以立德树人为题的论文,以立德树人为题的论文题目

以立德树人为题的论文

大语言模型在高等教育中的应用对学生批判性思维能力的影响及干预策略研究

摘要：随着生成式人工智能的普及，大语言模型（LLMs）在高等教育中的广泛应用引发了学界对其可能削弱学生高阶思维能力的担忧。本研究旨在探讨LLMs使用行为对大学生批判性思维能力的影响机制，并评估结构化提示词（Prompting）干预策略的有效性。研究采用混合研究设计，对320名本科生进行了为期12周的准实验研究与深度访谈。结果表明，高频且无结构的LLM依赖与批判性思维得分呈显著负相关，验证了“认知卸载”带来的思维惰性假设；而接受结构化提示词训练的干预组，其批判性思维水平不仅未下降，反而在“论证评估”维度有显著提升。本研究为人工智能时代的教育政策制定与教学法创新提供了实证依据。

关键词：大语言模型；高等教育；批判性思维；认知卸载；教学干预

一、 引言

近年来，以大语言模型（LLMs）为代表的生成式人工智能技术深刻重塑了知识获取与生产的范式。在高等教育领域，LLMs已成为学生完成文献检索、文本生成与代码编写的重要辅助工具。然而，技术的便捷性也引发了教育界的深层忧虑：过度依赖算法生成内容是否会剥夺学生深度思考的机会，进而导致批判性思维能力的退化？

当前关于AI在教育中应用的研究多聚焦于学术诚信、技术接受度及教学效率，而针对LLMs使用行为与高阶认知能力之间因果关系的实证研究仍显不足。此外，现有文献较少探讨如何通过具体的教学干预来缓解技术带来的负面认知效应。基于此，本研究旨在：（1）量化评估不同LLMs使用模式对学生批判性思维的具体影响；（2）探究“认知卸载”理论在该情境下的解释力；（3）设计并验证一种基于结构化提示词的教学干预策略，以期为AI时代的教育模式转型提供科学指导。

二、 文献综述

1. 大语言模型与认知卸载理论

认知卸载（Cognitive Offloading）是指个体利用外部工具或环境来降低内部认知需求的行为。现有研究指出，虽然外部工具能提升任务效率，但长期过度卸载可能导致内部认知技能的萎缩。在LLMs情境下，学生将信息综合、逻辑推理等核心认知过程外包给算法，这种深度认知卸载可能阻碍批判性思维所需的认知冲突与意义建构过程。

2. 批判性思维的测量与影响因素

批判性思维被广泛定义为对信念或假设进行合理、反思性思考的能力，其核心技能涵盖解释、分析、评估与推论等维度。面对LLMs提供的“即时且看似完美”的答案，学生往往缺乏质疑的动机，导致认知闭合需要（Need for Cognitive Closure）过早满足，抑制了批判性分析的发生。如何通过教学设计重新引入“认知摩擦”，成为当前教育技术领域的关键议题。

三、 研究方法

1. 研究设计与参与者

本研究采用解释性序列混合方法设计。通过分层随机抽样，选取某综合性大学320名本科生作为研究对象，随机分配至对照组（常规使用LLMs，n=105）、实验组A（限制使用LLMs，n=105）和实验组B（结构化提示词干预组，n=110）。

2. 数据收集工具

定量数据采用修订版的加利福尼亚批判性思维倾向问卷（CCTDI）及自编的《LLMs使用行为量表》进行前后测。定性数据通过在研究后期对30名典型特征学生进行半结构化访谈获取，访谈提纲聚焦于人机交互过程中的认知体验与决策逻辑。

3. 干预方案与数据分析

实验组B接受了为期4周的“批判性提示词工程”训练，要求在使用LLMs时必须采用“角色设定-背景约束-多视角反驳-逻辑验证”的四步结构化提示框架。定量数据使用重复测量方差分析（Repeated Measures ANOVA）处理，定性数据采用主题分析法进行编码。

四、 结果与讨论

1. 定量结果：使用模式与批判性思维的关联

ANOVA结果显示，时间与管理组别的交互效应显著。事后检验表明，12周后，实验组A（限制使用）的批判性思维总分显著高于对照组，而对照组中“高频无结构使用”的子群体，其在“分析”与“评估”维度的得分出现了显著下降。这证实了无节制的认知卸载对高阶思维的侵蚀作用。

2. 干预效果：结构化提示词的认知重塑

值得注意的是，实验组B（干预组）在“推论”和“系统化”维度上的得分提升幅度最大。这表明，当学生被强制要求对LLMs的输出进行多视角反驳和逻辑验证时，人机交互从“单向接收”转变为“辩证对话”，有效逆转了认知惰性。

3. 定性发现：从“答案索取者”到“思维协作者”

主题分析提取出两个核心主题：“算法权威崇拜”与“认知摩擦的重新引入”。对照组学生普遍表示“AI的答案太完整，找不到反驳的切入点”；而干预组学生则反馈，“结构化提示词强迫我先建立自己的逻辑框架，再去审视AI的生成内容，这种认知摩擦虽然耗时，但让我感觉真正掌握了知识。”这一发现深刻印证了建构主义学习理论中“必要难度（Desirable Difficulties）”原则在AI时代的核心价值。

五、 结论

本研究证实，大语言模型在高等教育中的应用并非必然导致批判性思维的衰退，其影响取决于学生的人机交互模式与认知参与深度。无结构的过度依赖会引发深度认知卸载，削弱分析与评估能力；而引入结构化提示词干预，能够人为制造“认知摩擦”，将LLMs从“答案生成器”转化为“思维脚手架”。

研究局限性在于样本仅限于单一高校的本科生，且干预周期较短，长期效果有待追踪。未来研究应进一步探索不同学科背景下LLMs对认知模式的差异化影响，并开发基于学习分析的实时认知卸载预警系统，以实现更加个性化和智能化的教育干预。

参考文献

Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction. The California Academic Press.

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676-688.

Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning. Psychology and the real world: Essays illustrating fundamental contributions to society, 2(59-68).

Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and