AI反馈与教师反馈对学生写作表现和内在动机的影响：一项随机对照比较研究

《Frontiers in Psychology》：As effective as the teacher, but less motivating: a randomized controlled comparison of AI-generated and teacher feedback on students’ writing performance and intrinsic motivation

　　

生成式人工智能（英语：Generative Artificial Intelligence，简称AI）能够对学生写作提供可扩展的反馈；然而，相较于教师反馈，其对写作表现和动机的影响仍未被充分理解。本研究依据反馈干预理论（Feedback Intervention Theory，FIT）与自我决定理论（Self-Determination Theory，SDT），考察了AI生成反馈与教师提供反馈对学生写作表现和动机结果的相对有效性。方法：一项随机对照研究将312名本科生分配至三种条件之一：AI生成反馈、教师反馈或无实质反馈的对照组。共有287名参与者被纳入分析。该研究评估了修订后作文质量、反馈投入、写作自我效能、内在动机、对反馈来源的感知相关性以及AI素养。结果：AI生成反馈与教师反馈均比对照组产生更高的修订后作文质量，效应量分别为 d=0.60 与 d=0.59。两种反馈条件在预设的 ±0.35 标准差等价区间内具有统计学等价性。反馈投入（而非写作自我效能）在统计学上解释了观察到的表现优势。教师反馈比AI生成反馈引发更高的内在动机，尽管AI生成反馈也比对照组引发更高的内在动机。此种动机差异与对反馈来源的感知相关性有关。分析中识别的间接效应是关联性的，而非因果性的。AI素养并未显著调节反馈对写作表现的影响（p=0.058）。讨论：在单一机构单次反馈与修订周期的背景下，研究结果提示，AI生成反馈能够取得与教师反馈相当的写作表现结果，同时提供较弱的动机支持。这些结果凸显了混合反馈方法的潜在价值，即把AI生成反馈的可扩展性与师生互动的关联性和动机性优势相结合。需要在多个机构及重复反馈周期中开展进一步研究，以确立这些发现的普适性与长期意义。

**研究背景与问题**
反馈是影响学生学习的核心因素之一，但优质反馈长期受制于人力稀缺、耗时费力等现实约束。生成式人工智能（Generative AI）出现后，大规模、即时、低成本的作文反馈成为可能，师生已开始在教学场景中广泛使用AI生成反馈。然而，现有研究多聚焦于反馈文本质量或学生主观偏好，缺少在受控实验条件下将AI反馈与教师反馈对照、并同时考察学习表现与动机效果的系统证据。教育心理学传统提示，反馈源的身份可能改变学习者的认知加工程度与关系体验：教师反馈不仅带来信息，还传递关注与关怀；算法反馈虽携带信息，却未必携带关系。反馈干预理论（FIT）强调反馈通过认知通道影响表现，自我决定理论（SDT）则强调反馈的社会意义通过关系通道影响动机。二者的整合预示着一种“表现-动机分离”的可能性：AI反馈与教师反馈在写作表现上趋同，却可能在动机上分化。为回应这一理论预期并为教学决策提供证据，本研究开展了三臂随机对照实验，明确检验AI反馈是否与教师反馈在写作表现上等效、在动机上是否存在差异，并考察表现效应的机制与边界条件。

**研究设计与主要结论**
研究人员在一所综合性大学招募312名本科生，以1∶1∶1比例随机分入AI生成反馈、教师反馈或无实质反馈对照组（最终分析样本N=287）。在两次课堂会话中完成前测写作、反馈阅读、过程与感知问卷及后测修订。研究发现，两种反馈均显著提升修订后作文质量，效应量分别为 d=0.60 与 d=0.59，且在预设 ±0.35 标准差等价界内被判定为统计等效；教师反馈引发比AI反馈更高的内在动机，该差异由感知相关性中介；反馈投入（而非写作自我效能）是表现优势的统计学解释机制；AI素养的调节作用未达显著，但显示探索性模式。研究意义在于：首次以等价性检验框架证明AI反馈在写作表现上可达到与教师反馈实际相当的水平，同时揭示了关系性动机通道的相对薄弱，为“混合反馈”教学模式提供了实证依据；研究还提示，若AI素养使获益不均，需警惕AI反馈扩大数字鸿沟的公平风险。

**关键技术方法**
本研究采用三臂平行组随机对照实验设计，样本来自一所综合性大学本科一年级学术写作课程学生（初筛340人，随机分配312人，最终分析287人）。AI反馈由本地部署的Qwen2.5-27B-Instruct模型生成，教师反馈由一位持有应用语言学硕士学位、具有六年学术写作教学经验的教师根据同一评分标准撰写；对照组仅收到内容中性提示。测量工具包括反馈投入（改编自Zhang和Hyland, 2018）、写作自我效能、感知相关性、内在动机、AI素养等量表。数据分析方法包括协方差分析（ANCOVA）、双单侧检验（TOST）等价性检验、bootstrap中介分析、多组验证性因子分析（CFA）及层级回归。

**研究结果**
**4.1 初步分析**
随机化成功，三组在前测写作、GPA、年龄及性别构成上无显著差异。六因子测量模型拟合良好，多组CFA支持跨条件标量不变性。AI反馈与教师反馈在感知有用性与反馈投入上无显著差异，但教师反馈引发更高感知相关性（p<0.001）。

**4.2 表现：H1与H2**
ANCOVA显示条件对后测写作有显著主效应，F(2, 281)=11.46, p<0.001, partial η²=0.075。AI反馈组（调整后M=54.70）与教师反馈组（M=54.58）均显著优于对照组（M=48.28），效应量分别为d=0.60与d=0.59。TOST等价性检验表明，AI与教师反馈差异为0.12分，90%置信区间[?2.43, 2.68]完全落在±3.72分（d=±0.35）等价界内（TOST p=0.011）。

**4.3 表现效应机制：H3**
并行双中介模型显示，反馈投入的间接效应显著（indirect=5.05, 95% CI [3.57, 6.69]），而写作自我效能的间接效应不显著（indirect=0.23, 95% CI [?0.20, 0.75]）。直接效应不显著，表明反馈投入在统计学上解释了两反馈组相对对照的表现优势，而自我效能未传递可靠效应。

**4.4 动机：H4**
内在动机在条件间差异显著，F(2, 284)=10.96, p<0.001。教师反馈组（M=5.16）显著高于AI反馈组（M=4.90），AI反馈组亦显著高于对照组（M=4.61），教师反馈组的动机优势最明显（d=0.65）。中介分析显示，感知相关性的间接效应显著（indirect=0.25, 95% CI [0.12, 0.40]），说明教师反馈的动机优势与更强的关系体验有关。由于相关性与动机同源测量，该效应应理解为关联性而非严格因果。

**4.5 AI素养作为假设的边界条件：H5**
交互项块对后测写作的解释增量显著（ΔR²=0.015, ΔF(2, 280)=3.53, p=0.031），但焦点交互项（AI素养×AI条件）未达显著（b=3.58, β=0.23, p=0.058）。探索性简单斜率分析显示，AI素养在AI反馈组与表现的相关更强（斜率=5.26）而对照组较弱（斜率=1.69）。H5未获支持，此模式仅作探索与假设生成之用。

**讨论与结论**
讨论部分指出，AI反馈在修改稿质量上与教师反馈的等效性符合FIT的加工观点：反馈效果的关键在于其引发认知投入的质量，而非来源身份；而动机上的差异则符合SDT的关系通道预期，即教师反馈因满足关联需要而更具动机激励作用。实践上，研究主张采用“混合反馈”模式：利用AI的可扩展性承担高频认知性反馈任务，同时保留教师反馈的关系性、动机性功能，以兼顾效能与温度。研究也承认若干局限：单一机构、单一任务、单次反馈周期、AI模型与提示词特定性、中介变量非随机化导致间接效应仅具关联性、等价检验功效有限（0.55）、修订稿整体得分低于初稿等。结论指出，在受控协议与预设等价界内，就修订后作文质量而言，AI反馈与教师反馈相当；就内在动机而言，教师反馈更优。AI反馈并非对教师的取代，而是对教师稀缺反馈资源的放大——“让AI承担可扩展的认知工作，教师则专注维系学生持续写作意愿的关系性工作”。未来研究需跨机构、跨任务并采用更充分的统计功效与更长周期设计加以验证。