人工智能（AI）正在吸引大量的关注，研究公众对人工智能的看法及其对研究证据的可信度的影响非常重要。在文献中，有证据表明，当以神经科学研究结果为框架时，人们对研究证据的权重过高。在该研究中，研究者介绍了首次调查AI框架对教育研究证据感知可信度的影响的结果。在一项实验研究中，研究者将包括教育工作者在内的605名参与者分配到三种条件中的一种，在这三种条件中，同一教育研究证据被框定在。AI, 神经科学, 或教育心理学. 结果表明，当教育研究证据被框定在人工智能研究范围内时，相比之下，当它被框定在神经科学或教育心理学范围内时，它被认为可信度较低。当控制了被试对框架学科的熟悉程度后，效果仍然明显。此外，研究者的结果还表明，普通大众认为人工智能在协助研究者理解儿童学习方式方面的帮助较小，缺乏对科学方法的坚持，与神经科学和教育心理学相比，人工智能的声望较低。考虑到人工智能技术在教育环境中的应用越来越多，研究者认为，应该大力尝试恢复人工智能在科学上不够稳健、与教育心理学和神经科学相比威望较低的公众形象。在文章的最后，研究者建议人工智能在教育界应该尝试与人工智能和教育的关键利益相关者更积极地接触，以帮助减轻这种影响。该研究以“Impact of an Artificial Intelligence Research Frame on the Perceived Credibility of Educational Research Evidence”为题发布于《International Journal of Artificial Intelligence in Education》杂志上。

    研究背景与结果  

在过去的十年内，私营部门在大规模项目上投入了大量资金，以开发能够与人类互动的人工智能。这导致许多这些技术成为研究者在工作、家庭、休闲、医疗、社会关怀和教育领域的日常实践的一部分。从人工智能的一些应用中可以获得很大的好处，因为它们有可能节省时间，减少人类执行任务的努力并降低成本。通过重复性和单调性任务的自动化，人工智能系统可以将人类从危险和琐碎的任务中解脱出来，通过为老龄化人口提供可靠的护理协助来改善福祉，通过标准化来改善服务遭遇，并为不同的用户群体提供陪伴和情感辅助。正如所论述的那样，人工智能系统也有可能在机器与人类的合作中作为 "超人类 "增强人类智能。例如在医疗领域，深度学习算法已经被训练成可以从光学相干断层扫描（OCT）中自动识别病理，以实现对视力有威胁的糖尿病视网膜病变和年龄相关的黄斑变性的早期检测和分流，为医生提供建议，并解释fMRI扫描。这些技术正在快速发展，它们越来越多地进入研究者的日常生活。AI发明和应用的速度以及与之相关的兴奋感让研究人员质疑AI解释是否对个体施加了 "诱惑力"，导致他们对AI中的不良解释或构架的论点做出更有利的判断。在2000年代初和2010年代，当 "神经科学 "一词同样流行时，一些研究者也注意到了类似的现象，并注意到了它的 "诱惑力诱惑"。

另一方面，并不是所有关于人工智能的提法都与公众的积极态度有关，媒体和公众言论中也经常提出对人工智能技术潜在有害影响的担忧。此外，备受尊敬的学者和公众人物加剧了对人工智能机器给人类造成生存后果的荒诞场景的构建。例如，史蒂文-霍金警告说，人工智能可能会终结人类，埃隆-马斯克认为，人工智能极有可能毁灭人类。此外，还有其他关于人工智能对未来劳动力的观察和预期影响的论点，以及围绕大规模失业的相关担忧。这些负面的注解有可能歪曲公众的认知，避免或忽略人工智能系统。例如，尽管基于证据的算法比人类预测者更准确地预测未来，但当预测者在决定使用人类预测者还是算法时，他们通常会选择人类预测者。

最近的这些担忧，使得研究者有相当大的必要探讨公众对人工智能的看法，以及与其他科学领域相比，人工智能对研究证据可信度判断的潜在影响。调查公众对人工智能的看法是非常重要的，因为它可以导致具有潜在严重社会影响的监管活动，也可以帮助研究者定义社会政策。更具体到教育领域的人工智能，公众对人工智能的潜在反感对整个社会来说是有代价的。例如，AI in Education系统在其有效性方面可以与人类辅导员相媲美，然而许多人仍然抗拒使用它们，并积极示威反对在学校中使用它们。为了有效地采用AI，重要的是在AI技术的关键利益相关者之间建立一个共同的理解，包括公众、教育工作者和学术界。

在这篇文章中，研究者探讨了公众对人工智能的认知，以及他们对有关教育的研究证据的可信度，并将其框定在不同的科学研究领域，具体包括：教育心理学、神经科学和人工智能。虽然在过去，已经有一些尝试通过民意调查；通过对文章的纵向研究，以及通过社交媒体分析来调查公众对人工智能的看法；据研究者所知，这是第一次调查研究者对人工智能的态度是否模糊了研究者对教育研究证据可信度的看法。

事实证明，人们会更重视神经科学框架内的证据。有人要求参与者判断关于心理现象的文章中的论点质量，结果显示，加入神经科学发现会降低新手参与者区分好的解释和坏的解释的能力。同样，在控制条件下，给他们的参与者提供了一页为大众媒体撰写的认知神经科学发现的摘要。在实验条件下，参与者得到了同样的信息，并附有一张条形图或fMRI扫描的大脑图像。当信息伴有fMRI图像时，参与者对科学推理的评价最高，因此作者得出结论：当神经科学解释伴有大脑图像时，其可信度更高。尽管如此，最近的研究，未能复制这些发现。使用了类似的策略，将神经科学解释与大脑图像、柱状图或单独呈现。他们发现，添加大脑图像对改变科学解释的感知质量几乎没有什么作用。同样，对这个主题进行了全面的研究，有近两千名参与者，得出了类似的结论。最近，为了研究多余的神经科学解释的影响，对385名大学生进行了四个实验。学生们被要求阅读心理现象的简要描述，每一个心理现象都伴随着质量不一的解释，之后是各种类型的多余信息。作者的结论是，多余的神经科学信息增加了好的和坏的解释的判断质量，而伴随的fMRI图片在神经科学文本之上没有影响。虽然，最近的证据表明，添加脑部图片对增加神经科学解释的感知质量几乎没有影响。但这些研究并没有调查无关的神经科学信息（无论是图片还是文字）是否会对其他方面都是非神经科学的研究证据的解释产生影响。这是一个重要的区别。它导致人们认为，与其说是大脑图像的知觉问题，不如说神经科学的诱惑力可能是由大脑相关主体的概念属性所驱动的。为了研究神经科学信息的存在是否会对研究质量的判断产生不当影响，进行了一系列实验，得出结论：多余的神经科学信息比社会科学信息更具诱惑力，比化学、生物学和遗传学等著名硬科学的信息更具诱惑力。

这一发现说明，神经科学的偏见可能是概念性的，而不是图像性的。这种偏见可能会对证据可信度的判断产生不适当的影响，最近各学科产生的证据也支持了这一点。更具体地说，在教育学的背景下，从普通公众中招募了320名参与者，并要求他们判断以神经科学语言、图形和大脑图像输入为框架的研究文章的可信度。他们的结果显示，公众对有外在神经科学口头研究结果和大脑图像的教育文章的可信度判断高于没有外在神经科学信息的文章。而且，即使在控制了对教育的熟悉程度、对心理学的态度和对神经科学的了解等方面的个体差异后，这种效应依然存在。同样，神经科学的诱惑力在不同领域也有不同程度的观察，包括法律和市场营销。

在本研究中，研究者有两个假设，如前文所述，研究者用三个研究问题对其进行研究。第一个研究问题是，同一教育研究证据的框架学科是否会对公众对其认知的可信度产生影响。研究者研究了三个学科框架：神经科学、教育心理学和人工智能。由于人工智能的现实情况与各种形式的媒体对它的描述方式存在分歧，研究者假设，与其他以教育心理学和神经科学框架呈现相同证据的文章相比，人们的可信度价值会有所倾斜。这是对这一概念的第一次调查，因此研究者没有引入任何实验性的平移来改变呈现给参与者的框架数量或类型。

研究者的第二个研究问题是调查通过人工智能框架化的证据的潜在歪曲的公众认知与神经科学效应的诱惑力相比如何。

为了调查这两个研究问题，研究者使用了与最近一项调查教育中神经科学效应的诱惑力诱惑力的研究中使用的类似文章。然后，研究者将神经科学和人工智能框架的可信度值与教育心理学框架的可信度值进行比较，以获得相同的研究证据。

研究者最后一个研究问题是关于公众对教育心理学、神经科学和人工智能的态度，以及一些个体差异如何影响公众的可信度判断。基于上述文献综述，研究者对两个潜在的混杂变量特别感兴趣：参与者对教育心理学、神经科学和人工智能领域的熟悉程度以及他们对这些领域的态度是否会导致他们对研究证据可信度的判断出现任何特殊的偏差。

研究者以普通公众参与者为目标，因此，研究者通过一家基于云的在线调查开发软件公司招募了参与者。这是一个平台，来自世界各地的成年“工人”注册从事在线“工作”以获得报酬。这项在线调查向居住在英国和美国的18岁以上、以英语为主要语言的公众提供。这项调查是在询问参与者对各种简短的教育文章的意见以及他们对每一篇文章的可信度的评估范围内提出的。与会者被告知，调查将花费他们大约15-25分钟的时间。调查是匿名的，不需要任何个人资料，参与者有权在任何时候退出调查。研究者使用在线调查平台的自动块随机化功能，将参与者随机分配到人工智能、教育心理学或神经科学的学科框架之一。研究者还使用项目随机化的可信度和态度调查，以避免项目顺序偏差。每位与会者通过网上确认表示知情同意。

 图为参与者人口差距的频率

这些人口统计数据表明，大部分样本年龄在25岁至34岁之间，曾接受过高等教育，其中约三分之二为女性，其中大部分为人工智能、教育心理学和神经科学领域的非专家。更具体地说，参与者包括66名教育工作者、43名计算机科学家、40名心理学家、6名神经科学家和190名来自其他专业领域的参与者。130人有高中学位，112人有本科学位，66人有硕士学位，32人有博士学位。九个态度项目包含三个问题，检查参与者对这三个学科的态度。特别是，所有参与者都被问及：(1)该学科是否能帮助理解儿童如何学习；(2)在该学科中实践的研究人员是否坚持科学方法；(3)社会是否认为该学科在这三个学科中的每一个学科都是有声望的。

研究者进行了Friedman检验，以确定被试对这三个学科如何帮助研究者理解儿童的学习方式、对学科研究者如何坚持科学方法以及对社会如何看待这些学科的声望是否存在差异。进行配对比较，多重比较采用Bonferroni校正。结果发现，各学科之间对这三个方面的态度都有显著差异。

 图为参与者态度的中位数

 图为综合可信度评分

 图为标准可信度对教育者来说意味着等级

研究者的结果表明，在控制了参与者对该主题的熟悉程度后，人工智能框架中的教育证据在统计上仍然被认为比神经科学和教育心理学框架更不可信。唯一对整个研究可信度产生难以置信的人工智能效应的重要预测因素是公众对他们是否认为教育心理学研究者坚持科学方法的态度。虽然AI框架对神经科学和教育心理学的可信度相对较低，解释了综合指数中相对较小的一部分，但在统计学上，人们对教育心理学研究者坚持科学方法的态度对AI框架的可信度有显著的影响。基于系数的方向和意义，那些认为教育心理学研究者坚持科学方法的人更有可能判断研究者在自己的条件下提出的教育研究证据是否更可信。此外，还有两个因素重复地导致了研究者的可信度措施的子类别：

(1)社会认为教育心理学是一门有声望的学科(绿色)的态度；

(2)人工智能研究能够帮助研究者理解儿童如何学习(灰色)的态度。

有趣的是，参与者的年龄、性别、受教育程度和学历等人口学特征并没有预测综合可信度评分的主要研究效果。唯一的人口学特征是参与者的年龄，它能显着地预测经验性并有助于理解分数。参与者年龄的增加导致他们对经验性和帮助他们理解研究的可信度。

    实验结论  

研究调查了不同学科中教育研究证据的框架对人们对所提出的研究证据可信度的看法的影响。研究者发现，当教育研究证据以人工智能为框架时，与以神经科学或教育心理学为框架时相比，人们认为其可信度较低。即使控制了被试者对该主题的熟悉程度，这种效果仍然很明显。这种效果在参与本研究的教育工作者中也很明显。据研究者所知，这是第一个表明教育研究证据的人工智能框架会影响所呈现的研究结果的可信度的研究。研究者的目标是在定性和定量研究中进一步研究该效应，而且还将对不同的参与者样本进行研究，包括教师、研究人员和有望在教育中采用和使用AI技术的学生。

参考文献：Mutlu Cukurova, Rosemary Luckin & Carmel Kent Impact of an Artificial Intelligence Research Frame on the Perceived Credibility of Educational Research Evidence International Journal of Artificial Intelligence in Education 205–235(2020)