学术研究报告：《MAILS - Meta AI Literacy Scale：基于成熟能力模型和心理变化元能力的人工智能素养问卷开发与验证》
1. 研究团队与发表信息
本研究由德国维尔茨堡大学的多学科团队合作完成，第一作者为Astrid Carolus（媒体心理学方向），通讯作者为Martin J. Koch，其他作者包括Samantha Straka（人机交互方向）、Marc Erich Latoschik（人机交互方向）和Carolin Wienrich（智能交互系统心理学方向）。研究发表于2023年10月的开放获取期刊 *Computers in Human Behavior: Artificial Humans*（卷1，文章编号100014），遵循CC BY-NC-ND 4.0许可协议。
2. 学术背景与研究目标
科学领域：本研究属于人工智能素养（AI Literacy）与教育心理学交叉领域，聚焦于成人职业环境中的AI能力评估。
研究动机：随着AI技术在工作场景中的普及（如2022年全球三分之一企业采用AI），个体AI素养成为职业适应力的关键指标。然而，现有AI素养测量工具存在局限性：
- 多数工具针对教育场景开发，缺乏职场适用性；
- 未整合心理学元能力（如自我效能、情绪调节）；
- 缺乏模块化设计，难以灵活匹配不同应用场景。
理论基础：
- 以Bloom（1956）的教育目标分类学和Ng等（2021）的AI素养框架（理解AI、应用AI、评估与创造AI、AI伦理）为核心；
- 引入心理学理论（计划行为理论、自我效能理论）解释AI使用行为的可持续性。
研究目标：开发并验证模块化AI素养量表MAILS，涵盖技术能力与心理元能力，填补现有工具的空白。
3. 研究流程与方法
3.1 问卷开发阶段
- 项目生成：基于Ng等（2021）的4维度框架（理解、应用、评估与创造、伦理），生成56项AI素养条目；新增12项心理元能力条目（问题解决、学习、情绪调节、说服素养）。
- 专家评审：由心理学与人机交互专家团队讨论修订条目，确保内容效度。
3.2 数据收集
- 样本：通过Prolific平台招募300名德语成人（平均年龄32.13岁，48.33%女性），覆盖德国（77%）和奥地利（7%）。
- 测量工具：
- MAILS量表：34项最终条目（11点Likert量表，0-10评分）；
- 效标工具：AI态度量表（GAAIS）、技术使用意愿量表。
3.3 统计分析
- 验证性因子分析（CFA）：使用R的lavaan包，采用稳健Satorra-Bentler估计。
- 初始模型：8个一阶因子（4个AI素养维度+4个心理元能力）加载到2个二阶因子（AI Literacy、AI Self-Management）。
- 模型修正：删除34项低载荷条目，调整结构如下：
- AI Literacy：包含“应用AI”“理解AI”“检测AI”“AI伦理”4个一阶因子；
- AI Self-Efficacy（学习、问题解决）；
- AI Self-Competency（说服素养、情绪调节）；
- “创造AI”独立为一阶因子（不归属AI Literacy）。
- 信效度检验：Cronbach’s α均>0.7（除说服素养α=0.66），模型拟合良好（CFI=0.926, RMSEA=0.057）。
4. 主要研究结果
4.1 因子结构验证
- AI Literacy维度：
- “应用AI”（6项，α=0.93）与“理解AI”（6项，α=0.87）载荷最高；
- “检测AI”（3项，α=0.77）独立成因子，支持Long & Magerko（2020）的“AI识别能力”理论；
- “AI伦理”（3项，α=0.75）验证了伦理评估的独立性。
- 创造AI：4项（α=0.92）独立于AI Literacy（r=0.5），支持其作为高阶技能而非基础素养。
- 心理元能力：分为自我效能（问题解决、学习）与自我胜任力（情绪调节、说服素养），二者高度相关（r=0.72）。
4.2 效标关联分析
- AI态度：积极态度与所有AI能力正相关（r=0.14-0.47），消极态度仅与AI Literacy（r=-0.17）和Self-Competency（r=-0.27）负相关；
- 技术使用意愿：技术接受度与AI能力普遍正相关，但“创造AI”仅与自我效能弱相关（r=0.14）。
5. 研究结论与价值
科学价值：
- 提出首个整合技术能力与心理元能力的AI素养模型，验证“创造AI”独立于基础素养的假设；
- 为AI素养的跨场景测量提供模块化工具（MAILS），支持职场、教育等场景的灵活应用。
应用价值：
- 人才选拔：识别AI技能短板；
- 培训评估：量化干预效果；
- 组织变革：预测员工AI适应潜力。
6. 研究亮点
- 理论创新：将心理学元能力（如情绪调节）纳入AI素养框架，解释技术使用的长期可持续性；
- 方法学贡献：通过严格CFA验证模块化结构，支持量表的分维度独立使用；
- 实践意义：为IBM等企业AI部署提供员工能力评估工具。
7. 其他发现
- 文化局限性：样本限于德语人群，需进一步验证跨文化适用性；
- 未来方向：计划通过学生成绩关联分析验证预测效度，并开发多语言版本。
（注：全文未翻译的专业术语如“Likert量表”“Cronbach’s α”等均按学术惯例保留。）