生成式人工智能如何提升拔尖创新人才培养质量——基于生师互动的中介和工作不安全感的调节作用

　　随着“智慧教育元年”的开启，高等教育正经历从技术应用到能力塑造的范式跃迁，拔尖创新人才培养质量成为制胜数智时代的关键着力点。《教育强国建设规划纲要（2024—2035年）》提出要“完善拔尖创新人才发现和培养体制”^[1]。为贯彻落实《教育强国建设规划纲要（2024—2035年）》，《教育部等九部门关于加快推进教育数字化的意见》发布并强调，要“全面推进智能化，促进人工智能助力教育变革”^[2]，明确了深度应用人工智能技术在提高教育教学质量中的重要地位。人工智能已成为教育数字化进程的核心驱动力，通过数智赋能实现传统拔尖创新人才培养生态的转型升级逐渐成为共识。^[3]然而，人工智能为拔尖创新人才培养带来技术红利的同时，也在主体、课程、评价等维度产生了相应风险。^[4]面对全球“智能时代，教育何为”的命题，生成式人工智能对高校拔尖教育高质量发展的深层影响是检验教育数字化战略抓手成效的重要依据，也是衡量从顶层设计到落地实施过程中教育质量的标尺。　　生成式人工智能在高等教育中的应用效果评估正逐渐成为学界探讨的核心议题。已有研究从不同教育阶段和学科领域探讨了人工智能在创造力^[5]、生成式学业求助^[6]等方面的赋能效应，认为尽管人工智能技术的革新重构了教育手段和师生交互模式，但教育的核心仍然是培养具有批判性思维、创造性思维和能力的人才，^[7]这对教育质量的提升至关重要。拔尖创新人才是指不同领域不同学段具有拔尖创新特质的群体。富有挑战性的课程要求、有效的教学实践、深度学习以及参与大学生竞赛等都会影响拔尖创新人才的教育收获。^[8][9]人工智能时代更加重视对拔尖创新人才创新能力、高阶能力以及关键素养的培养。^[10]一方面，生成式人工智能的影响已超出单纯的学业发展范畴，渗透到大学生的社交和情感发展领域，并展现出显著的两面性特征。^[11]数智技术作为撬动拔尖创新人才全方位培养的有力杠杆，能助力个性化学习和主动思考，^[12]推动拔尖创新人才培养逐步向开放式、动态化、协同化和智能化方向发展。^[3]但也有学者指出一般性的生成式人工智能模型无法完全适配拔尖创新人才培养工作，^[4]进而使培养工作面临伦理风险、创新风险和主体性困境。^[13]另一方面，人工智能技术重构了劳动力市场秩序，对劳动力的能力需求提出了更高要求，引发了工作不安全感等多重人工智能焦虑。^[14]工作不安全感通过职业未来时间洞察力影响工作投入和职业满意度。^[15]随着生成式人工智能对脑力劳动的影响日益深入，高学历者的技术性失业逐渐成为拔尖创新人才培养中的重要议题。^[13]当学生感知到自己的工作可以被人工智能替代或人工智能在某些任务上的表现优于自己时，工作不安全感等技术焦虑便由此产生，进而影响自我效能感和职业前景态度。^[16]此外，生成式人工智能视域下新型师生关系的建构面临挑战，教师基于知识形成的权威受到冲击，^[17]人机互动的深化也导致师生沟通和互动过程去情境性和去情感性，师生主体地位弱化，学习效果受到影响。　　纵观现有研究，虽然学者在探讨生成式人工智能与拔尖创新人才培养之间关系时已进行了诸多探索，但仍存在以下不足：第一，现有研究多侧重于理论和经验层面的讨论，同时有关人工智能学习效果的研究也多围绕科研能力或者某一学习技能的提升展开，针对拔尖创新学生群体探析人工智能使用行为影响教育收获的实证研究仍较少。第二，数智时代下工作不安全感作为重要的认知资源，在企业组织领域已有成熟研究，但教育领域较少关注学生群体的工作不安全感对学习行为和教育收获的影响。基于此，本研究基于资源保存理论，探讨生成式人工智能使用与教育收获之间的关系，并揭示生师互动的中介效应和工作不安全感的调节作用，以期助力人工智能时代下拔尖创新人才培养。

　　（一）理论基础　　资源保存理论（Conservation of Resources Theory）最初发源于临床心理学，是以个体资源为核心机制的压力—反应模型，认为压力来源于客观事实，压力应对是个体与情境之间的动态资源交换过程。^[18]后经过Hobfoll及其合作者的多轮修订，资源保存理论逐步发展为以个体资源存量及其动态变化解释个体行为动因的动机理论，^[19]强调了个体为获取、维持和保护资源而持续努力，且资源的丧失或威胁会导致压力反应。其中，获得螺旋（gain spiral）作为重要机制，是指拥有资源的人更有能力获取资源，增加资源存量。^[20]区别于传统研究重视单一资源或将资源视作静态存在的观点，资源阵列和资源阵列通道（resource caravans and resource caravan passageways）原则强调了资源不是孤立存在的，而是以资源阵列的形式存在于个体与组织之中。同时，提出个体资源存在于一定的生态环境中，该环境可以促进、培育、维持资源，也可以破坏与阻碍资源。^[19]在教育数字化深度推进的背景下，生成式人工智能已经成为影响拔尖创新学生教育收获的重要资源，有效的生师互动能促进学生对人工智能生成内容的理解和迁移。同时随着生成式人工智能对劳动力市场结构的影响，工作不安全感也影响着学生资源获取的动机。理论模型如图1所示。

图1 理论模型　　（二）研究假设　　1.生成式人工智能对教育收获的影响　　教育收获是指学生在知识获取、能力和价值提升方面实现的教育增值，是教育质量的重要体现。^[21]人工智能时代为拔尖创新人才培养带来了全方位的转型，愈发聚焦于积极探索有难度、深层次、广视野的学习路径，尤其重视研究性学习和深层学习模式。^[22]资源保存理论认为，个体会努力获取、维持和保护有助于实现目标的资源，形成一个未来需要时可持续使用的资源储备库。^[19]首先，学生使用人工智能产品获得实践性经验以及接受相关教育培训，有助于其将理论知识转化为实践能力，从而提升人工智能素养。^[23]其次，生成式人工智能作为教学工具与智能化助手，提供了更加便捷的学习资源获取路径，学生更容易由学习探索阶段和参与阶段步入迁移阶段，有利于批判性、创造性等高层次思维的发展，达到良好知识建构学习效果。^[24]有学者通过实证研究发现，增加大语言模型工具的基础执行应用与深度创意应用频次，均对高阶思维能力发展具有显著的正向影响，并且发现深度创意应用的影响效应较大。^[25]最后，学生自主学习中的人工智能使用行为大致可以划分为写作辅助、具体工具助手和自我调节学习，自主学习依赖于学生的主动性和自我调节能力。^[26]随着生成式人工智能使用类型、场景、功能的多元化和复杂化，学生更容易发现人工智能技术的优势和不足，进而增加使用人工智能的能力和信息，提升学习能动性。^[27]基于上述内容，提出研究假设：　　H1：生成式人工智能使用行为对拔尖创新学生教育收获有显著正向影响。　　H1a-H1c：生成式人工智能的计算辅助行为、信息管理行为、创意应用行为对拔尖创新学生教育收获有显著正向影响。　　2.生师互动的中介效应　　生师互动作为教育场景中的人际交往活动，与学生成长、学习收获和就学满意度直接相关，^[28]是提升本科教育质量的重要手段和有效途径。然而，并非所有类型的生师互动都会影响学习效果。^[29]在家庭教养方式与社会情感能力关系中，学习性生师互动的中介效应远高于社会性生师互动。^[30]人工智能时代改变了教育形式，但师生关系仍是教育教学活动中最重要且最基本的一对关系，^[17]将“我—它”权威服从与“我—你”独立平等发展为“他—我”双向共生。^[31]　　基于资源保存理论，人们必须投入资源以应对资源损失并获得新的资源。^[32]在这一过程中，考虑到不同资源之间相互联系，个体会通过资源构建策略将初始资源转化为特定情境下需要的资源。教育情境下人工智能的使用能够丰富学习资源、增强互动，提升学生学习投入。^[33]具体来看，在“教师—AI —学生”的三元交互场域内，人工智能作为辅助工具不仅提升了学生的学习能力和知识获取效率，更促使教与学对能动性的需求不减反增。这意味着技术无法替代教师提供人性化关怀与情感支持，而有效学习仍需通过深度的互动和合作来实现。^[26]生师互动可以被视为一种关键的资源构建策略，能够促进生成式人工智能这一工具资源转化为与学习质量相关的资源。基于上述内容，提出研究假设：　　H2：生师互动在生成式人工智能使用行为与教育收获间发挥中介作用。　　H2a-H2d：发展性互动、学习性互动、情感性互动、合作性互动在生成式人工智能使用行为与教育收获间发挥中介作用。　　3.工作不安全感的调节效应　　人工智能背景下工作不安全感主要反映了个体对工作在未来缺乏连续性和稳定性的威胁感知。^[15]在高等教育领域，高校作为我国自主培养拔尖创新人才的关键阵地，^[34]不仅教师群体会产生技术无力感和职业发展倦怠感，^[35]作为劳动力市场的重要群体，高校毕业生也普遍存在未来工作可能被生成式人工智能替代的就业焦虑。^[36]本研究中的工作不安全感是指拔尖创新学生对未来工作可能被人工智能替代或影响的感知。　　资源保存理论认为，个体在面临资源威胁时，会主动采取行动投入其他资源以防止资源继续损耗。^[19]资源阵列通道原则进一步提出，个体资源的获得或损失还受环境因素的影响。在人工智能的时代浪潮下，数智技术为拔尖创新人才培养提供了新的技术支持和教育路径。学生在体验新技术带来的便捷的同时，也感知到技术变革和产业革命对劳动力的数量和能力需求带来的冲击，构成了一种典型的资源威胁情境，即学生对未来就业替代风险的忧虑。工作不安全感成为人工智能时代下拔尖创新学生群体中重要的资源阵列通道。在工作不安全感较高的情境下，学生为提升自身在未来就业市场的竞争力，更可能主动寻求与教师之间的深入交流及互动，从而转化为更强的资源获得行为。相反，当学生感知的工作不安全感较低，面临的资源威胁相对较少，生成式人工智能的使用行为更多出于工具性或便利性考虑时，其对生师互动的推动效应可能减弱。因此，提出以下假设：　　H3：工作不安全感正向调节生成式人工智能使用行为与生师互动之间的关系。　　H3a-H3d：工作不安全感正向调节生成式人工智能使用行为与发展性互动、学习性互动、情感性互动、合作性互动之间的关系。　　人工智能对大学生就业的影响很大程度上取决于其能否及时掌握与技术快速更新迭代相匹配的技能，以满足劳动力市场不断提升的能力要求。^[37]而主动学习行为是其应对人工智能技术应用的行为策略。^[38]资源保存理论拓展了情境在资源创造、维持和限制过程中的作用，获得悖论原则进一步提出，资源威胁越严重，资源获得就变得越重要。^[19]在生成式人工智能的教育应用中，工作不安全感作为一种资源威胁感知，可能会增强个体对生师互动的依赖和资源价值感知，从而强化生师互动在生成式人工智能使用与教育收获之间的中介作用。具体来看，当学生感知到较高的就业威胁时，使用人工智能的学生就有可能更重视并利用与教师之间的互动关系，提升自身能力和竞争力以实现资源获得螺旋。相反，当工作不安全感较低时，学生对资源的依赖程度较低，生师互动的资源传递作用相对减弱，从而弱化了生师互动的中介路径效应。基于此，本研究提出假设：　　H4a-H4d：工作不安全感正向调节发展性互动、学习性互动、情感性互动、合作性互动在生成式人工智能使用行为与教育收获之间的中介作用。

　　（一）数据来源
　　数据来源于2024年“中国大学生学习与发展追踪研究”（简称CCSS）的问卷调查结果。该问卷由清华大学课题组引入国际知名的大学生学习投入测量工具NSSE（National Survey of Student Engagement，全美大学生学习投入调查），并针对中国高等教育情境进行了本土化题目优化，^[39]截至2024年，累计已有超过200所高等院校参与了此项全国性调研。已有学者基于此问卷对拔尖创新学生群体展开调查与研究。^[8]S大学是一所教育部直属重点综合性大学及国家“双一流”建设高校。2024年调查S大学共计发放问卷5535份，回收样本4094份，回收率73.97%。通过测谎题等条件删除无效样本、性别和入学年份不相符的样本后，整理得到拔尖创新学生有效样本共计943个。样本的具体分布情况如表1所示。表1 学生样本基本情况

　　（二）模型设定　　为检验拔尖创新学生GAI使用行为对教育收获的影响，建立计量模型：

　　其中，LO_i表示学生i的教育收获，由知识增长、能力提高和价值观形成衡量；UB_i表示不同场景下GAI的使用行为，Controls_i为其他控制变量，ε_i为误差项。　　为进一步验证工作不安全感在GAI使用行为影响教育收获的过程中所起到的作用，采用交互项回归的方式进行检验，模型如下所示：

　　其中，UB_i×CTM_i表示调节变量与GAI使用行为的交互项，当交互项回归系数δ₃通过显著性检验时，说明工作不安全感在GAI使用与教育收获之间存在调节效应。　　（三）变量说明　　基于CCSS2024年绿色问卷常模样本进行信效度检验，共同方法偏差检验、一致性信度、结构效度和校标关联度显示问卷质量良好。^[40]结合教育数字化转型背景以及拔尖创新学生学习的现实需求，研究从CCSS2024绿色问卷指标体系中选取生成式人工智能使用情况、教育收获等相关题项，形成相应的测量指标。　　1.被解释变量：教育收获　　教育收获指标包括知识增长、能力提高、价值观形成三个维度。其中，知识增长指拔尖创新学生对大学学习所带来的知识宽度和深度增长的感知，能力提高指拔尖创新学生对大学学习所带来的可迁移能力提高的感知，价值观形成指拔尖创新学生对大学学习所带来的自我认知和价值观发展的感知。均采用李克特四点量表计分（M=3.34，SD=0.55），信效度和因子分析通过检验（Cronbach’s α=0.957, KMO=0.956, CR=0.956, AVE=0.662）。此外，该指标的测量可靠性和有效性已被多次验证。^[41][42]　　2.解释变量：GAI使用行为　　基于课题组前期文献梳理和访谈调研，为把握拔尖创新学生在学习与科研中使用生成式人工智能的主要场景，本变量设置计算辅助（如编写代码、解数学题、分析定量数据或文本数据等）、信息管理（如文献搜索、阅读、综述等）和创意应用（提供论文框架、研究方案、创作思路等）三个不同使用场景，采用李克特四点量表计分（M=2.49，SD=0.82）。信效度检验显示，Cronbach’s α系数值为0.866，信度良好。同时，KMO值为0.738，Bartlett球形检验显著性<0.001，适合因子分析。因子分析结果显示，量表的因子方差解释率为68.495%，高于50%，各题项在单一因子上载荷分别为0.809、0.848、0.826，均显著高于0.5的标准阈值。　　3.中介变量：生师互动　　生师互动指标主要衡量拔尖创新学生在课堂内外与教师交流学业和个人发展情况、与教师一起参与科研和社团活动等的频率，包括发展性互动、学习性互动、情感性互动和合作性互动。它与“师生互动”都是指学生与教师之间的正式与非正式的沟通过程，区别在于前者更强调以学生为中心。采用李克特四点量表计分（M=2.53，SD=0.87），信效度和因子分析通过检验（Cronbach’s α=0.921, KMO=0.838, CR=0.928, AVE=0.762）。　　4.调节变量：工作不安全感　　就业替代风险是人工智能焦虑的重要体现，不仅教师群体面临就业生存方面的焦虑，^[43]高等教育如何培养适应人工智能时代要求的人才也是迫切需要回应的话题。本研究以“担心AI可能会部分替代或影响我未来的工作”来衡量拔尖创新学生的工作不安全感（M=2.50，SD=0.91）。　　5.控制变量　　借鉴相关研究，^[6]选取性别、家庭年收入、户籍、学科和年级作为控制变量。

　　（一）拔尖创新学生GAI使用行为对教育收获的影响　　表2展示了生成式人工智能使用行为对拔尖创新学生教育收获的影响，其中模型1的自变量为拔尖创新学生的使用行为，模型2—模型4的自变量分别为在计算辅助、信息管理和创意应用情境下的使用行为，性别、家庭年收入、户籍、学科和年级均作为控制变量纳入模型。由表2可知，拔尖创新学生GAI使用行为对教育收获具有显著正向影响（β=0.072, p<0.01）。其中，计算辅助、信息管理、创意应用等子维度均会正向影响拔尖创新学生教育收获，信息管理情境下影响效应最大（β=0.068, p<0.01）。假设1成立。表2 基准回归结果

　　注：*、**、***分别表示系数在10%、5%、1%的水平上显著，括号内为稳健标准误。虚拟变量中学科和年级的参照组分别是人文学科、大一。下同。　　（二）生师互动的中介效应检验　　为验证生师互动的中介作用，运用百分位Bootstraps检验法（重复取样5000次）进行检验。由表3可知，GAI使用行为对教育收获的直接效应不显著，置信区间包含0（β=0.039, SE=0.021, 95%CI=[－0.0014, 0.0801]）。总效应和间接效应均显著，效应值分别为0.072和0.033。这表明在GAI使用行为影响拔尖创新学生教育收获的过程中，生师互动具有完全中介作用。假设2成立。此外，不同类型生师互动在GAI使用行为对教育收获的影响路径中，间接效应置信区间均不包含0，表明发展性互动、学习性互动、情感性互动、合作性互动均存在显著的中介效应。假设H2a—H2d成立。表3 GAI使用行为对教育收获的影响中生师互动的中介作用

　　（三）调节效应　　将自变量和调节变量中心化处理后构建交互项，分析工作不安全感是否在拔尖创新学生的GAI使用行为与生师互动的关系中发挥调节作用。由表2的模型5—模型9可知，GAI使用行为与工作不安全感之间的交互项对不同类型的生师互动均产生显著的正向影响，这表明工作不安全感增强了GAI使用行为对生师互动的正向影响，假设3成立。　　（四）有调节的中介效应检验　　利用SPSS宏程序PROCESS计算不同工作不安全感情况下（均值加减一个标准差）拔尖创新学生GAI使用行为通过生师互动影响教育收获的间接效应，结果表明（见表4），GAI使用行为通过不同类型的生师互动影响教育收获的间接效应，在工作不安全感高水平组的95%置信区间均不包含0，在工作不安全感低水平组的95%置信区间均包含0。即当工作不安全感较高时，不同类型的生师互动在GAI使用行为对教育收获的影响中均具有中介作用；而当工作不安全感较低时，生师互动在GAI使用行为对教育收获的影响中不具有中介作用。进一步检验调节中介效应指数，在工作不安全感调节下，各路径的指数值分别为0.0203、0.0203、0.0210、0.0233，95%置信区间分别为[0.0004, 0.0403][－0.0024, 0.0432][0.0006, 0.0411][0.0044, 0.0434]。结果显示，路径1、路径3与路径4的置信区间不包含0，有调节的中介效应显著，路径2的置信区间包含0，有调节的中介效应不显著。假设H4a、H4c、H4d成立。表4 工作不安全感对GAI使用行为通过生师互动影响教育收获的调节效应

　　（五）稳健性检验　　1.替换因变量法　　把因变量替换为知识增长、能力提高和价值观形成进行分维度检验，估计结果如表5所示。GAI使用行为对拔尖创新学生教育收获的3个分项维度均在1%统计水平上显著为正。由此，研究假设1再次得到验证。表5 稳健性检验结果：替代因变量法

　　2.广义倾向得分匹配方法　　生成式人工智能的使用行为存在自选择偏差问题，传统的倾向得分匹配方法（PSM）仅适用于二元变量，考虑到本研究中的GAI使用行为为连续变量，因此采用广义倾向得分匹配法（GPSM），进一步验证生成式人工智能的使用行为对拔尖创新学生教育收获的影响。图2展示了GPSM的检验结果，横坐标为GAI使用行为，纵坐标为教育收获，左侧图中黑色实线为剂量反应曲线，右侧图中黑色实线为处理效应曲线，上下两条虚线分别为置信度为95%的上下边界。如图2左所示，剂量反应函数曲线呈现非线性趋势，在GAI使用行为的中低水平阶段，教育收获相对平稳。随着GAI使用行为程度的提升，教育收获逐步上升，在高使用强度阶段显著提升，且置信区间较窄，表明估计结果较为稳健。右图所示的处理效应函数进一步揭示了GAI使用行为的边际效应特征。结果显示，在GAI使用频率较低阶段，其边际效应趋近于零甚至略为负向；在使用水平高于约2.5之后，边际效应显著为正且呈上升趋势。总体而言，该结果进一步验证了主模型的稳健性，也表明GAI使用行为与教育收获之间存在一个阈值，即只有当学生使用频率达到一定程度，且具备较高的工具理解与应用能力时，GAI才能真正实现促进教育收获的功能。

图2 GAI使用行为与教育收获的剂量反应和处理效应函数

　　（一）结论　　基于资源保存理论，本研究构建了生成式人工智能使用行为影响教育收获的理论模型，主要研究结论如下：　　首先，GAI使用行为对拔尖创新学生教育收获具有正向影响，该结论经过稳健性检验后依旧成立。其中，信息管理场景下的使用行为影响效应较大，计算辅助场景次之，创意应用场景下影响作用相对较小。这表明生成式人工智能在信息整合、资源检索等方面更容易触发资源获得螺旋以发挥赋能效应，已成为推动拔尖创新学生深度学习的重要手段。　　其次，生师互动在GAI使用行为影响拔尖创新学生教育收获的过程中发挥了完全中介作用。其中，发展性互动、学习性互动、情感性互动、合作性互动四种类型的生师互动均具有显著的中介效应。高等教育领域学生在使用生成式人工智能技术的过程中，师生之间的交流、反馈与协作在提升教育收获中发挥了重要作用。当学生获得初始资源后，更倾向于继续投入资源，形成正向的资源积累循环。生师互动作为关键的资源构建策略，是生成式人工智能技术这一初始资源向教育收获转化的重要环节。　　最后，工作不安全感强化了GAI使用行为和不同类型生师互动之间的正相关关系，除学习性互动外，工作不安全感也增强了其他类型生师互动在GAI使用行为与教育收获之间的中介效应。这可能是因为学习性互动作为一种相对稳定的认知型资源，更多地受学习任务和学习动机驱动，不易因威胁性的情绪感知而改变。教育数字化转型背景下工作不安全感不仅是一种负面情绪感知，也是一种重要的资源阵列通道，能够激发学生的资源获取动机，促使其增加与教师的互动以提升自身竞争力，进而转化为实际的教育收获。同时也丰富了资源保存理论中获得悖论原则的实证证据。　　（二）建议　　第一，高等教育数字化转型背景下，生成式人工智能的应用已成为推动拔尖创新人才深度学习和资源获取螺旋的重要力量，应积极探索满足拔尖人才个性化需求的培养路径。一方面，高校应正视生成式人工智能技术在教育场景中的赋能效应。厘清人和技术的功能定位，将拔尖学生培养成人工智能的使用者、驾驭者与引导者，^[13]支持学生将生成式人工智能作为学习助手，在信息管理、资源检索等方面实现自主化和个性化学习。尽管创意应用场景中生成式人工智能使用对教育收获的直接影响相对较弱，但其潜在的高阶认知增益仍值得重视。应拓展科研训练、跨学科探索等复杂问题解决场景，让学生形成更具创造性的高阶认知资源，掌握通过技术扩展资源进而提升学习质量的能力。另一方面，从制度层面推动教育实践革新和智慧教育生态重构，强调技术的工具属性和使用边界。目前上海交通大学、复旦大学等高校陆续出台人工智能工具使用的相关规范标准，但在国家层面仍缺乏对高校师生使用人工智能工具的合理边界的统一认定指南。国家要进一步完善相关制度设计和法律法规，明晰人工智能赋能拔尖创新人才培养的标准、实施办法、保障机制等内容。　　第二，生师互动是重要的资源构建策略，为解释人工智能时代下“为何技术不能完全取代教师”提供了理论依据。人工智能时代高等教育的教学互动模式和教学组织形态发生变化，师生协作共同体成为重要发展形态。^[44]为此，应合理定位教师作为人工智能与教育教学整合的领导者的角色期望，激发教师自觉意识。^[45]一方面，消解教师技术焦虑，激励教师主动投入生师互动。高校建立基于生成式人工智能的智能教学辅助系统，^[4]并开展关于人工智能技术教育应用的培训活动，提升教师在教学反馈、指导探索式学习、促进深度互动等方面的能力。同时，高校将生师互动相关指标纳入教师教学质量考核评价体系，使其成为促进资源构建的制度性机制。另一方面，拓展生师互动场景，丰富师生交互形式。高校积极提供科研课题、社会实践、对外交流等多形式的高影响力教育活动机会，^[46]支持人工智能技术优势的多场景发挥，在实践活动中锻炼学生高阶思维。　　第三，工作不安全感作为一种带有威胁性的情境感知，能够激发学生在使用生成式人工智能技术的过程中主动寻求资源投入的动机，从而提升学习质量。因此，要重视作为资源阵列通道的环境因素的影响，通过优化就业信息环境和加强心理支持，使工作不安全感在发挥激励效应的同时避免带来消极的情绪消耗。在提升劳动力市场信息透明度方面，人工智能不断与传统产业深度融合、驱动新兴产业、培育经济发展新动能，对劳动者素质提出了更高要求。而高校学生普遍对行业需求变化、技术替代趋势缺乏准确认知，从而过度焦虑。一方面，调整课程教学体系，开设人工智能相关的课程，提高学生对技术变革的理解水平。在职业指导过程中客观呈现人工智能技术对行业岗位能力要求的影响，强调学生高阶思维能力的不可替代性以强化学生的内在动机，促使资源威胁转化为资源投入。另一方面，高校与科研院所、行业机构等合作打造实践基地，促进产学研一体化。通过面向未来技能的项目式情境任务等，为学生提供丰富的生师互动机会，引导学生积极构建资源。同时，要结合一线实务部门对拔尖学生实践能力等方面的评价和反馈，客观考量拔尖人才培养质量，在此基础上针对性调整培养方案。在构建心理支持体系方面，关注学生情感教育，^[47]以及培养学习韧性等心理资源。高等学校的拔尖人才培养项目多以学生外在成就评判学生价值而忽视其社会心理。社会对拔尖学生成长为未来创新人才的期待使他们面临更多的挑战、挫折和压力，而更高的人生成就与积极的心理品质密切相关。^[48]因此，人工智能时代拔尖学生的选拔和培养过程都应重视其心理动态，建立教师的预警反馈机制，当学生出现持续的消极心理反应时要及时介入。　　（三）研究不足与展望　　首先，研究中“工作不安全感”指标使用单一题项测量，测量效度和信度受到影响。未来研究可以引入多维度工作不安全感量表，降低测量误差，系统地分析人工智能时代下学生所面临的就业威胁感知的多层次特征和调节效应。其次，当前研究从静态角度探讨了GAI使用在不同情境下的影响，忽视了学习行为持续性和累积性的动态效应。未来研究可以纳入使用频率、时长、能力迁移等过程性变量，并采用纵向追踪或通过实验设计考察其动态过程性特征，提升因果识别能力。最后，研究将“生师互动”作为中介变量，并初步分析了不同类型生师互动的作用。但受限于问卷设计，不同类型仅采用单一题项测量，未来研究可以引入多维度生师互动量表，系统区分不同互动类型的差异性效应，深化生成式人工智能影响学生教育收获的机制研究。