大学生 AI 素养发展的动态路径：定量与定性证据的整合

文献：ZhuGe, Z., & Li, C. (2026). Dynamic pathways in the development of university students’ AI literacy: Integrating quantitative and qualitative evidence. Frontiers in Psychology, 17, 1822027. DOI: 10.3389/fpsyg.2026.1822027.

研究问题：既有 AI 素养研究大多把 AI 素养当作一种静态的、截面测量的个人能力——在某个时点测一次分数，用于预测使用行为或学习结果；至于“AI 素养究竟如何随时间发展变化、学生之间为什么会出现不同走向”，长期缺乏直接的纵向证据。本文要回答的核心问题是：大学生的 AI 素养随时间如何变化？是否存在多条不同的发展轨迹？如果存在，是什么机制（学习经历、实践机会、动机等）导致不同学生走上不同路径？

论证思路：采用混合方法设计（mixed methods），以“定量定形、定性释因”为逻辑主线。先用纵向重复测量数据追踪 AI 素养随时间的动态变化，通过模型拟合识别学生群体内部的不同发展轨迹；再以半结构化访谈获取质性证据，解释各条轨迹背后的形成机制；最后将两类证据相互印证、整合为动态发展路径模型，并据此讨论对 AI 素养教育课程设计的启示。以 405 名大学生为参与者，论文把“AI 素养是静态能力”这一默认假设改写为“多路径、动态发展”的经验命题。

一、混合方法设计：纵向追踪 + 质性访谈

研究的整体设计分为相互衔接的两条证据线：

样本：405 名大学生参与研究，覆盖不同年级与学科背景，为轨迹识别提供了足够的纵向观测。
定量部分（纵向/重复测量）：在多个时间点重复测量参与者的 AI 素养水平，追踪其随时间的动态变化；对纵向数据进行轨迹建模（growth trajectory modeling），考察是否存在若干条形态不同的发展轨迹，并报告模型拟合情况（见原文图 1）。这一设计使研究从“某时点水平高低”的横断面比较，转向“随时间如何变化”的过程性刻画。
定性部分（半结构化访谈）：在定量分析的基础上，对具有代表性的参与者进行访谈，聚焦学习经历、实践机会、动机等主题，解释定量结果所显示的轨迹差异“为什么”会发生，为路径分化提供机制层面的证据。
整合逻辑：定量部分回答“存在哪些轨迹”，定性部分回答“轨迹为何如此分化”，两类证据相互补充与三角验证，共同支撑动态发展路径模型。

二、定量发现：识别多条发展轨迹

论文报告了纵向模型的拟合情况（原文图 1），模型整体拟合结果支持“存在多条发展轨迹”的结构假设：

原文图1 发展路径模型 — 图1（原文 Figure 1）AI 素养动态发展路径模型

基于 405 名大学生多个时间点的重复测量，定量结果显示 AI 素养的发展并非“所有人走同一条上升曲线”，而是呈现出多路径、异质化的特征：

轨迹分化：学生群体可以被区分出多条形态不同的发展轨迹——有的学生素养随时间稳步上升，有的先升后稳，也有的提升缓慢甚至出现停滞。将全体学生视为单一发展整体，会掩盖这种内部异质性。
动态而非静态：重复测量的证据表明，AI 素养水平在个体层面是持续变动的，单一时点的测量无法代表学生的真实素养状态；这直接挑战了把 AI 素养当作固定特质的处理方式。
模型拟合报告：轨迹建模的结果与拟合指标（图 1 所示路径模型）为上述多轨迹解读提供了统计支撑，说明“多路径发展”不是叙述性的印象，而是可被纵向数据识别的经验结构。

三、定性机制：为什么不同学生走上不同路径

定量证据回答了“是什么样”，定性访谈则回答了“为什么”。对访谈资料的分析显示，轨迹分化背后主要存在三类机制：

学习经历：课程教学的质量、教师支持与反馈、系统的 AI 知识学习经历，塑造了学生素养发展的起点与爬升斜率；缺乏结构化学习经历的学生更可能停留在低水平或停滞轨迹。
实践机会：真实任务中的动手应用——项目、竞赛、课程设计、实习等——是素养加速上升的关键触发条件。访谈证据表明，获得充足实践机会的学生更易实现“从知道到会用”的跃迁，而实践机会不足的学生即使有学习意愿，素养提升也明显受限。
动机：内在兴趣、学业与职业目标导向等动机因素决定了学生投入 AI 学习的持续性与深度，进而影响其能否维持在上升轨迹上。动机水平与学习经历、实践机会相互叠加，共同解释了个体间发展路径的分化。

三类机制并非孤立起作用：学习经历与实践机会往往互为条件，动机则调节学生在面对机会时的投入程度。定性证据与定量轨迹相互印证，使“不同学生为何路径不同”获得了机制层面的解释。

四、教育启示：从“一次达标”到“路径支持”

重新定位 AI 素养教育的对象：既然 AI 素养是多路径、动态发展的，教育目标就不应停留在“某个时点达到某个分数”，而应关注学生在整个学习周期中的发展轨迹与走向。
课程设计应差异化而非一刀切：不同轨迹的学生需要不同的支持——对上升缓慢或停滞的学生，重点补足结构化学习经历与动机激励；对已处于上升轨迹的学生，提供进阶实践机会以维持斜率。
把实践机会写进课程：访谈机制提示，实践是素养跃迁的关键杠杆，课程设计应系统嵌入项目式、任务式的真实应用环节，而非只做知识讲授。
建立动态监测与反馈机制：借助纵向视角，教育者可以通过多时点观察识别学生的轨迹类型，及时干预偏离上升路径的学生，实现“路径层面的因材施教”。

精读笔记

核心论点：AI 素养不是一种静态能力，而是在学习经历、实践机会与动机的共同作用下多路径、动态发展的。以 405 名大学生为样本，纵向数据识别出多条发展轨迹，质性证据解释了轨迹分化的机制，二者整合为动态发展路径模型。

方法要点：

混合方法设计把“识别轨迹”（定量）与“解释机制”（定性）两条证据线整合在一个研究内，是单一横断面问卷无法实现的论证强度
纵向/重复测量设计直接追踪 AI 素养随时间的变化，避免横断面研究“以点代线”的偏差
轨迹建模报告模型拟合（原文图 1），为“存在多条轨迹”提供了统计依据；定量结果与访谈证据相互三角验证

局限与边界：

405 名参与者的样本规模与来源院校的覆盖面，限制了对轨迹数量与形态估计的稳定性，结论向其他地区、文化或院校类型外推需谨慎
轨迹的数量与形状可能随测量工具、测量间隔与分析设定而变化，不同研究之间难以直接比较
AI 素养若以自报测量为主，可能存在社会赞许性偏差；实践机会等机制的因果方向（是机会带来素养，还是素养带来机会）需要干预研究进一步厘清

可延伸方向：扩大样本并跨院校、跨文化检验轨迹结构的稳定性；开展课程与教学干预实验，检验“增加实践机会、强化动机支持”能否把停滞轨迹的学生推回上升路径；引入行为日志、作品产出等过程性数据替代单一自报测量，刻画更细粒度的发展动态；考察 AI 素养轨迹与学业表现、就业竞争力等下游结果的关联。

原文地址