随着新一轮科技革命与产业革命的发展，学科专有大模型、生成式人工智能等数智技术在教育领域深入应用，人机协同学习成为现实。通过智能学伴等数智技术探索人机协同学习新模式，开展人工智能驱动的大规模个性化学习，为教育发展提供新优势与新动能。科技是第一生产力，人才是第一资源，创新是第一动力。高等教育是科技成果转化、新质人才培养、创新动力激活的核心枢纽，其关键是落脚到本科人才的培养。相关研究表明，人工智能对人类创新能力的影响具有双重作用
[1]：一方面，人工智能的实践应用能够提升人类认知，增强创造力；另一方面，它也可能削弱人类认知，抑制创造力。其中，人机协同在这一过程中起到调节作用
[2]。然而，高等教育领域中普遍存在大学生创新意识不强、创新思维不足、创新能力欠缺等问题
[3]。基于此，该文旨在探究中医院校大学生人机协同学习对创新能力的影响，揭示人机协同学习的意识、思维和行为对批判思维和聚合思维的作用机制。通过这一研究，我们期望为中医院校大学生创新能力的提升拓宽渠道，并为新质本科人才的培养提供方法指引。
1 研究假设
人机协同学习是指利用数智技术进行调节学习的过程，即将数智技术作为自我发展的外部支撑
[4]。从认知发展的角度来说，人机协同学习包括意识、思维与行为三个层面。意识是人类大脑对客观世界的反应以及人类对外部世界和自身的察觉与关注
[5]。思维是外在刺激在大脑中的映射并形成思维模式的过程
[6]。行为是个体在外界环境的刺激下所产生的反应系统
[7]。创新能力是指按照一定的目标，运用已知的信息，产生出某种新颖、独特、有社会意义或个人价值的产品或智力品质
[8]。创新能力的关键是创造性思维
[9]，创造性思维的核心表现在发散思维和聚合思维两个方面
[10-11]。发散思维强调不同角度思考、不同方向追寻；聚合思维强调分析推论、归纳总结。发散思维和聚合思维是创新能力的不同表现。一般来说，聚合思维的发展是以发散思维为基础
[12]，聚合思维能够对发散思维的产出做出综合判断与选择。基于此，研究提出如下假设：
H1 发散思维对聚合思维有显著正向影响。
随着数智技术的蓬勃发展，其逐渐与学生创新能力的培养相结合
[13-14]，并变革学生创新能力培养的过程
[15]，特别是学生使用AI，能够空出更多时间和精力参与创新学习活动
[16]。基于此，研究认为人机协同学习能够有效提升创新能力，并提出如下假设：
H2/H3 人机协同学习的意识对聚合思维、发散思维有显著正向影响。
H4/H5 人机协同学习的思维对聚合思维、发散思维有显著正向影响。
人机协同学习过程中，数智技术不仅能够在认知方面为学生提供支持，也能够在学习过程中为学生提供帮助。一方面，以生成式人工智能为代表的数智技术为学生的认知过程提供“养料”，并能够在学生认知发生的过程中搭建“脚手架”；另一方面，以生成式人工智能为代表的数智技术支持学生思维活动过程，将学生思维过程的产物及想法外显，并体现在具体的学习行为表现中
[17]。基于此，研究提出如下研究假设：
H6 人机协同学习的意识对人机协同学习的思维有显著正向影响。
H7 人机协同学习的意识对人机协同学习的行为有显著正向影响。
H8 人机协同学习的思维对人机协同学习的行为有显著正向影响。
H9/H10 聚合思维/发散思维对人机协同学习的行为有显著正向影响。
综合以上分析，研究构建人机协同学习对创新能力的影响因素模型，具体如
图1所示。
2 研究设计
2.1 研究对象
为验证研究假设，本研究按照方便取样的方法，2025年5月在广州中医药大学面向本科生进行线上问卷调查。本研究将答卷时间不低于90 s、正反向题无矛盾、无缺项漏填、无规律性回答的问卷视为有效问卷。此次调查共回收问卷414份，其中有效问卷297份，问卷有效率71.74%。人机协同学习的意识、人机协同学习的思维、人机协同学习的行为、发散思维及聚合思维问卷均采用李克特五点计分方式，从1到5分别表示“完全不符合”到“完全符合”。
2.2 研究工具
本研究参考国外智能体评估量表
[18]，结合数字化认识框架
[19]，编制人机协同学习的意识问卷，包括认识（CA）、态度（AA）与倾向（DA）三个维度，共计13个题项。人机协同学习的思维是人机协同学习的核心与关键。研究基于人机协同学习的形态与本质特征
[20]，将人机协同学习的思维分为认知整合（CI）、协同效能（CE）与技术适应（TA）三个层面，并自编调查问卷，共包括10个题项。研究根据人机协同学习行为的分类
[21-22]，参考技术应用的协作学习行为
[23]，将人机协同学习行为分为任务协同行为（TCB）、技术应用行为（TAB）、经验总结行为（ESB）三种类型。本研究自编人机协同学习的行为问卷，共包括9个题项。
创新能力的培养与问题解决的过程相伴相随。创新问题解决，强调利用发散思维、聚合思维提出尽可能多的解决方案来解决问题
[24]。基于此，研究认为创新能力主要体现在发散思维和聚合思维两个方面。研究基于发散思维问卷（DT）
[25]、聚合思维问卷（CTT）
[26]，依据大学生创造性测评量表
[27-28]，编制创新能力问卷。创新能力问卷包括发散思维问卷和聚合思维问卷两个部分，共23个题项。发散思维问卷涵盖思维流畅性（FT）、思维灵活性（ET）、思维独创性（OT）和思维精细性（MT）四个维度14个题项。聚合思维问卷包括逻辑整合力（LIA）、模式识别力（PRA）和决策优化力（DOA）三个维度9个题项。
研究根据专家意见对人机协同学习的行为问卷部分题项表述进行优化，以提高问卷的准确性和可操作性。例如，将原题项“我会使用知识图谱进行整合多源学习成果”修改为“我会使用知识关联的方式整合多源学习成果（如采用思维导图、知识图谱关联知识）”，以更全面地覆盖学生的学习行为。
在问卷正式发放前，研究对65名大学生进行了预调查，并通过项目分析、探索性因子分析和信度检验对数据进行分析。结果显示，高分组与低分组在人机协同学习意识、思维、行为及发散思维、聚合思维维度上均存在显著差异（P<0.05），KMO值均大于0.9且Bartlett球形度检验显著（P<0.001），克隆巴赫系数均超过0.9，表明问卷具有较高的区分度、结构效度和内部一致性信度，能够为后续研究提供可靠的数据支持。
2.3 统计分析方法
本研究采用问卷星对大学生人机协同学习的意识、人机协同学习的思维、人机协同学习的行为及创新能力进行调查，使用SPSS 26.0对问卷数据进行描述性统计、信效度检验及相关性分析，采用AMOS 28.0构建结构方程模型，并利用Bootstrap方法检验中介效应，以探究人机协同学习与创新能力之间的影响关系。
3 研究结果
3.1 描述性统计分析
3.1.1 调查对象基本信息概述
本研究调查对象基本情况如
表1所示。此次参与调查的大学生中，男生183人，占比61.6%，女生114人，占比38.4%，男生所占比例略高于女生。调查表明，31.3%的大学生每天多次开展人机协同学习，21.2%的大学生每天开展人机协同学习1次。换言之，52.5%的大学生每天开展人机协同学习，说明利用生成式人工智能等数智技术开展人机协同学习已经成为常态。68.7%的大学生能够基本操作数字化学习工具，28.3%的学生能够熟练使用数字化学习工具，3.0%的大学生掌握了编程/数据分析的技能。总体来说，100.0%的大学生基本掌握数字技术操作技能，具备较高的数字素养水平。
3.1.2 各变量描述性分析结果
本研究采用人机协同学习的意识问卷、人机协同学习的思维问卷、人机协同学习的行为问卷及创新能力问卷对大学生开展调查，利用SPSS 26.0进行统计分析，具体变量描述性分析结果如
表2所示。
与量表的理论均值（M=3）相比，大学生人机协同学习的意识（AHM，M=3.65，S=0.565）、人机协同学习的思维（THM，M=3.74，S=0.571）、人机协同学习的行为（BHM，M=3.69，S=0.559）得分均高于理论中值，说明数智时代背景下，大学生面对新技术、新手段与新方法对学习的冲击，在思想层面上基本能够积极接纳数智技术给学习带来的影响，在技能层面上基本掌握人机协同学习的方法与技巧，在应用层面上能够开展人机协同学习的实践。从创新能力的维度上来看，与量表的理论均值（M=3）相比，大学生的发散思维(DT，M=3.63，S=0.566)、聚合思维(CT，M=3.68，S=0.590)得分均高于理论中值，说明大学生总体的创新能力水平较高。
3.2 相关性统计分析
本研究对人机协同学习与创新能力有效问卷数据进行相关性统计分析，具体结果如
表3所示。可以看出，人机协同学习的意识（AHM）、人机协同学习的思维（THM）、人机协同的行为（BHM）与发散性思维（DT）、聚合思维（CT）相互之间显著正相关。其中发散思维（DT）与聚合思维（CT）的相关系数最大（
r=0.874，
P<0.01），人机协同学习的意识（AHM）与人机协同学习的行为（BHM）相关系数最小（
r=0.700，
P<0.01），其余变量之间的相关系数为0.709~0.874。由此可知，大学生人机协同学习各维度与创新能力各维度呈现显著正相关。也就是说，大学生人机协同学习的水平越高，其创新能力的水平往往也就越强。
3.3 结构模型的信效度检验
研究对人机协同学习的意识（AHM）、人机协同学习的思维（THM）、人机协同学习的行为（BHM）、发散思维（DT）及聚合思维（CT）问卷进行信效度检验，将KMO和Bartlett球形检验、因素负载量、组合信度与平均萃取方差作为评判标准，具体检验结果如
表4所示。各量表的
KMO检验值均
>0.9，且
P值
<0.001，因素负载值均
>0.8，组合信度（
CR）值均
>0.8，平均萃取方差（
AVE）均不低于0.7，说明问卷具备较高信效度。
3.4 结构模型与路径分析
基于以上假设及相关性分析，研究采用AMOS 28.0工具对模型的拟合度进行验证，根据修正指标删除未显著路径后，模型的各项拟合指数良好（
χ2/df=1.323，
RMSEA=0.015，
IFI=0.91，
TLI=0.90，
CFI=0.92），说明模型具备较高说服力。具体路径分析如
表5所示，标准化路径系数如
图2所示。
由
表5可知，发散思维对聚合思维有直接正向影响（
β=0.654，
P<0.001），假设1成立。人机协同学习的意识对发散思维有直接正向影响（
β=0.930，
P<0.001），假设3成立。人机协同学习的思维对聚合思维有直接正向影响（
β=0.347，
P<0.001），假设4成立。人机协同学习的意识对人机协同学习的思维有直接正向影响（
β=0.916，
P<0.001），假设6成立。人机协同学习的思维对人机协同学习的行为有直接正向影响（
β=0.904，
P<0.001），假设8成立。
人机协同学习的意识与人机协同学习的行为、聚合思维之间，人机协同学习的思维与发散思维之间，聚合思维、发散思维与人机协同学习行为之间的P值均大于0.01，因此研究假设2、假设5、假设7、假设9与假设10均不成立。
3.5 中介效应分析
研究以标准化路径系数图为基础，通过Bootstrap方法检验中介效应，重点探究人机协同学习的思维与发散思维所发挥的中介效应。通过分析可知，人机协同学习的意识与聚合思维无直接影响，其主要通过人机协同的思维与发散思维的中介效应来影响聚合思维。其中，发散思维的效应值为0.605，
P值为0.006，Bootstrap95%置信区间为0.343~0.637；人机协同学习的思维效应值为0.322，
P值为0.003，Bootstrap95%置信区间为0.301~0.559。由此可知，人机协同学习的思维与发散思维在人机协同学习的思维与聚合思维之间的中介效应显著。而人机协同学习的意识与人机协同学习的行为无直接影响，人机协同学习的思维承担中介作用的角色，其中间接效应值为0.828，
P值为0.010，Bootstrap95%置信区间为0.671~0.970，说明人机协同学习的思维中介效应显著。具体分析结果如
表6所示。
4 研究结论与讨论
4.1 结论
4.1.1 人机协同学习与创新能力呈显著正相关
中医院校大学生的人机协同学习与创新能力整体水平较高。大学生人机协同学习的意识、人机协同学习的思维、人机协同学习的行为、发散思维及聚合思维水平均高于理论均值（M=3）。人机协同学习的意识、人机协同学习的思维、人机协同学习的行为、发散思维与聚合思维相互之间显著正相关，其中发散思维与聚合思维之间的相关性最强（r=0.874，P<0.01），人机协同学习的意识与人机协同学习的行为相关性最弱（r=0.700，P<0.01）。
4.1.2 意识与思维对创新能力的差异化影响路径
针对中医院校大学生人机协同学习对创新能力的影响关系来说，人机协同学习的意识正向影响人机协同学习的思维（β=0.916，P<0.001）与发散思维（β=0.930，P<0.001），人机协同学习的思维正向影响聚合思维（β=0.347，P<0.001）及人机协同学习的行为（β=0.904，P<0.001）。
4.1.3 发散思维与协同思维的双重中介效应
从中医院校大学生人机协同学习与创新能力的中介机制上来看，发散思维在人机协同学习的意识与聚合思维之间承担部分中介作用（中介效应值为0.605），人机协同学习的思维在人机协同学习的意识与聚合思维之间承担部分中介作用（中介效应值为0.322），人机协同学习的思维在人机协同学习的意识与人机协同学习的行为之间承担完全中介作用（中介效应值为0.828）。
4.2 讨论
4.2.1 行为对创新能力无直接影响的原因
人机协同学习的行为与创新能力无直接影响，主要原因可能是发散思维与聚合思维的特质与人机协同学习的行为并非简单的线性关系，可能存在一定的抑制作用。一方面，生成式人工智能的高度结构化输出与大学生思维的开拓性与独创性之间存在矛盾；另一方面，数智技术的碎片化输出与大学生对大量信息的整合之间存在冲突，阻碍深度学习的发生，进而影响创新能力水平
[29]。
4.2.2 意识与行为脱节的矛盾分析
人机协同学习的意识与人机协同学习的行为无直接影响，其主要原因可能是意识和行为之间存在鸿沟。首先，中医院校大学生可能对数智技术的信任程度不高，导致拒绝接受数智技术的产出物，从而抑制人机协同学习的行为发生；其次，中医院校大学生面对新出现的数智化工具，在操作层面上可能存在畏难情绪，从而降低人机协同学习的行为发生
[30]；再者，人机协同学习的意识与行为之间可能存在生理、心理之间复杂的耦合机制
[31]。
4.2.3 意识对创新能力的影响机制
人机协同学习的意识对发散思维有正向预测作用，并通过发散思维中介作用影响聚合思维。换言之，中医院校大学生人机协同学习的意识水平越高，其可能的发散思维水平也就越高，并且通过作用于发散思维间接影响聚合思维。从人机协同学习的过程来看，中医院校大学生对数智技术在学习中应用的价值得以充分认识之后，能够积极看待人机协同的关系，并在学习过程中将数智技术作为思维的交流伙伴，让数智技术产物成为思维的补充与辅助，通过批判性的审视与吸收，实现思维的发散与聚合。
4.2.4 思维对聚合思维的提升作用
人机协同学习的思维对聚合思维有正向预测作用，也就是说，中医院校大学生人机协同学习的思维水平越高，其聚合思维的水平也就越高。一方面，中医院校大学生人机协同学习的意识越高，其人机协同学习的思维也就越活跃，那么对数智技术产物的认知整合能力也就越强，也就越能促进聚合思维的提升。另一方面，中医院校大学生具备较高的人机协同学习的意识水平和思维水平，意味着其具有更好的技术适应能力与更优的人机协同效能。在人机协同学习的过程中，学生也就更能够依托数智技术产物来拓宽思维的广度，并通过对比分析、拆解组合，实现思维的深度拓展，达到思维的收敛。因此，利用人机协同学习提升学生的创新能力，尤其需要处理好学生个体与数智技术的关系，要充分发挥数智技术处理数据信息的能力与学生的决策分析能力，实现更佳的协同效能。
4.3 人机协同学习支持下的大学生创新能力提升策略
4.3.1 以数智技术为支撑，营造学习创新环境
以人工智能等数智技术为基础支撑，营造学生学习创新的生态环境。首先，学校应注意建设完善的新型教育教学基础设施，将人工智能等数智技术融入育人环境、育人目标、育人内容、育人活动及育人评价的全过程，形成良好的数智化创新环境。其次，学校应注重打造人机协同创新校园文化，通过常态化组织人机协同创新大赛等活动，鼓励全校师生积极参与，获得创新能力的跃升。最后，学校应从评价的机制上发力，将学生人机协同学习创新的成果纳入学生的成绩考核与教师的工作考核范畴，推动育人从知识传授向创新能力提升的根本性转变。
4.3.2 以认知转变为动力，提高创新学习热情
以学生对人机协同学习认知的转变为动力，提高学生的创新学习热情。从学生个体层面上来看，首先应树立主动使用数智技术的意愿并开展人机协同学习，充分发挥其创新的主观能动性。从教师层面来说，利用国家智慧教育平台或其他教学平台搭建课程教学智能体，开展以创新学习成果为导向的教学模式，支持学生与智能体协作共创学习产出。建立人机协同学习案例库与实践指南，通过收集与展示优秀学生使用数智技术进行学习的成功案例，以点带面激发学生开展人机协同学习创新的热情。从学校层面来看，适当开展“低门槛、场景化”的数智工具学习应用工作坊，聚焦DeepSeek、Kimi、讯飞星火等生成式人工智能在中医药学习中的应用场景，促使学生在场景中掌握工具的操作应用，降低畏难情绪，建立“技术创新”的新认知。
4.3.3 以课堂实践为抓手，促进创新思维培养
聚焦思维多维化训练，促进创新能力提质增效。从研究结果来看，人机协同学习的意识分别通过人机协同学习的思维和发散思维的中介作用影响聚合思维。因此，发展学生创新能力的最直接的手段在于培养学生人机协同学习的思维与发散思维。课堂是教育发展的核心地带，聚焦课堂教学，教师应引导学生与人工智能建立正确的协作关系，不仅将人工智能视为学习上的工具与大脑功能的“代具”，也将其作为自己贴心的“助教”与学习“同伴”。另一方面，教师在课堂教学中，可以借助智能体，融合中医药学科知识开展思维专题训练。例如，给定学习主题或任务，要求学生向智能体提出开放式、假设性问题，并对智能体提供的多样化答案进行分类、补充和总结，同时结合多样化的答案进行整合提炼，最终形成一份创新性的报告或成果。
5 结束语
数智时代下，人机协同学习已成为推动学习方式深刻变革的重要力量，为培养大学生创新能力开辟了新的路径。本研究以中医院校大学生为研究对象，综合运用文献研究、问卷调查、结构方程模型及中介效应分析等多种研究方法，深入探究人机协同学习对创新能力的影响，明确其促进创新能力提升的内在机制，并据此提出在人机协同学习模式下提升大学生创新能力的具体策略。研究结论不仅有助于拓宽中医院校大学生创新能力培养的途径，也为新时代高素质创新人才培养提供了有益的方法参考。然而，受限于研究样本仅来自一所中医院校，其代表性可能有所不足。未来研究应进一步扩大样本范围，涵盖更多类型的高校，以增强结论的准确性和普遍适用性。
展望未来，人机协同学习将在教育领域发挥更加积极的作用，为培育兼具高度创新精神和强大实践能力的新时代人才提供有力支撑，为教育生态迈向智慧化提供坚实基础，也为中医药事业的高质量发展提供条件保障。
京公网安备11010202008535号
PDF
(655KB)
