人类-人工智能交互中的情感路径：中国KFL学习者在AI中介的非正式数字学习韩语中的沟通意愿形成

《Frontiers in Psychology》：Affective pathways in human–AI interaction: the formation of willingness to communicate among Chinese KFL learners in AI-mediated informal digital learning of Korean

　　

本研究从情感视角考察了在人工智能中介的非正式数字学习韩语（AI-IDLK）背景下，中国韩语作为外语（KFL）学习者的沟通意愿（WTC）。研究人员超越了L2自信心和焦虑作为平行情感预测因子的假设，提出这些变量在人类-人工智能交互背景下以不同方式与WTC相关。采用解释性顺序混合方法设计，研究人员从205名中国KFL学习者中收集了调查数据，并使用SPSS 27.0和PROCESS Macro进行分析，包括描述性统计、探索性因子分析、信度检验、皮尔逊相关分析、层次多元回归和中介分析。通过NVivo支持的反思性主题分析，检验了9名参与者的访谈数据。量化结果显示，AI-IDLK与WTC正相关，其中自信心表现出唯一显著的间接关联，而焦虑未表现出显著的间接效应。质性发现进一步解释了这些结果，表明自信心与心理安全性、重复性产出练习、个性化自适应学习、可持续可及性以及话语主体性和参与相关，而焦虑则与AI响应的不确定性、交互的不可控性、不加批判的表扬以及与真实交互的差距相关。综合来看，这些发现表明，在AI-IDLK中，WTC的情感基础可能无法完全由传统观点中自信心和焦虑作为平行情感预测因子来解释，并呼吁对WTC理论进行细化，以更明确地解释人类-人工智能交互的情感条件。

**论文解读：人类-人工智能交互中的情感路径——中国KFL学习者在AI中介非正式数字学习中的沟通意愿形成**

**研究背景与问题**

在第二语言（L2）研究中，情感因素（如自信心和焦虑）被视为解释学习者语言表现和沟通行为的核心变量。传统上，自信心促进沟通意愿（WTC），而焦虑抑制WTC，二者在课堂或面对面交互情境中被视为相对平衡的平行情感预测因子。然而，随着生成式人工智能（AI）和大语言模型（LLMs）的兴起，外语学习环境发生了显著变化，特别是在非正式数字学习（IDLL）中，AI中介的交互提供了心理安全性增强、错误负担降低和话语主体性扩展等独特情感条件。现有研究主要集中在英语作为外语（EFL）学习情境，对韩语作为外语（KFL）等非英语语言（LOTE）的探讨不足，且缺乏对AI中介非正式数字学习韩语（AI-IDLK）中情感机制的系统考察。因此，本研究旨在检验在AI-IDLK背景下，中国KFL学习者的自信心和焦虑如何影响L2 WTC，并探讨AI-IDLK与WTC的关系是否遵循传统模型中的平行路径。

**研究内容与结论**

本研究采用解释性顺序混合方法设计，从中国12所外国语和综合性大学中招募了205名具有至少3个月AI-IDLK经验的中国KFL学习者（平均年龄22.7岁，62.9%本科生，37.1%研究生；70.7%为高级水平）。研究人员通过问卷调查收集量化数据，并使用SPSS 27.0和PROCESS Macro进行描述性统计、探索性因子分析、信度检验、皮尔逊相关分析、层次多元回归和中介分析。随后，对9名参与者进行半结构化访谈，并通过NVivo支持的反思性主题分析进行质性解释。研究得出以下结论：（1）AI-IDLK与L2 WTC显著正相关；（2）在三个预测因子中，L2自信心是最强的正向预测因子，L2焦虑为负向预测因子，AI-IDLK也具有显著正向预测力；（3）中介分析显示，只有自信心在AI-IDLK与WTC之间表现出显著间接效应，而焦虑的间接效应不显著；（4）质性分析揭示了自信心增强的路径（心理安全性、重复性产出练习、个性化自适应学习、可持续可及性、话语主体性和参与）以及焦虑持续存在的路径（AI响应的不确定性、交互的不可控性、不加批判的表扬、与真实交互的差距）。这些发现表明，在AI-IDLK中，自信心和焦虑并非以平行方式运作，而是通过不同路径影响WTC，这对传统WTC理论提出了细化要求。论文发表在《Frontiers in Psychology》上。

**主要关键技术方法**

本研究采用解释性顺序混合方法设计，结合量化与质性阶段。量化阶段：通过在线问卷调查收集数据，使用SPSS 27.0进行描述性统计、探索性因子分析（EFA）、信度检验（Cronbach’s α）、皮尔逊相关分析、层次多元回归，并使用PROCESS Macro（Model 4）进行中介分析，通过5000次自助法重抽样（bootstrapping）确定95%置信区间（CI）。质性阶段：基于目的性抽样选取9名参与者，通过Zoom进行约2小时的半结构化访谈，使用NVivo进行反思性主题分析（Braun & Clarke, 2021）。样本队列来源：中国12所外国语和综合性大学中学习KFL的在校学生。

**研究结果**

**4.1 量化结果**
- **4.1.1 描述性统计、效度与信度**：EFA表明四因子结构（AI-IDLK、L2自信心、L2焦虑、L2 WTC）累计解释方差60.616%，KMO=0.912，Bartlett球形检验显著（p<0.001）。各构念的Cronbach’s α在0.806至0.936之间，Harman单因子检验显示第一未旋转因子解释34.878%方差，表明共同方法偏差不严重。
- **4.1.2 相关分析**：AI-IDLK与L2 WTC显著正相关（r=0.375, p<0.01），与L2自信心显著正相关（r=0.196, p<0.01），与L2焦虑无显著相关（r=0.027, p>0.05）。L2自信心与WTC强正相关（r=0.646, p<0.01），L2焦虑与WTC负相关（r=-0.468, p<0.01）。
- **4.1.3 层次回归分析**：模型3（包含AI-IDLK、L2自信心、L2焦虑）解释WTC方差52.5%（R²=0.525, p<0.001），L2自信心（β=0.468, p<0.001）为最强预测因子，AI-IDLK（β=0.290, p<0.001）次之，L2焦虑（β=-0.244, p<0.001）为负向预测因子。
- **4.1.4 中介效应**：AI-IDLK通过L2自信心对WTC的间接效应显著（效应=0.100, 95% CI [0.024, 0.192]），而通过L2焦虑的间接效应不显著（效应=-0.007, 95% CI [-0.052, 0.036]）。

**4.2 质性结果**
- **4.2.1 AI-IDLK学习体验的本质**：学习者因有限的学习资源和机会而转向AI-IDLK，将其视为补充性和替代性学习空间。初学者和中高级学习者分别使用不同复杂度的AI活动（如发音识别、纠错、情景对话 vs. 讨论、学术展示）。学习者还表达了需要系统化AI使用指导的需求。
- **4.2.2 自信心增强路径**：通过心理安全性（如“AI不会嘲笑错误”）、重复性产出练习（如“反复练习后能自信地说韩语”）、个性化自适应学习（如“AI像一对一老师”）、可持续可及性（如“随时练习”）以及话语主体性和情感参与（如“控制对话方向”、“沉浸式体验”），自信心得以增强，进而促进WTC。
- **4.2.3 焦虑持续路径**：焦虑仍与AI响应的不确定性（如“AI出错时无法继续”）、交互的不可控性（如“AI突然改变方向”）、不加批判的表扬（如“AI总是说好，无法确认正确性”）以及与真实交互的差距（如“AI问答与真实对话不同”）相关，表明焦虑并未因AI-IDLK而显著降低。

**讨论与结论**

**讨论**：研究结果支持AI-IDLK与WTC的正向关联，但挑战了传统WTC模型中自信心和焦虑作为平行情感预测因子的假设。在AI-IDLK中，自信心是AI-IDLK与WTC之间唯一显著的中介路径，而焦虑的间接效应不显著。质性证据表明，AI-IDLK提供的条件（如心理安全性、个性化支持）更有利于自信心形成，而非焦虑缓解。焦虑的持续存在源于AI交互的特定特征（如不确定性、不可控性），这与课堂环境中AI研究（如同时增强自信心和降低焦虑）不同。因此，研究人员提出WTC模型的情感层应被视为情境敏感的，其近端情感变量的相对重要性因交互情境而异。

**结论**：本研究采用混合方法，考察了AI-IDLK背景下中国KFL学习者自信心和焦虑与WTC的关系。量化结果显示AI-IDLK与WTC正相关，自信心为最强预测因子，且仅自信心在AI-IDLK与WTC之间起显著中介作用。质性结果阐明了自信心增强和焦虑持续的路径。研究贡献在于：理论上，表明促进性情感（自信心）和抑制性情感（焦虑）并非在所有学习条件下同等参与WTC，AI-IDLK更与自信心形成相关而非焦虑缓解，呼吁对MacIntyre等人（1998）的WTC模型中近端情感变量的传统定位进行情境化细化；情境上，将WTC研究从EFL主导领域扩展到KFL及LOTE，证明AI-IDLK在资源受限环境中可作为核心学习生态系统，支持学习者自主性和沟通参与。