AI 赋能问题解决量表的开发与验证：面向高中与大学生

文献：Kong, S. C., Zhu, J., & Yang, Y. N. (2025). Developing and validating a scale of empowerment in using artificial intelligence for problem-solving for senior secondary and university students. Computers and Education: Artificial Intelligence, 7, 100308. DOI: 10.1016/j.caeai.2025.100308

研究问题：AI 素养研究长期聚焦于“能力”维度——学生会不会用、用得好不好。但学生是否心理与情感上做好准备去主动利用 AI 的优势解决问题，是另一层被忽视的问题。本研究要回答的是：如何把“赋能”（empowerment）这一心理学构念操作化，开发并验证一套面向高中与大学生、测量其在用 AI 解决问题时心理赋能感的量表，从而为 AI 教育的效果评估提供理论驱动的测量工具。

论证思路：论文先论证“赋能”视角的必要性——AI 素养不只是能力问题，还包含个体对自身能否有效驾驭 AI 的信念、掌控感与情感准备；随后以赋能理论为根基生成题项，设计两阶段实证流程：第一步用 N=477 的样本（高中与大学生，覆盖多样学科背景，原文图 1 展示了学科分布）进行题项筛选与探索性因子分析（EFA），并用平行分析（parallel analysis，结合碎石图，原文图 2）客观确定因子数量；第二步用独立样本 N=409 做验证性因子分析（CFA），交叉验证结构的稳定性。整条路径是理论驱动、双样本检验的严谨量表开发范式。

一、赋能理论：从“会用”到“敢用、愿意用”

现有 AI 素养框架多围绕知识、技能与态度展开，回答了“学生是否具备使用 AI 的能力”，却较少触及“学生在心理上是否准备好、是否感到自己有能力掌控 AI 去解决真实问题”。本文引入的赋能（empowerment）概念正是补上这一缺口：赋能使人获得掌控感与能动性，个体不仅知道 AI 能做什么，更相信自己能够利用 AI 达成目标，并愿意在问题解决情境中主动调用这一资源。

这一视角有两点理论增量。其一，它将 AI 素养研究的重心从“输入端的能力清单”推向“输出端的心理状态”，使 AI 教育的目标从教会工具操作升级为培养一种持久的内在准备。其二，它为评估提供了新的可测构念——量表的测量对象正是学生在使用 AI 解决问题时的心理赋能感，即学生对自己能否借助 AI 有效解决任务的信念与情感体验，而非对 AI 知识的掌握程度。

二、量表开发流程：理论驱动 + 两阶段实证

该研究的流程体现了教科书式的量表开发规范，可以拆解为四个环节：

理论奠基：从赋能理论出发界定构念边界，明确量表要测量的是一种心理与情感的准备状态，区别于能力测验，这保证了内容效度的来源。
题项生成与内容审查：基于理论维度编写题项，经由专家与目标群体审读，确保题项语言对高中生与大学生同样可理解。
探索阶段（第一步样本 N=477）：样本包含高中与大学生，且覆盖多样化学科背景（原文图 1 展示了学科分布），以增强题项筛选的外部代表性。此阶段用 EFA 探索因子结构，并采用平行分析这一比经验法则（如特征值大于 1）更稳健的方法确定因子数量——平行分析将样本特征值曲线与随机数据生成的特征值曲线对照，取两条曲线分离的位置作为因子数依据，原文图 2 的碎石图直观呈现了这一过程。
验证阶段（第二步样本 N=409）：用独立新样本做 CFA，检验探索所得因子结构是否复现，并评估量表的信度与效度证据。

原文图2 平行分析碎石图 — 图2（原文 Figure 2）平行分析碎石图：确定因子数量

三、验证结果：双样本交叉确认结构

因子数量确定：平行分析结合碎石图（原文图 2）支持了预设的因子结构，避免了仅凭特征值大于 1 的经验法则导致的因子过度提取问题——这是本研究方法上最值得称道的一点，保证了后续 CFA 模型设定的客观依据。

结构效度：第一步样本（N=477）的 EFA 显示出清晰的因子载荷结构；第二步独立样本（N=409）的 CFA 检验了该结构的拟合情况，验证了探索阶段所得因子模型在样本外的稳定性。两步样本的先后衔接构成“探索—验证”的双样本设计，显著降低了单一数据集上因子结构偶然性的风险。

测量目的达成：最终量表以学生在使用 AI 解决问题时的心理赋能感为测量对象，既可用于描述学生群体的赋能水平，也为后续检验赋能水平与 AI 使用行为、学习结果之间关系的实证研究提供了基础。

四、应用价值

对 AI 教育实践：学校可以用该量表在课程前后测量学生的心理赋能变化，把“学生敢不敢用、愿不愿意用 AI”纳入教学效果评估，弥补现有评估偏重知识与技能的不足。
对研究者：提供了一套理论驱动、信效度有据的中文教育情境适配基础（量表面向高中与大学生，涵盖不同学科），可进一步用于大规模调查与干预研究中的机制检验。
对政策与课程设计：“赋能”视角提示政策制定者与课程开发者：仅仅提供 AI 工具与技能培训不够，还需要设计增强学生掌控感与自我效能的活动，让学生从“会用”走向“敢用、愿意用”。
方法论示范：477→409 的双样本设计、平行分析定因子数的做法，本身就是一篇可供 AI 教育测量研究借鉴的量表开发范例。

精读笔记

核心论点：AI 素养不应只被理解为能力问题，还应包含心理与情感准备；“赋能”是连接 AI 能力与真实问题解决行为的关键心理构念，本文开发并验证了测量这一构念的量表，为 AI 教育研究提供了理论驱动、双样本验证的测量工具。

方法要点：

理论驱动而非纯经验归纳：从赋能理论出发界定构念，再生成题项，内容效度有明确来源
双样本两阶段设计：N=477 用于 EFA 探索，独立样本 N=409 用于 CFA 验证，交叉确认结构稳定性
样本覆盖面广：同时纳入高中生与大学生，且学科背景多样（图 1），提升量表推广性
用平行分析（结合碎石图，图 2）而非经验法则确定因子数量，减少因子提取的主观性与过度提取风险

局限与边界：

数据为自我报告问卷，测量的是心理赋能感而非实际 AI 使用行为，赋能水平与真实行为表现之间的对应关系仍需进一步检验
样本为高中与大学生群体，量表向中小学、职教或成人学习者推广前需要重新检验其测量等价性
横断面设计无法揭示赋能水平的纵向发展规律，也无法确立赋能与学习结果间的因果关系
量表语言与情境基于研究所在教育体系生成，跨文化使用时需注意文化适应性问题

可延伸方向：将赋能量表与 AI 使用行为、学业表现数据联动，检验“赋能→行为→结果”的完整链条；设计纵向追踪或干预实验，考察课程与训练对赋能水平的因果提升；开展跨文化测量不变性检验；将该量表与批判性 AI 素养、AI 依赖等相邻构念共同施测，绘制更完整的 AI 素养心理结构图谱。

原文地址