学术报告

第一部分：研究主要作者与刊物信息

这项研究的主要作者包括 Xin An（北京师范大学，School of Educational Technology）、Ching Sing Chai（香港中文大学，Department of Curriculum and Instruction）、Yushun Li（北京师范大学，School of Educational Technology）、Ying Zhou（北京师范大学，School of Educational Technology）和 Bingyu Yang（北京师范大学）。该研究以“Modeling Students’ Perceptions of Artificial Intelligence Assisted Language Learning”（建模学生对人工智能辅助语言学习的认知感知）为题，于2023年8月16日在线发表在《Computer Assisted Language Learning》期刊上，DOI为10.¹⁰⁸⁰⁄_09588221.2023.2246519。

第二部分：研究背景与目标

本研究聚焦于教育和语言学习领域，尤其是人工智能（Artificial Intelligence, AI）技术在语言学习中的应用。近年来，AI技术已广泛应用于教育领域，特别是在支持知识获取、能力提升、情感发展的语言学习活动中。具体技术包括智能对话机器人（intelligent chatbots）、自动写作纠正（automatic writing correction）、机器翻译（machine translation）和自适应推荐系统（adaptive recommendation），这些技术为学习者提供了个性化的即时反馈。然而，目前许多研究仅限于验证特定单一AI系统的认知和心理效用，缺乏对多功能AI工具在语言学习领域的综合探索。

在中国，为促进AI在语言课程中的应用，一些中小学已经尝试在英语作为外语学习（English as a Foreign Language, EFL）中使用多种AI工具。然而，这种教学方法主要集中在高等教育领域，对K-12学生特别是初高中生在人工智能辅助语言学习（AI-Assisted Language Learning, AILL）中的使用意图和相关影响因素的探讨尚有不足。因此，本研究旨在构建并验证一个基于UTAUT2（Unified Theory of Acceptance and Use of Technology，统一技术接受与使用理论）扩展模型和第二语言（L2）动机自我系统理论的研究框架，以调查技术、社会和动机因素如何预测中学生对AI在EFL中的行为意图。

第三部分：研究流程

本研究的完整研究设计包括以下几个部分：

1. 问卷开发与设计
   研究开发了一套包含八个维度的问卷，基于UTAUT和L2动机自我系统理论（L2 Motivational Self System Theory）。问卷设计采用5点Likert量表，评估以下因素：
   • 技术因素：努力期望（effort expectancy）、绩效期望（performance expectancy）、社会影响（social influence）、辅助条件（facilitating conditions）。
   • 动机因素：与AI相关的学习体验（learning experience with AI）、文化兴趣（cultural interest with AI）、工具性推动（instrumentality-promotion with AI）。
   • 学生对AI辅助语言学习的行为意图（behavioral intention）。

问卷内容经过专家、小组测试与学生反馈后的多次调整以保障其效度和可靠性。

1. 数据收集与样本选择
   本研究于2021年11月在中国北京的一个AI教育示范区（AIEDA）进行数据收集，研究样本为来自6所初中与3所高中学校的学生。共发放问卷554份，剔除无效问卷后，最终保留524份，其中初中生280人，高中生244人。

2. 数据分析方法

   • 数据分析采用结构方程模型（Structural Equation Modelling, SEM），评估因素间的相关性与路径系数。
     
   • 包括确认性因子分析（Confirmatory Factor Analysis, CFA），用于检验量表维度的结构效度。
   • 包括信度分析和偏态与峰度测试，保障数据分布的正常性。
   • 多组SEM分析用于分别测试初中与高中样本之间的模型拟合优度和假设路径。

第四部分：主要研究结果

研究结果分为多个方面，体现了初中生与高中生群体对AILL认知和行为意图的异同性：

1. 因子分析与模型拟合结果

   • 量表的结构效度、收敛效度与区分效度均达标。信度分析中Cronbach’s α值达.968，说明量表有较高的内部一致性。整体模型在初中生样本中的解释力（R²）为74%，高中生样本中的解释力达到80%。

2. 行为意图的技术与社会影响因素分析

   • 对于初中生和高中生，绩效期望（performance expectancy）显著预测了行为意图（行为意图路径系数分别为0.331和0.239，p < .01）。这表明学生倾向于认为使用AI可以提升其语言学习表现，是其持续使用AI的重要动机。
     
   • 社会影响（social influence）仅在初中生中显著预测行为意图（路径系数为0.233，p < .001），而在高中生中不起显著作用。这可能是因为初中生更容易受同伴压力和社会规范影响，而高中生随着年龄增长，更加独立于他人意见。

3. 行为意图的动机因素分析

   • 文化兴趣（cultural interest with AI）和工具性推动（instrumentality-promotion with AI）分别在两组学生中显著预测了其行为意图（p < .01）。这表明对英语文化及未来成就导向较强的学生更倾向于持续使用AI辅助工具学习EFL。
     
   • 学习体验（learning experience with AI）仅在高中生中显著预测行为意图（路径系数为0.223，p < .01）。

4. 技术与动机之间的关系

   • 绩效期望显著预测了与AI相关的学习体验、文化兴趣及工具性目标达成（p < .001），但努力期望在两个群体中均未能对动机因素产生显著预测作用。这与现有技术设计（如操作简便性）较高相关，可能降低了努力期望的重要性。

5. 辅助条件作用的差异

   • 辅助条件对行为意图没有显著预测作用，但对初中生的学习体验和文化兴趣有显著预测（p < .05）。这表明低龄学生更依赖外在组织及技术支持，而高中生则更注重个人体验。

第五部分：研究结论与意义

本研究创新性地结合UTAUT2模型与L2自我动机系统理论，创建了AILL-Motivation-UTAUT模型。研究表明： - 绩效期望、文化兴趣和工具性推动是预测学生行为意图的核心因素。 - 技术和社会因素对学生的动机有显著预测作用，且年龄对感知差异起到重要影响。 - 初中生更依赖社会影响和外部支持，而高中生更多关注自我体验和文化兴趣。

这些发现不仅对未来AI技术的教育研究提供了重要理论支持，还可为教育工作者设计适应不同年龄阶段学生需求的教学活动提供实践指导。

第六部分：研究亮点

• 创建了一个高解释力的AILL动机模型，为人工智能教育中的动机研究奠定基础。
• 发现社会影响和辅助条件在初中生群体中更为重要，而高中生群体更偏重自我导向学习。
• 强调了文化兴趣与工具性动机在提升学生行为意图方面的关键作用。

第七部分：研究的未来方向与建议

研究指出了现阶段学生对AILL的感知差异，但并未深入探讨这些差异背后的具体原因，后续研究可通过质性方法如访谈进一步挖掘。此外，研究样本仅限于北京地区，将来有必要扩展至更多地区和国际环境以进行比较研究。同时，由于目前AI技术尚属新兴领域，学生对其“应该使用”（ought-to L2 self）的看法还未明晰，未来研究可进一步关注“应然性”动机因素对行为意图的影响。