通过生成式人工智能实现教育可持续性的驱动因素：提示工程能力、知识管理与技术适配性

为什么向人工智能提出更聪明的问题对学生很重要

随着像聊天机器人这样的生成式人工智能工具进入课堂，一个关键问题出现：是什么让一些学生把这些工具变成持久的学习伙伴，而其他人只短暂或低效地使用它们？本研究探讨了学生提问人工智能的能力、他们如何处理获得的知识以及人工智能工具与学习需求的契合度，这些因素如何共同作用以支持高等教育中长期的、可持续的学习。

研究如何考察学生使用人工智能的情况

研究者调查了437名已在学术工作中使用诸如ChatGPT等生成式人工智能工具的大学生。通过统计建模，他们构建并检验了一条影响链：始于学生的“提示工程”能力，经过学生获得并实际使用的有用知识，然后影响人工智能在具体任务和个体层面的适配度，最终导向学生继续使用人工智能的意向。这条链条的终点是对教育可持续性的理解——即将人工智能作为学习中的长期、有效工具使用，而非短暂的技术风潮。

从更好的提示到更合适的学习匹配

核心观点是，在生成式人工智能系统中，学生获得的内容质量在很大程度上取决于他们输入的质量。能够提出清晰、详尽且有目的提示的学生，往往能获取更准确、更相关的信息，并且更能将其应用于作业、项目和问题解决中。研究发现，这种知识的获取与应用明显影响学生对人工智能与课程任务及其个人偏好、技能和舒适度之间契合度的感受。换言之，智能提示不仅带来更好的答案，还让技术在工作和使用者之间显得更为匹配。

为何“适配”驱动持续使用

研究强调了两种适配：任务—技术适配反映人工智能工具在诸如理解概念或解决问题等具体学习任务上的帮助程度；个体—技术适配反映工具与学生的学习风格、自信心和需求之间的匹配程度。这两种适配都与学生继续使用人工智能的计划相关，但任务—技术适配是更强的驱动因素。当学生感到人工智能确实能更有效地帮助他们完成学术任务时，他们更有可能自愿且经常地继续使用它。这种持续使用又与教育可持续性的概念密切相关，因为工具只有成为日常学习惯例的一部分，才会真正改造学习。

提示技能作为一种新素养

研究还将提示工程定位为一种新的学术素养。擅长将复杂任务拆分为更小问题、针对不同人工智能工具调整提示、根据先前回复改进请求并检验人工智能输出的偏见与准确性的学生，表现出更高水平的知识获取与知识使用。提示工程在整个模型中成为最强的预测因子，表明学生与人工智能交流的方式可能比他们选择的具体平台更重要。有趣的是，这一总体模式在男性和女性学生中均成立，尽管将知识应用于实际任务似乎对女性在任务适配感受上的增强作用稍大一些。

这对未来学习意味着什么

对普通读者来说，研究的信息很直白：当学生学会如何提出更好的问题并主动处理答案时，生成式人工智能才最能促进教育发展。当强大的提示技能转化为持续的知识增长和现实世界的应用时，学生会将人工智能视为学习工具箱的自然组成部分，而非昙花一现的奇观。研究作者将这种持续且有意义的使用称为教育可持续性。人工智能并非取代人类学习，而是在学校帮助学生发展引导和质疑这些强大工具的能力的前提下，成为支持更深理解与长期技能的伙伴。

引用: Gibreel, O., Karataş, K. & Arpaci, I. Prompt engineering competence, knowledge management, and technology fit as drivers of educational sustainability through generative AI. Sci Rep 16, 15596 (2026). https://doi.org/10.1038/s41598-026-46335-x

关键词: 教育中的生成式人工智能, 提示工程, 教育可持续性, 任务—技术适配, 知识管理