学习者使用AI的画像构建研究：研究脉络与精读文献指南

整理日期：2026-09-08
范围界定：以"学习者（尤其是高校学生）使用AI/生成式AI的行为、动机、认知特征"为数据源，构建学习者画像（learner profiling / user persona）的研究
期刊门槛：国际以中科院一、二区为主；国内以 CSSCI 来源刊（C刊）为主
说明：所有文献均经网络检索核对出处；个别期次信息请在知网/Web of Science 投稿引用前二次确认

---

一、领域界定与关键词地图

这个选题处在三条研究传统的交汇处，写文献综述时建议按这条逻辑组织：

传统A：学习者建模 / 学习者画像          传统B：AI教育应用（AIEd）
（教育技术、远程教育脉络）              （自适应学习、智能导师系统脉络）
              │                                │
              └──────────┬─────────────────────┘
                         ▼
     传统C：ChatGPT 之后兴起的"学生AI使用行为"研究（2023— ）
                         │
                         ▼
   【你的选题】基于AI使用行为的学习者画像构建
   （用聚类/LPA等方法对学生AI使用模式分型，形成画像并支撑干预）

中英文检索关键词（建议组合使用）：

• 中文：学习者画像、学习者建模、用户画像、生成式人工智能、ChatGPT使用行为、AI素养、人机协同学习、精准干预、潜在剖面分析/潜在类别分析
• 英文：learner profile / learner profiling / student persona、learner modeling、generative AI / GenAI / ChatGPT use、AI literacy、latent profile analysis / latent class analysis、clustering、human-AI interaction in education

---

二、研究脉络：四个阶段

阶段1（1990s—2010s初）：学习者模型时代——"画像"的前身

• 核心问题：智能导师系统（ITS）如何表征学习者的知识与认知状态。
• 代表工作：认知诊断、知识追踪（Knowledge Tracing）、贝叶斯学生模型（BKS）、开放学习者模型（Open Learner Model, OLM）。
• 国内对应：远程教育界的"学习者特征分析体系"（丁兴富1998的远程学生理论分析框架、王迎等2006年DSMS模型等，见《远程教育杂志》相关综述）。
• 关键词：student model → learner model，画像尚未出现。

阶段2（2012—2018）：学习分析 + 教育大数据——"学习者画像"概念成型

• MOOC浪潮带来海量行为日志，“画像”（persona/profile）概念从商业用户画像迁移到教育领域。
• 核心范式确立：画像模型设计 → 多源数据采集 → 标签体系构建 → 聚类/挖掘建模 → 可视化呈现与应用（这条流程至今仍是国内C刊论文的标准骨架）。
• 国内代表：肖君团队（上海开放大学）基于开放学习分析架构提出"ODAS"模型，构建高风险在线学习者画像；王一岩、郑永和系列论文系统构建学习者建模理论体系。
• 画像维度：人口学特征、学习行为、知识状态、认知特点、情感/投入。

阶段3（2019—2022）：AIEd系统化 + 画像技术深化

• Zawacki-Richter et al.（2019）对高教领域AI应用做系统综述，确立四大应用类型（ profiling and prediction / assessment / adaptive systems and personalisation / intelligent tutoring），"profiling and prediction"被正式列为AIEd第一类应用——这是你综述里必须引用的奠基性文献。
• 画像技术深化：多模态学习分析、情境感知建模、数字孪生（学习者孪生体）、可解释学习者建模（XAI + 学习者建模）。
• 国内C刊出现密集的理论建构：情境感知学习者建模、可解释学习者建模、学习者孪生体。

阶段4（2023—至今）：生成式AI冲击——"学习者AI使用画像"成为新前沿

ChatGPT之后，研究重心发生关键转向：画像的对象从"学习者的知识/行为"扩展为"学习者如何使用AI"。这是你的选题所直接切入的阶段，有四条并行支线：

1. 使用行为分型（与你选题最直接相关）

   • von Garrel & Mayer（2023）：德国大学生ChatGPT使用类型学（typology），把学生分为多种使用者类型——"AI使用画像"的早期范本；
   • Stojanov et al.（2024, CAEAI）：用潜在剖面分析（LPA）识别大学生ChatGPT学习依赖的三个画像（Critically Engaged Navigators / Pragmatic Technicians / Emerging Users）——方法论上与"画像构建"高度同构，建议作为方法模板精读；
   • Chang et al.（2025, Interactive Learning Environments）：基于潜在类别分析（LCA）的大学生ChatGPT接受度群体分型。

2. 使用与感知的质性/混合方法刻画

   • Chan & Hu（2023, BJET）：大规模开放题调查，学生视角的GenAI机会与担忧；
   • Baek, Tate & Warschauer（2024, CAEAI）：“ChatGPT seems too good to be true”，美国大学生真实使用与感知；
   • Stöhr et al.（2024, CAEAI）：跨性别、学历层次、学科的AI聊天机器人使用差异。

3. 数字鸿沟与风险画像

   • "GenAI divide"研究（2025, Internet and Higher Education）：大学生GenAI使用分化及其公平性含义；
   • 问题性AI使用（problematic AI use）研究开始出现（含LPA方法的学位论文/论文，2025）。

4. AI素养与自我调节学习作为画像维度

   • AI literacy、AI自我效能、认知信任、学术诚信倾向等正在被纳入画像变量集；
   • 国内：牟智佳等（2025, 电化教育研究）基于认知智能大模型的人机协同个性化学习设计——画像被重新定位为"人机协同"的中介构件。

---

三、期刊地图（投稿/检索锚点）

国际（中科院分区，以2025升级版为参考，投稿前请以最新分区表为准）

期刊	分区	与选题的关系
Computers & Education	一区Top	教育技术旗舰，画像+AI使用行为的主阵地
Computers and Education: Artificial Intelligence (CAEAI)	一区/二区（新刊上升快）	与你选题匹配度最高，LPA/分型研究集中地
British Journal of Educational Technology (BJET)	一区	学生AI使用感知、GenAI政策与素养
The Internet and Higher Education	一区	高教场景AI采纳、GenAI divide
Humanities and Social Sciences Communications	一区	大学生AI使用调查（von Garrel & Mayer刊于此）
Interactive Learning Environments	二区	LCA/接受度分型
Learning and Individual Differences	二区	Kasneci et al. ChatGPT for good? 所在刊，个体差异视角
Education and Information Technologies	二区	AI素养、使用行为混合方法研究
International Journal of Artificial Intelligence in Education (IJAIED)	SSCI	Zawacki-Richter 2019奠基综述所在刊，AIEd传统主场

国内（均为CSSCI来源刊/C刊）

• 第一梯队（与你选题最贴）：电化教育研究、中国电化教育、开放教育研究、现代远程教育研究
• 第二梯队：远程教育杂志、中国远程教育、现代教育技术
• 心理学路径补充：心理科学、心理发展与教育（如做LPA+心理健康/动机的实证，华东师大团队2025在《心理科学》发过大学生AI使用动机潜在剖面研究）

---

四、精读推荐清单（按优先级）

第一梯队：与选题"直接同构"，必须精读（6篇）

P1. Stojanov, A., Liu, Q., & Koh, J. (2024). University students’ self-reported reliance on ChatGPT for learning: A latent profile analysis. Computers and Education: Artificial Intelligence, 6, 100243.

• 为什么精读：这就是"基于AI使用数据构建学习者画像"的完整方法论示范——LPA分出三类画像，并检验画像间学习暴露、社会学习、自主性的差异。你的研究设计可以直接与它对话（如换成中国样本、加入AI素养/人格变量、追踪画像与学习成效的关系）。
• 读什么：变量选择逻辑、LPA模型拟合指标（AIC/BIC/Entropy）报告规范、画像命名与解释策略。

P2. von Garrel, J., & Mayer, J. (2023). Artificial Intelligence in studies—use of ChatGPT and AI-based tools among students in Germany. Humanities and Social Sciences Communications, 10, 799.

• 为什么精读：大样本（N≈6000+）全国调查，对使用频率、用途、工具类型做类型学划分，是"AI使用画像"变量维度设计的最佳参考。
• 读什么：问卷维度（用途清单、频率、态度）、按使用强度分组的画像思路。

P3. Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. British Journal of Educational Technology, 54(6), 1402–1422.

• 为什么精读：领域引用最高的学生视角GenAI实证之一，质性数据为画像的"标签语义"提供丰富素材（学生的真实用语可以作为画像维度命名的依据）。
• 读什么：开放编码框架、"机会-挑战"双轴结论、混合方法报告方式。

P4. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16, 39.

• 为什么精读：奠基综述，"profiling and prediction"就是它划定的第一类AIEd应用；所有后续画像研究都要回到这篇文章定位自己。
• 读什么：四大应用类型划分、对方法学缺陷的批判（你可以在"AI使用画像"语境下更新这些批判）。

P5. 王小根, 吕佳琳. (2021). 从学习者模型到学习者孪生体——学习者建模研究综述. 《远程教育杂志》, 39(2), 53–62.

• 为什么精读：国内学习者建模最系统的综述，从特征、模型构建、建模技术三个维度梳理，直接给出你综述的"阶段1—3"国内骨架。
• 读什么：模型演化谱系、数字孪生方向的前瞻判断（可检验其预言是否被GenAI时代兑现）。

P6. 王一岩, 郑永和. (2022). 基于情境感知的学习者建模：内涵、特征模型与实践框架. 《远程教育杂志》, 40(2), 66–74.

• 为什么精读：提出情境感知学习者建模的特征模型（多模态数据融合），是把画像从"静态标签"推向"动态情境化"的国内理论代表作。
• 读什么：特征模型分层、实践框架如何落到智能教育产品。

第二梯队：方法与视角补充，强烈建议读（5篇）

P7. Baek, C., Tate, T., & Warschauer, M. (2024). “ChatGPT seems too good to be true”: College students’ use and perceptions of generative AI. CAEAI, 7, 100294.

• 美国样本的使用与感知混合刻画；适合做中外对照、画像变量取舍参考。

P8. Alfredo, R., Echeverria, V., Jin, Y., et al. (2024). Human-centred learning analytics and AI in education: A systematic literature review. CAEAI, 6, 100215.

• 人本学习分析+AI的系统综述；为你的画像研究提供"伦理与参与式设计"的理论包装，避免被批"纯技术画像"。

P9. 王一岩, 郑永和. (2023). 可解释学习者建模：价值意蕴与应用图景. 《电化教育研究》(2023年第5期前后).

• XAI视角的国内理论建构，回答"画像为什么要可解释"——评审很吃这一套论证。

P10. Chang, H., Liu, B., Zhao, Y., Li, Y., & He, F. (2025). Research on the acceptance of ChatGPT among different college student groups based on latent class analysis. Interactive Learning Environments.

• LCA方法在AI接受度分型上的应用，与P1形成方法互补（LPA vs LCA）。

P11. 牟智佳, 岳婷, 朱陶. (2025). 人机协同视域下基于认知智能大模型的个性化学习设计研究. 《电化教育研究》, 46(2), 80–87.

• 国内最新的"大模型时代画像如何嵌入个性化学习设计"的尝试，写讨论部分的国内对话对象。

第三梯队：背景与延伸阅读（选读）

• Stöhr, C., Ou, A. W., & Malmström, H. (2024). Perceptions and usage of AI chatbots among students in higher education. CAEAI, 7, 100259.（跨群体差异）
• Stojanov, A. (2023). AI in education: A systematic literature review. Expert Systems with Applications.（AIEd技术全景）
• Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences.（立场论文，引用率高，适合引言用）
• Essel, H. B., et al. (2025). The GenAI divide among university students: A call for action. The Internet and Higher Education.（GenAI鸿沟/公平视角）
• 肖君, 等. 大数据环境下在线学习者画像的构建.（开放教育研究/远程教育杂志，约2019；ODAS模型与高风险学习者画像，具体期次请知网核对）
• 杨文正, 等. (2025). 嵌入生成式人工智能的数字教育资源精准服务模式构建. 《电化教育研究》2025年第1期.（画像→精准服务的国内落点）

---

五、研究空白与选题机会（供你定位创新点）

1. 样本与情境空白：现有AI使用画像研究以欧美样本为主（P1墨西哥、P2德国、P7美国），中国大学生情境下的GenAI使用画像（尤其是国产大模型使用）几乎空白——这是最容易讲清楚的创新点。
2. 变量整合空白：现有分型多只用"使用频率/用途/依赖度"，把AI素养、自我调节学习（SRL）、学术诚信倾向、认知信任同时纳入画像变量集的研究很少。
3. 画像→后果空白：画像分组与学习成效、批判性思维、过度依赖之间的纵向/因果证据几乎缺失（目前基本是横断面自陈述）。
4. 数据源空白：几乎全部依赖问卷自述，基于真实对话日志/行为轨迹的画像构建（比如分析学生与大模型的提示词行为）是方法上的蓝海——可与国际上log-based learning analytics传统对接。
5. 理论空白：画像研究常被批"技术堆砌缺理论"，建议以SDT（自我决定理论）或双重过程理论/技术接受+认知负荷的整合模型作为画像变量的理论框架。

一句话研究定位建议（可直接改造为摘要句式）：

在生成式AI深度嵌入学习的背景下，本研究以【理论】为框架，基于【AI素养×使用行为×自我调节】多维数据，采用潜在剖面分析构建中国大学生AI使用画像，并检验画像类型对【学习成效/过度依赖】的预测作用，为精准化AI素养教育提供依据。

---

六、写作提示

• 综述结构建议：不要按时间流水账，按"画像对象之变（知识→行为→AI使用行为）×画像方法之变（静态标签→动态多模态→生成式）"二维矩阵组织，你的选题就落在矩阵右下角。
• 必引的三个锚点：Zawacki-Richter 2019（领域定位）、Stojanov 2024（方法同构）、王一岩&郑永和（国内理论谱系）。
• 警惕：CAEAI等新刊分区变动快，投稿前以中科院文献情报中心最新分区表为准；引用P9、肖君等条目时先在知网核对卷期页码。