摘要:如今生成式人工智能（GAI）的快速发展对高等教育领域产生深刻影响。在大学生群体中GAI 的使用极其普遍，而过度使用GAI 会对大学生创新综合能力产生负面影响。因此，文章通过线上与线下调研探究 GAI 在工具应用、知识整合、创新思维、批判思维、实践能力与团队合作六个维度对大学生创新综合能力的影响，并构建 GIT 模型引导学生正确使用 GAI，提高自身创新综合能力。

关键词：GAI；高等教育；创新综合能力；GIT 模型

基础理论

（一）生成式人工智能

生成式人工智能（Generative Artificial Intelligence，GAI）是人工智能领域的重要分支，一种基于算法和模型生成文本、图片、声音、视频、代码等内容的技术[1]。

（二）创新综合能力

创新综合能力指个体在应对复杂问题时，通过系统整合工具应用、知识整合、创新思维、批判思维、实践能力与团队合作六大维度的素养，实现从技术工具赋能到思维突破再到实践落地的动态协同能力体系[2]。

二、调研方案与实施

（一）调研对象

本次调研的主体对象为大学生群体，但考虑到大学生群体规模庞大且较为分散，因此本组主要以辽宁、河南、江苏地区为主采用抽样方法进行筛选统计，并以此确定调研问卷样本回收数量，确保样本收集的客观、真实、代表性。

（二）数据收集

本次调研采用线上与线下调研方式，实际回收1028 份，线上 1010 份、线下18 份。针对作答时长少于 90s 的问卷与空题率超过 80% 的问卷予以剔除，最终收集问卷数 1012 份。有效回收率为 98.44% ，具有良好的作答基础，在基础信息中本次调研学生的性别、学历与专业分布较为均衡，具有良好的人口学特征。

三、信效度检验

在信度分析中，研究采用Cronbach α 信度系数与折半信度。本次调研的 Cronbachα 与前后折半信度均超过0.9，本次调研数据信度极好，通过可靠性分析，在效度分析中，分析得出 KMO 值为 0.97，并通过了显著性水平为 0.05 的巴特利球型检验，根据因子分析得出，本次研究共可提取 6 个主因子，6 个因子可以反映总量表信息的70.46%>60% ，由此可认定，量表通过效度检验，如表1 所示。

表 ¹ 信度分析表

四、影响因素分析

（一）基于SEM 评判 GAI 对大学生创新综合能力的影响

本次研究选用结构方程SEM 模型，它结合了因子分析和路径分析的特点，能够同时处理多个因变量和自变量之间的关系。SEM 可以用来检验和估计变量之间的直接、间接和总效应，从而揭示复杂的递进影响关系[3]。

本研究以大学生 GAI 工具使用为起点，提出“ 知识基础 $$ 思维升级 $$ 实践转化 $$ 团队协同” 的创新能力发展路径。研究认为：GAI 通过强化知识整合与学习效率强化创新基础，进而实现创新思维与批判思维质变；但需警惕GAI 输出内容的真实性，应批判筛选信息才能确保实践能力正向提升；最终，个体能力提升与GAI 直接辅助将协同增强团队合作效能。基于此构建SEM 模型验证四阶影响机制，如图 1 所示。

图 1 结构 SEM 模型构建图

查看结构 SEM 方程中的模型回归系数，得出 GAI 对大学生创新综合能力影响的路径影响关系，如表 5 所示。

表2 模型回归系数汇总表

由上表可知，各路径的 p 值均 <0.05 ，说明本次实验的结构 SEM 模型构建成立，GAI 对大学生创新综合能力存在正向递进式影响关系，其中对知识整合能力影响最大。GAI 使用可以提高大学生的创新综合能力，说明在未来的“ AI+ 高等教育” 中，可以积极尝试使用 GAI 辅助大学生提高自身的创新综合本领，提高自身的综合素质，为大学生的就业创业奠定基础。

（二）GAI 对大学生创新综合能力的负面影响

本次研究还对10 名同学开展深度访谈，选用质性分析，探究 10 名同学对 GAI 弊端的共性负面认知。本组提取访谈的 10 名受访者共同词汇、短语、句子，然后进行频率分析，总结出 GAI 存在的弊端，如表7 所示。

表3 质性分析表

通过上表可知，这 10 名受访者普遍认为自己过度使用GAI，导致思维迟钝、专业能力下降以及懒惰，由此担心自己会赶不上时代的发展而被AI 取代，说明学生在使用GAI 时，应把握使用 GAI 的度，避免沉迷其中，虚度时光。

五、GIT 模型构建

基于以上分析结果发现，GAI 对大学生创新综合能力的培养具有双面性，因此只有正确使用GAI 才能帮助大学生有效提高自身的创新综合能力水平。本次研究通过构建适用于高等教育学习的 GIT 模型（GAI Innovation Triad Model），为大学生正确使用GAI 提高创新综合能力提供一些思路与方法，模型如图 2 所示。

次训拍身价

图 2 GIT 模型图

此模型核心逻辑为：首创使用 Sweller 认知负荷理论结合 Kolb 四阶段经验值，建立 GIT 模型方程。跨学科问题重构，降低内在认知负荷，引导学习者从“ 具体经验 $$ 反思观察 $$ 抽象概念化 $$ 主动实践” 的循环中打破思维定式。

Sweller 认知负荷理论是指人类工作记忆容量有限，在学习过程中承受三种认知负荷：内在负荷源于学习材料的固有复杂性与学习者知识水平的交互作用；外在负荷由不良教学设计引发的无效资源消耗；相关负荷则指向图式构建与知识自动化的有效投入[4]。

Kolb 四阶段经验值强调学习是通过经验转化创造知识的过程。其核心为四阶段循环模型，即“ 具体经验-反思观察-抽象概念化-主动实践” 四个阶段构成螺旋上升的循环，推动知识持续深化与重构。本研究构建的GIT 模型方程如下：

1.思维固化指数I（t）：反映思维僵化程度，此指越小代表创新潜能越大， It 值可通过构建 7 级批判思维量表量化学生训练时的思维僵化程度，It 计算方法如下：

2.问题重构强度 P：反映单位时间内的跨学科问题重构能力，需注意的是有效问题重构需包含2 个及以上学科领域内容，使用GPT-4 提示工程计算问题重构关键词的余弦相似度，且相似度应小于0.3，具体计算方法如下：

3.知识联结密度 C：指个体在解决跨学科问题时，将多领域概念进行深度关联的能力强度，而非传统的统计跨学科数量。计算知识联结密度主要分为三步：

（1）学科领域广度（S）：查看重构问题中包含的学科数量，如外卖配送重构后可细化为“ 物流学 + 心理学 ⋅+ 算法优化” 3 门学科关联，如表 4 所示。

表 4 学科广度得分表

（3）学科关联强度（D）：判断跨学科间的关联强度，如使用“ 共情原理分析骑手情绪 $$ 减少送餐失误” ，二者具有直接因果关系，因此学科间具有强关联性，如表5 所示。

表 5 学科关联强度得分表

（3）创新实践价值（I）：当问题重构后如有具体的实际应用场景，则得 0.1 分；如有潜在场景但尚未说明，则得0 分。

最终C 值公式与结果分级如下：

C=S+D+I

表 6 C 值得分表

4.Kolb 四阶段经验值  ：

首先需明确大学生使用 GAI 的权重比例，基于 Kolb 经验学习理论的核心原则，即学习循环需平衡实践感知（ CE+AE=55% ）与认知转化能力（ RO+AC=45% ）。该分配符合人类工作记忆的认知负荷分布规律，学习过程形成经验获取、反思内化、理论抽象与应用验证的完整闭环，如表7 所示。

表 7 四阶段权重表

随后需计算单阶段的经验值，可通过实验获取各阶段的实际得分（Si）与基准得分（Bi），计算二者比值后再为各阶段附权即可完成单阶段经验值的计算，公式如下：

其中单阶段的实际得分与基准得分均采用百分制计量。在实际得分方面，各阶段的得分采用三段评分维度处理，如在“ 主动实践 AE^′′ 阶段，学生方案的可行性占比50% 、实用价值占比 30% 、完成度占 20% ，教师或学生根据完成进度进行打分，最后

为得分赋权得出该阶段的实际得分。在基准得分方面，则可采用实验组的平均得分作为基准得分。

5.衰减系数与时间函数 e^-λt ：

λ 代表思维僵化衰减系数，可量化每周思维僵化的改善速度，具体公式表达如下

其中 I0 为训练开始时的思维僵化指数，It 为第 t 周后的思维僵化指数，算法与上述思维固化指数算法相同，通过取自然对数将复杂公式转换为线性关系以便计算真实的思维僵化衰减系数，t 表示训练周数。当 I0>It 时表示训练效果显著，思维改善速度较快。

思维僵化指数会随时间t（周）的变化服从指数衰减规律，该模型量化了训练效果的积累性与时效性，其中 e-λ t 代表时间衰减因子，值越小则改善程度越高，且该模型通过了初步的实验，数据如表 8 所示。

表8 初步实验数据表

e^-λt=e^-0.076×4=0.738

该学生通过模型训练 4 周后成功降低了思维僵化程度，实现了思维的突破与创新，印证该模型的有效性。

6.反馈与结果评估：

学生经一段时间训练后创新综合能力是否有所提升可以通过 E（t）数值体现，并计划下一步行动方案，具体如下表：

表9 创新能力结果评估表

六、结语

GAI 为高等教育创新赋能开辟了新路径，GAI 可以有效激发大学生的创新综合能力，但同时高等教育引入GAI 时应注意科学应用规避风险，本研究提出的GIT 模型通过融合 Sweller 认知负荷理论与 Kolb 经验学习循环，首创“ 问题重构-创意原型-反馈进化” 的动态训练机制，突破传统高等教育的静态框架。模型以跨学科矛盾命题为驱动，实现思维固化指数的可测量衰减与创新能力有效提升。GIT 模型为“ AI+ 教育” 的发展提供的方案，其核心价值在于平衡技术赋能与思维自主性，为培养支撑中国式现代化建设的创新型人才夯实基础。

参考文献：

[1] 中国人工智能学会.生成式人工智能技术发展报告（2023）[R].北京：电子工业出版社，2023：5-6.

[2] 董艳，陈辉.生成式人工智能赋能跨学科创新思维培养：内在机理与模式构建[J].现代教育技术，2024（04）：12-18.

[3] 温忠麟，侯杰泰.结构方程模型检验：拟合指数与卡方准则[J].心理学报，2004，36（02）：186-194.

[4] Sweller，J.（1988）.Cognitive load during problem solving： Effects on learning.Cognitive Science，12（2），257–285.

作者简介：

朱君禄（2004—），男，汉族，辽宁省大连市人，2023 级物流管理专业在读本科生，研究方向为物流管理研究。

柴乐（1992—），女，汉族，黑龙江七台河人，职务：辅导员，职称：助教，学历：硕士研究生，研究方向为思想政治教育。

李文卓（2003—），男，汉族，河南省商丘市人，2023 级物流管理专业在读本科生，研究方向为物流管理研究。

王建树（2004—），男，汉族，辽宁省大连市人，2023 级物流管理专业在读本科生，研究方向为物流管理研究。