引言

随着生成式人工智能由通用信息工具转向求职场景中的“协作者”，大学生求职材料的生产方式、职业信息的获取路径和面试训练模式正在发生明显变化。技术能够降低表达与信息加工成本，却也使“材料呈现得更好”与“本人真正具备相应能力”之间的界限变得模糊。特别是在算法筛选、项目制交付、远程协作和责任个体化并存的新就业形态中，求职阶段形成的能力错配更可能在真实工作任务中暴露。现有讨论多聚焦效率提升、就业促进或一般性伦理风险，对求职外显信号、能力生成过程与工作兑现之间的结构性偏差关注不足。基于此，本文从就业育人视角界定就业能力空心化，分析其风险机制与放大条件，并探讨辅导员可实施的过程性干预路径。

一、 问题的提出

生成式人工智能（generative artificial intelligence，以下简称“生成式AI”）正在进入大学生求职的多个环节：归纳岗位要求、检索行业信息、改写简历、生成求职信、优化作品集说明、模拟面试和比较职业选择。它显著降低了信息处理与文本表达的成本。在专业写作任务中，实验研究已经显示生成式AI能够缩短完成时间并提高成品质量。但效率提升与能力增长不是同一命题。工具可以改善一次任务的产出，却不能自动证明使用者已经理解问题、掌握方法，并能够在没有原始提示和模型答案的条件下独立完成相近任务。

生成式AI对求职结果也可能产生积极影响。基于2025年全国高校毕业生就业状况调查的研究指出，使用生成式AI辅助求职与更好的就业落实结果相关，AI素养是影响作用发挥的重要条件。这一发现说明生成式AI具有就业促进价值，但不能据此把材料质量、投递效率或面试表达的改善直接等同于真实胜任力的同步提高。对高校而言，关键问题已从“是否允许使用AI”转向“AI介入何种任务、替代了哪些能力生成环节、如何核验学生仍然拥有完成工作所需的能力”。

中共中央办公厅、国务院办公厅印发的《关于加快构建普通高等学校毕业生高质量就业服务体系的意见》要求强化生涯教育与就业指导，推动就业教育同思想政治教育、专业教育深度融合，并以提升就业质量和稳定性为目标。与此同时，新就业形态呈现就业方式灵活化、就业领域多元化和组织边界弱化等特征，平台化、项目制、远程协作及灵活用工岗位更强调即时响应、持续交付、自我管理与责任承担。人工智能对高校毕业生就业的影响也不只是岗位替代，还涉及能力供给与劳动市场需求的重新匹配。在这一背景下，求职阶段被AI优化的外显表现若缺少真实能力支撑，可能在入职后的任务执行和持续履约中更快暴露。

现有研究分别讨论了生成式AI的效率效应、就业促进效应、就业替代、人机协同学习以及不当使用风险，但对“AI优化后的求职信号”与“可在真实工作中兑现的就业能力”之间可能出现的结构性偏差，仍缺少面向就业育人的整合分析。本文据此聚焦三个问题：第一，如何在不否定技术价值的前提下界定就业能力空心化；第二，新就业形态为何会放大求职表现与真实胜任力之间的偏差；第三，辅导员如何把技术使用规范转化为可实施、可核验的能力培养机制。本文的贡献不在于对该风险的发生率作经验判断，而在于提出概念边界、识别维度和教育干预框架，为后续实证检验提供分析基础。

二、 研究思路与概念框架

（一）研究思路

本文采用文献分析、概念辨析与规范分析。所使用的文献主要涉及生成式AI辅助求职、大学生就业能力、认知卸载、人机协同学习、新就业形态和人工智能治理等主题，目的在于提取与研究问题直接相关的理论命题和经验发现，而非进行穷尽性的系统综述或文献计量。分析按照“技术介入—能力生成—工作检验—教育干预”的逻辑展开：先识别生成式AI改变求职任务的方式，再考察其是否保留知识理解、实践训练、反思校准和责任判断等能力生成环节，继而讨论这些能力在新就业形态中的验证条件，最后提出辅导员可以组织实施的干预方案。

本文的分析单位不是“是否使用AI”，而是“人机之间如何分配任务及责任”。同样一次AI使用，若学生先形成独立判断，再利用模型比较方案并完成事实核验，可能构成人机协同；若学生把问题界定、证据选择、价值权衡和最终承诺整体交给模型，则可能形成替代性使用。因此，本文不把使用频率直接作为风险指标，也不对大学生群体作概括性评价，而是考察特定任务中的能力生成过程是否被保留、最终结果能否由学生独立解释和承担。

（二）从求职信号到真实胜任力

就业能力并非若干孤立技能的简单相加，而是个体在劳动力市场和具体职业情境中调动知识、技能、经验、社会资源、职业认同与适应能力的综合表现。相关研究以“毕业生资本”说明，毕业生就业取决于多类资源及其在具体情境中的转化，而不能还原为单一的材料技巧或面试技巧。据此，大学生就业能力至少包含三个相互关联的层面：一是能力的外显信号，如简历、作品集、测评结果和面试回答；二是能力的生成过程，如课程学习、项目实践、试错、反馈与反思；三是能力的实际兑现，即面对新任务时能否独立判断、协同沟通、按期交付并承担结果。

生成式AI首先改变的是外显信号的生产方式。它能够迅速把零散经历重组为专业叙事，将一般表达转化为岗位化语言，并按照常见面试框架组织答案。此类优化有助于减少表达能力对机会获取的过度限制，也可能帮助学生发现经历中的可迁移价值。问题在于，外显信号的提升速度可能明显快于真实能力的增长速度。当材料呈现、能力生成与工作兑现三个层面失去对应关系时，用人单位和学生本人都可能高估现有能力，高校就业指导也可能把“完成了高质量材料”误认为“完成了能力培养”。

（三）就业能力空心化的概念边界

认知卸载是个体借助外部行动或工具降低任务认知负荷的普遍现象，本身具有适应性价值。在求职活动中，将重复检索、格式调整、语言校对等程序性工作交给生成式AI，可以释放注意力，使学生把更多认知资源投入岗位理解和职业判断。风险并不来自卸载本身，而来自卸载对象由程序性任务扩展到问题界定、证据选择、经验解释、方案权衡和责任决断等核心任务，同时又缺少必要的监控、核验和再加工。

已有研究使用“能力空心化”描述AI认知外包可能造成的基础技能弱化与深度思维风险。因此，本文不主张该表述由本文首次提出，而是将其限定到大学生AI辅助求职的具体场景。本文所称“就业能力空心化”，是指在特定人机任务分配方式下，AI显著优化了求职材料、面试表达或职业决策等外显信号，但支撑这些信号的知识理解、实践经验、独立判断、方法迁移和责任承担能力没有相应增长，由此形成求职表现与真实胜任力之间的结构性偏差。

这一概念与相近概念存在区别。工具依赖强调个体对工具的使用习惯或心理依附，认知卸载描述任务从内部认知向外部工具转移的机制，去技能化通常指既有技能在长期技术替代或工作分解中弱化，求职包装则侧重呈现方式超过事实或有意美化经历。就业能力空心化关注的不是单次使用、主观依赖或单一技能下降，而是“外显信号—能力生成—工作兑现”三者之间的结构性失配。学生即使高频使用AI，只要能够掌控任务、核验事实并独立重现结果，就不能据此判定为空心化；相反，即使使用次数不多，只要核心判断被整体替代且本人无法解释和重做，也可能产生较高风险。

（四） “解释—重现—迁移—负责”的四维识别框架

为避免把就业能力空心化停留在价值判断层面，本文将“能否说明依据、重新完成任务、迁移方法并对结果负责”的判断线索转化为四个可观察维度：可解释性、可重现性、可迁移性和责任性。四个维度分别回答“是否真正理解”“是否真正会做”“是否能够应变”和“是否愿意并能够承担后果”。它们不是严格的量表指标，而是供就业指导、模拟面试和作品审核使用的诊断框架。

四个维度应结合具体任务综合判断。可解释但不能重现，可能意味着学生理解了模型答案却尚未形成稳定技能；能够重现但不能迁移，说明方法仍局限于固定模板；能够完成任务却回避事实核验、AI参与披露或结果责任，则仍不构成完整的就业能力。只有外显信号能够被上述证据持续支撑，AI辅助才更接近能力增强而非能力替代（表1）。

维度	判断问题及可观察证据	可设置的训练或核验任务
可解释性	能否说明事实来源、个人贡献、选择依据、被否定的模型建议和修改理由	材料答辩、证据追问、修改理由陈述
可重现性	脱离原始提示和模型输出后，能否重新完成结构相近的任务	关闭原输出后限时重做、口头复述、现场演示
可迁移性	岗位、材料、受众或约束改变后，能否调整方法并形成新的方案	跨岗位改写、变式情境任务、备选方案比较
责任性	能否核验事实、说明AI参与、保护隐私和知识产权，并承担最终结果	AI参与说明、风险识别、诚信与责任承诺

三、新就业形态下的风险表征及放大条件

（一）算法化筛选强化外显信号的可见性

平台化招聘与数字化管理倾向于把复杂的人转化为可检索、可排序和可比较的结构化信息。算法技术进入工作组织后，可以通过记录、评分、推荐和限制等方式参与劳动过程控制。在求职入口，岗位关键词、经历标签、作品指标、响应速度和标准化测评等信号更容易进入筛选流程，而学习过程、失败经验、判断依据和责任意识较难被直接观察。这一信息结构客观上提高了外显信号的重要性。

生成式AI能够快速提高简历与岗位描述的文本匹配度，优化项目表述并生成结构完整的回答。合理使用可以减少表达障碍，但若学生只是接受模型对经历的重新编码，不能说明个人贡献、数据来源、任务难点和结果证据，材料便可能形成“高可见性、低可验证性”的状态。初筛阶段未被识别的能力偏差，会在追问、试做或入职后的具体任务中显现。因而，算法化筛选不是空心化的直接原因，却可能提高学生投资于外显优化而忽视能力生成的短期收益。

（二）项目制交付提前暴露能力缺口

传统岗位的录用通常只是职业发展的起点，部分新就业形态则把工作分解为项目、订单或阶段成果，并以交付质量、时限和评价记录持续检验劳动者。高校毕业生面对的不是一次性“通过面试”，而是反复界定需求、配置资源、沟通进度、处理变更并交付结果。材料中的“数据分析能力”“项目管理能力”或“沟通协调能力”，只有在具体约束下稳定兑现，才能转化为持续获得任务的信誉。

AI可以为项目方案提供初始框架，却不能替代对现场条件、利益关系、专业标准和意外后果的完整把握。若学生在求职阶段依靠AI形成了超出本人经验的能力叙事，项目制工作会较快暴露其在问题分解、方案取舍和异常处置方面的不足。与一次性招聘相比，持续交付使外显信号与真实能力之间的差距更难长期隐藏，也可能使求职阶段的短期优势转化为履约压力和职业挫败。

（三）远程协作与弱组织支持提高自主调节要求

部分远程、灵活和项目化岗位缺少稳定的同伴观察、现场示范与即时反馈，任务边界、沟通节奏和工作时间需要劳动者自行管理。组织支持并非必然缺失，但其获得方式往往更依赖主动求助、在线沟通和过程留痕。在这一情境中，学生不仅要完成专业任务，还要判断何时使用AI、如何核验输出、何时请求人工支持，以及如何向协作者解释决策。

若学生把生成式AI当作替代判断的“外部代理”，短期内可能维持表面产出，却容易在约束变化、信息冲突或协作失配时失去控制。相反，能够用AI扩展检索和比较能力，同时保留目标设定、自我监控与反思校准的学生，更可能把技术优势转化为稳定的职业适应力。因此，新就业形态放大的不是单纯的工具使用差异，而是自我调节能力和责任意识的差异。

（四）人机共创模糊个人贡献与责任边界

在内容生产、数据分析、代码编写、设计和咨询等工作中，作品常由个人经验、团队协作与模型输出共同形成。生成式AI的参与范围若未被记录，招聘者难以判断作品展示的是学生的独立能力、提示与校验能力，还是模型的直接产出。学生本人也可能因反复采用模型建议而逐渐模糊哪些判断能够独立完成、哪些结论需要专业复核。

新就业形态中的成果交付还涉及合同义务、知识产权、个人信息和侵权责任。有关研究指出，人工智能在新就业形态中的应用会使行为、控制与责任主体的识别更加复杂。求职者若上传含有单位信息、客户数据或他人作品的材料，或者把未经核验的生成内容作为专业成果对外提交，风险就不再只是“能力不足”，还可能转化为诚信和合规问题。由此可见，新就业形态是就业能力空心化的放大器和检验场，而不是该风险的唯一来源。

四、就业能力空心化风险的形成机制

（一）核心认知任务被整体外包

求职准备本应包含理解岗位、梳理经历、识别差距、选择证据和校准职业目标等活动，这些活动本身就是职业认识形成的过程。把信息汇总、语言校对等低风险任务交给AI，可以降低无效负荷；把“我适合什么岗位”“这段经历证明了什么”“该接受何种承诺”等问题直接交给模型，则会绕过自我认识和价值判断。生成式AI的高流畅度还可能让学生把“答案完整”误认为“判断可靠”，降低对证据来源和适用条件的追问。

核心任务外包的关键后果不是学生完全没有接触知识，而是其在结果形成中的控制权下降。模型给出的岗位分析、经历叙事和面试框架可能被学生阅读和记忆，但学生没有经历问题界定、备选方案比较和失败修正，因而难以形成可迁移的方法。此时，AI提高的是任务完成效率，而不是学生对任务的独立支配能力。

（二）“练习—反馈—反思”链条被压缩

就业能力通过反复练习和反馈逐渐稳定。学生独立写出一版并不完善的简历，才能暴露经历梳理和证据表达的问题；在面试中经历追问和停顿，才能发现知识盲点与叙事断裂；在职业选择中比较冲突目标，才能形成相对稳定的价值排序。生成式AI若直接提供高度完成的文本，容易把上述中间过程压缩为“输入指令—接受答案—轻微修改”。

大学生与生成式AI协同学习的研究发现，学生对话中持续追问和评价性话语相对不足，提问认知层级和策略也存在差异。全国高校调查进一步显示，学生的技术接纳、批判性使用和自我调节能力呈现不同组合，不能把所有AI使用者视为同一种类型。生成式自我调节学习研究同样强调，人机协同应服务于反思、实践和深度认知，而不能让技术工具理性取代人的发展目标。这些研究提示，真正影响能力形成的不是是否获得了模型答案，而是学生是否经历了独立尝试、持续追问、事实核验、方案比较和反思重构。

（三）成品导向评价造成能力误识

就业指导和招聘筛选都需要在有限时间内判断大量学生或候选人，因而自然倾向于使用简历完整度、作品质量、表达流畅度和测评得分等可见成品。生成式AI参与程度不透明时，高质量成品容易被归因为学生能力，学生也会得到“材料越精致、答案越标准，求职越成功”的反馈。评价对象由能力生成过程转向结果外观，便可能产生能力误识。

这种误识会反向塑造学生行为。学生发现独立梳理经历耗时较长，而模型能够快速生成岗位化叙事，就更可能把时间投入提示优化和文本润色;就业指导若只反馈最终成品，不追问证据和修改理由，也会无意中强化替代性使用。长期看，学生在模型可用时表现良好，在模型不可用、任务突变或责任必须由个人承担时表现下降，外显信号与真实能力的差距由此固化。

（四）就业压力与AI素养差异强化替代性使用

求职时间窗口短、投递任务重复、结果不确定且竞争压力较高，学生容易把即时完成作为首要目标。就业焦虑还可能降低其容忍错误和延迟反馈的意愿，使“先获得一个可用答案”取代“通过过程形成方法”。已有研究表明，生成式AI辅助求职的效果受到AI素养条件影响;关于大学生不当使用生成式AI的研究也指出，规范不足、教师支持缺位、同辈竞争和压力负荷会提高不当使用倾向。

因此，风险不是由学生意志薄弱单独造成，而是技术易用性、评价导向、压力情境和支持条件共同作用的结果。能力不足可能导致求职受挫，受挫又促使学生更深度地依赖AI包装表现;模型产出暂时缓解焦虑，却进一步减少独立练习，最终形成“能力不足—AI替代—短期改善—真实任务受挫—更深替代”的循环。辅导员干预若只进行纪律告诫，既难以改变评价和任务结构，也可能使学生隐匿使用;有效干预必须重新设计学习过程和能力证据。

五、辅导员干预的“边界—过程—证据—责任”框架

高校就业育人的目标不应停留在提高材料完成度和短期签约率，而应帮助学生形成能够进入岗位、适应岗位并持续发展的能力。辅导员既不宜把生成式AI视为必须排斥的技术，也不宜把就业指导简化为提示词培训。其专业作用在于组织学习任务、澄清价值和责任、识别高风险使用，并连接专业教师、就业部门和技术治理资源，使AI输出接受教育性检验。

（一）按任务风险划定AI使用边界

可依据任务对真实性、重大决策、个人权益和第三方权益的影响，将求职中的AI使用分为低、中、高三个风险层级。低风险任务主要包括公开岗位信息的归纳、语言校对、版式建议和模拟练习，允许使用AI，但学生仍需核验事实。中风险任务包括岗位适配分析、经历叙事、职业测评解释、作品说明和面试方案，AI可以提供备选方案，学生必须保留原始证据、说明取舍并接受追问。高风险任务包括虚构经历、伪造作品、代替真实面试、替代个人作出合同或权益决定，以及上传身份证件、未公开项目数据、客户信息等敏感材料，此类行为应明确禁止或要求由具备相应职责的人员进行人工审查。

边界教育应嵌入具体任务，而不是停留在一般性提醒。辅导员可要求学生在求职材料后附简短的“证据与AI参与说明”，列明信息来源、个人贡献、AI使用环节、关键人工修改和最终确认。职业价值排序、经历真实性判断、岗位选择、薪酬与合同承诺必须由学生作出。学生还能说明哪些模型建议被否定及其理由，以此确认其保持了决策主体地位。

（二）构建“独立初作—AI辅助—人工核验—迁移复做”训练链

第一步是独立初作。学生在不使用AI的条件下完成岗位理解、经历清单、简历要点或面试提纲，允许不完善，以暴露真实困难。第二步是AI辅助。学生使用AI补充信息、比较表达、生成反例或模拟追问，但不得直接用模型输出覆盖初稿。第三步是人工核验。学生逐条核查事实、数据、岗位要求和引用来源，说明保留、删除或改写建议的依据。第四步是迁移复做。辅导员改变岗位、受众、时限或任务限制，要求学生在没有原始输出的情况下重新完成相近任务。必要时增加第五步结果复盘，比较两次表现并记录方法变化。

该训练链可适配不同求职环节。简历训练可以先由学生写出事实型经历，再用AI比较表达，最后通过证据追问和跨岗位改写检验;面试训练可以让AI提供问题库，但现场随机改变情境并追问失败经验、权衡依据和个人贡献;职业决策训练可由AI整理公开信息，却要求学生自行设定评价权重、识别不确定性并作出最终选择。这样既保留AI的效率价值，又把错误暴露、判断形成和方法迁移重新纳入就业指导。

（三）用四维证据评价真实能力

就业指导评价应从“成品是否漂亮”转向“能力证据是否充分”。在可解释性维度，学生需说明材料事实、个人贡献、数据来源、修改理由和判断依据;在可重现性维度，应能脱离原有提示和答案重新完成相近任务;在可迁移性维度，应能在岗位、材料、受众或约束发生变化时调整方法;在责任性维度，应主动核验事实、保护隐私和知识产权、说明AI参与并承担最终结果。

辅导员可以建立适度而非过度的过程档案，包括原始经历清单、关键版本、主要信息来源、重要人机交互摘要、人工修改说明和复盘记录。过程记录不应变成对学生全部对话的监控，而应遵循必要性原则，只保留能够证明能力生成和责任履行的材料。模拟面试可引入“解释—追问—变式—复盘”四个环节，作品集审核可加入个人贡献声明和现场演示，职业规划作业可要求陈述不确定信息与备选方案。通过多种证据交叉验证，降低单一精美文本造成的能力误识。

（四）将诚信、隐私与责任治理嵌入求职指导

高校应明确三类责任。第一是真实性责任。所有经历、数据、项目结果和资格信息必须有事实依据，AI不得用于虚构或夸大。第二是信息责任。学生不得向公共模型上传身份证件、未公开合同、客户资料、实习单位内部文件和他人可识别信息;确需处理时，应先匿名化并遵守单位规定。第三是成果责任。对外提交的简历、作品、代码、报告和职业承诺，无论是否使用AI，最终均由学生本人确认并承担后果;涉及他人作品和受保护材料时，应核查授权与引用。

《生成式人工智能服务管理暂行办法》主要适用于向境内公众提供生成式AI服务的活动，教育和科研机构内部研发、应用但未向公众提供服务的情形不直接适用。因此，高校不宜把该办法简单等同于校内就业指导规则，但可以将其中关于信息真实性、个人信息保护、知识产权和分类分级治理的原则作为制度参照。校内规则还应结合招聘场景细化AI参与披露、敏感信息处理、作品归属和违规处置，使学生知道何种行为可以辅助、何种行为必须说明、何种行为构成红线。

（五）建立多部门协同与差异化支持

模型安全、专业质量、数据合规和劳动权益并非辅导员能够单独审查。涉及专业作品、代码或研究数据时，应由专业教师判断质量与原创贡献;涉及招聘流程与用人需求时，由就业部门提供岗位和企业反馈;涉及系统使用、数据安全和知识产权时，由信息化、法务或科研管理部门提供规则支持;因就业焦虑形成替代性使用的学生，还需要心理支持和目标分解。辅导员主要承担教育组织、风险识别、过程督导和价值引导，并负责把学生转介到合适的专业支持渠道。

干预还应考虑学生差异。对AI素养较低者，重点训练信息核验、隐私保护和基本提示能力;对高频但低批判性使用者，重点恢复独立初作、理由说明和迁移复做;对能够批判性协同的学生，则进一步训练贡献披露、复杂任务分工和责任管理。评价不以“少用AI”为优，而以能否保持主体控制、形成可迁移能力和承担结果为标准。只有将技术规范与个体发展结合，才能避免把治理变成统一禁令或形式化声明。

六、结语与研究展望

生成式AI能够降低求职信息处理和表达成本，也可能改善机会获取，但求职成品的提升不能自动证明就业能力同步增长。本文在既有“能力空心化”讨论基础上，将该概念限定为AI辅助求职中外显信号、能力生成与工作兑现之间的结构性偏差，并以可解释性、可重现性、可迁移性和责任性构建识别框架。新就业形态并非该风险的唯一成因，但算法化筛选、项目制交付、远程协作和责任个体化会使外显表现与真实能力之间的差距更快受到真实任务检验。

辅导员干预的重点应由工具使用频率转向人机任务分配和能力证据，围绕任务边界、过程训练、证据评价与责任治理，实施“独立初作—AI辅助—人工核验—迁移复做”的训练链。这样的干预不是回到无技术环境，而是确保学生在使用技术后仍能解释、重现、迁移并负责，使AI成为能力放大器而非能力替代者。

本文属于概念与规范分析，不构成对大学生就业能力空心化发生率的经验判断，也尚未检验四维框架的信效度和干预效果。后续研究可据此开发情境化测量工具，比较独立完成、有限辅助和高度代写等不同人机分工条件下的表现差异;通过追踪调查考察求职阶段AI使用方式与入职后任务适应的关系;并在就业指导课程、模拟招聘和辅导员工作室中开展行动研究，检验不同专业、不同求职场景和不同AI素养学生的适用边界。

参考文献：

1. [1] Noy S, Zhang W. Experimental evidence on the productivity effects of generative artificial intelligence[J]. Science, 2023, 381(6654):187-192.
2. [2] 岳昌君, 闫思宇, 杨钰鑫. 使用生成式人工智能辅助求职的影响因素与就业促进效应研究——基于2025年全国高校毕业生就业状况调查的实证分析[J]. 北京大学教育评论, 2026, 24(01):118-137+190-191.
3. [3] 中共中央办公厅, 国务院办公厅. 关于加快构建普通高等学校毕业生高质量就业服务体系的意见[Z]. 2024-11-03.
4. [4] 卢洁, 迟传德. 新就业形态下高校毕业生就业特征、困境与进路[J]. 安徽工业大学学报(社会科学版), 2024, 41(02):100-102.
5. [5] 吴冰蓝, 周丽萍, 岳昌君. ChatGPT/生成式人工智能与就业替代：基于高校大学生能力供求的视角[J]. 教育发展研究, 2023, 43(19):40-48.
6. [6] Tomlinson M. Forms of graduate capital and their relationship to graduate employability[J]. Education + Training, 2017, 59(04):338-352.
7. [7] Risko E F, Gilbert S J. Cognitive offloading[J]. Trends in Cognitive Sciences, 2016, 20(09):676-688.
8. [8] 陈本皓. 人机协同下的AI风险链：认知外包、能力空心化、深度思维僵化[J]. 广西大学学报(哲学社会科学版), 2025, 47(05):194-204.
9. [9] Kellogg K C, Valentine M A, CHRISTIN A. Algorithms at work: The new contested terrain of control[J]. Academy of Management Annals, 2020, 14(01):366-410.
10. [10] 夏江皓. 新就业形态中人工智能的法律规制[J]. 北京工业大学学报(社会科学版), 2025, 25(02):133-145.
11. [11] 何珊云, 沈演. 学会提问：大学生与生成式人工智能协同学习模式的研究[J]. 华东师范大学学报(教育科学版), 2025, 43(02):34-48.
12. [12] 马莉萍, 郑翔睿, 周雪涵. 使用生成式人工智能辅助学习的学生类型画像——基于全国20所高校本科生调查的实证研究[J]. 华东师范大学学报(教育科学版), 2026, 44(01):65-79.
13. [13] 钟柏昌, 林小红. 生成式人工智能时代“学习的革命”：生成式自我调节学习[J]. 华东师范大学学报(教育科学版), 2026, 44(01):44-55.
14. [14] 王思遥, 黄亚婷. 生成式人工智能不当使用的形成机理及预防机制研究[J]. 中国高教研究, 2025, 41(11):24-31.
15. [15] 国家互联网信息办公室, 国家发展和改革委员会, 教育部, 等. 生成式人工智能服务管理暂行办法[Z]. 2023-07-13.