基于自我决定理论的AI教育环境下EFL学习者动机机制：自我效能感与心理韧性的协同预测作用

【编辑推荐】本研究针对AI教育环境中EFL（英语作为外语）学习者动机机制不明的问题，基于自我决定理论（SDT），通过结构方程模型（SEM）分析472名中国大学生数据，揭示心理韧性与自我效能感分别解释24.71%和14.75%的动机方差，为优化AI教学工具设计提供理论依据。

　　

---

论文解读

在人工智能（AI）技术席卷教育领域的今天，传统课堂正经历着前所未有的变革。AI驱动的个性化学习平台、智能反馈系统和自适应课程设计，为外语学习者提供了前所未有的便利。然而，一个关键问题浮出水面：为什么有些学生在AI环境中如鱼得水，而另一些却举步维艰？这背后，学习动机的差异成为解开谜题的核心钥匙。内蒙古大学外国语学院的Shuangshuang Shi与Hongmei Zhang团队敏锐捕捉到这一空白，从自我决定理论（Self-Determination Theory, SDT）的视角出发，深入探究了心理韧性（Resilience）和自我效能感（Self-efficacy）如何共同塑造AI环境下EFL（English as a Foreign Language）学习者的动机图谱。

研究团队选取了中国四所高校472名不同专业的本科生作为样本，涵盖计算机科学、生态学等多元学科背景。通过结构方程模型（SEM）和多元回归分析，他们发现：心理韧性与自我效能感联手解释了54.2%的动机变异，其中心理韧性以24.71%的独立贡献率远超自我效能感的14.75%。这一发现不仅验证了SDT框架下"胜任力"（Competence）和"关联性"（Relatedness）需求的核心作用，更揭示了AI教育中"抗挫能力"比"自信水平"更能驱动学习动力的颠覆性结论。论文发表于《Learning and Motivation》，为AI教育工具开发提供了精准的心理干预靶点。

关键技术方法
研究采用横断面设计，通过问卷收集数据，使用结构方程模型（SEM）验证测量模型信效度，并通过多元回归分析预测变量关系。样本来自中国四所大学，覆盖多学科背景，以新生和二年级学生为主。

研究结果

测量模型验证
验证性因子分析（CFA）显示，除动机量表中6个条目因载荷不显著被剔除外，其余指标均符合心理测量学标准，证实工具在AI语境下的适用性。

预测效应分析

• 心理韧性展现出更强的动机预测力（β=0.497，p<0.001），其独特解释力（24.71%）近乎自我效能感（14.75%）的1.7倍
• 双因子协同模型拟合优度（CFI=0.937，RMSEA=0.042）显著优于单因子模型，支持SDT的多维需求理论

讨论与意义
该研究首次在AI教育场景中实证了SDT的"需求-动机"传导机制：心理韧性通过满足"关联性需求"（如虚拟学习社区支持），而自我效能感通过强化"胜任力感知"（如AI系统的适应性反馈），共同滋养内在动机。这一发现挑战了传统教育中"能力自信主导动机"的认知，凸显AI环境下"逆境适应力"的独特价值。

实践层面，研究建议AI教育平台应：

1. 整合"韧性训练模块"，如挫折模拟和恢复力培养游戏化设计
2. 优化胜任力支持功能，如动态难度调节的智能语法检查工具
3. 构建SDT-Aligned系统框架，同步满足自主性（Autonomy）、胜任力（Competence）和关联性（Relatedness）需求

理论层面，该研究不仅拓展了SDT在数字教育中的应用边界，更开创性地建立了"AI特性-心理特质-动机产出"的传导模型，为后续研究如AI情感计算与动机动态监测提供了方法论范式。正如作者所言："当AI成为教育的新土壤，我们更需要理解在这片土壤中生长的心理根系。"