《Acta Psychologica》：Generative AI in EFL contexts: Q-methodological analysis of cognitive dissonance patterns and self-regulation strategies among Chinese tertiary learners
编辑推荐：
随着生成式人工智能（GenAI）在外语教育中日益普及，学习者在享受其个性化学习与效率提升优势的同时，也面临着复杂的心理张力，特别是认知失调。当前研究多基于技术接受模型，未能充分揭示这些并存的心理冲突及其调节机制。为此，本研究基于认知失调理论，运用Q方法学探索了25名中国大学生在英语作为外语（EFL）学习中应用GenAI时体验到的认知失调类型及其自我调节策略。研究识别出三种显著的失调模式：效率-能力失调、工具-传统失调及信任-依赖失调，并进一步归纳了学习者为应对这些失调所采用的六种自我调节策略。该研究构建了基于数据的失调类型学，并映射了失调模式与调节策略的关系，对课堂教学及支持学习者评估与决策的GenAI工具设计具有重要启示。
在当今的外语学习领域，生成式人工智能（GenAI）如同一股无法阻挡的潮流，正深刻改变着英语学习（EFL）的面貌。想象一下，学习者可以随时获得个性化的内容生成、即时反馈和自适应学习路径，效率和学习热情似乎得到了前所未有的提升。然而，在这片技术红利背后，学习者内心并非总是充满阳光。许多研究揭示了学习者在使用GenAI时的复杂情绪——他们享受工具带来的便利，却又担忧会因此削弱自己的创造力和批判性思维；他们依赖AI完成作业，却又因担心学术不端和被教师发现而焦虑。这些相互矛盾的认知和情感状态，在心理学中被称为“认知失调”。以往的研究大多从技术接受与使用（UTAUT）等模型出发，探讨学习者“是否愿意使用”AI，却较少深入关注他们在实际使用中“如何应对”这些内在冲突。认知失调理论（CDT）为理解这种心理不适提供了框架，但将其应用于EFL背景下的GenAI研究仍存在空白。为此，一项发表于《Acta Psychologica》的研究，将目光投向了中国大学生的内心世界，旨在探究他们在使用GenAI辅助英语学习时，究竟经历了哪些具体的认知失调，以及他们如何运用自我调节策略来应对这些矛盾。
为了深入探究这些问题，研究人员采用了定性与定量相结合的Q方法学（Q methodology）。该方法学擅长系统性研究人的主观性，能够揭示人群中共享的观点模式。研究首先通过整合既有量表和对17名学生的预访谈，构建了一个包含45条陈述的Q集（Q-set），这些陈述涵盖了关于GenAI辅助EFL学习的正反两方面观点。接着，研究招募了25名来自不同类型中国高校（综合性大学、理工类大学、语言类院校）的本科生和研究生作为参与者（P-set）。每位参与者需要根据自己的认同程度，将这45条陈述放入一个从“-5（强烈不同意）”到“+5（强烈同意）”的强制准正态分布网格中进行排序，这一过程称为Q排序（Q-sorting）。收集到的所有Q排序数据通过主成分分析（PCA）结合方差最大化旋转（Varimax rotation）进行处理，以识别出共享的主观观点模式。数据分析主要借助了PQMethod和KADE软件。此外，研究还对在每种观点模式上具有高负载（high-loading）的参与者进行了回溯性半结构化访谈，以深入理解其排序背后的理由及他们所采用的具体调节策略。
研究结果揭示了三种清晰的认知失调类型及其对应的自我调节策略：
4.1. 效率-能力失调
4.1.1. 失调表现
共有9名参与者（占总数的36%）表现出这种失调。他们普遍认可GenAI在信息搜集（陈述S25）、文献阅读（S29）和作业完成（S15）等方面带来的效率提升。但同时，他们又强烈担忧这会削弱自己的创造力（S2）、阅读能力（S10）和独立思考能力（S18）。简言之，他们既享受AI带来的即时认知减负（cognitive offloading），又对自身长远能力发展感到焦虑。
4.1.2. 自我调节策略
面对这种矛盾，参与者采用了多种自我调节策略。例如，一些学习者采取选择性忽视（selective neglect），优先考虑短期效率而暂时搁置对能力退化的忧虑。另一些则通过重构行为顺序（sequencing） 来应对，他们先独立完成初稿，再使用AI进行润色和评分，以保留自主认知过程。还有学习者采取了基于情境的实践（context-based practice），根据任务属性调整AI的使用价值，如在网页翻译中追求效率，而在口语练习中则优先考虑能力培养。
4.2. 工具-传统失调
4.2.1. 失调表现
有6名参与者（占24%）属于此类型。他们在工具层面承认AI对英语学习的益处和必要性（S43， S42），但在涉及深度学习或备考等关键任务时（S38），他们更倾向于依赖传统方法和教师指导（S22）。他们认为与AI的互动缺乏真实人际交流的紧张感和趣味性（S6）。本质上，他们将AI定位为一种补充工具，而非核心学习模式。
4.2.2. 自我调节策略
为调节这种失调，学习者采用了认知重构（reframing），例如将AI重新定义为“学习助手”而非“教师”，从而缩小其角色范围。他们也运用基于情境的实践，根据任务特点（如用AI练习口语，但用传统方法备考阅读听力）切换工具。此外，在教师或同伴压力下，部分学习者通过基于从众的合理化（conformity-based rationalization） 逐渐接受AI工具，将其视为一种方便的补充。
4.3. 信任-依赖失调
4.3.1. 失调表现
7名参与者（占28%）表现出这种失调，其中研究生占大多数（85.71%）。他们在日常学习中（尤其是学术写作）高度依赖GenAI（S15， S37），但同时对其生成内容的真实性（S26）和可能引发的学术不端风险（S24）抱有强烈怀疑和焦虑（S34， S16）。他们明确表示不信任AI内容的可靠性（S45）。
4.3.2. 自我调节策略
为应对信任危机，学习者采取了基于从众的合理化策略，通过观察同伴的普遍使用来减轻自身的道德不适感。他们还发展出验证（verification） 习惯，要求AI提供信息来源并进行手动核查，特别是在处理高利害声明时。另一种策略是注意力重构（reframing），即将注意力从持续的伦理焦虑转移到利用AI提升学习成果的具体目标上，从而管理而非消除矛盾。
研究结论与讨论部分系统归纳了上述发现，并强调了其理论和实践意义。本研究发现，中国EFL学习者在GenAI辅助学习中的认知失调并非单一、模糊的态度问题，而是围绕三个核心焦点形成了相对稳定的观点集群：围绕能力发展的效率-能力失调、涉及评估文化与教学传统的工具-传统失调，以及聚焦于可信度与诚信风险的信任-依赖失调。这一类型学表明，即使对AI持相似积极看法的学习者，其内心的核心冲突也可能截然不同。
相应地，学习者发展出了一系列自我调节学习（SRL）策略来应对这些失调，而非简单地停止使用AI。这些策略体现了学习者作为主动调节者，在任务规划、过程监控和行为调整上的能动性。例如，效率-能力失调者通过重构工作流程（如调整AI介入顺序）来保留自主性；工具-传统失调者通过设置边界来保护其信任的传统评估方式；信任-依赖失调者则通过有条件的验证和社会比较来管理风险与焦虑。
这项研究的重要意义在于，它超越了传统的技术接受视角，深入揭示了学习者在采纳新技术时的复杂心理动态。其构建的失调类型学与策略映射关系，为教育工作者提供了更精细的干预依据。例如，针对效率-能力失调，教学设计可融入阶段性任务和元认知日志，帮助学习者可视化AI使用与能力发展的关系；针对工具-传统失调，可采用文化敏感的混合式方法，将AI整合到低风险任务中，同时保持教师在深度学习中的核心地位；针对信任-依赖失调，则需在课堂中建立更清晰的使用规范，并培养学习者的批判性AI素养和验证习惯。
当然，本研究也存在一些局限性，如样本量较小、性别比例不平衡，且Q方法学旨在揭示主观观点模式而非进行统计推断。未来研究可扩大样本范围，追踪失调与调节策略的动态变化，并纳入教师视角，以更全面地理解在考试导向的教育环境中，课堂互动如何塑造学习者的心理冲突。总体而言，这项研究为我们理解AI时代学习者的内心世界打开了一扇窗，提示教育者和技术设计者需在追求技术效率的同时，关注学习者的心理福祉与长期能力发展，设计出更能支持学习者评估与决策的智能化学习环境。
