《Computers and Education: Artificial Intelligence》：Exploring the relationship between empowerment in using artificial intelligence for problem-solving and artificial intelligence ethical awareness: Multi-group structural equation modelling
编辑推荐：
本研究探讨了在问题解决中使用人工智能（AI）的赋能（包含影响、自我效能感和意义感三个维度）与学生AI伦理意识（涵盖人类自主性、有益性和公平性）之间的关系。研究人员基于计划行为理论、情境期望价值理论和技术接受与使用统一理论，对681名香港中小学生及大学生进行了调查。结构方程模型结果显示，使用AI解决问题的影响维度正向预测人类自主性、有益性和公平性；意义感正向预测有益性；而自我效能感却负向预测有益性。多群组分析进一步揭示了性别在上述部分路径中的调节作用。这些发现表明，心理赋能是培养学生AI伦理意识的有效干预手段，基于项目的学习（PBL）方法则为AI应用提供了支持性环境。
随着人工智能技术在教育、医疗、语言学习和决策支持等领域的迅猛发展，全球教育机构和学者们正积极探索其在个性化学习指导、提升学习动机、参与度和表现方面的应用潜力。然而，伴随着AI技术的广泛应用，一系列伦理问题也浮出水面，例如教育领域的数字霸权、学习者与AI系统间的权力关系、数字鸿沟以及对边缘群体的偏见与歧视等。因此，培养学生的AI伦理意识，使其在使用、开发和创造AI技术时能够秉持人类自主、透明、公平、有益等伦理原则，已成为AI素养教育至关重要的一环。尽管AI伦理的重要性日益凸显，但究竟有哪些因素能够促进学生AI伦理意识的发展，当前的研究却相对匮乏。心理赋能作为一个关键动机因素，被认为能深刻影响学生将伦理规范融入AI解决方案的意图，但其与AI伦理意识的具体关系尚不明确。为了填补这一空白，来自香港教育大学数学与资讯科技学系的学者Siu Cheung Kong和Jinyu Zhu展开了深入研究，其成果发表于《Computers and Education: Artificial Intelligence》期刊。
为了探究上述问题，研究者采用了一系列严谨的量化研究方法。首先，研究在香港的中学和大学中招募了681名学生作为参与者，他们均参与了一项为期三部分、总计14小时的AI素养课程项目，其中第三部分课程专门采用基于项目的学习（Project-Based Learning, PBL）方法，让学生通过团队协作，利用AI工具解决现实问题，并在过程中嵌入伦理考量。研究通过问卷调查收集数据，使用的测量工具包括“使用AI解决问题的赋能量表（EUAIPS）”和“AI伦理意识量表（AIEAS）”，前者包含影响、自我效能感和意义感三个维度，后者则测量人类自主性、有益性和公平性。数据分析阶段，研究者对数据进行清洗，剔除了超过5%缺失值和异常值（通过马氏距离识别）的个案，最终保留了621份有效样本。随后，他们利用结构方程模型（Structural Equation Modeling, SEM）检验了赋能各维度对AI伦理意识各维度的预测作用，并通过多群组SEM分析了性别在这些关系中的调节效应。在进行分析前，还通过验证性因子分析（Confirmatory Factor Analysis, CFA）确保了测量工具的信效度，并检验了测量在不同性别间的跨组不变性。
4.1. 描述性统计、内部一致性及双变量相关性
数据分析显示，各主要变量的偏度和峰度值均在可接受范围内，数据呈正态分布。克隆巴赫α系数介于0.802至0.960之间，表明量表具有良好的内部一致性。相关性分析结果表明，“使用AI解决问题的影响”与“公平性”的相关性最高，同时，它与“人类自主性”和“有益性”也呈显著正相关。“使用AI解决问题的意义感”与AI伦理意识各维度也呈显著正相关，且相关性强于“自我效能感”与各伦理维度的相关性。
4.2. CFA结果
验证性因子分析结果显示，EUAIPS和AIEAS的三因子模型均对数据有良好的拟合度（CFI和TLI均大于0.95，RMSEA和SRMR均小于0.08），为后续的结构方程模型分析提供了坚实的结构效度基础。
4.3. SEM结果
结构方程模型的拟合指标良好。模型解释了“有益性”61.8%的方差、“公平性”61.6%的方差和“人类自主性”53.7%的方差。具体路径分析显示：
- •
使用AI解决问题的影响维度，显著且正向地预测了人类自主性、有益性和公平性。
- •
使用AI解决问题的自我效能感维度，对有益性有显著的负向预测作用，但对人类自主性和公平性的预测作用不显著。
- •
使用AI解决问题的意义感维度，对有益性有显著的正向预测作用，但对人类自主性和公平性的预测作用不显著。
4.4. 多群组SEM结果
在满足测量跨组不变性的前提下，多群组分析揭示了性别在部分路径上的调节作用：
- •
使用AI解决问题的影响对人类自主性的预测作用，在男性学生中显著，但在女性学生中不显著。
- •
使用AI解决问题的自我效能感对人类自主性的预测作用，在男性和女性学生中存在显著差异，但均未达到统计显著性（男性为正相关但不显著，女性为负相关但不显著）。
- •
使用AI解决问题的意义感对人类自主性的预测作用，在女性学生中显著为正，但在男性学生中不显著。
此外，使用AI解决问题的影响对公平性的正向预测作用、以及意义感对有益性的正向预测作用在男女两组中均显著成立。自我效能感对有益性的负向预测作用仅在女性组中显著。
5. 讨论与结论
本研究首次尝试厘清使用AI解决问题的赋能与AI伦理意识之间的关系。研究发现，感受到AI解决问题之影响力的学生，更倾向于在开发AI解决方案时考虑人类自主、有益和公平等伦理原则。这符合计划行为理论（TPB）和情境期望价值理论（SEVT）的观点，即态度和主观价值显著影响个体的行为意图。此外，在PBL课堂环境中，学生通过观察同伴如何利用AI促进社会公益并成功规避伦理风险，其伦理意识也得到塑造。
意义感对有益性的正向预测表明，当学生认为使用AI解决问题与其个人信念、标准和价值观相符时，他们更可能关注其解决方案是否对社会和个体有益。这一发现与关于工作意义与AI伦理的近期研究相呼应，强调了提供有意义的工作机会对于用户福祉和繁荣的伦理重要性。
一个意外的发现是，自我效能感对有益性存在负向预测。这可能意味着，自我效能感高的学生（通常具备更强的技术背景或AI教育经验）可能对AI系统的运作机制有更深入的了解，但这也可能伴随着对技术复杂性的认知，或使其更关注效率和技术可行性，而在特定情境下相对弱化了对其社会有益性的考量。另一种解释是，较低自我效能感的学生由于对AI算法理解有限，可能削弱了他们对确保AI方案社会有益性的责任感。
性别差异的发现尤为重要。男性学生中“影响力”对“人类自主性”的预测更强，这可能反映了男性更倾向于将权力定义为对环境控制的传统观念。相反，女性学生中“意义感”对“人类自主性”的预测更强，这可能与女性更重视连接、合作等维度有关。这些发现揭示了在AI伦理教育中考虑性别差异的必要性，提示教育者需设计更具包容性的干预措施，以激发不同性别学生的伦理意识。
综上所述，本研究表明，心理赋能，特别是对AI解决问题之影响和意义的感知，是培养学生AI伦理意识的有效途径。基于项目的学习（PBL）方法通过提供支持性环境和观察学习的机会，成功地将理论原则与实践经验相结合，有助于缩小AI伦理的“原则-实践”差距。这些发现为教育工作者和政策制定者设计AI素养课程、特别是融入伦理教育的实践模块提供了实证依据和理论指导。未来研究可进一步探索其他可能的影响因素，并在不同文化背景和年龄段的学生中进行验证，以丰富我们对如何有效培养负责任的AI公民的理解。
