体育管理教育中的人工智能：学生视角

《International Journal of Management Education》：Artificial intelligence in sport management education: A students' perspective

　　塞缪尔·洛佩斯-卡里尔 | 马里奥·阿尔瓜希尔 | 克里斯蒂安·格雷戈里-福斯 | 克里斯托斯·阿纳斯塔戈普洛斯
瓦伦西亚大学体育科学与运动学院体育教育与体育系，加斯科奥利亚格街3号，46010，瓦伦西亚，西班牙

**摘要**
人工智能（AI）正在改变高等教育和体育产业。本研究基于使用与满足理论（U&G）和颠覆性创新理论（DIT），定性探讨了体育管理专业学生对AI融入学术环境和体育产业的看法。在关于AI的课堂讨论后，79名西班牙大学本科生完成了开放式问卷调查。主题分析显示，与U&G理论一致，学生使用AI来满足认知需求（如获取和澄清信息、产生想法）和工具性需求（如提高效率、快速解决问题的需求）。他们报告的好处包括快速获取信息、增强学习支持以及节省时间，而担忧则集中在剽窃、创造力下降、过度依赖以及不可靠的输出结果上。从DIT的角度来看，学生认为AI是一种具有颠覆性的力量，能够改变体育管理教育和行业实践，同时带来创新机会，但也存在失业和过度自动化等风险。总体而言，学生们持谨慎乐观的态度，并呼吁制定伦理准则、开展有针对性的培训，并以平衡的方式采用AI，使其优势得到发挥而不削弱必要的传统技能。这一基于具体情境的研究为将AI纳入体育管理课程提供了实践和理论上的见解，也为未来的定量或混合方法研究提供了参考。

**1. 引言**
“机器能思考吗？”图灵（1950年，第433页）提出的这个问题催生了人工智能（AI）的概念，它涵盖了机器学习、深度学习、自然语言处理和大数据等技术支持的多种方法和工具。尽管近年来学术界发表了大量探讨AI在健康、体育、政治和工程等领域影响的文章（例如Banh等人，2025年；Dong和Guo，2025年；Masagca，2025年；Xu和Baghaei，2025年），但AI早已嵌入人们的日常生活中，许多人并未完全意识到它的存在。例如Netflix、YouTube和Spotify等平台中的推荐引擎、虚拟助手（如Siri、Alexa、Google Assistant）、欺诈检测系统、航班搜索引擎、聊天机器人和电子邮件垃圾邮件过滤器等。生成式AI（GenAI）通过ChatGPT、DALL·E和Midjourney等工具的广泛应用，将这场先前被低估的革命转化为一个显而易见的社会变革。它的普及使大量人群能够探索其能力并将其应用于个人项目或工作任务中，从而迅速重塑人们的生活方式、工作方式和学习方式。

高等教育也未能免受这些变革的影响。然而，该领域的变化速度往往比社会其他领域（如工业） slower，这可能导致对颠覆性技术的抵制或谨慎态度（例如Christensen和Eyring，2011年）。AI在大学环境中的整合引发了教师、学生和机构的热情与担忧（参见Duah和McGivern，2024年；Heung和Chiu，2025年；Wu和Yu，2024年）。这种现象并不新鲜；类似讨论曾在社交媒体平台（如Facebook、TikTok、Instagram、YouTube）引入课堂时出现过（例如Manca和Ranieri，2016年），以及关于面授、混合学习和在线学习的讨论中（例如El-Soussi，2022年）。积极的一面是，先前研究指出了AI在高等教育中的多项好处，包括提高动机和参与度、改善学业表现、个性化学习路径、培养就业所需的AI相关技能、提高效率以及任务自动化（例如Chiu等人，2023年；Guo等人，2025年；Heung和Chiu，2025年；Xia等人，2025年）。另一方面，也有研究指出潜在的弊端，如剽窃、过度依赖AI导致推理能力下降、AI生成结果的可靠性和准确性存疑、误解GenAI的回答、隐私问题、算法偏见和数字不平等（例如Duah和McGivern，2024年；Rejeb等人，2024年；Zhu等人，2025年）。Wiese等人（2025年）的系统性综述强调了将AI伦理教育纳入课程的重要性和必要性，指出虽然早期干预措施常依赖于创新教学法，但常常缺乏完善的评估方法。尽管关于AI潜在利弊的争论仍在继续，但事实是AI已在高等教育中确立地位并将持续存在。同时，AI给大学带来了结构性挑战：高校需要坚守批判性思维、学术诚信和公平等价值观，而基于AI的工具往往承诺效率、自动化和可扩展性，这使得采用AI的方式取决于这些优先事项的平衡。

除了教育领域，AI在体育产业中的重要性日益凸显，其应用范围不断扩大。Xu和Baghaei（2025年）指出了AI正在重塑的六个关键领域，包括体育新闻、表现分析、教练辅助、智能体育场馆、球迷参与和伤势预防。这些应用从自动化新闻生成和实时运动分析到沉浸式观赛体验和先进的伤势检测不等。Westerbeek（2025年）还强调了GenAI在体育营销中的超个性化作用，实现了实时内容传递和数据驱动的商业策略。这些发展表明，未来的体育管理者需要为日益依赖AI的专业环境做好准备，因此体育管理教育不仅应将其作为行业工具，还应作为教学资源来整合。早期研究已经开始探讨这一双重角色，例如Keiper（2023年）设计了一个体验式学习项目，展示教师如何利用ChatGPT支持体育管理课程的规划与活动管理；Keiper等人（2023年）评估了ChatGPT对教科书问题的回答质量，发现其回答准确但有限；Kauppinen（2025年）则通过体验式学习方法推荐主动自主的项目作业，以促进学生对GenAI的伦理和负责任使用。这些早期工作为教育者的实施提供了有益指导，但关于体育管理学生如何理解AI在其学习中的应用以及如何将这些经验与他们即将进入的行业背景联系起来的实证见解仍然有限。

尽管Keiper（2023年）、Keiper等人（2023年）和Kauppinen（2025年）做出了贡献，但在体育管理教育中关于AI的研究仍较为有限。实际上，将AI视为学习工具和行业工具的需求在各个管理学科中都很普遍（参见Dissanayake等人，2025年），但在体育领域尤为明显，因为AI的应用正在迅速扩展，且决策往往涉及数据密集型的表现、商业和声誉考虑。因此，需要进一步研究以了解体育管理学生对AI在课堂环境中使用的看法，以及教育者如何最大化其好处同时减轻潜在风险。鉴于数字技术（如AI、大数据、增强现实和社交媒体）带来的广泛变革，学者们主张重新设计体育管理课程，以适应21世纪的需求并培养学生相关的数字能力（例如Glebova和López-Carril，2023年；Vidal-Vilaplana等人，2023年；Weese等人，2022年）。Chutiphongdech等人（2024年）强调了将利益相关者的观点纳入课程设计的重要性。然而，关于体育管理学生自身如何看待AI的颠覆性影响知之甚少。鉴于学生是教育环境中的主要利益相关者（Chiu，2024年），了解他们的看法对于使教学策略符合学生的期望和体育产业的不断发展至关重要。重要的是，学生可能面临双重矛盾：AI可以带来即时好处（速度、便利、支持），但同时也引发了对学习深度、可靠性、透明度、依赖性和长期技能发展的担忧（Ripollés和Blesa，2026年；Stewart等人，2026年；Wu等人，2026年），这使得他们的认知过程在课程决策中尤为重要。

基于这一背景，并响应管理教育领域学者（例如Marriott等人，2024年；Ratten和Jones，2023年）关于研究教育环境中AI使用的呼吁，本研究的主要目的是定性探讨体育管理学生对AI在高等教育中的看法及其对体育产业影响的看法。为指导对参与者看法的解释，本研究主要借鉴了使用与满足理论（U&G）（Katz等人，1973年），该理论探讨了个体如何与技术互动以及驱动这种互动的动机和满足感。在本研究中，U&G不仅有助于解释学生认为有益或危险的因素，还揭示了AI使用似乎服务的潜在需求（如认知和工具性需求），以及即时效用与长期教育成果之间的潜在紧张关系，这可能促使自我调节。此外，颠覆性创新理论（DIT）（Christensen，1997年）提供了一个宏观视角，说明新兴技术如何随着时间挑战现有实践并改变行业。DIT在这里很有用，因为学生既提到了对整合的期望，也提到了机构的谨慎态度，捕捉到了教育和产业中的适应与变革。在此背景下，U&G有助于理解体育管理学生使用AI的动机和担忧，而DIT则将这些看法置于GenAI可能带来的更广泛结构变化之中。

本研究并非寻求统计概括，而是从特定的体育管理学生群体出发提供情境性视角。其发现旨在帮助教育者和机构战略性地将AI工具整合到体育管理课程中，以最大化教育价值、应对相关风险，并预见这些技术可能引发的系统性变革。

**2. 文献回顾和理论框架**
**2.1. 体育产业中的AI**
体育产业生态系统未能免受数字技术快速发展的影响。体育组织正在适应一个加速变化的时代，从相对容易实施的小规模数字化调整到仍在全面融入战略规划的更大规模数字化转型（Thompson等人，2024年）。在这些技术中，AI似乎将成为长期趋势，迅速改变体育格局（Westerbeek，2025年；Xu和Baghaei，2025年）。AI在体育领域的应用多种多样。通过采用自然语言处理（NLP），体育组织可以利用算法分析来自社交媒体账户、报告、文章和利益相关者沟通的大量数据，整理和解释这些信息以改善决策（Wanless等人，2022年）。例如，Qian等人（2025年）展示了如何利用NLP分析TripAdvisor上对大学足球场馆的评论，帮助体育管理者制定提升客户满意度的策略。

从体育营销的角度来看，Westerbeek（2025年）指出，体育管理者可以利用机器学习、预测分析和自动化内容生成来定制球迷体验、预测行为并优化收入模型。作者认为我们正进入一个基于球迷行为的AI个性化时代，这可以提高用户体验，但也警告了潜在风险，如忽视了代表性不足的体育项目或向青少年等脆弱群体提供不当内容（例如赌博推广）。同样，Xu和Baghaei（2025年）强调AI通过创建超个性化内容和推荐来增强球迷与其喜爱运动员或俱乐部的联系，从而优化球迷参与度。在这方面，AI从品牌层面（Doyle等人，2023年）扩展了客户管理的机会。

AI在赞助和收入生成方面也发挥着越来越重要的作用。Herold和Breuer（2023年）认为AI可以帮助体育管理者评估赞助效果并生成收入。例如，AI可以开发算法来优化票务定价策略，增加销量，或实时处理智能场馆收集的大数据以个性化这些场所提供的服务（Xu和Baghaei，2025年）。同样，Herold等人（2024年）评估了两种AI模型在预测比赛特征对消费者反应影响时的能力，一种包含消费者生物数据，另一种不包含。虽然仅依赖比赛数据即可提供可靠的实时评估，但加入生物数据后提高了赞助信息的优化和个性化程度。

从表现分析的角度来看，Jud和Thalmann（2025年）的系统性综述探讨了AI在体育教练中的应用。他们指出，人工智能（AI）的应用包括自动化常规任务、使教练能够同时指导更多运动员而不降低教学质量，以及提供实时监控和反馈。AI还被用于分析运动表现数据，并根据运动员的目标、身体状况和具体情况提供个性化的训练建议，在训练过程中自动进行调整。此外，AI还可以支持激励和辅助功能，如游戏化、目标设定、提醒、营养建议和安全警报，从而补充或部分取代人工指导。可穿戴技术（如智能手表、传感器、健身追踪器）的日益普及进一步促进了实时表现监控，而基于AI的系统则用于分析大量数据以调整训练负荷并降低受伤风险（Xu & Baghaei, 2025）。O’Brien和O’Keeffe（2022）强调，AI和机器学习为体育组织提供了重新思考训练方式、提升技能以及（重新）教育体育官员的机会，无论是业余选手还是精英选手，以提高他们的表现。总体而言，这些研究展示了AI在体育行业的广泛应用及其变革性影响。然而，它们也指出了伦理挑战（如隐私保护、偏见、就业替代）和教育需求，突显了培训当前体育管理者以及未来专业人士掌握AI技能和其他数字能力的必要性，以确保他们能够在日益依赖AI的环境中有效工作。这种对AI素养和数字能力的需求的增长，直接关联到高等教育在培养体育管理毕业生以适应行业变化中的作用，这一议题将在下一节中详细讨论。

2.2 高等教育在满足行业需求中的作用
大学的一个目标是培养学生成为职场中的合格人才。在体育管理教育领域，Weese等人（2022）强调了由于COVID-19引发的各种干扰（例如高等教育迅速转向在线学习，以及体育行业的参与和消费方式变化）需要重新审视体育管理课程。Glebova和López-Carril（2023）则听取了体育管理学生的意见，他们表达了职业关注点和职业期望。参与者强调需要在行业中使用数字技术的培训，以及培养相关的软技能（如领导力、时间管理、同理心和解决问题的能力），以成功应对疫情期间出现的新挑战。Chutiphongdech等人（2024）采访了体育生态系统的各方利益相关者（如政策制定者、企业家、行业专家、学生和教职员工），了解他们对体育管理课程重组的看法。他们的发现强调了在课程设计中加强利益相关者之间的联系的重要性，以及促进沟通、创造力、终身学习和创业精神等技能的发展。Vidal-Vilaplana等人（2023）分析了西班牙大学提供的体育管理课程，指出现有教学内容与行业需求之间的差距，并倡导调整课程内容以更好地满足社会需求，增强未来毕业生的技能。考虑到数字技术在社会中的崛起及其如何融入未来毕业生的培训中，鉴于AI在体育行业的广泛应用及其多样性，为未来的专业人士提供与AI相关的技能培训是合理的，同时需考虑到其使用过程中的伦理问题（Chiu, 2024）。尽管AI在高等教育中的普及速度较慢，但不同机构和教职员工的态度各异——从禁止和强烈反对到将其作为促进学习的工具（Hashmi & Bal, 2024）。鉴于AI在教育中的应用存在不确定性，这些立场及中间态度都是可以理解的。这一背景促使研究人员和教育工作者探讨AI在高等教育中的利弊，但目前的研究结果尚无定论（Heung & Chiu, 2025）。因此，系统地评估AI在高等教育中的应用利弊变得至关重要，这样的分析能够为将其有效且负责任地整合到体育管理教育中提供必要的指导。

2.3 评估AI在高等教育中应用的益处与风险
研究表明，AI在高等教育中具有多种教学优势。例如，智能辅导系统和聊天机器人等AI驱动的工具能够提高学生的学习效果（Belkina et al., 2025; Chiu et al., 2023）并增强学生的参与度（Heung & Chiu, 2025）。最新的元分析发现，AI聊天机器人对大学生的表现有显著积极影响（Wu & Yu, 2024）。Guo等人（2025）还报告称，学生认为生成式AI（GenAI）可以提高自信、动机和参与度。Xia等人（2025）进行的系统回顾和元分析也证实了这些优势。AI的一个关键特点是它能够提供个性化学习和即时反馈。系统可以根据个人需求定制内容并提供按需支持，加深认知参与（Chiu et al., 2023）。实际上，GenAI有助于简化研究和写作任务，提高想法生成、资料总结和草稿修订的效率（Estaphan et al., 2025; Guo et al., 2025）。许多学生认为这种支持有助于克服学习障碍（Duah & McGivern, 2024），澄清复杂概念或协助完成作业。当AI被道德使用时，它可以促进高阶思维和技能发展（Guo et al., 2025; Heung & Chiu, 2025），并通过数字素养和协作能力为学生进入AI驱动的职场做准备（Estaphan et al., 2025）。AI还能帮助教育工作者准备教学材料和设计评估，减少日常工作的负担（Chiu et al., 2023）。总体而言，证据表明，如果适当利用AI，它可以提高教学和学习效果，增强学生的参与度、个性化支持和自信心及表现。

尽管AI前景广阔，但其融入高等教育也伴随着伦理、教学和技术方面的重大风险和挑战。学术诚信是一个主要问题（Estaphan et al., 2025），因为GenAI工具使学生能够以最低的努力产出作品，模糊了作者身份和抄袭的界限（Duah & McGivern, 2024）。Fischer等人（2024）指出，学生主要将AI用于改写而非培养批判性思维。过度依赖AI可能导致忽视批判性推理和深度学习，导致对学术内容的表面化理解（Guo et al., 2025; Heung & Chiu, 2025）。Zhu等人（2025）将这些风险分为三个维度：技术层面（隐私侵犯、数据泄露、算法偏见、错误）、教育层面（同质化、职业危机、偏离教育目标、不当行为）和社会层面（数字鸿沟、缺乏责任、利益冲突）。机构政策的缺失进一步加剧了学生和教职员工的伦理困惑（Duah & McGivern, 2024）。AI系统还可能生成有偏或不准确的内容，引发关于可靠性和透明度的担忧（Rejeb et al., 2024; Zhu et al., 2025）。例如，Hannigan等人（2024）将虚假或捏造的内容称为“机器人垃圾”，学生可能会误引用。由于AI依赖大规模数据收集，隐私问题更加严重，而教育者的AI素养不足和不信任会阻碍其有效应用（Chiu et al., 2023）。同时，不平等的接入条件和订阅费用可能会加剧社会不平等（Duah & McGivern, 2024; Zhu et al., 2025）。根据Ratten和Jones（2023）、Rejeb（2024）以及Wiese（2025）的研究，解决这些挑战需要制定明确的指导原则并持续进行对话，以确保AI的应用在教学上合理、道德上负责任且社会上公平。

2.4 AI在体育管理教育中的应用以及U&G和DIT框架：填补研究空白
最早探讨AI融入体育管理教育的实证研究之一是Keiper等人（2023）的研究，他们研究了ChatGPT在本科体育管理课程中的使用，特别是针对一本入门级体育管理教材的内容。作者评估了ChatGPT对简答题的回答质量，发现其语法正确、完整且主题相关。虽然他们承认AI使用相关的伦理问题，但认为这类工具可以为学生的学习过程提供宝贵支持，帮助理解与复习课程材料。此外，Keiper（2023）还提出了一种体验式学习项目，让学生通过依赖ChatGPT来学习如何规划活动。该研究提供了学生可能使用的示例提示，用于完成典型的活动管理任务（如为演讲者起草电子邮件、预订场地、制定活动时间表）。Keiper（2023）强调，ChatGPT可以帮助学生和教师简化传统上耗时较多的任务，从而提高效率。Kauppinen（2025）也从体验式学习的角度提出了将GenAI融入体育管理教育的教学方法，提出了一种基于主动自主项目的教学方法，旨在保持高水平的学术诚信并最大化学生的回报，利用AI辅助信息搜索、面试设计和生成应用于实际案例的创新想法。这种方法不仅旨在提高效率和学习成果，还培养关键能力，如理论的情境应用、批判性反思和有效沟通，为学生进入AI日益重要的职业环境做好准备。

综上所述，Keiper（2023）、Keiper等人（2023）和Kauppinen（2025）的研究提供了关于如何将AI融入体育管理教育的宝贵教学见解，尤其是在教学设计、体验式学习和教师引导干预方面。然而，这些研究主要关注任务导向的实施和教学策略，对学生自身如何感知、体验以及理解AI在Learning过程中的作用的实证证据有限。现有研究尚未系统探讨学生对AI的感知益处、担忧或伦理冲突，也未考察学生如何将高等教育中的AI应用与体育行业中的扩展作用联系起来。因此，尽管有这些贡献，直接联系AI与体育管理教育的研究仍然不足，尤其是在与其他教育领域相比时（见2.3小节）。这种研究匮乏并不一定意味着体育管理课堂中没有AI的应用；而是表明这些实践尚未得到充分记录或实证研究。更重要的是，缺乏从学生这一主要利益相关者角度出发的定性研究，未能捕捉他们对AI在高等教育中应用的看法及其对未来职业背景的影响。鉴于最近的管理教育综合研究和实践导向的研究，这些发现尤为突出，它们展示了GenAI的采用伴随着不均衡的机构政策发展、对基于合作的教学法的新期望以及评估和治理方面的持续挑战（Dissanayake et al., 2025; Ripollés & Blesa, 2026; Stewart et al., 2026）。Wu等人（2026）的研究指出，未来的专业人士需要结合AI素养、批判性评估和沟通技巧的混合能力来管理AI支持下的决策情境中的风险。因此，培养这些能力是包括教师、机构和行业合作伙伴在内的关键教育利益相关者的共同责任，尤其是在毕业生需要在课堂和职场之间转化AI应用的情况下（Stewart et al., 2026）。为了应对这一差距，本研究提出了以下研究问题（RQs）：
RQ1：体育管理专业学生对大学中人工智能使用的看法是什么？
RQ2：体育管理专业学生认为人工智能在高等教育中的积极方面或好处有哪些？
RQ3：体育管理专业学生认为人工智能在高等教育中的消极方面或风险有哪些？
RQ4：体育管理专业学生对人工智能在体育行业的影响有何看法？

为了理解体育管理专业学生对人工智能的看法，本研究采用了一种定性方法，并主要借鉴了U&G（Katz等人，1973年）的理论。U&G特别适合这项研究，因为它将个体视为积极用户，这些用户会主动选择技术来满足特定的需求和动机。U&G不将技术采用视为被动或确定性的过程，而是强调用户的能动性，关注人们为何使用某些工具、他们寻求的满足感，以及感知到的好处和缺点如何影响持续使用或避免使用。在教育背景下（例如，Crespo-Martínez等人，2025年；Hossain，2019年），U&G已被越来越多地应用于研究学生与数字技术的互动，这使得它成为理解体育管理专业学生如何利用人工智能来满足认知需求（例如，获取信息、澄清概念）、工具性需求（例如，节省时间、提高效率）或情感需求（例如，减少不确定性或焦虑）的重要视角。在本研究中，U&G提供了一个微观层面的框架，用于分析学生与高等教育中人工智能使用相关的动机、期望和担忧。除了满足感之外，U&G还允许考虑即时效用与长期教育成果之间的紧张关系，当学生认为人工智能带来的便利性与学习目标（例如，技能发展、自主性、学术诚信）相冲突时，这可能会促使他们采取自我调节策略。这一观点也与最近的论点一致，即生成式人工智能可以作为学习伙伴，其价值取决于用户如何在实践中协商责任、界限和判断（Ripollés & Blesa，2026年；Stewart等人，2026年；Wu等人，2026年）。

然而，单独分析学生的看法可能会忽略人工智能可能在高等教育和体育行业中引发的结构变革。为了解决这个问题，DIT（Christensen，1997年）提供了一个互补的视角。DIT解释了创新如何常常在利基市场中出现，或者起初表现有限，但随着时间的推移能够取代现有的产品、服务或流程。将其应用于体育管理教育中，DIT将生成式人工智能视为一种潜在的颠覆性力量，最初受到怀疑和抵制，但有能力改变教学实践、重塑技能要求，并改变学术界和体育行业的竞争格局。在这一背景下，DIT特别有用，因为学生同时提到了机构的谨慎态度和对人工智能整合的日益增长的期望，揭示了颠覆和适应是一个交织的过程，而不是线性的阶段。管理教育领域的最新证据同样表明，人工智能的采用往往通过课程创新、治理不确定性和政策发展的不平衡动态展开，表明“抵制”和“常态化”在机构内共存（Dissanayake等人，2025年；Stewart等人，2026年）。对于体育管理而言，这种紧张关系因行业面临着为了竞争优势而迅速采用人工智能的压力而加剧，这可能会超过教育机构中的治理、伦理反思和风险缓解机制的速度。从这个意义上说，DIT并不意味着高等教育本质上抵制创新；相反，它揭示了教育价值观（批判性思维、学术诚信、公平性、形成性学习）与以效率、自动化和可扩展性为中心的技术驱动势力的结构性摩擦。从这个视角出发，DIT提供了一个框架，用于解释学生如何理解机构的不明确性、政策空白以及对更明确指导的呼声，这些都是更广泛系统变革的表现，而不仅仅是简单的反对人工智能。

通过结合U&G对用户动机和满足感的微观层面关注与DIT对系统变革的宏观层面视角，本研究提供了一个双层分析框架。这种整合不是假设理论上的和谐，而是突出了个体层面追求效用与行业层面变革压力之间的紧张关系。U&G有助于解释学生为何为了效率、清晰度和安心而转向人工智能，而DIT将这些动机置于机构适应、治理不确定性和职业期望变化的过程中。通过这个视角，研究不仅记录了正面和负面的看法，还揭示了体育管理专业学生如何在这些跨层面的紧张关系中导航，因为他们是未来的专业人士，生活在一个人工智能同时作为学习辅助工具和战略行业工具的环境中，从而提供了对教育工作者和不断发展中的人工智能驱动的体育行业具有理论依据的见解。

3. 方法论
3.1. 研究设计和参与者
本研究采用了定性的横断面设计，使用的是方便样本。参与者是2023-2024学年期间在西班牙一所大学学习“体育管理”课程的79名本科生。其中，55名为男性（69.62%），24名为女性（30.38%），平均年龄为20.92岁（标准差=1.41）。关于他们对教育环境中人工智能的熟悉程度（例如，完成作业、搜索和整合信息），大多数参与者（92%）表示使用过人工智能，而8%表示没有使用过。

3.2. 数据收集程序和工具
遵循Chiu（2024年）的方法，在数据收集之前举办了一个关于教育中生成式人工智能的3小时研讨会，以使参与者熟悉研究主题。2023年12月进行了一次课堂活动，其中包括一个基于结构化角色扮演学习动态的角色扮演活动（López-Carril等人，2025年）。这次活动的目的不是传授关于人工智能的规定性知识，而是通过让学生接触到关于高等教育和体育行业中人工智能使用的不同观点来激发他们的反思和批判性讨论。在活动中，学生被分成两组，一组支持在教育和中使用人工智能，另一组则提出反对使用的批判性论点。这种基于角色的结构旨在合法化对人工智能的正面和怀疑立场，鼓励学生考虑其好处、风险和伦理紧张关系，而不是达成单一的主导叙事。活动以全体讨论结束，其中总结并讨论了双方提出的主要论点。

我们承认，在数据收集之前进行预备课堂活动可能会引入潜在的回答偏差，因为学生的反思可能受到讨论内容或辩论中同伴互动的影响。然而，采取了几项设计决策来减轻这一风险。首先，辩论明确鼓励对人工智能表达正面和批判性的立场，确保怀疑、谨慎和矛盾的观点与更乐观的观点一同得到认可。此外，教师在整个过程中采取了中立的促进角色，有意避免表达个人意见或对人工智能的评估性判断。教学人员的角色仅限于调解讨论，确保参与平衡，并创造一个安全的空间，让所有学生可以自由表达他们的观点，无论他们对人工智能的态度如何。其次，为了进一步减少社会期望效应，数据是在课堂之外单独且匿名收集的，允许学生独立反思自己的观点。因此，学生被邀请在课余时间完成在线问卷（Google Forms），问卷开放了一周。问卷结合了封闭式和开放式问题，与本研究的研究问题相一致，以捕捉学生广泛的观点。所有参与者都提供了知情同意，并确保了他们的匿名性以及随时退出的权利，这符合《赫尔辛基宣言》（世界医学协会，2013年）的原则。

问卷的前两个问题是让学生列出他们认为人工智能在高等教育中可以带来的三个正面方面或好处，以及三个负面方面或风险。

3.3. 数据分析
响应是通过NVivo 14（一种已在体育管理教育研究中使用的定性分析软件，例如，Anaza等人，2023年；Gardner & Love，2024年）进行主题分析的。分析采用了理论指导的定性方法，结合了归纳和演绎逻辑，允许从数据中浮现出模式，并通过既定的概念框架进行解释。编码过程分为三个主要阶段。首先进行了初步的开放编码，以便研究人员熟悉数据集，并识别学生回答中反复出现的想法、表达和担忧。在这个阶段，编码是归纳生成的，并尽量接近参与者的用语（例如，“节省时间”、“作弊”、“失业”、“帮助想法”）。这一步确保了分析基于学生的生活经验，避免了过早的理论强加。

其次，进行了一轮理论驱动的编码细化，该过程受到U&G（Katz等人，1973年）和DIT（Christensen，1997年）的指导。U&G指导了与学生动机、感知到的好处以及与人工智能使用相关的满足感（例如，认知、工具性和情感需求）相关的编码分组，以及可能限制持续使用的感知到的缺点。同时，DIT指导了对与变化、颠覆、抵抗和适应在教育及行业背景下的感知相关的编码的解释（例如，对工作替代的担忧、机构抵抗或适应人工智能驱动环境的需要）。这些理论不是作为僵硬的编码模板，而是作为分析透镜，用于构建更高层次的主题并支持超越表面描述的解读。

第三，代码被组织成与研究问题相一致的更广泛的主题和焦点。这一迭代过程涉及对回答、问题和主题的不断比较，确保内部连贯性和分析一致性。最终的主题结构反映了反复出现的实证模式及其通过U&G和DIT的概念解释。

为了增强分析的可信度和可靠性，实施了分析师三角验证的过程。第二作者在NVivo 14中进行了初步编码和主题开发。随后，第一作者独立审查了编码框架、主题定义和支持性摘录。任何差异或模糊之处都经过协作讨论，直到达成共识，从而对代码标签和主题边界进行了微调。这种迭代对话减少了个人解释偏见，并增强了分析过程的稳健性。

除了主题编码之外，还采用了补充的分析技术来丰富解释。仅对RQ2和RQ3的简短列表式回答进行了词频分析（NVivo词频查询），以提供反复出现术语的初步描述性概览。查询在去除停用词后检索出最常见的50个内容词，并使用频率输出来生成表1、表2和相关的词云（图2、图3）。重要的是，词频模式被视为启发式信号，而不是分析证据：它们用于支持熟悉化和透明报告，而不是生成主题。所有主题开发和解释性主张都基于对参与者回答的全文编码，确保语义意义、上下文功能和概念之间的关系是通过定性方式考察的，而不仅仅是基于频率的推断。在讨论高频词汇时（例如，“快速”、“效率”、“剽窃”、“可靠”），研究团队返回原始回答以确认学生如何使用这些术语，以避免脱离上下文的解释。

表1. RQ2的词频。
| 词 | 频率 |
|------------|------:|
| 信息 | 57 |
| 创造力 | 60 |
| 查找 | 40 |
| 考试 | 30 |
| 帮助 | 19 |
| 效率 | 60 |
| 给予 | 40 |
| 个人 | 30 |
| 搜索 | 16 |
| 好 | 60 |
| 解决 | 40 |
| 即时 | 30 |
| 想法 | 15 |
| 知识 | 60 |
| 搜索 | 40 |
| 了解 | 30 |
| 快速 | 60 |
| 理解 | 40 |
| 学习 | 30 |
| 工作 | 13 |
| 支持 | 60 |
| 有用 | 40 |
| 问题 | 30 |
| 怀疑 | 90 |
| 任务 | 60 |
| 方式 | 40 |
| 可靠 | 30 |
| 学术 | 30 |
| 节省 | 30 |
| 作业 | 80 |
| 更好 | 30 |
| 解决 | 30 |
| 工具 | 80 |
| 自动化 | 40 |
| 清晰 | 30 |
| 学生 | 30 |
| 容易 | 70 |
| 补充 | 40 |
| 完成 | 30 |
| 教学大纲 | 30 |
| 多样性 | 40 |
| 内容 | 30 |
| 来源 | 70 |
| 更简单 | 40 |
| 不同 | 30 |

表2. RQ3的词频。
| 词 | 频率 |
|------------|------:|
| 信息 | 31 |
| 依赖 | 60 |
| 滥用 | 40 |
| ChatGPT | 30 |
| 剽窃 | 25 |
| 一切 | 60 |
| 答案 | 40 |
| 舒适 | 30 |
| 学生 | 19 |
| 知识 | 60 |
| 基础 | 40 |
| 简单 | 30 |
| 使用 | 18 |
| 懒惰 | 60 |
| 批判 | 40 |
| 错误 | 30 |
| 复制 | 15 |
| 较少 | 60 |
| 完成 | 40 |
| 学习 | 12 |
| 人们 | 60 |
| 考试 | 40 |
| 给予 | 30 |
| 工作 | 12 |
| 有时 | 60 |
| 参与 | 40 |
| 好 | 30 |
| 努力 | 11 |
| 学生 | 60 |
| 损失 | 40 |
| 智力 | 30 |
| 缺乏 | 80 |
| 人工 | 50 |
| 问题 | 40 |
| 知道 | 30 |
| 可靠 | 80 |
| 法律 | 30 |
| 少量 | 70 |
| 错误 | 50 |
| 科学 | 40 |
| 懒惰 | 30 |
| 思考 | 70 |
| 知道 | 50 |
| 思考 | 40 |
| 工具 | 50 |

情感分析是对学生对评价性回答进行分类，将其分为正面、负面、混合或中性。这种分类是通过解释性阅读参与者的理由来进行的，而不是通过自动情感检测，确保情感分类对上下文和意义保持敏感。这种情感分类的设计和解释基于U&G的理论指导。具体来说，U&G假设技术的使用既能带来满足感也能产生感知成本，用户的评价可能同时包含正面和负面情绪，这取决于哪些需求得到了满足或受到了威胁。因此，“正面”情绪用于描述主要基于满足感的评价（例如，实用性、效率、学习支持），“负面”情绪用于描述主要基于成本的评价（例如，数据完整性威胁、学习效果下降、不信任），而“混合”情绪则用于描述当受访者同时承认既有满足感也有顾虑时的矛盾和权衡。这种受U&G理论指导的方法确保了情绪类别不仅仅被视为一般性的情绪标签，而是与学生的动机、满足感以及围绕人工智能使用的紧张关系相一致的解释性框架。最后，通过主题映射来可视化主题、焦点和研究问题之间的关系，以支持对研究结果的整合解释。虽然主题映射本身不是一种分析方法，但它作为一种综合工具，用于表示代码、子主题和总体主题之间的层次关系，并阐明实证模式如何与研究的理论框架和研究问题保持一致。

总体而言，这种多层次的分析策略使得能够严格考察体育管理专业学生对人工智能的看法，结合了实证深度和理论敏锐度。通过明确将编码过程与U&G和DIT理论联系起来，分析不仅停留在描述性主题报告层面，还提供了基于理论的解读，说明学生如何理解高等教育中人工智能的使用及其对体育产业的影响。

4. 研究结果与讨论
研究结果直接对应于指导这项研究的四个研究问题（RQ1–RQ4），并在整个讨论中将这些结果与先前的文献和所采用的理论框架联系起来。这种方法允许每一组结果都通过U&G（Katz等人，1973）和DIT（Christensen，1997）的理论视角进行解读，将个体层面的认知（例如，动机、满足感、顾虑）与体育管理和体育产业的更广泛系统影响联系起来。

4.1. 体育管理专业学生对高等教育中人工智能使用的看法
关于RQ1，学生关于大学中人工智能使用的开放式回答展现了多样的观点，总体上持乐观态度，但也伴随着明显的保留意见。对所有79条回答的情绪分析显示，24条被归类为正面，23条为中立，23条为混合，只有9条为负面。换句话说，明确的负面态度并不常见；大多数学生承认了人工智能的潜在优势，同时也认识到了其局限。在这方面，研究结果与之前的研究一致（例如，Chiu等人，2023；Guo等人，2025；Xia等人，2025）。

图1直观展示了学生回答中最重要的主题，方块的大小反映了它们的出现频率。围绕这些主题，内容分析揭示了三个主要焦点：许多学生强调了人工智能作为学术辅助工具的价值（FP1），但同样也有学生对其误用表示担忧（FP2），并强调了制定负责任使用指南的必要性（FP3）。

图1. 关于RQ1的主题编码层次图。
图2. 问题2的词云——50个最相关的词。
图3. 问题3的词云——50个最相关的词。

FP1：人工智能作为有价值的学习辅助工具。与先前的研究一致（例如，Chiu，2024；Heung & Chiu，2025；Wu & Yu，202），一个明显的主题是学生认为人工智能是支持他们学习的强大工具。许多评论强调了人工智能在快速查找信息、生成想法和更高效完成任务方面的实用性。这些用途符合U&G理论中的认知和工具性满足感——学生希望利用人工智能来满足知识需求、解决问题和节省时间。例如，一名学生写道：“我认为它在学习方面非常有用；只是必须知道它的局限并知道如何使用它。它可以是一个寻找想法、提供帮助或信息的工具，而不是替你完成工作。”这种情绪很普遍：人工智能被视为一种补充性辅助工具，而不是替代个人努力的工具。另一名学生也类似地指出，人工智能是“像Google一样的好工具”，但“不应该被用来抄袭”——强调其价值在于帮助收集信息和想法，而不是代替学生的工作。重要的是，学生还将人工智能视为解决疑问的低风险支持来源，尤其是在他们觉得难以向教育者求助时。一位参与者表示：“我认为它可能非常有用，因为课堂上的一些问题并不总是明确的。而且，许多大学生在表达疑问时感到不自在，所以它可能是一个有用的工具。”这一评论不仅仅将人工智能描述为“有效的学习工具”，还指出了从U&G理论的角度来看的情感满足感，即人工智能作为一个可访问且不具威胁性的求助渠道。同时，这也隐含了一个关于学生与教师互动和教育环境中的心理安全性的教育问题，表明人工智能可能在一定程度上弥补了课堂上提问的障碍。总体而言，这些积极的观察表明人工智能是一种有效的学习辅助工具，可以丰富学习体验，这也解释了为什么许多学生对根据学术需求使用人工智能反应积极。

4.2. 集成人工智能在高等教育中的积极方面/好处
针对RQ2的回答中，学生指出了人工智能在高等教育中的三个积极方面或好处（见表1）。最常出现的词是“信息”，反映了人工智能作为知识来源和组织者的核心地位。其他高频出现的词如“帮助”、“支持”和“补充”表明学生认为人工智能是一种增强讲师工作、补充其他资源并提供个性化协助的辅助资源。这与U&G的观点一致，因为学生正在使用人工智能来满足认知需求（例如，信息获取、概念澄清）和整合需求（例如，补充人类教学）。为了确保这些频率模式不会被脱离上下文地解读，我们还研究了学生如何在他们的简短列表式回答中表述这些术语。例如，参与者将人工智能描述为“执行任务的辅助工具”、“补充理论信息”以及“帮助我们完成作业”，这强化了人工智能作为知识组织和学术辅助工具的观点。与效率相关的词汇如“快速”、“敏捷”、“高效”和“容易”也频繁出现，表明学生们重视人工智能节省时间、提供快速响应和简化学术任务的能力。在这方面，研究结果与先前的研究（Estaphan等人，2025年；Guo等人，2025年；Heung & Chiu，2025年；Keiper，2023年）一致，这些研究强调了人工智能作为让学生在学术工作中更加高效工具的价值。这反映了与U&G一致的 instrumental 动机，即利用技术来优化学习过程并减少程序性任务所需的努力。这种解读得到了学生自己用词的支持，他们明确地将人工智能与速度和便利性联系起来（例如，“快速且即时的回答”、“迅速解决疑问”、“帮助更快地完成大学作业”、“在需要大量时间且复杂性较低的任务中更加高效”），表明节省时间和即时性是使用人工智能时显著的好处。

其他常见的词汇，包括“有用”、“澄清”、“理解”和“解决”，进一步强调了人工智能在支持问题解决和理解方面的作用。与Chiu（2024年）的研究结果一致，学生们经常将人工智能描述为澄清疑问、解释不熟悉的内容和提供可操作反馈的工具。与此相关，一些学生明确提到人工智能帮助他们理解内容：“你可以向它询问任何不懂的事情”或“解决具体疑问”，这强化了U&G中的认知满足感（即，感知到的学习支持和理解）。创造力相关的词汇（如“想法”、“提供”）也出现了，正如Chiu等人（2023年）所指出的，反映了人工智能被认为能够激发新视角或帮助构建和综合想法的能力。在这里，学生们经常使用简短但意味深长的表达，如“伟大的想法来源”或“构建关于内容的关键词”，表明人工智能不仅被视为一种信息工具，也被认为是头脑风暴和构建学术工作的辅助手段。最后，“搜索”一词与获取信息的便捷性和速度相关联，这加强了人工智能作为信息检索促进者的角色，正如Kauppinen（2025年）所指出的，使其成为支持学生学习过程的宝贵工具。

从DIT的角度来看，这些发现表明，人工智能不仅仅是一个辅助性的学术工具，还可能改变现有的学习动态，正如先前的研究（例如，Dissanayake等人，2025年；Guo等人，2025年）所强调的。通过提供更快、更个性化、更自主的信息访问方式，人工智能可能会改变人们对学术工作速度和性质的预期，从而可能促使体育管理教育中的学生和教育者对学习过程的看法发生变化。

总结这一小节，图2中的词云可视化了50个最常用词汇的主题分布，其中“信息”、“帮助”、“时间”和“想法”的突出显示反映了认知丰富性和效率的双重重视。总体而言，这些好处表明体育管理专业的学生将人工智能视为通过结合信息性、工具性和创造性功能来增强学习体验的手段，这种组合可能会影响即时的学习习惯和长期的专业技能。

4.3. 在高等教育中整合人工智能的负面方面/风险
对RQ3的回答要求学生识别出人工智能在高等教育中的三个负面方面或风险，揭示了文献中先前强调的担忧（例如，Heung & Chiu，2025年；Wiese等人，2025年；Zhu等人，2025年），主要涉及误用、学术诚信以及基本技能的潜在削弱（见表2）。最常见的词汇是“信息”，在这种情况下反映了人们对人工智能输出可靠性和准确性的疑虑。诸如“剽窃”和“复制”等词汇表明学生们意识到了学术不当行为的风险，这一点在早期研究中也得到了广泛讨论（Duah & McGivern，2024年；Estaphan等人，2025年）。其他突出的词汇，包括“懒惰”和“创造力”（用来表示创造力的减少），表明人们担心人工智能可能会培养依赖性、降低原创性并限制内在动机。从U&G的角度来看，这些发现指出了与便利性和最小化努力相关的潜在满足感，这可能会削弱更深层次的认知参与，正如先前的研究（例如，Fischer等人，2024年；Guo等人，2025年；Heung & Chiu，2025年）所指出的。为了避免孤立地解读频率模式，我们将这些词汇与学生的简短列表式摘录进行了交叉核对，其中直接提到了“更多的剽窃案例”、“可能激励学生变得懒惰”、“鼓励你变得懒惰”以及“学生创造力的丧失”，从而证实了词频输出所表达的担忧。

对可靠和错误输出的担忧反映了人们对人工智能可信度的怀疑以及先前文献中报告的“幻觉”现象（例如，Hannigan等人，2024年）。从DIT的角度来看，这样的看法与颠覆性技术早期阶段的不足是一致的，在准确性至关重要的领域（如教育）中可能会减缓其采用速度。同样，“学习”、“缺乏”和“努力”等词汇突出了对技能获取、自主性和批判性思维的威胁（Chiu，2024年；Guo等人，2025年；Zhu等人，2025年）。学生们的列表式摘录简洁地捕捉到了这些问题，包括“有时信息不可靠”和“可能是错误的”等表述，以及对“由于人工智能直接提供，学生对写作学习很少”的担忧，或者“学生在自己工作中不付出努力”，这与便利性驱动的满足感可能会以牺牲更深层次的学习过程为代价的说法一致。

从DIT的角度来看，这些担忧表明对人工智能的抵制不仅是因为技术限制，还因为颠覆了既定的教学模式。虽然人工智能提供了效率，但它也可能改变传统做法的平衡，这些做法强调独立推理和持续的努力。在体育管理教育中，这凸显了以保持创造力、批判性思维和学术诚信的方式整合人工智能的重要性，从而使技术增强而不是取代关键的人类能力。在这方面，Kauppinen（2025年）提出的建议可以帮助教育者将人工智能融入教学实践中，同时减轻上述风险。

图3中的词云总结了50个最常用词汇的主题分布，其中“信息”、“剽窃”、“懒惰”和“创造力”等词汇的突出显示反映了人们对可靠性、伦理和技能发展的相互关联的担忧。与图2相比，其中“信息”作为与知识获取和学术支持相关的积极方面出现，而在这里它带有负面含义，与对准确性和误导性内容传播的疑虑相关。从U&G的角度来看，这种转变说明了同样的技术能力在被视为准确和有用时可以满足认知需求，但在对其输出的信任受到质疑时会成为不满的来源。从DIT的角度来看，这种对比的看法与颠覆性技术在早期阶段的双重性质相一致：虽然它们承诺提高效率和信息获取，但也挑战了可靠性和验证的既定规范，从而在教育背景下影响了采用率和整合模式。

4.4. 体育管理专业学生对人工智能在体育行业影响的看法
当被问及人工智能对体育行业的影响（RQ4）时，学生们想象了一系列潜在的影响。他们的开放式回答涉及多个主题（图4展示了提到的多样性），但两条主要观点浮现出来：一种谨慎的观点担心人工智能可能威胁体育行业的就业；另一种更乐观的观点强调其增强和转变体育管理实践的能力。

最常表达的担忧是人工智能可能会取代人类工作者。许多学生警告说，人工智能技术将“夺走许多体育管理职位”。即使那些承认人工智能有用性的学生也强调，它应该作为一种辅助工具，而不是替代人类。例如，一位学生承认人工智能可能会使工作变得更轻松，但警告说如果它“取代了这些工作”，最终将“剥夺体育管理专业人士的就业机会”，并希望人工智能被用作“外部辅助工具”来支持专业人士而不是取代他们。同样，一些受访者认为某些“人类”任务无法完全自动化——例如，虽然人工智能可以处理数据处理或调度等“数学和顺序性工作”，但它“不能用于”需要人类同理心、创造力或领导力的更复杂的任务。本质上，这些学生认为在许多领域，人类专业知识将是不可替代的。这种矛盾——将人工智能视为就业威胁但又认识到其局限性的观点是一个反复出现的主题。这表明，尽管学生们预期劳动力会发生变化，但他们也希望未来是一个人工智能处理常规数据驱动任务而人类继续提供监督和独特人类判断的协作时代。重要的是，一些学生将这种对“人类监督”的需求与保持专业判断和批判性思维联系起来，警告说如果人工智能被用作替代品而不是工具，“我们将变成没有批判性思维或不再查阅科学文献的生物”。

学生们表达的对可能破坏行业现状的重大变化的恐惧并不新鲜。Glebova和López-Carril（2023年）发现，体育管理专业的学生也报告了对COVID-19大流行导致的工作破坏和/或转型的负面情绪和恐惧。然而，在当前的研究中，更明显的是，不仅仅是害怕被取代，还有一种认识到人工智能在行业中的采用速度与治理、道德保障和专业监督机制的发展速度之间的不对称性的认识。一些学生隐含地将人工智能带来的“效率提升”与对责任、虚假信息和人类判断力丧失的担忧相比较，表明他们意识到竞争压力可能会促使快速实施，而没有同等程度的关注中长期组织风险。这种看法与最近的管理教育分析一致，这些分析强调了技术加速可能超越制度监管和反思能力（Dissanayake等人，2025年；Stewart等人，2026年）。

基于这一点，并且与Chutiphongdech等人（2024年）和Vidal-Vilaplana等人（2023年）的建议一致，设计新的体育管理教育计划变得至关重要，这些计划可以让学生为行业的技术需求做好准备，帮助他们感到更有准备，并减少可能的恐惧或不确定性。然而，研究结果还表明，准备工作不能仅限于技术技能的提升。相反，学生的反思指向了需要结合人工智能素养、批判性评估、伦理推理以及在组织环境中沟通风险和战略权衡的混合能力。这些能力越来越被认为是AI支持的专业环境中毕业生人才发展的核心（Wu等人，2026年），特别是在那些可能积极追求竞争优势的行业中。另一方面，许多学生强调了人工智能在体育行业几乎所有方面的变革潜力。受访者认为人工智能将提高效率、决策能力，并通过广泛的技术整合将体育管理提升到“另一个水平”。学生们设想了人工智能在规划和物流、训练设计、表现分析、伤害预防和恢复、市场营销以及球迷参与等方面的应用。正如一位受访者总结的那样，人工智能可以“改善数据分析以进行战略决策，优化运动员表现……[并] 个性化观众体验”。换句话说，学生们认为人工智能是创新和简化整个体育行业流程的强大工具。几乎每一个体育管理领域都认为会从中受益。例如，自动化繁琐任务以释放时间、从数据中提取更深层次的见解，或为利益相关者定制服务。一位参与者提出了一个历史类比，指出人工智能“将会使工作变得简单很多，就像Excel在过去的做法一样”。这种比较意味着，正如电子表格软件彻底改变了商业运营的效率一样，人工智能也有望通过比人类更快地处理计算和分析来同样地改变体育管理。然而，这些乐观的预测背后隐含着一个假设，即人工智能的采用是不可避免且具有战略性的。一些回应建议组织必须“适应，否则就会落后”，这反映了在管理叙事中日益明显的一种技术必然性的论调（Ripollés & Blesa, 2026）。虽然这种观点强调了竞争力和创新，但它也可能使快速采用技术变得常态化，而较少关注治理结构、伦理监督以及利益相关者的影响。从这个角度来看，学生的评论揭示了人们对人工智能在行业中采用的表演性维度的认识——即采用技术象征着现代化和战略灵活性，即使关键的评估机制尚未充分发展。值得注意的是，尽管人们对人工智能带来的好处感到兴奋，同时也对其可能带来的负面影响有所担忧，但大多数学生都认为人工智能将对体育产业产生重大影响，而且主要是积极的影响。例如，“巨大影响”这样的表述很常见，并且常常伴随着对人工智能将彻底改变某些体育管理实践的预期。即使是那些对人工智能持谨慎态度的学生也倾向于承认其优势。少数受访者提到了潜在的负面影响，如人工智能可能被滥用来传播虚假信息或在自动化决策中失去人类的监督。例如，有学生警告说，通过人工智能“可能会制造关于运动员或困境的假新闻”，还有学生指出完全替代人类决策者可能是有风险的。尽管如此，这些担忧通常被一种总体上的乐观态度所平衡，即人工智能的好处将超过其缺点。一些学生表达了混合或过渡性的观点——他们承认人工智能的引入起初可能会“有点……有争议”，但预测“最终它将成为一个在训练和体育业务管理中广泛使用的工具”。在这方面，学生们对人工智能在体育行业中的多种应用的看法与Xu和Baghaei（2025）的观点相呼应，后者认为，无论人们是否支持，人工智能都在不可否认地改变着体育产业。重要的是，这种热情与担忧之间的平衡表明，学生不仅寻求外部监管，还认识到需要发展更强的个人判断力，以判断人工智能的输出是否可信、应该如何进行交叉验证以及何时需要人类的监督是不可或缺的。最后，几位参与者强调了竞争性的紧迫性：他们认为体育组织必须采用人工智能，否则就有落后的风险。有一位受访者甚至称人工智能是“公司的决定性因素”，暗示那些能够利用人工智能更快更高质量地完成工作的人将会在竞争中获得显著优势。这种“适应或落后的”观念与DIT的观点非常吻合，DIT认为颠覆性创新会重新定义一个行业的成功标准。在这里，学生显然预见到人工智能将成为竞技体育业务战略的核心部分，迫使该领域的每个人都必须创新。同时，这种竞争性的框架揭示了短期效率提升与培养能够评估长期组织后果的管理判断力之间的潜在紧张关系。在这个意义上，体育管理教育扮演了一个关键的中介角色：不仅让学生准备好使用人工智能工具，还使他们能够质疑、解释并在受权力、政治和文化期望影响的背景下战略性地管理人工智能的采用。

总体而言，答案的整体基调对人工智能即将扮演的角色持乐观态度。对文本的情感分析也支持了这一点：在句子层面，积极的说法远远多于消极的说法（40句被归类为积极，其中11句非常积极，29句较为积极），而消极的说法只有15句（其中只有5句非常消极）。在考虑每个完整的回答时，79个回答中只有5个被完全归类为消极，而27个被评为积极（其余为中立或混合）。这表明尽管有些保留意见，大多数体育管理学生认为人工智能的影响总体上是积极的或至少无害的。

4.5. 理论意义
总体而言，这些发现为支撑本研究的两个理论框架——U&G（Katz等人，1973年）和DIT（Christensen，1997年）提供了有意义的贡献。与U&G的观点一致，体育管理学生积极利用人工智能来满足认知需求（例如获取信息、澄清概念、生成想法）和工具性需求（例如提高效率、快速解决问题）。频繁提到人工智能作为学习工具、快速回答和个人化帮助，反映了从媒体中寻求的经典满足感——在这种情况下，是即时获取知识和提高生产力。学生们还提到了情感或社交上的满足感，例如使用人工智能来解答他们可能不愿意向老师提出的问题，突显了它作为一种非评判性支持资源的角色。综合来看，这些模式强化了U&G的核心前提，即技术使用是目标导向和需求驱动的，学生们选择人工智能是因为他们认为它能够在他们的学习过程中提供特定的满足感。同时，我们的发现通过揭示短期和长期满足感之间的紧张关系，进一步完善了U&G在教育环境中的理论。虽然学生们重视人工智能的便利性，但许多人担心即时好处（例如轻松完成任务）可能会削弱更深层次的满足感，如真正的理解或技能掌握。用U&G的术语来说，这表明了一种感知到的差距：即可以立即获得的满足感（速度、便利性）与与长期教育成果相关的满足感（能力发展、掌握、自主性）之间的差距。这突显了人工智能的双重性——它既是效率的来源和支持，也可能是批判性思维、创造力和自主性的威胁。重要的是，这种紧张关系突出了自我调节的维度：学生们不仅描述了人工智能所提供的东西，还阐述了在便利性驱动的满足感可能与重要的教育成果发生冲突时的使用条件和限制。在这种意义上，教育环境中的U&G还需要考虑到用户对权衡的认识以及他们在满足感与核心学习目标冲突时自我调节媒体使用的努力。学生的矛盾态度——既欣赏人工智能的帮助性，又担心它可能导致的懒惰或依赖性——表明在教育领域，满足感可能是双刃剑。总之，U&G对于解释学生为何采用人工智能仍然非常有用，但我们的研究表明，当学生认为人工智能会威胁到他们珍视的成果时，他们可能会自我调节他们的满足感追求。这为教育环境中的U&G理论增添了新的内涵，强调了自我调节作为一种通过经验体现的机制，通过这种机制，学生试图调和追求满足感与学习完整性及技能发展的需求。这种自我意识和对指导的渴望（例如请求培训和规则）丰富了我们对动机的理解。同时，这些发现也揭示了U&G理论的局限性：虽然该理论可以解释为什么人们会使用技术，但它不太能够解释寻求满足感如何与制度规范、监管模糊性和专业预期交织在一起。从DIT的角度来看，学生的观点证实了人工智能在他们教育和体育行业中都被视为一种颠覆性力量，同时也揭示了适应过程。用DIT的术语来说，人工智能代表了一种新兴技术，它挑战了既有的实践和规范。与Dissanayake等人（2025年）的观点一致，他们认为人工智能在管理教育中的整合不是一种短暂的趋势，而是一种结构性演变。学生们明确预期这一变化将带来重大改变：在大学里，他们期望人工智能促使人们对教学、评估和学术诚信政策进行重新思考；在体育行业中，他们预见人工智能将重新定义职业角色、工作流程和竞争标准。几处观察结果与颠覆性的经典特征相符。例如，参与者提到了制度上的抵制迹象（例如，教师不鼓励使用人工智能，将之视为“抄袭”），反映了现有从业者对颠覆性创新的抵触情绪。尽管这项研究没有量化这种抵触情绪的消退速度，但学生的描述表明，限制性的看法与对人工智能在学术和职业生活中日益普及的日益增长的认可并存。同时，学生们总体上的积极态度和对整合的呼吁表明，采用阶段已经在进行中：他们并不是拒绝人工智能，而是推动其融入，尽管伴随着保护措施。这表明最终用户并不是被动地经历颠覆，而是积极地协商和促进它。他们对人工智能素养培训、指南和适度使用的呼吁代表了基层适应策略，符合DIT的观点，即成功的整合需要新的实践和规范。在这个意义上，我们的发现为DIT理论增添了实证内容，展示了学生如何表达“自下而上”的适应期望，即使机构的反应仍在发展中。然而，数据也复杂化了DIT通常线性描述颠覆性的观点，表明抵抗和正常化是同时存在的，而不是依次发生的，而且颠覆性不仅带来了竞争重新定位，还产生了关于在人工智能支持的背景下什么是合法知识生产的规范和认知不确定性。

学生们关于体育行业的未来导向的评论（例如，认为组织必须“适应人工智能，否则就会落后”）与DIT关于颠覆性技术如何创造新的竞争范式的描述高度一致。他们预期在人工智能方面的熟练程度将成为职业和商业成功的决定性因素，这意味着传统做法需要进化，否则就会过时。通过在教育层面和行业层面应用DIT理论，这项研究突出了一个连续的颠覆过程：从课堂（微观层面）到体育行业（宏观层面），人工智能被视为推动重大变革的力量，各个层面的利益相关者都在做出反应。从理论上讲，这表明了一个多层次的颠覆过程，其中学生（作为未来的专业人士）正在准备弥合创新在教育中的初步影响与其在行业中的变革性后果之间的差距。重要的是，这种桥梁作用突出了毕业生成就的关键理论洞见：学生认识到不仅需要技术能力，还需要批判性监督、伦理推理以及在受权力、政治和绩效压力影响的组织环境中表达风险的能力。总的来说，将U&G和DIT结合起来解释我们的发现具有重要意义。U&G解释了个体层面使用人工智能的动机和担忧，而DIT则解释了学生预期的更广泛的结构变化。结合这两个理论框架，我们可以看到个体层面的满足感追求是在制度模糊性和行业层面的竞争性变革的背景下展开的。理解学生与人工智能的互动需要考虑他们为何被吸引（他们的满足感和担忧）以及他们如何看待人工智能正在重塑学术和职业格局。这种理论洞见强调，在体育管理教育中采用人工智能不仅仅是教学趋势的一部分，更是更大范围颠覆性进程的一个组成部分，学生们既是这一过程的见证者，也是推动者，同时也暴露了现有理论在完全解释由GenerAI引入的知识权威、评估和问责制变革方面的局限性。

4.6. 实际意义
基于学生对人工智能的看法，并结合早期关于体育管理教育中人工智能的研究（例如Kauppinen, 2025; Keiper, 2023; Keiper等人, 2023），我们可以为体育管理教育者、机构和课程设计者提出几项实际建议，以有效地将人工智能整合到高等教育中。同时，我们也认识到高等教育机构正在通过培训计划、指导文件和不断发展的评估实践迅速而多样地应对人工智能。因此，我们的目标不是将这些意义视为普遍新颖的，而是具体说明这些以学生为中心的证据在体育管理教育背景下的特别相关性。将人工智能（AI）视为一种教学资源和面向行业的工具的必要性，并非体育管理领域所独有，这一观点在管理学和各个专业领域中越来越受到认可。然而，我们的研究结果展示了在这种特定的教育环境中，学生们是如何理解和体验这种双重定位的。因此，我们的贡献更多地体现在通过学生所识别出的竞争力、治理与专业判断之间的矛盾来重新审视现有的应对措施，而不是提出全新的措施。

**提供AI素养和技能培训：** 明显需要对学生（以及工作人员）进行适当的AI使用教育。大学应将正式的AI素养和伦理教育纳入体育管理课程中（例如，关于如何负责任地使用AI工具的专门模块或内容），并结合实践培训课程。可以举办研讨会、讲座或辅导课来展示通用AI（GenAI）的有效应用，并讨论其局限性。让学生和讲师对AI的工作原理、能带来的价值以及应避免的伦理陷阱有基本的了解，从而为更明智的使用奠定基础。在体育管理背景下，培训应明确涵盖“验证流程”和来源评估，因为学生经常将负责任的AI使用定义为交叉检查信息、将结果与可信参考进行对比，并避免盲目依赖生成的内容。这样，AI素养不仅仅被视为技术能力，更是一种在组织、声誉和利益相关者风险背景下评估结果的反思能力。

**制定明确的使用指南和政策：** 为了建设性地引导AI的使用，机构必须制定关于课程作业和评估中可接受AI辅助的明确政策。全面禁止AI使用是适得其反的；相反，采用学生参与的合作方法将确保透明度和接受度。例如，AI可以被允许用于初步研究或创意生成，但在最终提交成果时则被禁止使用。随着监管机构越来越期望机构自我管理，纳入学生的观点将提高AI实践在学术项目中的合法性、清晰度和负责任的应用。

**以符合教育学的方法将AI整合到作业中：** 教育者不应排除AI的使用，而应将其作为辅助工具，同时保持学习成果以学生的能力为中心。作业可以利用AI进行数据收集或草拟，但也应要求原创分析、批判性思维和创造力。例如，案例研究、模拟或对AI成果的批判可以确保学生不仅仅是复制，而是能够独立判断。通过这种方式奖励过程要素（草稿、反思、理由等）进一步鼓励深思熟虑而不是投机取巧的使用AI。通过重新设计课程，教育者可以让学生准备好与AI有效合作，同时增强他们的人文能力。为了使这一贡献更加突出，我们建议评估不仅围绕“使用AI”进行，还围绕“使用AI做出负责任的决策”，例如要求学生说明何时适用AI、如何验证结果、识别了哪些风险以及何时人类判断取代了工具。

**强调非自动化技能的发展：** 体育管理课程应优先培养AI无法复制的技能，如创造力、批判性思维、伦理推理、领导力和沟通能力。嵌入式活动如小组项目、关于AI伦理的辩论或无AI的问题解决挑战可以促进这些能力的发展。这不仅解决了学生对过度依赖技术的担忧，还确保毕业生在职业环境中贡献独特的人文价值。重要的是，我们的数据表明，这不仅仅是泛化的“毕业生技能”要求：学生本身也认为AI可能导致依赖性增加、努力减少和批判性思维减弱，同时认识到在应用场景中需要人类监督。这表明自我调节和专业判断是核心的学习成果，而不仅仅是机构“提供”的外部因素。

**保持课程与行业发展的同步：** 随着体育行业迅速整合AI，课程必须相应地发展。课程应包含最新的AI在体育分析、营销、运营和粉丝参与中的应用案例，并理想地提供使用真实世界技术的项目或实习机会。邀请行业从业者或进行案例研究可以突出AI如何重塑体育管理，并为学生未来的角色做好准备。相关工具的培训以及对伦理和战略影响的讨论将提高毕业生的就业能力和在AI驱动行业中的领导力。在体育领域尤其重要的是，学生表达了双重期望：他们希望能够在行业环境中有效使用AI，同时保持他们认为难以自动化的以人为中心的能力（如判断力、领导力、伦理推理）。这种双重性可以在课程学习成果和课程设计中明确体现，使“教育-行业桥梁”成为一个具体的设计原则，而不仅仅是一个一般的愿景。通过这种方式，课程设计可以从被动适应转变为在技术加速和负责任的专业培养之间进行更有意图的调解。

总之，上述步骤为将AI整合到体育管理教育中提供了路线图，以最大化其优势并减少风险。实施正式培训和明确指南将为学生的AI使用建立坚实的伦理和技能基础；深思熟虑的课程和评估设计将鼓励主动使用AI而不是被动依赖；而前瞻性地与行业趋势保持一致将使未来的体育管理者教育与行业不断变化的需求保持相关并作出响应。正如Wiese等人（2025年）指出的，将AI伦理和健全的评估实践嵌入课程中对于确保创新伴随着负责任的应用至关重要。这些基于研究结果和学生建议的实际措施可以帮助教育者和机构将AI带来的颠覆性挑战转化为丰富体育管理教学和学习的机会。此外，它们还将体育管理教育定位为一个同步发展技术创新和批判性专业判断的场所，而不是认为这种发展是通过接触AI工具自动发生的。

**结论：** 本研究通过定量和定性方法探讨了一组体育管理学生对学术环境和体育行业中AI使用的看法。研究结果表明，体育管理学生认为AI既是宝贵的资产，也可能是潜在的挑战来源。从定量研究的角度来看，学生积极利用AI来满足认知需求（如获取和澄清信息、生成想法）和工具性需求（如提高效率、更快解决问题）。他们将AI描述为传统学习的补充，能够提升学术表现并促进任务完成。然而，他们也指出了诸如抄袭、创造力减弱和对技术过度依赖等风险，这与定量研究的观点一致，即媒体使用可能会带来便利性驱动的动机，从而削弱深度学习。重要的是，学生的反思显示出一种新兴的认识，即当追求即时满足与长期教育目标发生冲突时，需要自我调节，将专业判断视为一种中介能力，而不是接触AI工具的自动副产品。

从定性研究的角度来看，学生认识到AI有可能重塑教育实践和体育管理中的专业技能要求。虽然一些学生预期AI将在体育行业中发挥变革性作用，增强数据驱动的决策、绩效分析和运营效率，但也有人警告说可能会产生工作流失和过度自动化的风险。在教育和行业中，学生都强调了需要指导下的、合乎伦理的采纳方式，以保护人类的创造力、判断力和人际交往能力。总体而言，这些发现表明，将AI整合到体育管理教育中需要平衡创新与基本人文技能的保留，确保毕业生为AI驱动的专业环境做好准备。除了肯定颠覆性的存在外，该研究还强调了行业中的竞争加速与教育环境中的治理、监督和问责之间的紧张关系，从而将体育管理教育置于这一不断演变生态系统中的关键中介地位。

**局限性和未来研究方向：** 尽管本研究有所贡献，但也存在某些局限性。首先，参与者是79名在西班牙参加体育管理课程的本科生。作为定性设计，该研究提供了特定情境的视角，而不是追求统计概括。此外，研究仅在单一机构进行，并依赖于方便抽样，这可能影响所捕获的观点范围，限制了其对整个群体的代表性。与定性研究的传统一致，这些发现的价值在于它们对情境的敏感洞察力；因此，建议读者根据提供的关于课程、学习活动和数据收集条件的背景信息来考虑结果的转移性。因此，应将这项贡献理解为分析和解释性的，而不是预测性的，提供关于特定教育环境中AI相关矛盾的洞察。这为未来混合方法或定量研究打开了大门，以便补充和扩展现有发现。其次，数据收集于2023年12月，这些数据反映了随着AI技术及其在教育中的应用的发展而可能变化的看法。还存在响应偏差的可能性，因为学生在关于AI的课堂辩论后填写了问卷，这可能影响了他们的意识和反思。第三，本研究仅关注学生的观点，他们是学习过程的主要利益相关者。虽然这种方法符合研究目的，但它没有涵盖教育者或机构决策者对AI采纳的看法。鉴于行业压力与机构治理之间的跨层面紧张关系，未来的研究将受益于考察不同利益相关者群体如何解释和协商这些动态。第四，鉴于主题分析的解释性和理论导向的性质，通过迭代的团队审查和共识性的代码和主题精炼来追求分析的可靠性，而不是基于可靠性的方法。虽然这与重视意义构建和对情境敏感性的定性研究传统一致（Braun & Clarke, 2013; Tracy, 2010; Yardley, 2000），但未来的研究可以通过扩展的证据矩阵或多方法三角测量等设计来补充现有的方法。

未来的研究可以探索其他机构、国家和教育环境中体育管理学生的看法，理想情况下使用更大和更多样化的样本以捕捉更广泛的观点。纵向设计将有助于跟踪态度随时间的变化以及AI采纳和机构政策的变化。未来的研究还可以采用多利益相关者的视角，纳入教师和机构的观点，以便更全面地考察伦理、教育学和组织考虑如何影响AI在体育管理教育中的整合。进一步的研究可以采用实验或干预设计来考察有针对性的举措（如正式的AI素养培训、伦理指南或重新设计的评估策略）对学生看法、技能发展和学习成果的影响。这样的研究将有助于更深入地理解如何有效且合乎伦理地将AI整合到体育管理教育中，为毕业生 prepared for an AI-driven sport industry。此外，未来的研究还可以考察我们在研究中发现的学生层面的能力，例如当满足感与学习目标发生冲突时的自我调节能力、验证和批判性评估程序的发展，以及在AI支持的决策中行使专业判断的能力。比较研究可以明确对比体育管理学生群体与非体育管理学生群体，以检验体育管理是否呈现独特的紧张关系，鉴于学生既将AI视为学习工具又视为行业工具的期望。最后，参与式设计可以探讨师生共同制定AI指南和评估实践，评估协作治理是否提高了清晰度、公平感和负责任的AI使用。

**作者贡献声明：**
Samuel López-Carril：撰写——审稿和编辑、撰写——初稿撰写、项目管理、方法论、概念化。
Mario Alguacil：撰写——审稿和编辑、可视化、方法论、数据分析、数据管理。
Cristian Gregori-Faus：撰写——审稿和编辑。
Christos Anagnostopoulos：撰写——审稿和编辑、监督、概念化。

**伦理声明：** 本研究遵循《赫尔辛基宣言》（世界医学协会，2013年）中规定的伦理原则进行。所有参与者都获得了知情同意，明确被告知他们的参与是自愿的，并且可以随时无惩罚地退出。为确保信息安全，所有反馈在分析过程中都进行了去标识化处理，且未保留任何可识别个人身份的信息。

关于生成式人工智能和辅助人工智能技术在写作过程中的使用声明：
本文的撰写过程中使用了AI工具Wordtune，该工具仅用于提升文章的结构、语言清晰度和语法准确性。作者确认，除了这一编辑支持外，本文的内容完全出自他们的独立思考和创作。

资金支持：
作者声明，本文的开放获取出版是在Elsevier与Crue Spanish Universities-CSIC联盟签订的合作协议框架下获得的资金支持的。