基于自我决定理论的AI增强环境下汉语二语学习者动机-韧性-投入关系模型研究

本文基于自我决定理论（SDT），通过结构方程模型（SEM）揭示了AI增强环境中汉语二语（CSL）学习者韧性通过动机中介作用影响学习投入的机制。研究创新性地将SDT框架应用于智能教育场景，为优化AI驱动语言教学的心理干预策略提供了实证依据。

　　

研究亮点

本研究聚焦AI增强环境这一新兴领域，突破传统研究局限，首次在汉语二语（CSL）学习场景中验证了动机在韧性与投入间的中介作用。通过结构方程模型（SEM）分析发现，学习者的心理韧性如同“心理弹簧”，能通过激发动机内核（特别是_SDT框架下的自主性、胜任感需求满足），显著提升其在智能学习平台上的任务投入度。这一发现为破解AI教育中“技术冷感”难题提供了关键靶点。

结果

数据分析显示：1）韧性-动机-投入三者呈显著正相关（r>0.7, p<0.01），构成紧密的_心理三角；2）动机的中介效应占比达68.3%，如同在韧性与投入间架设“能量传导桥”；3）AMOS拟合指数（CFI=0.956, RMSEA=0.042）证实模型适配度良好。特别发现，AI工具提供的_{个性化学习路径}能强化韧性对动机的激活效应，印证了_SDT理论在智能场景的延展性。

讨论

相较于传统课堂，AI增强环境放大了心理韧性的“缓冲器”功能——当学习者面对算法反馈困惑或人机交互隔阂时，高韧性个体更易将挑战转化为_动机燃料。这与_{Ryan & Deci (2020)}提出的“基本心理需求满足”机制高度吻合：智能系统的_{自适应反馈}（如错题精准推送）增强胜任感，_{虚拟学习伴侣}缓解孤独感，从而形成“韧性→动机→投入”的_{正向增强回路}。但需警惕技术依赖可能削弱内在动机的“双刃剑”效应。

结论与启示

本研究证实了在AI赋能语言学习中“养韧促动、以动带投入”的有效路径。建议教育者：1）开发_{韧性训练模块}嵌入智能教学系统（如设置渐进式挑战任务）；2）利用AI的_情感计算功能动态监测动机波动（如通过眼动追踪识别专注度下降），实现“心理免疫”与“技术赋能”的双向协同。