这篇文档属于类型a，是一篇关于人工智能素养（AI literacy）问卷设计与验证的原创研究报告，以下是详细学术报告内容：

人工智能素养问卷（AILQ）的设计与验证：基于情感、行为、认知与伦理（ABCE）框架的研究

作者与机构
本研究由香港大学教育学院的Davy Tsz Kit Ng（第一作者）、香港中文大学教育学院的Wenjie Wu与Thomas Kin Fung Chiu、香港科技大学跨学科系统与设计学部的Jac Ka Lok Leung，以及香港都会大学护理与健康研究学院的Samuel Kai Wah Chu合作完成。研究于2024年发表于《British Journal of Educational Technology》（BJET）第55卷，文章DOI为10.1111/bjet.13411。

学术背景
研究领域为教育技术学与人工智能教育的交叉领域。随着人工智能（AI）技术在社会各领域的渗透，AI素养（AI literacy）成为21世纪教育的重要议题。然而，现有针对中学生群体的AI素养评估工具存在以下局限性：(1) 多数问卷仅聚焦认知与伦理维度，忽视情感（affective）和行为（behavioral）维度；(2) 缺乏针对青少年年龄特点的验证工具；(3) 尚未建立以课程干预为基础的评估框架。为此，研究团队基于ABCE框架（Affective, Behavioural, Cognitive, Ethical）开发了《人工智能素养问卷》（AILQ），旨在全面评估中学生在AI学习中的情感态度、行为投入、认知能力与伦理意识。

研究流程与方法
1. 理论框架构建与初始问卷设计
- 通过文献综述，研究团队将AI素养定义为四个维度：(1) 情感学习（内在动机、自我效能感）；(2) 行为学习（行为承诺、协作能力）；(3) 认知学习（从“认识理解”到“评估创造”的进阶技能）；(4) 伦理学习（安全性、隐私性等7项伦理原则）。
- 初始设计包含60个题项，采用5级李克特量表（1=完全不同意，5=完全同意）。

1. 专家验证与内容效度检验

   • 邀请3名AI教育专家与3名中学教师对题项进行评审，重点关注语言清晰度、概念区分度与课程匹配度。
     
   • 修订后保留55题，合并部分重叠维度（如删除“职业兴趣”因子，整合“行为意向”与“行为投入”为“行为承诺”）。

2. 预实验（Pilot Study）

   • 对象：47名12-13岁香港中学生（男女比例均衡）。
     
   • 干预方案：10节AI素养课程，采用项目式学习（PBL），学生分组设计AI解决方案（如使用Teachable Machine训练分类模型）。
     
   • 数据分析：配对样本t检验显示，除“职业兴趣”外（p=0.064），其他维度均显著提升（p<0.05），但“协作能力”提升幅度较小（需改进分组策略）。

3. 主研究及验证分析

   • 样本：363名12-17岁香港中学生（男180人，女183人），历时3个月完成课程后填写问卷。
     
   • 统计方法：
     
     • 探索性因子分析（EFA）：提取四因子结构（ABCE），解释总方差51.41%。
       
     • 验证性因子分析（CFA）：采用加权最小二乘法估计，通过以下指标验证模型拟合度：RMSEA=0.06（<0.08）、CFI=0.92（>0.90）、SRMR=0.06（<0.08）。
       
     • 信效度检验：Cronbach’s α=0.93，组合信度（CR）均>0.7，平均变异抽取量（AVE）除“内在动机”（0.44）与“AI伦理”（0.46）外均>0.5。
       

主要结果
1. 模型优化
- 删除跨载荷题项（如认知维度中“应用AI”与“评估创造AI”合并），最终保留32题。
- 二阶CFA显示ABCE模型优于三阶模型（Δχ²=49.49, p<0.01），证实四维度结构的独立性。

1. 关键发现
   
   • 情感维度：自我效能感与学习信心高度相关（HTMT=0.88），整合为单一因子。
     
   • 行为维度：协作能力需通过强化PBL设计提升（如角色分工、LMS支持）。
     
   • 伦理维度：原16题简化为8题，聚焦“透明度”“社会责任”等核心伦理观念。
     

结论与价值
1. 理论贡献
- 提出首个基于ABCE框架的AI素养评估模型，拓展了传统认知-伦理二维评估体系。
- 验证了情感（如动机）与行为（如协作）对AI素养发展的预测作用，呼应自我决定理论（SDT）。

1. 应用价值
   
   • AILQ可作为中学AI课程的效果评估工具，其标准化流程（理论构建→专家评审→实证验证）为教育测量研究提供方法论参考。
     
   • 课程设计启示：需平衡技术技能培养与伦理教育，并通过分组任务强化协作能力。
     

研究亮点
1. 创新性框架：首次将伦理维度（Ethical）与传统ABC模型结合，响应了AI教育对伦理意识的迫切需求。
2. 方法学严谨性：通过多阶段验证（专家评判、预实验、CFA），确保工具的信效度。
3. 年龄适配性：题项语言与认知复杂度针对青少年特点优化，如避免抽象术语（如“算法偏见”改为“AI决策公平性”）。

局限性
- 样本局限：仅覆盖香港地区学生，未考虑跨文化差异。
- 未覆盖全部潜在能力（如计算思维、AI焦虑等），未来可扩展子量表。

此研究为AI素养教育提供了科学的评估基准，其ABCE框架亦适用于其他数字素养（如数据素养、算法素养）的量表开发。