科学传播与学习系的研究显示，ChatGPT等生成式人工智能工具在高校学生群体中的作用，已不止于学习辅助。研究人员表示，这类工具正在影响学生对知识获取、学习过程与能力培养的理解，而这一变化并不总能得到教师与高校管理层的充分认同。

研究指出，生成式人工智能正逐渐成为学生日常学习的一部分。尽管公共讨论常聚焦于作弊、评估与控制等议题，但研究认为，技术带来的影响更深层，涉及学习实践与教育目标的重新审视。

在具体使用方式上，学生会借助人工智能进行信息检索、梳理关联、总结文献以及检验想法，且不少场景并不需要教师介入。与此同时，一些学生开始重新衡量在大量学术任务可由人工智能完成的情况下，哪些能力更为关键。研究也记录到学生的担忧：高等教育在培训学生如何以符合职场与社会期待的方式使用人工智能方面，支持仍显不足。

高校价值与学习成果面临再阐释

研究认为，上述行为与期待的变化正在挑战大学的传统角色。高校长期以来基于对学习、认知与表现的既定假设来设计课程与评价体系，但当知识生产与问题解决越来越多通过与人工智能互动完成时，大学需要重新定义、阐明并证明其学习成果与教学法，以保持对当代学生的相关性。

博士后研究员蒂娜·莱诺·林德尔（Tiina Leino Lindell）表示，问题在于高等教育能够提供哪些人工智能无法替代的价值，以及如何在实践中传达并实现这些价值。她与克里斯蒂安·斯托尔（Christian Stöhr）教授共同开展了多项关于高等教育中人工智能的研究。

基于对教师与学生的访谈，研究还发现，学生越来越多地将人工智能用于优化时间分配：被认为枯燥、重复或与未来职业关联度不高的任务更可能交由工具处理，而被视为重要或与个人成长相关的活动则被优先安排。研究指出，这一趋势也带来紧张关系，部分教师担心学生可能因此忽视基础内容，或在某些技能训练上投入不足。

研究建议以原则而非具体技术制定规则

研究同时指出，技术发展与学生行为变化速度较快，而大学组织结构通常以稳定与长期规划为导向，导致数字化相关讨论往往呈现被动特征：实践先发生变化，指导方针随后才出台。研究人员认为，高校需要以更“基于原则”而非“紧密依赖具体技术”的方式推进治理与教学设计。

斯托尔表示，过度依赖具体工具的指导方针，可能随着工具与使用模式演变而迅速过时。研究材料中反复出现的主题，是需要围绕总体教学原则制定指导方针，例如学术诚信、透明度、明确的学习成果与责任机制，从而减少每次技术变化都要重写规则的压力。

他还强调，人工智能与教学法相关的问题不应仅由个别教师承担，而应成为大学在教育目标与质量工作上的集体议题。斯托尔称，研究并未给出人工智能在高等教育中“应当如何使用”的结论，但显示学生与教师已经以挑战既定规范的方式使用该技术，使得目标、责任与教学法等问题难以继续推迟。

工程教育访谈研究：25名学生与四个主题

其中一项研究聚焦生成式人工智能从学生视角对工程教育规范、角色与实践的影响，基于对25名积极使用生成式人工智能的工程学生访谈，论文发表于《高等教育计算学报》（Journal of Computing in Higher Education）。研究归纳出四个关键主题：

• 学生自主性与效率：学生使用生成式人工智能处理语言翻译、理论理解与代码调试等实际问题，并将其视为快速、随时可用的“导师”，相较之下，传统数字工具常被认为更慢或不足。
• 学习目标受到挑战：不少学生认为掌握生成式人工智能是面向职场的必要准备，因此会调整学习方式以适应其理解中的未来需求，但同时感到教育体系在相关支持上不足。
• 教师角色变化：当学生的实际使用方式与教师的正式规定不完全一致时，教师角色随之变化。学生用人工智能解决简单问题，减少了与教师互动；师生对使用限制的看法差异也带来新的教学挑战。
• 作弊伦理边界受冲击：在高工作量与工具高效率叠加的情况下，界限划分的做法可能与学术诚信要求发生冲突。

另一项研究采用两阶段访谈与情景规划

研究团队还在《学习、媒体与技术》（Learning, Media and Technology）发表了第二项研究，分两阶段进行。第一阶段对来自13个不同工程项目的学生开展个别与小组访谈，聚焦学生是否、如何以及为何使用生成式人工智能，并尝试捕捉其对优缺点的看法及对规则与指导方针需求的思考，最终将反馈归纳为五个主题。

第二阶段则由大学教师、博士后研究员与教育开发者以这五个主题为起点，探索不同可能的未来情景，而非预测单一结果。研究称，这种情景规划方法有助于识别挑战并想象未来方向，研究选取两年作为时间框架，以兼顾现实性与前瞻性。