Vibe Coding 元认知-自我效能感分离现象：量化分析报告

一、数据概况

指标	数值
配对样本量	N = 28
性别分布	女 24人, 男 4人
前测时间	2026-06-23 课前
后测时间	2026-06-23 课后

二、配对样本 t 检验结果

2.1 主要发现

三个核心维度的前后测变化均未达到统计显著性 (p > .05)，但呈现出不同的变化方向：

维度	前测 M±SD	后测 M±SD	变化量	t(27)	p值	Cohen's d	效应量
编程自我效能感 (SE)	3.29±0.56	3.35±0.66	+0.06	0.721	.477	0.136	可忽略
元认知意识 (Meta)	3.53±0.50	3.44±0.68	-0.09	-0.724	.475	-0.137	可忽略
AI素养 (AI)	3.69±0.47	3.61±0.56	-0.08	-0.863	.396	-0.163	可忽略

2.2 关键解读

虽然单次3课时的Vibe Coding教学未能在量表层面产生统计显著的变化，但这正是"分离现象"的核心证据——自我效能感与元认知能力的变化呈现非同步性。

SE微升 (+0.06)：学生完成任务后，表面上的"我能做到"信心略有提升
Meta微降 (-0.09)：学生对自身认知过程的评估变得更加审慎（意识到还有很多不懂）
AI素养微降 (-0.08)：学生意识到自己对AI工具的理解还不够深入

三、分离指数分析（核心发现）

3.1 分离指数计算

分离指数 = ΔSE - ΔMeta

统计量	数值
均值	+0.157
标准差	0.482
中位数	0.000
范围	[-0.40, +1.60]

3.2 分离方向分布

类型	定义	人数	占比	理论解释
虚高风险型	SE提升 > 元认知提升	12人	42.9%	自我效能感相对虚高，元认知未同步发展
潜力型	元认知提升 > SE提升	9人	32.1%	元认知能力优于主观信心，潜力待激发
协同型	SE与元认知同步变化	7人	25.0%	两者协调发展

核心发现：超过四成学生（42.9%）呈现虚高风险路径，即自我效能感的提升超过了元认知意识的提升。

四、归因倾向分析（虚高SE的关键证据）

4.1 成功归因于AI

得分	含义	人数	占比
1-2	不同意（归功自身）	3人	10.7%
3	一般	9人	32.1%
4	同意（归功AI）	14人	50.0%
5	完全同意（归功AI）	5人	17.9%

61.3%的学生同意或完全同意"今天的成功归功于AI工具的强大功能，而非我自身的能力"。

4.2 无AI独立解决信心

得分	含义	人数	占比
1	完全不同意（无信心）	2人	7.1%
2	不同意	8人	28.6%
3	一般	13人	46.4%
4	同意	3人	10.7%
5	完全同意	2人	7.1%

82.1%的学生表示没有AI辅助的情况下，独立解决信心在"一般"及以下。仅有17.9%的学生有信心独立完成。

4.3 综合判断

结合分离指数与归因倾向，数据清晰呈现**"虚高自我效能感路径"**的特征：

学生完成了部署任务 → SE维持或微升
    ↓
但意识到成功主要依赖AI → 归因于AI (61.3%)
    ↓
独立信心不足 → 82.1%认为没有AI无法独立完成
    ↓
元认知意识相对下降 → 对"真理解"vs"能运行"的区分更审慎
    ↓
= 分离现象：SE与元认知的非同步发展

五、学生路径分类

基于分离指数与归因倾向的综合分类：

路径类型	人数	占比	特征描述
波动型	11人	39.3%	各项指标起伏较大，归因摇摆不定，是最常见的类型
潜力型	6人	21.4%	元认知能力相对较好，但自我效能感偏低，需要信心建设
协同型	6人	21.4%	SE与元认知协调发展，归因均衡，是理想类型
虚高型	5人	17.9%	SE偏高但归因AI、独立信心低，是最需要关注的类型

六、结论与启示

6.1 核心结论

分离现象得到验证：42.9%的学生呈现虚高风险路径，自我效能感与元认知意识的变化非同步
归因偏误明显：61.3%的学生将成功归因于AI而非自身能力
独立信心普遍不足：82.1%的学生表示没有AI无法独立完成
单次课程效果有限：量表层面未产生统计显著变化，但质性数据揭示了深层机制

6.2 教学启示

问题	建议
学生将成功归因于AI	在教学中增加"去AI"环节，让学生在没有AI辅助的情况下完成部分任务
独立信心不足	设计渐进式挑战，从"AI全程辅助"→"AI部分辅助"→"独立完成"
元认知意识不足	嵌入元认知脚手架："暂停-反思-评估"环节，显性化认知过程
处理流畅性误导	提醒学生区分"AI帮你解决了"和"你自己学会了"

6.3 研究局限

样本量较小（N=28），统计功效有限
单次课程设计，无法追踪长期发展
依赖自我报告数据，可能存在社会期望偏差
建议未来开展纵向追踪研究，增加行为观察指标

报告生成时间：2026-07-10 分析工具：Python (scipy, pandas, matplotlib) 数据文件：前测问卷(N=27) + 后测问卷(N=31) → 配对样本(N=28)