Meina Zhu（Wayne State University）与 Chaoran Wang（Colby College）于 2025 年在 Language Learning & Technology 第 29 卷第 1 期发表了题为 “A systematic review of research on AI in language education: current status and future implications” 的系统性综述。该文梳理了 2013 年 1 月至 2023 年 10 月间人工智能（artificial intelligence, AI）应用于语言教育的实证研究，最终纳入 125 篇同行评审期刊论文，综合运用文献计量分析、内容分析与结构主题模型，旨在呈现该领域的研究现状、方法特征、技术应用及教育影响，并在此基础上提出未来研究方向。该综述的核心判断是：AI 语言教育研究自 2022 年起显著增长，写作与口语为主要应用领域，自动写作评估与聊天机器人为最主要技术形态，但研究在地域、方法、语言技能覆盖、参与者类型及伦理议题方面仍存在明显空白。
从研究背景看，作者指出 AI 技术长期以来被用于语言学习与教学，尤其是自动语音识别、机器翻译与自然语言处理等。AI 可提供自动反馈与评估、个性化学习内容与辅导，并在降低第二语言学习者焦虑、激发写作创意等方面显示潜力。然而，现有研究也暴露出可靠性与准确性问题、师生技术接受度差异、社会与伦理争议等挑战。近年来，以 ChatGPT、Midjourney、DALL-E 为代表的生成式 AI 与大语言模型进一步改变了语言教育的可能性，也推动了相关实证研究数量迅速上升。与此相对，此前多项综述研究主要关注聊天机器人、智能虚拟代理、智能计算机辅助语言学习等细分主题，或仅从单一数据库收集数据，未能充分纳入 2020 年之后的最新文献，也较少系统讨论研究方法、AI 具体应用及其对教学的影响。因此，本研究的问题集中在三个方面：AI 语言教育研究的发表现状、常用研究设计与方法，以及 AI 技术的应用类型与教育效益。
在方法层面，该文遵循 PRISMA 指南进行系统性综述。数据来源于三个主要数据库：Web of Science、ERIC ProQuest 与 Scopus，并辅以滚雪球检索和五本语言教育技术期刊的手工检索，包括 *Computer Assisted Language Learning*、*Language Learning & Technology*、*System*、CALICO Journal 和 *ReCALL*。检索关键词包括 artificial intelligence、ChatGPT、machine learning，以及 language learning、language teaching、reading、writing、speaking、listening 等。纳入标准限定为：聚焦 AI 语言教育的实证研究、发表于同行评审期刊、时间为 2013 年 1 月至 2023 年 10 月、语言为英文。排除标准包括非实证研究、会议论文、书章、学位论文、预印本及非英文文献。初始检索得到 1447 篇，去重后经标题与摘要筛选、全文阅读筛选，最终确定 125 篇。数据分析分三部分：文献计量分析用于考察发表年份、期刊、作者合作与地区分布；归纳性内容分析用于识别 AI 技术类型、教育情境、语言技能与学习结果；结构主题模型用于从摘要文本中提取主要主题。作者使用 R 语言、Excel、Zotero 及多个 R 包（如 irr、wordcloud2、LDAvis）辅助处理。编码过程中，两位研究者对随机抽取的 12% 文章独立编码，评分者信度为 92%，Cohen’s kappa 为 0.91；后续再交叉检查 10%，最终信度为 94%。主题模型通过 Gibbs 方法确定六个主题，并与人工编码结果进行三角验证。
研究结果显示，AI 语言教育研究数量总体持续增长，2022 年出现显著激增，共有 43 篇合格论文；2023 年前十个月已有 28 篇。2013 至 2018 年间每年不足 5 篇。发表期刊高度集中：Computer Assisted Language Learning 最多，有 23 篇；其次为 System 14 篇、ReCALL 13 篇、Language Learning & Technology 7 篇、Interactive Learning Environments 5 篇。作者合作方面，76.8% 的研究有两位及以上作者，其中 76 项涉及跨国合作。从第一作者所属机构看，中国（包括中国大陆、台湾、香港、澳门）最多，共 51 篇；其次为美国 14 篇、韩国 13 篇。研究开展地也主要集中在中国、韩国、美国。欧洲、南美洲代表性较低，非洲与大洋洲则未出现作者或研究地点。这些数据表明 AI 语言教育研究存在明显的地域集中现象。
在研究方法上，68 篇研究采用量化方法，42 篇采用混合方法，仅 15 篇为质性研究。65 篇研究明确报告了研究设计，其中实验研究 18 篇、相关研究 12 篇、准实验研究 10 篇、个案研究 7 篇，扎根理论与行动研究各 1 篇。常用数据来源包括书面作业、问卷、访谈、测评、日志数据与观察。94 篇进行了描述性统计，75 篇使用推断统计；23 篇采用主题分析，15 篇采用内容分析。样本量从 2 人到 3440 人不等。干预时长从 10 分钟到两年不等，7 项研究干预时间在 10 分钟至 4 小时之间，26 项为两周至两个月，22 项约一个学期，仅 4 项持续一到两年。教育情境方面，61 项为线下，4 项为线上，2 项为混合模式。115 项研究表明了教育阶段，其中 85 项集中在高等教育，30 项在 K-12。118 项研究以学生为对象，仅 13 项以教师或教学者为对象。
针对 AI 技术的分析形成了六个主题。主题模型结果表明，研究主要集中在：（1）基于自动写作评估（automated writing evaluation, AWE）的写作反馈与评价；（2）通过与聊天机器人互动进行主动语言学习与阅读；（3）使用 ChatGPT 等工具学习翻译与写作；（4）使用机器人等 AI 工具提升发音与口语能力；（5）基于机器的语言翻译与学习评估；（6）利用机器工具进行词汇学习。关键词词云显示，machine translation、AWE、machine learning、chatbots、L2 writing、English as a foreign language 是出现频率最高的关键词，与主题模型相互印证。
人工编码结果进一步显示，AWE 是应用最多的技术，共 42 篇研究涉及；其次是 bots（聊天机器人、人形机器人、对话代理），25 篇；机器翻译 19 篇；自动语音识别 10 篇；智能系统 10 篇。AWE 主要用于写作自动评价、评估与反馈，例如 Coh-Metrix 可用于自动评估写作连贯性。Bots 包括 ChatGPT、人形机器人与会话代理，用于支持英语学习。机器翻译工具如 Google Translate 被用于翻译等任务；自动语音识别主要用于语音识别和语音与文字之间的转换。智能系统包括个人助理、学习教练与智能辅导系统。自 2022 年起，以 ChatGPT 为代表的聊天机器人研究显著增加。就语言技能而言，写作最受关注，共 52 篇；口语 30 篇；阅读 10 篇；翻译 10 篇；听力 6 篇；语法 3 篇；词汇 2 篇。目标语言方面，英语 113 篇，汉语 9 篇，日语 3 篇，法语 2 篇，土耳其语 2 篇。就学习结果而言，110 篇关注认知学习，48 篇涉及情感学习，仅 1 篇关注心理动作技能学习。总体来看，AI 主要被用于写作与口语技能训练，阅读、听力、语法和词汇则研究不足；同时，研究更多关注技能提升，较少考察动机、自我效能感、学习焦虑等情感层面。
基于上述结果，作者进行了多层次讨论。该综述的贡献在于，它不仅更新了 2020 年以来 AI 语言教育研究的最新进展，而且对研究方法、技术应用和教学影响进行了更细致的分析。作者指出，写作与口语之所以成为研究热点，与 AWE 和会话代理技术的成熟度有关；聊天机器人和生成式 AI 的兴起正在快速改变该领域的技术格局。与此同时，研究在地域、对象与议题上的不均衡值得关注。例如，非英语母语学习者、K-12 群体、教师、家长与管理者的视角仍很少被纳入；非洲、南美洲等地区的研究几乎空白。作者还批评现有研究过于集中于分项语言技能，缺乏对整合性语言技能、多模态语言能力及多模态教学法（multimodal language pedagogies）的研究。更重要的是，该文强调未来研究需要从语言习得与技能发展延伸至更广泛的社会、伦理、政策、多样性与包容性问题，尤其应关注少数群体学习者、非传统学习者以及非正式学习、混合学习等情境。作者还建议开展大规模、跨学科、跨国合作研究，以促进 AI 语言教育研究的公平性、有效性与可持续性。
该文的突出价值在于：第一，它采用文本挖掘与人工编码相结合的三角验证方法，提高了综述的系统性与可信度；第二，它将研究范围更新至 2023 年，覆盖了生成式 AI 兴起初期的实证研究，为读者提供了及时的研究图谱；第三，它不限于描述研究趋势，而是从研究设计、技术应用、语言技能、学习结果、地域分布、参与者类型等多个维度进行结构化分析，并明确指出了现有研究的方法论缺陷与内容空白。文章同时承认若干局限：仅纳入同行评审期刊论文，可能存在发表偏倚；仅收录英文文献，可能造成语言偏倚；主题建模基于摘要而非全文，可能损失部分细节；关键词未包含 vocabulary、grammar、idioms 等，可能导致部分相关研究未被覆盖。总体而言，该综述为 AI 语言教育领域的后续实证研究提供了具有参考价值的框架，也对教育实践者选择和使用 AI 工具提出了基于证据的建议。