李曼丽 等 | 大语言模型工具能促进高校学生的高阶思维能力发展吗?——基于12所双一流大学学生问卷调查的实证分析
✦•
✦
文章引自：李曼丽,乔伟峰,李睿淼.大语言模型工具能促进高校学生的高阶思维能力发展吗？——基于12所双一流大学学生问卷调查的实证分析.现代教育技术,2025,(1):34-43.
MET
摘要：在数智时代，重视培养高校学生的高阶思维能力已逐渐成为共识，但高校学生使用大语言模型工具能否促进高阶思维能力的发展尚存争议。澄清这一争议，不仅有助于在理论上分析人工智能背景下学生高阶思维发展的机理，也可以为学校和教师在教育实践中采取何种措施提供可靠依据。基于此，文章利用我国12所双一流大学学生的问卷调查数据，对当前高校学生的大语言模型工具使用情况及其对高阶思维能力的影响进行实证分析，结果显示：超过半数的高校学生使用过大语言模型工具，但深度创意应用仍有待加强；增加大语言模型工具的基础执行应用与深度创意应用频次，均对高阶思维能力发展具有显著的正向影响；交互质量在大语言模型工具使用频次对高阶思维能力的影响过程中发挥中介作用。在此基础上，文章建议高校正视人工智能技术在高等教育教学过程中的作用，积极推动人工智能赋能教育应用；结合课内外真实情境，促进大语言模型工具的深度创意应用；加强师生人工智能素养培养，提升人机交互质量。
关键词：大语言模型；高阶思维能力；高校学生；双一流大学
进入数智时代，ChatGPT等大语言模型工具正广泛应用于社会各领域，以驱动产业快速转型，由此人类胜任未来工作的能力结构也随之发生变化。世界经济论坛发布的《2023年未来就业报告》指出，未来五年结构性劳动力市场将有23%的工作岗位面临消失的风险，这些工作的特点是重复性强、结构明确、可自动化处理，对人的需求以低阶认知能力为主，然而就当前趋势来看，分析思维和创造性思维等高阶思维能力将是非常重要的人才特质。面对新技术的冲击，在数智时代加强高校学生的高阶思维能力培养已逐渐成为共识。但是，伴随越来越多的大语言模型工具在高等教育领域的应用，研究者对于这些工具究竟是促进还是阻碍学生的高阶思维能力发展仍然存在争议：一方面，有研究者认为大语言模型工具以海量知识为基础，可以提供高质量信息，就学生的个性化问题给出针对性回答，并持续与其进行深入的对话交流，推动学生认知向创造性、批判性等高阶方向发展，因而应积极倡导将大语言模型工具引入学生的学习、科研之中；另一方面，有研究者认为高校学生可能会因过度依赖技术而不再深入反思，致使其自主创造力与问题解决能力下降，甚至出现抄袭或作弊等现象，对高阶思维能力发展产生负面影响，因而应审慎对待学生在学习、科研中使用大语言模型工具。基于此，本研究尝试面向我国12所双一流大学的学生展开问卷调查，通过对以下研究问题进行实证分析，来澄清上述争议，以期在理论上分析人工智能背景下学生高阶思维发展的机理，进而为学校和教师在教育实践中采取何种措施提供可靠依据：我国高校学生对大语言模型工具的使用情况如何？使用大语言模型工具对高校学生的高阶思维发展有何影响？此影响的中间机制是怎样的？
一 文献综述与研究假设
1 文献综述与理论基础
（1）高阶思维能力的内涵及其理论基础
高阶思维能力（High-Order Thinking Skills，HOTS）是个体适应环境、面对未来挑战的关键能力，也是数智时代创新人才的核心技能。根据建构主义理论，高阶思维表现为个体能够识别已有知识和外部信息之间的联系，并将背景知识迁移到新的情境中，以解决没有固定答案的复杂问题。因此，高阶思维不是被动接收信息，而是在真实的学习情境中主动构建知识以更新心智模型的过程，涉及创造、分析、综合、关系建立和元认知等要素。从维度构成的角度来看，Bloom等认为高阶思维能力框架包含分析、综合、评价三个逐层提升的维度，指向具体认知情境中为达到某个目标而对知识进行组织或重组的心理过程；马淑风等从思维类型的角度，认为高阶思维不是单一的思维过程，而是一个在具体情境中批判性思维、问题解决能力、创造性思维等多种认知成分协同作用的复杂思维过程。在众多针对高阶思维能力的研究中，Biggs等提出的可观察学习成果结构理论（Structure of the Observed Learning Outcome，SOLO）从认知结构改变的角度，基于个体面对问题时的认知结构复杂性和抽象程度变化特点，认为思维能力的发展具有五个层级：前三个层级属于低阶思维能力，分别为前结构、单点结构、多点结构，表征学生没有形成对问题或对象的理解，到能认知问题的一个方面，再到关注问题的多个方面但没有建立起相关联的知识网络；后两个层级属于高阶思维能力，分别是关联整合结构、拓展抽象结构。其中，关联整合结构即学生整合对所有相关知识信息的理解，并使其相互之间建立联系，以形成一致且有意义的知识结构，来解决具体情境中的复杂问题；拓展抽象结构即学生基于对问题的全面思考，在知识整合的基础上概括出更抽象的概念，并将其拓展迁移至尚未体验的新情境。考虑到SOLO理论重视学生解决真实情境问题时的思维过程与认知水平，强调通过情境创设、连接已知、创造新知、开展知识反思和理论化抽象等，深入揭示高阶思维能力的结构及关系，具有更强的解释力和操作性，因此本研究将基于该理论展开分析。
（2）高阶思维能力发展的影响因素
高阶思维孕育于学生与复杂环境的直接互动之中，已有研究发现高阶思维受以高质量交互为核心的深度学习方式的影响，具体表现为：学生作为学习过程的主导者，主动参与合作学习、探究式学习、项目式学习、讨论等活动，在解决真实问题的过程中不断得到反馈，并进行反思和认知加工，以实现超越孤立知识的识记与简单输出。在深度学习的过程之中，学生逐渐成为一个自主的学习者，不断提出更高层次的问题，继而获得复杂思维和问题解决能力的发展。同时，学生通过与教师、同伴的密切交流，与其形成互相倾听和分享的学习共同体，可以加深对问题的理解，激发元认知与创造性思维，从而促进高阶思维的发展。可见，提升高阶思维能力离不开高质量的交互过程。
此外，信息和通信技术（Information and Communication Technology，ICT）使用与高阶思维能力之间的关系也一直受到学界的关注。研究表明，ICT技术的使用极大地促进了学生的学习动机和参与度，可帮助学生“使用高阶思维技能来计划和进行研究、管理项目、解决问题，并使用适当的数字工具和资源作出明智的决策”。当学生使用认知工具分析信息或贯通观点时，可以通过复杂思维来解决问题和表征知识，从而激发创造性、发散性想法或拓展抽象思维，因此应用ICT技术可以提高学生的高阶思维能力。
2 研究假设
自人工智能技术不断深入教育实践，特别是ChatGPT等大语言模型工具问世以来，学界针对人工智能工具与学生高阶思维能力发展的关系进行了一系列讨论。一些学者认为，使用上述新技术能够为学生提供更多来自不同渠道的个性化学习资源，帮助学生快速处理信息，并激发深层次理解和应用，以促进高阶思维能力发展。但也有一些学者对此持谨慎态度，认为新技术也将带来因过度依赖人工智能技术而减少智力投入的后果，并产生学术不端、创新堕化等问题。对此，Essien等采用混合研究方法，就ChatGPT等大语言模型对英国商学院研究生批判性思维能力的影响展开探索，发现大语言模型对记忆、理解和应用等低阶思维能力发展具有显著的提升作用，对分析、评估和创造性思维等高阶思维有积极的影响，但是影响效应相对较小，并进一步提出了大语言模型在教育领域应用中面临的信息准确性有限、伦理规范和数字素养准备不足等问题；Essel等则在一门课程中采用小样本的对照实验开展了研究，其中实验组学生在课堂任务中使用ChatGPT，对照组学生则使用传统的数据库和搜索引擎完成类似任务，结果发现相较于对照组，实验组学生的批判性、反思性和创造性思维技能有显著提升。此外，还有为数不多的实证研究通过使用频次来刻画大语言模型的使用情况，如Shoufan针对国外某大学56名计算机专业高年级学生的大语言模型使用情况进行追踪调查，发现该群体对大语言模型的接受和使用度较高，且大多数学生认为它需要改进，但对此持乐观态度。可见，大语言模型的不同使用方式对高阶思维能力发展的影响可能不同。因此，本研究提出假设1：增加大语言模型工具使用频次对学生高阶思维能力发展有显著正向影响。
但是，上述研究针对使用情况仅关注了使用频次这一要素，尚未探究人机交互质量在其中的作用。对此，卢帕特等从对话理论的角度分析了技术与思维的关系，认为技术本身没有思维，仅使用技术并不必然代表思维会发生，学生只有把技术与对话反思结合在一起才能促进高阶思维的发展。此外，胡祥恩提出学生与教育资源（包括教学内容、学习环境、互动机制和学习过程）之间应实现对称性，即传统上书本、课程等教育资源是静态且稳定的，而现代信息技术和人工智能技术促使学习资源能够根据学生的需求和能力水平进行适应性变化，在与学生互动的过程中不断随其水平的提升而改进，为学生提供动态的适应性支持，以帮助其快速进步，智慧课堂、学习助手等技术同样遵循这一逻辑。ChatGPT等大语言模型作为生成式对话模型，其独特性在于能与学生进行实时个性化的互动，学生提出深层次的问题就会得到深层次的回应，是更加典型的对称性系统，这就创造了传统师生互动、生生互动、学生与内容互动之外的第四类人机互动模式。可见，学生与人工智进行高质量的深入互动，不断探索和优化使用方法来提升人机交互的质量，可能是提升高阶思维能力的关键。因此，本研究提出假设2：交互质量在大语言模型工具影响学生高阶思维能力发展的过程中发挥了中介作用。
二 研究设计
1 样本来源
本研究于2023年9月～11月对我国12所双一流大学的学生展开了问卷调查，其中包括清华大学、北京大学、上海交通大学、浙江大学、中山大学、南方科技大学、中南大学、西安交通大学、重庆大学、四川大学、兰州大学、哈尔滨工业大学。这些高校作为研究型大学，其人才培养目标指向引领未来发展的拔尖创新人才，重视对学生高阶思维的培养，因此符合本研究的需要。同时，样本学校覆盖东中西部不同区域，具有较为广泛的代表性，能够保证结论的可靠性。本研究共回收问卷2037份，根据作答时间、反向题等规则剔除部分问卷后，最终回收有效问卷1887份，有效率达92.64%。在有效样本中，男生占55.70%，女生占44.30%；理科生占21.46%，工科生占39.59%，人文学生占11.66%，社科学生占16.75%，农医学生占8.74%；本科生占64.44%，硕士生占23.26%，博士生占12.29%；农村学生占33.07%，城镇学生占66.93%；东部地区高校学生占45.49%，中部地区高校学生占29.35%，西部地区高校学生占14.26，东北地区高校学生占10.89%，基本符合总体分布情况。
2 变量设置与工具
①大语言模型工具使用频次：基于研究团队前期文献和访谈调研编制量表，为了解学生将大语言模型应用于不同用途的频次，将本变量分为两个子维度，即基础执行应用维度（设有5个题项，如“检索信息”“翻译文本”）和深度创意应用维度（设有5个题项，如“寻找解决问题的灵感或思路”“辅助完成作业”），采用频次量表进行调查。
②高阶思维能力：基于Biggs的SOLO分类模型，结合样本高校学生利用大语言模型工具完成学习与科研工作的实际情况编制量表，将本变量分为两个子维度，即关联整合维度（设有5个题项，如“整合信息更全面”）和拓展抽象维度（设有5个题项，如“将大语言模型的反馈迁移到其他领域”“能根据获取的知识推进研究”），采用李克特量表进行测量。
③交互质量：基于课题组前期文献和访谈调研编制量表，本变量包括反思使用过程、调整和优化查询策略、基于反馈提出更深入的问题共3个题项，采用李克特量表进行测量。
本研究对问卷各分量表进行信效度检验，结果显示各分量表的Cronbach’s α系数值均在0.770～0.911之间，说明信度良好。同时，各分量表的KMO值均大于0.9，Bartlett球形检验显著性＜0.001，表明适合进行因子分析。因子分析的结果显示，分量表的因子方差解释率均高于50%，各题项在单一因子上载荷均大于0.3，说明测量的结构效度符合要求。除使用频次以最大值合成外，各维度得分由李克特量表题加总平均得到。此外，由于学生性别、学段、高校所在地、户籍、家庭年收入对高阶思维能力和交互质量都有显著影响（篇幅所限未在文中展示相关结果），本研究将这些变量作为控制变量加入模型。
3 数据分析思路与方法
首先，对样本高校学生使用大语言模型工具的频次、高阶思维能力及其子维度、交互质量（核心变量）的水平进行描述统计。然后，构建多元线性回归模型，对使用频次影响高阶思维的程度进行估计——模型1～模型6分析使用频次及其子维度对高阶思维能力及其子维度的影响。最后，构建多元线性回归模型，估计交互质量的中介效应——模型7和模型8分析使用频次及其子维度对交互质量的影响，模型9～模型14分析纳入交互质量后使用频次及其子维度对高阶思维能力及其子维度的影响。所有模型均纳入性别、学段、高校所在地、户籍、家庭年收入作为控制变量，所有分析均使用Stata 15.0软件进行。
三 研究结果
1 核心变量的描述统计结果
样本高校学生使用大语言模型工具的频次、高阶思维能力、交互质量等基本特征的描述统计结果如表1所示，可以看出：在使用比例上，有51.30%的样本高校学生使用过大语言模型工具；在使用频次上，样本高校学生在不同功能上的平均使用频次为3.390，介于“每月不少于3次”和“每周不少于3次”之间——其中，样本高校学生在基础执行应用上的平均使用频次为3.231，在深度创意应用上的平均使用频次为2.991，说明深度创意应用仍有提升空间。在交互质量上，样本高校学生平均得分为3.736。在高阶思维能力上，样本高校学生总分平均为3.384，在五点量表中处于中等偏上水平，其中关联整合为3.310，拓展抽象为3.457。
表1 核心变量的描述统计
2 大语言模型工具使用频次对高校学生高阶思维能力的影响
表2展示了大语言模型工具使用频次对样本高校学生高阶思维能力发展的影响，其中模型1～模型3的自变量为样本高校学生的使用频次，模型4～模型6的自变量为基础执行应用频次和深度创意应用频次，所有模型中均纳入控制变量。由表2可知，样本高校学生的大语言模型使用频次对高阶思维能力总分及其子维度具有显著正向影响，使用频次每增加一个单位，高阶思维能力总分、关联整合维度和拓展抽象维度得分分别提升0.222分、0.216分、0.227分。其中，子维度结果表明，基础执行应用频次对样本高校学生的高阶思维能力发展具有显著正向影响，但影响效应相对较小；深度创意应用频次对样本高校学生的高阶思维能力发展具有显著正向影响，且影响效应较大。
表2 大语言模型工具使用频次对高阶思维能力的回归分析
3 交互质量作为中介变量的机制分析
本研究采用逐步回归法分析大语言模型工具使用频次对高阶思维能力影响的中间机制，具体如表3、表4所示。其中，模型7和模型8以交互质量为因变量，检验大语言模型工具使用频次对交互质量的影响；模型9～模型14加入交互质量作为中介，检验交互质量回归系数和使用频次回归系数的变化情况。结果表明，使用频次对交互质量具有显著正向影响，交互质量对高阶思维能力总分及其子维度也具有显著正向影响。在模型中纳入交互质量后，使用频次和深度创意应用频次对高阶思维能力仍具有显著正向影响，而基础执行应用频次的回归系数不再显著，且高阶思维能力总分及其子维度影响的回归系数绝对值变小，说明交互质量是使用频次影响高阶思维能力的中介变量，在基础执行应用频次的影响中为完全中介效应，而在深度创意应用频次的影响中为部分中介效应。据此，本研究设计了交互质量的中介效应模型，如图1所示。
表3 大语言模型工具使用频次对高阶思维能力影响的机制分析：交互质量作为中介（模型7和模型8）
表4 大语言模型工具使用频次对高阶思维能力影响的机制分析：交互质量作为中介（模型9～模型14）
图1 交互质量的中介效应模型
四 结论与建议
1 研究结论
随着大语言模型技术的快速发展，如何利用人工智能技术促进大学生的学习与发展，尤其是如何利用新技术促进其高阶思维能力发展是高等教育面临的关键问题。本研究基于我国12所“双一流”大学学生的问卷调查数据，系统分析了高校学生大语言模型工具使用和高阶思维能力的基本特征，以及大语言模型工具使用对高阶思维能力发展的影响及其中间机制，所得主要结论如下：
本研究发现，样本高校中虽然有超过半数的学生使用过大语言模型工具，但深度创意应用仍有待加强。过半数学生能够相对熟练、深入地使用大语言模型工具，但更多使用大语言模型工具完成检索信息、翻译文本等基础执行应用，在激发创意、完成复杂创作任务等深度创意应用上的使用比例和频次相对较低。此外，调研结果表明，样本高校学生的高阶思维能力总分、关联整合维度、拓展抽象维度得分平均为3.384、3.310、3.457，在五点量表中处于中等偏上水平。
回归分析结果表明，假设1成立，即增加大语言模型工具使用频次对学生高阶思维能力发展有显著正向影响。从回归系数来看，大语言模型的深度创意应用频次影响更大，基础执行应用频次影响相对较小。这一结果说明使用大语言模型不仅不会阻碍学生的认知发展，在提倡创造力培养的数智时代，还可以扮演更重要的角色——通过提供更加充分适切的信息、更加开放多元的思路灵感和辅助性学习科研工具，支持学生更好地完成学习和科研任务，以促进其高阶思维能力发展。
中间机制分析结果表明，假设2成立，交互质量在大语言模型工具影响学生高阶思维能力发展的过程中发挥了中介作用。其中，基础执行应用完全通过交互质量的中介作用，来影响学生高阶思维能力的发展；而增加深度创意应用频次，既可以直接影响学生的高阶思维能力，也可以通过提升交互质量来提升学生的高阶思维能力。一方面，学生只有将技术与对话反思结合在一起才能促进高阶思维的发展，高质量的对话应当是能促使学生不断进行深度反思的交互；另一方面，从SOLO理论的视角来看，学生的高阶思维表现为基于丰富的简单结构知识，整合对相关信息的理解，建立复杂的关联网络，同时概括出抽象特征并将其迁移至未体验的新场景中。而大语言模型工具是人类全部知识的压缩，同时作为学生需求与能力的适应性系统，不仅提供海量的简单结构知识，其回应质量也与学生的提问水平直接关联，可以在人机持续的对话中不断支持学生进行整合和抽象，进而促进高阶思维能力发展。
2 研究建议
本研究面向我国12所双一流大学的学生开展问卷调查，分析首批接触大语言模型工具的高校学生如何使用新技术，并初步探索新技术怎样影响学生的高阶思维能力发展，既回应了人工智能与人类智能关系的理论分歧，也可为面向未来的创新人才培养提供实证参考。为进一步提升学生的高阶思维能力，本研究针对大语言模型工具的应用提出以下建议：
①应正视人工智能技术在高等教育教学过程中的作用，积极推动人工智能赋能教育应用。本研究基于较大规模的样本调查，发现大语言模型工具使用对高校学生的高阶思维能力发展具有促进作用，这在一定程度上回应了部分学者对于新技术介入高等教育领域的疑虑。ChatGPT等大语言模型工具能够提供高质量信息和个性化学习指导，支持学生调整和拓展现有的认知图式，并通过深度互动促进新旧知识的整合和创新性认知的形成，从而促进高阶思维能力的发展。面对大语言模型工具的快速更新迭代，高等教育无法排斥，也不能无视大语言模型工具对工作生活的广泛影响，而应以更加积极的心态接纳新技术，利用新技术革新教育教学，促进学生高阶思维能力的发展。
②结合课内外真实情境，促进大语言模型工具的深度创意应用。与已有研究相比，本研究将大语言模型工具使用划分为基础执行应用和深度创意应用，并发现深度创意应用对高校学生高阶思维能力的影响效应更突出。但描述统计表明，当前高校学生使用大语言模型工具进行文本创作等深度创意应用的频次仍然较低。针对这一问题，高校不仅要通过提供资源来支持学生使用大语言模型工具，还要设计更加真实、广泛的应用场景，以更有效的课程与课外活动吸引学生更多地使用工具，以更大程度地发挥大语言模型工具对学生学习的帮助效果。当前，多所世界顶尖高校也正在尝试将人工智能技术融入学生的课程学习与科研训练，以培养能解决复杂问题的拔尖创新人才，使学生在项目实践和知识学习的综合体验中提升对新技术的深度使用能力。
③加强师生人工智能素养培养，提升人机交互质量。本研究发现交互质量是大语言模型工具影响学生高阶思维能力发展的中介变量，个体使用大语言模型工具无论是进行基础执行应用还是深度创意应用，都要做好充分的能力准备，以实现与人工智能工具之间的有效交互，这对高阶思维能力发展至关重要。高质量的人机交互依赖于人工智能素养的培育，需要高校为不同基础的学生提供进阶式的人工智能课程、讲座、人工智能学习平台等，并通过培训提升高校教师的人工智能教学与科研应用能力，积极支持教师创建互动式的学习环境，以鼓励学生通过实践操作来掌握人工智能技术，增强学习体验。
本研究是对数智时代利用大语言模型工具促进学生高阶思维能力发展的初步探索，揭示了人机高质量互动的关键作用。但是，在人工智能技术快速融入教学场景的当下，互动的结构及其作用机制更为复杂，如何进一步实现融合师生、生生和人机的有序高效互动仍是一个难题。本研究仅对人机互动单一作用展开了研究，未来将进一步分析多元复杂交互之间的综合影响，为在真实教学场景中提升大语言模型工具的使用效果提供有效策略。
参考文献
World Economic Forum. The future of jobs report 2023.
<https://www.weforum.org/publications/the-future-of-jobs-report-2023/digest/>
吴冰蓝,周丽萍,岳昌君.AI时代高等教育要素投入对本科生核心能力增值的贡献.教育与经济,2024,(2):68-78、96.
赵丽红,左敏,黄先开.人工智能时代高等教育教学的变革指向:培养高阶思维.北京师范大学学报(社会科学版),2023,(4):40-48.
Essel H B, Vlachopoulos D, Essuman A B, et al. ChatGPT effects on cognitive skills of undergraduate students: Receiving instant responses from AI-based conversational large language models (LLMs). Computers and Education: Artificial Intelligence, 2024,6:100198.
Okonkwo C W, Ade-Ibijola A. Chatbots applications in education: A systematic review. Computers and Education: Artificial Intelligence, 2021,2:100033.
Mogavi R H, Deng C, Juho K J, et al. ChatGPT in education: A blessing or a curse? A qualitative study exploring early adopters’ utilization and perceptions. Computers in Human Behavior: Artificial Humans, 2024,(1):100027.
Lewis A, Smith D. Defining higher order thinking. Theory Into Practice, 1993,(3):131-137.
钟志贤.促进学习者高阶思维发展的教学设计假设.电化教育研究,2004,(12):21-28.
Bloom B S, Krathwohl D R. Taxonomy of educational objectives: The classification of educational goals handbook I cognitive domain. New York: David McKay, 1956:5-10.
Anderson L W, Krathwohl D R, Airasian P W, et al. A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives. New York: Longman, 2001:27-30.
马淑风,杨向东.什么才是高阶思维?——以“新旧知识关系建立”为核心的高阶思维概念框架.华东师范大学学报(教育科学版),2022,(11):58-68.
Biggs J, Tang C. Teaching for quality learning at university: What the student does (4th ed). Maidenhead: Open University Press, 2011:88-90.
Lee J, Choi H. What affects learner’s higher-order thinking in technology-enhanced learning environments? The effects of learner factors. Computers & Education, 2017,115:143-152.
Budsankom P, Sawangboon T, Damrongpanit S. Factors affecting higher order thinking skills of students: A meta-analytic structural equation modeling study. Educational Research and Review, 2015,(19):2639-2652.
Magas C P, Gruppen L D, Barrett M, et al. Intraoperative questioning to advance higher-order thinking. American Journal of Surgery, 2017,(2):222-226.
Premo J, Cavagnetto A. Priming students for whole-class interaction: Using interdependence to support behavioral engagement. Social Psychology of Education, 2018,(4):915-935.
Sun H, Xie Y, Lavonen J. Effects of the use of ICT in schools on students’ science higher-order thinking skills: Comparative study of China and Finland. Research in Science & Technological Education, 2022,(2):276-293.
International Society for Technology in Education. National educational technology standards for students.
<https://www.pobschools.org/cms/lib/NY01001456/Centricity/Domain/45/Ed%20Tech%20Resources/ISTENETS.pdf>
Kirkwood A, Price L. Technology-enhanced learning and teaching in higher education: What is “enhanced” and how do we know? A critical literature review. Learning, Media and Technology, 2014,(1):6-36.
Almerich G, Suárez-Rodríguez J, Díaz-García I, et al. 21st-century competences: The relation of ICT competences with higher-order thinking capacities and teamwork competences in university students. Journal of Computer Assisted Learning, 2020,(4):468-479.
Cano Y M, Venuti F, Martinez R H. ChatGPT and AI text generators: Should academia adapt or resist.
<https://www.hbsp.harvard.edu/inspiring-minds/chatgpt-and-ai-text-generators-should-academia-adapt-or-resist>
Cotton D R E, Cotton P A, Shipway J R. Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 2023,(2):228-239.
祝智庭,戴岭,胡姣.高意识生成式学习:AIGC技术赋能的学习范式创新.电化教育研究,2023,(6):5-14.
Essien A, Bukoye O T, O’Dea X, et al. The influence of AI text generators on critical thinking skills in UK business schools. Studies in Higher Education, 2024,(5):865-882.
Shoufan A. Exploring students’ perceptions of ChatGPT: Thematic analysis and follow-up survey. IEEE Access, 2023,(11):38805-38818.
Bhullar P S, Joshi M, Chugh R. ChatGPT in higher education: A synthesis of the literature and a future research agenda. Education and Information Technologies, 2024,(29):21501-21522.
(英)卢帕特·威格里夫,肖俊洪.从对话理论角度看因特网时代技术在思维教学中的作用.中国远程教育,2015,(3):21-30、79.
刘凯,胡静.人工智能教育应用理论框架:学习者与教育资源对称性假设——访智能导学系统专家胡祥恩教授.开放教育研究,2018,(6):4-11.
Moore M G. Editorial: Three types of interaction. American Journal of Distance Education, 1989,(2):1-7.
Garrison D R, Baynton M. Concepts: Beyond independence in distance education: The concept of control. American Journal of Distance Education, 1987,(3):3-15.
Biggs J, Kember D, Leung D Y P. The revised two-factor study process questionnaire: R-SPQ-2F. British Journal of Educational Psychology, 2001,(1):133-149.
Zakariya Y F, Bjørkestøl K, Nilsen H K, et al. University students’ learning approaches: An adaptation of the revised two-factor study process questionnaire to Norwegian. Studies in Educational Evaluation, 2020,64:100816.
Almulla M A. Investigating influencing factors of learning satisfaction in AI ChatGPT for research: University students perspective. Heliyon, 2024,(11):e32220.
吴明隆.问卷统计分析实务.重庆:重庆大学出版社,2010:205、232.
温忠麟,张雷,侯杰泰,等.中介效应检验程序及其应用.心理学报,2004,(5):614-620.
Gibson D, Kovanovic V, Ifenthaler D, et al. Learning theories for artificial intelligence promoting learning processes. British Journal of Educational Technology, 2023,(5):1125-1146.
高海燕,张优良.英美著名高校的生成式人工智能政策及其启示.现代教育技术,2024,(7):42-50.
Almatrafi O, Johri A, Lee H. A systematic review of AI literacy conceptualization, constructs, and implementation and assessment efforts (2019-2023). Computers and Education Open, 2024,6:1-20.
Gaviria-Marin M, Matute-Vallejo J, Baier-Fuentes H. The effect of ICT and higher-order capabilities on the performance of Ibero-American SMEs. Computational and Mathematical Organization Theory, 2021,(4):414-450.
页:
[1]