编辑推荐：
本研究旨在解决在AI辅助语言学习环境中，如何有效整合技术工具与教师引导以提升学习者动机的问题。研究人员基于生态系统理论，通过三阶段问卷调查分析463名中国大学生的数据，探究了AI对话机器人辅助练习和教师引导对学生在线英语学习动机的影响。结果表明，两者均能独立且正向地促进学习动机，且这一关系均由自我效能感（SE）介导；同时，社交媒体英语学习曝光度能增强教师引导至动机的路径，但对AI对话机器人路径的调节效应不显著。这一发现强调了“人机协同”在数字时代语言教育中的重要性，为优化教学模式提供了理论支持和实践启示。
进入AI高速发展的时代，语言学习正经历一场深刻的变革。以ChatGPT为代表的AI对话机器人（Chatbots）为学习者提供了前所未有的、低风险的个性化练习环境，但同时也带来了新的挑战：这些工具是否能真正激发学习者持续学习的热情？它们又是否能取代教师在语言学习中的角色？已有的研究往往将技术因素与人的因素割裂看待，要么单独研究AI工具的效果，要么单独分析教师指导的价值，然而在真实的学习场景中，学生常常同时与AI系统和人类教师互动。这种割裂的研究视角难以揭示在复杂的生态系统中，AI与教师如何协同作用，共同影响学习者的心理动机。此外，当代学生大量接触社交媒体（如Bilibili、抖音）上的英语内容，这种非正式的“数字沉浸”是否以及如何影响正式学习的效果，也是一个亟待探索的问题。
为解决上述空白，本文作者（Suqing Liu）进行了一项开创性研究。该研究以生态系统理论（Ecological Systems Theory, EST）为指导，旨在探究AI对话机器人辅助英语实践（AI-Chatbot–Assisted English Practice, ACEP）和教师引导（Instructor Facilitation, IF）对中国大学生在线英语学习动机（e-Motivation for English Mastery, EMM）的影响，并检验交流自我效能感（e-Communication Self-efficacy, ECSE）的中介作用，以及社交媒体英语学习曝光度（e-Social English Learning Exposure, ESEL）的调节作用。论文发表于《Acta Psychologica》。
研究人员开展此项研究的主要技术方法包括：（1）多阶段问卷调查设计：在中国深圳、杭州和成都三所大学，对463名非英语专业本科生进行了三阶段（间隔四周）的问卷调研，以缓解共同方法偏差并建立变量间的时序关系。（2）测量工具：研究使用了经过改编的成熟量表测量ACEP、EIF、ECSE、ESEL和EMM五个构念，均采用李克特五点计分，并通过信效度检验（如Cronbach‘s α、组合信度CR、平均方差提取AVE）确保了测量质量。（3）数据分析策略：采用偏最小二乘结构方程模型（PLS-SEM）对收集的数据进行分析，通过Bootstrapping检验路径系数的显著性，并使用交互项检验调节效应。所有分析在SmartPLS软件中完成，并进行了包括FIMIX-PLS、MICOM、PLSpredict在内的多项稳健性检验。
研究结果：
1. 测量模型结果
所有构念的测量模型均达到可接受的信度和效度标准。AI对话机器人辅助英语实践（ACEP）、教师引导（EIF）、交流自我效能感（ECSE）、社交媒体英语学习曝光度（ESEL）和在线英语学习动机（EMM）的测量指标因子载荷均满足要求，组合信度（CR）均高于0.85，平均方差提取（AVE）均在0.50以上。区分效度检验（Fornell-Larcker准则和HTMT比率）均符合标准，表明构念之间具有良好的区分性。
2. 结构模型与假设检验
研究构建并检验了包含直接效应、中介效应和调节效应的结构模型。
- •
直接效应：AI对话机器人辅助练习（β = 0.372, p < 0.01）和教师引导（β = 0.264, p < 0.01）均对学生的在线英语学习动机（EMM）有显著的正向直接影响。
- •
中介效应：交流自我效能感（ECSE）在两条路径中均起到显著的部分中介作用。ACEP（β = 0.272, p < 0.01）和EIF（β = 0.398, p < 0.01）都能有效提升学生的ECSE，而更高的ECSE又能进一步正向预测EMM（β = 0.155, p = 0.005）。因此，ACEP通过ECSE对EMM的间接效应（β = 0.042, p = 0.03）和EIF通过ECSE对EMM的间接效应（β = 0.062, p = 0.006）均得到支持。
- •
调节效应：研究的一个关键发现是社交媒体英语学习曝光度（ESEL）的差异化调节作用。ESEL对ACEP → ECSE路径的调节效应不显著（β = 0.006, p = 0.364），即无论学生在社交媒体上接触英语的频率高低，AI对话机器人对自我效能感的提升作用相对稳定。然而，ESEL对EIF → ECSE路径的调节效应显著为正（β = 0.042, p = 0.009）。简单斜率分析显示，当ESEL水平较高时，教师引导对提升学生自我效能感的效果更强。
3. 模型解释力与稳健性
该结构模型解释了交流自我效能感（ECSE）54.9%的方差和在线英语学习动机（EMM）48.5%的方差，显示出较强的解释力。模型拟合指标（如SRMR = 0.054）良好。通过一系列稳健性检验（如未观测异质性检验、测量不变性检验、内生性检验等），研究结果被证实是稳定可靠的。
研究结论与讨论：
本研究得出以下核心结论：首先，在AI赋能的学习环境中，AI工具和教师引导并非相互替代，而是具有互补和协同效应，两者均能独立且直接地促进学生的在线英语学习动机。其次，交流自我效能感是连接外部支持（无论是AI还是教师）与内在动机的关键心理机制。这意味着，无论是通过AI进行个性化练习，还是接受教师的指导，都能通过增强学生“我能用英语有效交流”的信念，进而激发其学习动力。最后，也是最具启示性的发现是，学生在社交媒体等非正式渠道的英语接触，主要扮演了“放大器”的角色，它能够显著增强教师引导对自我效能感的积极影响，但对于AI工具路径的调节作用却不明显。
这一发现具有重要的理论和实践意义。从理论角度看，它深化了生态系统理论在数字学习环境中的应用，揭示了微系统（AI工具、教师）与外部系统（社交媒体环境）之间复杂的互动关系。实践上，研究结果为教育者和管理者提供了清晰的指引：在整合AI技术进行语言教学时，不应削弱反而应强化教师的引导角色。教师需要精心设计将AI任务融入课程的活动，并提供及时的反馈和指导。同时，教师可以有意识地引导学生利用社交媒体上的英语资源，将非正式学习与正式课程内容相结合，从而最大化地巩固和提升教师引导所带来的信心与动机增益。而对于AI工具的设计者而言，研究提示未来的AI教育产品可能需要更深入地融入社会性元素或与教师的指导流程更紧密地结合，以更好地利用外部社会环境的积极影响。总之，这项研究有力地证明，在AI丰富的时代，成功的语言学习生态是“人机协同”的生态，其中教师的高质量引导是激发和维持学习者深层动机不可或缺的核心要素。
