文献 · 概况
# LITERATURE OVERVIEW #
/用户 研究 设计/
文献来源：现代情报（北大核心、JST、AMI核心、CSSCI）
发布时间：2025.05.28
目前下载量：2117
作者：郑博文、王鼎庆
关键词：生成式人工智能；学习型搜索；认知风格；任务类型；用户实验
文献 · 思维导图
# LITERATURE MIND MAP #
/用户 研究 设计/
文献 · 正文&心得
# LITERATURE TEXT #
/用户 研究 设计/
引言
生成式人工智能（GAI）技术迅猛发展，革新了信息检索与知识获取方式，其快速生成高质量内容、对话式交互的特性，既提升了检索效率，也引发用户过度依赖、缺乏自主思考的隐忧。在此背景下，学习型搜索（将搜索与学习深度融合、以知识建构为核心的信息行为）成为揭示 GAI 环境下信息传递机制的重要视角。
传统搜索环境中，认知风格（个体信息加工的稳定特征）与任务类型（认知复杂度、领域知识等差异）已被证实会影响用户搜索策略、信息处理方式及学习效果。而 GAI 深刻改变了搜索环境，现有影响因素的作用方式可能发生变化。
基于此，本文聚焦生成式 AI 环境下的学习型搜索行为与效果，重点探究认知风格与任务类型的具体影响机制，旨在阐明用户搜索行为特征与实际学习成效的关系，为信息检索系统优化与个性化学习策略制定提供理论支撑与实证依据。
一. 相关研究
本章系统阐述了生成式人工智能（GAI）对信息检索与学习行为的深远影响，明确指出GAI不仅提升了搜索效率，也可能导致用户对生成内容的依赖，进而影响其深度学习能力。作者从“搜索即学习”（Search As Learning, SAL）的理论基础出发，引出“学习型搜索”这一核心概念，强调其与传统搜索在目标导向上的本质区别——即学习型搜索更注重知识建构与认知改变。本章的优越之处在于紧密结合技术演进与用户认知理论，构建了一个跨学科的研究视角，既关注行为表象，也深挖认知机制。
创新点体现在将“认知风格”与“任务类型”作为关键变量引入GAI环境下的学习型搜索研究，这在以往研究中较为罕见。作者指出，现有研究多关注表层行为，而缺乏对用户内在认知特征与任务认知复杂度之间交互作用的探讨。本章也为后续实验设计奠定了坚实的理论基础，明确了研究缺口与研究价值。
可学习之处在于其研究问题的提出方式：不是简单描述“GAI如何改变搜索”，而是深入探讨“在GAI环境中，哪些用户特征与任务特征共同影响学习效果”。这种问题定位具有较强的理论张力和实践指导意义。
不足之处在于对“生成式AI特殊性”的论述仍偏宏观，未具体指出GAI与传统搜索在认知负荷、信息可信度、交互方式等方面的本质差异，也未对GAI可能引发的“认知懒惰”或“信息茧房”等问题展开批判性讨论。
二. 分类、 假设与分析模型
本章节明确了研究中关键变量的分类方式，提出了具体的研究假设，并构建了理论模型（图1）。优越之处在于分类体系的科学性与可操作性：认知风格采用“场依存/场独立”维度，任务类型划分为“理解型”与“分析评估型”，均基于经典理论，如Herman A的认知风格理论和Bloom分类法，确保了研究的信度与效度。模型图1直观展示了变量间的逻辑关系，将搜索行为划分为检索式与非检索式行为，学习效果细分为满意度、主观与客观知识增长，体现了多维度的研究设计。
优越之处在于结构清晰、分类科学，既有理论溯源，也有实证研究支撑，为后续假设提出提供了充分依据。创新点在于将“认知风格”与“GAI搜索”结合，指出该领域尚未有深入研究，具有较强的探索价值。
可学习之处在于作者对研究空白的识别能力：指出当前研究多关注行为层面，缺乏对认知风格、任务类型与学习效果之间机制的探讨。此外，作者对“任务类型”的分类（理解型 vs. 分析评估型）借鉴了Bloom教育目标分类，具有较强的教育心理学基础。
不足在于对部分文献的评述较为简略，未对研究方法或结论的局限性展开批判；对GAI环境下“非检索式行为”，如追问、验证来源等的研究综述略显薄弱。
# 研读心得1
理论研究需紧跟技术变革，尤其是在GAI快速发展的背景下。第一章表示设计智能搜索系统时不能仅停留在“精准匹配”，更应关注“如何促进用户的认知建构”。尤其是在教育类产品中，搜索不应是终点，而是学习的起点。 例如“Khan Academy”结合GPT-4后，不仅提供答案，还通过追问、解释、举例等方式引导用户深度思考，契合“学习型搜索”理念，有效支持用户的认知发展。
文献综述不仅是“堆砌前人研究”，更要“识别研究缺口”。第二章是如何从现有研究中提炼变量、构建理论框架。 如“Notion AI”在文档搜索中引入“追问”功能，支持用户多轮对话，正是对“非检索式行为”的响应，体现了GAI环境下搜索行为的新特征。
三. 研究设计
本章节详细阐述了实验工具、任务设计、测量指标、实验对象与流程，体现了严谨的实证研究设计。优越之处在于工具与任务的高度仿真性：使用“秘塔AI搜索”作为实验平台，其界面清晰、功能聚焦（图2、图3），有效控制了环境变量；任务设计基于农业知识领域，统一背景减少干扰，同时通过“激励情境-信息需求-认知过程-评估方式”四要素构建任务框架（表1），确保了任务的外部效度。
创新点体现在对搜索行为的多指标测量（表2），如“检索式构造来源”“追问次数”“阅读生成结果时长”等，涵盖了GAI环境中特有的交互行为。此外，客观知识增长通过前后测判断题得分计算，并结合专家评分与Cronbach's α系数验证信效度，增强了数据的可靠性。
可学习之处在于其多维度、多方法的测量策略：既包括客观行为数据，如检索式长度、追问次数，也包括主观评价，如满意度、知识增长，与客观知识测试，具有较强的三角验证意义。
不足之处在于样本规模较小，且专业背景分布不均（理工科与人文社科比例2:3），可能影响结果的普适性。此外，实验任务局限于农业领域，虽控制变量，但领域特异性可能限制结论的泛化。客观知识测量仅依赖判断题，未能捕捉知识结构的质变。
四. 结果分析与讨论
本章节通过方差分析检验了认知风格与任务类型对搜索行为与效果的影响，并结合表格数据（表4-8）进行了深入讨论。优越之处在于结果呈现的细致与解释的深度：例如，场独立用户虽追问次数多、阅读时长长，但回答匹配度反较低，研究者从“思维自主性”与“任务内在化程度”角度进行阐释，体现了认知心理学与信息行为的交叉视角。
创新点在于揭示了GAI环境下的行为新特征，如检索式长度普遍增加、用户较少点击参考文献等，反映了GAI技术对传统搜索行为的重塑。此外，研究发现任务类型对主观知识增长有显著影响，但对客观知识增长无显著作用，提示了“感知学习”与“真实学习”之间的差距。
可学习之处在于其讨论部分不仅汇报结果，还深入解读行为背后的认知机制，如指出场独立用户可能因“发散探索”而偏离任务核心，导致回答匹配度下降。
不足在于对“为何客观知识增长无差异”的解释仍偏推测，缺乏认知过程数据（如眼动、回溯性报告）支持；对任务类型与认知风格的交互作用未展开分析。
# 研读心得2
研究设计要“小而精”，变量控制要严格，测量要多元，本章的实验设计为今后开展用户行为研究提供了范本。如“Duolingo”在A/B测试中常设计多种任务类型，如记忆型、应用型，并测量用户的学习持久性与知识掌握程度，与本研究思路高度契合。
数据结果未必符合预期，正是这些“反常”发现推动理论进步。解读数据时要结合用户认知过程，避免简单归因。如“Google Scholar”在推荐相关论文时，若用户过度发散点击，虽阅读时长增加，但知识整合效果未必提升，与本研究发现相呼应。
五. 结论与讨论
本章总结了研究发现，指出认知风格与任务类型在GAI环境下仍具解释力，但其影响机制与传统环境有所不同。作者提出GAI的“自然语言交互”特性可能模糊了部分行为差异，同时也指出用户对生成内容的信任度较高而验证意识较弱。
本章的优越之处在于不仅总结成果，还明确指出研究的理论贡献与实践意义，并为后续研究提出具体建议，如引入纵向设计、多维度个体变量等。创新点在于提出“GAI环境下学习型搜索的行为趋同”现象，提示我们需重新审视“个性化搜索”的设计理念。
可学习之处在于其对研究局限性的坦诚反思，如样本代表性、任务难度控制、缺乏长期追踪等。
不足在于对“如何设计更促进学习的GAI系统”提出的建议较为笼统，未结合具体交互设计或算法优化路径展开。
# 研读心得3
结论不仅要总结“发现了什么”，更要指出“接下来该怎么做”，本章提供了如何从实证研究走向设计实践的思路。案例： 如“ChatGPT”近期新增“提示词优化”与“来源标注”功能，正是对“用户验证意识弱”这一问题的响应，体现了研究反馈于产品迭代的闭环。
在AI教育产品开发中，可借鉴本文中对“信息透明度”的强调，设计来源追溯与可信度提示功能。以“Wolfram Alpha”为例，其通过步骤展示与参考文献链接，增强用户对生成过程的理解与信任，类似于本文中提倡的“用户参与式设计”。这种以用户认知为中心的系统优化，是实现人机协同学习的关键。
部分参考文献
[1]卢新元，张进澳，雷晓鹏.人工智能生成内容环境下用户信息行为研究——以对话式搜索引擎为例[J].情报理论与实践，2023,46(12):84-92.
[2]Heather O'Brien.SAL-A Information Retrieval(IR)/Interactive Information Retrieval(IIR)Perspective[EB/OL].[2024-12-10].https://drops.dagstuhl.de/storage/04dagstuhl-reports/volume07/issue02/17092/DagRep.7.2.135/DagRep.7.2.135.pdf.
[3]宋小康，赵宇翔，宋士杰，等.社会技术系统范式下AI赋能的替代信息搜索：特征、理论框架与研究展望[J].图书情报知识，2023,40(4):111-121.
[4]Kinley K,Tjondronegoro D,Partridge H,et al.Modeling Users' Web Search Behavior and Their Cognitive Styles[J].Journal of the Association for Information Science and Technology,2014,65(6):1107-1123.
[5]张路路，黄崑.基于认知风格的数字图书馆用户信息检索行为研究[J].情报学报，2018,37(11):1164-1174.
[6]宋佳琳.视频用户学习型搜索行为及效果的影响研究[D].保定：河北大学，2022.
[7]宋筱璇，刘畅.搜索前后用户知识水平的评估及其变化情况分析[J].图书情报工作，2018,62(2):108-116.
[8]Urgo K,Arguello J,Capra R.Anderson and Krathwohl's Two-Dimensional Taxonomy Applied to Task Creation and Learning Assessment[C]//The 2019 ACM SIGIR International Conference.ACM,2019.
[9]Marchionini G.Exploratory Search:From Finding to Understanding[J].Communications of the ACM,2006,49(4):41-46.
[10]孟高慧，刘畅.国内“搜索即学习”主题研究的现状、问题和展望[J].情报理论与实践，2024,47(3):188-198.
......
研读学习人
徐周静
浙江理工大学
视觉传达与时尚数媒
24设计研究生
用户研究
END
TIP
以上为UNO组织的学术交流与研讨
所有内容仅代表个人对论文的理解
仅供学习交流所用
若上述理解内容有误
请以论文原文为主
其中所涉及的知识产权为文献作者和其发表刊物所有
【推荐阅读】
AI探索案例
【课程活动】
AIGC训练营系列/创意引擎高研班
关于机构
杭州文创数字科技研究院由杭州市科学技术局主管，由浙江大学、中国美术学院、浙江科技大学和浙江钱塘江文化研究会等单位联合共建，服务杭州“数字经济第一城”战略，以“数字科技+文化创意”深度融合为核心，依托人工智能生成内容（AIGC）、数字孪生、区块链、元宇宙等前沿技术，构建“技术研发—场景应用—产业赋能—国际协作”全链路生态，打造长三角地区数字文创领域的技术创新引擎与产业孵化标杆，2024年科研服务收入为220万。
服务模块
AI人才培训
AI数字营销
数字IP建设
数据服务支持
AI智能体服务
大模型的开发及应用
人形机器人的模型训练展示空间设计
合作联系
刘老师（微信号：ZCDA13757130742）
👉️点个“在看”
助力AIGC文创数字产业孵化