AI辅助日语学习中心理适应的剖面与转变

《Frontiers in Psychology》：Profiles and transitions of psychological adaptation in AI-assisted Japanese language learning

　　

随着人工智能（artificial intelligence, AI）日益融入语言学习，学习者对AI辅助学习的心理适应方式可能存在差异。本研究考察了AI辅助日语学习中心理适应的剖面及其转变，并探讨其与学习自我效能感和学习倦怠的关联。研究在一个学术学期内开展了三轮纵向调查，时间1（Time 1）共纳入457名学习者。技术压力（technostress）和心理韧性（psychological resilience）作为潜在剖面分析（latent profile analysis, LPA）和潜在剖面转变分析（latent profile transition analysis, LPTA）的指标。研究一致识别出三个剖面：适应不良（maladaptive adaptation）、中度适应（moderate adaptation）和积极适应（positive adaptation）。适应不良剖面从时间1的26.48%下降至时间3的17.74%，而积极适应剖面从27.35%上升至35.73%。积极适应剖面表现出最高的时间稳定性，而适应不良剖面的学习者最常转变为中度适应。在时间3，积极适应剖面的学习者报告了最高的日语学习自我效能感和最低的学习倦怠，而适应不良剖面的学习者则呈现相反模式。通过将工作要求–资源（Job Demands–Resources, JD–R）框架与以人为中心的纵向方法相结合，本研究表明，AI辅助语言学习中的心理适应具有异质性、动态性，并与学习者的信心和倦怠显著相关。

随着人工智能在高等教育中的深入应用，学生不仅需要掌握新的数字工具，更需要在心理上适应更为复杂和具有挑战性的学习环境。在语言学习领域，AI辅助平台能够提供自动反馈、个性化练习、语音识别和对话式互动，从而重塑学习者的语言输入与输出方式。然而，AI辅助日语学习不仅是教学技术革新，更是一种适应性挑战：学习者可能因AI生成信息的可靠性不确定、信息过载、认知负荷增加以及对智能工具的依赖难以调节而体验到压力。以往研究多聚焦于AI辅助语言学习的有效性、工具感知或单一心理变量，且主要采用变量中心的方法，难以揭示学习者心理适应的异质性；同时，纵向追踪证据较为有限。因此，本研究从人中心（person-centered）和纵向视角出发，考察AI辅助日语学习中心理适应的潜在剖面及其转变，并考察其与日语学习自我效能感和学习倦怠的关联。

研究人员围绕上述问题开展了一项三波纵向调查，样本来自中国大陆公立大学日语课程学习者，时间1（Time 1）有效样本为457人，时间2（Time 2）为421人，时间3（Time 3）为389人，其中366人完成全部三波（保留率80.09%）。研究以技术压力（technostress）和心理韧性（psychological resilience）为核心指标，进行潜在剖面分析（latent profile analysis, LPA）和潜在剖面转变分析（latent profile transition analysis, LPTA），并检验剖面与远端学习结果的关系。结果一致识别出三个剖面：适应不良（maladaptive adaptation）、中度适应（moderate adaptation）和积极适应（positive adaptation）。随着学期推进，适应不良比例下降，积极适应比例上升；积极适应表现出最高的时间稳定性，适应不良者最常转向中度适应。积极适应者报告了最高的日语学习自我效能感和最低的学习倦怠。研究表明，AI辅助语言学习中的心理适应具有异质性和动态性，并与学习者的信心和倦怠显著关联。该成果发表在《Frontiers in Psychology》。

在研究方法上，作者采用三波纵向问卷设计（2025年9月、11月、2026年1月，间隔约8周），使用技术压力五维度量表、心理韧性量表（Connor–Davidson韧性量表简版, CD-RISC-10）、日语学习自我效能量表和学习倦怠量表（Maslach倦怠量表学生版, MBI-SS）。分析流程包括：描述统计与相关分析、验证性因子分析（CFA）和纵向测量不变性检验；每波进行1至6剖面的潜在剖面分析，依据信息准则、熵、LMR-LRT和BLRT选择模型；随后进行三波潜在剖面转变分析；使用BCH校正的Wald检验比较时间3远端结果差异；最后采用R3STEP多元逻辑回归和BCH加权回归进行辅助分析，控制性别、年龄、年级、专业状态、日语水平、AI使用频率和AI培训经历。缺失数据采用全信息最大似然估计（FIML）处理，保留了全部457名参与者。

研究结果如下。

4.1 样本特征与初步分析。样本以女性为主（76.15%），56.02%为非日语专业课程学习者，45.7%为中级水平，62.14%无AI相关培训经历，最常见AI使用频率为每周3至4次（30.0%）。各量表Cronbach's α在0.764至0.930之间。技术压力各维度均值从时间1到时间3逐渐下降，心理韧性均值从2.03升至2.19。相关分析显示，技术压力与心理韧性负相关，与学习倦怠正相关、与自我效能负相关；心理韧性的相关方向相反。

4.2 测量模型与纵向测量不变性。验证性因子分析表明技术压力和心理韧性的因子结构可接受；纵向测量不变性检验中，形态、度量、标量模型的拟合变化量ΔCFI和ΔRMSEA均在推荐范围内，支持三波之间的跨时间比较。

4.3 潜在剖面分析。每波估计1至6剖面模型后，三剖面解在拟合优度、分类精度和可解释性上最佳（熵为0.906、0.879、0.929）。三个剖面分别为：适应不良（高技术压力、低韧性）、中度适应（各指标接近样本均值）和积极适应（低技术压力、高韧性）。各波比例显示，适应不良从时间1的26.48%降至时间3的17.74%，积极适应从27.35%升至35.73%，中度适应稳定在约46%。

4.4 潜在剖面转变分析。三波潜在剖面转变分析显示，积极适应剖面稳定性最高（时间1至时间2为84.6%，时间2至时间3为83.6%），中度适应次之（72.9%、74.0%），适应不良稳定性较低（51.8%、59.2%）。适应不良者最常转向中度适应（38.4%、33.8%），直接转向积极适应的概率较低（9.8%、7.0%）。中度适应者转向积极适应的概率高于转向适应不良（16.7%对10.4%，15.0%对11.0%）。

4.5 剖面成员的远端结果。BCH校正的Wald检验显示，三个剖面在日语学习自我效能感和学习倦怠上差异显著。积极适应者自我效能感最高（M=5.11），中度适应居中（M=4.61），适应不良最低（M=3.94），χ²_Wald(2)=42.13，p<0.001；学习倦怠方面，适应不良最高（M=3.65），中度适应居中（M=2.65），积极适应最低（M=1.89），χ²_Wald(2)=100.69，p<0.001。两两比较均显著。

4.6 辅助分析：控制变量的作用。R3STEP多元逻辑回归显示，相对于适应不良剖面，自评日语水平更高、AI使用更频繁以及有AI培训经历的学习者更可能属于积极适应剖面；AI培训经历也增加了属于中度适应的几率。在控制上述背景变量后，时间3远端结果的剖面差异仍然显著。

在讨论部分，研究人员指出，三个剖面符合工作要求–资源（Job Demands–Resources, JD–R）框架：适应不良对应需求主导的健康受损过程，积极适应对应资源支持的动机过程，中度适应则是一种中间过渡状态。研究还强调，心理适应是动态的，积极适应的高稳定性和适应不良的逐级改善表明适应提升通常是渐进的。实践方面，应针对不同剖面提供差异化支持，例如对适应不良者提供更明确的指导和心理安抚，对中度适应者促进自我调节和信心建设，对积极适应者支持自主性和反思性AI使用。研究局限性包括依赖自我报告数据、样本来自特定高等教育情境、仅覆盖一个学期，以及未直接测量AI素养、自我调节学习等可能机制，未来需要结合行为数据、更长追踪周期和更丰富的情境进行深入验证。

研究结论为：本研究从人中心和纵向视角考察了AI辅助日语学习中的心理适应。通过关注技术压力和心理韧性，研究发现学习者对AI辅助学习的反应并非统一，而是形成三个不同的心理适应剖面：适应不良、中度适应和积极适应。这些剖面在学期内既有概念上的稳定性，又具有动态可变化性，总体模式显示出随时间推移逐渐朝向更适应功能发展的趋势。因此，研究强调AI辅助语言学习不仅涉及技术使用或教学效率，更是一个涉及压力调节、应对能力、信心和倦怠易感性的心理过程。结果还表明，上述适应剖面与日语学习自我效能感和学习倦怠相关联。由于这些关系基于观察性自我报告数据，不应将其解释为剖面成员身份直接导致了远端结果。关注学习者如何体验和管理AI支持的学习，可能有助于教育工作者设计更具心理可持续性的语言学习支持策略，但具体支持策略的有效性仍需在未来研究中直接评估。