《Sage Open》：Mapping AI’s Potential for Social-Emotional Support in Second Language Acquisition: A Scoping Review
编辑推荐：
社会情感发展在第二语言习得（SLA）中起着关键作用。随着人工智能（AI）的最新进展，人们对AI技术如何增强SLA中的社会情感因素越来越感兴趣。本研究旨在系统综合实证研究，以探讨AI在塑造SLA中社会情感体验中的作用，识别主流趋势，总结报告结果的模式，审查提出的
社会情感发展在第二语言习得（SLA）中起着关键作用。随着人工智能（AI）的最新进展，人们对AI技术如何增强SLA中的社会情感因素越来越感兴趣。本研究旨在系统综合实证研究，以探讨AI在塑造SLA中社会情感体验中的作用，识别主流趋势，总结报告结果的模式，审查提出的机制，并强调未来研究的方向。遵循PRISMA-ScR（系统综述和元分析首选报告项目-范围综述扩展，Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews）指南，本范围综述涵盖了2022年至2025年4月间发表的66项实证研究。所有研究均由两名研究人员独立审查，并使用混合方法评估工具（MMAT）进行评估。结果：（1）学术界对AI支持的SLA中社会情感发展的关注显著增加；（2）AI在增强动机和减少焦虑方面具有报告潜力，但证据受到积极偏向、方法不一致以及集中于东亚情境的限制；（3）报告了五种AI可能支持SLA中社会情感增长的机制：对话互动和感知社会存在；感知能力、自主性和任务价值；情绪调节和及时的情感支持；沉浸、心流和持续参与；以及减少评价压力和心理安全感。同时，该综述发现对AI支持的语言学习的潜在负面或限制方面（包括学习者过度依赖和自主性降低）的关键关注不足。本综述对当前证据进行了平衡综合，并强调了对未来AI–SLA研究、教学法和设计的启示。
1. 引言
1.1 第二语言习得中的社会情感维度
第二语言习得（SLA）被定义为超越母语的语言习得。当代SLA研究将语言学习视为认知、互动、情感、动机、身份和社会文化参与共同塑造的动态过程。社会情感学习（SEL）涵盖个体理解与调节情绪、设定积极目标、维持支持性关系以及做出明智伦理选择的能力，分为内省能力和人际能力。在SLA研究中，学术兴趣主要集中于内省能力，如情绪、动机动态、自我相关信念（如自我效能）、投入和互动倾向。SLA理论（如情感过滤假说、社会教育模型）早已认识到情感和动机的重要性，近期研究进一步表明这些变量动态且情境敏感。
1.2 AI支持的二语学习作为社会情感环境
AI技术通过聊天机器人、智能助手、自动反馈系统、语音识别工具、自适应学习平台、虚拟代理和生成式AI应用被整合到语言学习中。这些工具塑造了练习、沟通、冒险、反馈和调节学习的社会情感条件。本综述将AI支持的L2学习中的社会情感发展定义为学习者的情感体验、动机调节、自我相关信念和社会性参与的变化。AI的可供性（adaptive feedback、conversational interaction等）可能促进积极情感，但也可能产生挫败、压力、焦虑、自主性降低和孤立感。是否产生积极体验取决于年龄、熟练度、数字素养、任务设计、教师中介和社会文化背景。
1.3 范围综述的必要性
现有综述较少专门聚焦AI支持的L2学习与学习者社会情感体验的关系。实证研究在理论框架、AI工具、参与者群体、学习情境、研究设计和目标构念方面差异显著，导致难以确定已检视的方面、报告模式、提出的机制和证据缺口。社会情感构念动态且情境敏感，短期感知测量可能造成积极偏向，负面体验可能被低估。因此，需要采用范围综述来系统梳理这一领域。
1.4 本研究
本综述旨在综合实证研究，描述研究在哪里以及如何开展，总结已检视的社会情感变量和报告模式，批判性识别概念和方法论缺口。提出了三个研究问题：RQ1关于研究背景和特征，RQ2关于学习者感知和参与机制，RQ3关于证据缺口和启示。
2. 方法
2.1 文献检索
于2025年4月9日，遵循PRISMA-ScR指南，对Web of Science、Scopus、ERIC、ProQuest Dissertations and Theses Global、Linguistics and Language Behavior Abstracts和PubMed进行了结构化检索。使用布尔运算符和三个关键词群组。还手动检索了参考文献列表和补充来源。未设日期限制。
2.2 研究选择
仅纳入SSCI或SCIE期刊的同行评审文章。制定了纳入和排除标准，确保研究聚焦AI支持的L2学习与社会情感体验，采用实证设计，并有定量或定性发现。
2.3 质量评估
使用混合方法评估工具（MMAT）2018版对66项研究进行质量评估。两名研究人员独立进行，分歧通过讨论或第三方裁决解决。评估结果用于批判性解释，而非排除研究。
2.4 数据综合
使用Excel提取和交叉核对数据，进行主题分析。根据地理区域进行颜色编码，记录参与者教育水平、研究方法和关键发现，将相似代码聚类为类别，迭代讨论以完善主题并确定缺口。
3. 结果与讨论
3.1 所选研究的描述
系统检索产生815条记录，去重后590条，筛选后113篇，排除3篇撤稿文章，最终纳入66篇。
3.2 研究背景和研究特征（RQ1）
3.2.1 出版年份
所有纳入研究均从2022年开始发表，在ChatGPT公开发布后显著增加，2024年数量最多，2025年已有大量发表，表明该领域快速兴起。
3.2.2 期刊、排名和JIF
大多数研究发表于Q1期刊（61/66，92.42%）。最频繁的期刊包括Computer Assisted Language Learning、European Journal of Education、Education and Information Technologies、System、Interactive Learning Environments和Computers in Human Behavior。
3.2.3 地理、L1和L2分布
研究集中在东亚，尤其汉语语境（中国大陆、香港、澳门、台湾），其次为伊朗和韩国。中文是最常见的L1（n=52），英语占绝对主导L2（n=65）。这种集中表明结果主要来自汉语EFL情境，可能受当地教育文化、考试压力等影响。
3.2.4 方法论方法和数据收集方法
超过半数采用混合方法（n=36），其次是定量（n=27）和定性（n=3）。最常用的数据收集方法是仅问卷（n=18）和问卷加访谈（n=17）。领域仍然依赖感知测量，纵向、观察、行为或学习分析数据较少。
3.2.5 参与者
大多数研究针对大学生，中小学学习者、教师和混合群体代表不足。大学生通常数字素养更高、自我调节能力更强，可能影响结果泛化。
3.2.6 理论框架
采用的理论框架可分为动机/情感理论（如自我决定理论、情感过滤），认知理论（如自我调节学习、认知负荷），社会文化/互动理论（如社会建构主义、互动主义）和技术相关理论（如技术接受模型）。这些框架经常单独应用，领域概念碎片化。
3.2.7 综合AI工具
研究最常涉及混合AI工具（n=18），其次是ChatGPT（n=12）、Google Assistant（n=7）和定制聊天机器人（n=6）。18项研究参与者有先前使用经验。对大型语言模型特别是ChatGPT的研究兴趣强烈，其他工具使用有限。
3.3 学习者体验和报告机制（RQ2）
3.3.1 强烈的积极偏向
66项研究中，65项报告了AI工具在促进社会情感发展方面的积极感知或结果。只有一项研究明确强调矛盾情绪。这种偏向可能反映证据基础结构，自我报告问卷和短期干预占主导，负面体验报告不足。
3.3.2 连接AI可供性与社会情感结果的报告机制
最常见的机制是对话互动和感知社会存在，来自社会建构主义视角，AI的对话可供性促进WTC和降低情感压力。其次是感知能力、自主性和任务价值，个性化支持增强控制感和任务价值，与控制-价值理论一致。其他机制包括情绪调节和及时情感支持（n=4）、沉浸、心流和持续投入（n=3）以及减少评价压力和心理安全感（n=2）。这些机制不应被视为普遍有益，例如个性化可能减少自主问题解决，低风险互动可能无法完全复制人际互动的不确定性。
3.3.3 总结
参与者普遍认为AI支持的语言学习促进了动机、享受和投入。这些积极结果主要归因于对话互动和感知社会存在，以及个性化支持带来的感知能力、自主性和任务价值。一个未充分检视的主题是社会情感舒适并不一定意味着更深的语言发展。负面或矛盾情绪的证据虽报告不足，但凸显了更平衡、理论扎实和方法严谨研究的需要。
3.4 证据缺口和现有证据基础的启示（RQ3）
识别出六个主要证据缺口：（1）地理、语言和人口多样性有限；（2）社会情感构念范围狭窄且积极偏向；（3）AI可供性与结果之间的机制规定不充分；（4）方法论局限，难以捕捉长期和过程导向的变化；（5）情感响应型
