Frontiers in Psychology：EduBot 苏格拉底式AI代理与中国大学生学习投入的准实验研究

摘要

关于人工智能如何与文化多元的高等教育环境中的学生参与度相关联的实证证据仍然有限。在中国大学课堂中，互动往往由教师主导，课堂提问可能带来社交成本，而人工智能驱动的对话工具可能为主动参与提供低压力的机会。本研究考察了人工智能对话代理（EduBot）与中国本科生参与度的行为、认知、情感和能动维度之间的关联。采用混合方法准实验设计，涉及四所综合性（多学科、研究密集型）大学的555名学生，每所大学提供一门在两个平行班级中教授的入门课程。在15周的学期内，干预组（n = 278）使用嵌入学习管理系统中的苏格拉底式对话代理EduBot，为期12周；对照组（n = 277）使用助教主持的论坛。我们在三个时间点使用改编自既有量表的21项四维参与度量表测量参与度，并辅以系统日志、30名学生访谈和教师焦点小组。线性混合效应模型（考虑了学生嵌套于课程班级的结构）以及混合设计方差分析显示，行为（η²p = 0.043，后测 d = 0.71）、认知（η²p = 0.032，d = 0.55）、能动（η²p = 0.054，d = 0.57）和情感参与度（η²p = 0.012，d = 0.34）均存在组别 × 时间交互作用，经Holm校正后所有 p ≤ 0.001。在干预组内，EduBot会话次数在调整基线分数和协变量后预测了后测参与度。探索性调节分析表明，一年级学生的能动性增益更大，先前GPA较低的学生的认知增益更大。主题分析识别出三种假设机制，即无评判的互动空间、支架式坚持和时间灵活性。苏格拉底式支架人工智能代理与更高的参与度相关，其中能动参与度最为明显，参与者描述其受到课堂规范的约束。研究结果支持文化敏感的人工智能设计，并初步提示其具有促进公平的潜力。由于该设计比较的是一个集成人工智能方案与八个班级的常规实践，因此效果不能归因于单一设计组件。

1 引言

人工智能（AI）技术快速融入高等教育，其转型的本质是深刻变革（Pireci Sejdiu and Sejdiu, 2025）。基于预测分析、生成式人工智能系统、自适应辅导和智能聊天机器人，这些技术正在改变学习过程和学生互动的本质（Shahzad et al., 2024; Chakraborty, 2026）。学生参与度——即在行为、认知和情感上对学习的投入——被广泛认为是学业成就的决定性因素（Xu et al., 2023）。然而，传统的教学设计难以大规模维持这种参与度（Biku et al., 2018）。基于人工智能的学习设备可能提供解决方案，由此引出一个关键问题：如何利用人工智能来提高学生参与度（Zhou and Peng, 2025）。人工智能应用在高等教育中的使用呈指数级增长，重点在于个性化学习和辅导系统（Vieriu and Petrea, 2025; Zhou and Peng, 2025）。系统性综述表明，若实施得当，人工智能工具能为参与度提供有益的补充（Debets et al., 2025; Tbaishat and Elfadel, 2025）。像ChatGPT这样的生成式人工智能（GenAI）应用已在不同学科环境中记录到学生信心、动机和参与度的提升（Ashraf et al., 2025; Kumar, 2021; Nasr et al., 2025），在认知、行为和情感维度上产生了显著的积极影响（Lin and Chen, 2024; Zhu and Yang, 2026）。人工智能如今有能力大规模提供个性化支架并微调结果（Rodríguez-Ortiz et al., 2025; Yan et al., 2025）。尽管证据不断积累，人工智能对参与度的影响并不一致（Long et al., 2026）。当人工智能工具融入互动式教学法时，参与度最高（Wang and Li, 2026），但若实施时未考虑教学法，参与度可能会降低（Akgun and Greenhow, 2022）。像PMAISE这样的框架试图描绘这种对应关系（Bulut, 2026）。此外，实证研究结果仍不完整，往往局限于小型案例研究（Ofem et al., 2024）。要实现人工智能的变革潜力，需要整体生态系统而非临时性实施（Lan and Zhou, 2025），同时还要应对伦理、公平和实施方面的挑战，以防止加剧机构间的不平衡（Balalle and Pannilage, 2025）。

多项研究直接考察了AI工具与高等教育中学生投入之间的关联，其研究设计有助于为本研究定位。在一项包含24项随机研究的元分析中，Wu和Yu（2024）发现AI聊天机器人对学习成果具有较大的平均效应，且高等教育中的效应大于学校环境，并受到干预时长的调节。Deng等（2025）综合了69项关于ChatGPT的实验研究，报告了学习表现上的一致提升，以及对情感结果不太一致的效应。在单门课程层面，Essel等（2022）将68名加纳本科生随机分配到课程聊天机器人组或教师主导支持组，发现聊天机器人组取得了更高的成绩和更自信的参与；Kumar（2021）记录了在一门设计课程中使用教育聊天机器人改善的团队学习成果；Lin和Chen（2024）将AI集成应用与大学生的创造力和学业情绪联系起来；Zhou和Peng（2025）将学习投入建模为教学中AI使用与学生创造力之间的中介变量，并以AI素养作为调节变量。Labadze等（2023）和Long等（2026）的综述得出结论，收益取决于工具如何与教学整合，且大多数原始研究时间短、单点开展，并依赖自我报告的结果，未区分投入的行为、认知、情感和能动性等维度。这些研究中很少有在中国大陆高校开展的，而且据我们所知，没有一项研究将四维投入构念的重复测量与日志数据以及学生对工具体验的质性描述结合起来。

关键在于，实证研究往往忽视了文化特定的学习环境如何塑造AI的教学潜力。中国许多大学的课堂互动仍以教师主导，关于课堂沉默的研究报告称，对脸面和打断教师的担忧可能抑制学生在课堂上的提问（Liu等，2026；Shi，2026）；这些模式因院校、学科和个别课堂而异，不应被视为固定的文化特征（Ryan和Louie，2007）。将AI驱动的对话工具引入这一独特环境，可能以复杂的方式与既有行为相互作用。在此背景下，本文考察在中国本科生中使用基于AI的对话代理（EduBot）与投入之间的关联，而不假设技术决定其效果。本研究探讨两个问题：（1）在考虑学生嵌套于课程班级之后，使用苏格拉底式AI对话代理与学生在整个学期中行为、认知、情感和能动性投入维度的变化有何关联？（2）学生和教师如何描述该工具在其课堂情境中与投入相关联的体验？

2 材料与方法

2.1 研究设计与参与者

本研究采用混合方法准实验设计，并设置非等效对照组（Natto, 2026）。中国四所研究密集型综合性大学（浙江大学、南京大学、武汉大学和复旦大学）参与了本研究；我们有意选取这些大学，以限制教学基础设施和数字化准备程度方面的差异；综合性大学是提供自然科学、工程学、人文和社会科学等多学科项目的多学科机构，有别于单一学科机构。每所大学贡献一门大型入门课程，即浙江大学的心理学导论、南京大学的计算机科学导论、武汉大学的商学导论和复旦大学的生物学导论。因此，在本设计中，大学与课程完全混淆，机构影响和学科影响无法分离。每门课程均在2025年秋季开设，分为两个平行教学班，由同一位教师使用相同的教学大纲、讲义材料、评估方式和助教支持进行授课；在研究公布之前，学生已通过常规课表选课被分配到各教学班。在每门课程中，课程协调员在学期开始前通过抛硬币将其中一个教学班分配到EduBot条件，另一个分配到对照条件，由此产生八个班级（每种条件四个）。因此，学生嵌套于教学班中，教学班嵌套于大学中。

在八个教学班注册的612名学生中，583名（95.3%）年满18岁，签署了书面知情同意书并完成了基线问卷。其中，555名（95.2%；干预组n = 278，对照组n = 277）完成了全部三轮问卷并通过了注意力检查，他们构成了完整病例分析样本；28名学生（干预组12名，对照组16名）失访，其中21名因至少错过一轮问卷，7名因问卷未通过下文所述质量标准。失访率在不同条件间无差异（χ²(1) = 0.56，p = 0.46），且退出学生在基线参与度（所有p > 0.11）或GPA（p = 0.16）方面与完成者无差异。意向治疗人群包括全部583名同意参与的学生。G*Power中的a priori功效计算（Kang, 2021）表明，在独立性假设下，555名学生可在α = 0.05时提供0.98的功效来检测d = 0.35的组间差异。由于学生聚集在八个教学班中，我们采用Hedges和Hedberg（2007）的聚类调整方法重新计算了组别×时间对比的功效，假设前后相关系数为0.55，每组四个教学班，平均69名学生。在组内相关系数（ICC）为0.01时，d = 0.35的功效为0.79，在ICC为0.03时为0.55；对于d = 0.50，功效分别为0.98和0.84。观察到的参与度教学班层面ICC为0.019–0.038（表1）。因此，在考虑聚类后，本设计对中到大效应具有足够功效，但对小效应功效不足，我们将其列为一个局限性。浙江大学机构审查委员会批准了该方案（ZJU-IRB-2025-042），所有参与者均提供了书面知情同意。

表1

Group × Time 对投入影响的线性混合效应模型，对学生和课程班级设置随机截距（完整病例样本，n = 555 名学生，8 个班级，1,665 次观测）。

模型：engagement ~ Group + Time + Group × Time，对学生嵌套于课程班级设置随机截距；采用限制最大似然估计；参照类别为 T1 时的对照组，因此 b 表示两组从 T1 起变化量之差，以量表分（1–7）计。ICC = 组内相关系数（占总方差的比例）。Group × T3 的所有未校正 p 值均 < 0.001。在每个模型中，班级层面时间斜率的方差估计为零（似然比 χ²(2) = 0.00），因此保留随机截距模型；加入斜率后，估计值保留两位小数保持不变。

2.2 研究背景与 AI 干预描述

这四门课程均采用混合式教学，每门课程的两个班级使用相同的讲授材料。

时间线。学期共持续 15 周。学生在第 1 周完成基线问卷（T1），此时 EduBot 尚未启用；EduBot 从第 2 周开始至第 13 周结束对干预班级开放，实际干预期为 12 周（84 天），这也是所有基于日志的指标的参照期；学生在第 7 周完成干预中期问卷（T2），在第 14 周（即 EduBot 访问权限撤销后的那一周）完成干预后问卷（T3）。访谈和焦点小组在第 14–15 周进行。因此，干预本身在 15 周的学期内持续了 12 周。

EduBot。EduBot 是一个对话式智能体，基于托管在大学自有服务器上的开放权重大型语言模型（Qwen2-72B-Instruct）构建，因此学生数据不会离开学校。模型参数未被修改；教学行为通过以下方式实现：(a) 基于每门课程的讲座幻灯片、教科书章节和习题集进行检索增强生成，使回答以课程材料为依据并显示来源段落，以及 (b) 一个固定的系统提示词，编码了辅导规则（Alsafari et al., 2024）。规则如下：首次请求时不得给出问题的最终答案；首先要求学生说明他们已知或已尝试的内容；以引导性问题或部分提示作答，在给出完整解答前最多提供三次连续提示；在交流结束时要求学生总结推理过程；当问题超出课程材料范围或答案不确定时明确说明；拒绝与课程无关的请求。当学生在至少两轮引导后达到并确认解决方案时，一次苏格拉底式对话被记录为完成。生物学课程中的一次典型交流始于学生询问为什么有氧呼吸和无氧呼吸的 ATP 产量不同；EduBot 询问每条途径发生在细胞中的哪个位置，然后询问哪一步再生 NAD+，只有在学生将电子传递链与氧气可用性联系起来后，它才总结推理并邀请学生复述。多模态澄清功能允许学生上传图表或手写解题过程的照片，并获得文字解释；元认知提示出现在每次会话结束时（例如，“你对哪一步最不确定？”）；激励性消息是简短的、非评价性的对坚持的认可，由会话时长而非表现触发。

保障措施、忠实度与对照条件。每周，教师会审查随机抽取的 5% 的对话记录，检查事实性错误和不当内容，学生也可以标记任何回答；该学期共审查了 23 条被标记的回答（占所有会话的 0.3%），其中 9 条包含事实性不准确之处，已通过向检索索引添加材料予以纠正。模型版本和系统提示词在学期前为期一周的试点后即被冻结，研究期间未作更改。对照班使用同一学习管理系统中由标准助教主持的讨论论坛，与干预班具有相同的答疑时间，且未获得 EduBot 账户。由于两种条件同时在多个维度上存在差异（全天候可用性、苏格拉底式提问、个性化、自动反馈和多模态），本研究评估的是一个集成的 AI 支持学习包，而非苏格拉底式提问或任何单一设计组件的孤立效果。我们无法阻止任一条件的学生在课程之外使用公开可用的聊天机器人（见局限性）。实施忠实度通过平台日志（表 2）以及与教师的每周检查进行监测，教师每周确认对照班没有 EduBot 访问权限。

表 2

84 天干预期间每名学生的 EduBot 互动指标（干预组，n = 278）。

每项指标均为每名学生在 84 天 EduBot 使用期间（第 2–13 周）的总量（对于平均会话时长，则为该学生的均值）；各列汇总了这 278 名干预学生中这些每名学生数值的分布。活跃天数是指学生至少打开一次会话的不同天数。18 名学生（6.5%）在所有指标上均为零。

2.3 数据收集工具

学生投入度。我们在每一轮调查中均使用一个 21 题量表测量投入度，该量表改编自 Reeve 和 Tseng（2011） 的四维学习活动投入度测量工具；据我们所知，这是使用最广泛的工具，除行为、情感和认知维度外，还包含能动性维度（Reeve，2013）。该量表包括行为投入（5 题，例如“我在这门课上认真听讲”）、情感投入（4 题，例如“我喜欢在这门课上学到新东西”）、认知投入（7 题，例如“当我为这门课学习时，我会尝试把所学内容与自己的经历联系起来”）和能动性投入（5 题，例如“课堂上我会提问以帮助自己学习”）；在下面描述专家评审后，原 8 个认知题项中的 1 个被删除，因为有两个题项在中文语境下被判定为冗余。题项按 1（非常不同意）至 7（非常同意）评分，分量表得分为题项均值。Freda 等（2023） 为涉及大学而非学校情境的题项措辞提供了参考。

效度程序。两名教育心理学双语研究者通过翻译和回译生成了中文版（Brislin，1970）；分歧通过与第三名研究者讨论解决。由三名高等教育研究领域的教师组成的小组对每个题项的相关性和清晰度进行了评分，并在一个未参与研究的班级的 42 名学生中进行了量表预试，之后对 4 个题项进行了改写。我们在每一轮调查中通过验证性因子分析（CFA）检验结构效度，并按形态、度量和标量等模型的顺序检验跨条件和跨轮次的测量不变性（Putnick 和 Bornstein，2016），以 ΔCFI ≤ 0.010 和 ΔRMSEA ≤ 0.015 作为不变性标准（Chen，2007）。T1 时的内部一致性（Cronbach’s α）为 0.89（行为）、0.86（认知）、0.91（情感）和 0.84（能动性），T2 和 T3 时数值相似（表 3）。

表 3

21 题投入度量表的验证性因子分析与测量不变性（完整案例样本，n = 555）。

对项目协方差和均值进行最大似然估计；四个相关因子（行为5个项目、认知7个、情绪4个、能动性5个）。标准化载荷范围为0.650至0.870，因子相关性范围为0.420至0.550。跨波次不变性将三个时间点视为组别。不变性标准：ΔCFI ≤ 0.010且ΔRMSEA ≤ 0.015（Chen, 2007）；所有步骤均满足两项标准，支持跨条件和跨时间的标量不变性。

施测与纳入标准。学生通过学习管理系统的调查工具在线以中文完成问卷；每波次开放七天，并在第3天和第6天发送提醒；完成时间为10–12分钟，且在课外进行。回答通过研究团队持有的编码学生标识符与平台日志关联，教师未看到这些回答，参与与否不影响成绩。每波次均嵌入了两个注意力检查项目（例如“请为本题选择‘同意’”）。如果学生注册在八个班级之一、年满18岁、已同意并完成了全部三个波次，则问卷纳入分析；如果任一注意力检查未通过或完成时间少于3分钟，则问卷被排除。

日志数据与定性数据。为补充自我报告，我们在84天的干预期内按学生汇总了EduBot平台日志，包括总聊天会话数、会话时长、苏格拉底式对话完成数、概念澄清请求数、元认知提示回应数和活跃天数。干预后，我们对30名干预组学生进行了45分钟的半结构化访谈（每所大学7–8人，按学习年限和EduBot使用情况有目的抽样），同时对12名教师和助教进行了三个焦点小组访谈，以探究参与者对该工具的体验以及课堂氛围的任何变化。

2.4 数据分析计划

我们在 R 4.4 和 IBM SPSS 29 中分析了定量数据。由于学生嵌套于八个课程班中，Group × Time 效应的主要分析采用线性混合效应模型，对学生和课程班设置随机截距，通过限制最大似然法估计，将时间（T1、T2、T3）作为分类的个体内因素，并将 Group × Time 项作为感兴趣的参数；通过似然比检验比较了在课程班水平设置随机时间斜率的模型。混合设计方差分析（Group × Time）假设观测独立，为便于与早期研究比较而保留，并与混合效应模型一并报告。效应量在两个层面报告：Group × Time 交互作用的部分 η²，用于描述纵向效应；以及 T3 时组间差异的 Cohen's d 及其 95% 置信区间，用于描述标准化的后测差异；这两者回答不同的问题，并据此标注。由于检验了四个相关结局，T3 时四个 Group × Time 对比的 p 值采用 Holm 法校正（Holm, 1979）。我们在干预组内考察剂量–反应关系，采用分层回归，在纳入基线参与度和协变量后，以 EduBot 会话数（每 10 次会话）预测 T3 参与度。我们考察了学习年份（第一年 vs. 后续年份）和累积 GPA（连续变量，中心化）的调节作用，模型以基线参与度、协变量、大学固定效应、条件、调节变量及 Condition × Moderator 乘积项预测 T3 参与度，并采用异方差稳健标准误；这些分析未预先注册，作为探索性分析报告，并对八项交互检验进行 Holm 校正。敏感性分析比较了在结局分析前定义的三个分析人群：完整病例样本（n = 555）；意向性治疗人群（所有 583 名同意参与的学生，在缺失随机假设下使用混合效应模型分析所有可用波次）；以及符合方案样本，仅限于记录了至少 12 次 EduBot 会话（平均每个干预周一次）的干预组学生与所有对照组学生。从未使用 EduBot 的学生在完整病例和意向性治疗分析中仍保留在干预组。我们使用 NVivo 对定性转录文本进行反思性主题分析（Dhakal, 2022），将归纳编码与源自四个参与维度的演绎编码相结合。在整合阶段，定性主题用于生成关于干预可能通过哪些体验与参与度相关的假设（Noyes et al., 2019）；这些主题未进行定量测量，也未进行中介分析。

3 结果

3.1 初步分析与 AI 使用模式

最终分析纳入来自四所中国综合性大学的 555 名本科生。基线分析确认，干预组与对照组在所有人口学和参与度变量上均无统计学显著差异（见 表 4）。由于每所大学仅贡献一门课程，大学和课程在 表 4 中作为一个特征报告。

表 4

按组别列出的参与者人口学与基线特征。

SD = 标准差；参与度各分量表为 7 点量表（1–7）的题目均值；每所大学贡献一门课程，因此大学与课程为同一特征；CET-4 = 大学英语四级考试（中国国家标准化英语水平考试）。

基线参与度为中等水平，两种条件下能动分量表的得分均最低。验证性因素分析在每一轮次均支持四因素结构（CFI ≥ 0.984，RMSEA ≤ 0.031，SRMR ≤ 0.036），且度量不变性和标量不变性在条件间和轮次间均成立（所有 ΔCFI ≤ 0.002 且 ΔRMSEA ≤ 0.001；表 3），表明四个维度在不同组别和时间上测量等价。在 12 周干预期间，日志数据显示大多数学生使用了 EduBot，主要用于概念澄清和苏格拉底式辅导，但使用呈正偏态：一个高度活跃的子集占据了不成比例的交互份额，且有 18 名学生（6.5%）未记录任何会话（表 2；图 1）。表 2 报告了 84 天干预期间每名学生的总计，汇总了 278 名干预组学生。

图 1

3.2 AI 对学生参与度的定量效应

混合设计方差分析和线性混合效应模型均收敛。四个维度均存在组别×时间交互作用，干预组各维度从T1到T3持续上升，而对照组保持稳定或略有下降（图2，表1、5、6）。在考虑了学生嵌套于教学班内的混合效应模型中，组别×T3对比的行为投入为0.67个量表分（95% CI [0.51, 0.84]），认知投入为0.48 [0.33, 0.64]，情绪投入为0.34 [0.18, 0.49]，能动投入为0.55 [0.37, 0.72]，经Holm校正后所有p < 0.001（表1）。教学班层面的ICC较小（0.019–0.038），且每个模型中教学班层面时间斜率的方差均估计为零（似然比χ²(2) = 0.00），因此允许随机斜率并未改变估计值。交互效应量（偏η²，表6）以能动投入（0.054）和行为投入（0.043）最大，其次是认知投入（0.032）和情绪投入（0.012）。标准化后测差异（T3时的Cohen's d，表6）为：行为投入0.71 [0.54, 0.88]，认知投入0.55 [0.38, 0.72]，能动投入0.57 [0.40, 0.74]，情绪投入0.34 [0.18, 0.51]。由于最后一次测量是在EduBot访问结束后的那一周进行的，这些结果描述的是学期内的变化轨迹，而非干预结束后持续存在的效应。

图2

表5

各投入分量表按组别和时间点的描述性统计。

所有得分均采用7点李克特量表。SD = 标准差。

表6

投入结局的混合方差分析结果汇总，以及T3时标准化组间差异。

所有p值均为双尾。在违反球形假设时使用了Greenhouse–Geisser校正。偏η²描述的是组别×时间交互作用（纵向效应）；Cohen's d是T3时组间的标准化差异（合并SD，根据表5计算），并不描述交互作用。四个组别×时间交互作用的Holm校正p值均≤ 0.001。方差分析假设观测独立；考虑课程教学班的混合效应模型报告于表1。

最大的相对变化出现在能动性投入上，而该维度在两组中的基线水平均为最低。情感投入的差异最小，表明对课程的情感联结相比行为、认知和能动性维度，对工具的响应较弱。在干预组内，EduBot 的使用与投入呈剂量—反应模式（表 7、8）。在调整基线投入、年龄、性别、学习年限、GPA 和既往 AI 经验后，每增加 10 次会话，与更高的 T3 行为投入（b = 0.16，95% CI [0.12, 0.20]，β = 0.370）、认知投入（b = 0.12，95% CI [0.09, 0.16]，β = 0.310）、能动性投入（b = 0.14，95% CI [0.10, 0.18]，β = 0.280）以及程度较小的情感投入（b = 0.06，95% CI [0.02, 0.10]，β = 0.130）相关，ΔR² 为 0.016–0.136；苏格拉底式对话完成次数也呈现相同模式。表 9 报告了全样本中的组别效应，未纳入使用变量，因为这些变量仅针对干预组定义。剂量—反应关联是在自我选择的使用分布内的相关性，不能证明额外使用导致了额外投入。

表 7

Pearson 相关矩阵：EduBot 交互指标与干预后投入得分（仅干预组，n = 278）。

n = 278，|r| ≥ 0.12 在 p < 0.05 水平显著，|r| ≥ 0.16 在 p < 0.01 水平显著，|r| ≥ 0.20 在 p < 0.001 水平显著（双尾）。

表 8

干预组内 EduBot 使用与 T3 投入之间的剂量—反应关联（n = 278）。

分层普通最小二乘回归。区块 1：结果的基线得分、年龄、性别、学习年限、GPA 和既往 AI 经验；区块 2：使用预测变量。由于使用指标之间高度相关（表 7），每个指标分别进入单独模型。总会话数的 p 值在四个结果上经 Holm 校正；苏格拉底式对话完成次数的 p 值未校正。关联是在自我选择的使用分布内的相关性。

表 9

预测干预后投入的分层多元回归分析（全样本，N = 555）（未纳入使用变量，因为它们仅针对干预组定义；见 表 8）。

β = 标准化回归系数。

探索性调节分析（表10）发现，经Holm校正后，八个条件×调节变量交互作用中有两个显著。条件与T3能动性投入之间的关联在一年级学生中更大（b = 0.44，95% CI [0.12, 0.76]，校正p = 0.046）；条件的简单效应在一年级学生中为0.82（SE 0.12）个量表分，在非一年级学生中为0.38（SE 0.10）。与T3认知投入的关联随GPA升高而减弱（每GPA点b = −0.47，95% CI [−0.73, −0.21]，校正p = 0.003）；简单效应在GPA均值以下一个SD处为0.75（SE 0.10），在均值以上一个SD处为0.24（SE 0.10）。其他交互作用均未达到显著（所有校正p ≥ 0.431）。敏感性分析（表11）显示，在意向治疗人群（n = 583）中，组别×T3估计值与完整病例估计值的差异在0.01个量表分以内，在符合方案样本中则大0.03–0.09分，与剂量–反应模式一致。

表10

按学年和累积GPA对条件效应在T3投入上的探索性调节分析（完整病例样本，n = 555）。

普通最小二乘法，采用异方差稳健（HC3）标准误；每个模型均调整了结局的基线得分、年龄、性别、既往AI经验、大学固定效应，对于学年模型还调整了GPA（对于GPA模型，则调整学年）。GPA已中心化（SD = 0.54）；GPA的简单效应在均值以下和以上一个SD处评估。Holm校正针对八个交互作用检验。这些分析未预先注册，属于探索性分析。

表11

敏感性分析：三个分析人群中混合效应模型的组别×T3估计值。

完整病例：具有全部三波数据的学生（主要分析，表1）。意向治疗：所有583名同意参与的学生按分配进行分析，在缺失随机假设下使用所有可获得的波次（28名学生缺失T3，其中14名也缺失T2）。符合方案：223名干预组学生（80.2%）至少登录12次（平均每个干预周一次）加上全部277名对照组学生；低于阈值的55名干预组学生，包括18名从未使用EduBot的学生，被排除。阈值在结局分析前已固定。所有p < 0.001。

3.3 定性机制与混合方法整合

对访谈和焦点小组转录文本进行的反思性主题分析确定了参与者用来解释其EduBot体验的三个主题；我们将这些视为假设机制而非已验证机制（代表性引文见表12）：

表12

按主题分类的定性数据代表性引述。

（1）无评判区：学生将EduBot描述为一个对话者，他们可以向其提问并重复提问，而不必承担他们与打断讲师或向同学暴露困惑相关的社会成本；（2）支架式坚持：通过不直接给出答案，苏格拉底式设计被体验为对一种寻求答案习惯的推动，几名学生在考试导向的中学教育中追溯到了这种习惯，并被认为带来了更深层的加工；以及（3）时间灵活性：全天候可用性适应了兼职工作、研究生入学考试准备以及对学生时间的其他需求。图3将这些主题总结为假设路径，将所交付的设计特征与所测量的参与结果联系起来。图3中的路径源自定性数据，并未进行统计检验；这些主题未进行定量测量，该图不应被解读为中介模型。

图3

4 讨论

本研究考察了基于 AI 的对话助手使用与中国高等教育中学生参与度之间的关联。采用混合方法准实验设计，以四所主要大学的 555 名本科生为对象，研究结果提供的证据与以下观点一致：经过精心设计的 AI 工具与行为、认知和能动性维度上存在有意义的参与度差异相关，并在情感参与上存在较小但显著的差异。本讨论将主要发现置于现有文献背景中，考察了从定性数据中浮现的三种假设机制，即：(i) 该 AI 工具作为一个保全面子、无评判的对话者，降低了在课堂层级结构中提问的社会成本；(ii) 其支撑坚持性并逐渐将若干参与者追溯至应试导向中学教育的寻求答案习惯转向更以探究为导向的学习行为的能力；以及 (iii) 其时间灵活性，适应了当代中国本科生生活中密集的学业日程、考研准备和兼职工作承诺，并讨论了本研究的局限性以及对中国及其他地区教育实践和政策的启示。

4.1 中国情境下参与度结果的解读

最大的交互效应出现在能动性参与上（偏 η² = 0.054；后测 d = 0.57，95% CI [0.40, 0.74]），这是两组基线最低的维度。能动性参与指学生对教学的主动贡献，例如提问、表达偏好和请求澄清（Reeve and Tseng, 2011；Wang and Lee, 2021）。无评判区主题提供了一种可能的解释。受访者将 EduBot 描述为一个互动伙伴，使他们能够提问，而不必承受与打断教师相关的尴尬或被视为不敬，这与将面子顾虑和社交焦虑与中国大学课堂沉默联系起来的研究一致（Fang and Tang, 2021；Liu et al., 2026；Shi, 2026）。据此解读，该工具为一些学生此前回避的提问提供了一个耐心、私密的渠道（Meyer, 2023；Zhang, 2025），并加入了据报告可减少中国大学课堂沉默的少数教学干预措施之列。有两点限定适用。第一，这些主题源自 30 次访谈，并未被测量，因此从工具经由减少面子顾虑到能动性参与的路径是一个有待未来检验的假设，而非已证明的机制。第二，这些叙述定位于四所研究密集型大学的四门课程；课堂规范因院校、学科和群体而异，将“中国课堂文化”描述为单一障碍会夸大这些数据所能表明的内容（Ryan and Louie, 2007）。

认知投入（d = 0.55）与行为投入（d = 0.71）上的差异与苏格拉底式对话的预期功能相一致。支架式坚持这一主题表明，学生最初寻求直接答案，一些学生将这一习惯归因于应试导向的中学教育（Belland et al., 2013；Liu and Lian, 2026），而持续接触 EduBot 的提问则被体验为逐步转向通过思考来解决问题。这一描述与维果茨基关于最近发展区内支架的论述相一致（Belland et al., 2013），也与以下论点相一致：旨在引导而非给出答案的 AI 工具可能支持当前中国高等教育改革的批判性思维目标（Bamasoud et al., 2025）。苏格拉底式对话完成次数与 T3 认知投入之间的剂量—反应关联（表 8）与这一解释相符，尽管这些关联是相关性的，且可能部分反映了投入度更高的学生选择更多使用该工具。

情感投入上的差异较小（d = 0.34），这在理论上是可以解释的。情感投入涉及对学习共同体的归属感、兴趣和情感依恋（Santos et al., 2023；Zhang, 2023），而此类依恋主要通过师生和同伴关系而非软件界面形成（Wang et al., 2025）。EduBot 与认知投入和行为投入的提升相关，但似乎并未取代支撑情感投入的关系性过程。这一模式反驳了将 AI 视为解决学习投入不足的一站式方案的观点，反而提示了一种互补模式，即 AI 工具满足特定的认知和行为需求，从而为教师留出更多空间来处理教学中的关系性和情感性方面（Sun et al., 2025）。

4.2 学生特征的调节作用：探索性发现

探索性调节分析表明，实验条件与能动投入之间的关联在一年级学生中更大，而与认知投入的关联在先前 GPA 较低的学生中更大（表 10）。一年级学生的这一模式与过渡研究相一致，该研究将大学第一年描述为投入度较为脆弱的适应期（Worsley et al., 2021），也与从高中阶段更有结构、以教师为主导的学习转向大学所期望的更大自主性这一转变相一致。一种解释是，该工具提供了一种低风险的方式来寻求帮助并练习自我调节学习，而这一阶段正是学生最不自信于向同伴或教授透露困难的时候。

在先前 GPA 较低的学生中观察到更强的认知关联，这一点对教育公平具有重要意义。中国许多大学的学业竞争十分激烈，而针对成绩较差学生的院校支持并不总是充足（Li et al., 2025）；一种能为最需要帮助的学生提供额外支架的工具可能发挥补偿作用，这与将 AI 视为在公平部署时可能缩小教育差距的手段的学术观点一致（Nedungadi et al., 2024）。有三点需要谨慎对待。这些交互作用未进行预注册，八项检验中仅有两项在多重检验校正后仍然显著，且置信区间较宽；因此，这些发现在用于指导政策之前需要重复验证。此外，干预组中有 6.5% 的学生从未使用过 EduBot，这一群体可能因可及性、数字技能或动机而使用受限，未来研究应考察未使用者的特征。

4.3 局限性与未来方向

若干局限性使这些发现需要加以限定。第一，该设计为准实验设计：分配至实验条件的是教学班而非学生，仅涉及八个教学班，且每所大学只贡献了一门课程，因此大学与学科完全混淆，机构或学科效应无法与干预效应分离。尽管各组在所有基线测量协变量上均保持平衡，但不能排除未测量的班级层面差异，而且聚类调整后的功效计算表明，该设计仅对中到大效应具有足够功效。增加教学班数量、并在不同机构间重复课程的整群随机试验将增强因果推断。第二，该干预是一个整合式方案，在多个维度上同时与对照条件不同，因此效应不能归因于苏格拉底式提问、可用性、个性化或任何单一组成部分；需要开展成分层面的设计。第三，最后一次测量是在一个 15 周学期内 EduBot 访问结束后的那一周进行的，因此结果描述的是学期内的变化轨迹，而干预后这些差异是持续、消退还是扩大尚不清楚。第四，参与度为自我报告；尽管日志数据为干预组提供了客观的使用记录，且测量不变性在组间和各波次间均成立，但共同方法偏差可能夸大关联，未来工作应加入学业成绩、留存率和课堂观察。第五，三个质性主题未进行定量测量，也无法进行中介分析；图 3 中的路径属于假设。第六，我们无法阻止任一条件下的学生在课程之外使用公开可用的聊天机器人，而如果有影响的话，这只会削弱所观察到的差异。最后，文化解释基于四门课程中的 30 次访谈，应被理解为参与者的情境化叙述，而非中国高等教育的一般特征。

4.4 对实践与政策的启示

The findings have several implications for educational practice and policy in Chinese higher education. To teachers and curriculum developers, the research highlights the need to implement AI tools as more overtly pedagogical scaffolds as opposed to placing them in the role of robots that provide answers. Priority should be given to Socratic dialogue capability, concept clarifying prompts and metacognitive questioning, compared to straightforward generation of the answer. To institutional leaders and policymakers, the exploratory finding of larger associations among lower-performing students suggests, pending replication, that AI learning-support systems may be worth prioritising in institutions and student groups with the greatest need (Oncioiu and Bularca, 2025). The judgment-free-zone theme also underlines the importance of culturally aware design of learning technology. Applications of AI developed in other educational settings may not transfer directly to Chinese classrooms without attention to local communication norms, power distance and face, which themselves vary across institutions and disciplines.

5 Conclusion

This study provides evidence that access to an AI conversational assistant with pedagogical scaffolding was associated with higher behavioural, cognitive, agentic and, to a smaller extent, emotional engagement among undergraduates in four Chinese universities over a semester, in analyses that account for the nesting of students within course sections. The clearest association was for agentic engagement, the dimension that participants described as most constrained by classroom norms, which suggests that a private, patient questioning channel may support student voice in settings where asking in class carries a social cost. Exploratory analyses indicated larger associations among first-year students and among students with lower prior achievement; these findings require replication before they can support equity claims. Qualitative accounts pointed to three hypothesised mechanisms, a judgment-free interaction space, scaffolded persistence and temporally flexible support, which remain to be tested with measured mediators. The modest association with emotional engagement is a reminder that such tools complement, rather than substitute for, the relational dimensions of teaching. As Chinese universities integrate artificial intelligence into teaching, these findings describe AI as a pedagogical supplement that may support engagement while leaving the human dimensions of education in place.

Statements

Data availability statement

The datasets presented in this article are not readily available because they contain student-level questionnaire responses, EduBot platform logs and interview transcripts that are protected by institutional data-privacy policies and the terms of participant consent. Requests to access the datasets should be directed to Jing Dong, jingd@yzu.edu.cn.

Ethics statement

The studies involving humans were approved by Institutional Review Board of Zhejiang University, Zhejiang University, Hangzhou, China (Approval No. ZJU-IRB-2025-042). The studies were conducted in accordance with the local legislation and institutional requirements. The participants provided their written informed consent to participate in this study.

Author contributions

YC: Conceptualization, Formal analysis, Methodology, Writing – original draft. JD: Funding acquisition, Project administration, Supervision, Writing – review & editing. GJ: Data curation, Investigation, Software, Formal analysis, Writing – review & editing.

Funding

The author(s) declared that financial support was received for this work and/or its publication. This work was supported by the National Social Science Fund of China through the Special Research Project on Ideological and Political Theory Courses in Higher Education Institutions, under the project entitled “Research on Improving the Digital Literacy of Ideological and Political Theory Course Teachers in Higher Education Institutions” (Grant No. 25VSZ064).

Acknowledgments

The authors sincerely thank the participating students and instructors of Zhejiang University, Nanjing University, Wuhan University, and Fudan University for their generous cooperation throughout the study. We also gratefully acknowledge the technical and administrative staff of the learning technology and information technology units at the four participating universities, who assisted with deploying, integrating, and maintaining the EduBot platform within their respective Canvas LMS environments during the intervention period.

Conflict of interest

The author(s) declared that this work was conducted in the absence of any commercial or financial relationships that could be construed as a potential conflict of interest.

Generative AI statement

The author(s) declared that Generative AI was not used in the creation of this manuscript.

Any alternative text (alt text) provided alongside figures in this article has been generated by Frontiers with the support of artificial intelligence and reasonable efforts have been made to ensure accuracy, including review by the authors wherever possible. If you identify any issues, please contact us.

Publisher’s note

All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers. Any product that may be evaluated in this article, or claim that may be made by its manufacturer, is not guaranteed or endorsed by the publisher.

References

• 1

  AkgunS.GreenhowC. (2022). Artificial intelligence in education: addressing ethical challenges in K-12 settings. AI Ethics2, 431–440. doi: 10.1007/s43681-021-00096-7,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 2

  AlsafariB.AtwellE.WalkerA.CallaghanM. (2024). Towards effective teaching assistants: from intent-based chatbots to LLM-powered teaching assistants. Natural Language Process. J.8:100101. doi: 10.1016/j.nlp.2024.100101

  • CrossRef
  • Google Scholar

• 3

  AshrafM. A.AlamJ.KalimU. (2025). Effects of ChatGPT on students' academic performance in Pakistan higher education classrooms. Sci. Rep.15:16434. doi: 10.1038/s41598-025-92625-1,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 4

  BalalleH.PannilageS. (2025). Reassessing academic integrity in the age of AI: a systematic literature review on AI and academic integrity. Soc. Sci. Human. Open11:101299. doi: 10.1016/j.ssaho.2025.101299

  • CrossRef
  • Google Scholar

• 5

  BamasoudD. M.MohammadR.BilalS. (2025). Adopting generative AI in higher education: a dual-perspective study of students and lecturers in Saudi universities. Big Data Cogn. Comput.9:264. doi: 10.3390/bdcc9100264

  • CrossRef
  • Google Scholar

• 6

  BellandB. R.KimC.HannafinM. J. (2013). A framework for designing scaffolds that improve motivation and cognition. Educ. Psychol.48, 243–270. doi: 10.1080/00461520.2013.838920,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 7

  BikuT.DemasT.WoldehawariatN.GetahunM.MekonnenA. (2018). The effect of teaching without pedagogical training in St. Paul's hospital millennium medical college, Addis Ababa, Ethiopia. Adv. Med. Educ. Pract.9, 893–904. doi: 10.2147/AMEP.S167944

  • CrossRef
  • Google Scholar

• 8

  BrislinR. W. (1970). Back-translation for cross-cultural research. J. Cross-Cult. Psychol.1, 185–216. doi: 10.1177/135910457000100301

  • CrossRef
  • Google Scholar

• 9

  BulutR. (2026). Mapping teachers' awareness of artificial intelligence in the changing education paradigm: insights from a mixed methods inquiry. Front. Psychol.17:1687155. doi: 10.3389/fpsyg.2026.1687155,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 10

  ChakrabortyS. (2026). Generative artificial intelligence in fifth-generation education systems: a systematic review. Eng. Appl. Artif. Intell.173:114463. doi: 10.1016/j.engappai.2026.114463

  • CrossRef
  • Google Scholar

• 11

  ChenF. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Struct. Equ. Model.14, 464–504. doi: 10.1080/10705510701301834

  • CrossRef
  • Google Scholar

• 12

  DebetsT.BanihashemS. K.Joosten-ten BrinkeD.VosT. E. J.Maillette de Buy WennigerG.CampG. (2025). Chatbots in education: a systematic review of objectives, underlying technology and theory, evaluation criteria, and impacts. Comput. Educ.234:105323. doi: 10.1016/j.compedu.2025.105323

  • CrossRef
  • Google Scholar

• 13

  DengR.JiangM.YuX.LuY.LiuS. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Comput. Educ.227:105224. doi: 10.1016/j.compedu.2024.105224

  • CrossRef
  • Google Scholar

• 14

  DhakalK. (2022). NVivo. J. Med. Libr. Assoc.110, 270–272. doi: 10.5195/jmla.2022.1271,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 15

  EsselH. B.VlachopoulosD.Tachie-MensonA.JohnsonE. E.BaahP. K. (2022). The impact of a virtual teaching assistant (chatbot) on students’ learning in Ghanaian higher education. Int. J. Educ. Technol. High. Educ.19:57. doi: 10.1186/s41239-022-00362-6

  • CrossRef
  • Google Scholar

• 16

  FangF.TangX. (2021). The relationship between Chinese English major students' learning anxiety and enjoyment in an English language classroom: a positive psychology perspective. Front. Psychol.12:705244. doi: 10.3389/fpsyg.2021.705244,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 17

  FredaM. F.RaffaeleD. L. P.EspositoG.RagoziniG.TestaI. (2023). A new measure for the assessment of the university engagement: the SInAPSi academic engagement scale (SAES). Curr. Psychol.42, 9674–9690. doi: 10.1007/s12144-021-02189-2

  • CrossRef
  • Google Scholar

• 18

  HedgesL. V.HedbergE. C. (2007). Intraclass correlation values for planning group-randomized trials in education. Educ. Eval. Policy Anal.29, 60–87. doi: 10.3102/0162373707299706

  • CrossRef
  • Google Scholar

• 19

  HolmS. (1979). A simple sequentially rejective multiple test procedure. Scand. J. Stat.6, 65–70.

  • Google Scholar

• 20

  KangH. (2021). Sample size determination and power analysis using the G*Power software. J. Educ. Eval. Health Prof.18:17. doi: 10.3352/jeehp.2021.18.17,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 21

  KumarJ. A. (2021). Educational chatbots for project-based learning: investigating learning outcomes for a team-based design course. Int. J. Educ. Technol. High. Educ.18:65. doi: 10.1186/s41239-021-00302-w,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 22

  LabadzeL.GrigoliaM.MachaidzeL. (2023). Role of AI chatbots in education: systematic literature review. Int. J. Educ. Technol. High. Educ.20:56. doi: 10.1186/s41239-023-00426-1

  • CrossRef
  • Google Scholar

• 23

  LanM.ZhouX. (2025). A qualitative systematic review on AI empowered self-regulated learning in higher education. NPJ Sci. Learn.10:21. doi: 10.1038/s41539-025-00319-0,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 24

  LiX.XiaoJ.GaoH.ZhengW.ZhaoX. (2025). “It is not a top priority”: exploring how Chinese university students enact their agency in developing global competence. Int. J. Educ. Res.133:102667. doi: 10.1016/j.ijer.2025.102667

  • CrossRef
  • Google Scholar

• 25

  LinH.ChenQ. (2024). Artificial intelligence (AI)-integrated educational applications and college students' creativity and academic emotions: students and teachers' perceptions and attitudes. BMC Psychol.12:487. doi: 10.1186/s40359-024-01979-0,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 26

  LiuW.LianZ. (2026). Navigating open-ended STEM challenges under uncertainty: a mixed-method experimental study on grit, delay of gratification, and emotion regulation in problem-based learning. Learn. Motiv.93:102223. doi: 10.1016/j.lmot.2025.102223

  • CrossRef
  • Google Scholar

• 27

  LiuY.LiuM.ZhangS. (2026). Interpersonal satisfaction and classroom silence in Chinese universities: the mediating role of social anxiety. Front. Psychol.17:1676791. doi: 10.3389/fpsyg.2026.1676791,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 28

  LongD. Y.WangS.Md RashidS.LuX. T. (2026). Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods. Front. Educ.10:1648661. doi: 10.3389/feduc.2025.1648661

  • CrossRef
  • Google Scholar

• 29

  MeyerA. S. (2023). Timing in conversation. J. Cogn.6:20. doi: 10.5334/joc.268,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 30

  NasrN. R.TuC.-H.WernerJ.BauerT.YenC.-J.Sujo-MontesL. (2025). Exploring the impact of generative AI ChatGPT on critical thinking in higher education: passive AI-directed use or human–AI supported collaboration?Educ. Sci.15:1198. doi: 10.3390/educsci15091198

  • CrossRef
  • Google Scholar

• 31

  NattoZ. S. (2026). Blended peer-led research curriculum with AI integration improves postgraduate students' academic performance and satisfaction: a quasi-experimental mixed-methods study. BMC Med. Educ.26:260. doi: 10.1186/s12909-026-08576-2,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 32

  NedungadiP.TangK.-Y.RamanR. (2024). The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability16:9779. doi: 10.3390/su16229779

  • CrossRef
  • Google Scholar

• 33

  NoyesJ.BoothA.MooreG.FlemmingK.TunçalpÖ.ShakibazadehE. (2019). Synthesising quantitative and qualitative evidence to inform guidelines on complex interventions: clarifying the purposes, designs and outlining some methods. BMJ Glob. Health4:e000893. doi: 10.1136/bmjgh-2018-000893,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 34

  OfemU. J.AnakeP. M.AbuoC. B.UkatuJ. O.EttaE. O. (2024). Artificial intelligence application in counselling practices: a multigroup analysis of acceptance and awareness using gender and professional rank. Front. Digit. Health6:1414178. doi: 10.3389/fdgth.2024.1414178

  • CrossRef
  • Google Scholar

• 35

  OncioiuI.BularcaA. R. (2025). Artificial intelligence governance in higher education: the role of knowledge-based strategies in fostering legal awareness and ethical artificial intelligence literacy. Societies15:144. doi: 10.3390/soc15060144

  • CrossRef
  • Google Scholar

• 36

  Pireci SejdiuN.SejdiuS. (2025). The quiet transformation of higher education in the AI era. Open Res. Eur.5:249. doi: 10.12688/openreseurope.20715.1,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 37

  PutnickD. L.BornsteinM. H. (2016). Measurement invariance conventions and reporting: the state of the art and future directions for psychological research. Dev. Rev.41, 71–90. doi: 10.1016/j.dr.2016.06.004,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 38

  ReeveJ. (2013). How students create motivationally supportive learning environments for themselves: the concept of agentic engagement. J. Educ. Psychol.105, 579–595. doi: 10.1037/a0032690

  • CrossRef
  • Google Scholar

• 39

  ReeveJ.TsengC.-M. (2011). Agency as a fourth aspect of students’ engagement during learning activities. Contemp. Educ. Psychol.36, 257–267. doi: 10.1016/j.cedpsych.2011.05.002

  • CrossRef
  • Google Scholar

• 40

  Rodríguez-OrtizM. Á.Santana-MancillaP. C.Anido-RifónL. E. (2025). Machine learning and generative AI in learning analytics for higher education: a systematic review of models, trends, and challenges. Appl. Sci.15:8679. doi: 10.3390/app15158679

  • CrossRef
  • Google Scholar

• 41

  RyanJ.LouieK. (2007). False dichotomy? ‘Western’ and ‘Confucian’ concepts of scholarship and learning. Educ. Philos. Theory39, 404–417. doi: 10.1111/j.1469-5812.2007.00347.x

  • CrossRef
  • Google Scholar

• 42

  SantosA. C.SimõesC.MeloM. H. S.SantosM. F.FreitasI.BranquinhoC.et al. (2023). A systematic review of the association between social and emotional competencies and student engagement in youth. Educ. Res. Rev.39:100535. doi: 10.1016/j.edurev.2023.100535

  • CrossRef
  • Google Scholar

• 43

  ShahzadM. F.XuS.LimW. M.YangX.KhanQ. R. (2024). Artificial intelligence and social media on academic performance and mental well-being: student perceptions of positive impact in the age of smart learning. Heliyon10:e29523. doi: 10.1016/j.heliyon.2024.e29523,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 44

  ShiH. (2026). The generation mechanism of Chinese college students' classroom silence: a qualitative study based on triadic interaction theory. Front. Psychol.17:1746284. doi: 10.3389/fpsyg.2026.1746284,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 45

  SunX.JahangirA.AlghamdiA. A.LiuF. (2025). Use of AI-based mental health tools and psychological well-being among Chinese university students: a parallel mediation model of emotional self-efficacy and perceived autonomy. Sci. Rep.15:40305. doi: 10.1038/s41598-025-24013-8,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 46

  TbaishatD. M.ElfadelM. W. (2025). Artificial intelligence (AI) for social innovation in health education: promoting health literacy through personalized AI-driven learning tools—a systematic review. BMC Med. Educ.26:123. doi: 10.1186/s12909-025-08462-3,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 47

  VieriuA. M.PetreaG. (2025). The impact of artificial intelligence (AI) on students' academic development. Educ. Sci.15:343. doi: 10.3390/educsci15030343

  • CrossRef
  • Google Scholar

• 48

  WangJ.HuangF.TeoT. (2025). Emotional attachment and resistance to change in the use of technology: a study among Chinese university music teachers. PLoS One20:e0327205. doi: 10.1371/journal.pone.0327205,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 49

  WangL.LeeI. (2021). L2 learners' agentic engagement in an assessment as learning-focused writing classroom. Assess. Writing50:100571. doi: 10.1016/j.asw.2021.100571

  • CrossRef
  • Google Scholar

• 50

  WangX.LiX. (2026). Designing a flipped AI-chatbot learning module to support students' environmental literacy development: a fuzzy Delphi method. PLoS One21:e0345027. doi: 10.1371/journal.pone.0345027,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 51

  WorsleyJ. D.HarrisonP.CorcoranR. (2021). Bridging the gap: exploring the unique transition from home, school or college into university. Front. Public Health9:634285. doi: 10.3389/fpubh.2021.634285,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 52

  WuR.YuZ. (2024). Do AI chatbots improve students learning outcomes? Evidence from a meta-analysis. Br. J. Educ. Technol.55, 10–33. doi: 10.1111/bjet.13334

  • CrossRef
  • Google Scholar

• 53

  XuX.ShiZ.BosN. A.WuH. (2023). Student engagement and learning outcomes: an empirical study applying a four-dimensional framework. Med. Educ. Online28:2268347. doi: 10.1080/10872981.2023.2268347,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 54

  YanL.Martínez-MaldonadoR.JinY.EcheverriaV.MilesiM.FanJ.et al. (2025). The effects of generative AI agents and scaffolding on enhancing students' comprehension of visual learning analytics. Comput. Educ.234:105322. doi: 10.1016/j.compedu.2025.105322

  • CrossRef
  • Google Scholar

• 55

  ZhangR. (2023). Research and evaluation on students' emotional attachment to campus landscape renewal coupling emotional attachment scale and public sentiment analysis: a case study of the “heart of Forest” in Beijing forestry university. Front. Psychol.14:1250441. doi: 10.3389/fpsyg.2023.1250441,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 56

  ZhangX. (2025). Enhancing oral English learning through AI: a case study on the impact of AI-driven speaking applications among Chinese university students. Front. Psychol.16:1595818. doi: 10.3389/fpsyg.2025.1595818,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 57

  ZhouM.PengS. (2025). The usage of AI in teaching and students' creativity: the mediating role of learning engagement and the moderating role of AI literacy. Behav. Sci. (Basel)15:587. doi: 10.3390/bs15050587,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 58

  ZhuH.YangS. (2026). The impact of generative AI use on graduate students' research competence: the mediating role of critical thinking and the moderating role of research self-efficacy. Behav. Sci.16:304. doi: 10.3390/bs16020304,

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

Keywords

agentic engagement, AI conversational agent, Chinese universities, cultural adaptation, mixed-methods design, quasi-experimental design, Socratic dialogue

Citation

Chen Y, Dong J and Ji G (2026) Artificial intelligence and its influence on student engagement in higher education. Front. Psychol. 17:1949332. doi: 10.3389/fpsyg.2026.1949332

Received

27 July 2026

Revised

25 September 2026

Accepted

25 September 2026

Published

15 October 2026

Volume

17 - 2026

Updates

Copyright

© 2026 Chen, Dong and Ji.

This is an open-access article distributed under the terms of the Creative Commons Attribution License (CC BY). The use, distribution or reproduction in other forums is permitted, provided the original author(s) and the copyright owner(s) are credited and that the original publication in this journal is cited, in accordance with accepted academic practice. No use, distribution or reproduction is permitted which does not comply with these terms.

*Correspondence: Jing Dong, jingd@yzu.edu.cn

Disclaimer

All claims expressed in this article are solely those of the authors and do not necessarily represent those of their affiliated organizations, or those of the publisher, the editors and the reviewers. Any product that may be evaluated in this article or claim that may be made by its manufacturer is not guaranteed or endorsed by the publisher.