New Literacy for the Digital Intelligence Era: The Structure and Measurement of Human-AI Collaborative Creativity Literacy

Hongkun ZHAI; Xiang ZHOU; Jianghong FU; Kunzhao LI; Yuxin CUI; Xiaowei WEI

doi:10.12139/j.1672-0628.2026.03.012

2026 , Vol. 24 >Issue 3: 375 - 383

DOI: https://doi.org/10.12139/j.1672-0628.2026.03.012

New Literacy for the Digital Intelligence Era: The Structure and Measurement of Human-AI Collaborative Creativity Literacy

Hongkun ZHAI ¹ ,
Xiang ZHOU ^,*^,² ,
Jianghong FU ² ,
Kunzhao LI ² ,
Yuxin CUI ³ ,
Xiaowei WEI ³

Expand

1. Faculty of Education, Tianjin Normal University, Tianjin 300387
2. School of Sociology, Academy for Advanced Interdisciplinary Studies, Nankai University, Tianjin 300350
3. Institute of Moral Education and Educational Psychology, Tianjin Academy of Educational Sciences, Tianjin 300191

Received date: 2025-11-27

Online published: 2026-06-18

Copyright

Fold

Abstract

Human-AI collaboration has become a new norm for creative activities in the digital-intelligence era, and the corresponding human-AI collaborative creativity literacy has thus emerged as a prominent research topic. This study employed both qualitative and quantitative methods to explore the structure and measurement of human-AI collaborative creativity literacy. Study 1 conducted semi-structured interviews with 16 frontline AI professionals and individuals with rich experience in human-AI collaborative creativity. The interviews focused on the literacy required for human-AI collaborative creativity. The results showed that such literacy comprised five categories: knowledge, skills, attitudes, values, and ethics. Building on these findings, Study 2 developed a scale to measure human-AI collaborative creativity literacy and administered it to a total of 3432 participants. The results showed that the scale comprised three dimensions: knowledge and skills, attitudes and values, and ethics. The scale demonstrates a sound internal structure, good reliability and validity, and met psychometric requirements, indicating that it can serve as an effective instrument for assessing human-AI collaborative creativity literacy.

Key words： human-AI collaborative creativity literacy; scale development; qualitative research; human-machine collaboration; technical literacy

Cite this article

Hongkun ZHAI , Xiang ZHOU , Jianghong FU , Kunzhao LI , Yuxin CUI , Xiaowei WEI . New Literacy for the Digital Intelligence Era: The Structure and Measurement of Human-AI Collaborative Creativity Literacy[J]. Studies of Psychology and Behavior, 2026 , 24(3) : 375 -383 . DOI: 10.12139/j.1672-0628.2026.03.012

1 引言

数智时代的背景下，人工智能(artificial intelligence, AI)的快速发展正在重塑创新领域的基本格局。AI可以以极高的速度帮助人类验证创造性观点的有效性(Zhu et al., 2024)，并通过自身掌握的数据信息，发现人类先前未曾察觉的关联，辅助人类提出新颖的观点(Davies et al., 2021)。在数智时代，人智协同创新已成为新的创新合作常态。然而，Rafner等人(2023)指出，人智协同创新既不等同于人类使用工具创新，也不等同于人类团队中的合作创新。有研究发现，人对AI的固有信念可能影响人对AI产生观点的创造性评价(Hong et al., 2021)，而人对AI产生观点的评价准确度将会直接影响人机协作创新的效果(崔虞馨, 2024)。这意味着当AI加入创造过程后，作为创新主体的人类需要具备一些额外的特质，才能够回应人智协同创新的独特需求，进而实现人与智能体的高效协作。

技术相关素养泛指个体使用、管理、评估和理解技术的能力(ITEA, 2007)。作为一种开放、动态的概念，技术相关素养的内涵总是与技术发展阶段紧密相连。当一种新技术日益大众化并推动人类生存样态、生产关系与生活方式发生深刻变革时，传统的素养的价值便会趋于边缘化，客观上催生了对新素养的要求(蔡迎春等, 2024)。当前，人类正逐步实现从信息化生存到数字化生存，再到智能化生存的过渡与更迭。与此呼应，技术相关素养也从侧重于信息识别与利用的信息素养，演进到关注数字工具操作与批判性思维的数字素养，并发展为强调理解、应用与评估人工智能技术的AI素养(杨梦真, 王景辉, 2024)。

经典的AI素养概念框架强调AI的工具性身份，与创新相关的内容大多集中于创造或开发AI工具本身，而非与AI共同创新。例如，Laupichler等人(2022)认为，AI素养是个体使用AI的能力；Long和Magerko(2020)认为AI素养包含在一些场景中使用AI作为工具的能力；Ng等人(2021)认为AI素养中的创新是评估和创造AI。然而，随着2022年末以ChatGPT为代表的一众生成式AI(generative AI, GAI)的问世，人与AI协同创新已成为人机协作的新常态。有研究者指出，以人和AI平等协作为特点的人智共创(Co-Cre-AI-tion)已成为未来社会的理想图景(Vinchon et al., 2023)。GAI呈现出的拟人化与自主性，使其角色正在从被动的工具客体转变为具有社会属性的交互主体，人机关系正从单向操控的“人−物”工具关系，迈向双向互动的“人−智”社会关系(Rafner et al., 2023)。在此背景下，经典的AI素养概念框架难以涵盖复杂的人智协同创新活动。因此，探讨人智协同创新素养的结构、开发具有良好心理测量学属性的测量工具已成为当前人机协作和创造力领域的重点工作之一。

综上，本研究围绕人智协同创新素养，设计并进行了2项研究，旨在明确人智协同创新素养的内容，并提供可靠的人智协同创新素养测量工具。其中，研究1采用访谈法，旨在探讨人智协同创新素养的结构与内容；研究2采用量化研究方法，旨在进行测量工具的开发，并进行信效度与测量等值性验证。

2 研究1：人智协同创新素养的结构与内容

采用访谈法收集有人智协同创新经验的个体的特征，明确人智协同创新素养的结构与内容。

2.1 研究方法

2.1.1 被试

综合采用目的抽样与滚雪球抽样法，选择AI行业从业人员以及高频率使用AI的工作人员、科研人员参加访谈。通过线上渠道邀约以及受访人员推荐，共有16位目标对象参与访谈。访谈对象的行业领域涉及研发、设计、翻译、教育、自媒体等领域。

2.1.2 研究工具

访谈提纲主要围绕以下内容进行：(1)您之前有过哪些使用AI辅助创新的经历？(2)您平时使用哪些AI工具辅助创新？(3)您认为在人智协同创新过程中，哪些因素较为重要？在受访者回答问题3后，继续追问为何该因素是重要因素。采用在线访谈的方式，要求受访者在安静的房间内接受访谈，使用的工具为腾讯会议。通过腾讯会议进行在线转写和人工校对，将其转为文本资料，使用Excel 2021软件进行编码。

2.1.3 研究程序

在正式访谈前，研究进行了预访谈。预访谈采用就近原则选择3名身边使用AI频率较高的研究生作为访谈对象。根据预访谈的结果明确了访谈提纲的有效性，并对访谈过程中的追问技巧、注意事项等内容进行了总结。

正式访谈采用半结构化的方式进行，主试为2名经过专业培训的心理学研究生，在访谈前向受访者提供知情同意书，告知本次访谈的时长、主题等内容，确保访谈对象的知情权。访谈围绕着人智协同创新过程中需要的素养展开，访谈时长约60分钟。

研究参考扎根理论的步骤进行(陈向明, 2000; Adler & Adler, 1995)。编码过程由1名心理学研究生和1名心理学助理研究员分别独立完成，在16位受访者上的平均归类一致性指数为0.78，编码分歧由课题组商议决定最终结果。在第16名对象的访谈资料中，发现已经不再有新的重要编码内容纳入，根据理论饱和的原则，不再继续进行访谈(Adler & Adler, 1995)。

2.2 结果

本研究录音、记录与访谈的所有过程均得到了访谈对象的同意，转录后获得30余万字的文本资料。开放式编码共得到1026个参考点，73个相关概念，所有概念均是人智协同创新过程中涉及的要素，例如，了解AI运行机制，AI拓展人类知识边界、激发新思路等。主轴编码析出了33个更具概括性的类属，包括AI技术基础知识，AI工具操作能力等。选择性编码形成了知识、技能、态度、价值观、伦理5个范畴。具体对应关系参见表1。

表1 人智协同创新素养的成分与内容

选择编码	主轴编码(括号中为参考点数量)
知识	AI技术基础知识(61)、AI技术局限性知识(43)、专业知识(51)、文化适配知识(7)
技能	AI工具操作能力(28)、AI交互优化能力(47)、AI成果评估能力(56)、AI成果实践能力(36)、信息检索能力(17)、自身创新能力(24)、问题拆解能力(24)、经验积累能力(19)、反思能力(50)
态度	主动探索态度(26)、积极开放态度(41)、审慎态度(44)、合作包容态度(15)、技术期待态度(19)、客观公正态度(22)
价值观	人类主导创新(47)、AI促进人类进步(50)、AI价值正向导向(37)、AI带来经济价值(8)、AI辅助创新(55)、AI技术普惠(8)
伦理	隐私与版权伦理(37)、行业伦理规范(23)、人机关系伦理(50)、AI开发伦理(9)、AI创作伦理(25)、 AI技术滥用伦理(14)、责任归属伦理(24)、技术公平伦理(9)

3 研究2：人智协同创新素养的测量

编制人智协同创新素养量表，检验量表的内部结构与信效度，分析量表在不同群体中的测量学表现，以期为后续研究提供有效的测量工具。

3.1 研究方法

3.1.1 被试

本研究共包含5个子样本，均选取有AI使用经验的个体为研究对象，采用方便取样法收集数据，并参考钟晓钰等人(2021)的建议，在问卷中嵌入识别量表进行质量控制。样本1通过线上问卷在全国范围内招募了785名被试，其中有效被试687名(有效率87.52%)，用于项目分析与探索性因子分析。样本2通过线上问卷在全国范围内招募了1371名被试，其中有效被试1238名(有效率90.30%)，用于验证性因子分析、信度与结构效度检验。样本3通过线上问卷在全国范围内招募了485名被试，其中有效被试423名(有效率87.22%)，用于效标关联效度分析。样本4通过线上问卷在全国范围内招募了1031名被试，其中有效被试887名(有效率86.03%)，用于学生与非学生群体的测量等值性检验。样本5通过线下招募线上作答的方式在天津市某大学招募了215名被试，间隔三周(20个自然日)重复施测。剔除未参加两次测验及未认真作答的个体后剩余197名有效被试(有效率91.63%)，用于问卷的重测信度分析。详细的人口学信息参见表2。

表2 被试的人口学信息

	样本1	样本2	样本3	样本4	样本5
性别
男性	294	519	198	403	47
女性	393	719	225	484	150
职业
在校学生	632	1189	113	417	197
非学生	55	49	310	470	0
学历
专科及以下	143	41	31	187	0
本科	381	993	274	455	197
硕士及以上	163	204	118	245	0
年龄(M±SD)(岁)	23.81±2.93	20.58±2.29	25.97±2.45	25.47±2.56	20.84±0.75

3.1.2 量表编制

量表题目来源于研究1的访谈结果。在此基础上，由1名心理学专业教授、3名心理学专业助理研究员、1名心理学专业研究生组成团队进行编题。经3轮讨论，形成了40个条目的初测版量表。而后，研究团队进一步邀请了10名在校大学生对量表条目进行阅读，并询问其能否理解条目所表述的意思，根据其反馈，对条目的表述进行了调整。量表采用Likert 7点计分方式，1～7分别代表“完全不同意”、“非常不同意”、“比较不同意”、“既不同意也不反对”、“比较同意”、“非常同意”和“完全同意”。得分越高，表明个体具有越高的人智协同创新素养。

3.1.3 效标工具

采用数字素养、创新自我效能感以及人机合作创新意愿作为本量表的效标变量。效标工具选取梁钦等人(2025)编制的大学生数字素养测量工具；Carmeli和Schaubroeck(2007)编制、顾远东和彭纪生(2011)修订的创新自我效能感量表；白博仁等人(2024)研究中使用的人机合作创新意愿测量工具。本研究中三个测量工具的Cronbach’s α依次为0.87、0.92和0.67。

3.1.4 数据处理

采用R 4.5.1进行数据分析与处理。

3.2 结果

3.2.1 项目分析

采用R 4.5.1对样本1进行项目分析，采用题总相关法进行项目分析，根据项目分析的结果，结合条目的标准差确定条目的去留(谭秀娟等, 2025; 吴明隆, 2018; 薛璐璐等, 2024; 赵必华, 顾海根, 2010)。题总相关系数方面，第28题、39题与总分之间的相关系数小于0.40。标准差方面，第25题的标准差小于0.90。综上，项目分析部分共删除3个条目。

3.2.2 探索性因子分析

采用R 4.5.1的psych包(版本2.5.6)对样本1进行探索性因子分析。Bartlett球形检验结果显示，KMO=0.93，χ²=9021.47(p<0.001)，说明数据适合进行因子分析。

采用主成分分析法与Promax斜交旋转，采用平行分析(parallel analysis)结果为因素抽取标准(Del Giudice, 2022; Horn, 1965)。根据探索性因子分析结果，逐步剔除因子载荷小于0.40和在多个因子上载荷大于0.40的条目。研究共进行了两轮探索性因子分析，共删除了6个条目。

碎石图与平行分析结果参见图1，条目与因子载荷参见表3。平行分析结果显示，实际数据中有3个特征根高于随机数据的结果，累积解释了总方差的62.11%。根据平行分析的结果，保留3个因子，分别命名为知识和技能(15个条目)、态度和价值观(10个条目)、伦理(6个条目)。

显示原图|下载原图ZIP|生成PPT

图1 人智协同创新素养量表的碎石图与平行分析结果

表3 人智协同创新素养量表的载荷矩阵

条目	知识和技能	态度和价值观	伦理	共同度
15.我自身具备足够的创新能力，能引导AI产出我想要的效果。	0.85	0.11	−0.28	0.81
11.我能够从多维度评估AI成果(评估成果的创新性/可实施性/真实性等)。	0.84	−0.15	0.06	0.73
8.我能够清晰、准确地向AI描述我的目标需求。	0.83	−0.06	0.07	0.70
9.我能够根据AI的表现与反馈，灵活地调整我使用AI的策略。	0.81	−0.13	0.09	0.68
18.我会总结与AI交互的经验，以便下次更好地使用AI。	0.80	−0.13	0.19	0.69
16.我能够将目标需求拆解为AI可执行的子问题。	0.79	−0.09	0.08	0.64
13.我能够将AI生成的知识整合到自己的专业知识体系中。	0.79	−0.11	0.21	0.68
14.我能够从AI提供的多个方案中选择最优解。	0.75	−0.07	0.25	0.63
10.我能够在AI成果中加入自己的想法，进行二次创作。	0.75	−0.19	0.24	0.66
5.在使用AI完成创新任务之前，我已掌握相关领域的专业知识。	0.73	0.09	−0.21	0.59
6.我能够熟练地操作AI工具。	0.72	0.23	−0.16	0.60
17.我能全程掌控和AI的合作过程，确保按我的目标推进。	0.71	0.24	−0.16	0.59
7.我能够根据任务类型选择最合适的AI工具。	0.69	0.18	−0.16	0.53
4.我能够运用专业知识判断AI生成内容的准确性。	0.69	0.07	−0.10	0.49
12.我能把AI给出的方案用到实际工作或学习中。	0.64	0.13	0.24	0.48
31.我将AI视作我的合作伙伴。	0.07	0.83	−0.17	0.72
24.AI可以降低创新试错成本。	−0.12	0.82	0.00	0.69
20.AI可以拓展创新思路。	−0.16	0.80	0.18	0.70
29.我认为AI能够帮助我完成任务。	−0.09	0.78	−0.09	0.62
22.AI可以从多角度给出建议。	−0.13	0.72	0.30	0.63
26.我享受与AI合作解决问题的过程。	0.22	0.71	−0.21	0.60
32.我认为AI最终成果是我和AI一起付出了努力的结果。	0.16	0.71	−0.22	0.58
21.AI能提供海量的知识资料。	−0.07	0.64	0.29	0.50
23.AI可以激发灵感。	0.11	0.64	0.15	0.44
19.AI可以帮助突破个体思维局限。	0.13	0.61	0.26	0.46
36.使用者应验证AI提供信息的真实性。	0.09	−0.09	0.82	0.69
40.应建立对违规使用AI者的惩罚机制。	0.07	0.06	0.82	0.68
35.使用者应避免使用存在版权争议的AI工具。	0.08	−0.09	0.80	0.65
34.训练AI时应标注AI训练数据集的来源，且不使用未授权数据。	−0.06	0.12	0.79	0.64
38.专业领域的AI成果应用必须经人类专家终审。	0.06	−0.07	0.79	0.63
37.AI决策过程需要透明，具有可解释性。	−0.13	0.29	0.65	0.52
方差抽取	8.92	5.76	4.57
方差抽取(%)	28.79	18.57	14.75
累积抽取(%)	28.79	47.36	62.11

3.2.3 验证性因子分析

采用R 4.5.1的lavaan包(版本0.6.20)对样本2进行验证性因子分析。以3因子斜交模型为比较对象，设定3因子正交模型和单因子模型为备择模型。结果参见表4，结果显示，3因子斜交模型具有较好的拟合指数，χ²/df=4.10，RMSEA=0.05，90%CI=[0.048, 0.052]，CFI=0.91，TLI=0.90，SRMR=0.05。3因子斜交模型的拟合效果明显优于3因子直交模型和单因子模型，说明探索性因子分析的结果符合数据的实际情况。模型的标准化路径系数参见图2。

表4 人智协同创新素养量表验证性因子分析的结果

模型	χ²	df	RMSEA [90%CI]	CFI	IFI	TLI	SRMR
3因子斜交模型	1767.71	431	0.050 [0.048, 0.052]	0.91	0.91	0.90	0.05
3因子直交模型	2523.02	434	0.062 [0.060, 0.065]	0.85	0.85	0.84	0.17
单因子模型	4953.24	434	0.092 [0.089, 0.094]	0.68	0.68	0.66	0.09

显示原图|下载原图ZIP|生成PPT

图2 人智协同创新素养量表的结构模型与标准化路径系数

3.2.4 信度

采用R 4.5.1的lavaan包(版本0.6.20)及ltm包(版本1.2.0)对样本2进行内部一致性信度分析和合成信度分析，对样本5进行重测信度分析。结果参见表5，结果显示，人智协同创新素养量表总分及三个维度的Cronbach’s α系数为0.79～0.92，合成信度为0.80～0.93，重测信度为0.70～0.80，结果显示该量表具有较好的信度。

表5 人智协同创新素养量表的信度

	总量表	知识和技能	态度和价值观	伦理
内部一致性信度	0.92***	0.91***	0.85***	0.79***
合成信度	0.93***	0.91***	0.85***	0.80***
重测信度	0.80***	0.75***	0.70***	0.71***

　　注：***p<0.001，以下同。

3.2.5 效度

(1)结构效度

采用R 4.5.1对样本2进行结构效度分析。采用相关系数作为聚合效度的测度，采用异质−单质比例(heterotrait-monotrait ratio, HTMT)作为区分效度的测度。HTMT将不同构面间的相关与相同构面间的相关进行比较，HTMT小于0.85意味区分效度较优(Hair et al., 2017)。结果参见表6，结果显示，人智协同创新素养的各维度得分与总分之间存在显著的正相关，各维度之间的相关系数在0.32～0.51之间，各维度之间的HTMT及其95%CI均不包含0.85，说明人智协同创新素养量表具有较好的结构效度。

表6 人智协同创新素养量表的结构效度

	量表总分	1	2	3
1.知识和技能	0.87***		0.57 [0.52, 0.63]	0.40 [0.34, 0.45]
2.态度和价值观	0.81***	0.50***		0.63 [0.57, 0.68]
3.伦理	0.64***	0.32***	0.51***

　　注：对角线下为相关系数，对角线上为HTMT，括号中为HTMT的95%置信区间。

(2)效标关联效度

采用R 4.5.1对样本3进行效标关联效度分析。结果参见表7，结果显示，除伦理维度与创新自我效能感(r=0.19, p<0.001)外；人智协同创新素养量表的总分及各维度得分与效标变量之间均存在显著的正相关，相关系数在0.34～0.64之间，说明人智协同创新素养量表具有较好的效标关联效度。

表7 人智协同创新素养量表的效标关联效度

	知识和技能	态度和价值观	伦理	量表总分
数字素养	0.54***	0.51***	0.49***	0.64***
创新自我效能感	0.49***	0.34***	0.19***	0.46***
人机合作创新意愿	0.52***	0.59***	0.42***	0.64***

3.2.6 测量等值性

采用R 4.5.1的lavaan包(版本0.6.20)对样本4(n_学生=417, n_非学生=470)进行测量等值性分析。结果参见表8，结果显示，形态等值模型的拟合结果可以接受，载荷等值模型、截距等值模型的ΔRMSEA、ΔCFI和ΔTLI均小于等于0.01。参考薛璐璐等人(2024)的研究，该结果说明人智协同创新素养量表在学生群体与非学生群体中满足载荷等值与截距等值，存在测量不变性。

表8 人智协同创新素养量表的跨群体测量等值性检验

模型	χ²	df	RMSEA	CFI	TLI	ΔRMSEA	ΔCFI	ΔTLI
形态等值	2049.85	862	0.06	0.86	0.85
载荷等值	2106.78	890	0.06	0.86	0.85	0.000	−0.003	0.002
截距等值	2242.85	918	0.06	0.85	0.84	0.001	−0.010	−0.009

4 讨论

4.1 人智协同创新素养的结构

本研究验证了人智协同创新素养是一个多维构念。研究发现，人智协同创新素养包括知识和技能、态度和价值观、伦理三个维度。该发现与以往研究存在相似之处。一方面，以往技术相关素养研究中大多涉及知识、能力或技能、价值观、伦理、态度五个成分中的一个或多个(蔡迎春等, 2024; 杨鸿武等, 2022; 张银荣等, 2022; Chiu et al., 2024; Long & Magerko, 2020; Ng et al., 2021; UNESCO, 2021)。另一方面，本研究的发现在一定程度上印证了Binkley等人(2012)提出的KSAVE模型。KSAVE模型诞生自“21世纪技能评价与教学”项目(the Assessment and Teaching of 21st Century Skills, ATC21S)，包括知识(knowledge)、技能(skills)、态度(attitude)、价值观(value)和伦理(ethic)5个维度。该理论框架由于较为全面，目前已被用于大学生技术相关素养的评估(李楠等, 2025)。有学者认为，KSAVE模型为评价AI素养提供了一个完整框架(蔡迎春等, 2024)。

但与传统KSAVE模型不同的是，本研究发现，被试难以准确地区分知识与技能。这意味着，学者在构念层面提出的技术相关素养的不同成分，在被试认知中可能具有同一性或高度相似性。这可能与技能的本质有关，即技能代表某种程序性知识，而在人智协同创新过程中，个体关于AI的陈述性知识必须转化为解决实际问题的程序性知识方能生效(Greiff et al., 2014)。实际上，这种将知识与技能合并为一个维度的做法也得到了相关领域研究者的支持。Cetindamar等人(2024)在对AI素养的系统性综述中指出，关于数据、技术的理论知识与具体的技能构成了完整的能力束。同时，本研究发现，被试在态度和价值观上的反应存在高度一致性，这凸显了内在信念系统在个体与技术交互中的重要作用。研究者指出，信念、态度与价值并非孤立存在，而是构成一个功能整合的认知系统(Levy, 2006)。这提示既往技术相关素养中态度与价值观两个成分亦可考虑合并为一个维度处理。

4.2 人智协同创新素养与传统技术相关素养间的关系

本研究发现，人智协同创新素养与数字素养间存在显著的、中等强度的相关，代表二者是相似但不同的概念。说明新旧素养之间存在着承继与发展的关系(郭亚军等, 2025)，也在一定程度上回应了Rafner等人(2023)提出的人智协同创新不等同于人类使用工具创新的观点。一方面，传统素养所涵盖的信息与数据素养、伦理意识等维度(梁钦等, 2025)，与人智协同创新素养的知识和技能、伦理维度具有内在一致性，使得人智协同创新素养仍可被置于技术相关素养的概念域之下，与其他技术相关素养共享部分概念框架。

另一方面，GAI的独特交互特征致使人智协同创新素养在内容上有别于传统技术相关素养。与数字素养相比，人智协同创新素养更适应AI技术与伦理的快速更新。数字素养通常被定义为使用信息和通信技术查找、评估、创建和传播信息的能力(梁钦等, 2025)。Ng等人(2021)指出传统数字素养框架已不足以应对AI带来的新挑战，特别是与AI有关的特殊伦理问题。此外，AI工具的使用需要新的实践技能，这也超出了传统数字素养的范围(Reddy et al., 2023)。人智协同创新素养量表中包含的知识与技能部分(如“我能够将目标需求拆解为AI可执行的子问题”)与伦理部分(如“AI决策过程需要透明，具有可解释性”)构成了人智协同创新素养相对于数字素养的特异性。

与AI素养相比，人智协同创新素养则更注重人与AI的合作伙伴关系。Long和Magerko(2020)提出，AI素养包括批判性评估AI技术、与AI的有效协作以及使用AI工具的能力。然而AI素养一方面仅停留在AI使用的层面，缺乏对人智协同过程的深入关注，另一方面AI素养缺乏与创新有关的内容。这意味着AI素养高的个体可能精通AI操作，但未必能与AI共享创新目标并完成双向互动，从而形成有效的合作创新关系。人智协同创新素养量表中强调人−智双向互动的条目(如“我能够根据AI的表现与反馈，灵活地调整我使用AI的策略”)与创新相关条目(如“我自身具备足够的创新能力，能引导AI产出我想要的效果”)构成了不同于AI素养的区别性特征。

4.3 人智协同创新素养量表的表现

本研究编制的人智协同创新素养量表展现出良好的心理测量学指标。量表具有较好的内部一致性信度、合成信度、重测信度、结构效度和效标关联效度，且该量表存在跨学生−非学生群体的测量等值性。综合而言，该量表各项测量学指标均达到标准，是一个可靠、有效且具备一定可推广性的测量工具，可用于后续相关的学术研究和实践评估。在研究层面，该量表可用于进一步探究人智协同创新素养的前因、发展轨迹及其对个人或团队创新绩效的预测作用。在实践层面，该量表可为各类单位开展数字化人才画像构建、相关培训项目的成效诊断等提供科学依据。

4.4 不足与展望

本研究仍存在以下局限：(1)样本方面，虽然本研究通过多个子样本收集数据并验证了量表在不同群体间的测量等值性，但样本中学生群体仍占较大比例，非学生群体的样本量和行业覆盖范围有限，可能导致研究结论的外部效度受损。未来研究可在更广泛的职业群体和年龄层中进一步检验量表的适用性和跨群体等值性。(2)在进行效标效度分析时，本研究选取的人机合作创新意愿属于态度层面的变量，与行为之间的关系可能受情境、任务特征、外部约束等因素调节。未来仍需在实验室环境下进一步探究人智协同创新素养与人机协同创新绩效间的关系。(3)本研究主要聚焦于个体层面的人智协同素养测量，对人机混合团队层面的协同创新机制尚未深入探讨。未来研究可拓展至团队层面，重点探索个体素养如何有效整合并转化为团队整体的人智协同创新能力，特别是人类成员与AI系统在任务分配、决策协调、动态交互等方面的具体机制，以及组织环境因素在其中可能发挥的调节作用。

5 结论

本研究采用2项子研究，探讨了人智协同创新素养的内容以及测量方式，主要得出以下结论：(1)人智协同创新素养包括知识和技能、态度和价值观、伦理3个维度；(2)编制的人智协同创新素养量表具有良好的信效度指标，符合心理测量学要求。

References

Publishing order | Descend order by publishing year | Descend order by cited within

白博仁, 周详, 张婧婧, 崔虞馨. 人工智能自恋提升人机合作创新意愿及其机制. 心理与行为研究, 2024, 22 (1): 137- 144.

蔡迎春, 张静蓓, 虞晨琳, 王健. 数智时代的人工智能素养: 内涵、框架与实施路径. 中国图书馆学报, 2024, 50 (4): 71- 84.

陈向明. (2000). 质的研究方法与社会科学研究. 北京: 教育科学出版社.

崔虞馨. (2024). 人工智能创造者身份信息对创造力评价的影响及其机制(博士学位论文). 南开大学, 天津.

顾远东, 彭纪生. 创新自我效能感对员工创新行为的影响机制研究. 科研管理, 2011, 32 (9): 63- 73.

郭亚军, 寇旭颍, 冯思倩, 刘坤锋, 徐瑞朝. 人工智能素养: 内涵剖析与评估标准构建. 图书馆论坛, 2025, 45 (2): 42- 50.

李楠, 刘申奥, 吉久明. 连续统视域下高校学生智能素养评价体系构建. 情报理论与实践, 2025, 48 (1): 150- 159.

梁钦, 吴涵, 沙星雨, 陆程程. 中国大学生数字素养现状、问题与对策——基于全国29,425名学生的样本数据. 电化教育研究, 2025, 46 (4): 73- 78, 85.

DOI

谭秀娟, 鹿子佳, 聂永飞, 白学军. 大学生电信网络受骗易感性量表的编制. 心理与行为研究, 2025, 23 (2): 280- 288.

吴明隆. (2018). 问卷统计分析实务——SPSS操作与应用. 重庆: 重庆大学出版社.

薛璐璐, 冯加根, 杨海波, 方平, 杨卓. 中小学教师资格考试认同问卷的编制及应用. 心理与行为研究, 2024, 22 (6): 822- 829.

杨鸿武, 张笛, 郭威彤. STEM背景下人工智能素养框架的研究. 电化教育研究, 2022, 43 (4): 26- 32.

杨梦真, 王景辉. 从信息素养到人工智能素养: 高校图书馆素养教育的演进. 图书馆学刊, 2024, 46 (8): 29- 32.

DOI

张银荣, 杨刚, 徐佳艳, 曾群芳, 陈际焕. 人工智能素养模型构建及其实施路径. 现代教育技术, 2022, 32 (3): 42- 50.

赵必华, 顾海根. 心理量表编制中的若干问题及题解. 心理科学, 2010, 33 (6): 1467- 1469.

钟晓钰, 李铭尧, 李凌艳. 问卷调查中被试不认真作答的控制与识别. 心理科学进展, 2021, 29 (2): 225- 237.

Adler, P. A., & Adler, P. Review: Learning from strangers: The art and method of qualitative interview studies. Contemporary Sociology, 1995, 24 (3): 420.

DOI

Binkley, M., Erstad, O., Herman, J., Raizen, S., Ripley, M., Miller-Ricci, M., & Rumble, M. (2012). Defining twenty-first century skills. In P. Griffin, B. McGaw, & E. Care (Eds.), Assessment and teaching of 21st century skills (pp. 17–66). Dordrecht, Netherlands: Springer.

Carmeli, A., & Schaubroeck, J. The influence of leaders’ and other referents’ normative expectations on individual involvement in creative work. The Leadership Quarterly, 2007, 18 (1): 35- 48.

DOI

Cetindamar, D., Kitto, K., Wu, M. J., Zhang, Y., Abedin, B., & Knight, S. Explicating AI literacy of employees at digital workplaces. IEEE Transactions on Engineering Management, 2024, 71, 810- 823.

DOI

Chiu, T. K. F., Ahmad, Z., Ismailov, M., & Sanusi, I. T. What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 2024, 6, 100171.

DOI

Davies, A., Veličković, P., Buesing, L., Blackwell, S., Zheng, D., Tomašev, N., ... Kohli, P. Advancing mathematics by guiding human intuition with AI. Nature, 2021, 600 (7887): 70- 74.

DOI

Del Giudice, M. (2022). The square-root scree plot: A simple improvement to a classic display. Retrieved July 20, 2025, from https://openpsych.net/paper/69/

Greiff, S., Wüstenberg, S., Csapó, B., Demetriou, A., Hautamäki, J., Graesser, A. C., & Martin, R. Domain-general problem solving skills and education in the 21st century. Educational Research Review, 2014, 13, 74- 83.

DOI

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). Los Angeles: Sage.

Hong, J. W., Peng, Q. Y., & Williams, D. Are you ready for artificial Mozart and Skrillex? An experiment testing expectancy violation theory and AI music. New Media & Society, 2021, 23 (7): 1920- 1935.

DOI

Horn, J. L. A rationale and test for the number of factors in factor analysis. Psychometrika, 1965, 30 (2): 179- 185.

DOI

International Technology Education Association (ITEA). (2007). Standards for technological literacy: Content for the study of technology (3rd ed.). Reston, VA: International Technology Education Association.

Laupichler, M. C., Aster, A., Schirch, J. & Raupach, T. Artificial intelligence literacy in higher and adult education: A scoping literature review. Computers and Education: Artificial Intelligence, 2022, 3, 100101.

DOI

Levy, Y. (2006). Assessing the value of E-Learning systems. Hershey, PA: IGI Global Scientific Publishing.

Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI conference on human factors in computing systems (pp. 1–16). Honolulu, HI: Association for Computing Machinery.

Ng, D. T. K., Leung, J. K. L., Chu, K. W. S. & Qiao, M. S. AI literacy: Definition, teaching, evaluation and ethical issues. Proceedings of the Association for Information Science and Technology, 2021, 58 (1): 504- 509.

DOI

Rafner, J., Beaty, R. E., Kaufman, J. C., Lubart, T., & Sherson, J. Creativity in the age of generative AI. Nature Human Behaviour, 2023, 7 (11): 1836- 1838.

DOI

Reddy, P., Chaudhary, K., & Hussein, S. A digital literacy model to narrow the digital literacy skills gap. Heliyon, 2023, 9 (4): e14878.

DOI

UNESCO. (2021). International forum on AI and education: Ensuring AI as a common good to transform education. Paris: UNESCO.

Vinchon, F., Lubart, T., Bartolotta, S., Gironnay, V., Botella, M., Bourgeois-Bougrine, S., ... Gaggioli, A. Artificial intelligence & creativity: A manifesto for collaboration. The Journal of Creative Behavior, 2023, 57 (4): 472- 484.

DOI

Zhu, Q., Huang, Y., Zhou, D. L., Zhao, L. Y., Guo, L. L., Yang, R. Y., ... Luo, Y. Automated synthesis of oxygen-producing catalysts from Martian meteorites by a robotic AI chemist. Nature Synthesis, 2024, 3 (3): 319- 328.

DOI

Options

Outlines

模态框（Modal）标题