用于人工智能辅助的第二语言写作的认知负荷量表：量表的开发与验证

《Frontiers in Psychology》：Cognitive load scale for AI-assisted L2 writing: scale development and validation

AI辅助二语写作的认知负荷量表开发与验证：通过混合方法构建包含提示管理、批判评估、整合合成和作者核心处理的四维量表，并证明其可靠性和效度。

　　这项研究开发并验证了“人工智能辅助第二语言写作认知负荷量表”（Cognitive Load Scale for AI-assisted L2 Writing, CL-AI-L2W），这是首个专门用于测量人工智能辅助写作过程中独特认知需求的工具。随着生成式人工智能（如ChatGPT和Bing Chat）在第二语言（L2）写作中的广泛应用，理解其对认知过程的影响变得尤为重要。传统的写作认知模型主要关注内部认知过程，如计划、翻译和修订，而人工智能的引入使得写作过程变得更加复杂，需要同时考虑人机协作带来的新认知任务。因此，研究者们迫切需要一种科学、系统的测量工具，以准确捕捉这种新的、混合型的认知负荷结构。

研究采用混合方法设计，结合了认知写作理论和人机交互研究的成果，通过专家反馈和访谈逐步完善了初始的项目池。在241名参与者的探索性因子分析（EFA）中，研究发现该量表包含四个核心维度：（1）提示管理，（2）批判性评估，（3）整合性合成，以及（4）作者核心处理。随后，通过305名参与者的验证性因子分析（CFA），进一步确认了这一结构的稳定性和有效性。研究结果表明，该量表具有极高的内部一致性，各子量表的Cronbach’s alpha值均超过0.80，同时与写作焦虑、写作自我效能感和感知心理努力等指标呈现出显著相关性，为量表的效度提供了有力支持。

从认知负荷理论（CLT）的角度来看，人工智能的使用可能对写作认知负荷产生双重影响。一方面，它能够减轻内在认知负荷，例如通过生成复杂的句子结构或提供词汇建议，从而降低语言表达的难度。另一方面，它也可能增加额外认知负荷，例如在处理AI生成内容时，需要不断评估其准确性、相关性和风格，这会消耗大量认知资源。此外，人工智能的引入还可能促使学习者投入更多资源到“整合性合成”任务中，即如何将AI生成的内容与自身写作结合，确保文本的连贯性和原创性。这些发现不仅揭示了人工智能辅助写作过程中认知负荷的复杂性，也强调了在教学实践中需要关注人机协作带来的新挑战。

本研究的四个维度为理解人工智能辅助写作提供了新的视角。提示管理涉及学习者在使用AI工具时的计划与执行能力，包括如何设计有效的提示以引导AI生成内容。批判性评估则是学习者对AI输出进行审查和判断的过程，涉及对信息准确性、逻辑性、风格适配性的考量。整合性合成强调了学习者如何将AI生成的内容与自身写作结合，确保整体文本的连贯性和学术诚信。而作者核心处理则反映了传统写作过程中不可替代的核心任务，如论证构建和语言表达。这四个维度的发现不仅为认知负荷理论提供了新的实证支持，也揭示了人工智能辅助写作过程中认知资源的动态分配。

研究结果表明，该量表具有良好的测量特性，能够准确反映学习者在人工智能辅助写作任务中的认知负荷情况。其高内部一致性（Cronbach’s alpha为0.94）和良好的效度支持了其作为研究工具的可靠性。此外，测量不变性分析表明，该量表在不同性别群体和不同研究样本中均表现出一致的结构，为跨群体比较提供了科学依据。这些结果不仅验证了量表的有效性，也为未来研究提供了标准化的测量工具。

从教育实践的角度来看，CL-AI-L2W的开发具有重要的现实意义。该量表可以帮助教师识别学生在人工智能辅助写作过程中遇到的具体认知挑战，从而制定更具针对性的教学策略。例如，如果学生在提示管理方面得分较高，说明他们可能需要更多的指导来优化与AI的互动方式；如果在批判性评估方面存在困难，教师可以设计相关的训练活动，以提升学生对AI生成内容的判断能力。同时，该量表还能够揭示学生在整合AI生成内容和自身写作时所面临的挑战，帮助教师调整教学内容，促进学生在保持作者声音和逻辑结构的同时，有效利用AI工具。

然而，本研究也指出了其局限性。首先，研究对象主要为具有中级到高级水平的中国大学英语学习者，未来需要在不同语言背景、语言水平和教学环境下进一步验证该量表的适用性。其次，研究仅关注了一种特定的写作任务（议论文）和一种AI系统（Deepseek），而不同写作类型和AI工具可能对认知负荷的分布产生不同的影响。最后，研究中使用的单项目测量工具（如总体心理努力量表）虽然在某些情况下具有实用性，但其信度和效度不如多项目量表，未来研究可以采用更全面的测量方法，如测试-再测试设计，以增强量表的科学性。

总体而言，CL-AI-L2W的开发标志着对人工智能辅助写作认知负荷研究的一个重要进展。它不仅为理论研究提供了新的工具，也为教育实践中的教学设计和学习评估提供了实用框架。未来的研究可以基于该量表进一步探索人工智能如何影响学习者的认知资源分配，以及如何通过教学干预优化人机协作的效率。此外，该量表还可以用于评估不同AI工具对认知负荷的影响，从而为教育者提供科学依据，选择最适合学生需求的AI辅助工具。随着人工智能在教育领域的持续发展，CL-AI-L2W的应用将有助于更深入地理解学习者在这一新环境下的认知行为，并推动更加科学和有效的教学策略的形成。