人工智能辅助自我调节学习对学习者自主性的预测：基于社会认知理论视角

本研究基于社会认知理论（SCT），通过结构方程模型揭示了人工智能（AI）工具使用通过自我效能感、元认知策略和自我监控等心理资源中介机制，显著预测学习者自主性（Learner Autonomy）的提升，为构建促进自主学习的AI教育环境提供了理论依据和实践指导。

　　

研究问题

RQ1

在AI辅助的语言学习情境中，AI工具使用频率、自我效能感（Self-efficacy）、元认知策略（Metacognitive strategy）运用及自我监控（Self-monitoring）能在多大程度上预测学习者自主性（Learner Autonomy）？

RQ2

社会认知理论（SCT）的关键组成部分（如自我效能感、元认知策略使用和自我监控）如何中介AI工具使用与学习者自主性之间的关系？

参与者

采用便利抽样法招募参与者，以探究AI支持的自我调节语言学习环境中学习者自主性的预测因素。入选标准要求参与者为18岁及以上、有学术场景AI工具使用经验的大学生，确保其熟悉本研究关注的核心技术。排除标准包括未满18岁或缺乏相关AI工具使用经验的个体。

结果

本节报告基于社会认知理论原则，为探究AI工具使用频率、自我效能感、元认知策略使用、自我监控与学习者自主性之间假设关联所进行统计程序的结果。数据分析分两个连续阶段进行：首先使用IBM SPSS Statistics（Version 27）进行初步分析，评估数据质量、检验内部一致性。

讨论

描述性统计显示，参与者报告了较高水平的AI工具参与度（尤其在写作辅助方面），以及强大的自我效能感、持续的元认知策略使用和高水平的学习者自主性。自我监控维度得分最低，表明与内部调节过程相比，对公众表现意识和社会适应性的关注相对较弱。结构模型

结论

本研究表明，当与学习者的内部能力（包括自我效能感、元认知策略使用和自我监控）相结合时，AI支持的自我调节学习能显著预测学习者自主性。结果表明，仅靠AI工具是不够的；当学习者运用认知和情感技能积极利用这些工具调节学习时，其影响才能最大化。通过应用社会认知理论，本研究强调了个人因素、行为与环境影响之间动态的相互作用。