大學生對生成式人工智能輔助學術英語寫作態度研究

中圖分類號：G434 文獻標識碼：A

*本文系鄭州西亞斯學院語言教學與跨文化交際科研創新中心研究成果。

一、研究背景

人工智能可根據功能價值分為分析式人工智能和生成式人工智能[1]。生成式人工智能是一種基于機器學習和自然語言處理等技術的應用，能夠根據給定的輸入生成新的文本、圖像、音頻等內容，生成式人工智能迅速涌現，正在顛覆和變革教育等社會服務領域[2]。生成式人工智能展現出卓越的文本生成和上下文理解能力，這對教育領域具有重要的影響和啟示，其潛力不僅在于提供教育資源和幫助，還在于促進教育理念和實踐的深刻變革[3]。過去，教育主要依賴于人際交流的場景，包括師生之間和同學之間的互動。然而，ChatGPT在知識提煉和內容創作方面展現出強大的能力，使其成為學生學習的全面助手和教師教學的輔助工具。這促使教育場景從僅僅依賴人際交流轉向了“人際 + 人機”的模式。這種教育場景的變化引發了教育系統性的變革[4]

以ChatGPT和DeepSeek為代表的生成式人工智能對教育的影響是廣泛而深遠的，特別是在英語教育領域中，扮演著關鍵的角色。生成式人工智能具備破解傳統課堂和教材限制的潛力，它可以通過提供豐富的語言環境、及時的個性化反饋、針對性的輔助教學、涵蓋廣泛文化背景知識的支持，以及自我評估等多種方式，有效促進學生的英語學習[5]。這種多樣化的教學方法不僅有助于學生更深入地理解英語語言和文化，還能夠激發學習興趣、提高學習效率，從而為他們的語言發展打下堅實的基礎。同樣，借助海量語料和智能分析功能，DeepSeek能夠為學生提供多元寫作資源與有效反饋。將其應用于過程寫作教學，有助于改進傳統模式，提升教學成效，促進學生寫作能力的整體提升。

生成式人工智能在學術英語寫作領域的廣泛應用不僅改變了學術寫作的方式，也引發了人們對于這種新技術的態度和看法的關注，大學生對于生成式人工智能輔助學術英語寫作的態度也日益成為研究關注的焦點。了解他們的態度不僅可以幫助評估這種技術的接受程度和效果，還可以為教學實踐和工具改進提供重要的參考和指導。盡管人工智能技術輔助學術英語寫作在研究領域得到了越來越多的關注，但對于量化測量學生對這一技術態度的研究卻相對較少。在教育技術和人工智能領域，已經有一些量表用于測量學生對于技術的態度。然而，生成式人工智能與傳統的輔助工具存在一些獨特的差異，這可能導致學生對該技術的態度和看法有所不同。與傳統的輔助工具不同，生成式人工智能技術能夠更全面地參與寫作過程，如幫助學生了解研究趨勢、生成寫作大綱、豐富思路、閱讀文獻和潤色論文等。在學術英語寫作領域，學生可能更注重寫作質量和學術規范，因此對于這種更智能化、交互性更強的寫作輔助工具可能持有不同的態度。因此，為了更準確地了解學生對于生成式人工智能輔助學術英語寫作的態度，開發新的量表是非常必要的，這樣可以更好地捕捉學生對于這種新型技術在學術英語寫作中的認知、接受度和偏好，為相關研究和實踐提供更可靠的數據支持。

二、文獻綜述

隨著人工智能（AI）技術的迅速發展，基于AI的寫作輔助工具在英語學術論文寫作方面發揮著重要作用，這對于那些英語水平要求較高的作者來說尤為關鍵。特別是對于非英語母語的學生來說，這些工具為他們提供了有力的支持和幫助，使他們能夠更好地應對學術論文寫作挑戰[6]。研究發現，ChatGPT和其他自然語言處理（NLP）技術具有提升學術寫作和研究效率的潛力[7]。此外，將ChatGPT作為寫作和修訂過程中的參考模型可以激發學生高階思維[8]。同時，ChatGPT作為自動寫作評估工具的評分表現比人類評分員更為嚴格，能夠提供與宏觀寫作特征相關的反饋，并支持多次提交以提升學習者的自主性[9]

態度被定義為對先前刺激或態度對象的響應[10]。在傳統的態度概念中，態度通常被分為三個不同的組成部分：情感、認知和行為[11][12]。情感指的是情緒反應、直覺反應或交感神經活動，可以通過監測生理反應或收集言語報告的情感或心境來衡量情感。行為包括明顯的行動、行為意圖以及關于行為的口頭陳述。認知組成部分包括信念、知識結構、感知反應和思考。與此同時，情感可以從愉悅的到不愉快的變化。行為可以從贊同和支持性的到不贊同和敵對的變化。同樣，認知也可以從贊同到不贊同的變化。

在測量學生對教育技術領域相關議題的態度研究中，已經有一些量表被開發用于評估學生對不同技術的態度，如網絡[13][14]、計算機[15-20]、在線合作式學習[21]、遠程教育[22]、信息技術[23-27]、 MOOC^[28] 、移動教學[29]、虛擬現實[30]等。此外，目前國內關于生成式人工智能的研究主要集中在以下領域，如英語口語教學實證研究[31]賦能教育研究范式變革[32]、教育轉型[33]、人機協同評價[34]、跨學科創新思維培養[35]、教師發展[36]、教育改革[37]等。在語言教學領域中，生成式人工智能在英語寫作、閱讀、口語、聽力等不同領域中也有研究。然而，在針對生成式人工智能特別是在輔助學術英語寫作方面的態度測量研究中，目前尚未發現適用的量表。

因此，本研究旨在開發一份專門用于測量學生對使用生成式人工智能輔助學術英語寫作的態度的量表。通過量表的設計和實施，我們期望更深入和全面地了解學生對生成式人工智能輔助學術英語寫作的態度，促進學術界對生成式人工智能輔助學術英語寫作的進一步研究；通過深人了解學生的態度，教育者可以更好地設計和提供相關課程和資源，滿足學生在學術英語寫作方面的需求；有助于深入理解學生對生成式人工智能的態度形成過程。

三、研究方法

（一）研究倫理

為了確保研究的倫理性，研究團隊在進行正式數據收集之前向參與教師的工作單位提交了研究倫理申請。這一步驟旨在獲得必要的批準，并確保研究設計符合倫理標準和相關法規。在數據收集階段，研究團隊通過教師微信工作群分享問卷鏈接，請求同事們協助收集數據。為了進一步保護參與者的隱私和確保他們的知情同意，研究團隊在問卷星平臺上設計了內置的“知情同意書”。參與者在開始答題前，必須先閱讀并點擊“同意參與”選項，以確保所有參與者都是在完全了解研究目的和程序后，自愿選擇參與的。此外，考慮到參與者的時間和隱私保護，問卷設計簡潔明了，答題時間控制在5分鐘以內。更為重要的是，為了最大程度地保護學生隱私，問卷中特意避免收集學生的個人敏感信息，如學號、姓名和身份證號等。

（二）研究對象

本研究分為兩個階段，其中第一個研究包括609本科生，主要用于探索性因素分析與驗證性因素分析，其中用于探索性因素分析的數據包括308名參與者，旨在探索大學生態度中的潛在結構，其中，男性84人 （27.3%） ）、女性224人 （72.7%） ；城鎮戶籍67人 （21.8%） ，農村戶籍241人 （78.2%） 。用于驗證性因素分析的數據包含311名參與者，其中男性95人 （27.3%） ，女性216人（ 72.7%） ;城鎮戶籍69人 （21.8%） ，農村戶籍242人 （78.2%） 。隨后，為了驗證量表的測量不變性，作者又收集了一輪數據，共計2019人。其中，男性409人 （20.3%） 、女性1620人 （79.7%） ；本科生1921人（ （95.1%） 、研究生98人（4.9%） ；城鎮戶籍586人（ （29.0%） 、農村戶籍1433人（71.0%） 。另外，學生主要來自于河南與河北兩省的大學，其中滄州師范大學458人、河北東方學院640人、河北工程大學112人、河北民族師范學院131人、鄭州工商學院123人、鄭州工業應用技術大學232人、鄭州西亞斯學院212人。

（三）研究工具

1.大學生對生成式人工智能輔助學術英語寫作態度量表

本研究基于態度三維度理論，采用系統的量表開發流程構建“大學生對生成式人工智能輔助學術英語寫作態度量表”。首先通過文獻研究明確定義核心構念，將態度劃分為情感（情緒體驗）、認知（價值判斷）和行為（使用意向）三個維度。隨后對4名資深教師進行半結構化訪談，其中兩名為英語教學領域副教授、一名為數字科技學院人工智能領域副教授、一名為教育心理學領域博士，有著豐富的量表開發的經驗。為深入了解大學生在使用生成式人工智能輔助學術英語寫作過程中的態度表現，本研究設計了以“行為、情感、認知”三維度為核心的教師半結構化訪談提綱。行為維度方面，圍繞學生實際使用生成式人工智能的方式與頻率，探討他們通常在寫作中做些什么，是否會主動尋求生成式人工智能輔助，以及在哪些寫作階段使用；情感維度方面，關注學生在使用過程中的主觀感受，如是否表現出興奮、期待、擔憂或排斥，以及他們對AI工具的準確性、穩定性是否表現出信任或懷疑；認知維度方面，則聚焦于學生對生成式人工智能寫作工具價值的理性判斷，探討他們是否普遍認為該類工具有助于提升學術英語寫作水平，以及如何比較AI工具與傳統寫作輔助手段之間的差異與效能。這些問題的設計為后續量表條目的提煉提供了理論支撐與實踐依據。經轉錄編碼后提取14個初始題項（認知4項、情感5項、行為5項）。隨后，作者邀請了8名專家對量表的代表性、清晰性和準確性進行打分，評分范圍為1—4分，計算量表與題項的內容效度指數。結果顯示所有專家對量表的評分一致性較高，且各個問題的CVI均為1.0，表明每個問題在代表性、清晰性和準確性方面均得到了一致認同。因此，基于專家的評估結果，初始量表未作任何修改，保持了原有的設計和條目。隨后，預測試表明，初始量表在實際使用中表現良好，參與者認為量表條目清晰易懂，能夠準確反映學生的態度。反饋未提出修改意見，因此，基于預測試結果，初始量表未作任何修改，保持原有設計和條目。本量表采用5點Likert量表形式（1代表非常不同意，5代表非常同意）。項目分析結果顯示，所有題項均具有良好區分度（獨立樣本t檢驗 plt;0.05 ）和中高度題項-總分相關性（0.755—0.868），量表整體信度優異（Cronbach‘s" ），表明該量表具備良好的心理測量學特性。

2.AI態度量表

AI態度量表（AIAttitudeScale，AIAS）[38旨在評估公眾對人工智能（AI）技術的態度，特別關注他們對AI技術對社會和人類可能產生的影響以及對其效用的感知。該量表包含一個維度，共有四個條目。最初，該量表為英文版本設計，為了確保翻譯的準確性和專業性，研究人員特別邀請精通英語的教師對條目進行初步翻譯，并由領域內的專家進行詳細的復審，以確保術語的準確性和量表的專業性，并保持原量表的意圖、內容和測量特性。經過信度分析，該量表顯示出較高的內部一致性，本研究中該量表的克隆巴赫系數（Cronbach’s ∝ ）達到了0.864，表明量表的各個條目之間協調一致，能夠穩定可靠地測量公眾對AI的態度。

（四）分析流程

在第一階段，研究者分別使用JASP和AMOS軟件開展數據分析。具體而言，探索性因素分析（EFA）通過平行分析與碎石圖確定潛在因子的數量；驗證性因素分析（CFA）用于檢驗模型的擬合度、聚合效度與區分效度。模型擬合優度的判斷主要依據以下指標及其推薦閾值：RMSEA lt;0.08 、SRMR lt;0.08 、 NFIgt;0.90 、 TLIgt;0.90 和CFIgt;0.90 。聚合效度通過平均方差提取量（AVE）和組合信度（CR）進行評估，通常要求 AVE?0.50 且 CR? 0.70；區分效度則采用Fornell-Larcker標準，即每一潛變量的AVE平方根應大于其與其他潛變量之間的相關系數。此外，研究還單獨評估了量表的效標關聯效度，即考察量表得分與相關外部變量（效標）之間的關聯程度，以驗證其在實際語境中的效度表現。

第二階段主要針對量表的測量不變性進行檢驗與應用。測量不變性是指同一測量工具在不同群體中應保持一致的測量結構與參數，這是進行群體間比較的基礎。傳統的測量不變性檢驗一般包括以下四個層級：（1）形態等值：即因子結構與條目對應關系在各組中是否一致；（2）單位等值：因子載荷是否在各組間保持不變；（3）尺度等值：條目的截距是否相等；（4）誤差方差等值：各組條目的測量誤差方差是否一致。測量不變性通常通過比較嵌套模型的 χ² 變化來判斷，但由于 χ² 受樣本量的影響，本文采用CFI、TLI和RMSEA的差值作為標準，具體為△CFI和△TLI小于O.O1或△RMSEA小于0.01。此外，在驗證量表的測量不變性后，作者對性別、戶籍及學歷三項變量進行了獨立樣本t檢驗。

四、研究結果

（一）量表的構建與驗證

1.探索性因子分析

利用KMO與巴特利特球體檢驗來評估因子分析的適合度。巴特利特球體檢驗結果顯示 χ²（91）=4584.893 plt;.001 ，此外，KMO檢驗的結果為 KMO=0.947 ，大于0.9，表明該問卷非常適合進行因子分析。此外，為確定潛在因素的數量，采用了平行分析方法，通過與隨機數據的特征值比較，確定實際數據中顯著的因子數量。

下頁表1平行分析的結果表明，大學生對生成式人工智能輔助學術英語寫作態度量表包含三個維度，分別是行為、情感和認知。這些維度與預先設定的維度一致。具體而言，行為維度包括學生實際使用生成式人工智能輔助學術英語寫作工具的行動、行為意圖；情感維度包括學生對于使用生成式人工智能輔助學術英語寫作的情緒體驗、喜好程度；認知維度包括學生對于生成式人工智能在學術英語寫作中的作用、效果的認知程度、對其價值和意義的理解。

表1探索性因素分析結果

續表1

2.模型擬合

用AMOS26對第二組數據進行驗證性因子分析，驗證在探索性因子分析中得到的潛在因子結構模型是否與實際數據相符。表2數據表明RMSEA近似誤差平方根、SRMR標準化均方根殘差、NFI標準擬合指數、TLI指數、CFI比較擬合指數等均在可接受范圍內，這表示模型與數據的擬合程度良好，支持假設的因子結構。因子結構如圖1所示。

表2量表擬合指標

圖1因子結構

3.聚合效度

聚合效度，也被稱為收斂效度，是指在使用不同的測量方法來測量同一特征時，這些測量結果之間的相似程度。具體而言，聚合效度要求不同的測量方式應該在測定同一特征時收斂或聚合在一起。此外，為了驗證量表的聚合效度，作者計算了每個潛在因子的平均方差提取量（AverageVarianceExtracted，AVE）。表3結果顯示，各個潛在因子的AVE值均在可接受的范圍內（0.745—0.822）。此外，各個潛在因子的組合信度（CompositeReliability），各維度的組合信度聚在0.9以上，均超過了Hair等人提出的建議值（ CRgt;0.7 ， AVEgt;0.5 ）。因此證明該量表具有良好的聚合效度。

4.區分效度

區別效度主要指潛在變量所代表的潛在特質與其他潛在變量所代表的特質間存在低相關或者顯著差異。為了驗證量表的區分效度，本文使用Fornell-Larcker區分效度指標。該指標是一種常用的方法，用于評估不同潛在因子之間的區分程度，即構面平均萃取變異量的平方根（對角線加粗數字）是否大于該構面與其它構面的相關系數（對角線下方的下三角區域數字）。表3結果顯示，該研究的測量模型顯示出較好的區別效度。

表3區分效度結果

注：對角線括號內的值是AVE的平方根，對角線以下區域的數字表示潛在變量之間的皮爾遜相關系數。

5.效標關聯效度

效標關聯效度是評估測量工具的一種效度類型，它用于確定測量工具與其所關聯的效標（也稱為準則）之間的關聯程度。效標可以是另一個已被廣泛接受的測量工具、已知的行為表現、客觀結果或其他已被驗證的標準。通過評估測量工具與效標之間的關聯程度，可以了解測量工具在預測或衡量特定概念或現象方面的準確性和有效性。本研究用作效標的量表為AI態度量表（AIAttitudeScale，AIAS）。結果表明，態度量表的各個維度與總分和AI態度量表分數的皮爾遜相關系數在0.521與0.593之間（ Φ_p=0.01 ），表明測量工具和效標之間存在著中等到較強的正向關聯。證明態度量表的效標關聯效度良好。

6.測量不變性

本研究通過多組驗證性因素分析（MGCFA）對測量工具在不同性別（男/女）、戶籍（城鎮/農村）和學歷（本科以下/本科及以上）群體中的測量不變性進行了系統檢驗。結果表明（ ΔCFI 與△TLI均 lt;0.01 ，△RMSEA均 lt;0.015 ），表明本研究開發的量表具在不同人口學群體中具有穩定的心理測量特性，為后續的跨群體比較分析提供了重要的方法論保障，確保了研究結論在不同子群體間的有效性和可比性。

（二）大學生對生成式人工智能輔助學術英語寫作的態度

1.總體情況

本研究對2019名大學生在使用生成式人工智能輔助學術英語寫作方面的態度進行了測量，量表包括行為、情感和認知三個維度。結果顯示，大學生總體態度得分為3.94（標準差 =0.69 ），表明他們對使用GenAI工具持中等偏積極的態度。從分維度來看，行為維度得分最高（均值 =4.03 ，標準差 =0.77 ），說明學生在實際使用GenAI工具的意愿最為強烈；情感維度得分為3.88（標準差 =0.75 ），顯示學生對GenAI在情感上的接受度較高；認知維度得分為3.91（標準差 =0.73 ），表明學生普遍認為GenAI對學術英語寫作具有一定的認知促進作用。整體而言，大學生在行為、情感與認知各方面均表現出對GenAI的積極態度，尤其在行為傾向上最為明顯。

2.不同性別大學生態度的差異性

隨后，作者對性別、戶籍及學歷三項變量進行了獨立樣本t檢驗。結果表示，男性（樣本量為409人，均值為3.98）與女性（樣本量為1610人，均值為3.93）在量表均值上的均值差異為0.05（標準誤 =0.04 ）， t（549.384）= 1.121， p=.263gt;.05 ，表明二者在該量表得分上不存在統計學顯著差異。此外，男性女性在行為、情感與認知三個子維度上均不存在顯著性差異（ （p_?↑↑）_↓=0.648 p_H，H= 0.143， 。

3.城鄉大學生態度的差異性

城鎮戶籍（樣本量為586人，均值為3.99）與鄉村戶籍（樣本量為1433人，均值為3.92）學生在量表均值上的均值差異為0.07（標準誤 =0.036 ）， t（963.458）= 1. 777， p=.076gt;.05 ，表明二者在該量表得分上不存在統計學顯著差異。此外，城鎮戶籍與鄉村戶籍學生在行為、情感兩個子維度上均不存在顯著性差異（ "，但是在認知維度上存在顯著差異（ 0. 023）。

4.不同學歷大學生態度的差異性

此外，本科（樣本量為1921人，均值為3.93）與研究生（樣本量為98人，均值為4.16）在量表均值上的均值差異為-0.23，標準誤 ε=0.09 ， t（102.605）=-2.412 ， Δp= 018lt;.05 ，表明二者在該量表得分上不存在統計學顯著差異。此外，不同學歷學生在行為、情感兩個子維度上均不存在顯著性差異（ ， p_?^*，?Ω=0.085 ）。但是在認知維度上存在顯著差異 （p_iλ^gfllt;0.001） ）°

五、討論

本研究最終確定了14個題項組成的三因子模型，分別是認知維度、情感維度與行為維度。這一模型與先前的研究結果高度一致。其中，行為維度包括學生實際使用生成式人工智能輔助學術英語寫作工具的行動、行為意圖。情感維度包括學生對于使用生成式人工智能輔助學術英語寫作的情緒體驗、喜好程度。認知維度包括學生對于生成式人工智能在學術英語寫作中的作用、效果的認知程度、對其價值和意義的理解。

在本研究中，戶籍、性別和學歷等變量上的測量一致性表明，該量表在不同群體或背景下的分類標準和測量方式沒有偏差，確保了研究結果的廣泛適用性和可靠性。具體來說，出生成式人工智能在不同地區、不同性別與不同學歷的人群體中的普適性，在使用該工具時的認知、情感和行為反應具有較高的一致性。這些結果表明，該量表在不同群體之間具有良好的適應性，能夠準確反映受試者的實際情況，從而為研究結果的外部效度和普適性提供了支持。

對大學生關于生成式人工智能輔助學術英語寫作態度的量表數據進行描述性分析發現，整體得分處于較高水平，這表明在大學生群體中，對借助生成式人工智能輔助學術英語寫作持有較為積極的態度。同時，獨立樣本t檢驗結果表明，男性與女性在量表均值以及各子維度均值差異不具備統計學顯著性，這意味著無論性別如何，大學生對生成式人工智能輔助學術英語寫作的態度基本一致。這或許得益于當下數字化教育資源的普及，使得不同性別的學生均有平等機會接觸和了解生成式人工智能。此外，本科與研究生在量表得分上存在顯著差異，研究生群體均值更高，但不同學歷學生在行為、情感兩個子維度上均不存在顯著性差異，僅在認知維度上存在顯著差異。這可能與研究生在學術訓練中對寫作質量和效率的更高要求有關，他們更容易意識到生成式人工智能在語言生成、資料整合和寫作輔導方面的潛力。不過，在行為與情感兩個維度上，學歷差異并不顯著，說明盡管認知水平存在差異，但不同學歷學生在態度傾向與使用意愿方面仍基本一致。最后，城鎮戶籍與鄉村戶籍學生的量表均值得分以及情感、行為兩個子維度均值得分無顯著差異，但認知維度上二者存在顯著差異，說明城鎮學生的認知態度更為積極。這可能反映出城鄉學生在接觸技術資源、教育環境及數字素養等方面的結構性差異，進一步提示教育工作者在推廣生成式人工智能應用時應關注城鄉間的認知落差，提升鄉村學生對技術作用的理解和認同。

六、研究不足與建議

首先，本研究主要探討用戶對學術寫作輔助技術的整體態度，但未收集具體生成式AI工具（如ChatGPT、Claude、Grammarly等）的實際使用數據。由于不同AI產品在功能、交互方式和輸出質量上存在差異，用戶的使用體驗和評價可能因產品而異。當前量表的測量結果反映的是對“AI輔助寫作技術”的一般性認知，而非針對某一具體產品的評估。未來研究可結合實際產品使用日志（UsageLogs）或實驗對照（如對比不同AI工具的效果），以提高研究的外部效度。

其次，本研究沒有采用縱向研究設計，沒有驗證重測信度?？v向研究設計可以幫助研究者觀察隨著時間推移，參與者在使用生成式人工智能輔助學術英語寫作工具方面的態度和行為是否發生變化。而驗證重測信度則可以評估量表在不同時間點或條件下的一致性和穩定性。因此，將來的研究可以考慮采用縱向設計，并進行重測信度的驗證，以提高研究結果的可信度和穩健性。

同時，本研究的另一個局限性在于未能使用統一的學術英語測試作為效標，從而缺乏對量表預測效度的考量。由于樣本來源于不同學校和專業，缺乏統一的評估標準，導致無法直接檢驗量表在預測學生學術英語寫作能力方面的效果。為了進一步提升量表的應用性，未來研究應聚焦于特定專業的學生群體，并結合統一的學術英語評估工具（如標準化的寫作測試）進行驗證。通過這種方式，可以更準確地評估量表的預測效度，從而提高量表的可靠性和科學性。

最后，盡管問卷在性別、戶籍、學歷等不同亞組中展現了良好的測量不變性，但不同學科專業在學術英語寫作的要求、規范和實踐上存在差異，例如在人文學科與理工科之間，寫作目的、語言風格、格式規范等可能顯著不同。因此，后續研究可在語言、管理、工程等多個專業背景下開展測量不變性驗證，確保量表在不同學科群體中的適用性和穩定性；此外，還可進一步比較不同專業學生對生成式人工智能輔助寫作態度的異同，以揭示專業背景對態度的潛在調節作用。

七、結語

在英語教學領域，GAI技術憑借其強大的文本生成與理解能力，正逐步成為教學創新的重要驅動力[39]，也引發了人們對于這種新技術的態度和看法的關注，本研究旨在開發一種評估大學生對生成式人工智能輔助學術英語寫作的態度的量表。首先，通過文獻回顧和訪談，確定了量表的維度和代表性題項。隨后，通過項目分析、探索性因子分析、驗證性因子分析和信效度檢驗等流程，構建了包含三個因子的大學生對生成式人工智能輔助學術英語寫作態度量表，即行為、情感和認知。這些維度涵蓋了大學生對于使用生成式人工智能輔助學術英語寫作的態度的多個方面，從技術使用意愿到情感體驗和對技術功能的認知。結果顯示，該量表具有良好的心理學測驗特性。這為量表的應用和推廣提供了可靠的基礎。綜上所述，本研究的設計和結果都表明了對生成式人工智能輔助學術英語寫作態度量表的開發是科學、可靠的，為進一步研究和實踐提供了重要的工具和支持。

參考文獻：

[1]沈實遠.生成式人工智能對教育的影響與發展[J].漢字文化，2023，（22）： 175-177.

[2]苗逢春.生成式人工智能及其教育應用的基本爭議和對策[J].開放教 育研究，2024，30（1）：4-15.

[3］盧宇，余京蕾等.生成式人工智能的教育應用與展望—以ChatGPT系 統為例[J].中國遠程教育，2023，（4）：24-32.

[4］楊宗凱，王俊等.ChatGPT/生成式人工智能對教育的影響探析及應對策 略[J].華東師范大學學報（教育科學版），2023，41（7）：26-35.

[5］陳力嘉，胡敏霞.生成式預訓練轉換器ChatGPT在英語教學中的應用研 究[J].Modern Linguistics，2024，12：721-727.

[6]郭茜，馮瑞玲等.ChatGPT在英語學術論文寫作與教學中的應用及潛在 問題[J].外語電化教學，2023，（2）： 18-23+107

[7]DergaaI，Chamari K，etal.From human writing to artificial intelligence generated text：examining the prospects and potential threats of ChatGPT in academic writing[J].Biology of sport，2023，40（2）：615-622.

[8]Strobl C，Menke-Bazhutkina Iet al.Adopting ChatGPT as a writing buddy in theadvanced L2 writing class[J].Technology in Language Teachingamp; Learning，2024，6（1）：1-19.

[9]ParkerJL，BeckerK，Carroca C.ChatGPT for automated writing evaluation in scholarly writing instruction[J].Journal of Nursing Education，2O23，62（12）： 721-727.

[10]Breckler SJ.Empirical validation of afect，behavior，and cognition as distinct components of attude[J].Journal of personality and social psychology， 1984，47（6）：1191.

[11]Eagly A H，Chaiken S.The psychology of attudes[M].Orlando： Harcourt Brace Jovanovich College Publishers，1993.

[12]Fishbein M，Ajzen LAtitudes and opinions[J].Annual review of psychology， 1972，23（1）：487-544.

[13]Tsai CC，LinSSJ，Tsai MJ.Developing an Internet Attitude Scale for high school students [J].COMPUTERS amp; EDUCATION，2001，37（1）：41-51.

[14]Joyce M，Kirakowski J.Measuring atitudes towards the Intermet：Thegeneral Internet attitude scale[J].International Journal of Human-Computer Interaction， 2015，31（8）：506-517.

[15] Kluever R C，Lam T C M，et al.The computer attitude scale： Assessing changes in teachers’atitudes toward computers[J].Journal of Educational Computing Research，1994，11（3）：251-261.

[16] Nickell G S，Pinto JN.The computer attitude scale[J].Computers in human behavior，1986，2（4）：301-306.

[17]Selwyn N.Students’attitudes toward computers： Validation ofa computer attitudescale for16-19 education[J].Computersamp; Education，1997，28（1）： 35-41.

[18]Gressard C P，Loyd BH.Validation studies of a new computer attitude scale[J]. AEDS Jourmal，1986，19（4）：295-301.

[19]Francis L J，Katz Y J，Jones S H.The reliability and validityof the Hebrew version of the Computer Atitude Scale[J].Computersamp; Education，2000， 35（2）：149-159.

[20]Nash JB，Moroz P A.An examination of the factor structures of the computer attitude scale[J].Journal of educational computing research，1997，17（4）：341 -356.

[21]Korkmaz O.Avalidity and reliability study of the Online Cooperative Learning Attitude Scale （OCLAS）[J].COMPUTERSamp; EDUCATION，2012， 59（4）：1162-1169.

[22] Celik B，Uzunboylu H.Developing an atitude scale towards distance learing[J]. Behaviouramp;Information Technology，2022，41（4）：731-39.

[23]Oliveira MRde，Correia VGA，et al.Validationof theattitude scale for information and communications technologies [J].Acta Paulista de Enfermagem，2019，32：79-86.

[24]Novikova I A，Bychkova P A，et al.Attitudes towards Digital Educational Technologies Scale for University Students：Development and Validation[J]. Computers，2023，12（9）：176.

[25]Xu MD，WilliamsPJ，GuJJ.An initial development and validation of a Chinese technologyteachers’attitudestowardstechnology（TTATT）scale[J]. INTERNATIONAL JOURNAL OF TECHNOLOGY AND DESIGN EDUCATION， 2020，30（5）：937-950.

[26]GokhaleAA，Machina KF.Development of a Scale to Measure Attitudes toward Information Technology[J].Exploring the New Era of TechnologyInfused Education.IGIGlobal，2017：49-64.

[27]Yavuz S.Developing a technology attitude scale for pre-service chemistry teachers［J].Turkish Online Journal of Educational Technology-TOJET， 2005，4（1）：17-25.

[28]Yuniwati I，Yustita AD，et al.Development of attitude assessment instrument in engineering mathematics 1 course to assess discussion on MOOC platform[J].Journal of Physics：Conference Series，2021，1918，（4）：42079.

[29]Chao C C.The validation of a measurement instrument：Teachers’attitudes toward the use of mobile technologies in the classroom[C].Kaohsiung：5th IEEE International Conference on Advanced Learning Technologies，2025. 840-841.

[30]Bunz U，Seibert J，Hendrickse J.From TAM to AVRTS：development and validation of theatitudes toward Virtual Reality Technology Scale[J]. Virtual reality，2021，25：31-41.

［31]吳堅豪，周婉婷等.生成式人工智能技術賦能口語教學的實證研究[J]. 中國電化教育，2024，（4）：105-111.

[32］荊洲，楊啟光.生成式人工智能賦能教育研究范式變革：機理、風險與 對策[J].中國電化教育，2024，（3）：68-75.

[33］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.

［34］宛平，顧小清.生成式人工智能支持的人機協同評價：實踐模式與解釋 案例[J].現代遠距離教育，2024，（2）：33-41.

[35］董艷，陳輝.生成式人工智能賦能跨學科創新思維培養：內在機理與模 式構建[J].現代教育技術，2024，34（4）：5-15.

[36]馮曉英，徐辛等.如何理解，如何行動，如何成為？- -人工智能時代教 師專業發展的反思[J].開放教育研究，2024，30（2）：31-41.

[37]Yu H，Guo Y.Generativeartificial intelligence empowers educational reform： current status，issues，and prospects[J].Frontiers in Education， 2023，8： 1183162.

[38]Grassini S.Development and validation of the AI atitude scale （AIAS-4）：a brief measure of general attitude toward artificial intelligence[J].Frontiers in Psychology，2023，14：1191628.

[39］劉夢君，鄒文龍等.生成式人工智能何以賦能教學- 一中學生英語寫 作教學實證研究[J].中國電化教育，2025，（6）：70-79.

作者簡介：

楚金金：教授，博士，研究方向為英語教育和翻譯。

The Study on College Students’ Attitudes Toward Generative Artificial Intelligence-Assisted Academic English Writing

Chu Jinjin

School of Foreign Languages，Sias University， Zhengzhou ， Henan

Abstract：Witheiceasingaplicationofnerativeartificiaitellgece（GenA）inacademicwitingderstadingcolsdets’ atitdetoadstdtoprtialpatstoeote’td generativesteddecEglsindeticiueedteesdetatif thescaleereeidtdfrotsdasouaispocto aalysis （Eactalisuoaldblitlec behavioraffciosisiosesptsfd’testoadigadcin rangingfromiligesstousetetecholgtootioalexperiesandgnitiveunderstadingoftsfuctios.Tesultssoatte scalehassodpyoetricproperisdprodesaelabletlforfurtrsearchsdets’atestwrdGinacadecing Anindependentspleststicatednigiicantdieecsialesosyenderouseldgistratoutterecat diferencesacsucatiallevelsevelotofisalefspoaerduportfoadaducatlct contributing to the more effective use of technology to enhance students’writing skills.

Keywords：Generative Artificial Intelligence; academic English Writing; scale development;scale validation

收稿日期：2025年2月7日責任編輯：宋靈青