针对学生在英语发音学习中对人工智能生成内容（AIGC）反馈的态度的量表：开发、验证与应用

《PLOS One》：Scale for students’ attitude towards AIGC feedback in english pronunciation learning: Development, validation and application

生成式人工智能在英语发音学习中的反馈态度量表开发与验证

　　AIGC,即生成式人工智能内容，正逐渐成为现代教育领域的重要工具。在英语发音学习这一具体应用场景中，AI生成的反馈系统被认为能够提供即时、精准、个性化的学习支持。然而，学生对这类反馈的态度和接受度，仍然是影响其学习效果的关键因素。本研究旨在开发并验证一个衡量学生对AIGC发音反馈态度的量表，以更深入地理解学生如何感知和使用这些工具，从而为教育工作者和研究者提供有效的评估工具。

本研究的数据收集工作在中国北方的一所独立学院中进行，采用便利抽样方法，覆盖了来自不同省份的学生，这些学生具有多样化的文化背景、教育经历和社会经济条件。这使得研究样本在一定程度上具备代表性。参与研究的总人数为436人，其中207人用于探索性因子分析（EFA），229人用于验证性因子分析（CFA）。此外，研究还通过访谈10名使用过AIGC工具的学生，以及8位专家（包括4名熟悉AI辅助教学的英语发音教师和4名AI技术专家），进一步确保量表内容的科学性和适用性。

在量表的构建过程中，研究者首先通过焦点小组访谈收集了学生对AI反馈的具体体验和看法。访谈问题围绕AI工具是否能准确识别发音错误、如何处理重复错误、反馈是否清晰易懂，以及是否能根据个人学习情况提供更针对性的建议等方面展开。通过对访谈内容进行编码分析，研究团队识别出四个核心维度：准确性、严格性、清晰度和个性化。这四个维度共同构成了量表的基本框架，分别反映了学生对AI反馈在发音识别、纠错态度、信息传达以及定制化支持等方面的评价。

为了进一步确保量表的科学性和实用性，研究者邀请了8位专家对量表的条目和维度进行评审。专家们通过4分制的评分方式，对每个条目的内容有效性进行评估，最终得出的项目内容效度指数（I-CVI）和量表内容效度指数（S-CVI）均达到了可接受的水平，表明量表能够有效捕捉学生对AI反馈态度的核心要素。同时，量表采用了五点李克特量表，便于学生进行清晰明确的评价。

在验证过程中，研究者通过EFA和CFA对量表的结构效度进行了全面评估。EFA结果显示，所有条目在不同群体中的区分度显著，且与整体构念之间具有高度相关性，表明量表具备良好的内部一致性。CFA则进一步确认了四个维度的结构效度，各项拟合指标均符合标准，表明量表能够准确反映学生对AI反馈的态度。然而，研究也指出，量表的判别效度存在轻微问题，特别是在“个性化”这一维度与其他维度之间的区分度方面，其异质性-同质性比值（HTMT）略高于推荐阈值，这可能表明该维度与其他维度存在一定的重叠。

此外，研究还通过与“英语发音自我效能感”量表的并发效度检验，进一步验证了该量表的有效性。结果显示，量表的各个维度与发音自我效能感之间具有显著正相关，说明学生对AI反馈的态度与其在发音学习中的自信心之间存在紧密联系。这一发现对于理解AI反馈对学生学习行为的影响具有重要意义，同时也为未来研究提供了新的视角。

本研究的成果表明，学生对AIGC发音反馈的态度可以被系统地测量和分析，并且该量表在结构效度和内部一致性方面表现良好。然而，研究也指出了其局限性，包括采用横断面研究设计、样本多样性不足以及依赖传统验证方法（如EFA和CFA）等问题。这些问题可能影响量表的稳定性、广泛适用性和对复杂关系的捕捉能力。因此，未来的研究可以考虑采用更灵活的验证方法，如项目反应理论（IRT）或网络分析，以进一步提升量表的科学性和实用性。

在实际应用层面，该量表为教育工作者和研究者提供了评估学生对AI反馈接受度的工具，有助于优化AI工具的设计和功能，使其更符合学生的实际需求。通过了解学生对AI反馈的态度，教育者可以更有针对性地调整教学策略，提高学习效率。同时，该量表也为进一步探讨AI反馈在语言学习中的作用提供了基础，推动了AI技术在教育领域的深度应用。

综上所述，本研究不仅为AI辅助发音学习提供了量化的评估工具，还为理解学生对AI反馈的态度提供了理论支持。尽管存在一些局限，但该量表的开发和验证过程展现了其在教育技术研究中的重要价值。未来的研究可以在样本的多样性和验证方法的创新性方面进一步拓展，以提升该量表的适用范围和测量精度。同时，随着AI技术的不断发展，这类工具在语言学习中的应用前景也愈发广阔，有望成为提升学习效率和效果的重要手段。