人工智能素养与人工智能伴侣如何塑造人工智能支持的语言学习中的学习者投入：基于自我决定理论的双路径模型

《Learning and Motivation》：How AI literacy and AI companions shape learner engagement in AI-supported language learning: A dual-pathway model based on Self-Determination Theory

　　

摘要
人工智能（AI）迅速融入语言教育，重塑了学习者参与第二语言学习过程的方式。基于自我决定理论，本研究提出并检验了一个双路径模型，旨在考察人工智能素养和人工智能伴侣如何影响学习者在人工智能支持的语言学习中的坚毅、认知负荷和投入。本研究采用定量设计，对象为有人工智能辅助学习经验的大学生。使用结构方程模型（SEM）检验假设关系，并进行人工神经网络（ANN）分析以进一步考察预测变量的相对重要性。结果表明，人工智能素养和人工智能伴侣均与坚毅呈正相关，与认知负荷呈负相关。进而，坚毅正向预测学习者投入，而认知负荷负向预测投入。ANN 结果进一步证实了这些关系的稳健性，并突出了变量的差异化预测强度。总体而言，研究结果表明，人工智能支持的语言学习中的学习者投入是由动机韧性和认知资源管理共同塑造的，为人工智能介导的教育过程提供了新的见解。

引言
人工智能（AI）日益重塑高等教育，特别是第二语言和外语学习（Katsamakas et al., 2024, Shi et al., 2026, Sun et al., 2025, Wang and Wang, 2026c）。随着大语言模型、智能辅导系统和自适应学习技术的快速发展，人工智能支持的语言学习已成为传统计算机辅助语言学习的显著延伸（Bozkurt et al., 2021, Wang, 2026, Wang and Shi, 2026）。其教学价值在于提供个性化反馈、自适应学习路径和交互式交流环境，这可能提高学习效率和可及性（Marshall et al., 2024, Wang and Guo, 2026, Wang et al., 2026）。因此，最近的研究考察了人工智能工具增强语言表现、投入和学习者自主性的潜力（Feng, 2025, Sun et al., 2026, Wang and Wang, 2026b, Yang and Kyun, 2022）。然而，表现的提升或采用人工智能的意愿并不一定表明持续投入（Solhi, 2024, Zhang and Liu, 2026）。学习者可能频繁使用人工智能，但与其交互肤浅，被动依赖生成的回答，或者当任务变得认知需求高时退缩（Solhi and Thumvichit, 2025, Wang et al., 2026）。因此，投入需要单独调查，因为它反映了持续的行为参与、认知投入、情感卷入和社会互动（Solhi et al., 2025; Wang et al., 2025; Wang & Gao, 2025）。尽管如此，现有研究仍主要局限于技术中心主义（Wang and Wang, 2024, Wang and Reynolds, 2024, Yüksel et al., 2025），对学习者在人工智能支持的语言学习中投入差异背后的动机和认知机制关注有限。

为填补这一空白，本研究调查了与人工智能相关的能力和社会情感体验如何共同塑造学习者在人工智能支持的语言学习中的投入。基于自我决定理论，它发展了一个将人工智能素养和人工智能伴侣与坚毅、认知负荷和投入联系起来的双路径模型。选择这些前因是因为它们代表了学习者与人工智能交互的基于能力和基于关联性的互补维度。与人工智能自我效能感、感知有用性、信任、社会存在感和拟人化相比，它们捕捉了更广泛的能力和关系体验，而不是更狭隘的信念或感知。进行了一项针对大学生的横断调查，结构方程模型检验了假设的直接和间接关系。人工神经网络分析被用作补充预测技术，而不是理论创新的来源。标准化 SEM 系数估计指定模型内的线性关系，而 ANN 可以识别潜在的非线性预测模式，并在不施加相同函数形式假设的情况下评估预测变量的相对重要性。比较这两种方法因此揭示了从非线性预测视角来看预测变量排名是否保持稳定。本研究通过阐明动机韧性和认知资源管理如何将人工智能相关能力和陪伴与学习者投入联系起来，做出了贡献。

所提出的模型基于自我决定理论，该理论认为人类动机和最佳功能取决于三种基本心理需求的满足：自主性、能力感和关联性。自我决定理论（SDT）认为人类动机和最佳功能取决于三种基本心理需求的满足：自主性、能力感和关联性（Deci et al., 2017）。自主性指学习者的意愿感、选择和自我认可的行为，而能力感反映其感知到的管理学习需求和实现预期结果的有效性。关联性关乎在學習环境中感到联系、支持和被重视的需求。根据 SDT，这些需求的满足促进自主动机、坚持性、心理幸福感以及在学习活动中的高质量投入（Ryan, 2023）。相反，需求受挫可能产生受控动机、减少坚持性和更肤浅的投入形式（Deci and Ryan, 2008, Wang et al., 2022）。因此，SDT 已被广泛应用于教育研究，以解释学习者在动机、情感体验和行为结果方面的差异（例如，Sun, Mendoza, et al., 2026; Zhang & Yan, 2025）。它与技术增强学习特别相关，其中数字系统既可以支持学习者的选择、能力和社交联系，也可以限制这些心理体验。

在人工智能支持的语言学习中，SDT 提供了一个连贯的框架，用于解释人工智能相关资源如何塑造学习者的动机和认知体验。人工智能素养被概念化为一种支持能力的资源，因为它使学习者能够有效地理解、评估和使用人工智能工具。它也可能通过允许学习者对人工智能生成的反馈、学习策略和任务完成做出知情选择来支持自主性。人工智能伴侣主要通过在学习活动中提供响应式交互、情感鼓励、感知支持和社交存在来支持关联性。通过这些支持需求的机制，人工智能素养和人工智能伴侣可能增强坚毅，这代表了持续努力、兴趣和承诺的动机路径。认知路径运作方式不同。更高的人工智能素养可以减少不必要的信息处理，而人工智能伴侣可以提供澄清和指导，降低不确定性和任务管理需求。因此，认知负荷被视为一种近端认知约束，而不是基本的 SDT 构念。动机路径解释了学习者为何坚持，而认知路径解释了是否有足够的认知资源可供持续投入。

在此理论框架内，人工智能素养被视为一种与能力相关的资源，可能塑造学习者在人工智能支持的语言学习中的动机和认知体验（Wang & Wang, 2026a）。人工智能素养指学习者在学习情境中有效理解、使用和批判性评估人工智能技术的知识、技能和评估能力（Lu et al., 2025）。在人工智能支持的语言学习中，人工智能素养在决定学习者能多高效地与智能系统交互并调节其学习过程方面发挥着至关重要的作用。从 SDT 的角度来看，更高的人工智能素养增强了学习者的感知能力，这与在挑战性学习任务中更大的坚持性和持续努力密切相关（Rahimi & Sevilla-Pavón, 2025）。因此，人工智能素养较强的学习者更有可能发展出更高水平的坚毅，因为他们在人工智能介导的环境中感到更有能力克服困难并维持长期学习目标（Solhi et al., 2026）。此外，预计人工智能素养将通过提高学习者导航人工智能工具、解释人工智能生成输出和有效管理任务复杂性的能力来减少认知负荷（Zhang et al., 2026）。当学习者拥有足够的人工智能相关知识和操作技能时，他们在学习过程中经历外在认知负担的可能性较小（Meng et al., 2025）。因此，人工智能素养被概念化为一种基础预测因子，在人工智能支持的语言学习情境中同时塑造动机毅力和认知效率。

人工智能伴侣指在学习活动中与人工智能系统进行有意义的交换、感知连接和任务协调的一种社会认知关系体验（Banks, 2026）。该构念包括福祉交换，捕捉人机交互的深度和个人意义，以及连接协调，反映学习者和人工智能系统在多大程度上能够协调行动并协作管理学习任务。从基于 SDT 的视角来看，有意义的交换可能通过加强学习者的感知连接和心理安全感来支持关联性（Chen Hsieh & Lee, 2023）。这种关系体验可以通过鼓励在挑战性学习活动中持续承诺和坚持来促进坚毅（Zhang & Yan, 2025）。相比之下，连接协调可能通过澄清任务要求、组织学习过程和减少不必要的协调需求来影响认知负荷（Li et al., 2024）。虽然广泛的交互有时可能引入额外的处理需求，但预计有效的协调和指导将产生总体上的认知负担减少（Lademann et al., 2025）。因此，人工智能伴侣被概念化为一种混合关系与协作资源，而不是纯粹的情感变量。

坚毅被定义为一种持续倾向，即在面临挑战、挫折或表现停滞时，维持努力和兴趣以实现长期目标（Teimouri et al., 2022）。在人工智能支持的语言学习中，坚毅尤为重要，因为学习者通常需要与复杂技术进行持续交互，并坚持通过迭代学习过程。高坚毅学习者更有可能坚持语言学习任务，即使人工智能系统呈现不熟悉的输出或学习进展显得缓慢（Obeng et al., 2025）。从动机角度来看，坚毅反映了一种持续的自主调节形式，使学习者能够将意图转化为持续的学习行为。因此，坚毅水平较高的学习者更有可能在人工智能支持的学习活动中表现出更强的行为投入、认知投入和情感卷入（Zhao et al., 2024）。他们积极参与任务，战略性地调节学习过程，并对挑战保持积极态度（Yoon et al., 2020）。因此，坚毅作为一种关键的动机驱动因素，增强了人工智能介导的语言学习环境中学习者投入的深度和一致性。

认知负荷指处理信息和完成学习任务所需的精神努力量，包括内在负荷、外在负荷和关联负荷（Leppink et al., 2013）。在人工智能支持的语言学习中，由于与人工智能生成内容交互、评估输出准确性和将反馈整合到学习过程中的复杂性，认知负荷变得尤为相关。当认知负荷过高时，学习者可能会经历可用于有意义语言处理和任务投入的认知资源减少（Baah et al., 2024）。这可能负面影响他们积极参与学习活动并随时间保持注意力的能力（Dong et al., 2020）。相反，当认知负荷得到有效管理时，学习者能够将更多的认知资源分配给理解、练习和知识构建（Sun et al., 2019）。因此，较低的认知负荷预计将通过促进与人工智能工具更顺畅的交互和减少认知压力来促进更高水平的投入。在此意义上，认知负荷作为一种关键的认知约束，直接影响人工智能支持的语言学习环境中学习者投入的质量和强度。

综上所述，人工智能素养、人工智能伴侣、坚毅、认知负荷和投入之间的关系反映了人工智能支持的语言学习中的双路径机制。一方面，人工智能素养和人工智能伴侣作为关键前因发挥作用，通过塑造感知能力和关联性来影响学习者的动机和认知体验（Rahimi and Sevilla-Pavón, 2025, Zhang and Yan, 2025）。这些因素有助于坚毅的发展，这代表了学习活动中持续的动机毅力。另一方面，相同的人工智能相关因素通过影响学习者处理信息和管理任务需求的效率来影响认知负荷（Baah et al., 2024, Dong et al., 2020）。进而，坚毅和认知负荷作为学习投入的近端预测因子，分别代表动机坚持性和认知效率（Obeng et al., 2025）。这一整合框架强调，人工智能支持的语言学习中的投入不是由单一因素决定的，而是源于动机韧性和认知资源管理之间的相互作用（Zhao et al., 2024）。因此，随后的假设是基于这些理论联系推导出来的，形成了解释人工智能介导语言环境中学习者投入的连贯模型。

基于自我决定理论和前一节提出的双路径机制，本研究发展了一个概念模型，其中人工智能素养和人工智能伴侣作为学习者在人工智能支持的语言学习中动机和认知体验的关键前因发挥作用。具体而言，预计人工智能素养和人工智能伴侣将通过加强感知能力和关联性来增强学习者的坚毅，从而促进学习活动中持续的动机投入。同时，预计这些人工智能相关因素将通过促进与人工智能系统更高效的交互和降低学习过程中不必要的认知努力来减少认知负荷。

反过来，毅力被认为通过维持学习者的坚持和心理投入来促进更高水平的学习投入，而认知负荷预计会因限制可用的认知资源而阻碍投入。此外，进一步提出毅力和认知负荷中介人工智能素养和人工智能同伴对投入的影响，形成一个综合的动机 - 认知解释路径。基于这些理论论点，提出以下假设：
H1：人工智能素养与人工智能支持的语言学习中的毅力呈正相关。
H2：人工智能素养与人工智能支持的语言学习中的认知负荷呈负相关。
H3：人工智能同伴与人工智能支持的语言学习中的毅力呈正相关。
H4：人工智能同伴与人工智能支持的语言学习中的认知负荷呈负相关。
H5：毅力与人工智能支持的语言学习中的学习投入呈正相关。
H6：认知负荷与人工智能支持的语言学习中的学习投入呈负相关。
H7：毅力中介了人工智能素养与学习投入之间的关联。
H8：认知负荷中介了人工智能素养与学习投入之间的关联。
H9：毅力中介了人工智能同伴与学习投入之间的关联。
H10：认知负荷中介了人工智能同伴与学习投入之间的关联。
章节片段
参与者
参与者是来自中国 10 所大学的 871 名大学生，包括五所综合性大学、两所人文导向机构和三所理工科大学。所有参与者都以英语为外语进行学习，并有使用人工智能支持工具进行英语学习的经验。为了确保受访者能够有意义地评估其人工智能支持的学习体验，资格要求至少使用一种人工智能工具用于英语
初步分析
进行了哈曼单因子检验以检查潜在的共同方法偏差。结果显示，15 个因子的特征值大于 1，且第一个因子占总方差的 21.672%，低于推荐的 50% 阈值 (Harman, 1976)。这表明共同方法偏差不太可能严重影响结果。表 1 报告了初步分析结果。偏度和峰度值符合推荐的偏度在 ±2 以内且
结构方程模型讨论
研究结果表明，人工智能素养同时增强了毅力并降低了认知负荷，表明它在人工智能支持的语言学习中不仅仅是一种技术能力。它与毅力之间的正相关与自我决定理论一致，因为能够有效理解、评估和使用人工智能的学习者更有可能体验到胜任力以及对其学习决策的更大控制权 (Rahimi and Sevilla-Pavón, 2025, Solhi et al., 2026)。然而，
结论
本研究考察了人工智能素养和人工智能同伴如何影响人工智能支持的语言学习中学习者的毅力、认知负荷和投入。在自我决定理论的指导下，使用结构方程模型和人工神经网络分析测试了提出的双路径模型。结果表明，这两个前因都增强了毅力并降低了认知负荷，但它们的贡献方式并不相同。人工智能同伴显示出对于
CRediT 作者贡献声明
刘桂杰：写作 - 审查与编辑，写作 - 初稿，软件，资源，方法论，形式分析。程舒丽：形式分析。
知情同意
已获得本研究中包含的所有个别参与者的知情同意。
伦理批准声明
本研究遵循涉及人类参与者的既定研究伦理准则。参与是自愿的，已获得所有参与者的知情同意，所有回答均匿名收集，仅用于研究目的。
资金声明
本研究得到了河南省高等学校 2026 哲学社会科学创新团队建设计划下“国际语言文学的跨文化研究” [资助编号：2026-CXTD-10] 的支持。同时也得到了河南省高等学校人文 & 社会科学项目 (资助编号 210) 的支持。
利益冲突声明
作者声明他们没有任何利益冲突。
致谢
我们要感谢所有参与研究的人员以及帮助使这一切成为可能的所有教职员工。
刘桂杰，担任华北水利水电大学应用语言学科学与跨文化传播领域的硕士导师，并担任高等教育或文化研究领域的几本期刊的编委会成员，如《吉首大学学报（社会科学版）》等。他也是教育和/或文化研究领域硕士论文的评审人。近年来，他的研究兴趣在于基于技术 的教学
刘桂杰 | 程舒丽