《Acta Psychologica》：Technostress forecasting in EFL classrooms: How digital fatigue and perceived AI ethical concerns shape digital burnout and undermine SDG-4 achievement
编辑推荐：
本研究探讨了数字压力源——技术压力（Technostress）、数字疲劳（Digital Fatigue）和感知的人工智能伦理关切（Perceived AI Ethical Concerns）如何影响英语作为外语（EFL）课堂中的外语学习焦虑（FLLA）、数字
本研究探讨了数字压力源——技术压力（Technostress）、数字疲劳（Digital Fatigue）和感知的人工智能伦理关切（Perceived AI Ethical Concerns）如何影响英语作为外语（EFL）课堂中的外语学习焦虑（FLLA）、数字倦怠（Digital Burnout）和学术表现（Academic Performance），并探讨其对实现可持续发展目标4（SDG-4）优质教育的影响。研究采用横断面设计，从中国545名大学水平EFL学习者（包括国内和国际学生）中收集数据。研究人员使用偏最小二乘结构方程模型（PLS-SEM）检验了一个带有调节效应的串行中介模型。结果表明，技术压力（β = 0.41）、数字疲劳（β = 0.33）和人工智能伦理关切（β = 0.22）显著增加了FLLA，而FLLA完全中介了这些压力源对数字倦怠的影响（间接效应：0.10–0.19）。技术自我效能感（Technology Self-Efficacy）调节了倦怠与学术表现之间的负向关系（β = 0.21），且这种调节效应在国际学生中更为显著。学术表现强有力地预测了SDG-4的实现（β = 0.53）。通过整合控制-价值理论（Control-Value Theory）和工作要求-资源模型（Job Demands-Resources Model），本研究为理解语言学习中的数字压力动态提供了一个稳健的框架。在实践中，研究结果强调了将数字健康培训、面向国际学生的文化适应性入学指导以及学科特定的人工智能伦理指南纳入EFL课程以保障学习者福祉并推进公平、可持续教育的紧迫性。
**论文解读：数字压力源、外语学习焦虑与数字倦怠在EFL课堂中的连锁效应——基于中国高校学习者的实证研究**
**1. 研究背景**
随着数字技术，特别是人工智能（AI）应用在英语作为外语（EFL）教育中的深度融入，学习者的学习体验正发生深刻变革。AI驱动的写作助手、自适应学习平台和智能辅导工具等已成为语言课堂的常规组成部分。然而，技术的广泛采用也带来了新的心理挑战，其中技术相关压力（技术压力）成为高等教育领域的重要关注点。学习者需要同时应对多个数字平台、持续的在线沟通、快速演变的AI工具以及海量的数字信息，这可能导致认知过载、情感耗竭以及对教育技术有效使用的不确定性。在EFL课堂中，成功的语言学习不仅依赖于技术参与，还依赖于持续的沟通、自信和积极参与。然而，现有研究通常将技术压力、数字疲劳、AI相关感知、语言焦虑或学业倦怠作为独立现象进行考察，缺乏对它们在技术支持的EFL教育中如何共存的统一框架分析。此外，尽管数字倦怠日益受到关注，但其与语言特异性焦虑及后续教育成果的关系，特别是在AI技术成为常规教学组成部分的背景下，仍未被充分理解。因此，本研究旨在构建一个整合的理论框架，以系统性地探讨数字压力体验、外语学习焦虑、数字倦怠、技术自我效能感、学业表现及对可持续发展目标4（SDG-4）的感知贡献之间的关联。
**2. 主要关键技术与方法**
本研究采用定量横断面研究设计，从中国四所公立大学（分别位于北京、上海、广州和成都）分层随机抽取了545名大学本科EFL学习者（包括412名国内学生和133名国际学生）作为样本。数据通过匿名在线问卷（Qualtrics平台）收集，所有量表均基于先前验证的工具进行改编，并经过专家评审和预测试。数据分析采用偏最小二乘结构方程模型（PLS-SEM），通过SmartPLS 4软件进行，首先评估测量模型（信度、效度），然后通过自助法（5000次重抽样）检验结构模型中假设的路径、中介效应和调节效应。
**3. 研究结果**
**3.1. 直接效应检验（H1-H7）**
* **H1-H3：数字压力源对外语学习焦虑（FLLA）的影响**。通过路径分析发现，技术压力（β = 0.41, p < 0.001）、数字疲劳（β = 0.33, p < 0.001）和感知的人工智能伦理关切（β = 0.22, p < 0.001）均对FLLA产生显著正向影响。其中，技术压力的影响最强，而AI伦理关切的影响最弱。
* **H4-H7：焦虑、倦怠、自我效能感、学业表现与SDG-4的路径**。FLLA对数字倦怠有显著正向影响（β = 0.47, p < 0.001）。数字倦怠显著负向预测学业表现（β = -0.42, p < 0.001）。技术自我效能感对学业表现有显著正向影响（β = 0.31, p < 0.001）。最后，学业表现显著正向预测了对SDG-4实现的感知贡献（β = 0.53, p < 0.001）。
**3.2. 中介与调节效应检验（H8-H11）**
* **H8：技术自我效能感的调节作用**。研究发现，技术自我效能感显著调节了数字倦怠与学业表现之间的关系（β = 0.21, p < 0.001, f
2 = 0.18），表明高自我效能感能够缓冲（减弱）倦怠对学业表现的负面影响。
* **H9-H11：FLLA的中介作用**。中介效应分析表明，FLLA完全中介了技术压力（间接效应β = 0.19, p < 0.001）、数字疲劳（间接效应β = 0.16, p < 0.001）和AI伦理关切（间接效应β = 0.10, p = 0.001）对数字倦怠的影响。这意味着数字压力源并非直接导致倦怠，而是通过诱发FLLA这一心理机制来产生作用。
**3.3. 多组分析（MGA）**
* 比较国内与国际学生发现，两组学生在部分路径上存在显著差异。国际学生群体中，技术压力→FLLA（Δβ = +0.09）、FLLA→数字倦怠（Δβ = +0.06）以及数字倦怠→学业表现（Δβ = -0.07）的路径系数均显著强于国内学生。更重要的是，技术自我效能感对倦怠-表现关系的缓冲作用在国际学生中更为显著（Δβ = +0.08, p = 0.016）。
**4. 讨论与结论**
本研究通过整合控制-价值理论（CVT）和工作要求-资源模型（JD-R）提供了一个稳健的框架，揭示了数字压力在语言学习中的动态机制。研究结论证实了数字压力源（技术压力、数字疲劳、AI伦理关切）通过引发外语学习焦虑（FLLA）这一中介渠道，间接导致数字倦怠，进而损害学业表现，并最终影响对SDG-4实现的主观感知。研究首次将AI伦理关切作为独立于技术压力和数字疲劳的“价值威胁”纳入考量，拓展了CVT的理论应用。同时，FLLA被验证为连接数字需求与学业倦怠的关键“情感通道”，这是对JD-R模型在教育领域应用的重要细化。此外，技术自我效能感被证实是一种重要的个人资源，能够缓冲倦怠的负面影响，且这种缓冲效应在国际学生中尤为突出，揭示了在资源匮乏的跨文化学习环境中，自我效能感补偿作用的重要性。
**结论部分翻译**：本研究精细地考察了数字压力源——特别是技术压力、数字疲劳以及一个新颖的焦点——感知的人工智能伦理关切——如何塑造外语学习过程及其可持续成果。对545名中国国内及国际EFL学习者的调查揭示了三个主要贡献。第一，本研究识别了语言教育中一条序贯的数字压力-倦怠路径，其中FLLA是将技术需求转化为学业疏离的关键中介。第二，本研究确立了技术自我效能感作为一种至关重要的保护性资源，能够缓冲倦怠对表现的影响，这一调节效应在国际学生中尤为显著。第三，本研究通过将学业表现与对SDG-4实现的感知进行经验性关联，独特地将个体学习成果与全球可持续发展议程连接起来。本研究的理论贡献在于其整合性框架，该框架通过将AI伦理定位为对学习者价值评价的关键威胁，成功地将控制-价值理论（CVT）适应于数字时代。它还通过验证FLLA作为一种独特的教育需求以及自我效能感作为学术环境中的关键个人资源，扩展了工作要求-资源模型（JD-R），为预测专业化、高风险学习环境中的数字压力提供了一个更精确的模型。
