academic reading

Generative AI tools that condense texts into summaries have become a routine part of student reading routines, and educators increasingly worry that convenient summaries displace the effortful processing on which deep comprehension depends. This study drew on cognitive offloading theory and the levels-of-processing framework to test a moderated mediation model in which elaborative processing statistically links generative AI summarization tool use to deep reading comprehension, and reading motivation moderates the negative association between tool use and processing. Undergraduate students ( N = 608; 53.6% female; mean age 19.9 years) from three universities in Changchun, China, completed a six-item scale of generative AI summarization tool use, an eight-item elaborative processing scale adapted from the deep-processing subscale of the R-SPQ-2F, a seven-item reading motivation measure adapted from the Motivation for Reading Questionnaire, and a researcher-developed deep reading comprehension test. Scale reliabilities were satisfactory (Cronbach alpha = 0.88, 0.87, and 0.86). Tool use correlated negatively with elaborative processing ( r = −0.41) and comprehension ( r = −0.24); elaborative processing correlated positively with comprehension ( r = 0.59). PROCESS analyses (Model 7) with 5,000 bootstrap resamples showed that tool use negatively predicted elaborative processing ( b = −0.310, p < 0.001) and that this association weakened as reading motivation rose (interaction b = 0.433, p < 0.001). Elaborative processing, in turn, predicted comprehension ( b = 10.097, p < 0.001), whereas the residual direct path of tool use did not reach significance. The indirect effect of tool use on comprehension through elaborative processing was significant and negative at low (−6.142, 95% BC CI [−7.353, −5.091]) and average (−3.130, [−3.851, −2.497]) reading motivation but nonsignificant at high reading motivation (−0.117, [−0.876, 0.629]); the index of moderated mediation was 4.374 [3.428, 5.402]. These results are consistent with an account in which elaborative processing statistically links summary reliance to lower deep reading, with reading motivation associated with a weaker negative indirect association; given the cross-sectional design, the modeled paths represent associations rather than established causal effects. They suggest that motivation-oriented reading instruction should accompany, rather than follow, the integration of AI tools into academic reading.

ابزارهای هوش مصنوعی مولد که متون را به خلاصه‌هایی تبدیل می‌کنند، به بخشی عادی از روال‌های مطالعه دانشجویان تبدیل شده‌اند و نگرانی فزاینده‌ای در میان آموزشگران وجود دارد که این خلاصه‌های آسان، جایگزین پردازش پرزحمت و عمیقی می‌شوند که لازمه درک عمیق است. این پژوهش با تکیه بر نظریه برون‌سپاری شناختی و چارچوب سطوح پردازش، یک مدل میانجی‌گری تعدیل‌شده را آزمون کرد که در آن پردازش بسط‌یافته به طور آماری استفاده از ابزار خلاصه‌سازی هوش مصنوعی مولد را به درک عمیق خواندن پیوند می‌دهد و انگیزش خواندن، ارتباط منفی بین استفاده از ابزار و پردازش را تعدیل می‌کند. دانشجویان کارشناسی (N = 608؛ ۵۳/۶٪ زن؛ میانگین سن ۱۹/۹ سال) از سه دانشگاه در شهر چانگ‌چون چین، یک مقیاس شش‌سؤالی استفاده از ابزار خلاصه‌سازی هوش مصنوعی مولد، یک مقیاس هشت‌سؤالی پردازش بسط‌یافته اقتباس‌شده از زیرمقیاس پردازش عمیق R-SPQ-2F، یک ابزار هفت‌سؤالی انگیزش خواندن اقتباس‌شده از پرسشنامه Motivation for Reading Questionnaire و یک آزمون درک عمیق خواندن توسعه‌یافته توسط پژوهشگر را تکمیل کردند. پایایی مقیاس‌ها رضایت‌بخش بود (آلفای کرونباخ = ۰/۸۸، ۰/۸۷ و ۰/۸۶). استفاده از ابزار با پردازش بسط‌یافته (r = −۰/۴۱) و درک (r = −۰/۲۴) همبستگی منفی داشت؛ پردازش بسط‌یافته با درک همبستگی مثبت داشت (r = ۰/۵۹). تحلیل‌های PROCESS (مدل ۷) با ۵۰۰۰ نمونه‌گیری بوت‌استرپ نشان داد که استفاده از ابزار به طور منفی پردازش بسط‌یافته را پیش‌بینی می‌کند (b = −۰/۳۱۰, p < ۰/۰۰۱) و این ارتباط با افزایش انگیزش خواندن تضعیف می‌شود (برهم‌کنش b = ۰/۴۳۳, p < ۰/۰۰۱). پردازش بسط‌یافته به نوبه خود درک را پیش‌بینی می‌کند (b = ۱۰/۰۹۷, p < ۰/۰۰۱)، در حالی که مسیر مستقیم باقیمانده استفاده از ابزار معنادار نبود. اثر غیرمستقیم استفاده از ابزار بر درک از طریق پردازش بسط‌یافته در سطوح پایین (−۶/۱۴۲, ۹۵٪ BC CI [−۷/۳۵۳, −۵/۰۹۱]) و متوسط (−۳/۱۳۰, [−۳/۸۵۱, −۲/۴۹۷]) انگیزش خواندن معنادار و منفی بود اما در سطح بالای انگیزش خواندن (−۰/۱۱۷, [−۰/۸۷۶, ۰/۶۲۹]) معنادار نبود؛ شاخص میانجی‌گری تعدیل‌شده ۴/۳۷۴ [۳/۴۲۸, ۵/۴۰۲] بود. این نتایج با تبیینی سازگار است که در آن پردازش بسط‌یافته به طور آماری اتکای به خلاصه را به کاهش درک عمیق خواندن پیوند می‌دهد و انگیزش خواندن با تضعیف ارتباط غیرمستقیم منفی همراه است؛ با توجه به طرح مقطعی، مسیرهای مدل‌شده نشان‌دهنده ارتباط هستند نه اثرات علّی اثبات‌شده. این یافته‌ها نشان می‌دهند که آموزش خواندن مبتنی بر انگیزش باید همزمان با ادغام ابزارهای هوش مصنوعی در خواندن دانشگاهی انجام شود، نه پس از آن.