提升高等教育中的人工智能素养：关于学生与人工智能工具体验的混合方法研究

人工智能（AI）在教育中变得越来越普遍，改变了学生学习和与信息互动的方式。随着生成性人工智能（GenAI）等AI技术的不断发展，学生和教育工作者对AI素养的需求日益增加。本研究通过探讨研究生对AI评审机制和AI图像生成工具的接触如何影响他们对AI素养发展的感知，为高等教育中AI素养的新兴文献做出了贡献。 AI素养包括在各种背景下批判性理解、评估和应用AI技术的能力。在高等教育中，发展AI素养对于准备学生在AI驱动的世界中有效利用AI工具至关重要。本研究调查了学生对通过在研究生教育课程中与AI工具的实践体验来增强他们AI素养的有效方式的看法。

本研究采用了汇聚的混合方法案例研究，结合了定量调查数据和学生反思的定性见解。研究在美国中西部一所大学的教育学院内进行，涵盖了三个为期8周的在线课程。在61名注册学生中，有37名自愿参与了研究。 参与者主要是25至45岁之间的白人女性，攻读教育和人文学科的研究生学位。她们对AI技术的先前接触程度各不相同，22%的人报告对AI概念有较高的熟悉度，22%的人则对AI概念没有任何熟悉度。研究重点关注学生在两种关键AI应用中的体验：用于评估复杂论文的专业AI评审工具和用于反思学习体验的基于AI的图像生成工具。

本研究采用了整体的网络社会方法来探索学生对AI素养发展的感知。该方法包括： 1. 由研究团队设计和开发的社交学习平台的GenAI评审工具 2. 用于学生反思的GenAI图像生成工具 3. 通过课程资源和讨论对与AI相关主题的批判性接触 AI评审工具与OpenAI的GPT接口，提供对学生项目的自动反馈，补充同伴和教师的反馈。该工具通过提示工程、精确微调、透明度、人为审核和学科本体的整合得到了增强。 学生在整个学期内进行多模态项目，考察技术、教育理论和实践。他们在开发过程的不同阶段收到了AI和同伴的反馈，使他们能够比较和反思这两种类型的评审。

数据收集包括课程前后的调查和学生对其AI素养进展的反思。调查探讨了参与者对AI概念的熟悉程度、使用AI工具的信心以及对AI图像生成的体验。 调查的定量数据使用描述性和推论统计进行分析，包括配对样本t检验，以确定参与者报告的AI素养的显著变化。来自开放式调查响应和学生反思的定性数据经过主题分析，以识别与AI素养发展相关的共同主题和体验。

研究结果揭示了学生对AI素养发展的几个关键见解： 1. 对AI概念的熟悉度提高：学生报告在课程结束后对AI和机器学习概念的理解显著增加（平均分从2.62提高到3.22，满分5分）。 2. 使用AI工具的信心增强：参与者在教育目的上使用AI工具的信心显著提高（平均分从2.41提高到3.27）。 3. 提升提示创建技能：学生报告在为AI图像生成撰写提示方面的熟练度提高（平均分从2.16提高到3.35）。 4. 认识到AI的实用性：课程结束后，67%的参与者发现AI图像生成工具对他们的学习体验至少有中等的帮助。 5. 对AI反馈的批判性评估：学生发展了识别AI反馈与人类评审的优缺点的能力，展示了与AI应用相关的批判性思维技能的提升。

对学生反思的主题分析揭示了他们AI体验的几个重要方面： 1. 迭代学习过程：学生将与AI图像生成工具的互动描述为一个试错的迭代过程，从而提高了提示创建技能。 2. 创造性表达：参与者使用AI生成的图像隐喻性地表达他们与同伴和AI评审的体验，展示了AI工具的创造性应用。 3. 对AI的积极看法：学生将AI视为一种强大、智能和协作的工具，能够提高生产力并支持认知发展。 4. 对AI应用的兴趣增加：对AI评审的接触激发了学生对未来学术和职业背景中探索潜在AI应用的兴趣。 5. 在个人实践中整合AI：与AI评审工具有更多经验的学生报告在他们的教学实践和个人学习中更广泛地使用AI工具，如ChatGPT。

本研究的发现对将AI整合到高等教育中有几个启示： 1. 实践经验：为学生提供直接与AI工具互动的机会可以显著增强他们的AI素养和使用这些技术的信心。 2. 互补反馈：结合AI和同伴评审可以为学生提供对其工作的更全面理解，并培养批判性评估技能。 3. 创造性应用：鼓励学生使用AI工具进行创造性表达可以促进创新思维和对AI技术的更深入参与。 4. 定制策略：教育工作者应考虑根据学生的不同需求和AI素养水平，制定定制的教育策略，以最大化AI工具的采用和素养发展。 5. 持续技能发展：随着AI技术的不断发展，高等教育机构应优先考虑学生和教育工作者的持续AI素养发展。

尽管本研究为高等教育中的AI素养发展提供了宝贵的见解，但也存在一些局限性： 1. 自我报告数据：本研究依赖于学生对AI素养的自我报告感知，这可能无法完全反映实际技能的发展。 2. 样本量有限：本研究涉及来自单一大学的37名参与者，样本量相对较小，限制了结果的普遍性。 3. 特定教育背景：研究集中于研究生教育课程，结果可能不适用于其他学科或教育水平。 未来的研究方向可以包括： 1. 客观评估：开发和实施AI素养的客观测量，以补充自我报告数据。 2. 纵向研究：调查AI整合对学生AI素养和学业表现的长期影响。 3. 跨学科研究：探索不同学科和教育水平的AI素养发展。 4. 伦理考量：审查AI整合在高等教育中的伦理影响，并制定负责任的AI使用框架。 5. 教学策略：研究有效的教学方法，以增强不同学生群体的AI素养。