《COMPUTERS and EDUCATION》：Generative AI: A Double-Edged Sword for Creative Thinking Learning — Evidence from Facial Expressions and fNIRS
编辑推荐：
随着生成式AI在教育中的普及，研究其对学生认知和情绪的影响至关重要。实验将128名参与者分为AI辅助组和传统组，通过发散思维和TRIZ方法测试，结合面部表情和fNIRS数据，发现AI显著提升创造力表现（专家评分91.4%准确率），但伴随负面情绪（如 brainstorming时恐惧增加）。PFC激活模式显示AI组在右侧DLPFC激活更强，而TRIZ过程激活左右两侧。研究指出AI在促进创新的同时需注意心理影响，为教育技术设计提供警示。
Xinheng Song|Yue Zhang|Zhaolin Lu|Linci Xu|Hengheng Shen
北京工业大学设计与艺术学院设计认知与计算研究中心，中国北京
摘要
随着生成式人工智能工具在教育领域的广泛应用，了解它们对学习者认知和情感过程的影响变得越来越重要。虽然人工智能在提升创造力方面具有潜力，但其对神经认知和情感过程的双重影响仍需进一步研究。本研究探讨了基于生成式人工智能的学习工具对创造性思维学习过程的影响。参与者被分为两组：一组使用生成式人工智能工具，另一组使用传统设计方法。他们分别完成了发散性头脑风暴创意任务和结构化的TRIZ创新方法任务。在任务过程中，收集了面部表情数据和功能性近红外光谱（fNIRS）数据，以探究生成式人工智能辅助的创造性思维教育对学生面部情绪变化及前额叶皮层（PFC）激活模式的影响。专家评估用于评估创造性思维的结果。结果表明，生成式人工智能显著提升了创造性思维的表现。面部情绪分析显示，在生成式人工智能的帮助下，头脑风暴过程中产生了更多的恐惧情绪，而TRIZ设计过程中则产生了更多的快乐情绪。fNIRS数据显示，在生成式人工智能的支持下，头脑风暴过程激活了右侧DLPFC区域，而TRIZ设计过程同时激活了左右两侧的DLPFC区域。机器学习分类器表明，面部情绪和fNIRS数据可以作为评估创造性思维表现的有效指标。CatBoost分类器在这两组中的准确率分别为91.40%和89.06%。本研究关注学习者的面部情绪和PFC活动，发现尽管生成式人工智能能够提升创造性思维表现，但也可能增加负面情绪。因此，在创造力教育中使用生成式人工智能时需要谨慎，以避免对学生产生潜在的负面心理影响。
章节片段
引言
随着以人工智能和机器学习为代表的新技术不断成熟，它们的应用范围越来越广，许多基于技能的任务逐渐被机器取代（Spector & Ma, 2019）。传统的技能导向学习已不足以满足社会对人才的需求。因此，在现代教育环境中，创造性思维教育和学习变得尤为重要（Hsia et al., 2021; Lin
创造性思维学习与生成式人工智能工具
创造力是心理学理论中的一个核心概念，指的是生成原创且实用的想法或输出的能力，其核心特征包括原创性和实用价值（Runco & Jaeger, 2012）。创造性思维是实现创造力的核心认知过程，指的是个体通过非线性信息整合和非传统的概念重组产生新颖且有价值想法的心理活动（Kenett, 2024）。
参与者
样本量的确定使用了G*Power程序进行独立样本t检验分析，统计功效为80%，显著性水平为5%（Bu et al., 2023）。效应量参数d设定为0.5（Kang, 2021），因此建议的样本量为128人。为了确保足够的统计功效，实验招募了128名年龄在18至30岁之间的参与者（平均年龄24.77岁，标准差2.734岁），其中男性64人，女性64人。
面部表情分析
为了研究使用生成式人工智能工具和传统工具的学习者在头脑风暴和TRIZ设计阶段面部情绪的差异，我们进行了独立样本t检验。
在头脑风暴阶段，生成式人工智能设计组与传统设计组之间的面部表情差异如图7所示。基本情绪中，恐惧情绪表现出显著差异（t (126) =
问题1：生成式人工智能是否提升了创造性思维学习的效果？
根据专家的创造力评估，生成式人工智能在两个设计阶段的表现均显著高于传统设计组，显示出整体上的优越性。然而，在分析具体评估标准时，生成式人工智能显著增强了创意输出的新颖性；在实际应用方面没有发现显著差异；而在设计深度方面
局限性
本研究存在一些关键局限性。首先，为了控制个体差异，实验对象是“新手”学习者，他们之前没有使用生成式人工智能进行创造性思维的经验。这种方法没有探讨过有生成式人工智能使用经验的学习者的情绪表达和认知机制。
结论
本研究旨在探讨生成式人工智能与传统方法在创造性思维过程中的差异。研究重点关注头脑风暴和TRIZ设计阶段，利用面部表情和fNIRS等客观生理数据测量方法，以及专家的创造力评估。
研究结果表明，在本研究的背景下，对于问题1，使用生成式人工智能与更高的专家创造力评估分数相关。
作者贡献声明
Hengheng Shen：撰写——初稿、验证、软件、资源整理。Linci Xu：撰写——初稿、可视化、方法论、概念化。Zhaolin Lu：撰写——审稿与编辑、资源整理、项目管理、研究实施、资金筹集。Yue Zhang：撰写——审稿与编辑、监督、资金筹集、正式分析。Xinheng Song：撰写——初稿、可视化、监督、软件、资源整理、方法论、资金筹集、正式分析。
未引用的参考文献
de Rooij and Mose Biskjaer, 2024; Dean et al., 2006; Du et al., 2014; Ibrahim, 2020; Kochanowska and Gagliardi, 2021; Mehra and Kant Verma, 2023; Rane et al., 2024; Strangman, 2002; Zhang et al., 2024.
披露声明
作者声明与本研究、作者身份及/或文章的发表没有潜在的利益冲突。
伦理声明
本研究遵循《赫尔辛基宣言》进行，并获得了北京工业大学伦理委员会的批准（批准编号BIT-EC-H-115）。
参与同意
向参与者提供了详细信息以解释研究目的，并获得了所有参与者的书面知情同意。
出版同意
所有参与者或其法定授权代表均已同意本文的发表。
资金支持
本研究得到了“国家自然科学基金”（项目编号52275234）、“中国留学基金委访问学者项目”（项目编号202106695014）、“中央高校基本科研业务费”（项目编号2024CX06123）、“中国留学基金委访问博士生项目”（项目编号202506030058）以及“北京工业大学科技创新计划项目”（项目编号2024CX01023）的支持。
Xinheng Song是北京工业大学设计与艺术学院设计认知与计算研究中心的博士生，同时也是慕尼黑工业大学的联合培养博士生。他获得了北京工业大学的硕士学位，研究兴趣包括设计认知和生成式人工智能设计。
