RNF框架：动态协商视角下学生AI使用行为的诊断与干预

1. 项目概述：从静态标签到动态协商

在高等教育领域，尤其是写作课程中，大语言模型（LLM）的普及已经从一个“是否允许”的辩论，演变为一个“如何引导”的实践难题。我们常常看到这样的现象：同一个学生，在面对一篇期末论文和一个随堂小作业时，对AI工具的使用程度和方式可能截然不同；一个在课程初期对AI依赖严重的学生，到了后期可能变得极为审慎；而一些看似“自律”地完全不使用AI的学生，其背后的动机却可能千差万别——有的是出于深刻的伦理信念，有的仅仅是害怕被检测到。

传统的分析框架，无论是基于技术接受模型（TAM）的“感知有用性/易用性”，还是基于期望价值理论（EVT）的“动机-能力”分析，往往将学生的AI使用行为视为一种相对稳定的“类型”或“特质”。我们会给学生贴上“依赖型用户”、“策略型用户”或“拒绝型用户”的标签。然而，这种静态的归类在解释上述复杂、动态的现象时显得力不从心。它无法回答一个核心问题：为什么学生的行为会随着时间、任务和情境的变化而波动？

这正是“协商框架”（Reliance Negotiation Framework, RNF）试图破解的困局。RNF的核心洞见在于，它不再将学生对LLM的依赖视为一个固定的“状态”或“类型”，而是将其理解为一个持续的、动态的协商过程。这个过程就像学生内心的一场微型议会，每当你面对一项写作任务，决定是否、以及如何使用AI时，四个“议员”就会开始激烈辩论并最终达成一个决议。这四个“议员”就是RNF框架的四个核心输入：感知收益、感知风险、伦理承诺和情境需求。你的每一次AI使用决策，都是这四个因素在特定时刻、特定任务背景下相互博弈、权衡后的“输出”。

这个视角的革命性在于，它将解释的重点从“学生是什么样的人”转移到了“学生正在经历什么样的情境”。对于教育者而言，这意味着干预的靶点从模糊的“改变学生”变成了清晰的“调整协商过程中的某个输入”。RNF框架的价值，正是为我们提供了一张精细的“协商过程地图”，让我们能够理解学生行为背后的动态机制，并据此设计出更精准、更有效的教育干预措施。

2. RNF框架的核心架构与运作机制

要理解RNF如何工作，我们必须深入其内部，看看这场“内心议会”是如何召开的。框架认为，学生的每一次LLM使用决策，都是四个输入变量实时协商的结果。这四个输入并非独立存在，它们相互影响，并且决策的结果会反过来重塑输入本身，形成一个递归循环。

2.1 四大核心输入详解

2.1.1 感知收益：效率红利与能力补偿

这是推动学生使用AI最直接的动力。感知收益不仅包括“节省时间”、“减轻认知负荷”这类普遍性认知，更关键的是其情境特异性。对于一个正在与复杂文献综述搏斗的研究生来说，AI帮助梳理文献脉络的收益是巨大的；而对于一个只需写一封简单邮件的大学生来说，收益可能微乎其微。

实操心得：教育者需要警惕的是“感知收益通胀”。学生可能高估AI的能力，尤其是在不熟悉的领域。例如，学生可能认为AI能生成一个逻辑严密、论据充分的论证段落，而实际上它只能产出表面流畅但内容空洞的文本。这种 inflated utility value 是导致“依赖性使用”的主要驱动力之一。

2.1.2 感知风险：三重维度的顾虑

学生感知到的风险是多元的，主要可分为三类：

1. 诚信风险：最直接的风险，即使用行为是否会被识别为学术不端，导致处罚。
2. 认知风险：也称为“技能替代风险”或“萎缩风险”。学生是否担心过度依赖AI会导致自身写作、批判性思维等核心能力的退化？这种风险感知往往是隐性的，需要特定事件（如一次糟糕的考试表现）来激活。
3. 发展性风险：更长远的风险，关乎个人智力成长和学术身份认同。例如，如果我的论文思想都来自AI，那“我”是谁？

不同发展阶段的学生对这三类风险的敏感度不同。低年级学生可能只关注诚信风险，而高年级或研究生则可能更担忧认知和发展性风险。

2.1.3 伦理承诺：从服从到原则的三层演进

这是RNF框架中极具特色的部分，它借鉴了伦理推理的发展阶段理论，将学生的伦理立场分为三个层级：

• 第一层：服从：行为动机是避免惩罚或遵守权威制定的规则（“因为教授说不能用，所以我不用”）。
• 第二层：认同社会规范：行为动机是维护社会关系或机构声誉（“大家都诚实写作，我也应该这样，否则对其他人不公平”）。
• 第三层：内化的伦理原则：行为基于自主选择的、普适的伦理原则（“我坚信知识建构的过程具有内在价值，外包这一过程损害了我的学术完整性”）。

一个学生的伦理承诺层级，深刻影响其风险感知和行为稳定性。处于第一层的学生，其“诚实”行为高度依赖于监督环境；而处于第三层的学生，其行为则具有跨情境的稳定性。

2.1.4 情境需求：被忽视的关键变量

这是传统模型最常忽略的部分，却是RNF解释行为变动的关键。情境需求包括：

• 任务特征：截止日期紧迫吗？任务复杂度高吗？评分标准明确吗？（例如，塔里克在夏季课程中面临时间压缩和严格的引用规范，这直接推高了他的AI使用强度。）
• 制度环境：课程政策是否清晰？检测工具是否被使用？教师对AI的态度是开放还是禁止？
• 社会比较：同伴都在用吗？用的程度如何？

情境需求像一个调节器，实时改变着其他三个输入的“权重”。在高压情境下，感知收益的权重可能急剧放大，压倒伦理承诺和风险感知。

2.2 递归循环：行为如何塑造未来的自己

RNF框架不是静态的。一次协商产生的“输出”（即实际使用行为），会通过一个反馈环路，反过来校准未来的“输入”。这就是递归机制。

例如，一个学生因为高估AI收益（感知收益通胀）而进行了依赖性使用，导致作业质量不佳（遭遇“学习贫乏化”经历）。这次失败的经历会激活并强化他之前未曾察觉的认知风险。在下一次协商时，感知风险的权重就会增加，他可能转向更审慎、更具策略性的使用，甚至辅以人工验证。反之，如果一次成功的依赖性使用未被发现且获得了不错分数，则可能强化其收益感知，使其在类似情境下更倾向于重复该行为，从而陷入“技能替代”的恶性循环。

这个递归循环解释了为什么简单的“经验”不一定带来“成熟”。如果早期使用没有触发对风险的重新校准，经验只会导致习惯化甚至依赖加深。

2.3 双模式架构：协商者与戒绝者

RNF框架的一个关键理论贡献是提出了双模式架构，区分了“协商模式”和“戒绝模式”的学生。

• 协商模式学生：绝大多数学生属于此类。他们的行为是上述四个输入协商的结果，会随着情境变化。即使他们某次完全不用AI，也是基于当前情境下风险大于收益的判断（情境性戒绝），而非绝对的伦理反对。
• 戒绝模式学生：约13%的学生（基于原始研究）属于此类。他们的行为由绝对的、分类学的伦理约束驱动（例如，“在任何情况下，使用AI生成文本都是错误的”）。他们的输入协商中，伦理承诺的权重是压倒性和不可谈判的，因此其行为（戒绝）在不同情境下高度一致。

这一区分至关重要。将戒绝模式学生与那些仅仅因为风险高（如害怕检测）或收益低而暂时不用的协商模式学生混为一谈，会严重误导教育干预的设计。针对前者的干预需要伦理对话，而针对后者则需要调整情境或提升AI素养。

3. 从理论到诊断：应用RNF分析学生案例

理论的价值在于解释现实。让我们通过深化原始研究中的两个典型案例——塔里克和德斯蒂尼——来演示如何运用RNF进行动态行为诊断。这比静态贴标签能提供更丰富的干预线索。

3.1 案例深度剖析：塔里克的“合规性计算”与德斯蒂尼的“觉醒之路”

3.1.1 塔里克：在制度压力下的策略演变

塔里克是一名研究生，在夏季高强度课程中面临巨大时间压力和严格的全文披露要求。

• 输入分析：
  • 感知收益：极高。“更重的框架”下，AI是应对时间压力的救命稻草。
  • 感知风险：诚信风险（主动的、第一层级）和认知风险（抽象的）被意识到，但发展性风险未被感知。
  • 伦理承诺：处于第一/二层，主要是合规和对规范的遵从。
  • 情境需求：夏季课程时间压缩，且要求全文披露AI生成内容。
• 协商输出与递归循环：
  • 夏季：高收益 + 高制度压力 + 中低风险感知 + 合规性伦理 = 重度使用。他生成了87页的AI内容并按要求披露。这次披露行为带来了“成本”：大量的标注工作、可能面临的审视。这重新校准了他对“披露”这一情境需求的感知。
  • 秋季：当课程政策变为“比例性引用”时，塔里克在新的协商中，调整后的“披露成本”输入促使他转向选择性、比例性的披露。他的行为从“重度使用+全文披露”演变为“策略性使用+选择性披露”。
• 发展轨迹：从合规性判断走向比例性判断。他的伦理推理仍在一、二层，但通过递归学习，他发展出了在规则框架内优化自身行为的策略能力。干预的关键在于改变情境需求输入，例如制定更清晰、一致的使用和披露政策，引导其计算向更符合学术目标的方向发展。

3.1.2 德斯蒂尼：从依赖到策略的“学习冲击”

德斯蒂尼是一名本科生，最初为提升成绩而使用AI。

• 输入分析（第一年）：
  • 感知收益：高，且被初步的成绩提升所证实。
  • 感知风险：认知风险低，发展性风险完全不可见。
  • 伦理承诺：从第一层向第二层萌芽，开始有初步的智力成长关切。
  • 情境需求：低风险任务。
• 协商输出与递归循环：
  • 第一年：高收益 + 低风险感知 + 低阶伦理 = 依赖性使用。
  • 转折点：在后续课程中，她遭遇了一次严重的“学习贫乏化”经历——她发现自己无法独立完成一项本应掌握的任务，因为之前的AI依赖导致相关技能未能发展。这次经历剧烈地激活并显化了她之前不可见的发展性风险。
  • 第二年及以后：被激活的高发展性风险输入，压倒性地改变了协商方程。她的输出转变为策略性克制，只在必要时辅助使用，并伴有严格的验证。
• 发展轨迹：从第一层经第二层向第三层萌芽。她的伦理关切因真实的学习挫折而内化。干预的关键在于加速“学习冲击”的递归通道，通过教学设计（如要求分析AI错误、对比AI与人类文本的作业）让她提前、安全地认识到发展性风险，而不是等到在真实评估中失败。

注意事项：这两个案例揭示了“效率-萎缩悖论”的同一机制（认知风险在即时协商中不可见），但通过不同通道激活递归循环：塔里克是通过制度政策遭遇（披露成本），德斯蒂尼是通过学习经历遭遇。单一案例分析会模糊这一区别，而RNF的对比诊断则能指出截然不同的干预路径：对塔里克需调整政策环境，对德斯蒂尼则需设计能触发风险意识的学习活动。

3.2 诊断工具与实操步骤

作为教育者或研究者，如何应用RNF分析学生？

1. 信息收集：不要只问“你用不用AI？”，要通过访谈、反思日志或情境问卷，收集四方面信息：
   • 收益感知：“你觉得AI在完成XX任务时，最能帮到你什么？节省了多少时间/精力？”
   • 风险感知：“使用AI时，你主要担心什么？（可提示：被抓住、自己变懒、学不到东西、论文不代表自己）”
   • 伦理立场：“你为什么认为在作业中使用AI是合适/不合适的？”（分析其回答属于服从、规范还是原则层次）。
   • 情境压力：“当时这项任务的截止日期、难度、评分标准是怎样的？你知道其他同学是怎么用的吗？”
2. 构建输入配置：像填写表格一样，梳理该学生在特定任务下的四大输入状态。
3. 分析输出与递归：观察其实际行为（使用频率、方式、是否验证、是否披露），并推测哪些输入在本次协商中占主导。追问：“这次经历（比如得了低分或高效完成）会如何改变你下次对AI的看法或用法？”
4. 识别模式与干预点：判断学生处于“协商模式”还是“戒绝模式”。对于协商模式学生，识别哪个输入是导致非理想输出（如依赖或欺骗）的关键杠杆点。是收益评估不准？风险意识不足？伦理层次低？还是情境压力畸高？

4. 基于RNF的教育干预设计指南

RNF框架的价值最终要落到“怎么办”上。它告诉我们，一刀切的政策或笼统的素养培训效果有限，必须进行精准干预。

4.1 针对四大输入的干预策略矩阵

干预目标（输入）	核心问题	具体干预策略示例	预期效果
校准感知收益	学生是否高估或低估了AI在特定任务中的真实能力？	1. “AI vs. 专家”对比练习：让学生用AI完成一部分任务，再与高质量范例或自己后期修改的版本对比，具体分析AI的局限（如论据肤浅、逻辑跳跃）。 2. 元认知提示：在任务前让学生预估AI能帮到什么程度，任务后复盘验证。	减少“自我效能感通胀”，促使依赖型用户向策略型用户转变。
显化感知风险	学生是否意识到，尤其是认知与发展性风险？	1. 结构化反思：在允许使用AI的作业后，强制要求学生撰写短文，描述AI的贡献与局限，并反思此过程对自己学习的帮助与潜在损害。 2. “技能审计”作业：设计一项后续任务，明确考察之前AI辅助过的技能，检验其独立掌握程度。	激活学生的风险感知，特别是“技能替代风险”，预防“效率-萎缩悖论”。
提升伦理承诺	学生的伦理推理处于哪个层次？如何促进其发展？	1. 案例讨论：使用真实或虚构的学术不端案例（包括AI滥用），引导学生讨论不同行为的伦理依据，推动思考从“怕惩罚”（第一层）向“公平性”（第二层）和“学术诚信价值”（第三层）演进。 2. 角色扮演与辩论：让学生扮演教授、学生、期刊编辑等角色，就AI使用的边界进行辩论。	培养内化的、原则性的伦理推理，产生不依赖于外部监督的、稳定的负责任使用行为。
管理情境需求	课程政策、任务设计是否在无意中鼓励了不当使用？	1. 清晰、分层的政策：明确不同作业类型下AI的使用规则（如： brainstorming允许，草稿生成限制，最终论证禁止），并解释其教育学理由。 2. 过程性评估设计：增加草稿、大纲、文献笔记等过程性考核，降低对最终成品的一次性压力。 3. 调整任务本质：设计无法由AI直接完成的任务，如基于本地课堂讨论的反思、分析特定数据集、连接个人经验等。	创造一种“支持性压力”环境，使合规、高质量的学习行为成为学生的理性选择。

4.2 整合干预：从“素养中心”到“伦理中心”的课程重塑

最有效的干预不是单一策略，而是将上述策略整合到课程设计中，实现从“合规中心”到“素养中心”，最终迈向“伦理中心”的转变。

• 合规中心模式：主要依赖检测工具和惩罚性政策。它针对的是伦理承诺输入的第一层（服从）。效果是局部的、监督依赖的。一旦监督消失，行为可能反弹。这是最初级、也是问题最多的模式。
• 素养中心模式：重点教授AI的工作原理、能力边界、提示技巧和验证方法。它针对的是感知收益和感知风险输入的准确性。效果是学生能更精准地使用AI，但未必减少使用频率，也未必提升其行为的伦理稳定性。
• 伦理中心模式：这是RNF框架倡导的深层目标。它将AI使用视为一个发展性、道德领域的实践，通过持续的伦理对话、反思性作业和原则性政策，促进学生伦理推理向更高层次发展。这种模式效果最持久，但也最难实施，需要长期的课程文化浸润。

一个理想的课程设计应包含三者：用清晰的政策（合规）设定底线和初始框架；用系统的AI素养训练（素养）提升工具使用质量；用嵌入课程的伦理讨论和反思任务（伦理）促进内在动机和发展。例如，一门写作课可以：

1. 开学初明确AI使用政策（合规）。
2. 安排一次工作坊，教授如何用AI进行头脑风暴和修改语法，同时通过练习展示其编造参考文献的倾向（素养）。
3. 在完成一篇允许使用AI辅助研究的论文后，要求学生提交一份“使用说明与伦理反思”，说明如何使用的、为何这样用是恰当的、以及此过程对其自身思考的帮助与挑战（伦理）。

4.3 针对MSI（少数族裔服务机构）学生的公平性干预设计

RNF框架的诞生背景使其对资源不均等的教育环境有特别深刻的启示。对于MSI中大量存在“准备差距”的第一代大学生，AI的“效率红利”被放大，而“技能替代风险”也更高。

• 挑战：这些学生更可能因补偿心理而过度依赖AI，且他们通过“遭遇式学习”（试错）积累AI素养的路径更慢、成本更高。
• 干预设计必须超越简单的“限制使用”：
  • 前置补偿，而非事后惩罚：在课程初期就提供强化的学术写作基础支持和AI素养正式培训，弥补准备差距，而不是在他们因差距而依赖AI后再处罚。
  • 设计“安全失败”的体验：在低风险作业中，故意设计需要学生识别和纠正AI错误的任务，让他们在分数安全的情况下，提前、深刻地认识到AI的风险和局限，激活其风险感知。
  • 明确的价值引导：向学生清晰传达：本课程的目标是帮助你发展不可被替代的核心能力（批判性思维、深度分析、创造性表达）。AI是辅助你达成这一目标的工具之一，而不是替代你达成目标的捷径。将AI使用与学生的长期学术发展和职业成功直接关联。

5. 研究前沿与框架验证：RNF的四个可检验预测

一个优秀的理论框架必须能做出可被证伪的预测。RNF框架提出了四个核心预测，它们共同构成了一个完整的研究议程。

5.1 预测一：学生内部的行为变异性

预测：同一学生在同一门课程的不同任务中，其LLM依赖行为会表现出显著的内部变异。当以学生为单位聚类分析时，依赖决策的组内相关系数（ICC）将低于0.50。

检验方法：需要在单门课程中，采用经验取样法（ESM），通过屏幕录制、数字修订日志等过程可见的数据，收集每名学生至少5次作业中的依赖行为数据。

理论与实操意义：如果ICC≥0.50，则说明依赖行为更像一种稳定的个人特质，RNF强调“情境”核心性的主张就需要修正。这对教学意味着，如果行为高度稳定，干预就应更侧重改变个人（如动机、能力）；如果行为高度可变，干预则应更侧重优化任务设计和情境。

5.2 预测二：伦理层级的提升与监督无关的稳定性

预测：通过结构化的学术诚信干预（如伦理推理课程）提升了伦理层级的学生，其依赖行为对监督的敏感性会降低。即，在高监督和低监督条件下，其行为一致性差异的效应量（Cohen‘s d）将≥0.40。

检验方法：需要进行随机对照试验（RCT），比较伦理课程组与对照组，并在干预前后分别测量学生在明确监控和独立作业条件下的AI使用行为。

理论与实操意义：如果伦理层级的提升未能带来行为稳定性的变化（d < 0.20），则说明学生“宣称的伦理”与“实践中的伦理”是脱节的。这要求我们在教学中，不能只看学生怎么说，更要设计能观察其跨情境行为的评估。

5.3 预测三：AI素养干预对协商输出质量的影响

预测：旨在提升收益与风险评估准确性的AI素养干预，将改变协商输出的质量。具体表现为：在依赖型用户中减少“自我效能感通胀”（其调节系数β值发生至少0.05的显著变化），并在先前不审慎的用户中增加伴有验证的依赖行为。

检验方法：实施经过验证的AI素养课程的前后测设计，重新评估学生的依赖类型，并测量其验证行为（如要求标注信息来源）。

理论与实操意义：如果干预后，依赖类型分布和调节模式均无变化，则说明AI素养可能只是一个静态的前置因素，而非RNF所认为的、能实时校准其他输入的动态协商要素。这将迫使我们对素养培训的内容和方式进行反思。

5.4 预测四：机构类型对“效率-萎缩”临界点的调节作用

预测：协商结果受机构类型和学生准备背景的调节。在MSI就读的学生，其依赖强度与技能替代结果之间的正相关关系（即“效率-萎缩”临界点效应）会比在选择性更高的院校中更陡峭。

检验方法：需要在至少4所不同机构（MSI vs. 非MSI）进行多站点比较研究，使用一致的依赖测量和写作质量评估工具，并进行纵向跟踪。

理论与实操意义：如果MSI的调节效应不显著，那么“MSI学生面临更陡峭的技能替代风险”这一公平性论断就缺乏普遍依据。这提醒我们，任何基于特定情境（如顶尖大学）发展出的AI使用理论或政策，在推广到资源不均等的环境时，必须经过严格的本地化验证和调整。

6. 常见问题与实施挑战

在实际应用RNF框架进行教学或研究时，你可能会遇到以下问题。

6.1 如何区分“戒绝模式”学生和只是“暂时不用”的协商者？

这是实施中最棘手的诊断问题。仅凭使用频率无法区分。关键在于探究其动机结构：

• 可用的诊断问题：
  • “如果有一项作业，教授明确允许且鼓励使用AI来激发灵感，你会用吗？为什么？”（测试是否受情境约束）
  • “你认为在学术工作中使用AI，本质上是否存在对错？还是取决于具体情况？”（测试伦理原则的绝对性）
  • “如果你确定使用AI绝对不会被发现，你会改变现在的使用方式吗？”（测试对监督的依赖程度）
• 行为指标：戒绝模式学生的行为在不同课程、不同任务类型、不同政策下都表现出高度一致性（接近零使用）。而协商模式学生的“不用”往往伴随特定情境（如高风险考试、个人重视的创作）。

6.2 学生的自我报告不可信怎么办？

确实，社会赞许性偏差会影响自我报告数据的真实性。RNF框架鼓励采用多源数据三角验证：

1. 行为数据：利用支持过程追踪的教育技术工具（如Google Docs版本历史、特定写作软件的日志）。分析其写作过程中的“粘贴”模式、修改轨迹。
2. 过程性产出：要求学生提交使用AI的“过程记录”，如与AI的对话记录、AI生成文本与最终文本的对比标注。
3. 设计“不可伪造”的任务：如前所述，设计必须基于本地化、个性化信息的任务，使AI直接生成高质量答案变得困难。

6.3 在资源有限的课堂中，如何落地这些复杂的干预？

不需要一步到位。可以从最小可行改变开始：

1. 从一次反思作业开始：在一项允许使用AI的作业后，增加一个简短的、不计分的反思环节，提出RNF式的问题（“你从AI那里得到了什么帮助？它有什么局限？这个过程如何影响了你自己的思考？”）。
2. 明确并沟通你的政策：即使只是简单的三层分类（禁止、允许但需标注、鼓励），清晰沟通本身就能显著影响学生的“情境需求”和“伦理承诺”输入。
3. 利用同伴学习：组织小组讨论，让学生分享各自使用AI的策略和遇到的坑。同伴经验是最有力的“风险显化”和“素养校准”工具之一。
4. 关注“临界点”学生：将更多精力放在那些表现出“依赖性使用”苗头或正处于“技能替代”边缘的学生身上，通过一对一谈话，运用RNF框架分析其输入配置，提供个性化指导。

6.4 RNF框架是否意味着要完全接受AI，放弃学术诚信标准？

恰恰相反。RNF提供了一个更精细、更有效的维护学术诚信的路线图。它指出，单纯依靠检测和惩罚（针对第一层伦理）是脆弱且不公平的。它主张通过教育来提升学生的伦理推理层次（达到第二、三层）和AI素养（校准收益与风险），从而培养出能够在内、外部任何环境下都做出负责任决策的学习者。这不是降低标准，而是追求更高、更稳固的诚信标准——一种由内而外、基于理解的诚信，而非由外而内、基于恐惧的合规。最终，RNF框架邀请教育者共同思考：我们究竟希望培养出什么样的学习者？是善于规避检测的“策略家”，还是能够与智能工具共舞、同时牢牢掌控自己智力主权的“深思熟虑的实践者”？框架给出的路径，指向的是后者。