揭示基因人工智能辅助学习对学生创造力的影响：基于准实验证据的元分析

《Thinking Skills and Creativity》：Uncovering the effect of Gen AI-assisted learning on students’ creativity: A meta-analysis from quasi-experimental evidence

　　

华友茶|方祺国|王金金|宋新怡|胡天辉

中国华中师范大学教育人工智能学院，武汉430079

摘要

虽然技术支持的学习传统上有助于促进高阶思维和创造力的发展，但新兴的生成式人工智能（Gen AI）在这一领域具有巨大的潜力。然而，关于Gen AI辅助学习是否能够有效培养学生的创造力，目前尚未达成共识。为了解答这个问题，本文采用了元分析方法，研究了32项相关的（准）实验性研究，以评估Gen AI辅助学习对学生创造力的潜在影响。研究结果表明，Gen AI辅助学习与学生的创造力之间存在中等程度的正相关关系（g = 0.420）。调节变量分析表明，Gen AI辅助学习对创造力的提升在以下情况下更为显著：(a) 医学护理和自然科学领域；(b) 教授程序性和混合知识时；(c) 将Gen AI整合到其他学习平台中时；(d) 学习干预持续1至4周时；(e) 在协作学习中；(f) 用于代码生成时；(g) 在非洲和南美洲等地区。这些结果为未来利用Gen AI辅助学习来培养学生的创造力提供了启示。

引言

创造力是21世纪发展不可或缺的技能和核心驱动力。它在个人成长、社会进步和技术创新中发挥着重要作用（Liang等人，2025年）。特别是，研究人员强调，培养学生的创造力对于构建创新的社会体系至关重要（Patston等人，2021年）。创造力不仅有助于学生的学术成功，还能为他们未来的发展做好准备，支持他们的社会适应能力，并使他们能够应对未知的挑战（Po-Sheng等人，2025年）。大量研究表明，创造力具有相当大的可塑性，尤其是在教育干预的作用下（Sardi等人，2025年）。此外，生成式人工智能（Gen AI）如ChatGPT的出现和成熟正在颠覆和创新传统教育（Zhang等人，2024年）。这促使研究人员探索Gen AI辅助学习如何促进学生的学习。一个关键问题是，这项技术是否能够有效培养创造力（Darmawansah等人，2024年；Li，2023年；Toma & Yánez-Pérez，2024年）。

例如，一些研究人员开发了基于Gen AI的学习环境，他们的发现表明Gen AI辅助学习可以有效提高学生的创造力（Sánchez-Guerrero等人，2023年；Wang等人，2025年）。然而，也有研究指出Gen AI并未产生显著的积极效果，甚至有人认为Gen AI可能通过培养过度依赖和抑制主动思考而阻碍创造力（Liang & Wu，2024年；Niloy等人，2024年）。显然，关于Gen AI辅助学习在多大程度上能够有效提升学生创造力，目前还没有明确的结论。鉴于这些不一致的研究结果，综合这些证据以理解其总体效应至关重要。

因此，本研究通过元分析来完成这一任务，弥合学术上的分歧。首先，由于特定情境的限制，现有的单项研究往往得出对立的结果，而我们的元分析提供了一个全局视角，准确客观地衡量了Gen AI辅助学习在培养创造力方面的整体效果。其次，仅仅对现有效果进行定量总结不足以解决潜在的理论争议。本研究系统地识别了影响这一效果的边界条件，通过同时考虑效果及其决定成功的关键因素，超越了碎片化的争论，为Gen AI增强教育的未来提供了一个基于证据的综合性框架。

章节摘录

生成式人工智能

作为人工智能领域的一个创新分支，Gen AI指的是使用生成模型的AI系统（Sengar等人，2024年）。通过利用生成对抗网络、Transformer和扩散模型等工具，Gen AI可以从数据中学习并生成新的、逻辑连贯的内容（Kollem等人，2023年；Sun & Zhou，2024年；Vasanthi & Mohan，2024年）。与传统的数据驱动型AI不同，Gen AI能够模拟数据背后的规则，从而生成独特的内容。

识别

文献识别过程遵循了PRISMA 2020指南，并采用了全面的多源搜索策略，以确保尽可能广泛地覆盖相关研究，具体细节见图1。我们的策略主要依赖于两个广泛使用的电子数据库——Web of Science（WoS）和Scopus的系统性搜索，搜索时间截至2025年1月，未指定起始日期。在数据库搜索中，术语被分为两类：

纳入研究的描述

本元分析包括了32项研究，共计51个独立效应量和4099名参与者。其中，实验组有2019名参与者，对照组有2080名参与者。从参与者的教育背景来看，88.24%来自大学，剩余的11.76%来自中学。在学科分布方面，自然科学、社会科学、医学护理、混合学科以及无特定学科背景的参与者比例分别为11.76%、

讨论

总体而言，本研究利用元分析方法分析了32篇文章，总结了Gen AI辅助学习与学生创造力之间的关联，并进一步探讨了调节变量，包括参与者的教育水平、创造力类型、应用模型等。

局限性与未来研究

尽管本文取得了一些创新成果，但在未来的研究中仍需考虑一些局限性。

首先，虽然我们关注（准）实验设计以确保对因果效应的稳健评估，但这种方法忽略了驱动这些结果的社会情感因素和过程导向因素。随着人机协作的复杂性增加，仅依靠定量指标可能无法完全反映学生在共创过程中的创造性表现（Noroozi

CRediT作者贡献声明

华友茶：撰写 - 审稿与编辑、可视化、验证、方法论、研究、概念化、监督、资金获取。

方祺国：撰写 - 原稿撰写、可视化、验证、方法论、研究、数据分析、概念化。

王金金：可视化、验证、方法论、研究、数据分析及概念化。

宋新怡：可视化、验证、方法论、研究、数据分析。

胡天辉：撰写 -

数据可用性声明

数据可根据合理请求提供。

*标有星号的参考文献表示被纳入元分析的研究

利益冲突声明

不存在利益冲突。

致谢

本研究得到了CPSF的博士后奖学金计划[项目编号GZB20240255]、湖北省博士后创新人才培养计划[项目编号2024HBBHCXB041]以及第七批中国博士后高层次项目基金[项目编号2024M761089]的支持。