摘要: 随着人工智能的不断发展，大学生了解如何有效地利用人工智能工具至关重要。通过对其应用场景的剖析，归纳出智能知识建构中枢、智能研究协作平台、智能校园生态系统、智能发展决策引擎等四大赋能场景。然而，该工具的使用也潜藏风险，包括信息依赖存在导致能力退化的风险、思维路径同质化抑制创新性批判，以及逻辑推理能力隐性损耗等。为应对这些问题，需采取内脑定位，确立批判性思维的主体性内核；外脑赋能，界定AI的工具性辅助边界；协同进化，塑造人机共生的认知生态等策略。借助生成式人工智能工具，在规避风险的同时，切实提升大学生批判性思维水平，推动教育教学高质量发展。
Abstract: With the continuous development of artificial intelligence, it is crucial for college students to understand how to effectively utilize artificial intelligence tools. By analyzing its application scenarios, this paper summarizes four major empowering scenarios: intelligent knowledge construction hub, intelligent research collaboration platform, intelligent campus ecosystem, and intelligent development decision-making engine. However, the use of such tools also harbors potential risks, including the degradation of independent judgment ability caused by information dependence, the suppression of innovative criticism due to the homogenization of thinking paths, and the implicit loss of logical reasoning ability. To address these issues, strategies such as the following should be adopted: positioning the “internal brain” to establish the subjective core of critical thinking; empowering the “external brain” to define the boundary of AI’s instrumental auxiliary role; and promoting collaborative evolution to shape a human-machine symbiotic cognitive ecology. With the help of generative artificial intelligence tools, we can avoid risks while effectively improving college students’ critical thinking ability and advancing the high-quality development of education and teaching.
1. 问题提出
依据国际电信联盟2019年世界电信/信息通信技术指标数据库的最新数据，截至2021年1月，全球有59.6%的人口，即46.6亿人接入互联网。在2019年至2025年期间，商业领域对人工智能技术的采纳率增长了270% [1]。技术进步，特别是人们获取信息和交流思想方式的变革，显著提升了批判性思维(critical thinking)的社会价值，并加剧了未能提升批判性思维技能所带来的负面效应[2]。在教育领域，联合国教科文组织发布的十份“人工智能素养框架”报告明确指出，批判性思维是人工智能时代的核心技能，强调了其在数字化浪潮中的核心地位[3]。因此，本研究旨在深入分析生成式人工智能工具的应用场景(见图1)，承认学生群体和AI技术的复杂性与多样性，探讨在使用人工智能工具过程中对批判性思维的影响，并识别影响大学生批判性思维发展的新因素，为高等教育阶段合理运用生成式人工智能工具、科学培养批判性思维提供理论支撑与实践指导，以期有效提升高等教育的质量与水平，培育更多具备高阶思维能力的高素质人才。
2. 大学生生成式人工智能工具对批判性思维的赋能场景
2.1. 智能知识建构中枢：知识建构的底层逻辑
在传统课堂语境下，学生常因对教师权威的敬畏以及对自身认知缺陷暴露的担忧，而陷入“思维缄默”状态。人工智能工具凭借其“无偏见对话”属性，构筑起“零评判压力”的虚拟交互空间，使学生感知到自身“思维尝试”获致尊重，进而萌生出提出“尚欠成熟”假设的勇气，而这恰是迸发批判性思维的起点。一位教师平均每节课只能深度追问3~5名学生，而AI可同时为全班学生提供“一对一苏格拉底式对话”，且追问频次和深度不受疲劳影响。这种“无限耐心”使螺旋式思维训练成为可能，每个学生都可以获得与当前水平匹配的追问，让学生逐渐形成“自我追问”的思维惯性。在人类对话场景中，教师的语气、表情等非语言因素可能会无意识地传递价值倾向，而人工智能的语言输出经由算法的严格校准，始终能够维持客观中立的立场。
Figure 1. Usage scenarios of generative artificial intelligence tools
图1. 生成人工智能工具使用场景
大数据分析技术通过采集与处理学生学习行为、课堂表现及作业完成情况等多源数据，可精准识别学生在批判性思维领域的优势与短板，实现对其思维水平的量化评估。智能化反馈系统基于上述分析结果生成个性化改进报告，明确指出学生在逻辑推理、证据评估、观点整合等批判性思维维度的具体问题，并提供定制化提升方案。例如在化学教学中，当学生与ChatGPT互动后，其提出深层问题与解析复杂信息的能力显著提升[4]，可助力学生批判性思维、阅读及写作能力的提升[5]，同时有研究针对加纳大学生，发现与ChatGPT的交互可显著促进学生批判性、反思性及创造性思维能力的发展[6]。在写作场景中，生成式人工智能通过实时捕捉语法错误、提示批判性思维要素，为学生提供兼具精准性与个性化的反馈支持。
2.2. 智能研究协作平台：人机协作的科研范式
在科研活动中，生成式人工智能工具通过技术赋能与场景渗透为提升学生批判性思维提供多维路径，其借助自然语言处理、大数据分析等技术，实时记录团队讨论并自动生成思路导图以辅助逻辑梳理，快速处理大规模数据并提供可视化分析结果，在此过程中学生需批判性审视数据来源可靠性与分析方法科学性，同时通过模拟科研场景与提供反馈支持推动学生批判性思维进阶。有研究采用ChatGPT作为生成基于理论的问题的答案并成为论文生成初步想法的工具[7] [8]，并提供形成性反馈，并通过激发学生的批判性思维和辩论成为一种辅导系统[9]。同时ChatGPT还可用于丰富反思性教学实践，通过测试现有的评估方法来验证其范围、设计和能力，超越GenAI的可能用途，挑战学者开发面向AI的评估，并有助于对学生学习成绩的真实评估[10]。需注意规避算法依赖与逻辑黑箱，确保AI工具在“协同”而非“替代”中提升学生自主思考与批判建构能力。
2.3. 智能校园生态系统：校园生活的数字化重构
消费者研究平台Attest发布了一项最新调查结果，该调查覆盖了4000名具有代表性的美国消费者。调查数据显示，近一半(49%)的美国消费者在进行购买研究时会使用人工智能工具，相较于上一年度，这一比例增长了6个百分点[11]，通过心理学实验发现，人工智能生成的信息相较于人类生成的信息更能使接收者感受到被倾听[12]，因其理性稳定，不受情绪干扰。在出行、健康等日常决策中，AI帮助学生权衡多维因素并识别方案漏洞，从而提升其在真实情境中的“评估证据–质疑假设–逻辑分析”能力。通过嵌入日常生活的“实践性学习”，AI打破课堂限制，实现高阶思维训练与日常认知的融合。
2.4. 智能发展决策引擎：升学求职的科学决策
根据国际劳工组织的报告，2020年全球青年就业人数下降了8.7%，相当于1.15亿人，而青年就业人数的下降幅度是成年人的三倍[13]。同时，牛津大学的研究预测，到2030年，全球约有47%的工作将面临自动化风险[14]。在此背景下，学生应掌握AI工具并保持批判性思维。人工智能可以结合工作特性评估潜在潜力，个性化简历设计，拓展更多职业能力；还可以结合虚拟现实技术/增强现实技术进行模拟真人的面试与办公，提高应变能力和创新能力。人工智能融于升学规划指导和就业指导有助于学生的理性判断和自主决策能够同步地进步。
3. 大学生生成式人工智能工具对批判性思维的风险挑战
3.1. 信息依赖存在导致独立判断能力退化的风险
3.1.1. 浅层接受替代深度思考
虽然生成式AI可以提升员工效率，但它也可能抑制人们对工作的深度思考，并在长期内导致对工具的过度依赖，从而削弱独立解决问题的能力。人们对生成式AI在某项任务中能力的信心越高，往往付出的批判性思维努力就越少[15]。在AI信息洪流的冲击下，人们逐渐陷入“浅层接受”的思维困境。当AI以标准化流程快速输出答案，用户往往将“速度优先”凌驾于“质量优先”之上，长此以往，思维形成路径依赖。
3.1.2. 决策惰性的形成
早在2011年，心理学家就提出了著名的“谷歌效应”——当所需信息可随时通过搜索引擎获取时，人们倾向于记住信息的存储位置而非信息的内容。换言之，我们的大脑更愿意记得“去哪找答案”，而不是记住答案本身[16]。由于AI幻觉生成的内容逻辑连贯、语言规范，甚至能“引经据典”，却与事实相悖，而用户在缺乏自主价值判断标准时，新领域的推理完全依赖语料库覆盖度。日常生活中，严重依赖人工智能对话系统的学生表现出决策和批判性分析能力的下降，因为这些系统允许他们卸载基本的认知任务[17]，也会导致解决问题的能力下降，学生在独立认知处理中的参与度较低[18]。
3.2. 思维路径同质化，抑制创新性批判
国内短视频应用用户数量已达到1053亿人，占互联网使用人口的964% [19]，短视频人均使用时长达168分钟，短视频沉迷在社会已普遍存在[20]。算法通过定向推送同质化内容强化推送内容，形成信息茧房，限制学生接触不同观点，学生长时间沉浸其中易使其多向分析能力、批判能力缺失，认知范围狭窄。而以ChatGPT为例的AⅠ工具具备标准化输出特征，能迅速提供学习材料，使学生主体间的个性化思维减弱。美国2023年的数据显示89%的大学生使用ChatGPT完成课程论文，53%撰写其学术论文[21]。若学生养成使用单一答案模板的习惯，学生的批判性分析能力和独立思考能力将会逐渐丧失，只用眼、不用脑的被动学习方式会随之形成。
3.3. 逻辑推理能力的隐性损耗
3.3.1. 因果关系的表面化理解
GIGO定律(Garbage In, Garbage Out)，即“垃圾进，则垃圾出”，这个定律说明，如果输入到计算机系统中的数据是错误的、不完整的或不合逻辑的，无论计算机处理程序多么高效，最后输出的结果一定存在问题[22]。机器学习领域也有一条重要的BIBO定律，即“偏见进，则偏见出”(Bias in, Bias out)，研究发现，如果训练数据中存在性别刻板印象，那么模型在生成词向量时可能会放大既有的刻板印象。
3.3.2. 论证链条的断裂
AI生成的信息常通过“引经据典”的碎片化引用掩盖论证漏洞。例如，ChatGPT训练数据中夹杂大量错误信息[23]，其类人语言表达易让学生忽视对论据真实性的核查。当学生依赖AI完成作业或论文时，会无意识跳过“提出假设–收集证据–逻辑推演–验证结论”的完整论证流程，导致论证链条中关键环节缺失。这种“智能知识喂养”模式不仅降低论证严谨性，还会使学生形成“结论优先于推理”的思维惯性，难以构建逻辑自洽的批判性思维体系(见图2)。
Figure 2. Risks and challenges of generative artificial intelligence tools to college students’ critical thinking
图2. 生成式人工智能工具对大学生批判性思维的风险挑战
4. 大学生生成式人工智能工具对批判性思维的应对策略
4.1. 内脑定位：确立批判性思维的主体性内核
“内脑”指的是个体自身的认知监控与独立思维系统，核心是强化元认知能力，确保人在与AI互动中始终掌握思维的主导权。在大脑中强化元认知监控能力，借助“AI辅助思维日志”记录每日思维轨迹，梳理“今天用AI解决了什么问题”“哪些环节依赖了AI”“自己的独立思考体现在哪里”等问题，有助于自我对思维过程的控制和监督能力的培养。“及时记录AI工具的使用情况、依赖性情况和AI结论修正的情况，有助于发现自动化技术带来的惰性思考和判断错误的情况”。要建立每周“无AI时段”，保证“至少要有一段时间不用人工智能工具，采用深度思维的方式做批判性训练”。比如写观点文章时，关闭搜索引擎和AI写作助手，仅凭自身知识储备论证“技术异化是否不可避免”，防止由于过度依赖科技从而造成批判性思维能力的退化现象。“建立反算法直觉的质疑心态，在反常识的推理中积极地挑战AI的高概率输出，为人为控制建构一些逆向推理和对AI输出意见进行对抗性的批评情境”。面对同一问题，不应依赖AI意见作为结论，而要成为深思与进一步假设演绎的起点。其次，扩展跨学科维度，跳出自身学科逻辑审视研究问题，既可以避免思维路线单一的缺点，又能够利用好AI在跨学科间的海量信息关联方面的能力，即便AI“解释”了，人也需要不停地追究它的假定条件、适用范围以及可能的视角缺陷，保持一种人之思辨力。
4.2. 外脑赋能：界定AI的工具性辅助边界
“外脑”指的是将AI作为增强批判性思维的工具，明确其辅助角色，通过技术设计与流程规范防止思维主权被取代。在实际操作中打造批判性思维增强型AI工具，应聚焦于开发逻辑漏洞标注系统，辅助识别形式与非形式谬误，同时将最终判断交由人类完成，确保思维主权不被取代。建立“AI使用透明化”规范，在课程论文、科研项目中明确标注“AI在文献检索、数据整理、语言润色等环节的参与比例”，以及“哪些观点是由人类独立提出并经批判性论证的”。同时，构建分阶段人机协作流程见表1：
Table 1. Human-machine collaboration process
表1. 人机协作流程
批判阶段 |
内脑职责 |
AI职责 |
问题定义 |
确定批判目标、价值导向、核心矛盾 |
提供类似议题历史批判框架、关键词关联分析 |
证据收集 |
制定证据可信度标准、筛选关键信息维度 |
高效检索多源数据、清洗无效信息 |
逻辑推演 |
构建论证结构、评估因果关系、提出假设 |
验证逻辑一致性、模拟反例生成 |
结论生成 |
整合多元视角、进行价值判断、输出建设性方案 |
提供方案可行性预测、风险量化分析 |
为防止技术依赖，应定期进行断网式批判训练，划定思想隔离区，在关键创意阶段禁用AI；同时清理算法偏见，建立数据审查机制，要求人类先行完成独立批判草案，AI仅在后期用于检验与完善，确保其始终作为辅助工具而非认知主导。
4.3. 协同进化：塑造人机共生的认知生态
构建批判性思维能力评估体系，需要通过对思维能力的边界图绘制，明确界定人机合作在思维中的相对价值和人机合作关系，生成AI在文献回顾、数据筛选等机械工作中表现出高效率提升，而人机合作的独特能力是在人机不同角度去深入考察理论思维的创见性和价值判断，在具体场景中，那些难以被数字化、专业化的批判性思维核心能力，仍需要我们通过持续训练来保持并强化，AI无法替代这一过程，例如手写笔记、白板实验、出乎意料的推论等，以免思维完全被AI绑架和塑形。目前所要思考的是，在教育机制中如何推动人机合作新模式的创新，从而进一步在教育领域将AI工具和批判性思维的培养结合起来，例如让学生模拟辩论或生成反论据数据集，使之识别谬误，追问理论假设或追溯论据产生的源头和依据，并通过假设提出–AI数据事实的证实或证伪–人工解读校正的路径来打开理论生产及社会政策构建的可能性空间。当然也应注意AI思维模式的训练也会导致思维模式的过度建模，故有意为思维留下“非模式化空间”，从而孵化和“激励”真正创新的“突变”。AI虽然在逻辑推演和定制化的知识问答上有特别优势，但缺乏情感体温与价值思考仍是它的“短板”，学校教育中的教师应该设计出提出这样的问题：“什么样的工作是人类不可替代的”？激发“人何以为人”的追问，推进学校评价向重思想、重逻辑、重问题方向改革。