人工智能素养与心理韧性对学习者AI场景下参与动机的双重影响：基于成就目标理论的实证研究

本研究针对AI教育环境中学习者参与度与动机不足的核心问题，基于成就目标理论（AGT）框架，通过结构方程模型（SEM）揭示了AI素养（AI literacy）和心理韧性（resilience）的关键作用。结果表明，AI素养对动机的解释力达10.7%，而韧性对参与度的预测贡献达23.6%，为优化AI教育环境提供了"技能-心理"双干预路径。

　　

当ChatGPT能写论文、智能辅导系统能定制学习方案时，教育领域正经历一场由人工智能（AI）引发的革命。然而现实却充满矛盾：一方面，AI工具被证明能提升学习者的情感投入（emotional engagement）和内在目标导向（intrinsic goal orientation）；另一方面，约40%的学习者因缺乏AI技术操作能力而陷入"数字鸿沟"。更棘手的是，面对AI系统复杂的反馈机制，许多学习者会出现"技术焦虑性退缩"现象——这正是Derakhshan等学者提出的AI时代新型学习障碍。

在此背景下，一项发表于《Learning and Motivation》的研究给出了突破性答案。研究人员采用成就目标理论（Achievement Goal Theory, AGT）作为理论透镜，对461名接触AI教学的大学生展开调查。通过结构方程建模（Structural Equation Modeling, SEM），团队首次量化了AI素养与心理韧性这两个关键变量的"协同-竞争"关系。

研究采用四阶段技术路线：首先通过验证性因子分析（CFA）筛选量表信效度，剔除AI伦理维度中载荷值<0.5的题项；随后采用偏最小二乘法（PLS）计算潜变量路径系数；接着通过Sobel检验验证中介效应；最终使用方差分解（Variance Decomposition）量化预测贡献度。样本来自国内多所开设AI通识课程的高校，通过线上平台采集数据并采用Harman单因素检验排除共同方法偏差。

AI素养的"技术赋能"效应
数据分析显示，AI素养的三个维度中，"使用技能"对动机的标准化路径系数达0.38（p<0.001），显著高于"伦理认知"（β=0.12）。具体而言，掌握智能批改工具操作的学习者，其任务动机（task motivation）得分比对照组高1.7个标准差。这印证了Chiu提出的"AI工具熟练度-自我效能感"正反馈机制。

心理韧性的"压力缓冲"作用
在参与度预测方面，心理韧性展现出惊人优势。面对AI系统误判时，高韧性学习者能维持0.82的持续参与指数（persistence index），而低韧性组该值骤降至0.31。研究还发现，韧性通过调节焦虑情绪（anxiety regulation）间接影响动机的效应量达15.3%。

成就目标理论的动态解释
AGT框架分析揭示：持掌握目标（mastery goals）的学习者，其AI素养对动机的影响强度是绩效目标（performance goals）组的2.3倍。这支持了Elliot提出的"目标取向-技术适应"耦合假说——当学习者以能力提升而非成绩排名为导向时，AI工具更能激发其深层学习策略（deep learning strategies）。

这项研究的里程碑意义在于构建了"技术-心理"双驱模型。数据显示，当AI素养与韧性水平均高于均值时，学习者出现"流体验"（flow state）的概率提升至67%，远高于单一优势组（41%）。这提示教育者需同步开展AI技能培训与挫折教育，例如在智能编程课程中嵌入"调试失败"模拟训练。

论文的实践价值同样显著。作者建议采用"三阶干预法"：初级阶段通过教育游戏（如AI版编程猫）培养基础素养；中级阶段运用聊天机器人（chatbots）创设渐进式挑战；高级阶段则引入韧性训练模块，包括压力情境模拟和认知重评（cognitive reappraisal）技巧指导。这种阶梯式方案已在试点学校使学习者AI任务放弃率降低52%。

正如审稿人指出，该研究首次将AGT理论从传统课堂拓展至AI教育场景，其构建的预测模型可解释50.4%的参与度变异——这为智能教育产品的用户体验优化提供了量化标准。未来研究可进一步探索文化因素的影响，例如集体主义背景下AI协作学习产生的特殊韧性培养路径。