生成式AI对学生学业表现与心理健康影响的商业智能分析

本项目基于约5万名大学生数据开展商业智能分析，探究生成式AI使用与学业成绩、知识保持、情绪健康的关系。采用星型模型架构，通过Amazon Athena和DBeaver等工具进行分析，旨在识别既能提升学业表现又不损害学生健康的AI使用模式。原项目由LizzyRuiz维护，来源GitHub（链接：https://github.com/LizzyRuiz/ai-student-impact-bi），发布时间2026-06-08。

生成式AI工具广泛应用改变大学生学习方法，但引发担忧：过度依赖、知识保持下降、传统学习习惯削弱、情绪健康受影响、学术倦怠风险增加。核心问题：生成式AI使用如何影响大学生学业成绩、知识保持能力和情绪健康？项目使用含5万大学生记录的公开数据集，通过商业智能方法寻找最优AI使用模式。

采用星型模型数据仓库架构（1事实表+4维度表），优化查询性能与逻辑一致性。技术栈为云原生：Amazon S3存储，Amazon Athena无服务器查询，DBeaver客户端；ETL用Python Pandas和SQLAlchemy实现，含清洗、转换、KPI计算、验证环节。优势：无需管理服务器，按查询付费，适配波动工作负载。

数据集含16字段，覆盖背景（ID、专业、学年）、学业（GPA、技能保持评分）、AI使用（每周时长、场景、提示工程水平、工具多样性、付费订阅）、心理健康（传统学习时长、AI依赖感知、考试焦虑、倦怠风险）。核心KPI：GPA提升幅度、AI使用时长、技能保持评分、AI依赖程度、倦怠风险等级，体现多维度视角。

四个分析方向：1. AI使用时长与学业成绩关系（探索最优区间）；2. AI依赖与知识保持关系（检验过度依赖影响）；3. AI使用对倦怠/焦虑的影响（关注心理代价）；4. 不同专业AI使用模式比较（识别学科差异）。假设生成式AI效果呈非线性，适度使用提升效率，过度依赖削弱批判性思维，为政策制定提供数据基础。

项目为高校提供AI工具影响评估框架，助力制定合理使用政策。可扩展至在线学习平台分析、教育游戏效果评估等场景。技术层面展示云原生轻量级BI方案（Athena+S3），成本效益优，适合资源有限机构；代码结构清晰，可作为类似分析起点。

采用相关性分析识别关联模式，但无法建立因果；未来可结合随机对照试验验证策略效果，或纵向追踪研究长期影响。数据集公开（5万记录）具统计功效，支持复现与扩展，体现开放科学价值。