生成式人工智能如何影響學生發展

摘要：生成式人工智能在教育領域的應用日益廣泛，但其對學生發展的影響效果仍存在爭議。通過對31項實驗和準實驗研究的元分析發現，生成式人工智能對學生認知、行為能力和情感態度方面的發展具有中等程度的正向影響。具體而言，生成式人工智能在認知層面能夠加深學生對概念的理解；在行為能力層面能夠提高學生的基本技能和能力，有效培養學生的問題解決能力和創造力等高階思維能力；在情感態度層面能增強學生的價值認可，激發學習興趣和態度動機，提升自我調節和監控，增強獲得感和效能感。這些作用也受到實驗周期、樣本規模和教育階段的調節影響，表現為：在實驗周期上，中期實驗對學生發展的促進效果最強，短期實驗次之，長期實驗最弱；在樣本規模上，中等規模及大規模樣本對學生認知發展方面的調節作用相對有限，而在行為能力和情感態度發展方面則展現出較強的調節效果；在教育階段上，生成式人工智能在基礎教育階段對學生的認知和情感態度發展具有更為顯著的調節作用。未來為推動生成式人工智能在教育教學中的有效應用，應不斷創新融合教學模式，研發教育專屬大模型；加強工具使用培訓，預防對技術的過度依賴；注重組織群體研討，構建“師—生—機”多元反饋機制；全面融合數據分析，不斷深化情境教學。

關鍵詞：生成式人工智能；學生發展；認知；行為能力；情感態度；元分析

中圖分類號：G434 " 文獻標識碼：A " "文章編號：1009-5195（2025）02-0083-09 "doi10.3969/j.issn.1009-5195.2025.02.009

基金項目：2023年度國家社會科學基金重大項目“數字化促進中國教育現代化路徑策略研究”（23VRC076）；2024年華南師范大學課外科研金種子培育項目“思政引領的信息技術課程資源網站開發與案例應用”（24JXKC02）。

作者簡介：胡欽太，博士，教授，博士生導師，廣東工業大學計算機學院（廣東廣州 510006）；華南師范大學教育信息技術學院（廣東廣州 510631）。梁心賢、劉顏帆，碩士研究生，華南師范大學教育信息技術學院（廣東廣州 510631）。王姝莉，博士研究生，華南師范大學教育信息技術學院（廣東廣州 510631）。

一、問題提出

生成式人工智能在教育中的應用日益受到關注。為加速培養適應未來社會的創新型人才，國務院早在2017年發布的《新一代人工智能發展規劃》中就明確指出要“推動人工智能在教學、管理、資源建設等全流程應用”（中華人民共和國中央人民政府，2017），探索人工智能在促進學生個性化發展和創新能力提升方面的巨大潛力。各個國際組織亦對人工智能的最新發展予以積極回應，如美國高等教育信息化協會（EDUCAUSE）發布的《2024地平線報告：教與學版》指出生成式人工智能對高等教育領域產生了深遠影響（EDUCAUSE，2024），聯合國教科文組織（UNESCO）發布的《學生人工智能能力框架》更是明確提出了學生在人工智能時代必須具備的知識、技能和價值觀（UNESCO，2024）。面對生成式人工智能帶來的機遇與挑戰，我國應深入探索智能時代的教育規律、人才培養模式和人工智能應用策略，構建以人工智能為引領、學生發展為核心的創新教育生態系統，推動基礎教育高質量發展，培養適應人工智能時代的新型人才（柯清超等，2024）。

目前，ChatGPT、DeepSeek、文心一言、Kimi等生成式人工智能工具在教育領域中已得到廣泛應用，其強大的內容生成能力與個性化交互特性，不僅為學生提供了豐富的學習資源和個性化學習路徑，還極大地激發了他們的創造力和想象力（張絨，2023）。相較于以往的人工智能技術，生成式人工智能憑借其強大的數據支撐、算力資源和模型架構，能以擬人化的對話形式提供響應（和文斌等，2024），并重塑傳統的教學框架和互動模式。已有研究指出，將生成式人工智能工具運用到教學中，有助于促進學生在學業成績（Anyanwu et al.，2024）、問題解決能力（Lee et al.，2024）、創造力（Habib et al.，2024）等方面的發展。此外，相關研究也證實了ChatGPT的類人式對話和積極性反饋對于減輕學生考試焦慮及其他消極情緒具有積極作用（Habib et al.，2024）。但也有研究表明，生成式人工智能在實際應用過程中存在一定的局限性，其對于切實增強學生問題解決能力的效果并不顯著（Liao et al.，2024），甚至出現了將ChatGPT引入教學實踐后未能提升學生學業成績的情形（Bhatia et al.，2024）。還有研究表明，采用生成式人工智能輔助的協作學習與傳統的協作學習效果相比并無明顯差異（Escalante et al.，2023）。由此可見，當前學界對生成式人工智能是否有利于學生發展尚未達成一致結論。有鑒于此，本研究將依托國際SSCI期刊中針對此類議題所發表的實驗和準實驗研究成果，運用元分析方法，探討生成式人工智能對學生發展的影響。研究具體包括三個問題：（1）生成式人工智能能否促進學生在認知、行為能力、情感態度方面的發展，其具體效果如何？（2）哪些因素（如教育階段、樣本規模和實驗周期）會對其效果產生調節作用？（3）不同因素對生成式人工智能促進學生認知、行為能力和情感態度方面的影響是否存在差異？

二、研究過程

1.文獻檢索與篩選

研究設定Web of Science數據庫中“SSCI期刊”為檢索范圍，鑒于ChatGPT3.5之前版本的生成式人工智能技術在性能上存在局限，而當前研究主要聚焦探索ChatGPT3.5之后涌現的大語言模型及其相關產品對學生發展的影響，故將檢索時間限定在2022年11月30日（即ChatGPT3.5發布時間）至2024年9月20日，同時以“Generative Artificial Intelligence”“ChatGPT”“Generative AI”“Chatbot”為關鍵詞進行檢索。

為探索生成式人工智能對學生發展的影響，研究設定了如下文獻篩選標準：（1）研究主題為生成式人工智能對學生發展的影響；（2）研究對象包括基礎教育和高等教育階段的學生；（3）納入的文獻必須有實驗組與對照組的比較，單組前后測實驗不納入本研究的考察范疇；（4）文獻的數據完整，須包含可計算效應量的信息。具體的篩選過程如圖1所示，最終得到樣本文獻31篇，可計算效應量107個。

2.特征值編碼

研究不僅提取了納入文獻的基礎信息（包括文章名、作者、期刊、發表時間等），還對31篇文獻進行了特征值編碼處理。編碼由兩位研究生分別獨立進行，Cohen Kappa系數為0.821，表明編碼結果可信。編碼內容包括教育階段、實驗周期、樣本規模、作用效果等。綜合來看，此次納入元分析的31篇文獻，共計有107個效應量，包括基礎教育和高等教育兩個階段，且以高等教育階段的研究為主（其中包括4項以研究生為對象的研究）。樣本規模介于11～260人，其中居于30～100人的研究最多。實驗時長介于1～16周，其中1個月以內的研究最多。特征值編碼結果如表1所示。

國內諸多學者將布魯姆的目標分類理論劃分為認知、行為能力和情感態度三大維度（王映朝等，2018；謝靜等，2023）。本研究通過對效應量的特征值編碼結果進行分析，從中共提取出14個作用效果，并將這些作用效果歸入認知、行為能力、情感態度三個維度，以進一步探究生成式人工智能對學生發展的影響。其中，認知維度涵蓋學生對知識點概念的理解、所涉及的學業成績及認知能力；行為能力維度主要包括學生在使用生成式人工智能過程中行為技能的提升，涉及基本技能和能力、計算思維和算法思維、批判性思維、問題解決能力、創造力以及協作能力等；情感態度維度主要包括學生的價值認可、學習興趣、態度動機、自我調節與監控，以及獲得感與效能感。

三、研究結果

1.發表偏倚檢驗

為確保研究結論的有效性，在進行元分析之前，研究基于107個效應量進行了發表偏倚檢驗，得到圖2所示的漏斗圖。由圖2可知，納入的107個效應量相對均勻地分布在漏斗兩側，故初步判斷本研究樣本不存在發表偏倚。為進一步確認發表偏倚情況，研究還基于CMA3.3工具，采用失安全系數（Fail-Safe Number，Nfs）進行了檢驗。結果顯示，Nfs的值為2892，遠大于5k＋10（k是研究納入分析的效應量）的容許界限。此外，研究還采納Egger線性回歸檢驗與Begg秩相關檢驗兩種方法探究了發表偏倚問題，結果顯示，Egger線性回歸檢驗的p值為0.263，Begg秩相關檢驗的p值為0.083，均大于0.05。以上結果一致表明，本研究中的樣本不存在發表偏倚現象，可以進行元分析。

2.異質性檢驗

異質性檢驗旨在探討研究個體間差異對因變量的影響情況，其目的在于檢驗不同研究之間是否具備可整合性或一致性（張天嵩，2015）。本研究運用固定效應和隨機效應兩種模型對納入文獻進行分析，通過參考Q檢驗和I2檢驗的統計數值，以確定最合適的模型，保障分析結果的精確性和可信度。異質性檢驗結果如表2所示，其中I2＝92.9%且p＝0.000＜0.1，表明研究間存在異質性。鑒于此，本研究采用隨機效應模型進行分析（Borenstein et al.，2021）。

3.結果分析

（1）生成式人工智能對學生發展的整體效應

效應值（Effect Size，ES）是用于衡量不同組別間的差異大小或變量間關系強度的重要指標，其大小反映了效應的強度。依據Cohen提出的標準（Cohen，1988），當 ES＜0.2時，視為小效應；當0.2≤ES＜0.8時，視為中等效應；當ES≥0.8時，視為大效應。本研究的合并效應值為0.477（p＜0.01，見表2），屬于中等效應范疇，且具備統計學顯著性，這表明生成式人工智能在影響學生發展方面發揮了較為明顯且正向的推動作用。同時，結合隨機效應模型中95%置信區間為[0.330，0.624]可知，生成式人工智能對學生發展的影響具有一定的穩定性，其產生的效應是實驗干預的直接結果，而非偶發性事件。綜上，生成式人工智能在影響學生發展方面展現出顯著且可量化的效果，其效應值達到了中等程度。

（2）生成式人工智能對學生發展三大維度及其子維度的效應

為了進一步揭示生成式人工智能對學生發展的影響，研究從認知、行為能力、情感態度三個維度展開分析（見表3）。其中，認知維度的總體效應值為0.296（p＜0.05），表明生成式人工智能對學生認知發展的影響較小。具體來看，其對概念理解（Hedges’g＝0.758，p＜0.05）存在中等程度的影響，而對學業成績（Hedges’g＝0.089，p＞0.05）和認知能力（Hedges’g＝0.363，p＞0.05）并沒有顯著的促進作用。在行為能力維度，其合并效應值為0.536（p＜0.001），表明生成式人工智能對學生行為能力的發展具有顯著的中等程度的影響。具體而言，其對基本技能和能力（Hedges’g＝0.386，p＜0.05）、問題解決能力（Hedges’g＝0.607，p＜0.05）、創造力（Hedges’g＝0.677，p＜0.001）存在中等程度的顯著影響，但是對計算思維和算法思維（Hedges’g＝0.281，p＞0.05）、批判性思維（Hedges’g＝0.636，p＞0.05）和協作能力（Hedges’g＝0.350，p＞0.05）的作用效果并不顯著。在情感態度維度，其合并效應值為0.549（p＜0.001），表明生成式人工智能對學生發展具有顯著的中等程度的促進作用。具體來看，生成式人工智能能夠顯著提升學生的價值認可度（Hedges’g＝1.364，p＜0.001）及獲得感和效能感（Hedges’g＝1.091，p＜0.001），對學生的學習興趣（Hedges’g＝0.661，p＜0.01）和態度動機（Hedges’g＝0.698，p＜0.001）具有中等程度的作用效果，但對自我調節和監控（Hedges’g＝0.320，p＜0.001）的作用效果較小。

綜上，生成式人工智能能夠促進學生在認知、行為能力和情感態度三個維度的正向發展，表現為其對行為能力和情感態度兩個維度具有中等程度的促進作用，但對認知維度的促進效果偏弱。該研究結果表明，在運用生成式人工智能進行教學的過程中，一方面要持續發揮其促進學生行為能力和情感態度的積極作用，另一方面要通過方法創新來增強生成式人工智能對學生認知發展的影響。

（3）實驗周期對學生發展的影響

為探索不同實驗周期對學生發展的影響，本研究將實驗周期分為短期（1個月以內）、中期（1～4個月）和長期（4個月及以上）三個類別進行分析。整體而言，不同實驗周期對學生發展的調節作用存在顯著差異（QB＝18.132，p＜0.001）。其中，短期（Hedges’g＝0.352，p＜0.001）和中期（Hedges’g＝0.869，p＜0.001）實驗中生成式人工智能對學生發展具有顯著影響，而長期（Hedges’g＝0.243，p＞0.05）實驗中生成式人工智能對學生發展的影響沒有達到顯著水平（見表4）。

具體來看，在認知維度，短期實驗（Hedges’g＝-0.100，p＞0.05）中生成式人工智能對學生的認知發展具有輕微的負面影響但并不顯著。隨著實驗周期的延長，中期實驗中生成式人工智能對學生認知發展的效應值達到顯著水平（Hedges’g＝0.988，p＜0.001），表明其對學生認知發展具有較大助益。而在長期實驗中，其效應值下降至0.274，表明其仍然能對學生的認知發展產生正面影響，但影響卻較小。與此同時，異質性檢驗結果表明，短期實驗的異質性較高（I2＝90.25%），而長期實驗的異質性較低（I2＝26.04%），這說明短期實驗中各研究之間的差異較大，而長期實驗的研究更趨于一致。在行為能力維度，無論是短期實驗（Hedges’g＝0.535，p＜0.001），還是中期實驗（Hedges’g＝0.639，p＜0.01），生成式人工智能對學生行為能力的發展均產生了顯著的正面影響，而長期實驗（Hedges’g＝0.378，p＞0.05）中則表現出并不顯著的影響。在情感態度維度，中期實驗中生成式人工智能對學生情感態度發展的影響效應（Hedges’g＝0.913，p＜0.001）要大于短期實驗（Hedges’g＝0.536，p＜0.001）。然而，在長期實驗（Hedges’g＝0.098，p＞0.05）中，生成式人工智能對學生情感態度的效應值較低且并不顯著，而異質性卻極高（I2＝98.51%），這表明長期使用生成式人工智能可能會對學生的情感態度產生復雜的影響。

總體而言，在探索生成式人工智能對學生發展的影響時，短期實驗的效果呈現出較為不穩定的現象，尤其在認知維度上甚至出現了輕微的負面影響；中期實驗普遍表現出較強的正面效應，不僅在促進學生認知發展上大有裨益，還顯著促進了學生行為能力與情感態度的提升；然而，進入長期實驗階段，盡管某些正面影響依舊存在，但其顯著性普遍減弱，特別是在情感態度方面，長期應用生成式人工智能可能會對學生的情感態度產生復雜影響并帶來潛在挑戰。

（4）樣本規模對學生發展的影響

為考察不同樣本量情況下生成式人工智能對學生發展的影響差異，研究將樣本分為小規模（30人以下）、中等規模（30～100人）、大規模（100人以上）三種類別。分析結果顯示，不同樣本量下生成式人工智能對學生發展的影響效果存在顯著差異（QB＝16.681，p＜0.001）（見表5）。

具體而言，在認知維度，小規模（Hedges’g＝0.295，p＞0.05）和中等規模樣本（Hedges’g＝0.316，p＞0.05）的研究雖然顯示出一定的正面影響，但未達到顯著水平，而大規模樣本（Hedges’g＝0.191，p＜0.05）的研究則顯示出較為顯著的正面效應。在行為能力維度，大規模（Hedges’g＝0.872，p＜0.001）和中等規模樣本（Hedges’g＝0.529，p＜0.001）的研究顯示出顯著的正面效應，但小規模樣本（Hedges’g＝0.310，p＞0.05）的研究卻表現出并不顯著的正面效應。在情感態度維度，生成式人工智能在小規模（Hedges’g＝0.615，p＜0.01）、中等規模（Hedges’g＝0.545，p＜0.001）和大規模樣本（Hedges’g＝0.642，p＜0.001）上均表現出顯著的正面影響，且效應量均較高，這表明無論樣本大小，生成式人工智能對學生情感態度的發展均具有較為明顯的促進效果。

綜上，生成式人工智能在不同樣本規模下對學生發展的影響呈現出一定的差異性。在認知維度，盡管各樣本量均表現出一定的正面影響，但相較于其他維度，其影響效應相對較小，且僅在大規模樣本研究中達到顯著性。在行為能力維度，隨著樣本量的增加，生成式人工智能的正面效應逐漸增強，且大規模樣本研究展現出最為顯著的正面影響。在情感態度維度，無論樣本規模大小，生成式人工智能均表現出明顯的正向影響，且在不同樣本量中均保持一致性和顯著性。

（5）教育階段對學生發展的影響

整體而言，生成式人工智能對基礎教育（Hedges’g＝0.659，p＜0.001）的影響效應大于對高等教育（Hedges’g＝0.393，p＜0.001）的影響效應，且不同教育階段的生成式人工智能對學生發展的整體影響不存在顯著差異（QB＝3.612，p＞0.05）。

由表6可知，在認知維度，生成式人工智能對基礎教育階段學生的認知提升具有較強的正面影響（Hedges’g＝0.781，p＜0.001）；相比之下，其對高等教育階段學生的認知影響較弱且不顯著（Hedges’g＝0.095，p＞0.05），但高等教育階段表現出的異質性較高（I2＝90.95%），說明生成式人工智能在高等教育階段的應用過程中可能受到更多不穩定因素的影響。在行為能力維度，生成式人工智能對基礎教育階段（Hedges’g＝0.414，p＜0.001）和高等教育階段（Hedges’g＝0.554，p＜0.001）的學生發展都表現出顯著的正面影響。在情感態度維度，生成式人工智能對基礎教育（Hedges’g＝0.753，p＜0.001）和高等教育階段（Hedges’g＝0.470，p＜0.01）的學生發展均產生了積極效應，且對基礎教育的影響效果更佳。

綜上所述，生成式人工智能對基礎教育階段學生的認知、行為能力和情感態度的影響整體上要強于高等教育階段。基礎教育階段學生在認知和情感態度上更易受到生成式人工智能的影響，而生成式人工智能對高等教育階段學生的行為能力具有更顯著的正面影響，但在認知和情感態度上的影響則較為不一致。這些差異可能與不同教育階段學生的認知發展水平、學習動機和個體差異有關。

四、研究結論與啟示

1.研究結論

第一，生成式人工智能對學生的認知、行為能力和情感態度三個維度的發展均具有正向促進作用。整體來看，生成式人工智能可以在中等程度上促進學生的發展。從學生發展的三大維度來看，生成式人工智能對學生的認知、行為能力和情感態度均產生了顯著的積極影響。其中，行為能力和情感態度方面的效應值較高，屬于中等效應，而在認知方面的效應值略低，屬于較小效應，但三者均具有統計顯著性。

具體而言，在認知層面，生成式人工智能能夠加深學生對概念的理解，但在提升認知能力及學業成績方面，其效果相對有限，這一發現與先前研究的結論相符（Al Kahf et al.，2023；Escalante et al.，2023；Canonigo，2024）。這可能因為在人機互動場景下，生成式人工智能快速生成內容的特點大大縮短了學生在問答環節中的自主思考和探索時間（Civit et al.，2024），進而影響了學生的知識建構及認知能力發展，由此導致其在促進學生認知發展層面的成效不夠顯著。在行為能力層面，生成式人工智能除了能提高學生的基本技能和能力外，還能有效培養學生的問題解決能力和創造力等高階思維能力，這與Essien等人的研究結論相一致（Essien et al.，2024）。可能的原因在于，生成式人工智能所生成的內容并非絕對準確無誤，仍需要學生用辯證與審慎的態度去分析與評估，因而有助于促進其問題解決能力的發展。在情感態度層面，生成式人工智能對學生的價值認可、學習興趣、態度動機、自我調節和監控、獲得感和效能感方面都存在正向顯著影響。這可能是因為生成式人工智能傾向于“表揚和鼓勵”的機制，有別于教師直接指出問題并提供改進建議的傳統反饋。換言之，生成式人工智能善于通過積極的方式引導學生，學生在接收到正面反饋后，其學習興趣與自我效能感更易被激發。然而，生成式人工智能在自我調節和監控方面卻表現出較弱的效應，原因可能是此類工具大多采取即問即答模式，缺乏內置的監督和強化機制，這種模式對學生的自我調控能力要求較高，若學生把控不好則容易對其產生依賴（Kasneci et al.，2023）。因此，后續研究應不斷深入研發符合學生發展規律的教育大模型。

第二，生成式人工智能對學生的認知、行為能力、情感態度發展具有促進作用，且受實驗周期、樣本規模、教育階段等調節變量的影響。

在實驗周期上，中期實驗對學生發展的促進效果最強，短期實驗次之，長期實驗最弱。這可能是由于生成式人工智能雖具有強大的文本處理與分析能力，但初學者并不熟悉此類工具，因而短期內未能充分發揮其效用（鄭泉，2024）。隨著時間的推移，學生逐漸掌握了此類工具的使用方法，并將其有效融入學習過程中，因而也產生了積極的影響。但在長期使用過程中，學生可能存在濫用或誤用等行為，并逐漸對工具產生依賴，因此又可能削弱學生獨立思考問題的能力（鐘柏昌等，2024）。

在樣本規模上，研究發現其在學生認知發展方面的調節作用相對有限，而在推動學生行為能力和情感態度發展方面卻展現出較強的調節效果，在中等規模及大規模樣本研究中的影響效果尤為突出。具體來看，就行為能力和情感態度而言，大規模樣本的促進效果要顯著優于小規模樣本和中等規模樣本。而且大規模樣本對學生發展的各個方面均具有顯著的正向影響，其中對行為能力的促進效果最強，對情感態度的影響次之，對認知的影響最弱。可能的原因在于，在小規模教學過程中，學生面臨同伴反饋稀缺和教師及時指導不足的問題，再加上生成式人工智能所提供的反饋具有隨機性，且難以確保輸出內容的質量，因而可能導致學生在缺乏系統性指導的情況下，不加甄別地接受工具輸出的反饋。相比之下，在大規模教學情境中，社會互動可以顯著增強學生的學習效果（Vygotsky，1978，pp.79-91），而且學生的行為和情感態度也更易受到同伴行為的影響。

在教育階段上，相較于高等教育，生成式人工智能在基礎教育階段對學生的認知和情感態度發展具有更為顯著的中等程度的影響。這是因為生成式人工智能憑借其龐大的知識庫與極快的響應速度，能夠針對概念理解和知識點內容提供答案及實例，方便學生理解，而這些學習內容恰恰與基礎教育的知識積累和學業成績相關。相比之下，高等教育的內容更為復雜多元，僅憑掌握個別概念難以全面理解其內容，更無法培養學生的實踐能力并促進其高階思維的發展。有鑒于此，探索與不同教育階段相匹配的教學模式、教育大模型及教學智能體等，對未來教育的高質量發展具有重大意義。

2.研究啟示

第一，創新融合教學模式，研發教育專屬大模型。一方面，可通過模擬人類在回答問題時的邏輯推理步驟（Wei et al.，2022），或采用自問自答的教學策略（Lee et al.，2024），或通過問題鏈的形式引導學生逐步完成學習，為學生提供更多的思考空間，并根據學生回答的結果提供針對性的反饋指導。另一方面，建議研發符合我國國情和學生認知發展規律的教育專屬大模型。此類模型可通過設置知識強化機制及測驗題目，幫助學生在理解概念的同時有效內化知識，同時需嚴格把關知識反饋的準確性，以確保學生掌握的內容科學合理。此外，教師要引導學生學會批判性地看待人工智能的反饋和建議，幫助他們理解人工智能的局限性，特別是在創新和復雜問題解決方面。教師還應營造一個有吸引力和激勵性的環境，將生成式人工智能視為一種輔助性教學手段（Gamage et al.，2023），借助其高效性，持續激發學生的學習熱情和內在動力（Crawford et al.，2023），進而增強學生的自我效能感。

第二，加強工具使用培訓，預防對技術的過度依賴。一方面，在應用生成式人工智能之前應對教師和學生進行必要的培訓，如在教學中分階段設定學習目標，從初級操作逐步過渡到指令語句再到熟練應用，幫助教師和學生逐步掌握工具功能，以避免因不熟悉工具使用而影響學習效果。另一方面，在實際教學中教師應關注技術依賴可能帶來的潛在風險（Habib et al.，2024），注重引導學生建立良好的技術使用習慣（鄭永紅等，2024），鼓勵學生在使用人工智能前先進行自我思考，將工具反饋作為一種學習參考而非唯一答案，保持學習的主動性，以避免在長期使用過程中過度依賴技術工具而喪失自主學習和獨立思考的能力。此外，相關教育管理部門還應出臺生成式人工智能的規范化制度，清晰界定人工智能工具的角色及應用準則，有效防范工具的濫用，確保其合理、有序地融入教育實踐。

第三，注重組織群體研討，構建“師—生—機”多元反饋機制。一方面，要通過引導群體討論，營造濃厚的學習氛圍。已有研究表明，學生在同一時空下的集體學習能顯著增強其社會臨場感（胡勇，2013）。因此，教師應構建一種促進思維啟迪與互動驅動的人機協同群體學習機制，不斷激發學生的問題探索欲望，推動多視角的集體討論與觀點交流，從而更有效地促進學生的全面發展。另一方面，要構建“師—生—機”多元反饋機制。生成式人工智能更依賴語言模式而不是邏輯推理，致使其生成的內容具有一定的隨機性和不可預測性（Joshi et al.，2024）。為彌補這個缺陷，教師應及時為學生提供額外的學習支架。例如，教師可通過個別輔導、及時反饋來彌補生成式人工智能的不足，以確保學生的學習需求能夠得到充分滿足。此外，還可采用小組合作模式深化學習成效。例如，教師可以實施分組教學，合理設計生成式人工智能輔助教學的任務，促進學生之間的高頻互動。這不僅能避免學生過度依賴技術，還有助于學生在合作中培養互助精神，并激發其創新思維。

第四，全面融合數據分析，不斷深化情境教學。一方面，生成式人工智能通過整合數據分析結果，可以針對不同問題為學生提供個性化的反饋，實現類人互動（Lu et al.，2024）。例如，在課堂教學中，生成式人工智能通過迅速解析學生的學習數據，可以實現即時反饋，有助于教師靈活調整教學策略，推動學生深度學習。另一方面，生成式人工智能通過生成與情境相關的反饋，并根據學生的反應及時調整教學策略來支持學生進行個性化學習。這符合維果茨基的社會文化理論，即強調將學生引導至其“最近發展區”（Vygotsky，1978，pp.84-91）。此外，還應開發定制化的領域模型以增強其適配性。該類模型需整合學科專業知識與實際應用場景，確保與課程內容緊密對接，從而有效解決生成內容與教育需求不匹配的問題。例如，在醫學教育中，生成式人工智能可以通過模擬病例分析過程來幫助學生理解復雜的診斷流程，并結合學生的反饋情況為其提供個性化指導，從而不斷提升其學習的深度。

參考文獻：

[1]和文斌，范占江，鄭浩等（2024）.ChatGPT賦能CSCL：未來圖景與突圍路徑[J].現代教育技術，34（4）：37-46.

[2]胡勇（2013）.在線學習過程中的社會臨場感與不同網絡學習效果之間的關系初探[J].電化教育研究，34（2）：47-51.

[3]柯清超，米橋偉，鮑婷婷（2024）.生成式人工智能在基礎教育領域的應用：機遇、風險與對策[J].現代教育技術，34（9）：5-13.

[4]王映朝，周開濟，蘭春梅等（2018）.考試績效自評量表的初步編制[J].心理技術與應用，6（3）：177-192.

[5]謝靜，陳夢嬌，錢佳（2023）.課后服務如何影響中小學生發展——基于國外31項實驗與準實驗研究的元分析[J].教育研究與實驗，（5）：126-136.

[6]張絨（2023）.生成式人工智能技術對教育領域的影響——關于ChatGPT的專訪[J].電化教育研究，44（2）： 5-14.

[7]張天嵩（2015）.高級Meta分析方法：基于Stata實現[M].上海：復旦大學出版社：304-306.

[8]鄭泉（2024）.生成式人工智能的知識生產與傳播范式變革及應對[J].自然辯證法研究，40（3）：74-82.

[9]鄭永紅，王辰飛，張務偉（2024）.生成式人工智能教育應用及其規制[J].中國電化教育，（5）：114-119.

[10]中華人民共和國中央人民政府（2017）.國務院關于印發新一代人工智能發展規劃的通知[EB/OL].[2024-10-18].https：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[11]鐘柏昌，劉曉凡（2024）.生成式人工智能何以、以何生成教育[J].電化教育研究，45（10）：12-18，27.

[12]Al Kahf， S.， Roux， B.， amp; Clerc， S. et al. （2023）. Chatbot-Based Serious Games： A Useful Tool for Training Medical Students？ A Randomized Controlled Trial[J]. PLoS One， 18（3）：e0278673.

[13]Anyanwu， C. C.， Ononiwu， P. N.， amp; Isiozor， G. N. （2024）. Comparative Impact of Whatsapp Chatbot Technology and Glaser’s Teaching Approaches on the Academic Performance of Education Economics Students in Tertiary Institutions in Nigeria[J]. Education and Information Technologies， 29：23801-23816.

[14]Bhatia， A. P.， Lambat， A.， amp; Jain， T. （2024）. A Comparative Analysis of Conventional and Chat-Generative Pre-Trained Transformer-Assisted Teaching Methods in Undergraduate Dental Education[J]. Cureus， 16（5）：e60006.

[15]Borenstein， M.， Hedges， L. V.， amp; Higgins， J. P. T. et al. （2021）. Introduction to Meta-Analysis[M]. New Jersey： John Wiley amp; Sons：3-7，99-101，200-203.

[16]Canonigo， A. M. （2024）. Levering AI to Enhance Students’Conceptual Understanding and Confidence in Mathematics[J]. Journal of Computer Assisted Learning， 40（6）：3215-3229.

[17]Civit， M.， Escalona， M. J.， amp; Cuadrado， F. et al. （2024）. Class Integration of ChatGPT and Learning Analytics for Higher Education[J]. Expert Systems， DOI：10.22541/au.170995060.040

86473/v1.

[18]Cohen， J. （1988）. Statistical Power Analysis for the Behavioral Sciences[M]. New York： Erlbaum Associates：20-40.

[19]Crawford， J.， Cowling， M.， amp; Allen， K. A. （2023）. Leadership Is Needed for Ethical ChatGPT： Character， Assessment， and Learning Using Artificial Intelligence （AI）[J]. Journal of University Teaching amp; Learning Practice， 20（3）.

[20]EDUCAUSE （2024）. 2024 EDUCAUSE Horizon Report （Teaching and Learning Edition）[EB/OL]. [2024-10-18]. https：//library.educause.edu/resources/2024/5/2024-educause-horizon-

report-teaching-and-learning-edition.

[21]Escalante， J.， Pack， A.， amp; Barrett， A. （2023）. AI-Generated Feedback on Writing： Insights into Efficacy and ENL Student Preference[J]. International Journal of Educational Technology in Higher Education， 20：57.

[22]Essien， A.， Bukoye， O. T.， amp; O’Dea， X. et al. （2024）. The Influence of AI Text Generators on Critical Thinking Skills in UK Business Schools[J]. Studies in Higher Education， 49（5）：865-882.

[23]Gamage， K. A.， Dehideniya， S. C.， amp; Xu， Z. et al. （2023）. ChatGPT and Higher Education Assessments： More Opportunities than Concerns？[J]. Journal of Applied Learning and Teaching， 6（2）：358-369.

[24]Habib， S.， Vogel， T.， amp; Anli， X. et al. （2024）. How Does Generative Artificial Intelligence Impact Student Creativity？[J]. Journal of Creativity， 34（1）：100072.

[25]Joshi， I.， Budhiraja， R.， amp; Dev， H. et al. （2024）. ChatGPT in the Classroom： An Analysis of Its Strengths and Weaknesses for Solving Undergraduate Computer Science Questions[C]// Proceedings of the 55th ACM Technical Symposium on Computer Science Education V. 1， OR， Portland：625-631.

[26]Kasneci， E.， Se?ler， K.， amp; Küchemann， S. et al. （2023）. ChatGPT for Good？ On Opportunities and Challenges of Large Language Models for Education[J]. Learning and Individual Differences， 103：102274.

[27]Lee， H. Y.， Chen， P. H.， amp; Wang， W. S. et al. （2024）. Empowering ChatGPT with Guidance Mechanism in Blended Learning： Effect of Self-Regulated Learning， Higher-Order Thinking Skills， and Knowledge Construction[J]. International Journal of Educational Technology in Higher Education， 21：16.

[28]Liao， J.， Zhong， L.， amp; Zhe， L. et al. （2024）. Scaffolding Computational Thinking with ChatGPT[J]. IEEE Transactions on Learning Technologies， 17：1628-1642.

[29]Lu， Q.， Yao， Y.， amp; Xiao， L. et al. （2024）. Can ChatGPT Effectively Complement Teacher Assessment of Undergraduate Students’ Academic Writing？[J]. Assessment amp; Evaluation in Higher Education， 49（5）：616-633.

[30]UNESCO （2024）. AI Competency Framework for Students[EB/OL]. [2024-10-12]. https：//unesdoc.unesco.org/ark：/48223/pf0000391105.

[31]Vygotsky， L. S. （1978）. Mind in Society： The Development of Higher Psychological Processes[M]. Cambridge， MA： Harvard University Press.

[32]Wei， J.， Wang， X.， amp; Schuurmans， D. et al. （2022）. Chain of Thought Prompting Elicits Reasoning in Large Language Models[C]// Proceedings of the 36th International Conference on Neural Information Processing Systems （NIPS’22）. NY， Red Hook： Curran Associates Inc.：24824-24837.

收稿日期 2024-11-08 責任編輯 劉選

Can Generative Artificial Intelligence Affect the Development of Student

——A Meta-Analysis of 31 Experiments and Quasi-Experiments Studies

HU Qintai， LIANG Xinxian， LIU Yanfan， WANG Shuli

Abstract： Generative Artificial Intelligence （GenAI） is increasingly applied in the field of education， yet its effects on student development remain controversial. A meta-analysis of 31 experimental and quasi-experimental studies reveals a moderate positive impact of GenAI on students’ cognitive， behavioral and affective development. Specifically， GenAI can deepen students’ understanding of concepts at the cognitive level. At the level of behavioral ability， it can improve students’ basic skills and abilities， and effectively cultivate higher-order thinking skills such as problem solving， critical thinking and creativity. On the level of emotional attitude， it can enhance students’value recognition， stimulate their interest， attitude and motivation， improve self-regulation and monitoring， and enhance their sense of gain and efficacy. These effects are moderated by experimental duration， sample size， and educational stage. Medium-term experiments show the strongest promotion of student development， followed by short-term experiments， with long-term experiments exhibiting the weakest effects. While moderate and large sample sizes have limited moderating effects on cognitive development， they demonstrate stronger effects on the development of students’ behavioral ability and emotional attitude. GenAI exhibits more significant moderating effects on the development of cognitive and emotional attitude in the stage of basic education. To promote the effective application of GenAI in education and teaching， it is essential to continuously innovate and integrate teaching models to develop specialized large models for education， strengthen training in tool usage to prevent overreliance on technology， foster collaborative group discussions to construct a diverse “teacher-student-machine” feedback mechanism， and comprehensively integrate data analysis to deepen contextual teaching.

Keywords： Generative Artificial Intelligence; Student Development; Cognition; Behavioral Ability; Emotional Attitude; Meta-Analysis