0 引 言
人工智能已成为引领未来的战略性技术，人工智能的兴起，影响到了社会生活中的各个领域。我国高度重视人工智能人才的培养工作，当前，发展中小学人工智能教育是重要的战略性任务，国家层面有关部门发布了大量指导文件。全国大部分地区也相继发布了人工智能教育政策，全面推进中小学人工智能教育的普及。《普通高中信息技术课程标准（ 2017 年版）》正式将人工智能纳入新课标；2021 年 11 月中央电教馆发布的《中小学人工智能技术与素养框架》为人工智能教育提供了课程标准制定、教材编写与课程开设的参考和依据；《义务教育信息科技课程标准（ 2022 年版）》提出保证中小学生能够系统地接触并学习人工智能知识，就要落实中小学人工智能课程的建设[1]。在教育领域中，中小学学生人工智能教育得到了大量的关注。目前主要以信息技术课程为人工智能教育的主要载体形式。综上，目前人工智能教育的理论不断丰富，实践成果持续落地，发展前景可期。然而，在中小学阶段，大部分对学生的研究都集中于其所学习的人工智能内容、所使用的人工智能工具及技术，还有对学生学习人工智能情况的基本调查[2]，针对中小学生学习人工智能意愿的研究还比较少。
1 模型构建
1.1 期望价值理论与技术接受模型
期望价值理论起源于勒温（ Lewin ）、托尔曼（ Tolman ）对价值和预期的概念结构的定义[3-4]，由阿特金森（ Atkinson ）在 20 世纪 60 年代正式系统地研究期望价值理论[5-6]，经 Eccles、Wigfield 等研究者的拓展而形成了期望价值理论。在期望价值理论中有几个重要的概念，包括能力信念、成功期望和任务价值。Eccles 等人提出的期望价值理论认为，期望和价值是成就表现和选择的最直接的预测因素，同时它们本身也受心理、社会、环境和文化的影响。最初构建的研究模型是为了解释在数学领域中期望和价值观与性别差异之间的关系，但在后续的研究中就将模型扩展到了其他领域，尤其是体育和身体技能活动[7]。期望价值理论揭示了关于儿童、青少年学生的期望和价值与他们的表现和活动选择之间的关系[8]。Davis 提出的技术接受模型（ TAM ）是研究技术采纳的初始意愿和持续使用意愿时最简洁、最通用的模型（如图 1 所示）。该模型解释了用户在不同背景下对采纳与持续使用新型技术的接受程度。教育领域的接受度研究一直在检验 TAM 对各种学习技术的适用性，包括移动学习[9-10]、在线学习[11]、扩展现实技术[12]、大数据[13]、人工智能[14-15]等。
1.2 研究假设与模型构建
基于 TAM 与期望价值理论，结合中小学生学习人工智能时的真实情境，构建本研究的模型，同时提出以下假设（模型的基本部分包括人工智能学习意愿、学习效用、努力预期、社群影响、自我效能感、娱乐性感知、促成条件）。
H1：中小学生人工智能学习意愿对人工智能学习行为有显著正向影响。
H2：学习效用对中小学生人工智能学习意愿有显著正向影响。
H3：努力预期对中小学生人工智能学习意愿有显著的正向影响。
H4：社群影响对中小学生人工智能学习意愿有显著的正向影响。
H5：社群影响对中小学生人工智能的学习效用有显著的正向影响。
H6：自我效能感对中小学生学习人工智能的努力预期有显著的正向影响。
H7：娱乐性感知对中小学生人工智能学习意愿有显著的正向影响。
H8：促成条件对中小学生人工智能学习行为有显著的正向影响。
基于研究假设构建中小学生人工智能学习意愿影响因素模型（如图 2 所示）。
2 实证研究过程与结果
2.1 问卷设计与回收
调查问卷基于已有文献和先前研究者已测试使用过的量表进行设计（见表 1 ）。问卷包括中小学生的基本信息（性别、年级、开设课程情况）、中小学生人工智能学习意愿影响因素（学习效用、娱乐性感知、努力预期、社群影响、促成条件、自我效能感、学习行为、学习意愿）和提出建议 3 部分，其中影响因素的题项共设置 31 个，均采用李克特（ Liket ）五点量表进行测量，5 个选项分别为非常同意、同意、一般、不同意、非常不同意，一次计分为 5、4、3、2、1，分数越高则代表中小学生的人工智能学习意愿越高。问卷的发放主要是通过一线教师利用空闲时间以网络链接的方式发放邀请学生在线填写。问卷共发放 526 份，筛选掉填写时间过短等问卷，最终留下有效问卷 419 份，有效率为 79.66%。
2.2 信度和效度分析
首先是信度分析。使用 SPSS 对问卷所有题项进行分析，可得总体的克隆巴赫系数（ Cronbach's α ）为 0.972；基于各潜变量所设置的题项的克隆巴赫系数均大于 0.9，说明量表的内部一致性较好，问卷的信度较高。接着进行效度分析。先使用 SPSS 统计软件对问卷进行 KMO 和巴特利特球形检验，KMO 值为 0.954＞0.9，显著性差异 p 值为 0.000＜0.001，说明适合做因子分析。进一步进行验证性因子分析，由表中的数据展示，各观测变量的因子载荷数值均在 0.8 以上，符合大于 0.5 的标准；所有潜变量的组合信度（ CR ）数值均在 0.9 以上，达到了大于 0.7 的标准；所有潜变量的平均萃取方差数值也均符合大于 0.5 的标准（ AVE ）；各数值达到了标准水平，说明本问卷具有良好的聚敛效度。
2.3 模型拟合度分析
结合文献 [16] 的研究为结构方程模型检验的拟合度值界定了判断标准。由表 2 中的各种核心拟合指标数值与评估标准对比可知，该模型具有良好的拟合度，也说明问卷的结构效度良好。
3 结果与讨论
3.1 现状分析
从问卷设置的基本信息题项可以了解到，目前中小学大部分都开设了人工智能相关课程。从研究调查得到的结果可以了解到当前中小学生学习人工智能的现状。①现阶段的中小学生对学习与理解人工智能知识的意愿整体呈乐观的情况（ M=4.168 ），学生表示愿意参与人工智能的学习以及相关的学习活动；少数学生不重视人工智能的学习，这可能是因为人工智能还未纳入严格的升学考核，导致部分受应试教育影响的学生不愿意花费时间和精力去学习。②在进行人工智能学习时学生的行为倾向较为积极，问卷中的 3 个测量题项均值分别为 4.00、3.99、3.97，整体均值为 3.99，具体表现为学生能够积极地独立或与他人讨论进行人工智能课程的学习，同时积极参与人工智能实践活动。③学生自身的内在因素是推动学生积极学习人工智能的关键因素，如学习效用、自我效能感。学生能感知到学习人工智能后带来的学习效用，其均值为 4.30，说明学生在学习人工智能时能感觉到是非常有用的；学生的自我效能感水平也达到了 4 以上；超过 70% 的学生认为，如果具备了相应的条件，他们是可以学好人工智能相关知识的，这表明学生有足够的信心去学好人工智能相关知识，其整体的自我效能感水平较强。④外在因素也是影响学生学习的重要因素，如社群影响、促成条件。社群影响通常来自于父母、老师和其他同学。社群影响维度从整体均值来看，其数值为 3.91；同学带来的影响均值为 3.80，老师和学校带来的影响均值都为 3.96，这从一定程度上说明了如果周围的人重视人工智能的学习，学生也更愿意去学习。⑤中小学人工智能教育的开展需要足够的软硬件支持，本研究的促成条件维度均值为 3.85，表明学生具备了一定的学习人工智能的条件，学生自身普遍具备学习人工智能的相关条件（ M=3.76 ），而且可以在学习时寻求学校（ M=3.91 ）或教师（ M=3.88 ）的辅助支持；同时可以看出，学生学习人工智能的条件仍须改善。另一方面，中小学存在着学校人工智能课程每周开设的课时量不足的问题，包括课时开设不多（ 29.5% ）、课时开设很少（ 15.2% ）、课时未开设（ 17.9% ）。各中小学的学生问卷数据中课时开设频繁的样本量仅为 17.1%，其中样本来源大部分为经济水平较为发达的东部地区，这就表明目前人工智能课程的开设还处于初期阶段。且小学学段与中学学段相比，由于所面临的学习压力较小，更愿意接触人工智能这一新奇、有趣的事物；开设课程越多，学校的学生对人工智能就有更多的了解，也更愿意去充分地认识与学习。
3.2 影响因素分析
研究假设的验证结果见表 3。H1、H2、H3、H5、H6、H7、H8均通过了原有假设的检验。只有 H4 未通过检验，即表明社群影响对学习意愿不具有直接的正向影响，推测是因为学生在紧张的学习中，面对外界所施加的过大的学习压力，有时候可能会造成适得其反的效果，故得出图 3 所示的结构模型方程的结果（ * 表示在 0.05 水平上显著，** 表示在 0.01 水平上显著，*** 表示在 0.001 水平上显著，无 * 则为不显著）。
4 对策与建议
（1）组织成果展示活动，提升学生对学习效用的感知水平，加强群体效应。在教学过程中，教师应以真实问题来增强学生的体验感，以实际结果为导向，引导学生在学习过程中对问题进行思考、分析并解决，培养创新精神。可让学生运用所学知识来做一次班级汇报、组织一个小组讨论或者设计一个实体作品，目的在于促使学生将所学知识与生活联系起来，又能在生活中发现灵感，以用促学；所安排的班级或小组的活动通过协作学习、合作探究，在团体共同交流知识的过程中，利用群体效应提高学生对人工智能学习的积极性。
（2）课程内容和难度应与学生年龄阶段的学习规律和特点相匹配，强化娱乐性感知并控制学习难度，提高中小学生学习的自我效能感。中小学阶段的人工智能课程以“科”“技”并重，由于人工智能的知识体系较为庞大，其难度也增加了不少，特别是中小学生的逻辑思维能力还处于发展中，设置合理的课程内容有利于培养学生循序渐进地了解人工智能，降低学习时的难度。人工智能课程的教学设计应根据学生的心理特点，探索更具趣味性的教学模式，如游戏化教学等。
（3）增加中小学课程中人工智能知识学习的时间。在“双减”行动的实施下，人工智能相关知识可以适当地安排在课后，为学业压力较小的小学生以及学业压力较大的中学生争取学习的机会，以培养学生的兴趣爱好、科学素养等为目的，将人工智能教育的思想贯彻到不同学科中并借助新的人工智能解决老问题、提出新问题。学校应为学生提供支持人工智能学习的软硬件条件，可供学生探索问题、提出好点子，以辅助培养其计算思维等核心素养。可以设立人工智能类学生社团，并提供活动环境；允许社团成员在课后时间在提供的场所组织社团活动，或者由相关负责人利用空余时间为成员科普人工智能相关知识。
（4）引导学生在学习人工智能时树立积极的价值观和伦理观。从国家长期发展看，中小学人工智能教育是为了培养学生的素养和思维，不能一味地追逐竞赛所获得的荣誉。要避免人工智能教育变成传统的应试教育，就要让学生充分地体会到人工智能对生活、学习等各方面都有着不可磨灭的贡献，借以真实的情境体验塑造中小学生正确的人工智能价值观。必须让学生在接触人工智能的初期就有问题意识，在逐步加深对人工智能的了解过程中，形成正确的伦理观。
参考文献：
[1] 王本陆, 千京龙, 卢亿雷, 等. 简论中小学人工智能课程的建构[J]. 教育研究与实验, 2018(4): 37-43.
[2] 钟祖荣, 胡淑均, 陈捷. 高中学生人工智能学习情况调查报告[J]. 2020(6): 49-53.
[3] Lewin K. The conceptual representation and measurement of psychological forces[M]. Durham: Duke University Press, 1938.
[4] Tolman E C. Purposive behavior in animals and men[M]. New York: Appleton-Century-Crofts, 1932.
[5] Atkinson J W. Motivational determinants of risk taking behavior[J]. Psychological Review, 1957, 64(6): 359-372.
[6] Atkinson J W. An introduction to motivation[M]. Princeton: Van Nostrand, 1964.
[7] Wigfield A, Cambria J. Expectancy-value theory: Retrospective and prospective[J]. Advances in Motivation and Achievement, 2010, 16: 35-70.
[8] Wigfield A, Eccles J S. Expectancy-value theory of achievement motivation[J]. Contemporary Educational Psychology, 2000, 25(1): 68-81.
[9] 许玲, 郑勤华. 大学生接受移动学习的影响因素实证分析[J]. 现代远程教育研究, 2013(4): 61-66.
[10] Al-Emran M, Mezhuyev V, Kamaludin A. Technology acceptance model in m-learning context: A systematic review[J]. Computers & Education, 2018, 125: 389-412.
[11] Bazelais P, Doleck T, Lemay D J. Investigating the predictive power of TAM: A case study of CEGEP students' intentions to use online learning technologies[J]. Education and Information Technologies, 2018, 23(1): 93-111.
[12] Lin H C K, Lin Y H, Wang T H, et al. Effects of incorporating augmented reality into a board game for high school students’ learning motivation and acceptance in health education[J]. Sustainability, 2021, 13(6): 3333.
[13] 方旭, 韩锡斌. 高校教师教学大数据技术行为意向影响因素研究: 基于清华“学堂在线”的调查[J]. 远程教育杂志, 2017, 35(6): 76-86.
[14] Cruz-Benito J, Sánchez-Prieto J C, Therón R, et al. Measuring students’ acceptance to AI-driven assessment in E-Learning: Proposing a first TAM-based research model[C]//International Conference on human-computer interaction. Cham: Springer, 2019: 15-25.
[15] Sánchez-Prieto J C, Cruz-Benito J, Therón R, et al. Assessed by machines: Development of a TAM-based tool to measure AI-based assessment acceptance among students[J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2020, 6(4): 80.
[16] 温忠麟, 侯杰泰, 马什赫伯特. 结构方程模型检验: 拟合指数与卡方准则[J]. 心理学报, 2004(2): 186-194.
基金项目：2022 年江苏省社科基金一般项目“人工智能支持乡村教育振兴的模式构建及行动研究”（ 22JYB013 ）；2022 年江苏省教育科学规划重点课题“‘双减’政策背景下人工智能支持课后服务的模式构建及行动研究”（ B/2022/01/31 ）。
第一作者简介：方旭，男，南通大学副教授，研究方向为教育信息化，fangxu@lzu.edu.cn。
引文格式: 方旭, 罗雅婷, 俞春燕. 中小学生人工智能学习意愿影响因素调研与教学对策 [J]. 计算机教育, 2023(7): 193-198.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
