认知负荷与信息可靠性对大学生AI态度极化的影响：结构化课程与自主研究的对比分析

这篇实验研究通过随机对照设计，探讨了三种AI信息接触模式（结构化课程/小组讨论/自主研究）对中国大学生态度极化(β=?0.32~0.45,p<0.01)和政策偏好的影响。研究发现高认知负荷(CL)和低信息可靠性会加剧极化(η2=0.11~0.15)，而系统化教学通过降低认知负荷(βCL=0.50)和提升源可信度显著缓解极端立场，为AI教育设计提供了ELM(精细加工可能性模型)和CLT(认知负荷理论)的双重证据。

　　

引言

人工智能技术的快速发展正引发社会对伦理风险和转型机遇的激烈讨论。Eurobarometer调查显示，57%欧洲民众对AI持积极态度，但36%存在显著担忧，这种态度分化在中国大学生群体中同样突出。研究采用随机对照实验，以132名北方高校本科生为对象，探索不同信息接触模式如何通过认知机制影响态度极化。

文献综述

社会比较理论(SCT)和群体极化理论显示，非结构化讨论容易强化初始立场。认知负荷理论(CLT)指出，高负荷状态(如自主研究时M=6.8)会促使人们依赖启发式判断。源可信度研究则发现，MOOC课程(M=4.5)比社交媒体(M=2.1)更能建立信任。这些理论构成"接触模式-认知负荷-极化程度"的分析框架。

研究方法

采用6周干预设计，三组分别接受：

1. 结构化课程：中国大学MOOC平台标准课程，含专家讲座和TA指导
2. 小组讨论：配备经过培训的协调员，采用角色分配等结构化技术
3. 自主研究：自由选择文献/视频等材料，每周至少接触2份

使用9点Paas量表测量认知负荷，GAAIS量表(α=0.833~0.875)评估态度变化，并通过三级政策情景模拟检测行为倾向。

关键发现

结构化课程显著降低极化(β=?0.32,p<0.01,η²=0.11)，其机制包括：

• 系统性加工减少启发式偏差
• 专家源可信度降低外围路径依赖
• 适度认知负荷(M=5.2)促进深度处理

自主研究产生最大极化效应(β=0.45)，源于：

• 高认知负荷(M=7.3)导致信息超载
• 选择性接触强化确认偏误
• 低可靠性素材(M=2.8)削弱批判思考

认知负荷的中介效应显著(间接效应=0.20)，说明心理努力程度是核心机制。政策偏好数据验证了态度-行为一致性，结构化课程组在AI教育应用场景中表现出更平衡的立场(M_change=?0.15)。

讨论与启示

研究发现对AI教育具有三重启示：

1. 课程设计应控制认知负荷在4-6区间(9点量表)
2. 需明确标注信息源可信度指标
3. 自主学习应搭配元认知训练

文化因素分析显示，中国学生对权威源的天然信任可能放大结构化课程效果，这为跨文化研究提供了新方向。未来研究可拓展到职业群体，并采用神经影像技术监测认知负荷的生理指标。

结论

这项研究首次实证检验了信息接触模式通过认知心理机制影响AI态度极化的全过程。结果为缓解技术争议提供了可操作的干预方案，即通过结构化课程设计，在控制认知负荷的前提下提升信息可靠性，从而培养公众对新兴技术的理性认知框架。