紧：这类任务本来就靠自我调节与反思性判断撑起来，学生必须面对结构不良的问题、做出有后果的决策，而这些能力正是未来职业实践所需要的。

难点剖析

难点有四：(1) 「SRL 到底是被 AI 增强还是被削弱」目前证据相互冲突——有研究警告 AI 生成内容会削弱独立元认知、降低有意义学习所需的认知投入（Kasneci et al. 2023；Reiter et al. 2025），也有研究指出 AI 的收益只在本身已会自我调节、动机充足的学生身上最明显（Huo & Siau 2024）；

(2) 学生用 AI 做元认知与反思类任务的比例其实很低，多数停在表层任务（Spirgi & Seufert 2025），而缺元认知支持的 AI 环境还可能反过来拉低 SRL（Xu et al. 2025）；

(3) 要同时把「可观察的调节行为」与「认知变化」两套东西分开编码，还要处理两个活动的数据无法一一配对的难题（同一批学生、不同任务、非配对数据集）；

(4) 现有 SRL 模型（如 Zimmerman 三阶段循环）以「目标设定/前瞻」为起点，但 AI 介入后调节可能是被任务本身触发的，需要一个能描述「任务内递归」的新模型来解释。

理论脉络

理论锚在自我调节学习（SRL）（Zimmerman 2000；Pintrich 1995；Panadero 2017）——自我调节是「自我生成的想法、感受与行动，被有计划地、循环地调整以达成个人目标」，核心是监控与调整。两层延伸：① 体验式学习（Kolb 2014；Pittaway et al. 2015）——反思是「经验变成学习」的机制，内省、外探、回溯、前瞻四种反思帮学生重新诠释经验、评估决策；体验式学习与 SRL 互为强化，都强调真实问题解决、内在动机与反思性思考（Alvi & Gillies 2021），而 Sitzmann & Ely (2011) 的元分析指出情感、行为、认知三类自我调节机制是学习结果最强的预测因子。

② 元认知与批判性思维（Wang et al. 2024；Ku & Ho 2010）——元认知含监控与控制两个要素，且是批判性思维的前置条件。关键理论支点是 Winne & Hadwin (1998)：自我调节可由任务条件启动、过程未必按预定顺序走，这为「任务内递归循环」提供了理论合法性；Haynie et al. (2010) 的情境化元认知模型则解释为何不确定性高、需迭代的任务会激活更高的元认知意识。按 Lim (2026) 的理论贡献类型学，本文把自身定位为「情境限定的理论延伸」，而非新理论。

理论模型

「三阶段递归循环模型（Recursive Loop Model）」把生成式 AI 介入下的自我调节刻画为一个任务内触发、循环往复的过程，由三个阶段 + 一条反馈回路组成。 阶段 1｜监控、可行性检查与决策控制（主要由 Activity 1 驱动）：学生一开始就直接进入评估——判断 AI 建议是否可行、是否与自己的目标市场/客户/商业模式对齐，进行监控、比较与选择性采纳。这一步不靠「目标设定」启动，而是被「学生自己的判断 vs. Copilot 建议之间的落差」触发。产出早期结果：意识到知识缺口、重访假设、发现盲点。 阶段 2｜策略性采纳、调整与改进（主要由 Activity 2 驱动）：学生把 AI 建议整合进原型，用来改进价值表达与沟通、可用性、无障碍与设计推理。产出认知深化、对用户需求与价值的更宽理解、更进阶的设计推理。 阶段 3｜识别局限、盲点与工具意识（主要在 Activity 1 出现）：学生意识到 AI 建议是片面的、泛化的或错位的，于是施展元认知控制——调整提示词、重新解读 AI 输出、或直接推翻 AI 建议。 反馈回路（阶段 3 → 阶段 1）：识别出 AI 局限后，部分学生回去补充市场调研与客户反馈，再重新精炼商业想法，形成新一轮的监控与可行性判断。 关键限定——任务权变（task-contingent）：AI 触发的调节是任务权变的。认知深化在应用型精炼任务（改原型）中最强，在概念型构思任务（想点子）中较浅；且完整三阶段循环并未在单一活动里全部出现，是跨两个活动拼合而成的。

研究假设

本研究为质性研究，无形式假设检验；以下为研究问题与分析主轴。 研究问题（RQ）： - RQ1：在体验式商科学习情境中，学生与生成式 AI 工具互动时，自我调节策略如何表现（如何显现）？ - RQ2：通过生成式 AI 互动，学生的自我调节与批判性思维策略发生了哪些变化？ 分析主轴： - 主轴一（对应 RQ1）：可观察的自我调节表现——归纳为三大组：① 监控、评估与决策控制；

② 策略性采纳、调整与改进；

③ 识别局限、盲点与工具意识； - 主轴二（对应 RQ2）：自我调节与批判性思维的结果变化——归纳为三大组：

① 认知深化与理解扩展；

② 批判意识、假设击破与 AI 局限识别；

③ 极小或无变化； - 主轴三：把上述表现与结果串成三阶段递归循环模型（阶段 1 监控/可行性/决策控制 → 阶段 2 策略性采纳/调整/改进 → 阶段 3 识别局限/盲点/工具意识 → 反馈回阶段 1），检验其结构关系。

分析策略

质性研究设计（Creswell et al. 2011）。数据经 NVivo 1.6.1 组织与分析，采用 Gioia et al. (2013) 的主题分析/编码流程：① 开放编码（Locke 1996）——第一作者为所有提交材料中学生的反思片段赋予一级描述性代码，代码紧贴学生自己「如何评估、采纳、拒绝、反思 Copilot 建议」的表述；

② 反复回到原始反思做持续比较，精炼代码定义、合并重叠码、厘清代码边界——这是一个非线性、递归、迭代的过程（Dahal 2025）；

③ 把精炼后的一级代码归入概念相关的二阶主题，再综合为聚合主题（分别对应「自我调节的表现」与「结果变化」两大类）；

④ 迭代检查聚合主题之间的关系，发展出递归循环模型。研究者立场与反身性：第一作者在 SRL 与 Lean Startup 上的专业经验被视为「参与解释过程」而非被剥离；与合作者的反复讨论充当同伴汇报（peer debriefing）与「批判性朋友」，用于反思解释、打磨主题措辞、强化概念对齐（Braun & Clarke 2025）；具心理学与自我调节学习专长的合作者提供了额外视角。

数据收集

在澳洲一所大学的商科学士学位（Bachelor of Business）二年级「Lean Startup（精益创业）」单元中开展的教学创新试点。该单元是创业方向的核心课、同时作为其他方向的选修课，设计基于体验式学习原则（Kolb 2014）与建构主义哲学（Gherardi & Nicolini 2002）。学生先识别一个值得解决的真实问题，再按精益创业的 Build-Measure-Learn 反馈回路迭代开发（先做 MVP、尽早便宜地失败、再走向可持续且贴合市场的商业模式）。 数据来自两次限时四阶段的引导式课堂活动，分别锚定两次连续的评估任务：Startup Idea Report（创业点子报告）与随后的数字原型（digital prototype）开发任务。每轮活动给学生 20 分钟、使用 Microsoft Copilot 完成，分两周进行。活动提示词由前两位作者开发，方法是将 Lean Startup 的关键阶段与各评估任务的预期学习结果对齐；所有学生完成同一套提示，以保证活动一致性。因属首次实施，活动被有意作为试点，用以评估提示词的适用性与清晰度。数据通过嵌入 Canvas 学习管理系统的 H5P 工具采集，自动把各阶段的渐进作答合并为一份 Word 文件下载分析，从而记录任务过程与产出。伦理经澳洲某大学人类研究伦理委员会批准（HREC 20259215-23064），数据在分析前完全去标识化。

研究样本

同一批学生的两个相关数据集（非个体层面配对，因为研究考察的是跨两个相关活动的调节行为，而非个体内部的纵向变化）。Activity 1 收到 26 份提交、其中 24 份可用；Activity 2 收到 11 份提交、其中 10 份可用（不可用的原因是缺了本研究的核心数据来源——最后的元认知反思）。合计 34 份可用的元认知反思（24 + 10）进入分析。研究对象为澳洲某大学商科学士学位二年级、修读 Lean Startup 单元的学生。这些课堂活动是非评分的每周学习活动，所分析的反思不计分。

测量工具

两轮活动均含四个顺序阶段，每一阶段在 Lean Startup 流程中承担不同教学目的，同时制造「比较、评估、精炼、反思 AI 建议」的机会： 阶段 1 情境化先前成果：从已提交作业中抽取问题定义、解决方案、客户细分、价值主张片段（Activity 1），或原型的用户流程与视觉设计描述（Activity 2）输入 Copilot，确保后续 AI 互动基于学生自己真实产出的商业想法。 阶段 2 用 Copilot 精炼：使用结构化提示，如「这是我的问题和解决方案，建议两个我可以改进或差异化的方法」（Activity 1）、「这是一份用户流程，建议一项提升用户体验的改进」「这是一份视觉设计概览，建议一项让设计与价值主张更对齐的改进」（Activity 2）。 阶段 3 探索市场匹配 / 回应建议：Activity 1 用「这是我的客户细分和价值主张，我可能忽略了哪些客户痛点或收益？」；Activity 2 则直接回应三问——你会采用这个用户流程建议吗？为什么？会采用视觉设计建议吗？为什么？ 阶段 4 反思与元认知分析：三个引导问题——Copilot 哪条建议对你帮助最大、为什么？Copilot 如何改变了你对商业想法/市场（或用户体验/设计）的思考？Copilot 的局限是什么、你是怎么应对的？ 编码层面另使用开放式编码与附录四级数据结构（Fig. 1a/1b、2a/2b）作为可追溯的分析工具。

质性主题分析与多研究者校验

（1）递归编码审校：一级代码反复回到原始反思做「持续比较」，精炼代码定义、合并重叠码、厘清边界，直到编码结构足以代表参与者叙述（非线性、递归的迭代过程）。

（2）Gioia 三级数据结构的可追溯性：附录公开完整的一级代码 → 二阶主题 → 聚合主题结构（Fig. 1a/1b、2a/2b），使每条聚合结论都能回溯到学生原话。

（3）多研究者校验：编码结构、主题定义与概念模型在成稿过程中与合作者反复讨论，发挥「同伴汇报（peer debriefing）」与「批判性朋友」的作用；具心理学与自我调节学习专长的合作者提供了额外视角。

（4）反身性交代：第一作者在 SRL 与 Lean Startup 的专业知识被明确视为参与解释过程而非被剥离（Braun & Clarke 2025）。

（5）需注意的边界：实证支持在各阶段分布不均（阶段 3 由较少实例支撑、且主要来自 Activity 1），且结构化提示词本身可能「召唤」出所观察到的调节行为，因此结论适用于「有脚手架时学生能做什么」，而非「无引导时会自发做什么」。

假设检验

无形式假设检验（质性归纳）；以下为核心发现。

一、RQ1｜20 种可观察的自我调节表现，聚成三大组

- 监控、评估与决策控制（n=27，Activity 1 主导）：出现最多的是「评估 AI 建议的实用性与可行性（11 次，A1）」——学生判断 AI 输出能否落地、是否战略上合理、是否契合客户能力与市场约束；其次是「监控与选择性采纳（7 次，A1）」。参与者 13：「我批判性地[评估]每一条建议，对照我的目标市场，并通过进一步研究精炼想法……这条建议缺乏具体性，也没考虑预算、资金等因素。」参与者 14：「建议与我的客户细分和整体情境高度相关……但我仍然仔细评估每一条，确保它契合我业务的具体目标和目标受众面临的独特挑战。」

- 策略性采纳、调整与改进（n=29，Activity 2 主导，总量最大）：最突出的是「采纳建议以强化价值主张与价值表达（7 次，A2）」。参与者 1：「我会把交互式成本计算器的建议应用到原型上，因为这是呈现我商业想法所提供价值的一种独特方式。」参与者 4：「我会应用视觉设计建议，因为加入动画或图标这类体现可持续性的动态元素，能进一步强调项目的核心价值。」

- 识别局限、盲点与工具意识（n=6，仅 Activity 1）：参与者 10：「Copilot 整体上漏掉了我解决方案的几个方面……我提供的信息越多，它能给出的答案就越准确。总体来说，内容的来源与流畅性可能是使用 Copilot 的一个局限。」参与者 3：「AI 漏掉了我的第二类目标受众——体育企业，它只覆盖了体育爱好者和粉丝，这限制了我业务的改进。」注意：这一组在 Activity 2 完全缺席——说明学生一旦进入动手做界面的阶段，调节焦点就从「批判 AI 系统」转向了「实现」。

二、RQ2｜23 种自我调节与批判性思维的结果变化，聚成三大组

- 认知深化与理解扩展（n=42，A1 主导、A2 实质延伸）：出现最多的是「新方向或点子生成（7 次，A1）」。参与者 6：「Copilot 让我看到加入实时追踪或分析等技术，作为差异化和强化我方案的一种可能，这改变了我的视角——如何在解决物流挑战的同时吸引更广、更懂技术的客户群。」另有「范围与包容性扩展（6 次，A1）」、「更深入地思考用户体验（5 次，A2）」——参与者 4：「那条用户体验流程建议澄清了我此前忽略的用户体验的关键一面。」

- 批判意识、假设击破与 AI 局限识别（n=19）：出现最多的是「挑战既有假设（8 次，A1）」。参与者 13：「它挑战了我『自动售货机只关乎便利和实惠』的假设，让我看到它们也能提供个性化、健康驱动的体验。」参与者 3：「Copilot 促使我从『设计只要好看』转向把设计当成赋能用户的工具。」

- 极小或无变化（n=3，仅 Activity 2）：参与者 10：「Copilot 的建议并没有真正提升产品，只是指出了一些可做小改进的部分。没有哪条建议会真正改变/增强 MVP。」参与者 7：「AI 没有漏掉任何东西……建议对我、对用户都是相关的。」说明 AI 有时只是「安抚/确认」工具，而非促发深反思。

三、递归循环模型与任务权变：Activity 1 主要驱动阶段 1（监控/可行性/决策控制），Activity 2 主要驱动阶段 2（策略性采纳/调整/改进），阶段 3（识别局限）主要在 Activity 1 出现；参与者 7、12、16 的反思显示阶段 3 之后会回到阶段 1（补充市场调研与客户反馈后再精炼想法），形成反馈回路。任务权变：认知深化在应用型精炼任务中最强，在概念型构思任务中较浅。

研究结论

① 提出一个任务权变的三阶段递归循环模型（监控与可行性判断 → 策略性采纳与改进 → 识别局限与工具意识，并反馈回第一步），把 SRL 的循环理论延伸到生成式 AI 辅助的体验式学习情境——按 Lim (2026) 的标准，这是「情境限定的理论延伸」，而不是关于自我调节的新理论。

② 关键理论推进：与 Zimmerman (2000) 以「目标设定/前瞻」为起点的三阶段序列不同，本研究里学生直接进入评估，调节是被「学生判断与 Copilot 建议之间的落差」在任务内触发的——这与 Winne & Hadwin (1998)「任务条件可启动调节、过程未必按预定顺序」的看法一致。

③ 初步反驳「AI 必然导致被动学习」：在有脚手架、有反思的结构化情境下，学生表现出选择性采纳、可行性检查与对 AI 局限的意识，是「主动而非被动」的投入；AI 输出充当了「反思触发器」，让学生质疑自己的假设、发现缺口、拓宽推理。

④ 任务设计是第一性的：不是数字环境本身，而是任务的刻意设计（提示词映射三阶段、要求评估/论证/反思）在触发调节——数字环境不会自动强化 SRL（Flynn et al. 2020），是任务提供了必要的外部脚手架。

⑤ 教学实践三建议：把提示词按模型三阶段排序（对比与可行性 → 论证采纳/改编/拒绝 → 明确指出工具漏掉了什么）；反思宜保持低风险/形成性，若要评分就评「决策链」（adopt-adapt-reject 及其理由）而非文字漂亮度；不要把脚手架下观察到的调节行为假定能自动迁移到无脚手架场景。

研究局限

1. 单一情境：一所澳洲大学的一个创业学单元、一种生成式 AI 工具（Microsoft Copilot）、一个原型设计情境。 2. 实证支持分布不均：阶段 3 由较少实例支撑、且主要来自 Activity 1；完整的三阶段循环未在单一活动内全部出现，是在两个活动之间拼合而成的。 3. 脚手架混淆风险：结构化提示词本身就明确要求评估、论证与反思，可能正是它「召唤」出了所观察到的调节行为——模型只说明「在有脚手架时学生能做什么」，不代表「无引导时会自发做什么」。 4. 依赖学生自我报告的反思，活动为非评分；样本量小（34 份可用反思），两个数据集非个体配对。 5. 单一文化情境（澳洲），跨情境外推需谨慎；且「无脚手架下的认知卸载风险」仍是未决问题（Kasneci et al. 2023；Fan et al. 2025）。

未来展望

① 检验这套任务权变递归循环能否推广到不同生成式 AI 工具、不同任务类型，以及非 AI 情境，以界定模型的边界条件。

② 探究 AI 触发的调节循环背后的心理学习过程。

③ 厘清生成式 AI 辅助活动中「提升元认知意识」的关键特征（Flynn et al. 2020；Venter et al. 2025）。

④ 研究提示词结构与 AI 反馈设计如何影响学生在设计商业模式时对替代策略的评估——在「大规模教学中的有效反馈」日益关键的背景下，这是一个紧迫问题（Venter et al. 2025）。

⑤ 用纵向设计追踪脚手架撤除后的迁移能力与认知卸载风险（Darvishi et al. 2024）。

金句

原文：“Within this structured, reflective learning context, students indicated evaluative judgement and metacognitive regulation, providing preliminary evidence that scaffolded genAI activities can elicit active rather than passive engagement.”（Weerakoon et al., 2026） 解读：这一句是全文最关键的「反共识判断」。围绕生成式 AI 的主流担忧是「学生会把思考外包给机器」，但本文在结构化、反思性的脚手架情境里看到的却是另一幅图景：学生会评估可行性、选择性采纳、识别工具盲点——AI 没有让他们变被动，反而成了「反思触发器」。但请注意前提：这种主动性不是 AI 自动带来的，是任务设计「唤」出来的。 原文：“GenAI-supported cognitive deepening was task-contingent, emerging most strongly during applied refinement tasks.”（Weerakoon et al., 2026） 解读：「任务权变」是这篇最实用的落点。同一批学生、同一个 AI 工具，认知深化在「动手改原型」的应用型任务里最明显，在「想点子」的概念型任务里却较浅。对老师来说，这意味着 AI 不该只用在头脑风暴，而应嵌进需要反复比较、权衡、迭代的决策型任务——任务类型选错了，AI 的认知收益会大打折扣。

— 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！