《Computers and Education: Artificial Intelligence》：Engagement in LLM Chatbot-Supported Learning: The Pivotal Roles of GenAI Competency and Emotion
编辑推荐：
本文聚焦于探索在日益普及的LLM聊天机器人支持的学习环境中，驱动学生参与度的关键因素。研究基于评价理论，整合了技术相关的生成式人工智能（GenAI）能力、任务相关的学术自我效能感、对聊天机器人的易用性（PE）和有用性（PU）认知以及使用时的情感体验，构建了一个解释学生参与度的理论模型。通过对完成具体学习任务后的学生进行问卷调查（N=234），运用结构方程模型分析发现，GenAI能力对学生参与度具有最强的预测力，而情感体验是连接认知评价与行为参与的核心中介。研究结果为设计和促进基于AI的有效学习环境提供了重要理论和实践启示。
在数字化浪潮席卷全球教育的今天，学生如何真正投入学习，而不仅仅是“在场”，已成为决定教育成效的核心难题。学习参与度，这个融合了行为投入、认知专注和情感承诺的复杂构念，被广泛认为是预测学业坚持、成就和心理幸福感的关键指标。与此同时，生成式人工智能（Generative Artificial Intelligence, GenAI）的迅猛发展，特别是大语言模型（Large Language Model, LLM）驱动的聊天机器人，正以前所未有的方式渗透进课堂。它们能够提供个性化、类人化的互动，为学习者带来全新的辅助与挑战。然而，一个令人深思的悖论随之浮现：尽管技术工具日益强大，我们对学生如何、以及为何会在聊天机器人支持下真正投入学习过程，却所知甚少。大量研究仍停留在学生对聊天机器人的“态度”或“使用意愿”上，这些脱离具体学习情境的测量，难以捕捉真实、动态的学习参与。面对这一知识空白，一项由香港教育大学课程与教学学系的研究者开展的研究，试图揭开这层迷雾。
该研究摒弃了孤立看待技术或学习者特质的传统思路，转而采用心理学中的评价理论（appraisal theory）作为核心框架。该理论认为，个体的情绪和行为反应源于一个序列化的评价过程：人们首先基于自身的基础认知和能力（初级评价）来评估任务和工具，形成对工具易用性（Perceived Ease of Use, PE）和有用性（Perceived Usefulness, PU）的认知（次级评价），这些认知继而塑造其情感体验，最终驱动其行为投入。研究将这一理论创造性地应用于聊天机器人支持的学习场景，提出了一个整合模型。模型将学习者的生成式人工智能能力（GenAI competency，反映其使用GenAI工具的知识与技能）和学术自我效能感（academic self-efficacy，反映其对完成学习任务的自信）视为初级评价的来源。GenAI能力进一步影响其对聊天机器人的PE和PU评价。所有这些认知评价与情感体验共同作用，最终决定了学生在聊天机器人支持学习中的参与度（engagement）。研究核心旨在探索：学生的这些认知评价如何影响其情感体验，而这一认知-情感过程又如何塑造他们在聊天机器人支持学习中的参与行为？
为了验证这一理论模型，研究团队在《Computers and Education: Artificial Intelligence》期刊上发表了他们的成果。研究者采用了任务嵌入式问卷调查设计。研究对象为香港一所大学修读课程设计硕士课程的234名学生，他们来自英语、体育教育、早期教育等多个专业背景。在课程中，学生需在讲师讲解核心设计原则后，利用ChatGPT 4.0或DeepSeek-R2等LLM聊天机器人，在20分钟内完成一项具体的课程设计任务（如设计学习目标）。任务结束后，学生立即通过在线问卷平台报告他们的GenAI能力、学术自我效能感、对聊天机器人的PE和PU感知、学习过程中的情感体验以及学习参与度。所有测量均采用成熟的李克特量表。数据分析主要采用结构方程模型（Structural Equation Modelling, SEM）来检验变量间的假设路径，并通过Bootstrap法进行中介效应分析，以探究情感等因素在认知评价与学习参与度之间的桥梁作用。
4.1. 描述性结果
数据显示，各变量的测量项目数据均符合正态分布假设。各核心变量之间均存在显著的正相关关系，其中GenAI能力与PE的相关性最高（r = 0.68），情感与学习参与度的相关性也极为显著（r = 0.70）。所有量表的信度（Cronbach’s α）均高于0.88，表明测量工具可靠。
4.2. 测量模型与结构模型
验证性因子分析显示测量模型拟合良好。结构方程模型分析结果支持了大部分假设。具体而言：
- •
GenAI能力显著正向预测学生对聊天机器人的PE、PU、积极情感以及最终的学习参与度。这表明，学生的GenAI知识与技能是驱动其积极评价、情感和投入行为的重要基础。
- •
学术自我效能感对情感和学习参与度的直接预测作用不显著。这一结果出人意料，提示在聊天机器人支持的新颖、复杂学习任务中，学生对其学术能力的普遍自信，可能不如其驾驭特定技术的具体能力那样直接影响当下的投入程度。
- •
PE显著正向预测PU，验证了技术接受模型中的经典关系。同时，PE和PU都能显著预测学生的积极情感。
- •
PU对学习参与度的直接预测作用不显著，但积极情感能显著正向预测学习参与度。这为后续的中介分析埋下了伏笔。
4.3. 中介分析
中介分析揭示了模型中更为精细的作用机制：
- •
情感的核心中介角色：积极情感完全中介了PU对学习参与度的影响。这意味着，聊天机器人的“有用性”必须通过激发学生的积极情感（如满意、愉悦），才能转化为实际的深度参与。同时，PE对学习参与度的总间接效应中，一条通过“PU→情感”的链式中介路径是显著的。
- •
GenAI能力的复杂路径：GenAI能力对学习参与度的影响存在多重路径。除了直接效应外，还存在一条通过“PE→PU→情感”的链式中介路径是显著的。这印证了评价理论的序列假设：基础能力（GenAI competency）影响工具评价（PE, PU），进而影响情感，最终驱动行为。
综合讨论与结论部分，本研究深刻揭示了在聊天机器人支持学习这一新兴领域中，驱动学生参与度的独特机制。首先，研究确立了GenAI能力的“双驱动力”角色。它不仅是预测学习参与度最强烈的直接因素，更是启动整个认知-情感-行为序列的“初级评价”关键。这凸显了在AI时代，培养学生领域特定的技术能力（GenAI competency）比泛泛地提升其学术自信（academic self-efficacy）对于促进其在技术增强环境中的投入更为紧迫和有效。其次，研究颠覆了传统技术接受模型的直接预测观。本研究发现，PE和PU均未直接预测学习参与度，这与许多先前研究不同。这表明，在开放、交互式的LLM聊天机器人学习场景中，学生对工具“是否好用”、“是否有用”的认知，并不必然直接转化为深度学习行为，除非这些认知能激发积极的情感体验。最重要的发现在于，情感体验被确立为核心的中介机制。它如同一个“转换器”，将学生对工具和任务的认知评价有效地转化为持续的行为投入。特别是在处理聊天机器人可能产生的不确定、非预期回答时，学生的即时情感反应（是感到挫败还是好奇）极大地决定了他们是选择坚持探索还是放弃退出。这强调了在设计与实施聊天机器人辅助教学时，营造积极情感氛围（如通过设计友好的交互界面、教师示范如何应对AI输出的不确定性）与提升技术技能同等重要。
总之，这项研究通过严谨的理论建构和实证分析，为我们理解AI如何真正助力学习提供了新的透镜。它指出，未来的教育者若想借助聊天机器人等GenAI工具提升学习成效，不能仅关注工具本身的功能，更需着力于培养学生的“人机协同”智能（GenAI competency），并精心设计学习体验以呵护和激发学生的积极情感。只有这样，技术才能真正从“可用之物”转化为“促学之翼”，推动有意义、深度的学习参与。
