复杂网络图谱学生测试焦虑与福祉水平——以及 ChatGPT
物理教育
2026-02-17 v1
摘要
学术 STEM 评估可能引发焦虑，但常规评分很少捕捉学生对考试和福祉进行语义化表述的方式。我们使用行为形式心态网络（BFMNs）来重构这些表述，即由概念组成的丰富网络，这些概念通过记忆回忆相连，并包含情感评级和具体性规范。我们从 994 名参与者构建 BFMNs：STEM 专家（N1 = 59）、意大利高中生（N2 = 206）、物理本科生（N3 = 10）、具有数学焦虑水平的心理学本科生（N4 = 301）以及由大型语言模型（GPT-OSS 20B）扮演的模拟学生（N5 = 497）。在所有人类群体中，概念“考试”和“成绩”被（i）感知为消极的，（ii）主要与消极情感记忆回忆相连，表明评估周围聚集了负面情绪，（iii）通过大多数群体中引发恐惧和期待的概念进行框架化，包括物理本科生（z 分数范围为 [2.04, 2.53]）。“焦虑”和“考试”的语义邻域在人类学生中的重叠程度是 GPT 数字双胞胎的三倍，提供了学生人群中存在测试焦虑的结构性证据。相比之下，专家显示出对“考试”的中性和更具体的网络邻域（z = 1.87），且没有明显的测试焦虑痕迹。这些消极的评估表述伴随着对“福祉”的积极表征，这些表征在人类中丰富且具体，而在 GPT 数字双胞胎中则链接到更抽象的概念。总体而言，我们的结果表明，BFMNs 提供了一种定量且可解释的框架，用于研究学术焦虑，并区分人类情感表述与当前 AI 基于模拟的差异。
引用
@article{arxiv.2602.13302,
title = {Complex networks map test anxiety and wellbeing levels in students and ChatGPT},
author = {Emma Franchino and Francesco Gariboldi and Alessandro Grecucci and Gianluca Lattanzi and Massimo Stella},
journal= {arXiv preprint arXiv:2602.13302},
year = {2026}
}