综述：人工智能在英语作为外语学习中的应用：对相关技术、工具及其影响的系统综述

《Computers and Education: Artificial Intelligence》：Artificial Intelligence in English as a foreign language learning: A systematic review of technologies, tools, and their impacts

　　威廉·高伟·唐 | 张雪英
香港城市大学教育系，香港

**摘要**
本研究对现有的关于人工智能（AI）技术和基于AI的英语作为外语（EFL）学习工具的文献进行了全面的系统回顾，旨在探索当前的研究状况，并确定需要改进的领域，以优化EFL学习者的学习效果。采用了一种定性研究方法（系统评价和元分析的优先报告项目），并通过三个步骤指导了整个回顾过程。本研究共分析了2019年至2024年间发表的708篇文章，最终保留了103篇。研究结果表明，2019年至2024年间相关文献数量稳步增加，主要集中在高等教育参与者上，而对小学、中学生甚至学龄前儿童的研究相对较少。此外，深度学习技术是最常用的人工智能技术，而基于AI的工具（尤其是AI驱动的聊天机器人）也被广泛使用。这些技术有效提升了EFL学习者的综合能力、写作能力和口语表达能力，对其学习体验产生了积极影响。这些发现具有双重意义：首先，未来研究亟需探讨AI在所有年龄段EFL学习中的应用；其次，有必要进一步探索AI技术及其在多样化教学方法中的整合。本综述指出了研究中的空白，并为研究人员、学生和教师提供了关于AI技术和基于AI的工具在EFL学习中应用的建议。

**1. 引言**
人工智能（AI）体现了机器深入研究并推进理论、程序、技术及应用系统的能力，从而模仿、扩展和增强人类智能（Imberman, 2004）。它涉及当代社会的多个领域，包括英语作为外语（EFL）的教学（Yuan, 2023）。机器学习和深度学习等AI技术的整合引起了国际关注，在全球教育领域变得越来越重要（Huang, 2021; Wang et al., 2021）。过去十年中，对EFL的关注度不断提高，研究表明学生越来越依赖计算机科学和技术的进步，从而提升了他们的计算思维和能力（Chen et al., 2020; Zhou, 2023）。这些技术能够为学习者提供定制的学习材料，增加他们的兴趣和动力（Ying, 2023），并通过个性化反馈和评估满足个体需求（Bhutoria, 2022; Chen et al., 2021）。特别是基于AI的工具，尤其是高级聊天机器人，在语言学习中越来越普遍，能够提供定期的对话、评估和反馈（Geng, 2021）。然而，AI技术的整合也带来了一些新的挑战，如表面化的交流、反馈问题，以及可能无法培养高级语言学习能力（如辩论和解决问题能力），而这些能力对于高级语言学习至关重要（Fryer et al., 2020; Lin & Chang, 2020; Xu et al., 2021; Zhai & Wibowo, 2023）。随着AI技术和基于AI的语言学习工具的不断发展和改进，语言教师仍在努力确定这些技术在语言学习中的确切价值和效果，尽管仍有一些问题尚未得到解答（Kim et al., 2021）。例如，关于AI聊天机器人对不同英语水平学习者的效果存在争议，一些研究认为初学者可能无法从中受益，而另一些研究则认为所有水平的学习者都可能从中受益（Jiang, 2022）。还有一些研究指出了自动语音识别（ASR）技术面临的硬件和软件限制，这些限制可能影响学生的学习体验（Crescenzi-Lanna, 2020）。尽管存在这些挑战，实证研究表明AI技术有潜力提升EFL学习的多个方面。在词汇学习方面，光学字符识别和图像识别技术（如Google Translate和Android移动学习应用）已被证明有助于词汇发展（Hsu et al., 2023）；在写作技能方面，自动评估和反馈系统（如Grammarly和ChatGPT）能有效提高写作效率并减少焦虑（Wang et al., 2022; Yan, 2023）；在口语技能方面，AI驱动的工具（如Mondly和语音助手）与提高沟通意愿和减少公开演讲焦虑相关（Chen, Koong, & Liao, 2022; Rahman & Tomy, 2023; Yuan, 2023）。这些发现强调了AI技术在EFL学习多个维度上的变革潜力。

为了为本综述建立清晰的概念基础，有必要区分三个相互关联但不同的概念。AI技术指的是支持智能行为的底层计算技术和算法，如机器学习、自然语言处理（NLP）、自动语音识别（ASR）和计算机视觉。相比之下，基于AI的工具则是利用这些底层技术来执行特定功能的实际应用和软件系统，例如写作助手（如Grammarly）、发音训练器或智能辅导系统。在这一类别中，AI聊天机器人是一个独特的子集：它们是利用生成式大型语言模型或高级NLP来实现动态、上下文依赖的对话的对话代理。本综述特意排除了基于规则的聊天机器人，因为它们缺乏当前教育领域AI创新所依赖的适应性和生成能力。

更关键的是，这一领域的实证研究仍然分散在不同的技术、学习群体和方法论上，阻碍了对AI在EFL学习中作用的一致理解。为了解决这些空白并提供对该领域的全面、结构化的综合分析，本系统回顾遵循以下研究问题：与以往仅关注单一技术或特定学习群体的系统回顾不同，本研究采用了一个双层分析框架，区分基础AI技术和应用型基于AI的工具，综合了涵盖所有语言技能的研究结果，并通过多种理论视角进行解释。每个问题旨在映射当前研究格局的特定维度，并直接回应碎片化和不一致性问题。首先，为了量化并描述文献情况，RQ1考察了出版趋势、参与者人口统计特征和方法论方法。这种映射对于识别哪些学习群体和研究设计被优先考虑或忽视至关重要，从而解决对该领域范围理解上的空白：2019年至2024年间关于影响EFL学习者的AI技术的研究中，出版趋势是什么、参与者的教育水平如何以及研究方法是什么？其次，为了识别和分类EFL研究中使用的主要AI技术，RQ2通过建立明确的“AI技术”分类法并确定其使用频率，直接解决了不同工具和系统之间的碎片化问题：哪些是最常用的EFL学习AI技术？最后，为了超越单纯的技术描述，RQ3旨在综合这些技术的报告结果和效果，从而直接回应对AI对EFL学习效果更清晰理解的迫切需求：关于AI技术和基于AI的工具在EFL学习中的效果是什么？

**2. 文献综述**
**2.1. 以往的系统回顾和研究空白**
多项系统回顾总结了这一新兴领域的具体方面，提供了关于AI在EFL学习中应用和效果的基础见解。Sharadgah和Sa’di（2022）对2015年至2021年间AI在英语教学和学习中的应用进行了系统回顾，主要关注AI工具在各种语言技能上的整体效果。他们的研究结果表明，AI在EFL学习中具有广阔的未来前景，在多种语言技能、翻译、评估和学习者态度方面都取得了积极效果。重要的是，他们的回顾指出高等教育参与者是最常被抽样的群体，混合方法是常用的研究设计。然而，该回顾仅涵盖了2021年之前的文献，尚未涵盖ChatGPT等生成式AI技术的广泛应用。Zhai和Wibowo（2023）专门研究了AI对话系统在大学环境中提升EFL学生互动能力的作用，确定了六个维度和25个子维度。他们的回顾强调了对话系统促进互动练习的潜力，但指出系统设计中常常忽略了辩论和解决问题技能的组成部分。最近，Kundu和Bej（2025）探讨了AI对EFL教学的变革，综合了实证研究以确定学校环境中的总体趋势和教学意义。他们的回顾涵盖了2020年至2024年的文献，专注于小学和中学教育环境。Aliakbari等人（2025）通过控制实验设计专门研究了用于英语对话练习的AI驱动聊天机器人，提供了关于聊天机器人介导的学习与同伴学习之间效果的实证证据。

尽管有这些有价值的贡献，现有回顾文献中仍存在三个关键空白。首先，文献在不同技术和学习群体之间仍然分散。Sharadgah和Sa’di涵盖了广泛的AI应用，但没有区分不同类型的AI；后续的回顾则分别关注单一技术或教育层次（如大学中的对话系统、学校中的EFL或聊天机器人）。没有一项回顾整合了所有AI应用和学习群体的研究成果。其次，现有回顾没有系统地区分基础AI技术（如机器学习、NLP、ASR）和应用型基于AI的工具（如聊天机器人、自动写作评估系统）。Sharadgah和Sa’di列出了各种AI方法，但没有建立层次分类；Kundu和Bej也将NLP、聊天机器人和智能辅导系统视为平行类别。这种概念上的模糊性阻碍了对AI在EFL学习中作用的一致理解。第三，以往的综述大多是描述性的，仅记录了语言技能上的积极效果，而没有提供理论上的解释。虽然这些回顾有效证明了AI工具可以提升各种语言技能，但它们没有系统地解释为什么某些技术对特定技能更有效，或者AI工具如何与已建立的第二语言习得过程相互作用。例如，Sharadgah和Sa’di报告了多方面的积极效果，但没有通过理论视角进行解释。第四，除了这些概念和方法论上的空白外，关于AI效果的经验证据仍然分散。虽然一些研究表明自动反馈对写作质量有积极影响（Stevenson & Phakiti, 2019），以及基于AI的工具对批判性思维的改进（Ibna Seraj & Oteir, 2022），但缺乏关于这些技术对写作成绩长期影响的整体证据。同样，认知过载和ASR技术在支持口语技能方面的局限性等问题也尚未得到充分研究（De Vries et al., 2015; Liu & Li, 2022; Young & Wang, 2014）。这些不一致性进一步强调了进行全面综合的必要性（Sun & Rui, 2025; Zhang & Huang, 2024）。

**2.2. EFL学习中的AI技术和基于AI的工具：双层分类法**
AI在EFL学习中的应用基于一个基本区分：AI技术（即底层计算技术和算法）和基于AI的工具（即将这些技术用于语言学习目的的实际应用）。这种双层分类法直接回应了RQ2，为分类和比较回顾文献中报道的技术和工具提供了结构化框架。在技术层面，四种核心AI技术主导了EFL研究领域。NLP使机器能够理解、解释和生成人类语言，这对于自动写作评估、聊天机器人对话系统和词汇推荐引擎至关重要（Jiang, 2022; Lew et al., 2024）。ASR将口语转换为文本，便于发音评估、流利度分析和互动口语练习。基于深度学习的ASR系统在提供实时音素级反馈方面表现出特别有效性，尽管在非母语口音和嘈杂环境中仍存在挑战（Crescenzi-Lanna, 2020; Jiang et al., 2023）。计算机视觉技术允许学习者捕获视觉数据并接收语言输出，已被有效用于词汇学习和情境化写作支持，尤其是对年轻学习者而言（Hsu et al., 2023）。深度学习架构，包括神经网络（NN）、循环神经网络（RNN）和卷积神经网络（CNN），是这些技术的基础支撑，使得复杂的模式识别成为可能，而这正是当代基于AI的工具的核心功能（Gao, 2021; Liu, 2023）。在工具层面，基于AI的应用将这些计算能力转化为实际的学习资源。根据现有文献，可以归纳出六大功能类别。由AI驱动的聊天机器人（例如ChatGPT、定制的对话代理）是最常被研究的工具类别。这类机器人不同于基于规则的聊天机器人，它们使用生成式大语言模型或先进的人工智能语言处理（NLP）技术，能够实现动态的、依赖上下文的对话，并同时支持多种语言技能，提供口语流利度的练习、写作反馈以及按需的词汇解释（Chen, Hsu等人，2022; Kim等人，2021; Yuan, 2023）。本综述特意排除了基于规则的聊天机器人，因为它们缺乏当前教育领域AI创新所必需的适应性和生成能力。自动评估与反馈系统（例如Grammarly、自动写作评估平台）通过指出学习者书面输出中的具体错误，提供即时、有针对性的反馈，涉及语法、词汇、组织和内容方面（Dizon & Gayed, 2021; Wang等人，2022）。智能辅导系统提供结构化、符合课程要求的教学，并带有适应性反馈，通常针对特定的学习目标设计，如阅读理解或词汇习得，常常结合学习者模型来实现个性化教学（Ni & Cheung, 2023; Xu等人，2022, 2024）。语音和图像识别系统利用自动语音识别（ASR）和计算机视觉技术来支持发音训练和词汇习得，提供实时、多模式的反馈，特别适合年轻学习者和自主学习者（Chen, Koong, & Liao, 2022; Hsu等人，2023）。计算机辅助学习和教学技术涵盖了更广泛的平台，不仅提供针对性的反馈，还结合多种AI技术创建综合学习环境（Ouyang等人，2024; Zhou, 2023）。翻译应用（例如Google Translate）通过提供即时的语言转换服务来支持理解和表达，尽管仍存在对过度依赖和准确性的担忧（Kim & Cha, 2023; Ouyang等人，2024）。AI聊天机器人的主导地位反映了该领域对交互式、以输出为导向的学习环境的重视。这种模式，以及其他技术和工具的分布，为第2.3节中的理论解释提供了实证基础，在那里应用了适应性学习理论、输出假设和社会文化理论来解释这些观察到的现象。

2.3. AI中介语言学习的理论框架
本节介绍了五个理论视角，这些理论共同构成了本综述的分析框架。这些理论作为概念工具，用于组织、解释和批判性地审视所审查文献中的模式。这些理论探讨了三个相互关联的问题：AI如何个性化教学，如何促进语言处理，以及如何影响学习者的动机和社会互动。这五个框架对应于三个研究问题：适应性学习理论主要解决RQ2（技术和工具）；输出假设和注意假设指导RQ3（学习成果）；社会文化理论框架RQ1（参与者的人口统计特征）；自我决定理论则解释RQ3中的情感结果，并同时指出研究空白。
适应性学习理论强调根据个体学习者需求定制的学习体验（Herlo, 2012）。这一框架与AI技术的能力相匹配，AI技术能够提供即时反馈，并根据每个学习者的独特要求调整学习资源（Rane等人，2023）。在本综述的背景下，适应性学习理论为解释RQ2中考察的AI技术和工具部署模式提供了视角。该理论表明，该领域对适应性、个性化教学的重视推动了能够实现实时个性化的技术的发展和采用。
在适应性学习理论的基础上，两个互补的第二语言习得理论解释了AI工具如何促进语言习得。输出假设（Swain & Lapkin, 1995）认为，语言产出，特别是“推动性产出”，对于发展流利度和准确性至关重要，因为它迫使学习者从语法层面而非仅仅从语义层面处理语言。AI聊天机器人特别适合促进这一过程，因为它们要求学习者产生输出、接收反馈并实时修改他们的回答。与此相辅的是，注意假设（Schmidt, 1990）指出，学习者必须有意识地注意到自己的中介语中的不足才能实现进步。基于AI的反馈系统可以通过提供即时、有针对性的反馈来触发这一注意过程，这种能力使AI区别于延迟或不一致的人类反馈。这两个理论共同指导了对RQ3研究结果的解读，特别是它们表明，支持产出生成和错误注意的AI工具对于发展口语和写作技能最为有效。
除了认知处理之外，还有两个理论探讨了AI中介学习的社会和情感维度。社会文化理论（Vygotsky，引自Hausfather, 1996）强调学习是通过社会互动在最近发展区（Zone of Proximal Development）中发生的。在AI中介的环境中，AI工具可以被视为潜在的“模拟对话者”或“人工支架”，在学习者的最近发展区内提供支持。然而，与人类对话者不同，AI工具缺乏真正的意图性和共享的文化背景，因此最好将它们视为补充性支架，而不是人类互动的替代品。这一框架为解释RQ1的发现提供了依据，特别是文献中观察到的人口统计模式。该理论提出了一个关键问题：为成人自主学习者设计的AI工具是否适合语言习得更多依赖于具体、游戏化和社会互动的年轻人群体。
自我决定理论（Ryan & Deci, 2000）提供了一个动机框架，用于理解支持最佳学习的心理条件。该理论确定了三个基本心理需求：自主性、能力和关联性，这些需求必须得到满足才能激发内在动机。AI工具有潜力支持所有这三个需求，但该理论也提出了一个担忧，即过度依赖AI生成的反馈可能会随着时间的推移削弱学习者的自主性。这一框架为解释RQ3中报告的情感结果提供了依据。具体来说，它表明AI工具可能通过提供对学习进度的控制（自主性）、提供以掌握为导向的反馈（能力）以及模拟互动对话（关联性）来支持学习者的内在动机。然而，该理论也提出了一个尚未被主要横断面研究解决的关键问题：过度依赖AI生成的反馈是否可能随着时间的推移削弱而非增强学习者的自主性。

总之，这五个理论框架具有不同的分析功能。适应性学习理论解释了RQ2中考察的技术和工具部署模式。输出假设和注意假设解释了RQ3中不同语言技能学习成果的分布。社会文化理论阐明了RQ1中观察到的人口统计模式，并提出了关于发展适宜性的担忧。自我决定理论指导了对情感结果的解释，特别是关于AI工具如何满足或削弱学习者的基本心理需求（自主性、能力和关联性）。通过将这些理论视角作为后续分析的基石，本综述超越了以往系统综述的描述性目录功能（见第2.1节），提供了对当前领域状况的理论驱动解释。

3. 方法
在这项研究中，采用了系统评价和元分析的首选报告项目（PRISMA）流程来确保文献的质量和相关性。PRISMA包含一个检查表和图表，如图1所示。这项系统综述通过选择、识别和分析现有信息来界定探索性研究问题（Colquhoun等人，2014）。本研究旨在通过选定的相关文章来了解AI技术对EFL学习的影响。本研究采用三个步骤进行系统评价和分析：（i）文章选择；（ii）文章筛选和纳入；（iii）数据编码、提取和分析。使用这三个步骤，收集相关文章，然后概述本综述当前的研究重点。最后，在通过对样本进行内容分析后呈现研究结果。
下载：下载高分辨率图像（418KB）
下载：下载全尺寸图像
图1. PRISMA流程图。

3.1. 文章选择
本综述的第一阶段是根据纳入和排除标准选择文章以识别和检索文献。收集目标文章的标准如下：（a）以全文形式用英语发表；（b）与“AI”或“人工智能”或“AI技术”或“智能支持”的应用相关，并与“效果”或“有效性”相关；（c）与“语言学习”或“英语”或“第二语言”或“外语”或“ESL”或“EFL”相关；（d）发表在Scopus索引的同行评审期刊上；（e）提供实证数据；（f）发表时间在2019年1月至2024年12月之间。搜索词的选择基于研究问题，并需要在敏感性（检索所有相关文章）和特异性（排除不相关文章）之间取得平衡。为搜索策略确定的核心概念直接对应于本综述的关键词：人工智能（及其变体，如AI）以涵盖技术领域；基于AI的工具以聚焦应用系统和软件实现；EFL学习（及相关术语，如英语作为外语）以指定教育背景和学习者群体；以及系统评价作为搜索过程中的方法学过滤器（如适用）。这种组合确保了全面而针对性地检索到与AI技术和工具在EFL环境中效果相关的文献。
当文章（a）使用非英语语言撰写；（b）未专注于“AI”或“人工智能”或“AI技术”的应用；（c）未将重点放在英语作为EFL学习上而是其他外语学习上；（d）发表在同行评审的会议论文集、书评、编辑材料、章节和评论中；（e）不是实证研究且方法论信息很少或没有；（f）发表时间在2019年之前或2024年之后时，将被排除在外。在此过程中，根据Firmstone（2019）的观点，只有方法论设计良好的实证研究才会被纳入考虑。同样，由于缺乏方法论严谨性，编辑评论和意见文章也被排除在综述之外。纳入和排除标准列在表1中。
表1. 纳入和排除标准
纳入标准：
- 文章必须以全文形式用英语发表。
- 文章必须与“AI”或“人工智能”或“AI技术”或“智能支持”的应用相关，并与“效果”或“有效性”相关。
- 文章必须与“语言学习”或“英语”或“第二语言”或“外语”或“ESL”或“EFL”相关。
- 文章必须专注于英语作为EFL学习，而不是其他外语学习。
- 文章必须发表在Scopus索引的同行评审期刊上。
- 文章必须包含实证数据。
- 文章必须是实证研究，或者方法论信息很少。
- 文章的发表时间必须在2019年1月至2024年12月之间。

Scopus被选为数据来源，因为它是一个公认的全球领先数据库，涵盖了来自5000多家出版商的摘要索引，使其成为学术研究的基础。选择Scopus有两个主要原因：首先，其广泛的多学科范围充分涵盖了与我们研究问题相关的人工智能、教育技术和应用语言学交叉领域；其次，使用单一的综合性数据库提高了搜索过程的一致性和可重复性（Pizzi等人，2020）。虽然我们认识到仅使用Scopus可能存在局限性，因为它可能无法涵盖Web of Science（WoS）等其他数据库中的所有相关研究，但其广泛性和与研究主题的相关性足以实现研究目标。这一决定进一步基于对Scopus和WoS在引用覆盖范围上存在显著重叠的认可，据报道在社会科学领域这一重叠率为88%，并且在大多数学科领域中普遍具有高重叠性，特别是在STEM和社会科学领域（Martín-Martín等人，2021年），因此Scopus成为当前综述的一个具有代表性和效率的资源。随后指定了2019年至2024年的时间范围，并在应用了纳入和排除标准后，共找到了4047个结果，其中包括708篇潜在的相关文章，如图1所示。显然，人工智能技术已经成为一个高度发达且研究成果丰富的研究领域，并且近年来随着大量学术著作的发表而日益被公认为一种创新的教学工具，尤其是在疫情之后。此外，2019年生成式人工智能达到了一个重要的里程碑。深度学习和神经网络架构的进步，特别是GPT模型的显著发展，扩展了人工智能在语言理解和生成方面的能力。这些进步使得人工智能能够应用于更复杂的语境中，如改进的语言翻译、内容创作，甚至自动编码解决方案，进一步巩固了生成式人工智能作为人工智能领域创新关键驱动力的地位。因此，我们将研究范围缩小到2019年以后的研究。同时，考虑到技术的快速发展和变革性，本研究旨在揭示用于英语作为外语（EFL）学习的人工智能技术和基于人工智能的工具。为了确保研究的相关性并降低遇到过时数字工具或技术方面的风险，我们特意将本综述的重点放在了最新的文献上，以反映这些发展和创新。尽管如此，本综述仍然细致地纳入了大量有力的研究，这些研究不仅证实了我们的发现，还为解决研究问题提供了见解。

3.2. 文章筛选与纳入
本综述的第二阶段是文章筛选和纳入程序，以找到用于主要分析的文章。如2.1节所述，初步的数据库搜索产生了4,047条记录。在应用了纳入和排除标准（表1）后，有3,339条记录被排除。排除的主要原因是这些文章并非专注于人工智能在EFL学习中的应用，属于不符合条件的出版类型（例如会议论文、书籍章节、评论），或者没有以英语作为目标外语。因此，剩下708篇文章进行了全文审查。在这次详细的审查过程中，通过阅读标题、摘要和关键词，又排除了502篇文章，这些文章与人工智能技术和基于人工智能的EFL学习工具相关，因此最终共有103篇文章被保留下来，详见附录。

3.3. 编码与分析
在第三阶段，设置了编码类别，以通过演绎和归纳方法（Scott & Howell, 2008）来回答三个研究问题，并将其纳入编码方案中，以强调人工智能技术对EFL学习的影响。这个编码过程是在Microsoft Word和Microsoft Excel中完成的。作者们严格按照Vollstedt和Rezat（2019）提出的三步编码法进行编码，该方法基于扎根理论，确保了对转录本的彻底分析，以识别人工智能技术和基于人工智能的工具及其对EFL学习者的影响。这个结构化的过程首先进行了开放编码，即对数据进行初步分类，随后进行了轴心编码和选择性编码，以进一步完善分析，详见附录。

为了突出这三个研究问题，基本参数如支持研究、参与者的教育水平、研究方法、人工智能技术、基于人工智能的工具以及效果描述被作为编码来源，用于进一步分析这103篇选定的文章。作者们手动对文章进行了编码，首先根据基本参数对16篇文章进行了编码。然后讨论了编码方法和参数，以确保一致性，之后再独立对剩余的文章进行编码。为了确保编码的可靠性，进行了正式的编码者间一致性检查。两位作者独立地对16篇文章（约占总样本的20%）进行了编码，并比较了他们的结果。编码者间的一致性很高，表明了强烈的共识。任何差异都通过深入讨论得到了解决，直到达成完全一致。这一过程有助于完善编码方案，并确保对类别的共同理解。在此校准之后，作者们根据既定的方案独立对剩余的文章进行了编码。由于编码表按照人工智能技术为EFL学习者提升的技能和其他能力进行了排序，有些文章可能属于多个类别。因此采用了开放编码格式，并根据效果描述的总结主要结果提取了研究信息。

附录中显示的每个类别的编码如下：
1. 参与者的教育水平：这些代码关注研究中参与者的教育水平，分为小学、中学、高等教育、跨层次教育以及其他未指定的教育水平。
2. 研究方法：这些代码强调了研究策略对EFL学习者的重要性，分为定量方法、定性方法和混合方法。
3. 人工智能技术和基于人工智能的工具：这些代码涉及用于EFL学习的不同技术组件和基于人工智能的工具。
4. 效果描述：这些代码突出了人工智能技术和基于人工智能的工具为EFL学习者实现的具体成果。

4. 结果
4.1. 2019年至2024年间，关于影响EFL学习者的人工智能技术的研究的出版趋势、参与者的教育水平以及研究方法是什么？（RQ1）
图2显示了从2019年1月到2024年12月，本综述中包含的文章数量持续增加。
图3显示了被审查文章中参与者的教育水平。高等教育占最高比例（75%，共77篇文章），其次是小学教育（8篇文章）、其他未指定教育水平（8篇文章）、中学教育（7篇文章）和跨层次教育（2篇文章）。研究对象主要是高等教育阶段的EFL学习者，而小学、中学学生以及学龄前儿童的相关研究较少。

4.2. 用于EFL学习的最常见的人工智能技术是什么？（RQ2）
表2展示了本综述中采用的人工智能算法和模型的分布。深度学习（51%）是最受欢迎的，其次是机器学习（8%）、算法驱动的模型（38%）和Spectrum算法（3%）。

4.3. 人工智能技术对EFL学习产生的影响是什么？（RQ3）
表4展示了人工智能技术为EFL学习者产生的技能和能力的分布。在103篇文章中，绝大多数研究结果都是积极的。关于提升EFL学习者综合技能（25篇文章）、写作技能（20篇文章）的研究占近44%，其次是提升口语技能（18篇文章，17%）、认知能力（5篇文章，5%）、愿意参与EFL学习的意愿（11篇文章，11%）、输入和理解能力（6篇文章，6%）、词汇获取能力（8篇文章，8%）、减少与语言相关的焦虑（6篇文章，6%）以及提升翻译技能（3篇文章，3%）。

5. 讨论
5.1. 2019年至2024年间，关于影响EFL学习者的人工智能技术的研究的出版趋势、参与者的教育水平以及研究方法是什么？（RQ1）
RQ1的发现揭示了一个集中但快速发展的研究格局，其特征是显著的人口统计和方法论模式，需要理论上的解释。从2019年到2024年，出版物数量的稳步增加与生成式人工智能（如GPT模型）的快速进步以及COVID-19疫情期间在线学习工具的广泛采用相吻合。这表明文献中越来越认可人工智能在EFL研究中的潜在应用。研究主要集中在高等教育阶段，反映出在K-12或幼儿教育阶段使用人工智能的文献相对较少。系统综述显示，所有研究中有75%集中在高等教育阶段的EFL学习者上，而小学、中学和学龄前儿童的相关研究明显不足。这与之前的系统综述（Sharadgah & Sa’di, 2022）的发现一致，但也将这一现象与更重大的理论脱节联系起来。在短短六年内识别出103篇相关研究，表明了人工智能在EFL研究领域的蓬勃发展的趋势；然而，这也表明了这一文献领域的初步性质，包括本文讨论的人口统计和方法论集中现象。成人学习者研究的主导地位并非偶然，而是当前人工智能技术与成人教育哲学（Knowles, 1984）之间的内在联系。诸如自动写作评估器之类的技术基于能够自主处理抽象文本任务并利用反馈的自我导向学习者。此外，从社会文化理论的角度来看（Vygotsky，引自Hausfather, 1996），这些系统能够在成人学习者的最近发展区内有效运作，支持他们处理复杂、自我发起的任务。然而，这种一致性也导致了与年轻学习者所需的教学范式之间的根本性差异。建构主义理论，如皮亚杰（Piaget，1970）所倡导的，认为知识，特别是语言，是通过与环境的具体互动、感官体验和游戏活动构建起来的。我们领域中最广泛接受的研究范式侧重于基于文本和对话的工具，以满足自主学习者的需求，但这些工具并未涉及这种至关重要的参与形式。虽然社会文化理论确实将学习视为一个社会中介的过程，但针对年轻学习者的这类人工智能工具往往更像是一种提供交易性答案的辅助工具（例如图像识别翻译器），而无法成为能够提供儿童在其发展区内所需细致渐进式互动的协作学习伙伴。因此，对年轻学习者缺乏相关研究表明了理论与实践之间的差距，这不仅仅是因为缺乏此类应用，而是因为缺乏从当前对儿童发展心理学和幼儿语言习得的社会经验本质出发设计的人工智能系统。有限的研究集中在使用人工智能聊天机器人或翻译应用程序来提高学习参与度和词汇量（Hsu等人，2023；Jeon，2023；Lew等人，2024），这些研究通常采用较为简单、更具指导性的工具——这种实际选择无意中凸显了在发展适宜性方面人工智能系统的不足。

在研究方法上，定量研究占主导地位（62%），其次是混合方法（32%）和定性设计（6%）。定量设计能够有效量化具体结果，如考试成绩的提升，但可能无法充分揭示学习过程。这种局限性是一个理论上的问题。从解释主义的角度来看，学习是一个意义构建的过程。尽管主流的定量范式在建立客观相关性方面很有效，但它们可能无法充分说明学习者如何理解人工智能反馈，或者这些技术如何影响自主性、能力感和关联性等自我决定理论（Ryan & Deci，2000）中的核心概念。因此，定性研究和混合方法研究对于探究这些实际体验并提供对主流研究中量化结果的因果解释至关重要。尽管从2019年到2024年相关出版物数量稳步增加，表明了研究兴趣的增长，但研究结果表明，该领域的发展方向依赖于扩大其方法论范围。具体来说，需要更多的定性和纵向研究来补充主流的定量范式。只有通过这种多样化的方法，才能超越短期效果的问题，并从理论和教学角度深入理解人工智能在所有学习者群体中的语言教育作用。

5.2. 最常用的EFL学习人工智能技术和基于人工智能的工具（RQ2）
本综述中对人工智能技术和工具的分类分析（见第4.2节及表2和表3）显示，在当代EFL研究中存在特定的技术集中现象。特别是深度学习占据了所有核心技术的51%，而人工智能聊天机器人则占所有分析工具的56%。这些特定技术的优势并非偶然，而是与当前人工智能技术的能力以及支持第二语言习得的理论范式高度契合。首先，基于生成式人工智能技术或更先进自然语言处理（NLP）模型的聊天机器人的普遍性，凸显了研究对以产出为导向的互动学习环境的关注。大量研究（共44篇论文）表明，这些技术能够显著促进学习者的口语流利度发展，以及他们的交流意愿和写作效率（例如Chen, Hsu等人，2022；Kim等人，2021；Yuan, 2023）。从理论角度来看，这一实证发现支持了社会文化理论和产出假设的预测。这些聊天机器人可以被视为“模拟对话者”或“支架”，为学习者提供了产生输出和协商意义的关键机会，这对语言使用的自动化发展至关重要（Swain & Lapkin，1995）。其次，深度学习作为核心使能技术，为这些应用的复杂性提供了解释基础，进而支持了适应性学习的长期教学理念。本综述表明，基于深度学习的技术包括NLP、自动语音识别（ASR）、图像识别等，涵盖了广泛的学习工具，从Grammarly（Dizon & Gayed，2021；He，2024；Liu等人，2023；Sanosi，2022；Taskiran & Goksel，2022；Wang等人，2022）等智能写作辅助工具，到Jiang等人（2023）和Wang, D.（2024）描述的口语能力评估工具，以及Yu（2023）描述的个性化词汇学习辅助工具等。这些学习工具具有分析复杂语言模式的能力，这实质上支持了适应性学习理论的观点，即学习设计必须能够适应个人的学习路径、需求和成就水平（Rachmad，2022）。例如，一些研究中使用的基于深度学习的“英语智能辅导教学模型”在提高学习者的综合成就方面取得了成功（Gao，2021；Liu，2023；Luo，2024；Zhao，2022）。

通过提供详细的核心人工智能技术和应用工具的分类体系，并明确将人工智能聊天机器人定义为一种特定形式的生成式人工智能，本综述为该领域的现有系统评价做出了贡献并进行了澄清。例如，尽管Oluwafemi Ayotunde等人（2023）指出人工智能对学习管理系统有总体积极影响，但本综述指出近期研究的重点在于基于深度学习的工具，尤其是先进的聊天机器人和个性化评估工具，这是这些发现背后的驱动力，表明该领域有显著进展。然而，由于理论与技术之间的这种一致性，研究和发展状态存在明显不平衡，如表4所示，写作研究（20项）和口语研究（18项）远多于听力理解和阅读理解研究（仅7项）。从全面的第二语言习得理论角度来看，这种偏好是显著的，因为为产出技能开发的工具和技术显然符合产出假设，而Krashen（1989）的输入假设强调可理解输入作为语言习得的关键因素，但当前领域的发展趋势明显偏向于开发能够提供语言产出支持的先进人工智能工具和技术，而开发能够支持语言理解的高级人工智能工具和技术（如深度听力理解和解释性阅读）的研究相对较少（参见Xu等人，2022，2024；Malakul & Park，2023）。

上述发现的教育意义有两个方面。首先，像人工智能聊天机器人和自动写作评估（AWE）工具这样的工具的有效性可以为教育者提供帮助，促进流利度和准确性的教学。其次，过度依赖最常用的人工智能工具也可能带来负面教育影响，因为这可能导致教学方法偏向于产出技能的培养，而忽视了确保接受性技能得到充分关注的必要性，可能需要采用非人工智能干预措施或未来的人工智能工具来辅助听力理解和阅读技能的教学。

因此，本综述试图为未来的研究和发展制定具体指导原则。这些发展不应仅限于开发更受欢迎的单一工具，而应致力于设计智能学习环境，将深度学习技术综合应用于语言学习的各个方面，从智能输入调整和学习路径规划到互动输出和多维度反馈。具体而言，需要开发更多能够帮助提升听力和阅读技能的人工智能工具，使其达到与写作和口语相同的技术水平。此外，还需要进行更多的比较性纵向研究，以评估这种新型集成学习系统与传统学习及以产出为导向的学习工具的有效性。

5.3. EFL学习中人工智能技术的研究成果（RQ3）
鉴于RQ2中确定的主导技术，RQ3的学习成果分析显示了一个积极的研究环境。然而，对这些研究成果的理论综合表明了丰富的教学潜力，并明确了未来研究的必要方向。显示综合技能、写作和口语能力提升的研究占多数（见表4），这进一步证实并扩展了现有研究发现。例如，Oluwafemi Ayotunde等人（2023）发现人工智能在学习管理系统环境中对语言学习有积极影响，而这项研究汇总了多种技术的结果，明确表明基于人工智能的工具，特别是高级聊天机器人和个性化评估工具，是推动这些成果的关键因素，表明该领域有显著进展。这些发现的汇聚为关键第二语言习得理论的实施提供了更坚实的实证基础。这些工具在提升写作和口语能力方面的有效性可以在产出假设（Swain & Lapkin，1995）和注意假设（Schmidt，1990）的框架内得到解释，这些工具提供了结构化的环境，促进了“推动性输出”，并引导学习者关注特定的语言形式，从而促进中介语言的发展。同样，学习和口语焦虑的减少也与Krashen（1989）的情感过滤假设一致，因为低焦虑环境可能更有利于语言学习。然而，这种一致性伴随着显著的缺乏负面影响的趋势，表明需要一种更为细致和批判性的方法，这种方法应基于教学和动机理论。写作和口语研究（38项）与听力理解和阅读理解研究（7项）之间的显著差异表明，当前研究偏向于技术和理论方面。这种偏向表明，目前的人工智能应用主要集中在评估和支撑语言产出上，这反映了现有自然语言和语音处理技术的影响。相比之下，对听力理解和阅读理解的支持相对不足，尤其是考虑到全面的语言能力发展观点，正如Krashen（1989）强调的可理解输入的重要性。因此，这种明显偏向不仅仅是研究优先级的结果，也是一个重要的教学差距，因为该领域尚未开发出能够支持听力理解和解释的高级人工智能工具。此外，关于短期效果的研究结果普遍积极，这促使我们考虑这些工具对学习者长期发展和自主性的影响，特别是在自我决定理论（Ryan & Deci，2000）的框架下。虽然像AWE系统和聊天机器人这样的工具可能在短期内对学习者的动机和自我效能产生积极影响（参见Grammarly（Dizon & Gayed，2021）和ChatGPT（Yuan，2023）的研究），但关于它们对学习者内在需求满足感（如自主性、能力和关联性）的长期影响知之甚少。关于过度依赖这些工具是否实际上会阻碍自我调节和自我编辑学习策略的发展，仍有许多重要问题尚未得到解答。此外，关于语用能力和社会语言能力，必须承认学习者从与这些工具的互动中内化那些在语用上不自然或在语境上不合适的语言形式的潜力是一个严重的问题，而现有的研究并没有设计来探讨这一点。这一理论上的担忧突显了现有文献中的一个主要方法论局限，即短期研究和定量研究占主导地位，同时也强调了进行纵向研究和混合方法研究的迫切需求。因此，尽管RQ3提供了强有力的证据，证明人工智能在提高关键产出技能和情感状态方面的有效性，但上述理论驱动的讨论揭示了研究中的关键盲点，并指出了在未来开发人工智能时必须考虑的关键领域。从教学法的角度来看，使用人工智能时必须采取细致和批判性的方法。虽然人工智能系统必须以一种与整体和全面的课程相一致的方式使用，以同样支持接受技能和产出技能，或许可以通过开发提供互动式听力和阅读支持的人工智能系统来实现这一点。教育者还应该努力创建一个框架，鼓励学习者将人工智能作为与人类伙伴进行元认知反思和讨论的刺激，而不是培养依赖性。对于研究人员来说，优先事项应包括开发能够提供复杂、适应性强的听力和阅读理解支持的人工智能技术，设计和实施纵向研究来考察人工智能工具使用对动机、自主性和语用能力的持续影响，并采用更丰富的定性方法来理解学习者在人工智能中介环境中的实际体验。通过超越仅仅记录积极效果的做法，深入探讨教学法理论和学习者发展，该领域可以确保人工智能的整合真正丰富并平衡语言习得的复杂过程。

6. 结论与建议

这项系统综述梳理了2019年至2024年间关于EFL学习中人工智能技术和基于人工智能的工具的研究现状，涵盖了出版趋势、参与者人口统计特征、主流技术以及报告的学习成果。除了记录这些趋势外，该综述还通过关键的教学法和第二语言习得理论对这些发现进行了解读，揭示了一个既充满潜力又存在严重不平衡的领域。主要结论如下：首先，出版物数量稳步增加，但研究对象主要集中在高等教育阶段的学习者（占审查研究的75%）。这种集中反映了理论上的不一致，因为目前主流的人工智能工具主要是根据成人教育和文本自主性的原则设计的，很大程度上忽视了年轻学习者（K-12和学龄前儿童）的建构主义、社会情感和体验式学习需求。其次，在技术应用方面，深度学习成为基础性的人工智能技术（占51%），主要推动了最常研究的工具类别：基于人工智能的聊天机器人（即使用生成式人工智能或先进自然语言处理模型的聊天机器人）（占工具相关研究的56%）。这些工具在理论上与输出假设和社会文化理论相一致，为互动练习和反馈提供了宝贵的机会。然而，这种关注导致了明显的不平衡，因为研究和开发主要集中在写作和口语（产出技能）上，而忽视了听力和阅读理解（接受技能），这与强调可理解输入的全面语言能力模型原则相悖。第三，综合证据表明，人工智能在提升综合技能、写作和口语方面取得了显著积极成果，同时也减少了学习焦虑。尽管这些发现支持了早期关于有效性的研究，但我们的分析基于自我决定理论和注意假设，提出了关于人工智能对学习者自主性、自我调节能力和语用能力发展的长期影响的关键问题，而这些方面尚未被目前占主导地位的短期定量研究所涵盖。本综述的贡献有三个方面：首先，与以往的描述性综述不同，它通过应用五个明确的理论框架对观察到的模式进行了理论驱动的解读；其次，它通过双层分类法区分了基础性人工智能技术和应用型基于人工智能的工具，引入了一种方法论创新；第三，这种基于理论的方法揭示了该领域中的关键不平衡，例如对产出技能的过度关注、定量方法相对于定性方法的优越性以及对高等教育阶段学习者的优先考虑，并为未来的研究、教学实践和技术发展提出了具体的、基于理论的建议。

这些结论为研究人员、教育者和技术开发者提出了若干有针对性的建议。对于未来的研究，有必要有意扩大研究范围和方法论的严谨性，超越高等教育的便利样本，调查适合不同年龄段的学习者的理论驱动的人工智能应用。此外，为了超越短期效果测量，迫切需要纵向研究和混合方法设计来考察人工智能工具对动机结构（自主性、能力、相关性）、学习者自我调节以及批判性思维和语用能力等高阶技能发展的持续影响。比较研究评估新兴的集成智能学习环境与传统方法和独立工具的有效性也将非常有价值。对于教学法和教学设计而言，平衡和批判性的整合策略至关重要。教育者应利用人工智能聊天机器人和自动写作评估器等工具的已知优势，同时有意识地确保接受技能的发展得到同等关注，可能通过补充的非人工智能或未来的基于人工智能的支架来实现。至关重要的是，不应不加批判地将人工智能工具应用于不同年龄段的学童；针对年轻学习者的应用必须从发展心理学的角度进行设计。教学活动应设计为利用人工智能生成的反馈作为元认知反思和人类对话的起点，从而促进学习者的自主性而非依赖性。对于技术发展而言，当前的不平衡状况指明了明确的方向：迫切需要开发能够提供复杂、适应性强的听力和阅读理解支持的人工智能工具，使其投资水平与目前用于产出技能的投资相匹配。未来的工具应旨在创建集成智能学习环境，全面支持语言习得的过程，从智能输入处理和个人化学习路径到沉浸式互动和多维度评估。

鉴于本综述的局限性，我们建议未来的系统综述扩大搜索范围，包括多个数据库（如Web of Science、ERIC），以减少潜在的出版偏见并涵盖更广泛的文献。最后，随着该领域的成熟，强烈建议对人工智能在语言学习中的潜在副作用、局限性和伦理问题（如对学术诚信、批判性思维和偏见延续的影响）进行专门研究，以便为所有利益相关者提供更全面和客观的理解。

**作者贡献声明**
张雪英：撰写——原始草稿，概念化
唐威廉·科怀：撰写——审阅与编辑，验证，监督，资源提供，调查，形式分析，概念化

**未引用的参考文献**
曹等人，2023年；陈等人，2022年；钟和Btng，2024年；黄等人，2022年；冷和林，2024年；刘等人，2023年；彭和Macwes，2023年；皮亚杰和Duckworth，1970年；Stockwell，2007年；王，2023年；严，2024年；杨和Meinel，2014年。

**利益声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**伦理声明**
本综述未涉及任何人类参与者。本综述遵循PRISMA指南，确保透明度和全面报告，并尊重与研究相关的所有版权和知识产权。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**数据可用性**
本综述的数据可在合理请求下提供给所有感兴趣的方，同时尊重原始研究的隐私和保密协议。