生成式人工智能支持下大学生自主学习能力提升研究

摘要：ChatGPT为代表的各类AIGC工具风靡全球，深度融入人们生活的方方面面，尤其在教育领域应用广泛。大学生作为新技术的积极接纳者，其学习方式正经历前所未有的变革。本研究通过问卷调查等方法，剖析AIGC在大学生学习中的应用现状、存在问题。研究内容涵盖AIGC使用情况，对大学生自主学习能力的影响，分析发现学生对AIGC认知度有待提升，其在课程学习、科研和生活中应用广泛但存在问题。为提升生成式人工智能支持下大学生自主学习能力，强化学生自我认知与能力培养，引导正确认识 AIGC；优化教育模式与引导机制，创新教学方法并规范使用；促进AIGC技术与学习深度融合，优化工具并鼓励创新应用；营造良好学习环境与氛围，提升学生信息素养。实现全面发展，为推动教育与技术的良性融合提供参考依据。

关键词：生成式人工智能；大学生；自主学习能力；问卷调

引言

在科技迅猛发展的当下，生成式人工智能（AIGC）影响力剧增，以ChatGPT为代表的AIGC工具广泛融入生活，给教育领域带来深刻变革，既丰富了教育资源、创新了教学方式，也带来了新挑战。

大学生积极接纳AIGC，其学习方式随之改变。AIGC为大学生学习提供诸多便利，如提供学习资料、辅助完成作业等，但也引发学术诚信受挑战、学生过度依赖等问题。因此，探究 AIGC 与大学生学习的关系意义重大。

本论文采用问卷调查等方法，系统剖析AIGC在大学生学习中的应用现状与问题。深入研究 AIGC对大学生学习行为和需求的影响，探索其作用机制，同时提出解决问题的策略，以提升大学生在AIGC支持下的自主学习能力，推动教育与技术融合，助力教育者、高校和教育管理部门工作，引导大学生正确使用AIGC，实现全面发展。

一、大学生自主学习能力现状调查

（一）问卷设计

问卷聚焦生成式人工智能对大学生学习的影响，分为基本信息、AIGC使用情况、AIGC 支持下的自主学习能力三部分。基本信息含性别等4项，用于分析学生背景差异；AIGC使用情况涵盖总体和不同场景应用；自主学习能力部分从多维度考察AIGC的影响。问题均为选择题，便于作答与统计。

（二）样本选取

研究采用问卷调查法，共回收227份问卷，经筛选得到211份有效问卷，有效回收率92.95%。被调查者中女生占比65.4%，大二学生占52.1% ，管理学类专业学生占37.0%，GPA在2.7 - 3.8之间的学生占比最高51.2%。调查发现，57.8%的学生对AIGC有一定了解但认知待提升，其使用时长、频率差异大，ChatGPT 使用率47.4%，文本生成技术最常用73.0%。AIGC在多场景应用广泛且接受度高，学生自主学习能力表现良好，但存在过度依赖等问题。经信效度分析，问卷信度佳、效度良好，数据可靠。

（三）问卷的回收和整理

问卷发放后回收227份，初步筛选剔除8份无效问卷，得到211份有效问卷。在数据整理阶段，运用专业软件对有效问卷信息分类录入，按变量设定编码，确保数据规范一致，为深入分析生成式人工智能与大学生学习的关系做准备。

二、数据分析

（一）描述性的统计

1.被调查者基本信息

被调查者描述性统计情况，具体如下：

参与调查的学生中，女生占比 65.4%，男生占比 34.6%。女生比例相对较高，反映出在本次调查的样本范围内，女生对该研究主题的关注度或参与度较高。

大学二年级学生占比最高，为 52.1%，其次是大学三年级（21.3%）、大学一年级（16.1%）和大学四年级（10.4%）。大二学生在样本中占主导地位，意味着这个阶段的学生在学习过程中对生成式人工智能的应用有更多的体验和需求，也反映出研究在大二学生群体中的推广效果较好。

管理学类专业学生占比最大，为 37.0%，其次是理工类（20.9%）、文史类（16.6%）、教育学类（11.8%）等。专业分布的多样性有助于全面了解生成式人工智能在不同学科领域的应用情况。

GPA 在 2.7 - 3.8 之间的学生占比最高，为 51.2%，其次是 1.5 - 2.7（26.5%）、大于 3.8（13.3%）和小于 1.5（9.0%）。整体 GPA 分布呈现一定的正态分布特征，说明样本在学业成绩上具有一定的代表性。

2.关于生成式人工智能（AIGC）

（1）总体使用情况

由数据可知，57.8%的学生对生成式人工智能有一定了解，但仍有超一成学生不太熟悉或不熟悉，认知度有待进一步提升。使用1年的学生占比53.1%，使用2年及3年以上的学生也分别占26.5%和20.4%，表明学生接触和使用该技术时间跨度较大，且有一定比例的长期使用者。37.0%的学生经常使用，62.6%的学生偶尔使用，使用较为普遍但频率差异明显，反映出学生对其依赖程度不同。ChatGPT使用率为47.4%，使用其他人工智能的学生占比52.6%，说明工具使用具有多样性，ChatGPT 虽受欢迎但非唯一选择。文本生成技术使用率高达73.0%，远超其他类型，体现出文本处理是大学生应用生成式人工智能的主要方面，与学习任务紧密相关。

（2）不同场景使用情况

在回答课堂提问方面，34.1%的学生较谨慎，但42.2% 的学生有尝试意愿，其中积极使用者占比23.7%。辅助完成作业时，仅2.4% 完全不使用，48.8%的学生经常使用，积极使用者超三分之一。查阅课程信息时，仅3.3% 完全不使用，超八成学生有使用行为。评价作业反馈方面，2.4% 完全不使用，41.7%的学生有使用行为。整体来看，各功能中基本符合及以上选项的学生占比均较高，说明学生对AIGC在课程学习中的应用接受度较高。

数据显示，在科研活动中，生成式人工智能应用较为广泛。辅助选择研究问题时，仅 3.8%完全不符合，超七成有一定程度应用。辅助写作方面，超九成学生有使用行为，修改论文或报告、提取文献关键信息、翻译外文学术资料等场景也有类似情况，完全不符合比例低，多数学生有使用且在部分功能上积极使用者占比可观，表明其在科研各环节发挥重要辅助作用。

数据表明，生成式人工智能在大学生日常生活中的应用已具一定规模。在遇到困难求助、询问生活常识等方面，完全不符合比例较低，基本符合及以上占比较高，如询问常识基本符合及以上达60.6%。娱乐放松方面，如互动聊天、设计娱乐内容等也有较多学生参与。策划活动、制作简历、模拟面试等场景同样有相当比例学生使用，不过在提供心理辅导上，不太符合和完全不符合比例相对较高40.2%，但仍有超四成学生有使用行为。

（二）信效度分析

1.信度分析

信度是衡量问卷可靠性与稳定性的重要指标，本次调查使用克隆巴赫Alpha系数进行信度分析，结果显示克隆巴赫Alpha值为0.963，问卷包含47个项目。

通常情况下，克隆巴赫Alpha系数大于0.9表示问卷信度极佳，表明该问卷内部一致性很高，各个项目之间具有较强的相关性，能够稳定、可靠地测量目标变量。

2.效度分析

运用SPSS软件对《生成式人工智能支持下大学生学习情况调查问卷》进行KMO和Bartlett球形检验，结果如表所示：

由表可知，KMO值为0.954，KMO 值大于0.8，Bartlett球形度检验的近似卡方值为7950.062，显著性P值为0.000，达到显著性水平，研究数据信息非常适合提取信息，效度很好。

（三）调查结果统计与分析

1.大学生自主学习能力总体现状描述

数据可以看出，多数学生在生成式人工智能支持下自主学习能力表现良好。如在明确学习需求方面，仅 3.8% 完全不符合，超八成有一定程度符合。在面对困难坚持学习、确定学习目标、选择学习策略等多方面，完全不符合比例多在 5% 以下，且较高比例学生能达到基本符合及以上。

综上所述，通过对 211 份有效问卷的分析，发现学生对AIGC的认知度有待提升，但使用较为普遍且工具多样，文本生成技术最常用。AIGC 在课程学习、科研活动和日常生活中的应用广泛且接受度高。多数学生在其支持下自主学习能力良好，在学习过程管理上也呈现积极态势，表明AIGC对大学生自主学习能力有积极影响。

2.大学生自主学习能力状况的差异性分析

单因素方差分析结果显示，在课程学习、科研活动和日常生活这三个方面，生成式人工智能的使用情况均存在显著差异（显著性均小于 0.001），表明不同分组在这三方面对生成式人工智能的使用存在明显区别。在课程学习使用情况中，组间均方为1.568，F 值为5.422，说明组间差异在统计上非常显著。

然而，在总体使用情况方面，F值为1.088，显著性为0.338，大 0.05 的显著水平，总体上不同分组对生成式人工智能的使用不存在显著差异，尽管在具体的课程学习、科研活动和日常生活中使用情况差异显著，但综合来看，整体的使用差异并不明显。

3.大学生自主学习能力维度间的相关分析

相关性分析旨在探究各变量之间的关联程度，通过表4-9数据可知。性别与课程学习、科研活动、日常生活使用 AIGC 以及大学生自主学习能力均呈负相关。年级与各变量相关性较弱，仅与课程学习、科研活动、日常生活使用 AIGC 及自主学习能力呈现微弱正相关。GPA 与总体使用 AIGC 呈负相关，在 0.05 水平显著，说明成绩较好的学生可能对 AIGC 依赖程度较低；而与自主学习能力呈正相关但不显著，暗示成绩和自主学习能力间存在复杂关系，并非简单线性关联。

课程学习、科研活动、日常生活使用 AIGC 与自主学习能力在 0.01 水平上显著正相关。说明 AIGC 在这些场景中的使用频率越高、程度越深，学生自主学习能力越强，初步验证了研究假设中 AIGC 应用与自主学习能力存在关联的设想。

（四）实证结果讨论

1.大学生自主学习能力存在的问题

（1）过度依赖AIGC独立思考能力弱化

AIGC 虽为大学生提供便利，但部分学生过度依赖，导致独立思考能力弱化。近半数学生经常用 AIGC 辅助完成作业，写论文时也直接让其生成框架或内容，缺乏自身思考。长期如此，一旦离开 AIGC，面对学习任务便不知所措，严重影响能力锻炼与发展。

（2）目标设定缺乏深度与个性化

多数学生设定学习目标较笼统，仅停留在提高成绩、完成任务层面，缺少量化指标和实现路径。不同专业学生均存在问题，理工类忽视算法优化，文史类未注重素养培养，这种宽泛目标限制了学习效果提升和长远发展。

（3）学习策略选择与运用不够灵活

部分学生不能充分发挥 AIGC 优势优化学习策略，面对复杂任务习惯单一策略，缺乏与传统方法结合的意识。不同年级学生表现各异，大一盲目选择，大二运用不灵活，大三、大四受传统思维束缚，尝试新策略不积极。

（4）学习过程监控与调整能力不足

大学生在学习过程管理中，监控和调整能力不足。使用 AIGC 学习时，难以有效监控学习过程，不能及时发现问题。如学习数学按 AIGC 解题步骤做，遇到变化的题目就不会做。学习计划受干扰时，也无法及时调整，影响学习效果。

2.大学生自主学习能力存在问题的原因分析

（1）学生自身认知偏差

大学生对 AIGC 存在认知偏差，部分学生将其视为万能工具，过度依赖，忽视自身努力。同时，对自主学习能力培养的重要性认识不足，使用 AIGC 时只关注任务完成，忽略思维和策略能力提升，长期形成不良学习习惯。

（2）教育模式与引导不足

当前教育模式对学生自主学习能力培养重视不够，传统教学注重知识传授，学生被动接受。引入 AIGC 后，教师未及时调整教学方法引导学生正确使用，学校也缺乏相关课程和活动，导致学生缺乏科学学习方法指导，在使用 AIGC 时存在诸多问题。

（3）AIGC技术特性的影响

AIGC 生成内容便捷即时，使学生潜意识倾向依赖，放弃自主思考。而且其生成内容准确性和适用性有限，学生因不了解技术原理难以辨别，盲目接受影响学习和能力提升。

（4）社会环境与学习氛围的作用

数字化时代信息繁杂，碎片化、娱乐化信息分散学生注意力，影响深入学习和自主思考。校园学术氛围不浓，学生交流不深入，使用 AIGC 时缺乏良好讨论和反思氛围，不利于自主学习能力培养。

（五）生成式人工智能支持下大学生自主学习能力的提升对策

1.强化学生自我认知与能力培养

通过举办专题讲座、培训课程等方式，引导学生深入了解 AIGC 的工作原理、优势和局限，让学生明白其辅助工具的定位。鼓励学生在使用 AIGC 时保持批判性思维，分析甄别内容，完成学习任务后主动反思，强化思维训练。学校开设自主学习能力培养课程，通过案例分析和实践操作，传授学习目标设定、计划制定、策略选择及过程监控调整的方法。

2.优化教育模式与引导机制

教师应转变教学理念，将 AIGC 融入教学，创新教学方法。如在历史课上，引导学生借助 AIGC 获取不同视角资料并讨论分析，培养批判性思维和信息整合能力。布置基于 AIGC 的学习任务，提升学生应用能力。学校制定使用规范和指南，建立学习支持中心，为学生提供咨询和指导，避免学术不端行为。

3.促进AIGC技术与学习的深度融合

推动 AIGC 技术开发者针对教育场景优化算法，开发适合大学生学习的工具，根据不同学科需求提供精准内容。例如数学工具可提供详细解题思路和个性化解答。学校组织竞赛活动，如 AIGC 辅助学习创意大赛，激发学生探索创新应用，挖掘 AIGC 学习价值，提升自主学习能力。

4.营造良好的学习环境与氛围

学校积极营造浓厚学术氛围，开展学术讲座、研讨会等活动，吸引学生参与，引导学生正确使用 AIGC 进行学术探索和交流，分享学习成果。建立学习社区，为学生提供交流平台，促进相互学习，减少对 AIGC 的过度依赖。加强信息素养教育，开设课程教导学生利用 AIGC 等工具检索、筛选和分析信息，提高信息管理能力，助力自主学习。

三、结论

通过对大学生自主学习能力现状的深入调查与分析，本研究明确了AIGC支持下大学生自主学习能力存在的问题，并从学生自身认知、教育模式、技术特性以及社会环境等多方面剖析了问题的根源。基于此，本文提出了一系列针对性的提升对策，旨在引导学生正确认识AIGC的工具属性，强化自主学习意识，优化教育引导机制，促进AIGC技术与学习的深度融合，并营造良好的学习环境与氛围。

生成式人工智能的发展为教育带来了新的机遇与挑战，只有通过多方协同努力，才能真正实现AIGC与教育的良性融合，提升大学生的自主学习能力，为学生的全面发展和未来职业发展奠定坚实的基础。在数字化浪潮的推动下，教育的未来将更加依赖于技术与人的有机结合，而如何在技术赋能的同时保持人的主体性，将是教育领域永恒的课题。

参考文献

[1]叶子忆，孙丽红.人工智能助推大学生英语自主学习现状分析及提升策略[J].海外英语，2023，（08）：124-127+134.

[2]汪晨，刘永贵.基于生成式人工智能的教师自主学习模式探究——以ChatGPT为例[J].软件导刊，2023，22（11）：219-225.

[3]金云波，龚盼盼，包莹莹，王梦娟.强人工智能时代大学生自主学习能力发展面临的机遇与挑战——基于ChatGPT的审思[J].信阳师范学院学报（哲学社会科学版），2024，44（01）：105-111.

[4]宋光迪，罗雨晴，张可可，初易涵，楠迪.生成式人工智能工具技术支持下大学生自主学习能力提升研究——以财务会计专业为例[J].互联网周刊，2024，（01）：86-88.

[5]陈建丽，牛静.指向自主学习能力提升的人工智能技术在大学英语教学中的应用研究[J].现代英语，2024，（02）：19-21.

[6]朱文杰.人工智能下学生自主学习方法探究[J].内江科技，2024，45（02）：29-30+80.

[7]李弈辰.人工智能时代高校思政课教师自主学习能力提升探析[J].现代职业教育，2024，（21）：173-176.

[8]王儒，余菲.生成式人工智能感知交互性对大学生自主学习能力的影响研究[J].对外经贸，2024，（07）：108-112.

[9]胡畔，邢宇航.生成式人工智能背景下大学生自主学习实证研究——以“文心一言”为例[J].黄山学院学报，2024，26（04）：131-136.

[10]戚佳，徐艳茹，刘继安，薛凯.生成式人工智能工具使用对高校学生批判性思维与自主学习能力的影响[J].电化教育研究，2024，45（12）：67-74.

[11]赵倩蓉.人工智能时代应用型高校学生英语自主学习能力的调查与分析[J].海外英语，2024，（24）：189-191.

[12]陈天恒，马志强，张运昌，佘岚，郭贝贝，杨峰.人工智能辅助下基础化学自主学习模式建设[J].医学教育研究与实践，2025，33（01）：49-54.

[13]Hidayat-ur-Rehman Imdadullah.Examining AI competence， chatbot use and perceived autonomy as drivers of students’ engagement in informal digital learning[J].Journal of Research in Innovative Teaching & Learning，2024，17（2）：196-212.

[14]Assim S. Alrajhi.Intelligent personal assistants in self-access L2 vocabulary learning[J].Education and Information Technologies，2024，30（1）：1-31.

[15]Kim Eunhyun，Sim Juyoun.Incorporating AI into English Language Learning： An Experimental Study Focusing on Autonomous Learning[J].English Language Teaching，2024，17（10）：82-82.

[16]Mohamad Ahmad Saleem Khasawneh，Sayed M. Ismail，Negash Hussen.The blue sky of AI-assisted language assessment： autonomy， academic buoyancy， psychological well-being， and academic success are involved[J].Language Testing in Asia，2024，14（1）：47-47.

[17]Danny Glick，Shirley Miedijensky，Huiyu Zhang.Examining the effect of AI-powered virtual-human training on STEM majors’ self-regulated learning behavior[J].Frontiers in Education，2024，91465207-1465207.

基金项目：四川文理学院大学生创新创业训练计划资助项目（项目编号：S202410644039）。