AIGC環境下研究生復雜認知的生成演變

摘要：當前，人工智能生成內容（Artificial Intelligence Generated Content，AIGC）跨越式發展正在變革教育環境，對研究生的學習與研究沖擊較大，使其認知的不確定性和復雜性日益明顯。為適應AIGC環境研究生成長需要對多種因素和條件進行邏輯推演與組織關聯，以生成復雜認知，因此探索AIGC與研究生學習、研究的融合方式，及其對研究生復雜認知的影響顯得尤為必要。為此，文"，"Introduction":""，"Columns":"生成式人工智能"，"Volume":""，"Content":"

摘要：當前，人工智能生成內容（Artificial Intelligence Generated Content，AIGC）跨越式發展正在變革教育環境，對研究生的學習與研究沖擊較大，使其認知的不確定性和復雜性日益明顯。為適應AIGC環境研究生成長需要對多種因素和條件進行邏輯推演與組織關聯，以生成復雜認知，因此探索AIGC與研究生學習、研究的融合方式，及其對研究生復雜認知的影響顯得尤為必要。為此，文章首先將ChatGPT納入研究生課程，然后通過“證據推理”GoE框架，利用認知網絡分析法對研究生課程學習的過程數據進行剖析，發現AIGC環境下研究生的復雜認知由簡單線性連接、低階認知狀態生成向復雜網絡建構、高階認知狀態演變發展；理論學習具有“非專業-整合”型認知特征，外部干預能夠有效突破研究生的低階認知狀態，呈現“∞”型的發展軌跡；學術研究具有“解析”型認知特征，“機-師”協同指導可以提升研究生的高階認知水平，呈現“∑”型發展軌跡。最后，文章提出利用AIGC構建融合課程以培養研究生高階認知思維、通過提示模式教學強化研究生推理實踐、借助AIGC“認知中介”助推研究生理論學習與學術研究銜接等建議，以期推動研究生培養模式的轉型與發展。

關鍵詞：AIGC；研究生復雜認知；證據推理；ChatGPT

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）04—0047—13"【DOI】10.3969/j.issn.1009-8097.2024.04.005

引言

隨著ChatGPT的廣泛應用，AIGC因其強大的文本、圖像等內容分析與創造能力，受到社會各界的高度關注，并引領內容創建與知識學習的范式轉變^[1]，對教育領域產生了革命性影響。尤其在研究生教育領域，研究生開始借助AIGC完成連貫的、內容豐富的課程作業或學術論文^[2]，這雖然提高了效率，但也帶來“抄襲、剽竊”的教育隱患，引發大量教育研究者與工作者的激烈討論：部分學者認為AIGC可以賦能學術生產，在文獻檢索、輔助選題與觀點整合等環節發揮作用^[3]；還可以強化研究生獨立自主、個性化的學習體驗^[4]，促進知識理解、問題解決和任務協作。也有部分學者指出，AIGC將引發科學倫理、學術道德、學業誠信和師生過度依賴^[5]等教育問題，會對研究生的科學研究、知識創新與高階思維技能發展等產生負面影響。為此，支持方開始探索ChatGPT促變研究生培養模式的實踐路徑，如Dai等^[6]通過ChatGPT轉變導師和研究生的角色責任，強化研究生的科研獨立性；反對方則提出系列反ChatGPT策略，以期削弱師生對ChatGPT的依賴^[7]，提高師生的學術誠信認知度。可見，當前圍繞AIGC及其對研究生教育影響的討論傾向于關注其為教育者、研究生帶來的機遇或挑戰，前者將AIGC視為教育創新的加速器，促進教育變革、提升教育質量；后者認為AIGC將帶來教育系統的毀滅。這兩種觀點突出了AIGC在教育中作用的內在矛盾性，也意味著AIGC已成為研究生教育不可回避的現實環境。

研究生教育實質上是培養學生科學探索、尋求學術真理和創造新知識能力的教育階段^[8]。與傳統的智能技術不同，ChatGPT的出現意味著機器智能對研究生的本質影響已經從感知和肢體延伸的工具性領域進入思考與意識干預的認知領域^[9]，對研究生“研究、創新”的社會價值以及研究生教育對高層次人才培養的目標定位產生直接沖擊；迫使過去以知識傳授、技能訓練和定向化培養的研究生教育向凸顯研究生獨特優勢的思維品質培養模式轉型。因此，教育研究者關注的重點不在于AIGC帶來的負面效應或AIGC本身智能的增強，而是如何促進AIGC與研究生理論學習和學術研究的深度結合，通過理論學習強化研究生科研能力訓練，激發創新意識，培養研究生獨有的思維方式與綜合能力，最終實現高層次創新型人才培養目標。

現有研究主要討論AIGC環境對師生的教與學、科學研究和教育管理等方面的潛在價值與隱患應對，對于AIGC如何賦能研究生復雜認知生成與發展的實踐應用研究尚處于初步探索階段。為此，本研究將ChatGPT納入研究生課程，以“證據推理”視角剖析研究生復雜認知在理論學習與學術研究中的具體表現和發展動態，探索AIGC環境對研究生復雜認知的作用影響，以期為推動研究生培養模式轉型、促進科研與學習連接、應對生成式復雜環境挑戰提供參考。

一 研究概述

1"研究生的復雜認知與現實困境

復雜認知是指個體為解決問題、制定決策和計劃行動，從給定信息中獲得新信息的所有心理過程，發生在多種認知過程相互作用或與其他非認知過程相互影響的復雜條件下^[10]，是個體依托所在環境，根據個人的復雜目標組織、調整行為的思維結構^[11]。與其他學生群體不同，研究生作為學習者和科研工作者的集合體^[12]，面向可持續發展的學習、科研目標，以及參與應對社會挑戰的生存需要，強調高層次概念學習與復雜性科學研究。因此，研究生不僅需要具備更強的專業知識、經驗與技能^[13]，更重要的是發展高階認知思維，以驅動知識技能的深層建構與升華，促進學術研究。研究生復雜認知是在“理論學習-學術研究”^[14]這一行動邏輯鏈中，借助外部信息進行結構化推理的思維過程，具體指研究生在面對更具挑戰性、更復雜多變的理論學習或學術研究任務時，能夠高效識別、分析、解釋、評估和提取各類數據信息，并將其與自身知識經驗有機整合，實現成果產出與優化^[15]等一系列思考推理過程。這一思維過程隨著研究生多樣的學習、研究經歷，以及外部干預（如導師的指導反饋、學術交流等）得以發展——從簡單的知識關聯到概念建構，再到多維復雜的聯想應用，逐漸形成更系統、高階的認知框架，以支撐研究生進行問題本質的深入探尋和創新性的學術研究。研究生復雜認知的高低是區別其與領域專家的本質差異，同時也是成長為專家的關鍵路徑。通過不斷發展和強化復雜認知，研究生能夠靈活應對外部環境挑戰、處理各種不確定性問題，實現自我驅動的個人成長。

因此，如何促進研究生復雜認知的生成發展，推動其理論創新與學術研究，成為研究生教育領域所要關注的重要議題。廖湘陽等^[16]指出，研究生的培養不應固守于特定的知識、技能，應更加強調認知層面的躍遷，以一種新的思考方式，轉變和創新研究生理解、解釋、觀察事物的方法論和具體方式，從而使其適應智能時代的發展。但在實然狀態下，研究生的復雜認知面臨諸多現實困境：①課程體系淺薄化造成的認知狹隘。杜巖巖等^[17]指出，研究生課程知識內容陳舊、邊界混亂、結構單一，忽視了高階認知和創新能力培養，導致研究生知識結構碎片化，阻礙其問題解決與科研創新能力的提升。②科研與教學割裂化引發的認知脫節。研究生教育的本質在于通過科研與教學的有機整合，培養其問題意識、學術素養和綜合能力。而在具體實踐中，知識傳授板塊化問題與課題研究融通性特征相矛盾，研究生主要以單一學科視角開展科學研究，缺乏對跨學科復雜問題解決和知識遷移^[18]的學術性反思，造成科研與學習的認知脫節、動力弱化。③AIGC技術“類人化”帶來的認知異化。以ChatGPT為代表的通用大模型已具備一定的人類思維能力，可替代人類進行學習，甚至成為新的“知識中心”，挑戰研究生認知極限，使其出現自我認知不足、思維同質化等問題。可見，必須深入思考新的技術環境所帶來的機遇與挑戰，從而有效促發研究生的復雜認知，破解其現實困境，實現研究生的高質量發展。

2 AIGC環境對研究生復雜認知的多維影響

相對于一般數據庫和搜索引擎，ChatGPT、文心一言等大型語言模型突破了自然語言處理的技術瓶頸，依托強大的算力、算法和數據投喂^[19]，實現了內容生成的自主性、適應性和創造性，并涌現出相當程度的意識和思維，加速了研究生教育的智能化發展，進一步凸顯了復雜認知與高階思維的人才培養目標。理論學習和學術研究是實現研究生教育目標的兩種主要方式^[20]，其中理論學習側重于培養研究生具備廣博的知識基礎和精深的專業知識，學術研究則強調研究生獨立科研、探索創新等能力與科學思維、學術品質的培養。AIGC技術廣泛應用于研究生的理論學習和學術研究，對其復雜認知帶來積極和消極影響。在理論學習方面，AIGC充當虛擬導師，根據研究生個人的學習需求、進度提供個性化輔導和答疑解惑^[21]，幫助研究生彌補知識差距，促進學習成長。同時，AIGC擔當領域專家角色，通過深入對話生成特定專業知識和研究方法^[22]，為研究生解決復雜問題提供專業指導，實現理論知識的認知遷移與情境轉化。在學術研究方面，AIGC作為科研助手，輔助研究生進行文獻梳理、搜集與總結，拓展研究思路、激發靈感^[23]；還能提升論文寫作質量，引導研究生專注于知識創新與科學發現，實現認知躍升。

技術的雙面性意味著研究生在應用大型語言模型進行理論學習和學術研究時，必須認識到大型語言模型的潛在問題與局限性：①數據偏差。受限于訓練數據集，AIGC生成數據中的偏見可能導致錯誤信息或歧視^[24]，從而影響研究生問題分析和研究的客觀性與準確性，甚至阻礙其形成、發展體系化的專業知識結構^[25]，導致認知偏差。②信息的不確定性。AIGC的內容生成未提供相應的資料或文獻引用、參考列表^[26]，增加了研究生對文獻觀點識別、評估與檢驗的難度，阻礙了學術研究創新，甚至使其成為AIGC內容權威的絕對擁護者，形成“認知繭房”。③技術的不透明性。AIGC的模型算法和運行過程依然存在“黑箱”特性，即用戶無法獲知系統內部的結構、工作原理和信息處理過程，只能被動接受模型輸出的數據^[27]，弱化了研究生的邏輯演繹、事實推理等思維過程，難以確保知識內容與學術問題之間的連貫性、融通性，以及科研成果的有效性，陷入“認知黑箱”。因此，AIGC環境的日益復雜性需要研究生進行多角度、全方位的證據推理與思考探究，以促進復雜認知生成，推動其理論學習與學術研究的創新發展。

3"“證據推理”的研究基礎與理論框架

“證據推理”（Evidentiary Reasoning）的概念源于科學教育領域的實踐論證^[28]，是美國《下一代科學標準》和《K-12科學教育框架》中提出的學習者參與知識社會所必須具備的復雜技能規范，即應用科學證據進行探究、論證與建構，具體指應用學科理論、規范和方法論框架生成證據，并以此評估科學主張的有效性，以及與現實問題之間的一致性與相關性^[29]。“證據推理”這一核心技能，在智能技術持續發展、錯誤虛假信息充斥擴散時代背景下的重要性日益凸顯，學習者須保持認知警惕，根據證據進行推理、構建觀點主張^[30]。雖然有大量研究關注學習者證據推理的復雜過程和科學知識的發展成效，深入探索影響學習者高級證據推理的特定領域知識和外部干預支架等因素^[31]，但缺乏對證據性質的界定和對學習者內在認知的審視。同時在實踐中，學習者對科學證據的使用和認知理解受限，難以準確評估證據的質量和強度，以及權衡、整合不同來源和類型的證據來支持主張^[32]，阻礙其開展科學研究，發展高階能力。為應對這些挑戰，Duncan等^[33]提出了“掌握證據”（Grasp of Evidence，GoE）框架，系統解讀了證據的真實形式和推理流程，具體包括對如何結合相關證據操作要素的理解；如何在各種環境中適應性地參與證據推理，并實施更高層次的元認知調控。該框架分為證據非專業使用、證據分析、證據評估、證據解釋和證據整合五個維度，彼此相互關聯，反映了個體從非專業人士成長到領域專家所需要的認知基礎與發展過程。諸多研究將該理論框架作為分析工具進行實踐檢驗，揭示學習者的內在認知機理，如Kim等^[34]將該框架作為考察本科生對社會科學問題相關知識主張批判性評估的分析視角，以揭示學習者不同類型的證據實踐及其背后的認知變化，為促進學習者證據推理和批判性思維養成提供參考；Duncan等^[35]驗證了GOE框架能夠培養學生的認知警惕，有效降低諸多錯誤信息帶來的認知風險，促使其形成在復雜認知環境中對知識主張和證據進行推理的能力。

隨著研究生教育大眾化的推進，學生群體將越來越多元化，這就要求研究生教育在規模擴張的同時必須優化質量，創新發展理念^[36]。實踐表明，當下研究生課程泛化，缺乏對研究生基本知識、素養、高階思維技能的統一標準和規范指導。同時，研究生教育研究、創新的基本特質，以及機器智能挑戰人類認知形成的現實環境，要求研究生必須具備高度組織化的復雜認知，以驅動自身能力轉型，實現人機協同的技能發展與智能共生。已有研究聚焦于院校類別和課程體系^[37]、導師支持與反饋^[38]等外部不可控因素對研究生學術研究和創新能力的作用，而“證據推理”關注內部因素，旨在促進學習者參與不同維度的推理實踐，提升對復雜信息的認知理解能力，進而形成適應并改造外部世界的高階思維技能。這實際上也是研究生復雜認知的體現，是研究生將內在思考轉換為外部操作的過程，即通過對不同維度的知識或問題進行剖析、演繹、權衡等，實現問題解決或科學發現。該過程能夠反映研究生在理論學習與學術研究過程中復雜認知的發生與變化，揭示AIGC環境對研究生復雜認知的具體影響。

有關ChatGPT的教育研究認為其會對研究生理論學習和學術研究的認知思維產生影響，但具體有何影響、如何應對則少有涉及。因此，本研究聚焦于以下兩個問題深入探究研究生在學習過程中與ChatGPT的交互和認知過程：①AIGC環境下研究生的復雜認知會產生哪些變化？②將ChatGPT應用于理論學習和學術研究，研究生的復雜認知有哪些特征表現和發展差異？

二 研究設計

1"研究對象

本研究依托江蘇省A大學2022級教育技術學專業研究生的“信息技術課程教學研究”課程，參與對象為同一個班級的33名學生。該課程分為理論學習與學術研究兩部分，旨在通過課程學習，幫助研究生掌握研究理論和方法，構建專業知識體系，解決學術研究問題，提升科研素養。

2"課程設計

本課程教學歷時6周，具體設計如下——

①理論學習部分：第1周“特定主題探討”，要求研究生就給定主題對ChatGPT進行提問，探索應用技巧和生成機制，初步理解相關概念。第2～4周“開放式課程問題探索”，研究生利用提示語支架，與ChatGPT對話交互，經過評析、解釋和整合等推理，形成問題答案。第5～6周“限定式復雜任務”，研究生與ChatGPT協作完成“教案評估標準構建”“優秀教案評選”等任務，并提供具體流程、評價指標、優選理由和最終成果。

②學術研究部分：第1周“論文自主選題”，要求研究生設置特定情境，對ChatGPT生成內容的真實性、可靠性進行分析與評估，以確定選題。第2周“論文框架構建”，研究生應用ChatGPT深入理解理論內容和研究方法等各部分間的邏輯關系，構建論文框架。第3～5周“論文寫作訓練”，要求研究生借助ChatGPT對方法策略、數據結果等證據質量進行確證，系統說明研究問題，輔助論文寫作。第6周“教師指導”，教師對研究生的論文進行反饋，使其優化、完善論文。

課程要求學生提交最終的學習成果文本，以及與ChatGPT問答交互的過程性文稿。此外，本研究在第2周提供遞進式的提示語支架，引導研究生與ChatGPT對話以獲得目標內容。

3 編碼框架

本研究基于GoE框架，對各維度的定義進行重新闡釋，并根據認知層級從低階到高階進行排列，分別為證據非專業使用、證據分析、證據評估、證據解釋和證據整合，構成了如表1所示的“證據推理”編碼框架。

4 數據收集與處理

課程結束后，本研究收集了33名學生的課程學習過程數據，包括不同學習主題下研究生與ChatGPT的完整對話，以及最終成果文本。從中剔除部分與主題內容、“證據推理”無關的對話數據（如“問：你現在不需要寫，等我提供給你再改寫”），獲得有效數據1261條。然后，兩位研究者借助Nvivo 12，根據編碼框架對數據進行背對背編碼，判別每條文本數據是否符合編碼維度。最后經過討論協商，得到結構化數據集，編碼一致性系數值為0.876，說明研究數據的信度良好。編碼完成后，本研究使用ENA Webkit對數據集進行認知網絡分析，將“證據推理”的五個維度作為ENA模型的代碼元素，窗口設置為Whole Conversation（整個對話）。

三 結果與討論

1"建立“證據推理”維度表征的平面參考系

本研究通過ENA疊加所有研究生的認知網絡，并進行球面歸一化處理和奇異值分解降維，構建“證據推理”維度表征的平面參考系（如圖1所示）。其中，x軸（SVD1，62.8%）的Pearson系數和Spearman系數均為1，y軸（SVD2，20.8%）則均為0.99，具有較高擬合優度。節點對應五個認知元素，其大小反映元素出現的相對頻次，位置表示研究生復雜認知的網絡關聯結構。

根據圖1的節點位置分布，本研究定義x軸為“證據評析（Ea-e）-證據解釋（Ep）”，y軸為“證據非專業使用（Le）-證據整合（Eg）”。兩軸相交形成四個區域，即“解釋-整合區”“評析-整合區”“非專業-評析區”“非專業-解釋區”。其中，第一象限是指研究生基于深入的研究和專業知識，構建多角度、高質量的證據鏈，更精確、透徹地解釋復雜問題，并通過歸納轉化，提煉核心觀點；具有科學性、嚴謹性和創新性，是一種高階認知狀態。第二象限是指研究生采用專業理論框架和系統的方法策略，對各種信息內容進行剖析，并按其邏輯關系進行重新整合；具備專業性和全面性，處于較高的認知層級。第三象限是指研究生借助一般知識對某個問題或內容進行分析、評估，具有一定的條理性和準確性，但存在專業限制，難以產生高度專業化的觀點和解決方案，處在較低的認知層級。第四象限是指研究生基于個人的日常經驗和主觀感受來解釋問題或主題，存在主觀性和片面性，處于低階認知狀態。由此，本研究將平面參考系從低到高劃分成四個認知狀態，以反映研究生在不同情境中的認知變化和主要特征。

2"研究生“證據推理”的整體過程變化

圖2為在6周內研究生“證據推理”所表現出來的認知網絡結構，表征AIGC環境下研究生復雜認知的生成變化。圖中連線的粗細和飽和度反映了“證據推理”各維度間的關聯程度，小圓點是各個研究生“證據推理”認知網絡結構的質心。

綜合圖2的認知網絡結構和質心聚散、位移狀態發現，第1周，質心散落在各個象限，并呈現Le、Ea、Ee、Ep的較弱連線，表明課程學習初期，研究生的認知具有顯著差異，更關注問題的表面現象，忽略了隱含的內在本質和復雜關系，顯露出原有認知的局限性。第2周，質心更多聚集在第一象限，研究生“證據推理”的多個維度被激活，彼此間建立起豐富連線，形成了以Le和Eg為基礎的“…”型結構，表明提示語支架有效促進了研究生復雜認知的生成。第3周和第4周，質心在第二和第三象限呈現明顯的線性分布，且前者呈現Le-Ea-Ee-Ep緊密關聯的三角結構，后者衍生出與高階“整合（Eg）”的連接線條，表明在第3周，研究生更傾向以“非專業化的評析-解釋”的邏輯鏈條進行推理論證，第4周則向更高認知層次發展。第5周部分質心向第一象限散布，與Eg關聯的線條也在增多、增強，說明研究生的認知結構逐漸復雜化；第6周質心在第一象限重疊分布，展示了研究生認知的高階發展趨勢，并且研究生的認知網絡結構得到全面發展，研究生復雜認知形成，能夠從專業領域角度構建研究問題、實現高級證據推理。綜上，AIGC環境下研究生的復雜認知逐漸結構化，并呈現由低到高的認知狀態轉變。

3"理論學習與學術研究“證據推理”的主要特征與發展軌跡

（1）主要特征

圖3為研究生理論學習與學術研究的“證據推理”認知網絡比較，凸顯了兩個場域中研究生復雜認知的主要特征與差異。

圖3顯示，研究生在理論學習和學術研究上的復雜認知存在顯著差異。在理論學習中，研究生的認知質心位于坐標系右側，更側重以“證據非專業使用”（Le）和“證據整合”（Eg）為基礎，與“證據分析”（Ea）、“證據評估”（Ee）、“證據解釋”（Ep）構建豐富連線，表明研究生傾向從外圍視角進行邏輯推理，借助ChatGPT深化概念學習，厘清“高深知識”的內在關聯，構建個人知識結構，表現出“非專業-整合”的認知特征。在學術研究中，研究生的認知質心位于坐標系左側，與理論學習相比更凸顯Ea和Ep的連線，共線系數為0.18。這表明在學術研究過程中，研究生更傾向于利用ChatGPT進行“證據分析和解釋”，以掌握學科前沿知識，挖掘研究問題，形成個人理解，呈現出以“解析”為主的認知特征。

（2）發展軌跡

本研究以周為分析單元，分別繪制研究生理論學習與學術研究連續6周的“證據推理”認知網絡質心，動態呈現發展軌跡，如圖4、圖5所示。

由圖4可知，第1周研究生理論學習的“證據推理”認知網絡質心位于第四象限，這是因為在課程初期，研究生以自身的知識經驗，應用ChatGPT對課程知識和專業概念進行解讀，初步建構起對專業領域的個人認知，呈現出“非專業-解釋”型認知。第2周質心從第四象限移向x軸左半軸，其原因是特定提示語的支撐能夠幫助研究生快速對專業知識進行剖析、拆解與驗證，發現ChatGPT生成內容與目標內容的矛盾和沖突，形成較為全面的“評析”認知。第3周和第4周質心在第三象限停留，顯露出較低層級的“非專業-評析”型認知特征。這個階段研究生缺乏提示語和問題支架來對認知過程進行干預，難以對復雜認知的分析、論斷進行抽象整合與應用遷移，高階認知發展受到限制。第5周通過設置復雜的任務情境，引導研究生分解并協調多個子任務內容，產出成果。在此過程中，研究生逐步提高多維度的辯證思考能力，以及知識拆解、重組和提煉能力，“解釋-整合”的高階認知得到發展，認知網絡質心移至第一象限。第6周質心繼續在第一象限深度演進，即在復雜任務的解決過程中，研究生適時更新目標以激活ChatGPT高質量輸出，不斷錘煉自我的理性審視與反思意識，提升知識遷移能力，“解釋-整合”的高階認知特征進一步凸顯。可見，在利用ChatGPT進行理論學習的過程中，研究生復雜認知從“非專業-解釋、評析”狀態向“解釋-整合”狀態演變，并呈現“∞”型的發展軌跡；同時，外部干預（提示模式和復雜任務）能夠突破“非專業-解釋、非專業-評析”的低階認知狀態，促進研究生理論學習的高階認知生成發展。

由圖5可知，第1周學術研究的質心起始位置在第四象限，主要表現為對問題內容的淺層理解。原因是研究生處于研究的準備階段，研究意識較薄弱，更側重借助ChatGPT強大的信息搜索和分析能力，初步認識與理解論文選題，呈現出“非專業-解釋”的低階認知狀態。第2周質心移向第一象限，這是因為關于論文選題的提示語支架正逐步引導研究生深入挖掘選題的內容范圍與研究問題，以形成大致的論文框架，研究生的復雜認知也得到發展。第3周質心向第三象限位移，研究生開始論文寫作，嘗試應用ChatGPT對相關研究文獻與資料內容進行分析、提取，評判文獻內容對論文的適切性和重要性，為論文寫作奠定基礎。但研究生較易受自身的舊有知識經驗約束，難以實現有效的學術創新和批判性思考，表現出“非專業-評析”型認知。第4周質心處在第二象限，并在第5周持續向上發展，即隨著系統化論文寫作訓練的推進，研究生能夠通過ChatGPT不斷細化各子研究內容，并對相關資料進行一致性評估，嘗試以結構化的方式呈現自身的思考發現，撰寫論文初稿，呈現出“評析-整合”型認知。第6周質心移至“解釋-整合區”，這是因為教師結合自身的專業知識和對ChatGPT的深入理解，為研究生的證據推理提供發展性反饋，并針對性指導論文，促使研究生在前期積累下實現高階認知的“質變”。研究生能夠在整合ChatGPT內容與外部信息的基礎上，融入個人理解與觀點主張，解決問題，構建研究理論，形成較好的研究論文。因此，研究認為在學術研究中，研究生復雜認知逐漸從“非專業-解釋”的低階認知狀態向“解釋-整合”的高階認知狀態躍升，并呈現“∑”型發展軌跡；同時，教師與ChatGPT智能的協同指導能夠顯著提升研究生學術研究的高階認知水平。

綜上，研究生的理論學習具有“非專業-整合”型認知特征，學術研究具有“解析”型認知特征，且整體呈現從低階認知狀態生成向高階認知狀態演變的深度發展態勢。在這一過程中ChatGPT對研究生復雜認知的作用表現和效果各不相同，即ChatGPT在理論學習的概念分析、問題分解、任務細化、反饋優化等方面顯露明顯優勢，但在實際應用中過于籠統，容易出錯；ChatGPT在學術研究的資料整合、主題聚焦、框架搭建、觀點比對、方法選取等方面表現出色，可幫助研究生提高科研效率，但內容的創新性、情境性和實操性等有待研究生自行感知與強化。

四 研究建議

1 利用AIGC構建融合課程，培養研究生的高階認知思維

課程是提高研究生科研水平和創新能力的關鍵，課程體系質量直接影響人才培養質量，但當前的研究生課程體系缺乏寬廣度和縱深度，以及對研究生獨特思維技能的統一規范，導致研究生“所學所研”與社會所需脫節^[39]。同時，隨著AIGC這類機器智能不斷生長出分類、聚類等思維技能，構建人類思維和知識的集體智慧網絡，研究生教育的核心價值不再僅僅是學科或課程本身傳遞的知識，而是更需要培養研究生的高階思維，以適應知識化智能社會發展，實現知識創新與科學發現^[40]。分析結果顯示，AIGC環境下研究生的復雜認知逐漸結構化，并呈現出由低到高的認知狀態轉變，這表明將ChatGPT納入研究生課程，有利于研究生的復雜認知生成與高階發展，實現對復雜問題的多維思考與推理論證。

基于此，可以利用AIGC的學科融通特性，構建跨學科知識和思維技能關聯融合的課程體系，培養研究生的高階認知思維：①通過AIGC整合不同學科知識之間的內在邏輯聯系，構建多種研究工具、方法交叉創新的課程內容，開展前沿學術思想導向的多層次多類型課程活動，以增強研究生的認知與情感體驗^[41]，幫助其從學科的不同理論、方法視角進行學術研究。②利用AIGC創設跨學科融合的復雜問題情境，并將某一具體思維與多個學科知識相關聯，促使研究生在層層遞進的問題解決過程中形成多學科交叉融合的知識體系與思維技能；通過不同情境的遷移轉化，對已有的思維技能進行調控、批判、創新與重構，實現認知思維的高階躍升。

2 實施個性化提示模式教學，強化研究生的推理實踐

ChatGPT、文心一言等AIGC技術的教育應用的潛力取決于用戶所制定的提示模式類型與質量^[42]。研究發現，遞進式的提示語支架能夠充分激發ChatGPT高質量輸出，引導研究生的深度證據推理，實現特定學習目標。這與ChatGPT支持的學生論證內容評價和反饋的研究基本一致，都表明良好的提問設計有助于ChatGPT生成質量較好的反饋，對學生的論證起到積極作用^[43]。其他研究也強調，教師必須向學生提供不同類型提示內容的指導與解釋，以及與特定任務的關聯等，以幫助學生有效引導AIGC生成高質量、多模態知識，解決實際問題^[44]。

因此在實際教學過程中，需要教師結合學習任務與提示模式，引導研究生在不同的任務解決過程中選擇、設計或組合不同類型的提示語，充分掌握AIGC的特定能力，以強化推理實踐，滿足學習需求，破解認知發展困境：①教師可以結合專業知識和經驗，確定研究生在不同學習或科研任務中對AIGC輸出的預期用途，提供不同類型提示語的內涵解釋和應用條件，為研究生組合提示語，解析問題奠定基礎。②教師可以設置協同創設提示語的任務活動，促使研究生在推理過程中持續探索不同的提示類型（如翻轉交互提示、反思提示等），了解特定提示類型是否會引導AIGC生成所需輸出，并結合任務條件組合、拓展初始提示模式，強化培養研究生獨特的推理實踐與AIGC提示能力，進而應對復雜環境下的認知挑戰。

3"發揮AIGC的“認知中介”作用，助推理論學習-學術研究銜接

本研究發現，研究生的理論學習具有“非專業-整合”型認知特征，并呈現“∞”型的發展軌跡；學術研究則具有“解析”型認知特征，呈現“∑”型發展軌跡。兩者的認知特征各有側重，發展軌跡的起點與終點卻呈現從“非專業-解釋”狀態向“解釋-整合”狀態演變的一致性。這說明，AIGC強大的信息加工、薈萃、整合和生成能力既能幫助研究生采用新的理論視角和方法策略來解決科研中的復雜問題，也能在研究探索中提高研究生的理論知識理解與遷移應用能力，已然成為兩者銜接轉換的關鍵認知中介^[45]，促進研究生理論學習與學術研究的協同發展。

AIGC“認知中介”作用的有效發揮需要予以多維檢驗與問題微調等策略。其中，多維檢驗是指采用多種方式（如科學檢驗、實踐檢驗、跨領域交叉檢驗^[46]、生成性檢驗等），對AIGC的數據、算法、內容和邏輯進行科學解析、驗證，提高對AIGC知識魔法的祛魅意識和辨別能力；問題微調是以具體問題調整AIGC內容輸出，更好地完成任務。為此，首先要使研究生通過比對不同來源的信息數據、查閱權威文獻等方式，多角度驗證AIGC的輸出內容與生成邏輯，引導AIGC構建特定的理論背景。在此過程中，研究生的個人知識與思維邏輯不斷被推翻、重組，經由反芻、抽象得到更高層次的發展。其次，將研究問題引入AIGC創設的特定背景中，使其圍繞問題設計不同研究場景，生成元認知知識和策略，指導研究生融入個人的理論假設，探索實踐方案，進而驗證觀點、論證方案、建構理論，實現理論學習和學術研究的銜接與整合。

參考文獻

[1]Wang Y， Pan Y， Yan M， et al. A survey on ChatGPT： AI-generated contents， challenges， and solutions[J]."IEEE Open Journal of the Computer Society， 2023，（4）：280-302.

[2]Zhai X. Chatgpt for next generation science learning[J]. XRDS： Crossroads， The ACM Magazine for Students， 2023，（3）：42-46.

[3]駱飛，馬雨璇.人工智能生成內容對學術生態的影響與應對——基于ChatGPT的討論與分析[J].現代教育技術，2023，（6）：15-25.

[4]Firat M. How ChatGPT can transform autodidactic experiences and open education？[OL].

lt;https：//doi.org/10.31219/osf.io/9ge8mgt;

[5]王佑鎂，王旦，梁煒怡，等.“阿拉丁神燈”還是“潘多拉魔盒”：ChatGPT教育應用的潛能與風險[J].現代遠程教育研究，2023，（2）：48-56.

[6]Dai Y， Lai S， Lim C P， et al. ChatGPT and its impact on research supervision： Insights from Australian postgraduate research students[J]. Australasian Journal of Educational Technology， 2023，（4）：74-88.

[7]Yiwen L， Yahui Y， Jinrong F， et al. Human-AI collaboration： A study on anti-ChatGPT strategies employed in innovative practical homework towards “one-click-answer” issue in AIGC[A]. International Conference on Computer Science and Education[C]. Singapore： Springer Nature Singapore， 2023：343-353.

[8]汪霞，卞清，孫俊華.論學術學位研究生課程體系建設[J].學位與研究生教育，2015，（10）：30-34.

[9][45]邱澤奇.認知域：從習以為常到人機互生[J].人民論壇·學術前沿，2023，（11）：12-27.

[10]Knauff M， Wolf A G. Complex cognition： The science of human reasoning， problem-solving， and decision-making[J]. Cognitive Processing， 2010，11：99-102.

[11]Anderson J R. ACT： A simple theory of complex cognition[J]. American Psychologist， 1996，（4）：355.

[12]張松，張國棟，王亞光.研究生角色認知和價值取向研究——研究生教育滿意度的一種內涵模型構建及其屬性闡述[J].學位與研究生教育，2016，（3）：69-73.

[13]Fawns T， Aitken G， Jones D， et al. Beyond technology in online postgraduate education[J]. Postdigital Science and Education， 2022，（2）：557-572.

[14]蔣英州.研究生能力培養與教育教學中的張力及其彌合——基于五所院校政治學研究生的調查研究[J].國家教育行政學院學報，2016，（9）：78-83.

[15]鐘柏昌，龔佳欣.學生創新能力評價：核心要素、問題與展望——基于中文核心期刊論文的系統綜述[J].中國遠程教育，2022，（9）：34-43、68.

[16]廖湘陽，朱會芳.人工智能時代研究生能力培養的重構——基于莫拉維克悖論的思考[J].學位與研究生教育，2022，（8）：13-20.

[17][37]杜巖巖，牛軍明.教育學學術型研究生課程體系重構與機制創新研究[J].教育理論與實踐，2022，（33）：48-53.

[18]鐘柏昌，龔佳欣.跨學科創新能力評價指標體系的構建與實證研究[J].中國電化教育，2022，（12）：27-34.

[19]王洪才，張啟富.ChatGPT將開啟高等教育發展加速范式[J].教育發展研究，2023，（11）：29-33.

[20]羅堯成.論研究生課程學習與科研訓練整合的三個維度——基于30位新進校博士青年教師的調查啟迪[J].學位與研究生教育，2010，（11）：57-61.

[21][24]Baidoo-Anu D， Owusu Ansah L. Education in the era of generative artificial intelligence （AI）： Understanding the potential benefits of ChatGPT in promoting teaching and learning[J]."Journal of AI， 2023，（1）：52-62.

[22]Tan K， Pang T， Fan C. Towards applying powerful large AI models in classroom teaching： Opportunities， challenges and prospects[OL]. lt;https：//arxiv.org/pdf/2305.03433.pdfgt;

[23]Dergaa I， Chamari K， Zmijewski P， et al. From human writing to artificial intelligence generated text： Examining the prospects and potential threats of ChatGPT in academic writing[J]. Biology of Sport， 2023，（2）：615-622.

[25]吳青，劉毓文.ChatGPT時代的高等教育應對：禁止還是變革[J].高校教育管理，2023，（3）：32-41.

[26]Rudolph J， Tan S， Tan S. ChatGPT： Bullshit spewer or the end of traditional assessments in higher education？[J]. Journal of Applied Learning and Teaching， 2023，（1）：342-362.

[27]阮一帆，王智博.ChatGPT之于思想政治教育的倫理風險及應對策略[J].社會主義核心價值觀研究，2023，（3）：50-58.

[28]Feinstein N. Salvaging science literacy[J]. Science Education， 2011，（1）：168-185.

[29]Liu S， Liu C， Samarapungavan A， et al. A framework for evidentiary reasoning in biology： Insights from laboratory courses focused on evolutionary tree-thinking[J]. Science amp; Education， 2023，（2）：1-32.

[30]Britt M A， Rouet J F， Blaum D， et al. A reasoned approach to dealing with fake news[J]. Policy Insights from the Behavioral and Brain Sciences， 2019，（1）：94-101.

[31]Duncan R G. The role of domain-specific knowledge in generative reasoning about complicated multileveled phenomena[J]. Cognition and Instruction， 2007，（4）：271-336.

[32][33]Duncan R G， Chinn C A， Barzilai S. Grasp of evidence： Problematizing and expanding the next generation science standards’ conceptualization of evidence[J]. Journal of Research in Science Teaching， 2018，（7）：907-937.

[34]Kim W J， Alonzo A C. Undergraduates’ grasp of evidence for evaluating scientific knowledge claims associated with socioscientific issues[A]. ESERA 2019[C]. Bologna："Springer International Publishing， 2021：149-160.

[35]Duncan R G， Cavera V L， Chinn C A. The role of evidence evaluation in critical thinking： Fostering epistemic vigilance[A]. Critical Thinking in Biology and Environmental Education.Contributions from Biology Education Research[C].Cham： Springer International Publishing， 2022： 75-92.

[36]趙沁平，馬永紅，別敦榮，等.面向新時代的研究生教育和研究生教育研究（筆談）[J].學位與研究生教育，2022，（10）：1-11.

[38]魏錦揚，陸先亮.導師發展性反饋對研究生主動創新行為的影響研究[J].黑龍江高教研究，2021，（11）：124-129.

[39]汪霞.研究生課程的銜接性設計：原理、經驗與策略[J].研究生教育研究，2019，（3）：22-28.

[40]祝智庭，戴嶺，胡姣.高意識生成式學習：AIGC技術賦能的學習范式創新[J].電化教育研究，2023，（6）：5-14.

[41]王帆，張迪，劉慧，等.在線學習體驗“螺旋式”周期養成與應用分析[J].電化教育研究，2021，（9）：62-68、83.

[42]White J， Fu Q， Hays S， et al. A prompt pattern catalog to enhance prompt engineering with ChatGPT[OL].

lt;https：//arxiv.org/pdf/2302.11382.pdfgt;

[43]王麗，李艷，陳新亞，等.ChatGPT支持的學生論證內容評價與反饋——基于兩種提問設計的實證比較[J].現代遠程教育研究，2023，（4），83-91.

[44]Woo D J， Guo K， Susanto H. Cases of EFL secondary students’ prompt engineering pathways to complete a writing task with ChatGPT[OL]. lt;https：//arxiv.org/ftp/arxiv/papers/2307/2307.05493.pdfgt;

[46]楊欣.基于生成式人工智能的教育轉型圖景——ChatGPT究竟對教育意味著什么[J].中國電化教育，2023，（5）：1-8、14.

Generation"Evolution of Complex Cognition of"Graduate Students in the AIGC Environment

——“Evidentiary Reasoning” Based on ChatGPT

XING Yao """WANG Fan^{[Corresponding Author]}""""LI Wen-Jie

（School of"Smart Education， Jiangsu Normal University， Xuzhou， Jiangsu， China 221116）

Abstract： At present， the leapfrog development"of artifical intelligence generated content （AIGC）"is"changing"the educational environment， which has a great impact on the"graduate students’"learning and research，"making their cognitive uncertainty and complexity increasingly obvious. In order to adapt to"AIGC"environment， graduate students need to logically deduce and organize various factors to foster complex cognition， so it is particually necessary to explore the integration method of AIGC with graduate students’"learning and research， and its impact on graduate students’"complex cognition. Therefore， this paper"firstly"incorporated"ChatGPT into graduate courses，"and then cognitive network analysis was used to analyze the process data of graduate course learning through the “evidential reasoning” GoE framework. It was found that the complex cognition of graduate students in the AIGC environment evolved"from simple linear connections and low-order cognitive state generation to complex network construction and higher-order cognitive states. Theoretical learning was"characterized by the cognition of a “non-professional-integration” type， and external intervention can effectively break through graduate students’"low-order cognitive state， presenting an development trajectory of “∞”"type. Academic research had the “analyzing”"cognitive characteristics， and the “machine-teacher”"collaborative guidance could improve the graduate students’ higher-order cognitive level， presenting a development trajectory of “∑” type Finally， some suggestions were proposed in this paper， which included using AIGC to build integrated courses to cultivate graduate students’"higher-order cognitive thinking， strengthening graduate students’"reasoning practice through prompt mode teaching， and promoting"the connection between graduate students’ theoretical learning and academic research with the help of AIGC’s “cognitive mediator”， so as to promote the transformation and development of graduate students’"cultivation model.

Keywords： AIGC; graduate students’"complex cognition; evidentiary reasoning; ChatGPT