理解人工智能聊天机器人在英语自主学习中的作用：一种双阶段结构方程建模与人工神经网络相结合的方法

《Acta Psychologica》：Understanding the role of AI Chatbots in English self-regulated learning: A dual-stage structural equation modeling and artificial neural network approach

　　谢传忠|Sandrotua Bali|邱国飞|叶爱春|刘明周|陈蔡清|Vit Ardhyantama
台湾国立清华大学教师教育中心

**摘要**
本研究通过AI聊天机器人在低成绩大学生中探究预测自我调节学习（SRL）的构念，重点关注社会存在感、对AI的信任、学习体验的愉悦感以及自我决定理论（SDT）中的感知自主性、关联性和能力感等因素的作用。为实现这一目标，我们采用了结合部分最小二乘结构方程模型（PLS-SEM）和人工神经网络（ANN）与重要性-性能图分析（IPMA）的双重分析方法，分析了台湾332名大学生填写的有效问卷数据。结果表明，学习体验的愉悦感、感知自主性、感知关联性和对AI的信任显著预测了SRL，其中学习体验的愉悦感是最强的预测因子，而感知能力感则是最弱的预测因子。尽管社会存在感并未直接预测SRL，但它与自主性、关联性和能力感呈正相关。这些发现表明，AI聊天机器人可以通过提供令人愉悦的学习体验来支持低成绩学生的SRL，同时需要额外的支持来增强他们的能力感。

**1. 引言**
直到最近，AI技术才开始重塑学习者与学术内容的互动方式，尤其是在英语语言学习领域（Du & Reynolds, 2025; Liu & Zhao, 2026）。像聊天机器人这样的AI驱动工具在这种转变中发挥了核心作用，因为它们提供了更具交互性和类人特性的功能，从而支持更响应式、个性化和吸引人的学习体验（Kim & Im, 2023; Kuhail et al., 2023）。这些发展拓宽了学习者与数字学习环境进行即时和适应性互动的机会。AI系统还经常被设计成通过及时反馈和定制化支持来传递社会存在感，这可能增强学习者的参与度、动机和整体学习成果（Hew et al., 2023）。

与此同时，AI工具的最新进展与自我调节学习（SRL）有关（Chang et al., 2023; Guan et al., 2024），包括社会存在感（Huang & Hew, 2025）、对AI的信任（Lai et al., 2024）和学习体验的愉悦感（Saqr et al., 2024）的作用。社会存在感指的是学习者与AI系统之间的连接感和互动感（Hew et al., 2023），而对AI的信任反映了他们对聊天机器人工具可靠性和有效性的信心（Lai et al., 2024）。作为一种积极的情感体验，学习体验的愉悦感进一步增强了学习活动的参与度和动机（Liu, Zou, et al., 2025; Zou, Noughabi, & Peng, 2025）。关于AI的感受，特别是社会存在感、对AI的信任和学习体验的愉悦感，越来越多地被视为影响学习者设定目标、监控进展和反思学习成果的因素。特别是，这种关联反映了AI聊天机器人在促进自主语言学习中的作用（Zou, Soyoof, & Amjad, 2025）。然而，这些认知如何转化为持续的SRL的过程尚未得到充分研究，尤其是在低成绩学生的视角下。因此，研究学习者对AI聊天机器人的感受，特别是社会存在感、对AI的信任和学习体验的愉悦感非常重要，因为这些因素塑造了他们在AI中介学习环境中的体验。

除了社会存在感、对AI的信任和学习体验的愉悦感之外，自我决定理论（SDT）也与SRL密切相关（Xia, Chiu, & Chai, 2023; Xia, Chiu, Chai, & Xie, 2023）。该理论由Deci和Ryan提出，强调了内在动机在推动有效和有意义学习中的重要性（Ryan & Deci, 2000）。SDT确定了三个基本心理需求满足（BPNS）：自主性、能力和关联性，这些对于促进具有影响力的学习体验至关重要，尤其是在学习活动与学习者的个人价值观和兴趣相符时。Zimmerman（1990）将SRL视为一个循环过程，包括目标设定、战略规划、监控和自我反思。总体而言，SDT表明，自主性、能力和关联性的满足为学习者实施这些自我调节过程提供了动机基础。这种心理需求满足与SRL之间的理论联系已在多种教育背景下得到研究，包括语言学习。在英语语言学习中，SDT被广泛用于解释心理需求的满足如何支持学习者的自主性（Alamer et al., 2023; Bali et al., 2025; Xia, Chiu, Chai, & Xie, 2023）。

基于SDT，本研究将感知自主性、能力和关联性理解为影响低成绩学生在英语学习中SRL的心理机制。通过将BPNS视为中介变量而非平行预测因子，该框架提供了关于AI情感体验如何塑造使用AI聊天机器人进行英语学习的低成绩学生SRL的理论连贯解释。此外，社会存在感、对AI的信任和学习体验的愉悦感被认为会影响学习者对这些需求的满足，从而促进SRL行为。特别是那些学术表现较差的学生，他们往往被认为落后于同龄人，常常难以适应当代教育的技术和数字化要求（Bali et al., 2025; Liu, 2023）。因此，AI聊天机器人可以作为支持性学习工具，帮助这些学生加强他们的SRL过程（Du & Reynolds, 2025）。

因此，本文的目的有三个：首先，我们探讨关于AI的感受——社会存在感、对AI的信任和学习体验的愉悦感如何影响低成绩学生在英语学习中的SRL（RQ1）；其次，我们研究BPNS是否中介了社会存在感、对AI的信任和学习体验的愉悦感与SRL之间的关系（RQ2）；最后，我们确定哪些因素基于对AI的感受和SDT构念对英语学习中的SRL贡献最大（RQ3）。这一关注点在AI中介的学习环境中尤为重要，因为心理体验可能影响低成绩学生内化SRL策略的方式。为了解决这些问题，我们结合了部分最小二乘结构方程模型（PLS-SEM）、人工神经网络（ANN）和重要性-性能图分析（IPMA）。首先，使用PLS-SEM来估计潜在构念之间的直接和间接效应（Hair Jr. et al., 2022）。然而，由于PLS-SEM主要捕捉线性、理论驱动的关系（Leong et al., 2024），随后使用ANN来检测潜在的非线性模式并评估变量的相对预测重要性，而不需要严格的参数假设（Li & Lin, 2025; Rahimi et al., 2025）。此外，IPMA用于识别同时具有重要性和高表现力的构念（Ringle & Sarstedt, 2016）。总体而言，这些互补的方法增强了本研究分析的解释力和预测力。

**2. 理论框架和文献综述**
如引言所述，关于AI的感受（社会存在感、对AI的信任、学习体验的愉悦感以及SDT（自主性、能力和关联性）是影响学生在数字和技术中介环境中SRL的关键因素。因此，以下部分解释了这些因素如何在理论框架内以不同的方式影响SRL。

**2.1. 语言学习中的AI感受**
**2.1.1. AI聊天机器人的社会存在感与SRL的关系**
社会存在感理论由Short等人（1976）提出，定义为“互动中对方的主观显著性和由此产生的人际关系显著性”。最初，这一理论关注计算机中介的通信和在线学习（Borup et al., 2012）。在在线教育活动中，社会存在感涉及创造一种促进开放和团结交流的氛围（Garrison et al., 2010; Gunawardena, 1995）。然而，最近，社会存在感和SRL的概念已扩展到包括AI聊天机器人（Huang & Hew, 2025），并在英语语言学习中应用于年轻和成人学习者（Hew et al., 2023; Jeon, 2024）。通过使用人类语言，AI聊天机器人被认为通过一种称为拟人化的心理过程产生了类似人类的特质（Kiesler et al., 2008; Kim & Im, 2023）。AI聊天机器人还被认为可以通过识别相关学习资源和促进对学术表现的元认知评估来增强学生在语言学习中的SRL（Pan et al., 2024; Xia, Chiu, & Chai, 2023; Xia, Chiu, Chai, & Xie, 2023）（Guan et al., 2024）。这种支持有助于学习者更清晰地了解自己的优势和劣势，从而可能更有效地调整学习策略（Jazim et al., 2025）。AI聊天机器人提供即时响应的能力被认为增强了社会存在感的感知，有助于学习者更有效地调整学习策略（Du & Reynolds, 2025）。此外，AI聊天机器人可以通过识别个人学习需求并提出相关资源来提供个性化支持，特别是对于英语作为外语（EFL）的学习者（Pan et al., 2024）。因此，我们提出假设：
**H1** 社会存在感与SRL呈正相关。

**2.1.2. 对AI的信任与SRL的关系**
对AI的信任指的是在不确定和有风险的环境中依赖和暴露于信息系统的意愿（Gefen et al., 2008; Mee?en et al., 2020）。在教育背景下，Qin等人（2020）将其定义为“基于信念，即基于AI的教育系统及其管理者或开发者会负责任地行动，而愿意接受知识、提供个人信息并遵循建议”。在此基础上，Song（2024）认为，对AI的信任可以通过鼓励学生在学习中发挥积极作用来促进SRL，因为他们在使用AI指导时感到更安全。然而，当对系统可靠性、透明度和潜在风险的担忧降低用户与其互动的意愿时，信任也可能成为使用AI的障碍。先前的研究也发现，技术（如AI）与SRL的改善有关（Pan et al., 2024），特别是在阅读（Pan et al., 2025）和写作（Yang, 2025）方面。当技术被认为用户友好且有益时，学生更倾向于采用增强批判性思维和解决问题能力的自我调节策略（Chou et al., 2024）。因此，我们提出假设：
**H2** 对AI的信任与SRL呈正相关。

**2.1.3. 学习体验的愉悦感对SRL的影响**
学习体验的愉悦感在外语学习中起着关键作用，因为它与学生的学习动机相关（Liu, Zou, et al., 2025; Zou, Reinders, & Amjad, 2025）。它能够激发内在动机，这是SRL的关键驱动力（Fan et al., 2024）。从控制-价值理论的角度来看，当学习者将学习任务视为个人有价值并感受到对自己表现的掌控感时，会产生积极的学习情感（Zou, Soyoof, Teng, & Chen, 2025）。这些控制和价值评估是情感体验的核心决定因素，进而促进更深层次的认知参与和持续的SRL过程。在这种理论视角下，学生的成长型思维可能作为控制评估的前因，因为认为能力可改进的学习者更有可能将挑战视为可管理的。实证证据进一步表明，成长型思维积极预测外语学习的愉悦感，表明相信自己的能力可以发展的学习者在语言学习过程中更可能体验到积极情感（Zou, Noughabi, & Peng, 2025; Zou, Soyoof, & Amjad, 2025）。此外，最近的研究表明，学术情感对学习者的动机和参与度有积极影响（Liu et al., 2024; Pawlak et al., 2024）。

先前的研究还显示，学生喜欢通过AI聊天机器人学习外语（Huang & Zou, 2024），这使得学习更加互动和吸引人。Liu, Zou等人（2025）进一步指出，生成式AI工具提供的个性化可能足以唤起愉悦感。此外，AI可以通过提供即时反馈和帮助学习者即时纠正错误来增强学习中的愉悦感（Zou, Reinders, & Amjad, 2025）。例如，一个被认为有趣或吸引人的聊天机器人可以鼓励学习者设定目标、寻求反馈和反思自己的进度（Huang & Zou, 2024）。此外，愉悦感可以增加学习者与AI聊天机器人的互动意愿（Liu, Zou, et al., 2025）。因此，学习者体验到更加动态和响应式的互动，使学习过程更加愉快。这种好奇心驱动的参与凸显了AI聊天机器人所促进的愉悦感对学习者SRL发展的贡献。因此，我们提出以下假设：
**H3** 学习体验的愉悦感与SRL呈正相关。

**2.2. 基本心理需求满足与SRL**
SDT强调了内在动机的重要性（Ryan & Deci, 2000）。具体来说，该理论提出了三种基本的心理需求，满足这些需求有助于实现最佳的动力和参与度：自主性（选择的感觉）、能力感（掌握的感觉）和归属感（连接的感觉）（Ryan等人，2019年）。在通过AI聊天机器人进行英语学习的背景下，先前的研究发现，感知到的自主性和能力感显著影响学生的自主学习（SRL）（Xia、Chiu和Chai，2023年；Xia、Chiu、Chai和Xie，2023年）。首先，AI聊天机器人增强了学习的自主性，学生可以自由设定自己的学习节奏、时间和内容，包括设定目标、选择活动以及评估进度（Hidayat-ur-Rehman，2024年；Pan等人，2024年）。通过对学习过程的控制，学生感到更有内在的动力去学习，并发展自我调节技能（Zimmerman，2002年；Zimmerman和Schunk，2012年）。其次，通过定制的练习和聊天机器人的实时反馈，学生的能力得到加强，这有助于他们理解自己的错误并加以纠正（Chang等人，2023年；Xia、Chiu、Chai和Xie，2023年）。采用适应性的方法，英语水平较低的学生可能会对处理挑战更有信心，从而提高他们的SRL。因此，AI聊天机器人可以提高他们继续学习英语的积极性。第三，通过设计为友好互动的聊天机器人，可以在学习环境中增强归属感和参与度（Du和Reynolds，2025年）。因此，我们提出以下假设：

H4a 感知到的自主性与SRL呈正相关。
H4b 感知到的归属感与SRL呈正相关。
H4c 感知到的能力感与SRL呈正相关。

2.3. 社交存在感、对AI的信任和愉悦感对SDT的影响
社交存在感、对AI的信任和愉悦感是影响SDT框架内自主性、能力感和归属感满足的重要因素。社交存在感是指在数字互动中体验到的连接感，可以营造一个支持性的学习环境，增强学习者对归属感和能力感的感知（Fathali，2024年）。先前的研究也已显示，在在线学习环境中，能力感和归属感与社交存在感呈正相关（Kwon和Kim，2011年）。对AI系统的信任反映了用户对技术的可靠性、透明度和道德使用的看法，通过鼓励用户依赖AI工具进行指导，可能进一步支持心理需求的满足（Gefen等人，2008年；Hsieh等人，2025年）。当AI系统被感知为支持性和可信的时，学习者可能更有信心参与学习活动。然而，当AI系统被感知为过度控制或限制性的时候，学习者的自主感可能会减弱，这可能会降低信任度并阻碍技术的采用（Xia、Chiu、Chai和Xie，2023年）。此外，愉悦感是指与技术使用相关的积极情感体验，在强化心理需求满足方面起着重要作用。例如，Liu等人（2024年）发现，动机和愉悦感与学习环境动态互动，塑造了学习者在AI中介的非正式数字英语学习中的参与度。当学习者在学习环境中感到自主、有能力并且有归属感时，他们更有可能体验到愉悦感并持续参与学习活动（Bali等人，2025年）。愉悦感还可以鼓励持续参与，支持技能发展，并加强学习者在AI中介学习环境中的自我决定动机（Liu和Zhao，2026年）。因此，我们提出以下假设：

H5a 社交存在感与感知到的自主性呈正相关。
H5b 社交存在感与感知到的归属感呈正相关。
H5c 社交存在感与感知到的能力感呈正相关。
H6a 对AI的信任与感知到的自主性呈正相关。
H6b 对AI的信任与感知到的归属感呈正相关。
H6c 对AI的信任与感知到的能力感呈正相关。
H7a 愉悦感与感知到的自主性呈正相关。
H7b 愉悦感与感知到的归属感呈正相关。
H7c 愉悦感与感知到的能力感呈正相关。

2.4. 基本心理需求满足的中介作用
支持自主性、能力感和归属感的学习环境更有可能促进学习目标的内化以及SRL过程的发展（Ryan等人，2019年；Zimmerman和Schunk，2012年）。先前的研究进一步表明，心理需求的满足是连接学习条件与SRL结果的关键中介机制。例如，Xia、Chiu和Xie（2023年）证明了学生的需求满足在他们的英语学科知识、AI技术知识和使用AI工具时的SRL之间起到了中介作用。在AI中介的学习环境中，如社交存在感、对AI的信任和感知到的能力感等感知可能会影响学习者与AI系统互动时的心理体验。最近关于AI中介的非正式语言学习的研究强调了AI技术在课堂之外支持语言发展中的作用（Liu和Zhao，2026年）。当学习者认为AI具有社会响应性、可靠性和能够支持他们的能力发展时，这些感知可能会增强自主性、能力感和归属感的满足，从而促进更大的SRL行为参与度（Xia、Chiu和Chai，2023年）。基于这一理论推理，BPNS预计会中介这些与AI相关的感知与学习者SRL之间的关系。因此，我们提出以下假设：

H8a BPNS中介社交存在感与SRL之间的关系。
H8b BPNS中介对AI的信任与SRL之间的关系。
H8c BPNS中介愉悦感与SRL之间的关系。

3. 本研究和方法
本研究探讨了学习者对AI的感受，包括社交存在感、对AI的信任和愉悦感，如何通过三种BPNS（感知到的自主性、能力感和归属感）的满足来影响英语SRL中的SRL（见图1）。该框架不仅将这些概念视为并列的预测因素，还将心理需求满足视为连接AI相关感知与SRL的解释机制，这与SDT理论一致。指导本研究的研究问题和假设是：

下载：下载高分辨率图片（209KB）
下载：下载全尺寸图片
图1. 概念模型。

RQ1. 社交存在感、愉悦感和对AI的信任如何影响AI中介的英语SRL中的SRL？
RQ2. 感知到的自主性、能力感和归属感是否中介了社交存在感、对AI的信任和愉悦感与SRL之间的关系？
RQ3. 基于对AI的感受和SDT概念，哪些因素对英语学习中的SRL贡献最大？

3.1. 参与者和程序
本研究采用了目的性抽样方法，即根据与研究目标直接相关的特征来选择参与者（Tongco，2007年）。参与者需要满足三个资格标准：完成了必修的普通英语课程，TOEIC分数低于500分，GPA在4.0的评分体系中低于3.0分，表明他们的英语学术成绩相对较低（Bali等人，2025年）。通过学术网络将调查链接分享给参加必修普通英语课程的学生，参与是自愿的。同时，在调查开始时通过筛选问题确保受访者符合资格标准。参与者在参与前被告知研究的目的并提供了知情同意。参与是自愿的，没有提供任何激励措施以减少潜在的回答偏差。还向参与者说明没有正确或错误的答案，以减少评估焦虑。所有参与者均报告了之前使用AI聊天机器人进行英语学习的经验，确保他们对AI辅助学习环境有足够的熟悉度，从而能够有意义地评估他们在AI聊天机器人支持下的学习经验和SRL行为。

数据通过在线调查在台湾的四所大学（三所公立大学和一所私立大学）收集。最终样本包括18至24岁的参与者，来自公立机构（56.9%）和私立机构（43.1%）。参与者具有多样化的学术背景，其中49.4%主修人文和社会科学，50.6%主修科学和工程。在学术阶段方面，47.2%是一年级学生，19.0%是二年级学生，14.1%是三年级学生，19.6%是四年级学生，还有1.8%的学生就读于超过四年制学期的课程。性别分布相对平衡，女性占47.3%，男性占52.7%。

3.2. 工具
研究模型使用了来自已建立研究的经过验证的问卷进行评估，所有构念都显示了良好的内部一致性。为了测量社交存在感，我们改编了Prakash等人（2023年）的四项条目，以评估参与者对与聊天机器人类似的人际互动的感知。为了评估对AI聊天机器人的信任，我们采用了Lai等人（2024年）设计的条目来衡量学生对基于AI的系统的信任。对于SDT中的自主性、能力感和归属感构念，我们使用了Xia、Chiu和Chai（2023年）的条目。此外，用于测量SRL的条目也是从Xia、Chiu、Chai和Xie（2023年）改编的，以评估学生在英语学习中的SRL。在分发之前，所有条目都经过了语言学习和技术领域的三位专家的审核。

3.3. 数据分析
为了分析数据，我们采用了整合SEM、ANN和IPMA（Ringle和Sarstedt，2016年）的多阶段分析方法。结合SEM-ANN的方法在教育和语言研究中的应用越来越广泛，可以提高解释性和预测性有效性（Aryadoust和Baghaei，2016年；Bouzayenne和Harizi，2024年）。SEM使用SmartPLS 4作为主要的理论测试技术，同时评估测量模型和结构模型。测量模型通过指标载荷、复合可靠性、平均提取方差和区分效度进行评估，而结构模型则通过5000次重样的自助法来检验假设关系和中介效应（Hair Jr.等人，2022年）。在SEM分析之后，应用ANN作为补充的预测技术，以捕捉潜在的非线性关系并评估预测因子的相对预测重要性。与先前的研究一致，将PLS-SEM与ANN结合可以集理论测试和预测建模，通过排序预测因子的重要性并识别影响语言学习SRL的非线性关系（Rahimi等人，2025年）。ANN使用多层感知器架构，并设置单独的训练和测试数据集来提高预测可靠性（Leong等人，2024年），分析在IBM SPSS Statistics 27中进行。最后，在SEM框架内使用SmartPLS 4进行了IPMA，以评估影响SRL的构念的重要性和表现，识别具有强总效应但表现相对较低的变量。Ringle和Sarstedt（2016）建议IPMA特别有助于识别解释目标变量的关键因素。

3.4. 结果
3.4.1. 共同方法偏差
为了评估潜在的共同方法偏差（CMB），我们使用了Kock（2015年）提出的程序检查了完全共线性方差膨胀因子（VIFs）。这种技术通常用于检测PLS-SEM中的CMB。结果显示，所有VIF值介于1.651到2.728之间，均低于推荐的3.3的阈值。这些结果表明，共同方法偏差不太可能对研究结果的有效性构成严重威胁。

3.4.2. 描述性统计和可靠性
平均（M）分数范围从3.203到4.052，标准差（SD）介于0.602到0.839之间。偏度值介于-0.531到0.080之间，峰度值介于-0.687到0.236之间。所有Cronbach's α系数也达到了可接受的内部一致性水平（Hair Jr.等人，2022年）。详细描述见表1和表2。
表1. 构念可靠性和收敛有效性。
| 构念 | 因子载荷 | Cronbach α | 复合可靠性 | 平均方差提取 | AVE |
|--------------|-----------|-------------|------------|-----------|
| SP1 | 0.870 | 0.855 | 0.903 | 0.701 |
| SP2 | 0.867 | | 0.908 | 0.701 |
| SP3 | 0.885 | | 0.761 | |
| TAI1 | 0.881 | 0.843 | 0.905 | |
| TAI2 | 0.878 | | 0.857 | |
| ENJ1 | 0.889 | 0.864 | 0.908 | |
| ENJ2 | 0.882 | | 0.868 | |
| ENJ3 | 0.868 | | 0.712 | |
| PA1 | 0.728 | 0.772 | 0.854 | |
| PA2 | 0.807 | | 0.774 | |
| PA3 | 0.774 | | 0.840 | |
| PR1 | 0.839 | 0.841 | 0.677 | |
| PR2 | 0.794 | | 0.808 | |
| PR3 | 0.849 | | 0.840 | |
| PC1 | 0.795 | 0.715 | 0.840 | |
| PC2 | 0.814 | | 0.637 | |
| SRL1 | 0.736 | 0.803 | 0.630 | |
| SRL2 | 0.788 | 0.827 | |
| SRL3 | 0.820 | 0.820 | |

表2. 描述性统计和区分有效性。
| 构念 | MSDSPT | TAI | ENJ | PAP | RPC | SRL |
|----|--------|------------|------------|------------|-----------|
| AVES | 3.203 | 0.839 | 0.837 | 0.701 | |
| TAI | 3.587 | 0.803 | 0.563 | 0.872 |
| ENJ | 3.629 | 0.771 | 0.687 | 0.547 |
| PA | 4.052 | 0.602 | 0.361 | 0.402 |
| PR | 3.683 | 0.728 | 0.550 | 0.451 |
| HST | 3.500 | 0.661 | 0.414 | 0.592 |
| SRL | 3.942 | 0.670 | 0.470 | 0.494 | |

注：粗体数字表示AVE的平方根。
?p < 0.01

3.4.3. 测量模型
我们在PLS-SEM框架内使用SmartPLS 4进行了验证性测量模型评估。使用Cronbach's Alpha（α）、复合可靠性（CR）和指标载荷以及平均方差提取（AVE）来评估构念的可靠性和收敛有效性。所有构念的α和CR值均高于推荐的0.70阈值（Hair等人，2019年）。指标载荷超过0.70（见表1），AVE值介于0.594到0.761之间，超过了0.50的基准，确认了足够的收敛有效性（Fornell和Larcker，1981年）。区分有效性得到了Fornell–Larcker标准的支持，因为每个构念的AVE的平方根超过了它与其他构念的相关性（表2）。此外，还检查了Heterotrait–Monotrait Ratio（HTMT）作为更严格的区分有效性测试；所有HTMT值均低于保守的0.90阈值（表3），表明区分有效性得到了确立（Hair等人，2019年）。

表3. HTMT结果。
| 构念 | ENJ | PA | PC | PR | SRL |
|----|-----------|------------|------------|-----------|
| TAI | 0.685 | – | – | 0.685 |
| PC | 0.744 | – | – | 0.744 |
| PR | 0.772 | – | – | 0.737 |
| SRL | 0.840 | – | – | 0.754 |
| TAI | 0.644 | 0.501 | 0.524 |
| ENJ | 0.542 | 0.674 | 0.601 |
| PA | 0.556 | 0.550 | 0.402 |
| PR | 0.580 | 0.654 | 0.580 |
| HST | 0.677 | 0.630 | 0.470 | |

SmartPLS的结果还提供了关于饱和模型和估计模型的整体模型拟合信息，有助于评估所提出的模型再现观察数据的卡方值从饱和模型中的1660.818增加到了估计模型中的1729.105。此外，饱和模型的标准化拟合指数（NFI）为0.704，估计模型的NFI为0.692。尽管NFI值低于传统的基于协方差的SEM阈值0.90，但PLS-SEM模型评估主要依赖于可靠性和有效性指标。测量模型展示了令人满意的指标可靠性、复合可靠性、收敛有效性和区分有效性，表明这些构念被适当地测量了（Hair & Alamer, 2022; Hair Jr. et al., 2022）。表4. 模型拟合情况。拟合指标：饱和模型 估计模型 SRMR 0.084 0.095 d_ULS 2.484 3.173 d_G 0.889 0.965 卡方值 1660.818 1729.105 NFI 0.704 0.692 3.4.4. 假设检验进行了PLS-SEM分析，以检验研究变量之间的假设关系。结果表明，对AI的信任（β = 0.156, p = 0.005）、享受感（β = 0.268, p < 0.001）、感知到的自主性（β = 0.238, p < 0.001）和感知到的关联性（β = 0.166, p = 0.015）显著预测了SRL。在这些因素中，享受感对SRL的影响最大。然而，社会存在感和感知到的能力对SRL也没有显著的直接影响（社会存在感：β = ?0.014, p = 0.849；感知到的能力：β = 0.078, p = 0.231）。此外，社会存在感显著预测了感知到的自主性（β = 0.198, p < 0.001）、感知到的关联性（β = 0.432, p < 0.001）和感知到的能力（β = 0.464, p < 0.001）。对AI的信任也显著预测了感知到的自主性（β = 0.292, p < 0.001）、感知到的关联性（β = 0.211, p = 0.001）和感知到的能力（β = 0.146, p = 0.007）。同样，享受感与感知到的自主性（β = 0.559, p < 0.001）、感知到的关联性（β = 0.444, p < 0.001）和感知到的能力（β = 0.504, p < 0.001）有很强的正相关关系。详细信息见表5和图2。表5. 假设检验结果。假设 路径 βT统计量 P值 结果 H1 SP → SRL ?0.014 0.191 0.849 不支持 H2 TAI → SRL 0.156 2.815 0.005 支持 H3 ENJ → SRL 0.268 4.070 0.000 支持 H4a PA → SRL 0.238 4.191 0.000 支持 H4b PR → SRL 0.166 2.428 0.015 支持 H4c PC → SRL 0.078 1.199 0.231 不支持 H5a SP → PA 0.198 3.735 0.000 支持 H5b SP → PR 0.432 7.450 0.000 支持 H5c SP → PC 0.464 9.961 0.000 支持 H6a TAI → PA 0.292 4.669 0.000 支持 H6b TAI → PR 0.211 3.413 0.001 支持 H6c TAI → PC 0.146 2.701 0.007 支持 H7a ENJ → PA 0.559 10.835 0.000 支持 H7b ENJ → PR 0.444 7.136 0.000 支持 H7c ENJ → PC 0.504 9.104 0.000 支持下载：下载高分辨率图片（228KB）下载：下载全尺寸图片图2. PLS-SEM结果注意：实线箭头表示显著的直接效应，虚线箭头表示不显著的直接效应。中介效应中的星号表示间接效应的显著性 *p < 0.05。 ***p < 0.001.3.4.5. 特定中介检验使用PLS-SEM自助法中的特定中介效应分析来检验中介效应。由于校正偏差后的置信区间（CIs）不包括零（Hayes, 2022），因此认为这些间接效应在统计上是显著的。首先，社会存在感通过需求满足对SRL的间接效应在统计上是显著的（β = 0.079, p = 0.022, 95% CI [0.030, 0.082]）。这一结果表明，SDT是社会存在感促进学生SRL的一个重要心理机制。换句话说，较高的社会存在感增强了学习者的自我决定能力，从而促进了他们在SRL过程中的更大参与度。其次，中介分析还发现，对AI的信任通过需求满足对SRL也有显著的间接效应（β = 0.067, p = 0.036, 95% CI [0.008, 0.099]）。这一发现表明，对AI的信任通过增强学生的学习动机间接影响他们的SRL。结果强调了需求满足作为连接对AI的信任与学习者调节自己学习行为能力的动机路径的作用。第三，享受感具有最强的中介效应，需求满足显著中介了享受感与SRL之间的关系（β = 0.400, p < 0.001, 95% CI [0.174, 0.346]）。这一显著效应表明，享受感在培养自我决定动机方面起着关键作用，从而促进了更高水平的SRL（表6）。表6. 特定中介检验。空白单元格 路径 βT统计量 95% CI值 结果 假设 下限 上限空白单元格 H8a SP → BPNS → SRL 0.079 2.288 0.030 0.082 0.022 支持 H8b TAI → BPNS → SRL 0.067 2.092 0.008 0.099 0.036 支持 H8c ENJ → BPNS → SRL 0.400 10.078 0.174 0.346 0.000 支持3.4.6. ANN结果在PLS-SEM分析之后，应用了ANN作为补充的预测方法，以检验关键预测因子的相对预测重要性并捕捉构念之间的潜在非线性关系（Bouzayenne & Harizi, 2024）。虽然SEM评估构念之间的假设结构关系，但ANN通过捕捉潜在的非线性预测模式并评估预测因子的相对预测重要性来补充这种方法。使用了多层感知器架构，包括六个输入神经元（社会存在感、对AI的信任、享受感、感知到的自主性、感知到的关联性和感知到的能力）、一个具有四个神经元的隐藏层和一个预测SRL的输出神经元。隐藏层使用了双曲正切激活函数，而输出层使用了适用于连续结果的恒等函数（Soliman et al., 2025）。为了提高泛化能力和减少过拟合的风险，数据集被随机划分为训练集（70%）和测试集（30%）。模型产生的训练平方和误差为48.415（相对误差=0.436），测试误差为19.825（相对误差=0.442）。训练误差和测试误差之间的相似性表明预测性能稳定，没有明显的过拟合（Aryadoust & Baghaei, 2016）。ANN的结果表明，感知到的相关性和享受感是SRL的最强预测因子，说明对AI的情感感知和心理需求满足对于理解学习者的SRL很重要。相比之下，感知到的能力显示出较弱的预测贡献，这与SEM的发现一致。值得注意的是，隐藏层中的连接权重代表内部神经网络参数，不应解释为SEM路径系数那样的方向效应（Leong et al., 2024）。相反，ANN在非线性框架内评估预测能力。因此，SEM系数和ANN权重之间的差异反映了这两种技术的互补分析作用，而不是不一致性（图3）。下载：下载高分辨率图片（238KB）下载：下载全尺寸图片图3. ANN结果。3.4.7. 重要性-绩效映射分析结果图4展示了IPMA结果，强调了不同预测因子在基于AI的英语语言学习中对SRL的相对影响。TAI（0.272）和ENJ（0.269）被认为是最具影响力的因素，表明它们在促进SRL方面起着关键作用。PA（0.234）也显示出显著的效果，进一步强调了支持自主性的环境的重要性。相比之下，（PC）（0.078）的重要性最低，表明其对SRL的影响相对较弱。PR（0.168）和SP（0.142）具有中等效果，反映了它们支持性但作用不那么突出的贡献。IPMA图表进一步表明，在教学设计中应优先考虑高重要性的构念，如TAI和ENJ，以优化SRL结果。下载：下载高分辨率图片（182KB）下载：下载全尺寸图片图4. IPMA结果。4. 讨论与结论4.1. 对AI和BPNS的感受对英语SRL的影响（RQ1）本研究的结果表明，对AI的信任与SRL显著相关，这表明当学习者认为AI系统是可靠且有益的学习伙伴时，他们更有可能参与自我调节行为。Song（2024）的研究发现，对AI的信任水平与SRL之间没有相关性，该研究指出了高绩效和低绩效学习者在信任随时间变化方面的一个重要区别。具体来说，他们的发现显示，低绩效学生的学习者的信任在整个学期中表现出显著波动，而高绩效学生的学习者的信任相对稳定。这些观察结果表明，对AI的信任可能在不同的学习群体和学习环境中以不同的方式发挥作用。在我们的研究中，对AI的信任与通过AI聊天机学习英语的低成就学生的SRL呈正相关。考虑到关于对AI聊天机的信任与SRL之间关系的实证证据有限，未来的研究应该在不同的学习环境和学习群体中检验这一关系。我们的研究结果发现，享受感与SRL之间存在强烈的正相关关系，支持了积极情感体验对于维持学习活动和参与度的重要性（Huang & Zou, 2024; Liu et al., 2024）。根据Liu, Zou等人的研究（2025），AI聊天机在非正式的数字英语学习环境中展示了显著的潜力，因为学生认为学习过程更加吸引人。在数字中介的学习环境中，AI聊天机也可以作为形成性评估工具，提供既涵盖语言元素也涵盖非语言元素的反馈，并支持多模态沟通技能的发展（Yang, 2025）。AI聊天机还可以通过提供即时反馈来进一步支持SRL，使学习者能够监控自己的进度并调整学习策略（Chang et al., 2023; Hew et al., 2023; Huang & Zou, 2024）。此外，用于英语学习的AI技术可以创造一个安全、私人的学习环境，在那里学生可以自由地尝试语言而不用担心被评判，因为他们的错误不会被同伴或教师看到。这一发现与强调享受感在促进SRL中的作用的研究一致（Fan et al., 2024）。因此，我们的SEM-ANN和IPMA结果进一步强调了享受感的重要性，因为它们在所有构念中都显示出强大的预测能力。本研究还发现，社会存在感与SDT构念呈正相关。社会存在感，或者说学习者在技术中介环境中体验到的连接感，在塑造SDT的关键构念——自主性、能力和关联性方面起着至关重要的作用。我们的研究结果与之前关于教育环境中SDT的研究一致，强调了自主性、关联性和享受感在促进有效学习结果方面的重要性（Ryan & Deci, 2000），特别是在使用AI聊天机的英语语言学习中。例如，Xia, Chiu, Chai和Xie（2023）的先前研究发现，自主性和关联性在通过AI聊天机进行英语学习时起到了关键作用。同样，Hew等人（2023）强调设计能够让学生控制自己学习的AI工具的重要性（自主性）以及培养联系感（关联性），这与本研究的重点一致。先前的研究还表明，社会存在感通过营造鼓励性的氛围来支持自主性，帮助学习者在在线环境中感到更多的控制（Fathali, 2024; Richardson et al., 2017）。它还通过使学习者能够通过技术中介的经历建立信心和提高技能来增强能力（Lowenthal & Snelson, 2020）。此外，社会存在感通过促进有意义的互动来加强关联性，这对维持数字学习环境中的动机和参与度至关重要（Garrison et al., 1999）。这些发现与本研究的结论一致，因为具有人类特征的AI聊天机促进了用户与AI技术之间的有意义互动（Kim & Im, 2023; Kuhail et al., 2023）。因此，这些见解强调了社会存在感在支持SDT构念中的关键作用，特别是在使用AI聊天机的英语学习中，对于低成就学生来说，更强的互动和参与感尤为重要。有趣的是，本研究中的社会存在感与SRL没有显著相关，这与Huang和Hew（2025）的发现相反。一个可能的解释是学习者对AI聊天机技术的熟悉程度有限。尽管本研究没有直接测量学习者对AI聊天机的熟悉程度，但一些参与者可能仍在发展与AI系统有效互动所需的技能。由于制定提示的经验有限，加上与AI互动的语言要求，学习者可能难以将感知到的与AI的互动转化为有效的SRL策略。本研究还发现，感知到的能力与SRL没有显著相关，这与Xia, Chiu, Chai和Xie（2023）的发现相反，他们认为能力是SRL的显著预测因子。这种差异可能反映了学习者特征和学习环境的差异，特别是当前研究中关注的低成就学生，他们的感知能力可能更加脆弱，不易在SRL学习行为中体现。从SDT的角度来看，EFL低成就学生往往对自己能力的看法较为脆弱（Bali et al., 2025）。虽然AI聊天机提供了即时反馈和帮助，但这种支持可能不足以促进稳定的SRL感（Chang et al., 2023）。这可能有助于解释为什么在本文中感知到的能力与SRL之间的关系较弱。因此，AI支持的学习环境可能需要更多的明确指导、可见的进度跟踪和以掌握为导向的反馈，以更好地支持学习者的感知能力和SRL。尽管如此，这些解释仍需谨慎对待，因为本研究没有包括关于学习者之前使用聊天机的经验或频率的测量。未来的研究应该探讨学习者对AI聊天的熟悉程度，包括之前的经验和互动模式，如何影响社会存在感和感知到的能力对SRL的贡献。4.2. 基本心理需求满足的中介作用（RQ2）针对RQ2，研究结果表明，在AI中介的英语学习环境中，BPNS介导了社会存在感、对AI的信任、享受感与SRL之间的关系。这一结果与之前的研究一致，表明动机和享受感在塑造学习者在AI中介的非正式英语数字学习中的参与度方面起着重要作用（Liu et al., 2024; Liu, Zou, et al., 2025）。我们的发现也与Huang和Zou（2024）的结果一致，他们报告说，在AI辅助的英语学习环境中，学习者的享受感与他们继续使用AI聊天的意愿正相关。对于成绩较低的学生来说，愉快的学习体验可能会增强他们使用人工智能工具的意愿，并保持他们学习英语的积极性。在自我决定理论（SDT）框架内，自主性、能力感和关联性作为心理机制，将这些关于人工智能因素的感受（如社交存在感、对人工智能的信任以及学习乐趣）与自主学习（SRL）联系起来。这一发现与SDT的观点一致，SDT认为支持这些需求的学习环境有助于内化学习目标并发展SRL过程（Ryan等人，2019；Zimmerman & Schunk，2012）。在人工智能辅助的语言学习环境中，如果学习者认为人工智能聊天机器人具有社交响应性、可靠性并且使用起来令人愉悦，他们可能会更满足这些需求，而这又与更积极的SRL行为相关联。这些中介结果进一步扩展了先前关于人工智能支持的语言学习的研究。先前的研究表明，BPNS（Beliefs, Perceptions, Needs, and Sense of Success）可以作为将学习条件与SRL结果联系起来的中介机制（Xia, Chiu, Chai, & Xie, 2023），其中自主性和能力感在促进学生在聊天机器人支持的学习环境中的SRL方面通常比关联性起着更重要的作用。当前的发现通过表明，对人工智能聊天机器人的感受（包括社交存在感、学习乐趣和对人工智能的信任）与SRL之间的关联部分是通过学习者在自主性、能力感和关联性方面的满足感来实现的，从而为这一观点提供了额外的支持。在所考察的预测因素中，学习乐趣通过BPNS对SRL产生了最强的间接影响，这表明与人工智能聊天机器人的愉快互动可能在满足学习者的心理需求方面特别有效。具体而言，这些与人工智能相关的因素可能会影响学生与人工智能聊天机器人互动时的动机体验，进而支持他们在SRL过程中的参与。

4.3. 基于对人工智能和BPNS感受的SRL最强烈预测因素（RQ3）
第三个研究问题探讨了哪些因素最能促进人工智能辅助英语学习中的SRL。IPMA（Investigations into Perceived Needs, Motivations, and Affect in Learning）表明，学习乐趣是预测SRL的最重要因素，其次是對人工智能的信任和感知到的自主性。这些发现表明，学习者的情绪投入和对人工智能系统的信心在塑造SRL行为中起着核心作用。在人工智能辅助的环境中，学习者经常独立地与数字工具互动（Liu, Darvin, & Ma, 2025），这需要持续的动机和学习策略的主动调节。当学习者感到愉悦并且认为人工智能系统是可信赖的学习伙伴时，他们可能更愿意接受反馈（Lai et al., 2024; Liu et al., 2024）。IPMA的结果还表明，自主性表现相对较好，说明学习者在与人工智能工具互动时已经感受到了一定程度的控制权。这种自主性的感知可能会鼓励独立探索和策略性学习行为（Xia, Chiu, Chai, & Xie, 2023），这些都是SRL的重要组成部分。相比之下，社交存在感和能力感似乎的重要性较低，这表明虽然这些因素对整体学习体验有所贡献，但在预测这种环境下的SRL方面作用不那么显著。因此，IPMA的研究结果表明，在人工智能辅助的英语学习中，SRL主要受学习者的情绪投入、对人工智能系统的信任以及感知到的自主性的影响。对于使用高级技术（如人工智能聊天机器人）的学习者来说，这些因素尤为重要，因为技术支持的学习环境可以提供支持和不具威胁性的空间，鼓励他们自主调节学习策略。因此，这些发现强调了设计能够促进积极情绪体验、增强学习者对系统的信任和支持其自主感的人工智能聊天机器人学习环境的重要性。

5. 贡献、限制及未来研究建议
5.1. 理论贡献
我们的研究为人工智能辅助语言学习和SRL的文献提供了两项理论贡献。首先，它通过将技术增强的语言学习与SDT框架相结合，扩展了关于人工智能辅助英语学习中SRL的研究。研究结果证实，感知到的自主性和关联性在支持人工智能驱动学习环境中的SRL方面起着重要作用，这与在更广泛教育背景下的先前研究结果一致。重要的是，结果表明，尽管社交存在感不会直接预测SRL，但它通过增强学习者对自主性、能力感和关联性的感知来间接促进SRL。这些发现还通过展示信任通过满足心理需求直接和间接影响SRL，从而强调了信任作为人工智能支持语言学习中重要动机因素的作用。其次，我们的研究突出了学习乐趣在人工智能聊天机器人支持英语SRL中的关键作用。结果表明，学习乐趣对SRL的影响最强，并且通过BPNS产生了最强的间接效应，强调了积极情绪投入在维持学习者动机方面的必要性。同时，这些发现完善了关于感知能力的现有假设。尽管先前的研究将能力感确定为SRL的关键预测因素（Xia, Chiu, & Chai, 2023; Xia, Chiu, Chai, & Xie, 2023），但目前的结果表明，除非能力感得到自主性和关联性的支持，否则单独的能力感可能不足以充分促进SRL。总体而言，这些发现通过强调情绪投入、心理需求满足和信任在塑造学习者SRL行为中的相互作用，进一步完善了对人工智能聊天机器人增强语言学习的理论理解。

5.2. 方法论贡献
本研究采用了多方法分析方法，结合了结构方程模型（SEM）、人工神经网络（ANN）和IPMA来研究人工智能辅助学习环境中SRL的预测因素。通过结合解释性和预测性技术，该研究提供了一个更全面的分析框架来理解SRL。SEM用于测试各构念之间的假设结构关系，而ANN能够捕捉传统线性方法可能忽略的潜在非线性关系和复杂预测模式（Aryadoust & Baghaei, 2016; Bouzayenne & Harizi, 2024）。ANN的结果突出了学习乐趣和自主性的强大预测作用，而IPMA分析则指出学习乐趣和对人工智能的信任是影响SRL的重要因素。总体而言，这种综合分析方法展示了结合理论驱动和预测方法来深入理解学习者在人工智能辅助语言学习环境中的动机和心理投入的价值。

5.3. 实践贡献
这些发现为教育工作者、人工智能开发者和希望提高人工智能聊天机器人支持英语学习中SRL的学习者提供了实际建议。对于教育工作者而言，结果强调了培养学习乐趣、自主性和对人工智能的信任的重要性，以增强学习者的参与度和自我调节能力。教师可以鼓励使用人工智能聊天机器人作为互动学习伙伴，帮助设定学习目标、监控进度和进行反思性学习活动（Chou & Zou, 2020）。对于人工智能开发者来说，研究建议聊天机器人设计应优先考虑促进心理需求满足的功能，如自适应反馈、互动对话和可定制的学习路径，以支持学习者的自主性和参与度。对于学习者而言，结果强调主动将人工智能聊天机器人视为学习伙伴而非仅仅提供答案的重要性。那些反思聊天机器人反馈、设定个人学习目标并在与人工智能工具互动时调整策略的学习者（尤其是英语水平较低的学生）可能会增强他们的自我监控和自主学习能力（Guan et al., 2024）。这些见解可以为设计促进学生动机、自主性和SRL的人工智能支持语言学习环境提供指导。

5.4. 限制
尽管本研究为英语学习中的人工智能支持SRL提供了重要见解，但仍存在一些限制。首先，本研究中考察的构念是通过自我报告的感知量表来测量的。虽然感知测量在教育研究中被广泛使用，但这些测量方法可能会引入方法间的方差，从而夸大了变量之间的关联。其次，横断面设计限制了关于人工智能相关感知、学习者的BPNS（Beliefs, Perceptions, Needs, and Sense of Success）与SRL之间关系的因果推断能力。未来的研究可以采用纵向或实验设计来考察这些关系随时间的变化。第三，这些发现是在台湾高等教育的文化和教育背景下以及低成就的英语作为外语（EFL）学习者样本中获得的，因此应在低成就EFL学习者的背景下解读这些结果，可能不适用于更高水平的学习者或不同的教育环境。因此，未来的研究需要在不同学习群体和环境中验证这些关系。

**作者贡献声明**
Chuan-Chung Hsieh：撰写——审阅与编辑、可视化、验证、监督、资源管理、项目管理、概念化。
Sandrotua Bali：撰写——审阅与编辑、原始草稿撰写、可视化、软件开发、方法论设计、正式分析、概念化、调查、项目管理。
Thomas K.F. Chiu：撰写——审阅与编辑、验证、监督、项目管理、方法论设计、概念化、正式分析、调查、资源管理、可视化。
Ai-Chun Yen：撰写——审阅与编辑、验证、概念化、调查、可视化。
Ming-Chou Liu：撰写——审阅与编辑、验证、数据整理。
Tsai-Ching Chen：撰写——审阅与编辑、可视化、数据整理。
Vit Ardhyantama：撰写——审阅与编辑、方法论设计、验证。

**伦理批准和参与同意**
• 本研究遵循1964年《赫尔辛基宣言》中规定的伦理原则进行。所有参与者均被告知研究目的，并确保其回答的保密性。参与是自愿的，参与者有权在任何阶段退出研究且不会受到惩罚。
• 我们获得了参与者的同意以收集数据。
• 我们进行了在线调查，未包括人类临床试验或动物实验，因此无需经过强制性伦理委员会的审查。参与者被告知研究目的，并保证其回答的保密性，并在参与前获得了同意。根据台湾卫生福利部《人类受试者研究法》（公开通知编号MOHW-Medical-1,010,265,075，2012年7月5日）的规定，此类研究无需进一步获得伦理委员会的批准。

**资金**
本研究未获得公共、商业或非营利部门的任何特定资助。