大学生 AI 素养与认知灵活性的画像分析及其与深度学习能力的关联

文献：Chen, Y., et al. (2026). Profile analysis of college students’ AI literacy and cognitive flexibility and its correlation with deep learning ability. Frontiers in Psychology, 17, 1921158. DOI 10.3389/fpsyg.2026.1921158。IF 2.9（Q1）。

研究问题：生成式 AI 快速进入大学课堂，学生的 AI 素养（AI literacy）成为数字时代的关键能力，而认知灵活性（cognitive flexibility）被认为是学习者能否在多变的技术环境中迁移与整合知识的底层心理资源。但已有研究大多把学生当作“平均人”，用变量中心（variable-centered）的方式考察 AI 素养的单变量效应，难以回答：学生群体内部是否存在不同类型的 AI 素养 × 认知灵活性组合（画像）？不同画像的学生在深度学习能力（deep learning ability）上是否存在系统差异？

论证思路：作者采用**人中心（person-centered）**的潜在剖面分析（LPA, Latent Profile Analysis），以 AI 素养与认知灵活性为分类指标，让数据自己“说话”，识别出若干特征各异的画像组；随后比较各画像组在深度学习能力上的差异，检验画像类型是否具有教育意义上的区分效度。研究采用多阶段抽样，分别收集了 n=363、n=285、n=193 的三批子样本，兼顾了探索性与验证性的分析需要。

图1（原文 Figure 1）AI 素养与认知灵活性画像分析结果

一、为什么用 LPA：从“变量”转向“人”

传统回归或结构方程模型回答的是“AI 素养每提高一个单位，深度学习能力提升多少”，这种变量中心思路隐含一个假设：所有学生遵循同一条作用路径。但现实中，AI 素养高的人未必认知灵活，认知灵活的人也可能缺乏 AI 素养——变量之间的组合方式远比单变量均值更重要。

LPA 的思路恰恰相反：它不预设分类，而是基于个体在各指标上的得分模式，用统计模型（如 BIC、AIC、熵值等拟合指标）比较 1 类到若干类模型的优劣，选出最能代表数据结构的画像数量。本研究的分类指标是 AI 素养与认知灵活性两个连续构念，因此识别出的每一类画像都代表一种“AI 素养—认知灵活性”的特定组合水平，而非简单的单维高低分组。

二、识别出的画像类型

基于 n=363、n=285、n=193 等多阶段样本的 LPA 结果，研究识别出不同水平的画像组，其中包括典型的“双高”与“双低”画像：

高 AI 素养—高认知灵活性组：两类资源兼备，既能理解与运用 AI 工具，又能灵活切换视角、整合新旧知识；
低 AI 素养—低认知灵活性组：两类资源均薄弱，对 AI 的使用停留在表层，且难以适应知识结构的调整；
此外还有处于中间水平或两类资源发展不平衡的画像组（如 AI 素养较高但认知灵活性偏低、或反之），反映出学生群体的异质性——这正是变量中心方法容易掩盖的信息。

值得强调的是，LPA 识别出的画像并非研究者主观切分，而是由数据拟合指标（信息准则、分类熵、似然比检验等）择优决定的，因此画像数量与形态在不同样本中具有一定稳健性检验意义。

三、画像与深度学习能力的关联

深度学习能力（deep learning ability）指学习者超越机械记忆，进行理解、迁移、批判性建构与问题解决的高阶学习表现。研究比较了各画像组在深度学习能力上的得分，核心发现是：

画像类型与深度学习能力显著关联：“高 AI 素养—高认知灵活性”组在深度学习能力上显著高于其他组，说明两类资源的协同比单一资源更重要——AI 素养提供工具与信息处理能力，认知灵活性提供在不同情境中重构与迁移知识的心理机制，二者叠加才能真正转化为深度学习表现；
“低—低”组处于明显劣势，是教育干预的重点对象；
中间与失衡画像组的深度学习能力介于两者之间，提示两类素养的发展并不同步，需要分别诊断、分别施策。

这一结果为“AI 素养是深度学习的前提”提供了更精细的证据：不是“AI 素养越高越好”的线性关系，而是AI 素养与认知灵活性共同构成学生发展的“组合资本”。

四、对差异化 AI 素养教育的启示

从“一刀切”走向“画像导向”：既然学生内部存在不同类型的 AI 素养 × 认知灵活性组合，AI 素养教育就应按画像分层设计——对“高—高”组提供进阶性的跨学科 AI 应用任务，对“低—低”组先补齐基础工具使用与学习策略；
认知灵活性应成为 AI 素养课程的显性目标：研究提示认知灵活性与 AI 素养协同发挥作用，课程设计中应有意识地训练学生切换视角、重构问题框架的能力，而非只教工具操作；
诊断先行、精准干预：多阶段样本与 LPA 提供了一个可复制的“画像诊断”路径——学校可先用简版量表完成学生画像分类，再据此匹配课程内容与支持资源；
关注失衡画像：对“AI 素养高但认知灵活低”的学生，警惕其对 AI 的依赖式使用；对“认知灵活但 AI 素养低”的学生，则降低使用门槛、补足技术基础。

精读笔记

核心论点：大学生群体在 AI 素养与认知灵活性上存在可区分的联合画像，而非同质的“平均水平”；不同画像在深度学习能力上差异显著，“高 AI 素养—高认知灵活性”的组合最能支撑深度学习，因此 AI 素养教育应基于画像差异化、精准化实施。

方法要点：

人中心的潜在剖面分析（LPA），以 AI 素养与认知灵活性为分类指标，由数据驱动确定画像数量与形态；
多阶段样本设计（n=363、n=285、n=193），兼顾探索与验证，提升画像结构的稳健性；
以深度学习能力为外部效标，比较画像组间差异，检验画像分类的教育意义（区分效度）。

局限与边界：

横断面设计，画像与深度学习能力的关系不能直接解释为因果；
画像结构与数量可能随样本、测量工具与 AI 技术发展阶段而变化，跨文化、跨院校的推广需谨慎；
自陈量表测量可能存在社会赞许偏差，深度学习能力的外显行为指标有待补充。

可延伸方向：

纵向追踪画像的稳定性与转变，考察教育干预如何推动学生从“低—低”画像向上迁移；
引入课堂行为数据（如 AI 工具使用日志、学习投入指标）验证画像的客观效度；
检验学科差异：不同专业学生的画像分布与最优干预策略是否不同；
将画像分析扩展到教师群体，考察教师的 AI 素养—认知灵活性画像如何影响其教学设计与学生发展。

原文地址