Students’ Voices on Generative AI: Perceptions, Benefits, and Challenges in Higher Education

• ArXiv URL: http://arxiv.org/abs/2305.00290v1

• 作者: Wenjie Hu; C. Chan

• 发布机构: The University of Hong Kong

---

TL;DR

本文通过对香港399名大学生的问卷调查，揭示了学生对生成式AI（如ChatGPT）普遍持积极态度，认可其在个性化学习、写作和研究方面的潜力，但同时也对技术的准确性、隐私伦理、对个人能力发展和未来职业的冲击表示了显著担忧。

关键定义

本文沿用了领域内的关键定义，并围绕它们展开研究：

• 生成式人工智能 (Generative AI, GenAI): 一类机器学习算法，旨在生成模仿现有数据集的全新数据样本。GenAI模型利用先进算法学习模式并生成新内容，如文本、图像、声音、视频和代码。
• 变分自编码器 (Variational Autoencoder, VAE): GenAI的一种基础技术，它是一种神经网络，能够以保持数据本质特征的方式学习对数据进行编码和解码。
• 生成对抗网络 (Generative Adversarial Networks, GANs): 另一种流行的GenAI方法，由两个相互竞争的神经网络组成，以生成逼真的数据样本。
• 3P模型 (3P Model): 由John Biggs提出的教学理论模型，包含三个阶段：前导 (Presage)、过程 (Process) 和 结果 (Product)。该模型强调，学生对学习环境的感知（前导因素）会显著影响其学习方法（过程因素），并最终影响学习成果（结果因素）。本文利用此模型来强调理解学生对GenAI感知的重要性。

相关工作

领域内已有研究探讨了AI在高等教育中的应用，普遍认可其在提升学习体验、辅助写作和研究方面的潜力，例如作为智能家教、提供即时反馈、综合信息等。然而，这些研究也揭示了一系列挑战，包括AI生成内容的准确性问题、固有的偏见、对学术诚信的威胁（如抄袭）、以及可能削弱学生批判性思维和写作能力等风险。

尽管已有关于通用AI或传统聊天机器人的研究，但专门针对新兴的生成式AI（GenAI）的学生感知研究相对不足。本文旨在填补这一空白，具体解决以下三个研究问题：

1. 大学生对以ChatGPT为代表的GenAI技术的熟悉程度如何？
2. 从学生的视角看，在教与学中使用GenAI存在哪些潜在的好处与挑战？
3. 如何才能有效地将GenAI整合到高等教育中，以提升教学成果？

本文方法

本文采用了一项问卷调查研究，以收集香港大学生关于在教学中使用GenAI的看法和使用情况。

研究设计与数据收集

• 方法：采用在线问卷调查，结合了封闭式问题（用于量化分析）和开放式问题（用于质性分析），以全面地收集数据。
• 内容：问卷涵盖了学生对GenAI（如ChatGPT）的了解程度、在高等教育中整合AI技术的看法、对AI相关挑战的担忧以及AI对教学的影响等主题。
• 抽样：采用了方便抽样 (convenience sampling) 的方法，通过在线平台招募了来自香港各高等教育机构的共399名本科生和研究生。

参与者概况

共有399名学生完成了调查，其中男性占51.1%，女性占48.9%。本科生占44.4%，研究生占55.6%。学科背景方面，55.4%的学生来自STEM领域，43.4%来自非STEM领域。在使用频率上，约66.7%的参与者表示至少使用过一次GenAI技术。

特征	n	%
性别
男性	204	51.1%
女性	195	48.9%
学业水平
本科生	177	44.4%
研究生	222	55.6%
专业
STEM	221	55.4%
Non-STEM	173	43.4%
是否使用过生成式AI技术（如ChatGPT）?
从不	133	33.3%
很少	87	21.8%
有时	116	29.1%
经常	39	9.8%
总是	24	6.0%

表1：参与者人口统计信息

数据分析

• 定量分析：对封闭式问题的回答数据进行了描述性统计分析，以了解学生知识、意愿和担忧的总体分布情况。
• 定性分析：对开放式问题的文本回复采用了主题分析 (thematic analysis) 的方法，以深入挖掘学生愿意或担忧使用GenAI背后的具体原因。

实验结论

研究结果揭示了学生对GenAI复杂而矛盾的看法，既有热情也存在担忧。

主要量化发现

• 知识与意愿：学生对GenAI技术普遍有较好的理解（均分在3.89至4.15之间），并对其在学习和未来职业中的应用持积极态度（意愿均分在3.61至4.12之间）。学生对GenAI的知识水平和使用频率与其使用意愿呈正相关（\(r=0.189, p<0.001\) 和 \(r=0.326, p<0.001\)）。
• 主要担忧：学生对GenAI也表现出一定的担忧，其中最担心的是“过度依赖GenAI技术”（均分2.89），并且认为其可能会“削弱大学教育的价值”（均分3.18）。有趣的是，学生的担忧程度与其对GenAI的知识水平之间没有发现显著相关性，表明即使是了解技术的学生也同样存在顾虑。

学生对GenAI的担忧	均值	标准差
使用GenAI完成作业会削弱大学教育的价值。	3.15	1.17
GenAI会限制我与他人互动和社交的机会。	3.16	1.20
GenAI会阻碍我通用/可迁移技能的发展。	3.09	1.23
我可能会过度依赖GenAI技术。	2.89	1.13

表4：学生对GenAI技术的担忧

主要质性发现：益处与挑战

通过对开放式问题的分析，研究总结了学生感知到的具体益处和挑战。

感知到的益处	感知到的挑战
1. 个性化和即时的学习支持	1. 准确性与透明度问题
2. 写作与头脑风暴支持	2. 隐私与伦理问题
3. 研究与分析支持	3. 对综合能力（如批判性思维）的挑战
4. 视觉与音频多媒体支持	4. 对职业前景的挑战
5. 行政事务支持	5. 对人类价值观的挑战

表5：学生视角下GenAI技术的益处与挑战总结

学生愿意使用GenAI的原因（益处）

1. 个性化和即时学习支持：学生将GenAI视为“顶级学生”或虚拟导师，能随时解答疑问、提供定制化建议和反馈。
2. 写作与头脑风暴支持：在写作遇到困难时，GenAI可以提供灵感、改进语法、润色文章，对非母语者尤其有帮助。
3. 研究与分析支持：学生认为GenAI能辅助文献检索、总结阅读材料、分析数据甚至生成假设，从而提高研究效率。
4. 视觉与音频多媒体支持：学生（尤其是STEM学生）提到使用文生图工具（如DALL-E）创作艺术品或制作PPT、音视频等多媒体内容。
5. 行政支持：学生相信AI能够高效处理重复性的行政工作，让他们能更专注于学习和研究。

学生对GenAI感到担忧的原因（挑战）

1. 准确性与透明度：学生担心AI生成信息的准确性无法保证，且其决策过程如同“黑箱”，难以理解和信任。
2. 隐私与伦理问题：学生（尤其是文科和社会科学专业）担心个人数据被收集和滥用。同时，AI导致的抄袭问题也日益严峻，难以检测。
3. 对综合能力的挑战：最主要的担忧是“过度依赖”可能导致学生批判性思维和创造力的下降。
4. 对职业前景的挑战：学生担心自己正在学习的岗位（如GIS分析师、程序员）未来可能被AI替代，从而引发就业焦虑。
5. 对人类价值观的挑战：学生担忧AI可能与人类价值观不符，加剧社会不公（如贫富差距），并可能影响师生关系。

最终结论

本文的研究表明，学生是教育技术的核心使用者，他们的感知是技术能否成功融合的关键。教育者和政策制定者必须正视学生对GenAI的积极期望和深层顾虑。为了负责任地将GenAI融入高等教育，研究者提出了几点启示：

1. 加强AI素养教育：高校应提供相关课程或工作坊，帮助学生全面了解GenAI的能力、局限及其伦理影响。
2. 注重技术透明与安全：AI工具的开发应优先考虑透明度（可解释性）、准确性和用户隐私，以建立信任。
3. 革新课程与教学方法：教育体系需要重新思考课程设计，更加强调批判性思维、创造力、数字伦理等无法被AI轻易取代的核心能力。

通过平衡GenAI带来的机遇与挑战，高等教育可以利用其力量提升教学质量，同时更好地为学生迎接AI时代的未来做好准备。