人工智能辅助能否提升大学生的创造力？一项实验研究

《New Ideas in Psychology》：Can artificial intelligence assistance enhance creativity in university students? An experimental study

AI辅助大学生创造力研究显示，使用DeepSeek-R1模型进行多轮深度交互可显著提升创意新颖性和实用性，单轮简单交互效果较弱。

　　
该研究聚焦于人工智能（AI）辅助对大学生创造力的影响机制，通过整合协同理论、知识管理理论和社交交互理论，构建了"AI工具+交互深度"双变量模型，在两个精心设计的实验中验证了理论假设。研究团队来自安徽大学科技与经济学院财务管理系，采用实证研究方法揭示了人机协同创作中的关键作用机制。

研究以大学生为实验对象，基于教育场景的典型性考量。首先，大学生正处于创造性思维发展的关键期，其认知模式既保留着人类独有的发散思维优势，又面临数字化转型的适应挑战。其次，高等教育机构作为AI教育工具应用的前沿阵地，学生群体的反馈能有效反映技术落地的实际效能。第三，作为未来职场主力，学生与AI的协同创作能力直接关系到其职业竞争力，研究结论可为教育技术设计提供重要参考。

在理论框架构建方面，研究突破性地将传统人机交互理论延伸至教育场景。协同理论强调人类智能与机器智能的互补性，知识管理理论关注知识整合与重构过程，社交交互理论则聚焦对话深度对认知影响。三者结合形成"工具赋能-知识重构-对话深化"的递进式模型，为AI辅助教学提供了多维度的理论支撑。

实验设计体现了严格的科学控制。第一项实验采用空白对照设计，将130名参与者随机分为AI辅助组（使用DeepSeek-R1模型）和手动对照组，通过案例分析（商业决策模拟）和创业计划书撰写（开放性任务）两大典型场景，系统比较AI介入对创造性产出质量的影响。结果显示，AI组在新颖性（M=4.95 vs 3.09）和实用性（M=4.92 vs 2.92）两个维度均显著优于对照组（p<0.05），证实了AI工具在激发创新思维方面的有效性。

第二项实验引入交互深度作为调节变量，136名参与者被分为单轮简易交互组（单次查询+基础建议）和多轮深度交互组（连续对话+迭代优化）。研究发现，多轮深度交互在提升创造性产出方面具有显著优势：新颖性评分达6.74（标准差1.12），显著高于单轮交互的4.44（p<0.05）；实用性评分6.71（标准差1.08）同样显著优于对照组4.49（p<0.05）。这一发现揭示了交互过程的动态优化价值——AI通过多轮对话持续修正认知偏差，逐步引导思考方向。

研究特别强调交互深度的调节作用。在单轮交互中，AI主要提供即时信息检索和基础结构建议，而在多轮交互中，系统可依据对话历史动态调整支持策略，例如识别思维定式后提供跨领域知识关联，在方案成型阶段强化可行性验证。这种深度交互不仅促进创意迭代，更形成知识共建的良性循环，使AI从辅助工具进化为认知伙伴。

在方法论层面，研究采用"任务驱动+随机分组"的设计，确保结果的可信度。实验选取的两个任务场景均具有商业实践价值：案例分析要求综合运用财务、运营、市场等多维度知识进行决策优化；创业计划书则需平衡创新性与可行性，特别考验创造性思维与实用价值的平衡能力。通过随机分配消除个体差异的系统性影响，同时控制环境变量（如实验室设备、时间分配等）确保实验效度。

研究发现具有三重理论意义：其一，验证了协同理论在教育场景的适用性，AI的介入不仅提供工具支持，更通过知识重构促进创造性思维跃迁；其二，拓展了知识管理理论的应用边界，证明结构化知识在动态交互中能有效激发隐性创新；其三，深化了社交交互理论在非人类主体中的实践，揭示了对话深度对认知模式的影响机制。

实践启示方面，研究为教育技术设计提供了关键参数：AI工具需具备多轮对话能力以实现认知深度拓展，系统应设计渐进式交互界面（从基础建议到复杂协同），同时需要教育者指导学生建立有效的对话策略，例如在初始阶段聚焦问题分解，中期强化方案验证，后期侧重创新迭代。这些发现可直接应用于智能教育平台开发，帮助优化人机协作流程。

研究创新点体现在方法论层面：首次将交互深度作为独立变量进行实验操控，突破传统研究中工具效能与使用模式的简单对应。通过对比单轮查询（平均对话轮次1.2）与多轮交互（平均轮次4.7）的产出差异，量化揭示了对话深度与创造性产出的非线性关系。此外，采用双盲专家评审机制（由3名企业管理者+2名教育学专家组成评审团）确保评价客观性，评分标准涵盖原创性（占比40%）、可行性（30%）、系统性（20%）、商业价值（10%）四个维度。

该研究对教育实践具有指导意义：在AI辅助教学中，应注重交互设计而非单纯工具部署。建议教育机构采用"基础功能+深度对话"的混合支持模式，初期提供标准化知识库查询，后期通过多轮对话引导学生进行创造性探索。同时需要建立动态评估体系，根据任务阶段智能调整交互策略，例如在创意生成阶段侧重发散思维引导，在方案优化阶段强化结构化验证。

研究局限性及未来方向也值得注意：样本集中于理工科院校学生（实验组n=68，对照组n=62），可能影响结果的普适性；AI模型的领域专精度（经济管理）可能限制跨学科应用；长期追踪数据不足，难以评估AI辅助对创造性思维的结构性影响。后续研究可拓展样本多样性，增加不同学科背景的参与者，同时设计纵向追踪实验，观察AI互动对学生创造性问题解决能力的长期影响。

该成果为教育领域AI应用提供了重要参考：在工具选择上，应优先支持多轮对话能力较强的AI系统；在教学方法上，需重构"教师-学生-AI"三角互动模式，将AI定位为认知脚手架而非替代品；在效果评估上，应建立涵盖思维深度、知识整合度、方案可行性等多维度的评价指标体系。这些发现不仅验证了人机协同创造的理论模型，更为智能教育工具的设计与评估提供了实证依据。