范沁宁　兰奕星｜高校学生数字素养与学习效果的关系研究

摘　要：在数字化转型与AI赋能教育背景下，数字素养已成为高校学生核心素养的重要组成部分。基于2125名高校学生数据，构建XGBoost、SHAP与贝叶斯结构推断的可解释机器学习模型，考察数字素养各维度与学习效果的关系。研究发现：数字身份安全与责任预测重要性最高；信息和数据素养主要通过数字协作与发展和数字内容创造形成间接路径；本科生以数字身份安全与责任和数字协作与发展的应用型关联为主，研究生更表现为信息和数据素养-数字协作与发展-数字内容创造的链式关联；理工农医类数字身份安全与责任和数字协作与发展更突出，人文社科类数字内容创造与学习效果关联更明显。据此，应突出数字身份安全与责任，建立递进式培养机制，并实施本科生“应用型”、研究生“研究型”，理工农医类嵌入实验课程、人文社科类以内容创造为突破的分层培养模式。

关键词：数字素养；学习效果；可解释机器学习；路径结构；群体差异

一、问题的提出

2026年4月，教育部等五部门发布《“人工智能+教育”行动计划》，提出“坚持育人为本、素养为先”的战略目标。大数据、生成式人工智能等数字技术深度嵌入高校教学全流程，重塑了高等教育的结构和形态，使数字素养被视为新时代中国特色素质教育的核心素养之一。在此背景下，数字素养已演变为涵盖认知、技能、态度与伦理的综合性核心素养。尽管大学生在社交娱乐等浅层数字技能上表现娴熟，但运用数字技术进行学术探究、内容创造及解决复杂问题的能力有待加强。同时，高校的数字素养课程改革滞后，教学研用脱节等问题仍较突出。这不仅制约了技术红利的释放，更阻碍了学习效果提升。

高等教育是培养学生高阶能力的关键场域。探究数字素养与学习效果之间的深层作用机制，对于优化高校数字素养教育体系、实施精准化干预至关重要。然而，现有研究多停留于数字素养的现状描述或其与学习效果关系的简单分析，对于二者之间的深层作用机制尚缺乏系统揭示。数字素养的哪些维度对学习效果最为关键？它们通过何种路径影响学习效果？这种影响机制在不同学历层次与学科背景下是否存在异质性？对上述问题的回答，将为高校因群施策、精准发力提供实证支撑。

（一）数字素养对学习效果的影响

数字素养是数字社会公民在学习工作生活中应具备的数字获取、制作、使用、评价、交互、分享、创新、安全保障、伦理道德等一系列素质与能力的集合，其与学习效果的关系已获得部分研究的支持。现有研究对数字素养的维度划分尚未完全统一，本研究参照杨行和陈晓曼面向中国高校学生开发的量表框架，将数字素养划分为4个核心维度，分别为信息和数据素养、数字内容创造、数字协作与发展、数字身份安全与责任。其中，信息和数据素养侧重信息获取、甄别、加工与数据处理能力；数字内容创造强调利用数字技术方法创造数字内容以解决问题或表达想法；数字协作与发展聚焦线上沟通协作、学习反思与学术分享交流能力；数字身份安全与责任包含隐私保护、学术诚信、数据安全管控与数字行为自我管理等伦理规范层面能力。该四维框架兼顾工具技能与数字伦理责任，适配高校学生数字化学习与学术研究场景。社会认知理论将个体行为视为认知、行为与环境三元交互的产物，数字素养正是数字环境下个体认知与行为能力的核心表征。基于该理论的研究表明，数字素养通过数字氛围和数字技术自我效能感等中介路径，间接影响大学生的学习成效。虽然大学生数字素养总体良好，但“内容与创造”维度存在明显短板。基于自我决定理论的翻转课堂研究也发现，学习投入受到基本心理需要、自主性学习动机和教学质量的显著正向影响，而数字素养正是满足学生自主需要和能力需要的关键前提。

关于数字素养各维度对学习效果的相对重要性，学界尚未形成一致结论。从教育实践看，数字内容创造能力被普遍认为是数字化时代高阶思维能力与创新素养的核心体现。数字内容创造不仅涉及对已有信息的理解与重组，更需要个体在数字环境中进行批判性思考、创造性转化与有效输出。这些能力与学术探究、问题解决等高阶学习目标高度契合。相较而言，信息和数据素养侧重于信息的获取与筛选，数字协作与发展侧重于人际互动与交流，数字身份安全与责任侧重于伦理规范与自我约束，距离学习效果的核心产出可能不如数字内容创造直接。基于此，本研究提出以下假设：

H1：数字素养各维度与学习效果呈显著正向关联。

H1a：数字内容创造对学习效果的预测贡献最大。

（二）数字素养对学习效果影响的路径

数字素养各维度之间存在复杂的层级结构和结构关联网络。信息和数据素养作为基础能力，是数字内容创造与数字协作与发展的认知前提。有研究构建的大学生数字素养陀螺模型亦强调，多元知识维度处于模型的基础层，是保障大学生完成数字任务和实现数字目标的前置条件，而实践技能等更高阶维度则需以扎实的知识储备为根基。若无扎实的信息素养基础，数字内容创造可能流于空泛。同时，数字协作与发展的核心在于个体之间围绕特定任务进行的信息交流、共享与协同生产，这同样要求参与者具备较强的信息检索、整合与批判性评估能力，以确保协作过程中的信息质量与沟通效率。

建构主义学习理论进一步揭示了“基础-中介-产出”的递进关系。该理论强调，学习是学习者基于已有知识经验，通过与环境的互动主动建构意义的过程。具体化到数字学习环境中，内容交互是信息层面交互的前提，信息和数据素养为学习者提供了获取外部信息资源的工具性基础，使其能够接触多元化的知识素材，为更高层次的社会交互奠定认知基础；数字协作与发展则为学习者提供了社会性互动的平台，使其能够在与他人的对话与协商中深化理解、拓展视角；而数字内容创造则是知识建构的最终产物，是学习者将内化的知识与外部的信息进行整合、重组与创新性表达的具体体现。此外，部分实证研究也表明，数字化思维在大学生数字素养培养中发挥基础性作用，而数字资源、知识素养等要素则可通过相互替代实现类似的培养效果，学生之间的协作与交流能够显著促进数字内容的创造与分享。基于此，本研究提出以下数字素养各维度对学习效果影响的路径假设：

H2：数字素养各维度间存在显著的条件依赖与路径关联。

H2a：信息和数据素养与数字内容创造呈显著正向关联。

H2b：信息和数据素养与数字协作与发展呈显著正向关联。

H2c：数字协作与发展与数字内容创造呈显著正向关联。

（三）数字素养在不同群体中对学习效果的作用差异

数字素养的形成与发展嵌入到具体的教育情境与社会文化结构之中。个体的行为与能力发展是个人因素、环境因素和行为因素交互作用的结果。学历层次与学科背景正是构成数字学习关键环境因素的两大变量，它们通过设定差异化的任务目标、资源供给和评价标准，调节个人数字素养向学习效果转化的路径与强度。据此，不同学历层次与学科背景所构成的差异化学习环境和任务情境，可能形塑了大学生数字素养的不同发展轨迹与表现特征。

在学历层次方面，本科阶段与研究生阶段在教育目标、课程设置与学习范式上存在本质差异。本科教育强调通识基础与专业知识的系统构建，注重学生综合素质的全面发展；而研究生教育则聚焦于特定学科领域的深度钻研与科研创新能力的培养。这种培养目标的差异可能导致不同学历层次的学生在数字素养的培育路径与表现水平上产生分化。本科阶段的通识教育体系为数字技能的普及提供了制度化的课程支撑，而研究生阶段高度专业化的学术训练则可能使数字素养的系统性降低，技术与学科的融合度不足。

在学科背景方面，理工科与人文社科在知识生产方式、研究范式与技术依赖程度上存在显著差异。理工科领域高度依赖数据分析、建模计算、实验仿真等数字化工具与平台，数字技术已深度嵌入其知识生产的全过程；相较而言，人文社科领域仍以文本解读、理论思辨与质性分析为主要研究范式，对数字技术的依赖程度相对较低。这种学科文化与实践模式的差异，可能导致不同学科背景的学生在数字素养的各个维度上呈现出不同的优势与不足。基于此，本研究提出以下假设：

H3：数字素养与学习效果的预测关联存在群体差异。

二、研究设计

（一）调查对象与数据收集

本研究面向全国高校在校学生开展线上与线下匿名问卷调查，调研时间为2026年4—6月，旨在系统考察大学生数字素养水平对学习效果的影响机制。共发放问卷2589份，经严格筛选剔除答题时长过短、规律性作答、信息填写不完整的无效问卷后，最终获得有效样本2125份，有效回收率为82.1%。样本中，男性占比58.59%，女性占比41.41%；本科生占比81.9%，硕博研究生占比18.1%；人文社科类占比68.1%，理工农医类占比31.9%。

（二）研究工具

本研究调查问卷包含被试人口统计学背景信息，以及数字素养、学习效果两套测量量表。数字素养量表借鉴已有成熟量表，包含信息和数据素养、数字内容创造、数字协作与发展、数字身份安全与责任4个维度，合计17个题项；学习效果量表借鉴已有成熟量表，共设置6个题项。结合本研究的调研对象情境，对部分题项表述进行微调，所有题项均采用Likert‑5点计分，1代表“完全不符合”，5代表“完全符合”，得分越高表明对应水平越高。量表具体题项及信效度结果见表1。

本研究借鉴已有成熟量表，并结合本研究样本进行信度与效度检验。信度检验结果显示，各维度的Cronbach’s α系数介于0.867至0.930之间，均高于0.80的判断标准，表明量表具有良好的内部一致性信度。效度方面，采用验证性因子分析（CFA）对五因子测量模型进行检验。结果显示，χ²=1879.886，df=220，χ²/df=8.545，CFI=0.960，TLI=0.954，RMSEA=0.060，SRMR=0.033。考虑到较大样本量下χ²统计量较为敏感，综合CFI、TLI、RMSEA和SRMR等指标可知，五因子测量模型整体拟合达到可接受水平。进一步根据标准化因子载荷计算聚合效度，组合信度（CR）介于0.868至0.931之间，平均方差抽取量（AVE）介于0.622至0.715之间，均满足CR>0.70、AVE>0.50的判断标准，说明量表具有良好的聚合效度。总体而言，所借鉴的成熟量表在本研究样本中具有较好的信度和效度，可用于后续统计分析。

本研究中自变量为数字素养，包含信息和数据素养、数字内容创造、数字协作与发展、数字身份安全与责任4个子维度；因变量为学习效果。分组变量为学历层次、学科背景，学历层次划分为本科生与硕博研究生，学科背景划分为人文社科类与理工农医类，用于开展群体异质性对比分析。

（三）数据分析方法

本研究采用“预测建模-模型解释-结构推断-群体比较”的四步递进分析框架。

首先，采用XGBoost建立学习效果预测模型。XGBoost是一种基于梯度提升决策树的集成学习方法，通过逐步拟合前一轮模型的预测误差，形成由多个弱学习器构成的强预测模型，并利用正则化机制降低过拟合风险。本研究以信息和数据素养、数字内容创造、数字协作与发展、数字身份安全与责任4个维度作为主要预测变量，以学习效果作为结果变量，建立XGBoost预测模型。各维度得分均采用题项算术平均分计算，取值范围统一为1~5分，消除了题项数量差异带来的量纲差异；XGBoost特征重要性基于预测增益计算，不受变量取值幅度的系统性影响，结果具备稳健性。通过交叉验证和参数调优提高模型结果的稳定性。在此基础上，根据模型输出的特征重要性，比较数字素养各维度在学习效果预测中的相对重要程度。需要说明的是，XGBoost特征重要性反映的是变量对模型预测结果的贡献，不等同于传统统计意义上的回归效应或因果效应。

其次，在XGBoost模型基础上，进一步采用SHAP方法开展可解释性分析。通过SHAP摘要图和蜂群图识别各数字素养维度的重要性及其对个体预测结果的影响，通过SHAP依赖图分析关键维度得分与预测贡献之间的非线性关系，从而揭示数字素养不同维度在学习效果预测中的具体作用模式。

再次，采用贝叶斯结构推断方法分析数字素养各维度与学习效果之间的结构关系。贝叶斯结构推断以贝叶斯网络为基础，通过有向无环图表示变量之间的条件依赖关系，并根据数据对不同网络结构的支持程度进行比较和更新。研究首先基于数字素养的理论框架提出初始结构假设，再结合数据中的条件依赖关系对网络结构进行推断，进而识别信息和数据素养、数字内容创造、数字协作与发展、数字身份安全与责任以及学习效果之间可能存在的直接路径和间接路径。贝叶斯结构推断的结果主要用于揭示变量之间的概率关联和结构特征。

最后，分别对不同学历层次和学科背景的学生重新训练XGBoost模型，计算各群体的SHAP值，比较不同群体中数字素养各维度的预测重要性、贡献方向和非线性特征。同时，开展贝叶斯结构推断，比较不同群体在变量依赖关系和路径结构方面的差异。

本研究所提出的方法相较于以QCA为代表的组态分析方法的核心优势在于，能准确适配千量级以上的调研样本并充分利用连续型因变量的信息价值，可定量输出各维度贡献度排序、清晰解析各维度的边际效应、阈值特征与非线性交互模式，从而兼顾贡献比较与机制解释。

三、实证结果分析

（一）数字素养各维度对学习效果影响的重要性分析

1. XGBoost模型揭示数字身份安全与责任占据预测主导地位。本研究采用XGBoost模型进行特征重要性评估，通过梯度提升决策树的集成学习机制捕捉变量间的非线性关系和交互效应，其输出的特征重要性分数反映了各预测变量对目标变量的贡献程度。图1呈现了4个维度的XGBoost特征重要性排序。数字身份安全与责任的相对重要性高达0.6674，在4个维度中占据主导地位；数字协作与发展的权重为0.1845，位列第二；信息和数据素养与数字内容创造的贡献相对有限。这一梯度差异极为显著：数字身份安全与责任的重要性分别是数字协作与发展、信息和数据素养、数字内容创造的约3.6倍、8.4倍和9.7倍。该结果支持数字素养各维度与学习效果存在正向预测关联，但不支持数字内容创造具有最高预测贡献的预期。假设H1成立，但H1a不成立。

2. SHAP分析证实核心维度存在阈值型非线性促进效应。在明确各维度相对重要性的基础上，本研究进一步采用SHAP方法进行可解释性分析。SHAP基于合作博弈论中的Shapley值，能够量化每个特征值对个体预测结果的边际贡献方向与强度。图2呈现了数字素养各维度的SHAP依赖，揭示了各维度得分与SHAP值之间的函数关系。

如图2所示，当数字身份安全与责任维度得分跨越阈值4后，SHAP值逐渐转为正值且呈近似线性增长。本研究进一步通过数值计算印证该结论，以4分为断点进行分段线性回归，得分低于4时，SHAP值总体为负，回归系数为0.49且显著（t=103.16，p<0.001）；得分不低于4时回归系数跃升至0.90且显著（t=115.63，p<0.001），断点前后斜率差异通过了Chow检验（F=863.34，p<0.001），从统计上支持了非线性阈值效应的判断。这表明，学生在该维度上达到中等水平以上后，其对学习效果的促进效应随得分提升而持续增强，不存在边际递减的趋势。其他三个维度虽然同样表现出得分越高SHAP正向贡献越大的趋势，但未呈现如身份安全维度那样明确的阈值拐点，故不作重点报告。

（二）数字素养各维度间的结构关联路径

本研究采用贝叶斯网络结构学习探索数字素养各维度与学习效果之间的条件依赖结构。（见图3）箭头表示在给定模型设定与样本数据下的有向关联，箭头旁数值为标准化关联系数，其方向不构成横截面数据中的因果识别。

其一，信息和数据素养处于结构关联链条的上游位置，分别对数字内容创造（r=0.75）、学习效果（r=0.15）与数字协作与发展（r=0.77）呈现不同程度的直接关联。其二，数字身份安全与责任位于另一条结构关联链的上游位置，分别对数字协作与发展（r=0.76）和学习效果（r=0.56）呈现不同程度的直接关联，与XGBoost特征重要性分析中该维度占据主导地位的发现高度一致。其三，数字协作与发展在结构关联网络中处于枢纽位置，分别对数字内容创造（r=0.80）和学习效果（r=0.22）呈现不同程度的直接关联，其对数字内容创造的关联系数最高（r=0.80）。

综上，贝叶斯网络呈现出三条并行的结构关联链：其一，信息和数据素养结构关联路径为“信息和数据素养→数字内容创造→学习效果”，信息和数据素养的基础性功能通过数字内容创造与学习效果形成间接关联；其二，数字协作与发展结构关联路径为“信息和数据素养→数字协作与发展→学习效果”，信息和数据素养通过数字协作与发展和学习效果形成间接正向关联；其三，数字身份安全与责任结构关联路径为“数字身份安全与责任→数字协作与发展→数字内容创造→学习效果”，数字身份安全与责任经由数字协作与发展和数字内容创造与学习效果形成间接关联，叠加其对学习效果的直接关联（r=0.56），在网络中呈现较强的综合关联。假设H2、H2a、H2b、H2c成立。

（三）数字素养影响学习效果的机制在不同群体中的差异

前述分析揭示了数字素养各维度与学习效果的平均预测关联，但这种关联是否在不同学生群体中保持稳定，尚需进一步考察。本研究从维度重要性和结构关联两个层面，比较不同学历层次与不同学科背景群体间的异质性。

1. 本科生群体重协作应用，研究生群体重信息研究。本科生群体维度重要性排序为：数字身份安全与责任>数字协作与发展>数字内容创造>信息和数据素养。（见图4）数字身份安全与责任的点横向分布范围最大，高分样本（深色点）集中在SHAP正值区域，对学习效果有较强正向预测作用；数字协作与发展维度，高分样本对应正SHAP值、低分样本对应负SHAP值，能够有效区分本科生学习效果高低。研究生群体中，排序为：数字身份安全与责任>信息和数据素养>数字协作与发展>数字内容创造。（见图5）信息和数据素养跃居第二，其SHAP值分布范围较本科生明显扩大，高得分对应的正向预测贡献更为突出。此外，在贝叶斯网络结构关联中，本科生组的数字身份安全与责任和学习效果的直接关联系数（r=0.56）高于研究生组（r=0.43），数字内容创造与学习效果的直接关联系数（r=0.16）低于研究生组（r=0.28）。

2. 理工农医群体重安全责任，人文社科群体重内容创造。理工农医群体维度重要性排序为：数字身份安全与责任>数字协作与发展>数字内容创造>信息和数据素养。（见图6）值得注意的是，数字身份安全与责任、数字协作与发展两个维度的SHAP值点分布较为分散，横轴跨度明显大于人文社科群体，深色点在高SHAP值区域集中度更高。人文社科群体虽维度排序与理工农医群体一致，但SHAP值分布形态存在细微差异：数字协作与发展的低水平点在负向延伸程度上不如理工农医群体明显，且深色点集中度相对较低。（见图7）此外，在贝叶斯网络的结构关联中，两群体均呈现“数字身份安全与责任→数字协作与发展→数字内容创造→学习效果”的有向关联结构。理工农医群体中数字身份安全与责任和学习效果的直接关联系数（r=0.60）高于人文社科群体（r=0.54）；人文社科群体中数字内容创造与学习效果的直接关联系数（r=0.20）高于理工农医群体（r=0.08）。综上，假设H3成立。

四、研究结论与建议

（一）研究结论

第一，数字身份安全与责任是学习效果预测中最重要的维度。与信息获取、数字协作和内容创造等工具性能力相比，隐私保护、知识产权意识、数字时间管理和责任使用等能力对学习效果预测表现出更高的重要性。SHAP分析显示，当学生在数字身份安全与责任方面的表现较低时，其对学习效果预测结果的贡献总体偏低；达到一定水平后，正向贡献逐渐增强。这说明，数字化学习不仅取决于学生“会不会使用数字工具”，也与其能否规范、自律和负责任地使用数字技术密切相关。

第二，数字素养各维度之间呈现一定的层级关联和递进结构。信息和数据素养主要承担信息获取、筛选和处理等基础功能，数字协作与发展则发挥沟通、共享和协同作用，数字内容创造体现知识整合、成果表达和创新应用。贝叶斯结构推断结果显示，三者之间存在“信息和数据素养-数字协作与发展-数字内容创造”的结构联系。同时，数字身份安全与责任既可能与学习效果形成直接路径关联，也可能通过数字协作与发展和数字内容创造形成间接路径。可见，数字素养各维度相互关联，单独提升某一项能力可能难以充分转化为整体学习成效。

第三，不同学历层次学生的数字素养的预测关联结构存在差异。本科生群体中，数字身份安全与责任及数字协作与发展的预测贡献更为突出，整体表现出与课程学习、小组合作和项目任务相适应的应用型特征。研究生群体则更加依赖信息检索、信息评价、数据处理、知识整合和学术表达等能力，数字内容创造在其学习过程中具有更明显的作用，相关路径也更多表现为由数字身份安全与责任、数字协作发展逐步连接到数字内容创造和学习效果的链式结构。这表明，随着学习任务由课程学习逐步转向专业研究，数字素养的作用重点也会发生相应变化。

第四，学科背景塑造了数字素养的差异化效能结构。理工农医群体与人文社科群体在重要性维度排序上一致，但关联强度存在明显分化：理工农医群体数字身份安全与责任和数字协作与发展的贡献跨度更大、极值效应更突出，可能源于数据实验管理、代码协同等数字实践已深度嵌入理工农医群体知识生产的刚性基础设施；人文社科群体数字内容创造与学习效果的直接关联强度高于理工农医群体，反映出数字内容生成与表达在人文社科学术实践中的核心地位。该结论与已有研究相呼应。这一解释仍需在后续研究中结合不同学科的具体学习任务加以检验。这一发现意味着数字素养教育不能采用“一刀切”的方案，而须依据学科的知识生产方式与技术依赖特征进行适配。

（二）政策建议

第一，构建以“数字身份安全与责任”为核心的高校数字素养课程体系。鉴于数字身份安全与责任在预测模型中表现出较高的重要性，应当将伦理意识、自我管理能力与负责任行为的培育置于数字素养教育的优先位置，构建一套具有广泛共识的数字教育伦理标准体系和治理框架，明确智能技术在教育领域的边界与限度。此外，面向全体学生开设数字身份管理与数字伦理必修课程，内容涵盖个人隐私保护、网络言行规范、知识产权尊重、数字时间管理等模块。同时，将数字身份安全与责任的培育融入专业课程教学全过程，通过案例教学、情境模拟等方式，使学生在真实或仿真的数字学习场景中内化安全责任意识。

第二，扭转“信息和数据素养→数字协作与发展→数字内容创造”关联链条中的效能损耗，建立递进式培养机制。当前大部分高校的数字素养教育仍主要集中于文献检索和信息获取等基础技能，即止步于信息素养的基础层，未能向下游的协作与创造环节延伸，导致关联链条断裂。高校应在信息素养教育基础上，系统开设数字协作工具与方法的训练模块，如在线协同编辑、云端文档管理、学术社交网络运用，并在后续学期中设置数字内容创造的进阶训练，如数据可视化、学术成果多元呈现，使信息素养从“孤立的技能习得”转化为“完整的效能释放链条”。三类课程应按“基础→应用→创新”的递进逻辑有机串联，贯穿本硕博全学段，形成“学有所获、获有所用、用有所创”的闭环培养体系。

第三，实施本科生与研究生的分层培养策略，区别设定课程类型与能力目标。结合本研究发现和不同培养阶段的学习任务特点，本科生阶段应强化数字协作与内容创造等“应用型”数字技能的系统训练，将线上协同办公、数据可视化呈现等工具性能力纳入通识教育课程体系；研究生阶段则应聚焦信息和数据素养等“研究型”数字能力的深度培育，围绕文献检索与管理、数据挖掘与处理、引文分析工具应用等模块开设专题工作坊，由研究生根据自身研究需求自主选学。两类群体均需将数字身份安全与责任作为贯穿始终的基础性内容，同时建立“本-硕-博”衔接的数字素养培养通道，避免因培养阶段切换而导致能力发展的断层或重复。

第四，针对理工农医与人文社科两类学科群体，分别实施“工具性”与“内容性”各有侧重的差异化培养策略。理工农医类学生应重点加强线上实验数据安全、代码协作规范、科研软件操作等“工具性数字化”能力的系统训练，将数字安全与协作能力的培育嵌入实验课程与科研训练环节；人文社科类学生则应在夯实数字协作基础的同时，注重提升数字内容创造与批判性信息评价能力，通过数字人文项目、学术社交网络实践等形式，促进“内容性数字化”能力的软性转化。两类学科均需夯实安全责任与协作的共性基础，高校应建立跨学科的数字素养教学资源共享机制，推动不同学科之间的经验借鉴。

【范沁宁，中南大学法学院讲师；兰奕星，通讯作者，国防科技大学智能科学学院讲师】

原文刊载于《中国高教研究》2026年第10期