教学智能体在高校课程中的实践——“认知卸载”与“数字鸿沟”或是当前高等教育AI化的关键困境

点击蓝字关注我们

文献信息

中文标题：基于LLM的智能体对计算机科学教育中学习成就、认知动态和学生感知的影响

作者：Xu Li, Zhi Liu, Shiyan Jiang, Juanjuan Chen & Wenzhi Chen

期刊：International Journal of STEM Education

线上发表日期：2026 年 7 月 27 日

（点击文章底部“阅读原文”跳转原网页）

研究背景与问题

（1）研究背景

生成式人工智能特别是大语言模型正在重塑教育，能够提供自适应、实时的学习支持。

——然而，目前关于其教育效果的实证证据并不一致，有些研究强调其提高了学习表现，有些则担忧过度依赖和批判性思维的降低。

随着技术发展，基于LLM的智能体（Agent）超越了传统的被动聊天机器人，集成了工具使用、记忆保留和多步推理等高级功能。

——然而，现有研究大多仍将LLM视为被动提问工具，极少有研究探讨这种具备主动工具属性的教育代理在真实的教育环境中如何影响学习表现、塑造认知参与过程以及影响学习者感知。

👉本研究正是在这一空缺处切入：为计算机科学中的数据库课程开发了一个名为“DBagent”的特定领域教育智能体，并通过大规模准实验考察其在真实课堂中的多维度交互影响。

（2）研究问题

📌RQ1：DBagent 丰富的学习环境如何影响学生的学习表现？

📌RQ2：在 DBagent 丰富的学习环境中，学生的认知参与具有哪些特征？

📌RQ3：技术接受模型（TAM）中塑造学生感知的各结构之间存在怎样的关系？

理论框架

（1）认知参与框架（布鲁姆分类法）
研究采用修订版的布鲁姆分类法作为理论基石，用于分类和量化学生在交互中的认知参与度。
认知水平被系统地划分为低阶（记忆、理解）、中阶（分析、应用）和高阶（评价、创造）三种层级。
（2）技术接受模型（TAM）
研究利用技术接受模型来全面评估学生对新系统的总体感知。具体的评估维度涵盖了可用性、有用性、满意度、使用意图和实际使用五个方面。
（3）教育代理的推理与架构模式
智能体利用检索增强生成（RAG）结合特定领域知识库，并采用 ReAct 推理模式来处理复杂问题。
交互设计强调将对话历史（短期/长期记忆）与外部工具调用相结合，以支持上下文连贯的认知参与。

研究方法

（1）研究设计

被试：313名来自不同计算机相关专业的大二学生参与了实验。被试被划分为实验组（246人，由三个班级组成）和控制组（67人，一个班级）。

任务：学生需在四周内完成两项认知负荷较高的开放式数据库实践任务。任务1是 T-SQL 语言编程，任务2是设计一个真实的汽车租赁系统数据库。

（2）DBagent

DBagent 集成了本地知识库，使用 RAG 技术生成高度相关且能减少幻觉的本地化内容。

系统配备了外部工具集（如搜索引擎、图像识别、学术论文检索），通过函数调用模式来解决复杂的学术挑战。

用户界面保留了完整的对话历史，并在每次交互回复中显式包含学生昵称，以培养支持性的情感参与氛围。

（3）评估方法

数据采集：研究收集了17856条学生-代理交互日志、102条学生-教师即时通讯记录、两次实践任务的表现成绩，以及151份有效的在线调查问卷结果。

分析框架：结合了三种定量方法。使用统计分析（Mann-Whitney U 检验）对比学习表现，使用滞后序列分析（LSA）挖掘交互日志中的认知行为序列，以及使用结构方程模型（SEM）解释问卷数据中的关系。

结果

（1）RQ1：学习表现的提升与两极分化

DBagent 显著提升了实验组在两项学习任务中的整体表现，尤其是在解决复杂问题（Task 2）时效果尤为突出。

实验中也出现了表现两极分化的现象，主要由非纯计算机学生组成的实验班Y01在 Task 2 中的表现反而低于控制组。

（2）RQ2：评估策略的迁移——零星发生，远未系统化

在传统的师生互动中，学生的求助行为频率极低（仅102次），但低中高三种认知层次分布均匀。在学生-代理交互中，求助行为激增（17856次），且高度集中于低阶认知活动（占总数的54.52%）。

LSA 分析揭示了一个显著的“提问-评估-提问”认知循环，即学生将基础信息检索卸载给AI，然后释放精力对AI的输出质量进行评估。

如果没有外部提示，学生很难自发地向高阶认知过滤，极易锁定在低阶的信息处理自我循环中。

（3）RQ3：感知结构——满意度的核心中介作用

在技术接受度路径中，可用性对系统的有用性产生了极强的显著正向影响。有用性进而显著影响了用户的满意度。

出乎意料的是，有用性对“使用意图”和“实际使用”并没有直接的显著影响。

满意度在其中扮演了关键的中介角色，它对使用意图和最终的实际使用行为都产生了强烈的直接驱动作用。

讨论

（一）社会抑制的缓解与认知卸载的悖论

学生在使用代理时大量发出低阶问题，这并非意味着高阶思维退化，而是因为 DBagent 提供了一个安全的心理环境，极大地缓解了面对权威教师时怕“丢面子”的社会抑制。

这种安全环境促成了“认知卸载”——学生让 AI 处理死记硬背或基础理解，从而保存认知资源去应对真正的任务挑战。

然而，这也是一把双刃剑：由于代理通常“有求必应”地直接给出答案，缺乏传统教学中启发式的“认知摩擦”，导致绝大部分学生无法自发突破壁垒，向“分析”或“创造”等高阶思维跃升。

（二）数字准备度与“提示词工程鸿沟”

非核心计算机专业学生在使用最先进代理时成绩不升反降，证明了通用AI工具并非万能药，其效果严重依赖于学习者的特定领域数字准备度。

由于缺乏计算思维——特别是将复杂现实问题拆解为机器可理解逻辑的能力——这些学生遭遇了“提示词工程鸿沟”，哪怕有极强的工具在手，也难以提出精确的指令来激发代理的最大潜力。

留给读者的问题

🤔如果你是教师，面对学生在AI辅助下容易“陷入低阶认知循环”的现象，你会如何设计教学支架来推动他们向高阶思维跨越？

🤔如果你是 DBagent 的开发者，针对非技术专业学生出现的“提示词工程鸿沟”，你会如何在交互界面或底层逻辑上做出改进，以降低他们的使用壁垒？

欢迎在评论区分享你的观察与思考~

END

2.【科学教育顶刊】IJSE：AI 时代，大学生的计算思维该怎么测？

3.【物理教育顶刊】DeepSeek 辅助生成的教学设计在结构上有何特点？

↙左下角点击

阅读原文

跳转原网页