大語言模型工具能促進高校學生的高階思維能力發展嗎？

摘要：在數智時代，重視培養高校學生的高階思維能力已逐漸成為共識，但高校學生使用大語言模型工具能否促進高階思維能力的發展尚存爭議。澄清這一爭議，不僅有助于在理論上分析人工智能背景下學生高階思維發展的機理，也可以為學校和教師在教育實踐中采取何種措施提供可靠依據。基于此，文章利用我國12所雙一流大學學生的問卷調查數據，對當前高校學生的大語言模型工具使用情況及其對高階思維能力的影響進行實證分析，結果顯示：超過半數的高校學生使用過大語言模型工具，但深度創意應用仍有待加強；增加大語言模型工具的基礎執行應用與深度創意應用頻次，均對高階思維能力發展具有顯著的正向影響；交互質量在大語言模型工具使用頻次對高階思維能力的影響過程中發揮中介作用。在此基礎上，文章建議高校正視人工智能技術在高等教育教學過程中的作用，積極推動人工智能賦能教育應用；結合課內外真實情境，促進大語言模型工具的深度創意應用；加強師生人工智能素養培養，提升人機交互質量。

關鍵詞：大語言模型；高階思維能力；高校學生；雙一流大學

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2025）01—0034—10 【DOI】10.3969/j.issn.1009-8097.2025.01.004

進入數智時代，ChatGPT等大語言模型工具正廣泛應用于社會各領域，以驅動產業快速轉型，由此人類勝任未來工作的能力結構也隨之發生變化。世界經濟論壇發布的《2023年未來就業報告》指出，未來五年結構性勞動力市場將有23%的工作崗位面臨消失的風險，這些工作的特點是重復性強、結構明確、可自動化處理，對人的需求以低階認知能力為主，然而就當前趨勢來看，分析思維和創造性思維等高階思維能力將是非常重要的人才特質^[1]。面對新技術的沖擊，在數智時代加強高校學生的高階思維能力培養已逐漸成為共識^[2][3]。但是，伴隨越來越多的大語言模型工具在高等教育領域的應用，研究者對于這些工具究竟是促進還是阻礙學生的高階思維能力發展仍然存在爭議：一方面，有研究者認為大語言模型工具以海量知識為基礎，可以提供高質量信息，就學生的個性化問題給出針對性回答，并持續與其進行深入的對話交流，推動學生認知向創造性、批判性等高階方向發展，因而應積極倡導將大語言模型工具引入學生的學習、科研之中^[4]；另一方面，有研究者認為高校學生可能會因過度依賴技術而不再深入反思，致使其自主創造力與問題解決能力下降，甚至出現抄襲或作弊等現象，對高階思維能力發展產生負面影響^[5][6]，因而應審慎對待學生在學習、科研中使用大語言模型工具。基于此，本研究嘗試面向我國12所雙一流大學的學生展開問卷調查，通過對以下研究問題進行實證分析，來澄清上述爭議，以期在理論上分析人工智能背景下學生高階思維發展的機理，進而為學校和教師在教育實踐中采取何種措施提供可靠依據：我國高校學生對大語言模型工具的使用情況如何？使用大語言模型工具對高校學生的高階思維發展有何影響？此影響的中間機制是怎樣的？

一 文獻綜述與研究假設

1"文獻綜述與理論基礎

（1）高階思維能力的內涵及其理論基礎

高階思維能力（High-Order Thinking"Skills，HOTS）是個體適應環境、面對未來挑戰的關鍵能力，也是數智時代創新人才的核心技能^[7][8]。根據建構主義理論，高階思維表現為個體能夠識別已有知識和外部信息之間的聯系，并將背景知識遷移到新的情境中，以解決沒有固定答案的復雜問題。因此，高階思維不是被動接收信息，而是在真實的學習情境中主動構建知識以更新心智模型的過程，涉及創造、分析、綜合、關系建立和元認知等要素。從維度構成的角度來看，Bloom等^[9]認為高階思維能力框架包含分析、綜合、評價三個逐層提升的維度，指向具體認知情境中為達到某個目標而對知識進行組織或重組的心理過程^[10]；馬淑風等^[11]從思維類型的角度，認為高階思維不是單一的思維過程，而是一個在具體情境中批判性思維、問題解決能力、創造性思維等多種認知成分協同作用的復雜思維過程。在眾多針對高階思維能力的研究中，Biggs等^[12]提出的可觀察學習成果結構理論（Structure of the Observed Learning Outcome，SOLO）從認知結構改變的角度，基于個體面對問題時的認知結構復雜性和抽象程度變化特點，認為思維能力的發展具有五個層級：前三個層級屬于低階思維能力，分別為前結構、單點結構、多點結構，表征學生沒有形成對問題或對象的理解，到能認知問題的一個方面，再到關注問題的多個方面但沒有建立起相關聯的知識網絡；后兩個層級屬于高階思維能力，分別是關聯整合結構、拓展抽象結構。其中，關聯整合結構即學生整合對所有相關知識信息的理解，并使其相互之間建立聯系，以形成一致且有意義的知識結構，來解決具體情境中的復雜問題；拓展抽象結構即學生基于對問題的全面思考，在知識整合的基礎上概括出更抽象的概念，并將其拓展遷移至尚未體驗的新情境。考慮到SOLO理論重視學生解決真實情境問題時的思維過程與認知水平，強調通過情境創設、連接已知、創造新知、開展知識反思和理論化抽象等，深入揭示高階思維能力的結構及關系，具有更強的解釋力和操作性，因此本研究將基于該理論展開分析。

（2）高階思維能力發展的影響因素

高階思維孕育于學生與復雜環境的直接互動之中，已有研究發現高階思維受以高質量交互為核心的深度學習方式的影響，具體表現為：學生作為學習過程的主導者，主動參與合作學習、探究式學習、項目式學習、討論等活動^[13][14]，在解決真實問題的過程中不斷得到反饋，并進行反思和認知加工，以實現超越孤立知識的識記與簡單輸出。在深度學習的過程之中，學生逐漸成為一個自主的學習者，不斷提出更高層次的問題，繼而獲得復雜思維和問題解決能力的發展^[15]。同時，學生通過與教師、同伴的密切交流，與其形成互相傾聽和分享的學習共同體，可以加深對問題的理解，激發元認知與創造性思維，從而促進高階思維的發展^[16]。可見，提升高階思維能力離不開高質量的交互過程。

此外，信息和通信技術（Information and Communication Technology，ICT）使用與高階思維能力之間的關系也一直受到學界的關注。研究表明，ICT技術的使用極大地促進了學生的學習動機和參與度^[17]，可幫助學生“使用高階思維技能來計劃和進行研究、管理項目、解決問題，并使用適當的數字工具和資源作出明智的決策”^[18]。當學生使用認知工具分析信息或貫通觀點時，可以通過復雜思維來解決問題和表征知識，從而激發創造性、發散性想法或拓展抽象思維^[19]，因此應用ICT技術可以提高學生的高階思維能力^[20]。

2"研究假設

自人工智能技術不斷深入教育實踐，特別是ChatGPT等大語言模型工具問世以來，學界針對人工智能工具與學生高階思維能力發展的關系進行了一系列討論。一些學者認為，使用上述新技術能夠為學生提供更多來自不同渠道的個性化學習資源，幫助學生快速處理信息，并激發深層次理解和應用，以促進高階思維能力發展。但也有一些學者對此持謹慎態度，認為新技術也將帶來因過度依賴人工智能技術而減少智力投入的后果，并產生學術不端、創新墮化等問題^[21][22][23]。對此，Essien等^[24]采用混合研究方法，就ChatGPT等大語言模型對英國商學院研究生批判性思維能力的影響展開探索，發現大語言模型對記憶、理解和應用等低階思維能力發展具有顯著的提升作用，對分析、評估和創造性思維等高階思維有積極的影響，但是影響效應相對較小，并進一步提出了大語言模型在教育領域應用中面臨的信息準確性有限、倫理規范和數字素養準備不足等問題；Essel等^[25]則在一門課程中采用小樣本的對照實驗開展了研究，其中實驗組學生在課堂任務中使用ChatGPT，對照組學生則使用傳統的數據庫和搜索引擎完成類似任務，結果發現相較于對照組，實驗組學生的批判性、反思性和創造性思維技能有顯著提升。此外，還有為數不多的實證研究通過使用頻次來刻畫大語言模型的使用情況，如Shoufan^[26]針對國外某大學56名計算機專業高年級學生的大語言模型使用情況進行追蹤調查，發現該群體對大語言模型的接受和使用度較高，且大多數學生認為它需要改進，但對此持樂觀態度。可見，大語言模型的不同使用方式對高階思維能力發展的影響可能不同^[27]。因此，本研究提出假設1：增加大語言模型工具使用頻次對學生高階思維能力發展有顯著正向影響。

但是，上述研究針對使用情況僅關注了使用頻次這一要素，尚未探究人機交互質量在其中的作用。對此，盧帕特等^[28]從對話理論的角度分析了技術與思維的關系，認為技術本身沒有思維，僅使用技術并不必然代表思維會發生，學生只有把技術與對話反思結合在一起才能促進高階思維的發展。此外，胡祥恩^[29]提出學生與教育資源（包括教學內容、學習環境、互動機制和學習過程）之間應實現對稱性，即傳統上書本、課程等教育資源是靜態且穩定的，而現代信息技術和人工智能技術促使學習資源能夠根據學生的需求和能力水平進行適應性變化，在與學生互動的過程中不斷隨其水平的提升而改進，為學生提供動態的適應性支持，以幫助其快速進步，智慧課堂、學習助手等技術同樣遵循這一邏輯。ChatGPT等大語言模型作為生成式對話模型，其獨特性在于能與學生進行實時個性化的互動，學生提出深層次的問題就會得到深層次的回應，是更加典型的對稱性系統，這就創造了傳統師生互動、生生互動、學生與內容互動之外的第四類人機互動模式^[30]。可見，學生與人工智進行高質量的深入互動，不斷探索和優化使用方法來提升人機交互的質量，可能是提升高階思維能力的關鍵^[31]。因此，本研究提出假設2：交互質量在大語言模型工具影響學生高階思維能力發展的過程中發揮了中介作用。

二 研究設計

1"樣本來源

本研究于2023年9月～11月對我國12所雙一流大學的學生展開了問卷調查，其中包括清華大學、北京大學、上海交通大學、浙江大學、中山大學、南方科技大學、中南大學、西安交通大學、重慶大學、四川大學、蘭州大學、哈爾濱工業大學。這些高校作為研究型大學，其人才培養目標指向引領未來發展的拔尖創新人才，重視對學生高階思維的培養，因此符合本研究的需要。同時，樣本學校覆蓋東中西部不同區域，具有較為廣泛的代表性，能夠保證結論的可靠性。本研究共回收問卷2037份，根據作答時間、反向題等規則剔除部分問卷后，最終回收有效問卷1887份，有效率達92.64%。在有效樣本中，男生占55.70%，女生占44.30%；理科生占21.46%，工科生占39.59%，人文學生占11.66%，社科學生占16.75%，農醫學生占8.74%；本科生占64.44%，碩士生占23.26%，博士生占12.29%；農村學生占33.07%，城鎮學生占66.93%；東部地區高校學生占45.49%，中部地區高校學生占29.35%，西部地區高校學生占14.26，東北地區高校學生占10.89%，基本符合總體分布情況。

2"變量設置與工具

①大語言模型工具使用頻次：基于研究團隊前期文獻和訪談調研編制量表，為了解學生將大語言模型應用于不同用途的頻次，將本變量分為兩個子維度，即基礎執行應用維度（設有5個題項，如“檢索信息”“翻譯文本”）和深度創意應用維度（設有5個題項，如“尋找解決問題的靈感或思路”“輔助完成作業”），采用頻次量表進行調查。

②高階思維能力：基于Biggs^[32]的SOLO分類模型，結合樣本高校學生利用大語言模型工具完成學習與科研工作的實際情況編制量表^[33]，將本變量分為兩個子維度，即關聯整合維度（設有5個題項，如“整合信息更全面”）和拓展抽象維度（設有5個題項，如“將大語言模型的反饋遷移到其他領域”“能根據獲取的知識推進研究”），采用李克特量表進行測量。

③交互質量：基于課題組前期文獻和訪談調研編制量表^[34]，本變量包括反思使用過程、調整和優化查詢策略、基于反饋提出更深入的問題共3個題項，采用李克特量表進行測量。

本研究對問卷各分量表進行信效度檢驗，結果顯示各分量表的Cronbach’s"α系數值均在0.770～0.911之間，說明信度良好。同時，各分量表的KMO值均大于0.9，Bartlett球形檢驗顯著性＜0.001，表明適合進行因子分析。因子分析的結果顯示，分量表的因子方差解釋率均高于50%，各題項在單一因子上載荷均大于0.3，說明測量的結構效度符合要求^[35]。除使用頻次以最大值合成外，各維度得分由李克特量表題加總平均得到。此外，由于學生性別、學段、高校所在地、戶籍、家庭年收入對高階思維能力和交互質量都有顯著影響（篇幅所限未在文中展示相關結果），本研究將這些變量作為控制變量加入模型。

3"數據分析思路與方法

首先，對樣本高校學生使用大語言模型工具的頻次、高階思維能力及其子維度、交互質量（核心變量）的水平進行描述統計。然后，構建多元線性回歸模型，對使用頻次影響高階思維的程度進行估計——模型1～模型6分析使用頻次及其子維度對高階思維能力及其子維度的影響。最后，構建多元線性回歸模型，估計交互質量的中介效應^[36]——模型7和模型8分析使用頻次及其子維度對交互質量的影響，模型9～模型14分析納入交互質量后使用頻次及其子維度對高階思維能力及其子維度的影響。所有模型均納入性別、學段、高校所在地、戶籍、家庭年收入作為控制變量，所有分析均使用Stata 15.0軟件進行。

三 研究結果

1 核心變量的描述統計結果

樣本高校學生使用大語言模型工具的頻次、高階思維能力、交互質量等基本特征的描述統計結果如表1所示，可以看出：在使用比例上，有51.30%的樣本高校學生使用過大語言模型工具；在使用頻次上，樣本高校學生在不同功能上的平均使用頻次為3.390，介于“每月不少于3次”和“每周不少于3次”之間——其中，樣本高校學生在基礎執行應用上的平均使用頻次為3.231，在深度創意應用上的平均使用頻次為2.991，說明深度創意應用仍有提升空間。在交互質量上，樣本高校學生平均得分為3.736。在高階思維能力上，樣本高校學生總分平均為3.384，在五點量表中處于中等偏上水平，其中關聯整合為3.310，拓展抽象為3.457。

2 大語言模型工具使用頻次對高校學生高階思維能力的影響

表2展示了大語言模型工具使用頻次對樣本高校學生高階思維能力發展的影響，其中模型1～模型3的自變量為樣本高校學生的使用頻次，模型4～模型6的自變量為基礎執行應用頻次和深度創意應用頻次，所有模型中均納入控制變量。由表2可知，樣本高校學生的大語言模型使用頻次對高階思維能力總分及其子維度具有顯著正向影響，使用頻次每增加一個單位，高階思維能力總分、關聯整合維度和拓展抽象維度得分分別提升0.222分、0.216分、0.227分。其中，子維度結果表明，基礎執行應用頻次對樣本高校學生的高階思維能力發展具有顯著正向影響，但影響效應相對較小；深度創意應用頻次對樣本高校學生的高階思維能力發展具有顯著正向影響，且影響效應較大。

3 交互質量作為中介變量的機制分析

本研究采用逐步回歸法分析大語言模型工具使用頻次對高階思維能力影響的中間機制，具體如表3、表4所示。其中，模型7和模型8以交互質量為因變量，檢驗大語言模型工具使用頻次對交互質量的影響；模型9～模型14加入交互質量作為中介，檢驗交互質量回歸系數和使用頻次回歸系數的變化情況。結果表明，使用頻次對交互質量具有顯著正向影響，交互質量對高階思維能力總分及其子維度也具有顯著正向影響。在模型中納入交互質量后，使用頻次和深度創意應用頻次對高階思維能力仍具有顯著正向影響，而基礎執行應用頻次的回歸系數不再顯著，且高階思維能力總分及其子維度影響的回歸系數絕對值變小，說明交互質量是使用頻次影響高階思維能力的中介變量，在基礎執行應用頻次的影響中為完全中介效應，而在深度創意應用頻次的影響中為部分中介效應。據此，本研究設計了交互質量的中介效應模型，如圖1所示。

四 結論與建議

1"研究結論

隨著大語言模型技術的快速發展，如何利用人工智能技術促進大學生的學習與發展，尤其是如何利用新技術促進其高階思維能力發展是高等教育面臨的關鍵問題。本研究基于我國12所“雙一流”大學學生的問卷調查數據，系統分析了高校學生大語言模型工具使用和高階思維能力的基本特征，以及大語言模型工具使用對高階思維能力發展的影響及其中間機制，所得主要結論如下：

本研究發現，樣本高校中雖然有超過半數的學生使用過大語言模型工具，但深度創意應用仍有待加強。過半數學生能夠相對熟練、深入地使用大語言模型工具，但更多使用大語言模型工具完成檢索信息、翻譯文本等基礎執行應用，在激發創意、完成復雜創作任務等深度創意應用上的使用比例和頻次相對較低。此外，調研結果表明，樣本高校學生的高階思維能力總分、關聯整合維度、拓展抽象維度得分平均為3.384、3.310、3.457，在五點量表中處于中等偏上水平。

回歸分析結果表明，假設1成立，即增加大語言模型工具使用頻次對學生高階思維能力發展有顯著正向影響。從回歸系數來看，大語言模型的深度創意應用頻次影響更大，基礎執行應用頻次影響相對較小。這一結果說明使用大語言模型不僅不會阻礙學生的認知發展，在提倡創造力培養的數智時代，還可以扮演更重要的角色——通過提供更加充分適切的信息、更加開放多元的思路靈感和輔助性學習科研工具，支持學生更好地完成學習和科研任務，以促進其高階思維能力發展。

中間機制分析結果表明，假設2成立，交互質量在大語言模型工具影響學生高階思維能力發展的過程中發揮了中介作用。其中，基礎執行應用完全通過交互質量的中介作用，來影響學生高階思維能力的發展；而增加深度創意應用頻次，既可以直接影響學生的高階思維能力，也可以通過提升交互質量來提升學生的高階思維能力。一方面，學生只有將技術與對話反思結合在一起才能促進高階思維的發展^[37]，高質量的對話應當是能促使學生不斷進行深度反思的交互；另一方面，從SOLO理論的視角來看，學生的高階思維表現為基于豐富的簡單結構知識，整合對相關信息的理解，建立復雜的關聯網絡，同時概括出抽象特征并將其遷移至未體驗的新場景中。而大語言模型工具是人類全部知識的壓縮，同時作為學生需求與能力的適應性系統^[38]，不僅提供海量的簡單結構知識，其回應質量也與學生的提問水平直接關聯，可以在人機持續的對話中不斷支持學生進行整合和抽象，進而促進高階思維能力發展。

2 研究建議

本研究面向我國12所雙一流大學的學生開展問卷調查，分析首批接觸大語言模型工具的高校學生如何使用新技術，并初步探索新技術怎樣影響學生的高階思維能力發展，既回應了人工智能與人類智能關系的理論分歧，也可為面向未來的創新人才培養提供實證參考。為進一步提升學生的高階思維能力，本研究針對大語言模型工具的應用提出以下建議：

①應正視人工智能技術在高等教育教學過程中的作用，積極推動人工智能賦能教育應用。本研究基于較大規模的樣本調查，發現大語言模型工具使用對高校學生的高階思維能力發展具有促進作用，這在一定程度上回應了部分學者對于新技術介入高等教育領域的疑慮。ChatGPT等大語言模型工具能夠提供高質量信息和個性化學習指導，支持學生調整和拓展現有的認知圖式，并通過深度互動促進新舊知識的整合和創新性認知的形成，從而促進高階思維能力的發展^[39]。面對大語言模型工具的快速更新迭代，高等教育無法排斥，也不能無視大語言模型工具對工作生活的廣泛影響，而應以更加積極的心態接納新技術，利用新技術革新教育教學，促進學生高階思維能力的發展。

②結合課內外真實情境，促進大語言模型工具的深度創意應用。與已有研究相比，本研究將大語言模型工具使用劃分為基礎執行應用和深度創意應用，并發現深度創意應用對高校學生高階思維能力的影響效應更突出。但描述統計表明，當前高校學生使用大語言模型工具進行文本創作等深度創意應用的頻次仍然較低。針對這一問題，高校不僅要通過提供資源來支持學生使用大語言模型工具，還要設計更加真實、廣泛的應用場景，以更有效的課程與課外活動吸引學生更多地使用工具，以更大程度地發揮大語言模型工具對學生學習的幫助效果。當前，多所世界頂尖高校也正在嘗試將人工智能技術融入學生的課程學習與科研訓練，以培養能解決復雜問題的拔尖創新人才，使學生在項目實踐和知識學習的綜合體驗中提升對新技術的深度使用能力^[40]。

③加強師生人工智能素養培養，提升人機交互質量。本研究發現交互質量是大語言模型工具影響學生高階思維能力發展的中介變量，個體使用大語言模型工具無論是進行基礎執行應用還是深度創意應用，都要做好充分的能力準備，以實現與人工智能工具之間的有效交互，這對高階思維能力發展至關重要。高質量的人機交互依賴于人工智能素養的培育，需要高校為不同基礎的學生提供進階式的人工智能課程、講座、人工智能學習平臺等，并通過培訓提升高校教師的人工智能教學與科研應用能力，積極支持教師創建互動式的學習環境，以鼓勵學生通過實踐操作來掌握人工智能技術，增強學習體驗^[41][42]。

本研究是對數智時代利用大語言模型工具促進學生高階思維能力發展的初步探索，揭示了人機高質量互動的關鍵作用。但是，在人工智能技術快速融入教學場景的當下，互動的結構及其作用機制更為復雜，如何進一步實現融合師生、生生和人機的有序高效互動仍是一個難題。本研究僅對人機互動單一作用展開了研究，未來將進一步分析多元復雜交互之間的綜合影響，為在真實教學場景中提升大語言模型工具的使用效果提供有效策略。

參考文獻

[1]World Economic Forum. The future of jobs report 2023[OL].

lt;https：//www.weforum.org/publications/the-future-of-jobs-report-2023/digest/gt;

[2]吳冰藍，周麗萍，岳昌君.AI時代高等教育要素投入對本科生核心能力增值的貢獻[J].教育與經濟，2024，（2）：68-78、96.

[3]趙麗紅，左敏，黃先開.人工智能時代高等教育教學的變革指向：培養高階思維[J].北京師范大學學報（社會科學版），2023，（4）：40-48.

[4][25]Essel H B， Vlachopoulos D， Essuman A B， et al. ChatGPT effects on cognitive skills of undergraduate students： Receiving instant responses from AI-based conversational large language models （LLMs）[J]. Computers and Education： Artificial Intelligence， 2024，6：100198.

[5]Okonkwo C W， Ade-Ibijola A. Chatbots applications in education： A systematic review[J]. Computers and Education： Artificial Intelligence， 2021，2：100033.

[6]Mogavi R H， Deng C， Juho K J， et al. ChatGPT in education： A blessing or a curse？ A qualitative study exploring early adopters’ utilization and perceptions[J]. Computers in Human Behavior： Artificial Humans， 2024，（1）：100027.

[7]Lewis A， Smith D. Defining higher order thinking[J]. Theory Into Practice， 1993，（3）：131-137.

[8]鐘志賢.促進學習者高階思維發展的教學設計假設[J].電化教育研究，2004，（12）：21-28.

[9]Bloom B S， Krathwohl D R. Taxonomy of educational objectives： The classification of educational goals handbook I cognitive domain[M]. New York： David McKay， 1956：5-10.

[10]Anderson L W， Krathwohl D R， Airasian P W， et al. A taxonomy for learning， teaching， and assessing： A revision of Bloom’s taxonomy of educational objectives[M]. New York： Longman， 2001：27-30.

[11]馬淑風，楊向東.什么才是高階思維？——以“新舊知識關系建立”為核心的高階思維概念框架[J].華東師范大學學報（教育科學版），2022，（11）：58-68.

[12]Biggs J， Tang C. Teaching for quality learning at university： What the student does （4th ed）[M]. Maidenhead： Open University Press， 2011：88-90.

[13]Lee J， Choi H. What affects learner’s higher-order thinking in technology-enhanced learning environments？ The effects of learner factors[J]. Computers amp; Education， 2017，115：143-152.

[14]Budsankom P， Sawangboon T， Damrongpanit S. Factors affecting higher order thinking skills of students： A meta-analytic structural equation modeling study[J]. Educational Research and Review， 2015，（19）：2639-2652.

[15]Magas C P， Gruppen L D， Barrett M， et al. Intraoperative questioning to advance higher-order thinking[J]."American Journal of Surgery， 2017，（2）：222-226.

[16]Premo J， Cavagnetto A. Priming students for whole-class interaction： Using interdependence to support behavioral engagement[J]. Social Psychology of Education， 2018，（4）：915-935.

[17]Sun H， Xie Y， Lavonen J. Effects of the use of ICT in schools on students’ science higher-order thinking skills： Comparative study of China and Finland[J]. Research in Science amp; Technological Education， 2022，（2）：276-293.

[18]International Society for Technology in Education. National educational technology standards for students[OL].

lt;https：//www.pobschools.org/cms/lib/NY01001456/Centricity/Domain/45/Ed%20Tech%20Resources/ISTENETS.pdfgt;

[19]Kirkwood A， Price L. Technology-enhanced learning and teaching in higher education： What is “enhanced” and how do we know？ A critical literature review[J]. Learning， Media and Technology， 2014，（1）：6-36.

[20]Almerich G， Suárez-Rodríguez J， Díaz-García I， et al. 21st-century competences： The relation of ICT competences with higher-order thinking capacities and teamwork competences in university students[J]. Journal of Computer Assisted Learning， 2020，（4）：468-479.

[21]Cano Y M， Venuti F， Martinez R H. ChatGPT and AI text generators： Should academia adapt or resist[OL].

lt;https：//www.hbsp.harvard.edu/inspiring-minds/chatgpt-and-ai-text-generators-should-academia-adapt-or-resistgt;

[22]Cotton D R E， Cotton P A， Shipway J R. Chatting and cheating： Ensuring academic integrity in the era of ChatGPT[J]. Innovations in Education and Teaching International， 2023，（2）：228-239.

[23]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.

[24]Essien A， Bukoye O T， O’Dea X， et al. The influence of AI text generators on critical thinking skills in UK business schools[J]. Studies in Higher Education， 2024，（5）：865-882.

[26]Shoufan A. Exploring students’ perceptions of ChatGPT： Thematic analysis and follow-up survey[J]. IEEE Access， 2023，（11）：38805-38818.

[27]Bhullar P S， Joshi M， Chugh R. ChatGPT in higher education： A synthesis of the literature and a future research agenda[J]. Education and Information Technologies， 2024，（29）：21501-21522.

[28][37]（英）盧帕特·威格里夫，肖俊洪.從對話理論角度看因特網時代技術在思維教學中的作用[J].中國遠程教育，2015，（3）：21-30、79.

[29][38]劉凱，胡靜.人工智能教育應用理論框架：學習者與教育資源對稱性假設——訪智能導學系統專家胡祥恩教授[J].開放教育研究，2018，（6）：4-11.

[30]Moore M G. Editorial： Three types of interaction[J]. American Journal of Distance Education， 1989，（2）：1-7.

[31]Garrison D R， Baynton M. Concepts： Beyond independence in distance education： The concept of control[J]. American Journal of Distance Education， 1987，（3）：3-15.

[32]Biggs J， Kember D， Leung D Y P. The revised two-factor study process questionnaire： R-SPQ-2F[J]. British Journal of Educational Psychology， 2001，（1）：133-149.

[33]Zakariya Y F， Bj?rkest?l K， Nilsen H K， et al. University students’ learning approaches： An adaptation of the revised two-factor study process questionnaire to Norwegian[J]. Studies in Educational Evaluation， 2020，64：100816.

[34]Almulla M A. Investigating influencing factors of learning satisfaction in AI ChatGPT for research： University students perspective[J]. Heliyon， 2024，（11）：e32220.

[35]吳明隆.問卷統計分析實務[M].重慶：重慶大學出版社，2010：205、232.

[36]溫忠麟，張雷，侯杰泰，等.中介效應檢驗程序及其應用[J].心理學報，2004，（5）：614-620.

[39]Gibson D， Kovanovic V， Ifenthaler D， et al. Learning theories for artificial intelligence promoting learning processes[J]. British Journal of Educational Technology， 2023，（5）：1125-1146.

[40]高海燕，張優良.英美著名高校的生成式人工智能政策及其啟示[J].現代教育技術，2024，（7）：42-50.

[41]Almatrafi O， Johri A， Lee H. A systematic review of AI literacy conceptualization， constructs， and implementation and assessment efforts （2019-2023）[J]. Computers and Education Open， 2024，6：1-20.

[42]Gaviria-Marin M， Matute-Vallejo J， Baier-Fuentes H. The effect of ICT and higher-order capabilities on the performance of Ibero-American SMEs[J]. Computational and Mathematical Organization Theory， 2021，（4）：414-450.

Can Large Language Model Tools Promote the Development of University Students’ Higher-Order Thinking Skills？

——An Empirical Analysis Based on a Questionnaire Survey of Students from 12 Double First-Class Universities

LI"Man-Li¹""""QIAO"Wei-Feng¹""""LI Rui-Miao^{2[Corresponding Author]}

（1."Institute of Education， Tsinghua University， Beijing， China 100084;

2."Research Institute for International and Comparative Education， Shanghai Normal University，"Shanghai， China 200234）

Abstract： In the era of intelligent technology， it has gradually become a consensus"to pay attention to the cultivation of university students’ higher-order thinking skills. However， there remains debate over whether"university students can use large language model tools to"promote the development of higher-order thinking skills is still controversial."Clarifying this dispute not only helps to theoretically analyze the mechanism of students’"higher-order thinking development under the background of AI， but also provides a reliable basis for what measures to be taken by schools and teachers in educational practice. Accordingly， this paper made an empirical analysis on university students’"use situation of large language model tools and its impact on higher-order thinking skills using questionnaire survey data of students from 12 double first-class universities in China. The results showed that"more than"half of university students used large language model tools， but the deep creative application still needed to be strengthened; increasing the frequency of basic execution and deep creative application of large language model tools"had"a significant positive effect on the development of higher-order thinking skills; interaction quality played a mediating role in the influence of the use frequency of large language model tool on higher-order thinking skills. Based on this， the paper"suggested"that universities should acknowledge the role of AI technology in the teaching process of higher education"and actively promote the application of AI in empowering education， combine real situations inside and outside the class to"promote"the deep creative application of large language model tools， and strengthen the cultivation of AI literacy of teachers and students to improve the quality of human-computer interaction.

Keywords："large language model; higher-order thinking skills; university students; double first-class universities

*基金項目：本文受國家自然科學基金面上項目“數智時代真實學習情境下高階思維能力的形成機理及評價研究”（項目編號：62277034）資助。

作者簡介：李曼麗，教授，博士，研究方向為高等教育學、在線教育等，郵箱為marylee@tsinghua.edu.cn。

收稿日期：2024年11月12日

編輯：小時