云南财经大学学报杂志已发表格式范文参考
1.人智交互中信任机制与测度研究
作者：吴 磊,刘宇欣,李珂新
作者单位：山东师范大学
关键词：人智交互;信任机制;情感信任;认知信任;信任计算
【摘 要】人工智能教育成为当前国家数字化教育战略的重要着力点，人智信任更是人工智能赋能教育中最基 础性的问题。 虽然已有研究表明人智交互中信任影响最终的教学成效，但是人智信任机制却鲜有被关注。 为此， 研究首先聚焦人智交互现象，分析不同主体间的信任差异与特点，将人智信任解构为认知信任与情感信任双重作 用过程，并针对性地设计了人智信任测度方法。 通过对学生与 ＣｈａｔＧＰＴ 的编程学习案例中的交互进行分析，表明 认知信任对学业成绩有显著正向影响，而情感信任影响较弱；同时，任务难度的梯度变化以及时间的动态推移均会 对学生与 ＣｈａｔＧＰＴ 的交互信任产生影响。
一、引言 从经典的计算机辅助到热门的大数据技术，机器 一直扮演着教师“肢体”的衍生，期间人们对机器建立 了一定的依赖性，并利用技术优势促进资源传播、课 件制作和社会交互等教学流程优化。 以机器、网络为 媒介的“人 － 机”交互方式，本质上是人与人之间跨时 空、跨地域的教育活动。 人工智能技术彻底改变了传 统的人机交互形态，使人机关系由“工具型”向“合作 共生型”转变，带来了全新的交互模式和反馈机制［１］ 。 其中，最为显著的是 ＧｅｎＡＩ 利用大模型优势提供了创 造性资源、及时性互动和高效率问答等新服务与新体 验，将传统的物化工具赋予智能助教与智能学伴的双 重角色。 人智交互过程中，ＧｅｎＡＩ 的类人属性将会触 发学生与人工智能深层次协同，而不是简单的起到技 术工具或教学支架的作用。 这种协同程度依赖于彼 此之间的信任，源自于对彼此能力、意图及行为后果 的相互理解和认同。 正如马克·科克尔伯格所指出 的：“我们已经与机器人建立了社会关系，从而产生了 信任，这种信任超越了单纯的工具关系” ［２］ 。 所以，人 智信任决定了人工智能技术在教育教学中融合的广 度与深度。
信任本身源于人与人之间，强调交往双方的互相 支持和信念，且信任不是单向的，而是双方共同持有 的。 随着人类社会互动边界的不断拓展，信任也从人 与人之间纯粹的情感沟通过渡到人与客观事物、工具 之间。 人机信任在人际信任的基础上拓展而来，传统 的“机”涵盖了搜索引擎、社交媒体、在线社区等信息 化工具与环境［３］ ，所以信任多侧重于机器的供给服 务、验证资源等涉及他信功能的客观维度［４］ 。 由于多 模态、大模型等技术的发展，人工智能具有了类人特 征。 一方面，人工智能自动感知用户上下文语义信 息，按照需求及时响应各种类型的学习服务；另一方 面，人工智能自动进行知识检索、生成与创造，参与用 户碎片化学习的知识建构过程。 从主体依附关系角 度来看，助教与学伴已经替代了学习系统、教学软件， 反映了人们对人工智能超越了技术期望，人智信任关 系逐渐建立并形成。 信任不仅是开展有效教学、优化 学习方法的保障［５］ ，还是构建起“人 － 智”之间有效响 应和反馈的重要渠道，如在情感上的联系和认知上的 共鸣。 然而，由于数据偏见、算法缺陷等问题，人工智 能可能会生成幻觉输出，进而提供误导性内容［６］ 。 加之技术黑箱特性，使得人们在对信息交互、功能协同 等产生期待的同时，也会因“机器说谎” 导致决策失 误。 所以，开展人智信任研究是推动人智共生的关键 所在，也是基础性问题。
面对人工智能教育图灵现象，人智信任显得尤为 重要。 学生对人工智能的信任程度受到个体差异的 显著影响，包括自身能力、任务难度和时间效应等因 素，这些因素相互交织共同塑造了人智信任的复杂 性。 信任测度作为实现人智互信动态监测与校准的 关键路径，目前研究主要集中在依赖静态问卷和单维 度行为观测等方面，缺乏从内容与行为等多维数据的 分析［７］ 。 因此，本文旨在深入探讨人智信任机制及其 测度方法，通过对不同学习任务中人智信任特点与规 律的解析，以促进人智良好信任关系的建立［８］ 。
二、人智交互中的信任机制
在人智交互构成的复杂学习系统中，信任机制解 释了人智关系建立与互动的变化过程。 通过横向比 较不同主体间的信任形态，可以剖析人智信任的基本 内涵和特点，以全面揭示人智信任的独特生成逻辑和 作用机理。
（一）不同主体的信任比较
信任已经成为描述人与人之间以及人与技术之 间关系的普遍约束。 在日常生活中信任常被简单理 解为：一种信念、一种态度、一种意图和一种行为［９］ 。 但是，在不同的学科背景下对其理解还存在差异，如 在心理学领域中，信任一词常用来指一个人“值得信 任”和“值得信赖”的人格特征［１０］ 。 因此，信任是一种 以感知到他人具有善意为基础，对他人行为表现出善 意的心理期望。 在经济学领域中，弗朗西斯强调信任 对于形成健康社会经济的重要性［１１］ 。 信任被视为委 托人做出的一种基于理性期望，且规避道德风险的行 为决策。 而人工智能信任兼具人际信任与人机信任 双重属性———在人际信任中，信任是一个人对另一个 人言语、行动和决定充满信心并愿意采取行动的程 度［１２］ ；在人机信任中，信任是指一方愿意受机器行为 的影响，而不考虑是否有能力监督或控制另一方。 作 为进阶形态，人智信任不仅涵盖了传统人际信任关系 的建立，还融入了智能系统对人类需求、行为和情感 的深度理解及适应［１３］ 。
当然，人智信任并非人际信任与人机信任的简单 线性叠加，是由特定的信任阶段、信任理论与信任问 题相互交织、协同作用，进而涌现出的一种具备独立 特性的信任形态（如表 １ 所示）。 在信任主体方面，人 智信任涉及人类认知、情感以及人工智能的客观表 现，是人智共同作用、在人机信任基础上融合人类主 观判断和机器的客观表现。 这种关系超越了单纯的 人际信任，因为它纳入了技术的因素；同时，也区别于 人机信任，因为它强调了人类判断的重要性。 在信任 对象方面，人智信任对象上呈现出一种融合了人类智 能与机器智能的特质，在传统的信任基础上增加了对 人工智能交互性和类人性的多重考量。 表象上其不 再是单方面被动地执行人类指令的计算机，而是变成 了具有跨界融合、群智开放和自主操控等特点的复杂 智能系统，如国内的文心一言、通义千问和 Ｋｉｍｉ 等， 以及国外的 ＣｈａｔＧＰＴ、Ｃｌａｕｄｅ 和 Ｇｅｍｉｎｉ 等。 在信任方 向方面，人智交互形成一个双向回环的信任，处于人 际循环信任与人机单向信任的连续谱系之中，人工智 能会主动获取信息、理解用户和采取行动，扭转人机 交互中只能被动接受和处理信息的局面，从而使单向 的“人 － 机器”演变为“人 － ＡＩ － 人”回环［１４］ 。 在信任 理论方面，人机投射假说倾向于将人对机器人的判断 锚定在自己身上，从自身具有的认知出发，去理解机 器人的功能并与之互动［１５］ ，而人智信任的建立不仅 仅基于人机间的技术可靠性和人际间的情感依附，而 是实现了人类智能与人工智能在认知和情感层面的 深度融合， 构成一种更为全面且动态的信任建立 过程。
（二）人智交互中的信任定义
鉴于人智信任融合了人际间的直接互动与人机 间机器的智能判断，使信任关系更加多元与复杂，它 不再仅仅是从客观技术能力到人类主观感知的生成 机制，更是人对人工智能执行特定任务可控性的主观 评估［２０］ 。 Ｊａｃｏｖｉ 等对人类信任人工智能的前提、原因 和目标进行了剖析，并将人工智能信任定义为：如果 Ｈ（人类）认为 Ｍ（ＡＩ 模型）就 Ｃ（契约）而言是可信任 的，并接受 Ｍ 的行为脆弱性，则 Ｈ 就会在特定 Ｃ 的背 景下以某种方式给 Ｍ 信任［２１］ 。 结合表 １ 内容，这个 定义强调了信任的三个关键要素：信任主体（Ｈ）、信 任对象（Ｍ）和信任元素（Ｃ）。
在教学环境中，信任的主体包括但不限于学生、 教师和教育管理者，他们是构成信任关系的核心参与 者。 相对应地，信任的对象扩展至各类智能系统，如 虚拟助教、语音交互平台和智慧管理平台等，这些系 统作为教学辅助工具的现代化延伸，承担着教育过程 中的关键角色和核心功能。 在当前人工智能信任研 究中，信任呈现出一维线性结构，其值域跨度从全然 不信任延展至深度信赖的状态；信任还被视为一个二 维结构，麦卡利斯特将其区分为认知信任与情感信任 两类［２２］ ；在多元维度中信任又被细化分解为基于演 算机制的信任、基于知识体系构建的信任以及基于认 同导向的信任。 而一维信任和多元信任则可以视为 这两种信任形式的极简映射与深层拓展，也反映了信 任关系的多维性和复杂性。 所以，最常用的是二元观 点：人类对人工智能的信任构建是一种认知结构，即 存在一种认知信任；同时，非理性因素如情感和情绪 也对信任产生影响，即存在一种情感信任。 由于个人 信任能力、人工智能可信度等方面的差异，容易导致 人智信任呈现出低、中、高的不同水平。
基于此，本研究提出人智信任的新定义：在教育 教学环境中，人智信任是指学生基于对人工智能算法 透明度、执行效能和决策逻辑的理性认知评价（即认 知信任），以及对其交互过程中的情感体验和情感联 结的心理感知（即情感信任），逐步在学习过程中建立 起的一种稳定信心，以支持学生持续与人工智能交 互。 这一定义不仅捕捉了信任的复杂性，也突出了信 任在人智互动中的核心作用，为理解和增强人智交互 提供了理论基础。
（三）人智交互中的信任特点
从信任生成与演化阶段来看，信任可分为初始信 任和可持续信任。 初始信任是在双方初次互动或协 作、没有直接经验时建立的。 可持续信任是用户在反 复交互和使用过程中对人工智能产生的信任，反映了 人智协作中的适应性过程，涉及动态评估与调节机 制［１９］ 。 与之类似，在教学实践中人智信任关系也经 历了从信任建立、波动再到校准的动态演变。 在国家 《新一代人工智能发展规划》 和《 中国教育现代化 ２０３５》等顶层政策引领下，用户直接或间接体验到人 工智能资源创生与实时交互服务乐趣，坚信对人工智 能的信任感越强，就会在学习活动中更加专注和投 入［２３］ ，表明了人智初始信任基本建立。 但是，由于机 器自身的透明度和用户自身的算法素养欠缺等问题， 有时会导致信任不足与信任过度的问题［２４］ 。 为维持 信任水平或关系，信任校准就显得尤为重要。 信任校 准作为人智信任动态稳定的关键环节，主要通过认知 信任和情感信任两个通道调节［２５］ （如图 １ 所示），信 任过低时进行信任修复、信任过高时进行信任抑制， 实现人智高效协同的维持、修复和强化的演进规律。
１． 认知信任
认知信任的建立源于用户对人工智能在内容可靠性、资 源 完 整 性、 技 能 专 业 性 等 方 面 的 理 性 评 估［２６］ 。 在人智互动中，人工智能凭借其卓越的解释 能力和稳定丰富的知识库，向用户展示其决策和行为 的逻辑，提供个性化学习辅导、智能教育资源推荐、在 线教学互动和学习成果评估等增值服务［２７］ ，从而有 效维持了用户对其的信任水平。 在这种非对称性交 互中，人工智能利用其在知识检索、汇聚、加工和生成 等方面的优势，使用户在主观上体验到持续的满足 感，进而强化了基于理性的认知信任。 具体表现在两 个方面：一是用户因对其算法机制、功能特性和资源 储备等层面的接受度，从而协同参与创造性内容生成 方面的活动；二是用户基于对人工智能依据其知识掌 握情况、知识内化水平、知识呈现偏好等层面所推荐 的学习资源，达成从知识汲取到知识运用的有效跨 越。 然而，人工智能服务的便捷性与高效性可能导致 用户的过度依赖，忽视了潜在的“幻觉问题”。 因此， 为防止过度信任引发的“科林格里奇困境”，对认知信 任进行及时修复至关重要［２８］ 。 例如，从用户角度出 发， 在持续合作中不断调整自身的认知兼容性；从人 工智能角度来看，引入可解释的“白箱”系统，增强其 决策过程的透明度与可理解性，实现协作优化与信任 修复［１９］ 。 当用户能够有效地引导人工智能进行更高 级别的交互，执行精确的逻辑分析与理性判断，才能 合理地抑制信任，维护人智交互中信任水平的适度 性，使人工智能成为增强人类智能与能力的助手，而 非取代人类思考和创造力的“黑箱”。
２． 情感信任
情感信任的建立根植于人智双方的情感交流，体 现在用户对人工智能所提供的交互安全感和舒适度 等心理感知［２９］ 。 在人智交互的语境中，人工智能通 过模拟情感和社交线索，展现类人特质，使交互从“人 机指令”转化为“类人际交流”，奠定了人智信任的基 础。 这种拟人化特征赋予人工智能一定的感知属性 与交互机会，通过整合文本、图像和视频等多模态信 息，推动人工智能具备真正意义上的视觉、听觉通道， 而不是传递视听信息，从而有效激发用户的“ 临场 感”。 当互动模式从传统的“机械” 互动转变为“感 官”体验，情感信任便在多模态交互与共情体验中得 以维系。 在互动氛围构建层面，人工智能凭借及时响 应、语境理解和语气测度功能，捕捉用户情绪线索，通 过持续多轮对话与连贯逻辑，诱导用户投入情感，使 交互氛围从“功能性沟通” 转向“情感性陪伴”；在情 感共鸣层面，人工智能依据语言风格的多样性适配不 同情感沟通需求。 在频繁互动中，用户对人工智能的 语言风格、内容观点和价值观等产生认同，满足了用 户在情感交流、情感回应和情感矛盾等多方面的需 求，从而推动信任从浅层感知走向深层依赖。 但是， 由于人工智能本质是基于大规模训练数据模拟人类 能力与创造内容，其数据依赖性在广泛应用中也容易 滋生出数据泄露与隐私风险的问题，从而引发用户技 术恐惧及负面情绪。 如社交恐惧者可能因其过度拟 人化产生“恐怖谷”效应，学业基础薄弱的学生易对其 决策能力存疑。 针对这些问题，情感信任通过模拟同 伴的陪伴支持模式、教师的启发教导模式以及专家的 权威指导模式，对信任进行修复，实现信任水平的合 理强化与精准调控。
当前，人智信任的测度是该领域研究的热点之 一。 已有研究探讨了人机信任的测量方法，包括自我 报告、行为测量、生理及神经测量等［３０］ ，但是这些方 法并不能很好地适用于人智交互学习中。 针对人智 双向信任的测量方法关注不足且在实验层面缺乏相 关研究的现状，人智信任机制阐释了认知与情感双通 路交互对人智关系的调节作用，为人智信任测度研究 提供了新的视角。 面对人智信任亟待深入研究的现 状，本文旨在引入教育大数据分析技术对人智信任进 行测度，以期深化对人智交互的理解。 基于认知信任 和情感信任等特征，本研究提出以下三个研究问题： （１）人智信任对学生成绩有何影响？ （２）不同学习任 务下人智信任是否存在差异？ （３）不同时间周期下人 智信任如何动态变化？
三、人智交互中信任测度方法
（一）测度方法设计
在人智交互领域，构建一个综合评价模型以衡量 交互过程中的信任是至关重要的。 鉴于 ＣｈａｔＧＰＴ 为 当前最具有代表性的人工智能技术，所以本研究聚焦 于学生与 ＣｈａｔＧＰＴ 的交互信任，并将他们对 ＣｈａｔＧＰＴ 的信任定义为认知信任和情感信任的二元组构成。 具体表示如公式（１）
其中，Ｔ 是学生对 ＣｈａｔＧＰＴ 的信任强度；Ｖ 表示学 生在与 ＣｈａｔＧＰＴ 的对话中，通过系统输出的逻辑自洽 性和知识准确性，与自身理性判断形成互证机制所建 立的认知信任；Ａ 表示 ＣｈａｔＧＰＴ 通过动态情感响应策 略，在与学生的多轮交互中激发情感共鸣从而构建的 情感信任。
（二）测度方法流程
本研究基于人智信任机制构建测度流程如图 ２ 所示。 概括而言，整个评价方法主要涉及数据预处理 与数据分析。 由于信任值计算以情感值和认知值为基础，所以依次介绍情感值计算以及认知值计算，最 后基于信任公式量化交互语句的信任强度。
１． 数据预处理
本研究数据源主要由学生与 ＣｈａｔＧＰＴ 的交互语 句构成。 文本预处理的主要目的是清洗交互语句，以 便后续量化认知信任和情感信任，其中包括分词、词 性标注和停用词过滤。 研究过程中综合考虑分词效 率和准确性，首先使用 ｊｉｅｂａ 分词工具对文本进行分 词处理；此后基于哈工大停用词表对文本进行过滤， 同时动态拓展了停用词表，新增了如“条件” “片段” 等相关词汇，进一步提高分词的精确度和适配性。
２． 人智信任计算
为深入探究人工智能交互的信任程度，本研究分 别从情感维度与认知维度进行数值化处理，以对情感 信任与认知信任量化。
（１）情感词表构建
人智交互时成员情感主要以情感词或表情符号 隐含在交互语句中，为全面揭示不同学科领域语境下 的情感词，本研究以《知网情感词典》 等作为情感词 典，将正向情感词和负向情感词的强度归为 ± １。 此 外，程度副词用于限定或修饰形容词或副词的程度， 这类词通常能够增强情感表达的强度，参考金泽熙等 的研究，本研究将程度副词根据语气程度分为三个等 级［３１］ 。 另外，为体现否定词对情感倾向的逆转作用， 研究中将否定词权重统一设定为 － １。
（２）认知词表构建
ＴＦ － ＩＤＦ 即词频 － 逆向文件频率，是一种用于评 估字词在文本集合中重要性的统计方法。 目前，已有研究将其应用于认知领域，并应用在 试题分类及认知能力提升方面［３２］ 。 基于此，本研究 使用 ＴＦ － ＩＤＦ 通过计算关键词的权重表示出词语的 认知重要性，如公式（２）：
其中，ｎｉｊ 表示交互语句中某个词出现的次数， ∑ｋ ｎｋｊ 表示语料中所有词出现的总次数；Ｎ 为收集的 所有学生和 ＣｈａｔＧＰＴ 交互语句的总数，ｎｉ 为包含某个 词的交互语句数量。 本研究选择部分 ＴＦ － ＩＤＦ 值较 高的前 ４５１０ 个（占比 ９８％ ） 词构成认知信任领域词 典，以全面描绘人智认知信任特点。 表 ２ 显示了部分 分词结果，如文件、函数和数据等，均与学科知识紧密 相关， 反映了人智交互语句与编程学科内容紧密 关联。
（３）情感值计算 在计算情感值时，借鉴吴磊等提出的情感值计算 方法［３３］ 。 学生与 ＣｈａｔＧＰＴ 的交互语句由一系列词汇 构成的集合，即 ｓｉ ＝ ｛ｗｉ１ ，ｗｉ２ ，…，ｗｉｊ｝。 从语义角度分 析，ｗｉｊ可以是表示积极或消极情感的词汇（如“满意” “失望”等），也可以是增强或减弱情感强度的修饰词 （如“非常”“略微”等），甚至是完全反转原有情感倾 向的否定词（如“不”“没有”等）。 这些不同类型的词 汇通过有效组合，最终决定了交互语句情感值的强度 与方向。 定义交互语句的情感值计算如公式（３）：
其中，Ｎ（ｗｉｊ ） 表示否定词的权重，Ｄ（ｗｉｊ ） 表示程 度副词的权重，Ｐ（ｗｉｊ）表示情感词与情感词典相匹配 得到的权值，Ａ（ｓｉ）表示交互语句情感值强度。
（４）认知值计算
对于认知值的计算，参考但唐朋等对 ＴＦ － ＩＤＦ 的 特征权重计算以及归一化处理方法［３４］ 。 研究中通过 将每个词的 ＴＦ － ＩＤＦ 进行累加，得到该交互语句的认 知值。 同时，为了便于后续分析和比较等操作，对其 进行归一化处理，如公式（４）：
（５）信任值计算
信任是双方持续互动的过程，由于情感信任与认 知信任计算相似，本研究主要以认知信任计算为例展 开介绍。 学生与 ＣｈａｔＧＰＴ 之间的信任是以交互语句 为信任载体，通过在不同类型学习任务中的协作逐步 建立起来的。 人智信任是双向回环过程，如表 ３ 所示 的认知信任矩阵，其中 Ｋ 代表交互的任务，Ｕｉ 表示学 生，Ｕｊ 表示 ＣｈａｔＧＰＴ 的回复，Ｖｉ 表示学生在该任务中 的认知倾向的量化值，Ｖｊ 表示 ＣｈａｔＧＰＴ 反馈语句包含 的认知值。
然后，利用皮尔森相关系数计算方法［３５］ ，基于信 任矩阵量化学生和 ＣｈａｔＧＰＴ 在不同任务中的信任度。 设定 ＶＵｉｎ为学生在任务 ｎ 上认知量化值，ＶＵｊｎ为 Ｃｈａｔ⁃ ＧＰＴ 回复任务 ｎ 上的认知量化值。 由于学生在学习 过程中一次需完成多个任务，所以通过计算每对任务 中 ＶＵｉｎ与 ＶＵｊｎ间的线性关联系数，最终累加获得人智 学习中产生的认知信任值，如公式（５）：
四、实验与数据分析
基于提出的人智信任测度方法，本研究选取某大 学的“可视化编程”课程作为应用案例进行验证分析。 该课程面向教育技术学专业学生，以运用编程解决实 际问题能力为培养目标，教学内容涵盖数据表示、分 析与可视化呈现等核心模块。 本研究所选取的 ２５ 名 实验对象均来自同一专业并且完成了相同的基础课 程学习。 课程均由同一位教师授课，在固定场所开 展，时长均为 １ 小时。 此外，实验中所有学生统一使 用 ＣｈａｔＧＰＴ 完成三种不同难度的编程任务，由 １ 名助 教开展规范引导，防止无关交互内容产生。 本实验采 用 ＥＶ 录屏系统完整记录学生学期后五周的编程过 程，最终形成了 ３２９０ 条有效交互内容，为学期内的实 验研究提供了足够的数据支撑。
（一）人智信任对学生成绩影响因素分析
本研究以最终期末成绩为因变量，认知信任和情 感信任为自变量，通过 ＳＰＳＳ 进行回归分析来验证它 们之间的线性相关性。 分析结果如表 ４ 显示，Ｒ ２ 为 ０. １９６，调整后 Ｒ ２ 为 ０. １２３，意味着认知信任与情感信 任共同解释了成绩约 １２. ３％ 的变异程度。 其次，Ｄ － Ｗ 值为 ０. ５２３，在合理范围内，说明本研究选取的样本 数据之间独立性较强［３６］ 。 模型统计检验得出方差膨 胀因子（ＶＩＦ）为 １. ０７２（小于 １０），可认为该模型不存 在多重共线性［３７］ 。 认知信任的显著性为 ０. ０３３（小于 ０. ０５），说明其对因变量有显著正向影响，其标准化系 数为 ０. ４５１，表明影响程度较大。 而情感信任的显著 性大于 ０. ０５，意味着在其他条件不变的情况下，情感 信任的变化对学生成绩影响较小。
（二）不同学习任务下人智信任的差异分析
１． 人智信任水平的差异性状况分析
在教育领域中，任务难度是学习进程中的关键变 量，影响学生的学习成效、知识建构以及学习积极性 等诸多方面［３８］ 。 且从学习本质而言，学习者会在任 务中获取知识并主动改变认知结构以形成基本图 示［３９］ 。 本研究涉及的任务按照学科知识划分为低、 中、高三个难度层级（如图 ３ 所示），其中低难度任务 的核心聚焦于内置对象层面；中等难度任务侧重于开展 Ｐａｎｄａｓ 数据应用；高难度任务着重于开发一款简易 计算器。
在低难度任务情境下，基于信任的变化规律，认 知信任与情感信任表现出不同特征。 认知信任得分 大多处于 － ０. ２３ 至 ０. ９９ 之间，情感信任水平在 － ０. ６２ 至 ０. ７４ 范围内。 这是由于简易任务对学生认知 能力要求较低，虽然难以激发学生对 ＣｈａｔＧＰＴ 的深度 探索需求，但是可以直接获得有效的知识与答案支 持；同时，学生的自我效能感在一定程度上替代了情 感信任，形成“低难度任务下的信任稳态”。
当中难度任务出现时，学科知识复杂度增加，涉 及数据库读写、数据可视化等内容，学生需运用多种 知识解决复杂编程问题。 此时，认知信任适度提升， 在 ０. １５ 至 ０. ９８ 区间波动，情感信任离散程度扩大， 处于 － ０. ９５ 至 ０. ９８ 范围。 针对学生的不同提问需 求，ＣｈａｔＧＰＴ 通过将 Ｐｙｔｈｏｎ 编程知识分层，并明确各 层知识点与技能要求，提供针对性提示模板，构建渐 进式问题序列以挖掘问题本质［４０］ ，从而形成“中难度 引发的信任峰值状态”。
在高难度任务阶段，任务从基础巩固提升至软件 开发综合实践，不再局限于单一技能运用，而是需要 学生整合和深度运用过往所学知识。 这导致认知信 任值降至 － ０. ２２ 至 ０. ９２ 区间，情感信任范围缩小至 － ０. ７２ 至 ０. ８ 区间，并出现多个离群值，表明学生的 认知信任和情感信任水平差异较大。 学生不仅要运 用编程语法构建计算器基本框架和实现基础功能，还 需借助面向对象编程思想设计类和对象，管理计算器 状态与操作逻辑。 在此情境下，因 ＣｈａｔＧＰＴ 在代码片 段的正确性、信息量及使用者适应性等方面存在局 限［４１］ ，认知信任与情感信任得分均下跌，整体陷入 “高难度任务引发的信任失衡状态”。
２． 人智信任的差异性特征分析
从图 ３ 可以发现，认知信任在各难度下表现为更 稳定的趋势，情感信任机制所发挥的作用相对被动， 在不同任务复杂度的情境中认知信任成为影响整体 结果走向的关键因素。 所以，本研究以主要关键词为 节点、共线关系为连线构建网络关系图［４２］ ，从认知信 任视角出发分析人智信任特征差异。
基于图 ４ 中不同难度的任务单元分析，低难度任 务情境下共线网络呈现稀疏态势， 网络密度仅为 ０. ４９２。 其中 “ 文档—文件”、 “ 文 档—文 本” 及 “ 代 码—文档”的网络关系值显著较高，学生提问时多数 提问“． ｄｏｃｘ 的文档结构是什么”，ＣｈａｔＧＰＴ 回复其基 本结构组成与概念。 对于既定的概念性与实施性问 题，ＣｈａｔＧＰＴ 能依照既有知识库给出相对模式化的基 础回应。 相对其他平台，ＣｈａｔＧＰＴ 具有快速并准确的 特点，无形中加深了学生对其的信任。
处理中难度任务时，其共线网络关系图的密度跃 升至 ０. ５４０，网络中心呈现出菱形分散的格局。 其中 “代码—数据库”、“数据—数据库” 和“代码—数据” 等几组网络关系尤为突出。 学生问题集中在“如何用 Ｐａｎｄａｓ 库读取 Ｅｘｃｅｌ 数据并处理”。 由于涉及知识点 较多，ＣｈａｔＧＰＴ 面对进阶问题时只能给出概要操作步 骤。 学生接受反馈之后，双方频繁地在学科概念之间 进行切换，并通过调整“提示词”优化人工智能的生成 内容，以更好地满足信息需求［４３］ ，这一完整的交互链 激发了人智协同中的信任水平。
在高难度任务情境中，共线网络趋近于较为复杂的认知图式，网络密度高达 ０. ６０５。 “代码—文件”、 “代码—函数” 和“代码—数据” 等网络关系值颇高。 当学生提出“请结合代码展示相关思路” 的需求时， ＣｈａｔＧＰＴ 仅能提供简单的 Ｐｙｔｈｏｎ 程序，包含输入验证 和异常处理，但这无法满足学生在高难度任务下深入 理解知识、整合运用各类微小概念的需求，使得学生 在学习过程中梳理这些复杂的知识关联时产生了巨 大的认知负荷。 此时，学生的信任急剧下降，整体呈 现出一种“锐减”的格局。
（三）不同时间周期下人智信任的动态演变
信任的建构与演变是一个复杂过程，既受主体间 交互作用的深刻影响，也会因使用时间的持续累积而 加速沉淀，并有可能促使信任从内隐状态转向外显表 达。 然而，相关研究较为匮乏。 本研究通过将学生群 体信任类别映射至学习周期，基于三类学生群体的平 均信任利用折线图可视化反映时间对人智信任的影 响（如图 ５ 所示），从时间维度综合评判认知信任与情 感信任的状态变化。
从信任动态变化视角来看，信任状态存在两类基 本特征：一是总体上人智信任的变化趋势呈现多元化 特征，从各组的信任值变化趋势与幅度来看，低成绩 组学生的初始认知信任值虽然最高，但在后续变化中 下降速率最快，而中高成绩组学生的认知信任值均呈 上升态势；情感信任在高成绩组持续减弱，在中低成 绩组中持续增强。 二是不同成绩组间存在局部信任 分化现象，低成绩组学生在交互中呈现出后期交叉的 信任轨迹，表明低成绩组学生在初期可能由于认知能 力的限制，与 ＣｈａｔＧＰＴ 的交互能力有限且学习意愿积 极性不高，随着时间推移，他们开始产生更多的情感 依赖，希望 ＣｈａｔＧＰＴ 直接解决问题，而不是起辅助作用；中成绩组学生呈现认知与情感协同共进的轨迹， 表明在面对任务变化时，该组学生能够基于学习储备 与信息素养对人工智能结果进行理性评估，并且能够 理性控制自身与 ＣｈａｔＧＰＴ 的交互进程；高成绩组学生 在最初认知信任与情感信任经历交叉点后，呈现出极 速分化的态势，表明学生的自我认知意识逐步增强。 此前与人工智能协作的经历，使他们将认知信任投射 到人工智能上，并能客观冷静地判断，积极接纳并尝 试使用人工智能来提升学习效率与成果。 这一系列 理性反应，推动学生对人工智能的认知信任稳步上 升。 然而，随着使用的深入，学生逐渐意识到人工智 能无法给予他们如教师般的情感关怀与个性化交流。 这种机械的交互模式，冷却了学生对人工智能原本的 情感信任，致使整体情感信任下降。
五、讨论与建议
本研究基于人智交互信任机制，将人智信任解构 为认知信任与情感信任的双重作用过程，通过引入教 育大数据技术构建动态测度方法，捕捉学生在与人工 智能互动过程中的信任变化轨迹与规律。 通过学生 与 ＣｈａｔＧＰＴ 的编程学习交互数据分析，发现认知信任 对学业成绩具有显著正向影响，而情感信任的直接作 用相对较弱；任务难度的梯度变化会引发认知信任与 情感信任变化，且对认知信任影响较为强烈；在长期 交互过程中，随着时间的推移，不同学习水平的学生 出现不同程度的信任偏移，并形成差异化的信任发展 轨迹。 现有研究已经从社会比较视角强调了认知信 任与情感信任的作用［４４］ ，本研究测度结果进一步拓 展该理论，发现当前人工智能应用处于初级阶段，认 知作为基础属性持续吸引学生交互、情感可能作为 “选配”属性在人工智能未明确设定，所以一般教学任 务中情感信任很难体现。 另外，信任平衡理论表明信 任具有建立、维持、修复等变化特点［４５］ ，与本研究人 智信任动态变化基本一致。 当任务难度超出学生现 有知识水平时，学生易对人工智能形成过度信任依 赖。 同时，“非对称”知识量以及知识来源透明性等有 时也会诱发学生质疑，甚至导致其决策困难，从而引 发信任的波动。 因此，为了建立良好的人智信任，特 提出以下建议。
一是优化信任机制，强化“认知 － 情感” 培养范 式。 在人智交互中，认知信任源自学生对人工智能知 识精准度、逻辑严密性的审慎考量；情感信任萌生于 情感交互体验，系于人工智能响应风格、情感共鸣度 及交互舒适度的感知。 由于每个学生的信任基础与 倾向差异性，因此，人智信任培育也需要采取多样化 策略。 特别是对认知信任较低的学生，其在人智交互 过程中存在控制力不强、依附性较高的现象。 所以， 要避免过度依赖人工智能，以培养高阶思维为目标， 引导学生进行“质疑 － 验证 － 重构”的思维训练，激发 他们的主动学习与探究的意识，以维持认知信任与批 判性思维的平衡；对情感信任薄弱者，通过创设群智 协作学习机会，设计角色扮演、共情叙事等具身交互 活动，有效提升学生的情感卷入度［４６］ 。
二是构建任务适配体系，促进人智信任形成。 鉴 于任务难度与信任密切相关，构建科学合理的教学任 务尤为关键。 根据学习任务难度划分为基础型、提升 型、拓展型三个梯度［４７］ ，进行差异化教学策略。 基础 型任务集中在知识记忆和简单应用，旨在帮助学生巩 固学科知识。 人工智能角色应以教师助手身份出现， 为学生提供专业化辅导，而不是直接给出答案或帮助 学生完成任务。 并且，教师也要及时监控人智互动过 程，引导学生合理使用技术。 提升型任务聚焦于引导 学生进行深层次思考与能力提升，任务设计需具备引 导性和进阶性。 人工智能在学生遇到困难时提供适 时反馈和建议，培养学生的自主决策能力，稳固信任 关系。 拓展型任务重点在于开放性问题解决与跨学 科认知建构，人工智能应提供工具、资源等教学服务， 促进学生深化问题理解，并基于问题线索提升解决问 题的能力。
三是持续强化人智关系，重塑信任演进曲线。 信 任建立与人智协同作用过程密切相关，教师扮演着重 要角色，应引导学生树立科学的应用理念与习惯，鼓 励其在学习中合理应用人工智能，从而帮助学生建立 基本的人智信任。 另外，当前通用大模型多侧重于认 知智能，往往忽视了情感智能，所以构建融合认知与 情感的智能体具有重要意义。 在初期面对学习困惑， 人工智能要利用友好的情感互动消除学生的紧张情 绪，同时利用认知智能为学生提供简明易懂的知识讲 解和操作指导，助力学生快速掌握基础内容。 在解决 学习难题的过程中，智能体应根据学生的具体情感反 应给予针对性的鼓励和安慰，并从认知层面调整教学 内容的难度与呈现方式，帮助学生克服困难，提升信 任。 在学习后期，智能体可以结合学生的情感状态和 学习进度，为学生提供个性化的学习建议和拓展资 源，进一步强化学生的信任，促进其深度学习。
