本文为您推送Journal of Computers in Education期刊的五篇论文，一起来看——
点击文末阅读原文可下载PDF
01 “AI建议，我决定”：一项关于EFL教师在AI驱动的教学创新中的AI素养、焦虑与主体性的解释性顺序混合方法研究
作者：
Milad Naderi
Mohammad N. Karimi
研究主题：
本研究旨在检验一种顺序中介模型，以探讨当前技术时代EFL教师的心理与认知优势。我们认为，人工智能素养并非单独地直接带来人工智能驱动的教学创新，而是通过减少人工智能焦虑以及增强教师主体性来依次实现这种影响。
摘要：
生成式人工智能使英语作为外语教师从技术使用者转变为人工智能驱动教学创新的推动者。然而，关于这种转变能否成功背后的心理机制，目前尚知之甚少。本研究基于自我决定理论与教师行动生态学模型，采用混合研究方法，探讨人工智能焦虑与教师行动如何依次中介英语教师的人工智能素养与人工智能教学创新之间的关系。在定量阶段，361名英语教师完成了经过验证的自报测量，并通过结构方程模型进行了分析。研究结果表明，人工智能素养直接及间接地促进人工智能教学创新，而人工智能焦虑与教师行动则成为重要的中介因素。在定性阶段，对21名教师进行了半结构化访谈，并通过反思性主题分析进一步验证并深化了这些关系。研究发现，焦虑是通过专业比较产生的；教师行动则表现为对人工智能教学权限的主动界定；最关键的是，这种心理过程大多发生在缺乏制度政策或支持的情况下，教师只能独自进行创新。综合研究结果表明，培养人工智能素养是必要的，但还不够；持续的创新需要制度支持与个体心理准备相结合。
关键词：
人工智能驱动的教学创新
AI 素养
教师机构
AI焦虑
英语作为外语（EFL）
混合方法
连续调解
链接：
https://link.springer.com/article/10.1007/s40692-026-00407-z
02 通过模糊聚类技术揭示青少年关键思维倾向特征：对视频素养与学习分析的发展意义
作者：
Francisco Martin-Gomez
Daniela Rotelli
Mar Pérez-Sanagustín
Julien Broisin
研究主题：
本研究旨在评估一个通过视频分析促进批判性思维的数字化平台的有效性。研究旨在更深入地了解影响学生对在线视频评估的认知过程及个人因素。该研究进一步扩展了 Hémon 等人在 2025 年得出的研究结果，他们指出某些倾向，即自我效能感和认知信念，能够预测学生根据来源专业知识区分视频的能力。
摘要：
本文研究了整合后的批判性思维倾向配置——包括自我效能、认知信念和推理风格——如何影响1,079名中学生对教育视频的评估及与学校相关的使用决策。模糊C均值聚类分析表明，每个教育阶段存在三种不同的倾向类型。在高中阶段，出现两种高倾向类型：一种为直觉型（高自我效能、低分析性推理），另一种为分析型（中等自我效能、高分析性推理）。只有分析型倾向与更好的批判性表现和确认偏差抵抗力相关。尽管直觉型学生信心较高，但其倾向水平较低。在初中阶段，表现与整体倾向强度呈正比，且无需考虑推理风格的调节。研究结果表明，有效的高中批判性思维需要动机与分析性推理的结合，这提示了青少年后期的一个关键阈值。该研究为差异化教学方法和基于计算机的决策支持系统（如学习分析平台）在数字教育中的应用提供了依据。
关键词：
批判性思维倾向
视频素养
自我效能
认知信念
认知反思
分析推理
模糊 C-均值聚类
以人为中心的方法
学习分析
青少年发展
数字素养
教育决策
链接：
https://link.springer.com/article/10.1007/s40692-026-00404-2
03 结对编程对融合多维度学生特征的高中学生计算思维的影响
作者：
Qiang Jiang, Lin Zhang
Weiyan Xiong, Qi Li
Pan Liu, Wei Zhao
研究主题：
考虑到未来的编程活动将越来越多地涉及人类与人工智能系统之间的互动，掌握如何优化人类间的协作对于培养学生有效参与人工智能辅助的编程环境的能力至关重要。基于这一基础，本研究进一步探讨了将这三种特性融入配对方法的设计中，以评估这种整合是否会对编程教学的效果产生叠加效应。
摘要：
尽管关于结对编程已有大量研究，但针对学生的最佳配对方式仍缺乏充分探讨。大多数关于 K-12 编程的研究侧重于配对形式，却很少或根本不关注学生特征。本研究通过研究基于多维度特征融合的配对方法在提升学生计算思维方面的有效性来填补这一空白。所提出的方法整合了规则驱动和数据驱动的配对算法，并包含三个关键特征：个性、学习技能与协作态度。采用随机森林回归模型来分析各特征对配对权重的影响，并动态调整配对权重。随后采用准实验设计，将 104 名高中学生分为随机配对组或多学生特征整合配对组，然后评估学生计算思维核心维度的表现。结果表明，学习技能在特征重要性方面最高，其次是协作态度和个性。此外，在除批判性思维外的所有计算思维领域，特征推荐配对组的得分均显著高于随机配对组。访谈结果也证实了所提出方法的有效性。本研究表明学生特征对结对编程效果有积极影响，为 K-12 编程中优化配对策略提供了实证验证和实用建议。
关键词：
配对编程
学生特征
计算思维
高中学生
随机森林
链接：
https://link.springer.com/article/10.1007/s40692-026-00408-y
04 农村学生对 GenAI 辅助学习的认知：数字资本的作用
作者：
Shuo Guo, Ming Liu
Yun-Fang Tu, Errun Liu
Wei Zhang, Yiling Ren
Chongrong Xu, Min Yang
研究主题：
本研究旨在通过绘画分析与 ENA 方法，探讨农村学生在不同数字资本水平下的观念。研究结果有望为研究人员和教育工作者提供新的见解，帮助他们制定适合学生对 GenAI 支持学习观念的适当学习活动。研究问题如下：
(1) 农村学生对 GenAI 支持的学习的体验与理想观念，其一般结构是什么？
(2) 数字资本水平不同的农村学生，在生成式人工智能支持的学习方面的经验与理想观念上有何差异？
摘要：
生成式人工智能（GenAI）正越来越多地融入K-12教育。然而，关于农村小学学生如何理解由GenAI支持的学习方式，目前尚缺乏研究。数字资本是一种重要的社会文化资源，它影响着学生如何形成和区分自己的概念。因此，本研究通过绘画分析与认知网络分析（ENA）探讨了112名农村学生对由GenAI支持的学习的理解，并进一步研究了数字资本如何影响这些理解。每位学生都绘制了代表实际与理想情境的配对画作，这些画作被编码为6个类别中的32个元素。研究结果表明：
(1) 学生们的经验性概念强调与 GenAI 合作，在家学习数学。然而，他们的理想概念将 GenAI 视为自然环境中对话式学习的可依赖伙伴。
(2) 数字资本较高的学生设想了更丰富的跨学科应用，而数字资本较低的学生则仍将 GenAI 视为用于数学相关信息搜索的功能性工具。总体而言，本研究揭示了农村学生对 GenAI 支持学习的认知方式，并强调了数字资本在塑造这些认知中的关键作用。这些研究结果为设计以学生为中心、注重公平的策略提供了新见解，这些策略可利用 GenAI 提升农村教育水平。
关键词：
生成式人工智能
农村教育
学生对学习的认知
数字资本
认知网络分析（ENA）
链接：
https://link.springer.com/article/10.1007/s40692-026-00405-1
05 人工智能在自我调节学习中的作用：一项系统文献综述
作者：
Vaishali Shrikant Jadhav
Sindhu Singh
研究主题：
本研究对以人工智能为辅助的自主经营策略相关的实验性和准实验性研究进行了系统综述，以形成严谨的实证综合分析，从而明确人工智能对不同自主经营策略过程的支持或阻碍作用。因此，本研究以以下研究问题为指导：
(1) 在实施 SRL 的 AI 工具时，所使用的理论基础是什么？
(2) 使用 AI 工具进行自我学习支持的学习者的学习环境与特征是什么？
(3) 人工智能工具有助于构建哪些自我调节学习的领域？
(4) 哪些人工智能技术被用于 SRL 的支撑系统？
摘要：
自我调节学习（SRL）被认为能够积极影响学习者的动机、表现和学习成果。人工智能技术的近期发展促使了基于人工智能的学习技术的发展，以支撑SRL。人工智能工具的复杂性可能导致认知负担过重，而人工智能在学习中的广泛应用也可能影响批判性思维能力。采用SRL概念和框架来实施人工智能工具可以缓解这些问题。人工智能创新的快速发展以及SRL的多种维度和要素要求通过实验研究来探究SRL过程与人工智能工具在现实场景中的应用之间的因果关系。之前的综述研究大多集中在概念框架和技术应用方面，对实验研究的关注有限，而实验研究能够验证这些人工智能工具在支持不同学习场景中的实际效果，包括非正式和协作式学习环境。大多数综述研究仅关注特定的人工智能技术和某一狭窄的SRL维度。基于这些存在的不足，本项SLR研究对41项实验研究进行了分析，以了解各种人工智能技术所支持的SRL的理论基础、学习场景、所使用的技术类型以及SRL过程，从而评估人工智能工具对SRL的支持作用，并探讨各种SRL与人工智能要素之间的实证性因果关系。研究发现，针对人工智能支持的SRL，实验研究在理论操作化方面存在不足，对非正式学习环境的研究很少，用于支持SRL的预想和表现阶段的AI工具也有限。本研究提出了人工智能角色的概念，帮助学习者理解与人工智能系统的互动方式，并为未来实验研究人员提供指导，以应对理论整合不足、学习场景和SRL过程等挑战。为了提高在线学习平台的完成率并降低辍学率，未来的实验研究需要关注在非正式学习场景中实施人工智能对SRL的作用。
关键词：
自我调节学习
人工智能（AI）
专业学习
在线学习
教育中的人工智能 (AIEd)
链接：
https://link.springer.com/article/10.1007/s40692-026-00406-0
来源：JCE期刊第13卷第3期
点击文末阅读原文可下载PDF
原文链接: https://aiedchair.bnu.edu.cn/news-citlab-2247627313-1-zh/
