AI中介英语教育中的行为管理：教师、技术与交际意愿的交互作用

《Acta Psychologica》：Managing behavior in AI-mediated English education: The interplay of teachers, technology, and communication willingness

　　

摘要：本研究探讨在中国AI中介大学英语作为外语(EFL)课堂中，教师AI行为管理胜任力(teacher AI behavior-management competence)与大学生英语交际意愿(willingness to communicate, WTC)之间的关系。基于多媒體學習認知理論(Cognitive Theory of Multimedia Learning, CTML)与认知负荷理论(cognitive load theory)，研究人员提出教师对AI信号提示(signaling)与节奏 pacing 的有效编排可降低学生的外在认知负荷(extraneous cognitive load, ECL)，进而促进交际准备状态。研究于西安、武汉、南京三市收集454名大学生调查数据，采用SmartPLS进行偏最小二乘法结构方程建模(partial least squares structural equation modelling, PLS-SEM)。结果显示教师AI行为管理胜任力既直接正向预测英语WTC，也通过降低ECL产生间接正向影响；且该中介路径在学生感知AI提示个性化(personalization of AI nudges)程度较高及基础设施可靠性(infrastructure reliability)较高时更强——提示/分段(cueing/segmenting)与系统质量影响认知效率及下游参与度。由于所有观测课堂均使用同一AI赋能平台，研究发现支持同平台内教师AI中介行为管理编排质量的推断，而非AI与非AI教学之效能比较。本研究将多媒体学习理论从信息设计层面拓展至课堂编排(orchestration)层面，明确了认知高效的AI编排与学生交际准备状态相契合的条件。

论文解读：《Acta Psychologica》发表于安徽中医药大学Min Chen、Zhangyan Miao、Naveed Ahmad合作撰写的上述研究。

一、研究背景与问题提出

当前高等教育中人工智能(AI)已广泛嵌入集成仪表盘、自动提示与机器生成反馈的教学流程，但在中国高校英语作为外语(EFL)课堂中，AI的效果高度依赖具体工具及教师如何中介其使用。现有文献多聚焦AI工具本身或泛化态度，较少将教师对AI的行为管理/编排(orchestration)——即通过配置AI提示、明确参与期望、分段活动节奏、减少界面干扰——作为独立教师胜任力构念并检验其对二语交际意愿(willingness to communicate in a foreign language, WTC in L2)的影响机制。此外，教师编排如何通过心理中介变量（如降低外在认知负荷extraneous cognitive load, ECL）转化为学生交际准备，以及在何种技术条件（AI提示个性化personalization of AI nudges、基础设施可靠性infrastructure reliability）下效应更强，仍缺乏实证检验。为此研究人员基于多媒體學習認知理論(Cognitive Theory of Multimedia Learning, CTML)与认知负荷理论(cognitive load theory)，构建并检验含中介与调节的假设模型。

二、主要研究方法简述

研究人员于中国西安、武汉、南京三地公立大学招募修读EFL课程之本专科生，经纸质与在线问卷调查回收筛选后获有效样本N=454。自编教师AI行为管理胜任力8题量表（基于课堂行为管理BIMS与TPACK传统），其余构念采用修订成熟量表：降低外在认知负荷(reduced extraneous cognitive load, xel, 3题改编自Klepsch等)、英语交际意愿(willingness to communicate in English, wtc, 10题改编自Peng & Woodrow)、AI提示个性化(personalization of AI nudges, pain, 4题)、基础设施可靠性(infrastructure reliability, infra, 5题)。所有条目五点Likert。测量模型检验聚敛与区别效度(Fornell–Larcker、HTMT)、共同方法偏差(marker variable法)。结构模型以SmartPLS进行偏最小二乘法结构方程建模(partial least squares structural equation modelling, PLS-SEM)，检验直接路径、中介效应(bootstrap法)及被personalization of AI nudges与infrastructure reliability调节的有调节中介(moderation-mediation)。辅以FIMIX-PLS异质性检验、MICOM测量不变性、PLSpredict预测相关性Q²、高斯Copula内生性诊断等稳健性分析。

三、研究结果

4.1 测量模型(Measurement Model)

验证性因子分析显示各构念标准化外负荷≥0.708，Cronbach's α=0.770–0.906，组合信度(composite reliability)=0.825–0.924，平均萃取变异量(average variance extracted, AVE)=0.541–0.714均达标；VIF最大值1.657无多重共线性；Fornell–Larcker准则与HTMT比<0.85支持区别效度，表明教师AI行为管理胜任力(taibmc)、降低外在认知负荷(xel)、交际意愿(wtc)、AI提示个性化(pain)、基础设施可靠性(infra)为五个经验可区分构念。

4.2 共同方法偏差标记变量评估(Marker-variable Assessment of Common Method Bias)

引入理论上无关标记变量（校园餐饮偏好），标记变量与各焦点构念相关|r|≈0.07–0.11，CMV校正前后相关系数变动微小(Δr≈0.02–0.03)，表明共同方法偏差不影响实质关系。

4.3 假设检验与结构模型(Hypothesis Testing and Structural Model)

PLS-SEM路径系数均显著(p<.001或p=.009)：H1教师AI行为管理胜任力(taibmc)→英语WTC(β=0.422, p<.001)；H2 taibmc→降低外在认知负荷(xel)(β=0.415, p<.001，高分代表ECL较低)；H3 xel→WTC(β=0.550, p<.001)；H4 taibmc→xel→WTC间接效应显著(β=0.228, p<.001)，支持中介；H5 被AI提示个性化调节的有调节间接效应显著(β=0.062, p<.001)；H6 被基础设施可靠性调节的有调节间接效应显著(β=0.037, p=.009)。模型解释WTC方差R²=0.488，xel方差R²=0.425，效应量f²为小至中等。表明教师AI行为管理编排通过降低外在认知负荷提升学生英语交际意愿，且该中介路径在AI提示更个性化与系统更可靠时增强。

4.4 稳健性检验与附加分析(Robustness Checks and Additional Analyses)

饱和模型标准化均方根残差(SRMR)=0.061，PLSpredict得Q²_wtc=0.347、Q²_xel=0.291支持预测相关性。FIMIX-PLS提示两类潜在分段(61%与39%)，关键路径在两分段均显著且同向。测量不变性检验(MICOM)支持三城市间组态与成分不变性，多组PLS-MGA无显著路径系数差异。高斯Copula检验未发现显著内生性(p>.10)，主要结论稳定可靠。

四、讨论与结论翻译

讨论指出，学生报告教师更有能力运用AI平台管理行为与参与常规时，其英语WTC更高，部分由降低ECL解释——与CTML及认知负荷理论一致。此发现非"AI优于非AI"之证据，而是同平台内教师编排质量差异关联学生认知负荷与WTC变异。个性化AI提示与高基础设施可靠性强化该中介路径，符合个性化原则提升相关性与信息系统成功模型之系统质量要求。研究开发了简明有效的教师AI行为管理胜任力量表，并将多媒体设计原则(signaling、segmenting、coherence)从信息呈现层推广至AI中介课堂编排层。

结论翻译：本研究表明教师AI行为管理胜任力通过降低外在认知负荷这一核心心理过程，对学生的英语交际意愿产生显著正向贡献。通过在课堂中实施信号提示(signaling)、分段(segmenting)与连贯性(coherence)原则，AI中介环境向学生传达认知负担较轻的信号，使其更愿意发起与维持英语交流。有调节中介结果显示存在边界条件：AI提示个性化与基础设施可靠性进一步增强该中介路径，凸显设计匹配与系统质量是教学而不仅是技术问题。研究人员还呈报了简明且经效度检验的教师AI行为管理胜任力测评工具，证实其在中国高等教育情境具生态效度。综上，发现将关注点从"是否使用AI"转向"如何编排AI"，并为课堂实践提供指引——最小化外在要求、针对需求给予支持、保障坚实基础架构。未来需纵向与干预研究进一步验证，多媒體學習認知理論(CTML)可作为整合AI丰富EFL环境中教学管理与交际准备状态的理论框架。需注意本研究所有教师均操作同一混合AI平台，故结论指向教师胜任力差异而非AI与非AI教学绝对比较；结果应理解为善用AI工具（依CTML原则对齐提示并定制信息）之教师营造更有结构与支持性环境从而提升学生WTC。AI非普适有益——过度依赖可能削弱深层加工；技术仅为教师施行教学策略的中介媒介，结果外推至其他平台与情境需谨慎。