《Smart Learning Environments》：Resisting the machine: modeling emotional friction and academic decline in enforced AI learning environments
编辑推荐：
本文从技术阻力理论（TRT）出发，构建了一个涵盖系统可靠性、任务常规化、信息丰富度、强制性使用、负面技术体验与技术阻力的整合模型，揭示了在高等教育强制性AI环境中，系统设计缺陷如何通过负面体验触发技术阻力，并最终导致学业表现下降的内在机制（p < 0.001），为AI教育技术的“以学生为中心”设计提供了实证依据。
引言：当AI从“赋能工具”变为“强制环境”
人工智能（AI）在高等教育中的整合已从自愿参与转向强制性使用。然而，文献中常将各类AI技术（如智能辅导系统、预测分析、大语言模型）混为一谈。本研究明确定义，AI增强学习系统是指在高等教育中支持教学、评估和反馈的，能够进行自主或半自主决策的计算技术。在智慧学习环境（SLEs）中，这些系统实现了实时学习者建模、动态内容交付和精准反馈循环。后疫情时代向混合式教育的转变加速了这一整合，但技术赋能与人类适应能力之间的张力日益凸显。实证证据表明，数字流畅的学生能有效利用自适应系统，而其他学生在面对复杂界面时则可能经历焦虑、超负荷或退缩。当这种差异未被正视时，AI可能从赋权工具异化为排斥机制。简言之，AI的采用速度已超过了人类的适应能力，催生了尚未被充分理论化的学生抵抗形式。
文献综述：强制性使用下的技术阻力形成路径
技术阻力在本文中被定义为一个认知、情感和行为反应的集合，个体通过它有意或无意地抵抗或退出技术使用。这与技术压力、技术焦虑等概念有所区别：技术压力强调技术超载导致的紧张；技术焦虑指预期的恐惧和低自我效能感；而技术阻力则是在强制使用AI系统下触发的一种行为表现，包括回避、拒绝或最低限度服从。在当代大学中，AI已成为学习基础设施中强制的一部分，但其普遍性也产生了新的认知失调和情感压力。学生报告了当AI中介过程取代人际互动或系统错误干扰学业进度时的挫败感和疏离感。三个相互关联的系统性挑战放大了这些张力：系统不可靠性（如延迟、数据丢失）、任务非常规化引入的迷失感，以及信息贫乏的AI反馈。这些因素共同将本应是认知脚手架的工具转变为心理负担，催化了技术阻力。
本研究提出的学生中心框架整合了关键的技术前因（系统可靠性和信息丰富度）、情境中介（强制性使用）和行为结果（负面技术体验与技术阻力）。该框架基于技术阻力理论（TRT），并借鉴技术接受模型（TAM）和期望确认理论，将阻力概念化为用户感知的技术需求与其能力、信心或满意度之间失调所引发的心理和行为反应。研究目标包括：1) 检验系统可靠性、任务常规化和信息丰富度如何影响学生在AI驱动学习中的负面体验；2) 调查强制性AI使用是否在技术决定因素与负面学习体验之间起中介作用；3) 分析强制性AI使用在多大程度上塑造学生的技术阻力和学业表现；4) 确定技术阻力是否显著负向影响学生在AI增强学习环境中的学业表现。
研究方法：马来西亚高等教育背景下的量化探索
本研究采用定量横断面设计，旨在实证检验马来西亚大学生在使用AI赋能学习技术时技术阻力的前因与后果。研究背景选在马来西亚是适时的，在该国“MyDigital蓝图”推动下，当地大学正通过AI驱动工具加速数字化转型。目标人群为马来西亚全国的1,271,499名高等教育学生。根据Krejcie和Morgan公式，在95%置信水平和5%误差幅度下，最小样本量为384。最终数据集包含229份有效回复，占推荐样本量的59.6%。样本量不足归因于疫情后学术恢复期的参与度限制、确保概念效度的目的性抽样（仅限有AI工具使用经验的学生）以及数字原生代中普遍存在的调查疲劳。参与者报告了广泛AI系统的使用，超越了大语言模型（LLMs），包括自适应学习管理系统模块、智能辅导系统、自动论文评分应用以及Turnitin的AI相似性检测等。人口统计学分析揭示了不同的AI参与模式：本科生更依赖生成式对话AI工具，而研究生和专业学习者则更多使用机构AI基础设施。
研究工具为结构化问卷，通过Google Forms分发。问卷包含两个部分：A部分为人口统计学数据；B部分测量了七个构念，均改编自先前研究的已验证工具，包括系统可靠性、任务常规化、信息丰富度、强制性使用、负面技术体验、技术阻力和学业表现。所有项目均采用五点李克特量表。通过专家评审和包含30名学生的预测试确保了工具的效度和信度。内部一致性通过Cronbach‘s α评估，大多数构念超过0.70。在进行探索性因子分析前，通过Kaiser-Meyer-Olkin抽样充分性测量和Bartlett球形检验确认了数据适合进行因子分析。随后采用主成分分析和方差最大旋转进行探索性因子分析，以确定构念的潜在结构。数据分析使用IBM SPSS Statistics v.29，包括描述性分析、探索性因子分析和多元回归分析，以检验自变量与因变量之间的关系，特别关注负面技术体验和技术阻力的中介作用。
研究发现：系统可靠性与信息丰富度的关键作用
受访者概况：共收集229份有效回复。受访者在年龄、性别、学习层次、大学类型和学科领域上呈现多样性。年龄分布以41-45岁居多（24.0%），女性占主导（73.4%）。在学习层次上，41.4%为硕士研究生，32.8%为博士候选人，25.8%为本科生。绝大多数受访者（86.0%）就读于公立大学。学科领域以商业与管理（45.0%）占比最高。
描述性分析与假设检验：描述性统计显示，学业表现均值最高（M=6.484），信息丰富度（M=6.024）和任务常规化（M=5.834）次之。负面技术体验（M=3.272）和技术阻力（M=2.980）的均值最低。相关性分析显示，系统可靠性与任务常规化呈中度正相关（r=0.442），任务常规化与信息丰富度高度相关（r=0.788）。负面技术体验与技术阻力呈中度正相关（r=0.602），技术阻力与学业表现呈负相关（r=-0.284）。
假设检验结果总结：
- •
H1（系统可靠性→强制性使用→负面技术体验）：支持（F=2.273， p=0.010）。系统可靠性通过强制性使用间接减少负面体验。
- •
H2（任务常规化→强制性使用→负面技术体验）：不支持（F=1.521， p=0.125）。任务常规化本身对负面体验影响不显著。
- •
H3（信息丰富度→强制性使用→负面技术体验）：支持（F=1.856， p=0.053）。信息丰富度通过强制性使用显著减少负面体验。
- •
H4（强制性使用→负面技术体验→技术阻力）：强烈支持（F=12.236， p<0.001）。负面技术体验在强制性使用与技术阻力间起完全中介作用。
- •
H5（强制性使用→学业表现）：不支持（F=1.771， p=0.060）。强制性使用不能直接提升学业表现。
- •
H6（技术阻力→学业表现）：支持（F=4.765， p<0.001）。技术阻力负向影响学业表现。
讨论：超越强制，关注体验与设计
研究发现，系统可靠性和信息丰富度是减少强制性AI学习环境中学生负面体验的关键缓冲因素。这扩展了技术接受模型（TAM）等传统框架，强调了在非自愿使用情境下系统功能性和内容质量的核心作用。相反，任务常规化未能显著减少负面体验，这可能是因为AI环境中的自动化任务流若缺乏灵活性，会被学生感知为限制性或脱离实际学习需求。
研究最有力的发现之一是，负面技术体验完全中介了强制性使用与技术阻力之间的关系。这表明，阻力并非直接源于强制政策本身，而是源于在此政策下遭遇的糟糕用户体验。因此，将技术阻力视为系统设计、支持或数字准备度存在差距的诊断信号，而非学生的抗拒，至关重要。
此外，强制性使用本身并不能直接带来学业表现的提升（H5不支持），这挑战了“技术暴露即等于学习改善”的假设。只有当技术阻力降低时（H6支持），学业表现才有可能提升。这些结果共同表明，成功的AI整合不能仅依靠部署和授权，而必须通过可靠的技术、丰富的内容和积极的用户体验来建立信任、促进有意义的使用。
结论与展望：迈向人本AI教育
本研究通过整合系统层面、任务相关和心理因素，揭示了在强制性AI学习环境中，系统设计缺陷如何通过负面技术体验引发技术阻力，并最终损害学业表现。主要的理论贡献在于将技术阻力理论（TRT）应用于非自愿的AI教育情境，并确立了“负面技术体验”这一关键中介变量的核心地位。
实践启示：对教育机构和技术开发者而言，必须优先保障系统可靠性和信息丰富度。技术故障和贫乏的反馈会迅速侵蚀信任。同时，应认识到强制性使用并非提升学习效果的万能药，需注重培养自主支持性的学习环境，将AI作为学习的促进者而非强制执行者。
政策建议：高校的数字转型战略应超越单纯的技术采纳，转向以用户为中心的治理框架。应建立涵盖系统正常运行时间、数据安全、内容准确性和界面可用性的AI工具质量保证基准。制度上应将技术阻力视为改进系统设计的预警，并投资于技术支持、入职培训和能力建设项目。
研究局限与未来方向：本研究的局限性包括使用横断面数据和自我报告问卷可能带来的偏差，以及样本仅限于马来西亚学生，限制了结论的普适性。未来研究可采用纵向或实验设计，并纳入如教师能力、学生动机特征等调节变量。跨文化、跨学科的对比研究将有助于理解社会经济技术条件如何影响AI采纳与抵抗之间的关系。此外，整合学习分析数据和定性访谈，可以更细致地揭示适应、抵抗和信任形成的微观过程。探索数字伦理、包容性和可持续性在AI驱动教育中的中介作用，也将是未来有价值的研究方向，这与联合国可持续发展目标4（优质教育）紧密相连。
