在人工智能辅助的英语作为外语（EFL）教学中，研究人工智能（AI）的信任感与自我效能感：基本心理需求在学生课堂参与度中的作用

《Frontiers in Psychology》：Modeling AI trust and AI self-efficacy in AI-assisted EFL classrooms: the role of basic psychological needs in classroom engagement

　　摘要

随着人工智能（AI）在英语作为外语（EFL）课堂中的使用日益增加，人们开始探讨学习者对AI的看法与其课堂参与度之间的关联。为此，本研究分析了在AI辅助的EFL学习环境中，AI信任、AI自我效能感、基本心理需求（BPNs）满足感与课堂参与度之间的关系。共有1002名中国大学生完成了测量这些心理结构的问卷调查。数据通过验证性因子分析和结构方程模型（SEM）进行了处理。结果显示，AI信任和AI自我效能感与学习者在自主性、能力感和归属感方面的满意度呈正相关。而BPNs的满足感又与课堂参与度有显著关系。然而，这两种变量对课堂参与度的直接影响并不显著，相反，它们通过BPNs的满足感间接影响了参与度，这符合统计中介作用模式。研究结果表明，学习者对AI的认知主要通过与学习动机体验的关联来影响课堂参与度，而非直接驱动参与行为。该研究有助于理解学习者对AI的认知与课堂参与度之间的联系，并强调了在AI辅助的EFL课堂中支持性教学设计的重要性。

1. 引言

人工智能（AI）越来越多地融入英语作为外语（EFL）课堂，改变了学习者参与和体验课堂学习的方式。基于AI的工具现在被广泛用于支持语言练习、反馈和任务完成，使AI支持的活动成为课堂教学的常规组成部分，而不再是偶尔使用的补充手段。然而，先前的研究一致表明，教学创新的有效性更多取决于学习者的积极参与，而非技术的可用性（Reeve, 2013; Skinner and Pitzer, 2012）。在EFL情境中，语言发展依赖于持续的参与和互动，因此理解学习者在AI辅助课堂中的参与情况变得至关重要。课堂参与度通常被定义为学习者在学习活动中的行为、情感和认知投入（Fredricks et al., 2004, 2016）。在第二语言研究中，参与度也被视为学习者对语言本身的投入，强调学习者如何在课堂任务中关注和处理语言输入（Svalberg, 2009）。越来越多的证据表明，参与度是一个动态的、受情境影响的概念，而不是稳定的学习者特征，反映了学习者在特定教学环境中的持续动机体验（Reeve, 2013; Zhang, 2021）。从这个角度来看，课堂参与度是衡量EFL课堂教学质量的重要指标，包括那些由AI技术支持的课堂。

从自我决定理论（SDT）的角度来看，课堂参与度与学习者对基本心理需求（BPNs）——自主性、能力感和归属感的满足密切相关（Deci and Ryan, 2000; Ryan and Deci, 2017）。当这些需求得到满足时，学习者更有可能投入努力，坚持学习任务，并表现出积极的学习相关情绪。最近关于AI辅助EFL学习的研究表明，如灵活的学习节奏、有针对性的反馈和指导性的AI使用等教学特征可能有助于提升学习者的自主感和能力感，而支持性的AI整合可以增强归属感（Annamalai et al., 2023; Chiu et al., 2023; Wang et al., 2025a）。同时，设计不当或控制过多的AI使用可能会削弱这些需求，降低学习者的参与度（Annamalai et al., 2023; Chiu et al., 2023）。除了动机体验外，学习者对AI的认知也被认为是影响AI辅助学习的重要因素。在EFL情境中，AI信任反映了学习者愿意依赖AI系统获取语言支持的意愿，而AI自我效能感则指学习者对自己在学习任务中有效使用AI工具的信心（Wang F. et al., 2025; Wang and Chuang, 2024）。新兴的实证证据表明，信任AI并认为自己能够使用它的学习者更有可能持续参与AI支持的活动，并认为AI的使用对学习有益（Annamalai et al., 2025; Chiu et al., 2024; Li and Chiu, 2025）。然而，除非学习者的BPNs也得到满足，否则这些与AI相关的认知可能不会直接转化为持续的课堂参与度（Ryan and Deci, 2017; Wang and Wang, 2024）。基于此，本研究探讨了AI信任、AI自我效能感、BPNs满足感与AI辅助EFL学习中的课堂参与度之间的关系。通过将SDT与关于AI相关认知的研究相结合，本研究提出了一个结构模型，该模型包含了将学习者的AI认知与课堂参与度直接和间接联系起来的路径。通过这种方式，本研究旨在明确AI辅助教学与学习者参与度之间的动机机制，并提供实证依据，以指导AI支持EFL课堂的教学设计。

2. 文献综述

2.1 理论框架

自我决定理论（SDT）为理解学习者在教育情境中的动机和参与度提供了一个重要的理论框架。SDT认为，人类动机是由三个基本心理需求的满足所塑造的：自主性、能力感和归属感（Deci and Ryan, 2000）。自主性指的是个人在行动中的选择权和心理自由感；能力感反映了对学习任务的有效感和进步感；归属感指的是在社会环境中感受到他人的联系和支持（Ryan and Deci, 2000, 2017）。当这些需求得到满足时，个体更有可能体验到内在动机、持久性和积极的学习参与（Li et al., 2025）。在教育环境中，SDT被广泛用于解释学生为何会积极参与学习。基于SDT的研究表明，当学习环境支持学生的自主性、能力感和归属感时，学生更有可能表现出更高的行为参与度、情感投入和认知投入（Noels, 2023; Wang and Xue, 2024）。相反，当这些需求受到削弱时，学生的动机和参与度会下降（Wang and Wang, 2024）。

在技术增强型学习环境中，SDT也被用来理解数字工具如何影响学生的学习体验。先前的研究表明，技术环境可以根据其融入教学实践的方式，支持或阻碍学习者的心理需求（Li et al., 2025; Wu and Wang, 2025）。在AI辅助学习环境中，如自适应反馈、灵活的学习支持和交互式协助等功能可能有助于提升学习者的自主感和能力感，而支持性的教师指导和协作式的AI使用可以帮助维持归属感（Wang et al., 2025a; Wu and Wang, 2025）。基于这一视角，本研究采用SDT作为指导框架，探讨AI信任和AI自我效能感是否通过基本心理需求的满足感间接影响课堂参与度。

2.2 课堂参与度

课堂参与度指的是学生学习活动的积极参与程度，它可能因时间、任务和教学情境的不同而有所差异（Skinner and Pitzer, 2012）。它通常被视为学生动机的可见指标，显示了他们在学习中投入的努力和持久性（Reeve, 2013）。在EFL情境中，参与度尤为重要，因为语言发展高度依赖于持续的参与、互动以及愿意处理语言输入和课堂任务（Lin and Wang, 2025; Wang X. et al., 2025; Wang and Xue, 2024）。在第二语言研究中，参与度也被视为学习者对语言本身的投入，强调学习者如何在学习活动中关注和处理语言（Svalberg, 2009; Wang et al., 2025d）。因此，参与度现在被广泛视为学习质量的动态且有意义的指标，而不仅仅是完成任务所花费时间的简单衡量（Zhang, 2021）。相关研究通常认为课堂参与度具有多个维度（Sinatra et al., 2015）。大多数框架关注三个主要维度：行为参与、情感参与和认知参与。行为参与指的是学习者在课堂活动中的可见参与、努力和坚持；情感参与描述了学习者对学习的兴趣、享受或焦虑等情绪；认知参与反映了学习者在学习中的心理投入，包括学习策略的应用和自我调节（Fredricks et al., 2004, 2016）。虽然课堂参与度反映了学习者的积极参与，但它不仅是个人特征，还受到情境和动机因素的影响。从SDT的角度来看，当学习者的自主性、能力感和归属感需求得到满足时，课堂参与度更有可能出现（Deci and Ryan, 2000）。在这些需求得到支持时，学习者更有可能表现出更大的努力、更积极的学习相关情绪和更深入的认知参与（Ryan and Deci, 2017）。在AI辅助的EFL学习环境中，课堂参与度与学习者如何感知和使用AI工具密切相关（Guo and Wang, 2025; Wang et al., 2025b; Wu et al., 2025）。新兴的实证研究表明，与AI相关的认知，如AI信任和AI自我效能感，与学习者愿意持续参与、投入努力并在AI支持的语言学习任务中更积极地参与有关（Tram et al., 2024; Wang and Wang, 2025; Yu et al., 2026）。然而，尽管AI在EFL课堂中的使用日益增加，但明确将AI相关认知与课堂参与度联系起来的研究仍然有限，这表明需要进一步的研究。

2.3 基本心理需求满足感

SDT认为，当三个BPNs得到满足时，学习者更有可能表现出高质量的动机：自主性、能力感和归属感（Deci and Ryan, 2000）。自主性是指对自己学习行为的选择和控制感；能力感是指对自己能力的认同和进步感；归属感是指在社会环境中感受到他人的联系和支持（Ryan and Deci, 2017, 2020）。当这些需求得到满足时，学习者更有可能以更大的兴趣和持久性进行学习。在AI辅助的EFL学习中，BPNs的满足感反映了学习者是否认为AI支持的学习提供了有意义的选择、帮助他们取得进步，并给予鼓励或归属感（Ryan and Deci, 2017）。关于AI支持EFL学习的研究表明，灵活的学习节奏和有针对性的反馈通常与自主感和能力感满足感相关，而当AI互动被视为响应式的以及教师以支持性方式指导AI使用时，归属感也更有可能出现（Annamalai et al., 2023; Chiu et al., 2023; Wu and Wang, 2025）。同时，这些好处取决于教学设计：如果AI使用感觉具有控制性或整合不当，学习者可能会感到自主性和能力感下降（Li et al., 2025; Wang et al., 2025b; Wang and Guo, 2026）。总体而言，关于AI中介语言学习的实证研究表明，当学习者在自主性、能力感和归属感方面的满意度较高时，他们的参与度和继续进行AI支持学习的动力也更强（Annamalai et al., 2025; Chiu et al., 2024; Li and Chiu, 2025）。从SDT的角度来看，这种模式表明BPNs的满足感是一个关键的动机过程，通过这一过程，学习者在AI支持学习中的认知和体验转化为积极的参与（Wang and Wang, 2024）。在AI辅助的EFL情境中，学习者对使用AI的信心以及他们依赖AI支持的意愿可以理解为影响能力感和自主感需求是否得到满足的重要条件，这反过来又支持了持续的课堂参与（Li et al., 2025）。

2.4 AI信任

在AI辅助的EFL学习中，AI信任指的是学习者愿意依赖AI系统获取语言相关的支持，例如反馈、解释或建议（Wang F. et al., 2025）。最近的研究将AI信任视为一个多方面的认知，包括对AI能力、准确性和适用性的感知（Jiang et al., 2025; Mehrotra et al., 2024; Pitts and Motamedi, 2025）。这一更广泛的观点在EFL学习中尤为重要，因为学生经常需要在复杂任务（如写作或修改）中决定是否接受、适应或质疑AI生成的语言输出（Wang, 2026）。从学习的角度来看，AI信任与持续参与AI支持的活动密切相关，因为当学习者认为AI支持是可靠和适当的，他们更有可能投入努力和注意力（Hou et al., 2025; Wang F. et al., 2025; Wang et al., 2025c）。同时，人们对人工智能的信任既受到系统特性和课堂任务设计的影响，也受到信任水平过低或过高的影响，这些因素可能会阻碍学生在人工智能辅助的外语学习（EFL）中的有效参与（Khoso等人，2026年；Wang等人，2026年；Zhang等人，2025年）。2.5 人工智能自我效能指的是个体对自己在特定情境下执行所需行动以实现期望结果的能力的信念（Bandura，1977年）。在人工智能支持的学习中，这一概念被扩展为人工智能自我效能，反映了学习者对自己能够有效使用和与人工智能系统互动进行学习的信心。最近的研究将人工智能自我效能定义为学习者在完成任务过程中理解、操作并从人工智能工具中受益的感知能力，而不仅仅是拥有技术技能（Wang和Chuang，2024年）。跨教育领域的实证证据表明，人工智能自我效能在塑造学习者的态度、持久性和参与度方面起着重要作用（Chen等人，2024年；Shao等人，2025年；Wang和Gao，2025年）。在外语学习背景下，人工智能自我效能尤为重要，因为学习者必须积极解读、评估并将人工智能生成的反馈整合到他们自己的语言产出中。从动机角度来看，那些觉得自己能够使用人工智能的学习者更有可能投入精力并在人工智能成为课堂学习的一部分时保持参与度，这使得人工智能自我效能成为人工智能辅助外语学习环境中持续参与的一个合理的心理前提（Huang等人，2024年；Wang和Chuang，2024年；Wang等人，2025b）。2.6 假设模型基于上述概念和实证见解，将人工智能辅助外语学习中的课堂参与度视为一个受学习者与人工智能相关信念及其基本心理需求（BPNs）满足度影响的动机结果。先前的研究表明，课堂参与度反映了学习者的持续行为、情感和认知参与，并受到动机和情境因素的强烈影响（Fredricks等人，2016年；Reeve，2013年；Skinner和Pitzer，2012年）。从社会决定理论（SDT）的角度来看，当学习者在自主性、能力和关联性方面的需求得到满足时，参与度更有可能出现（Deci和Ryan，2000年；Ryan和Deci，2017年）。在人工智能辅助外语学习的背景下，学习者对人工智能的信任和人工智能自我效能已被证明会影响他们对人工智能支持学习的感知和体验，特别是在能力和自主性支持方面（Annamalai等人，2023年；Chiu等人，2023年；Li等人，2025年；Wang和Chuang，2024年）。同时，越来越多的证据表明，BPNs的满足度作为一个比单纯的与人工智能相关信念更近端的动机机制，对课堂参与度起着作用（Ryan和Deci，2017年；Wang和Wang，2024年）。因此，提出了以下假设（见图1）：图1 假设模型。H1：对人工智能的信任与学习者的BPNs满足度呈正相关H2：人工智能自我效能与学习者的BPNs满足度呈正相关H3：BPNs的满足度与课堂参与度呈正相关H4：对人工智能的信任与课堂参与度呈正相关H5：人工智能自我效能与课堂参与度呈正相关H6：BPNs的满足度调节了对人工智能信任与课堂参与度之间的关系H7：BPNs的满足度调节了人工智能自我效能与课堂参与度之间的关系。3 方法论3.1 参与者参与者来自中国一所综合性大学的1,002名本科生（见表1）。其中，457名为男性（45.61%），545名为女性（54.39%）。在年龄方面，206名（20.56%）学生年龄在18岁或以下，682名（68.06%）学生年龄在19至20岁之间，71名（7.09%）学生年龄在21至22岁之间，43名（4.29%）学生年龄在23岁或以上。按学年划分，样本包括440名一年级学生、450名二年级学生、46名三年级学生和66名四年级学生。所有参与者在数据收集时都选修了必修的外语课程，并且之前有使用基于人工智能的工具进行课堂学习的经验。表1 变量类别n%性别男性45745.61女性54554.39年龄18岁或以下20620.5619–20岁68268.0621–22岁717.0923岁或以上434.29学年一年级44043.91二年级45044.91三年级464.59四年级666.59人口统计信息。3.2 数据收集数据通过在中国广泛使用的调查平台Wenjuanxing上发放的在线问卷收集。问卷是在课程教师的协助下分发给选修目标外语课程的学生们的。数据收集持续了6周，从2025年12月到2026年1月。在问卷开始时，提供了知情同意声明。声明清楚地解释了研究的目的、参与的自愿性以及回答的保密性。学生被告知他们的参与不会影响课程成绩，并且他们可以在任何时候无惩罚地退出调查。只有表示同意的学生才能继续填写主问卷。所有回答都是匿名收集的，没有收集任何个人身份信息。数据仅用于研究目的。该研究遵循了涉及人类参与者的相关机构和国家级伦理指南。为了减少常见方法偏差的潜在影响，在数据收集过程中应用了几种程序性补救措施，包括自愿参与、匿名回答以及明确说明没有正确或错误的答案（Podsakoff等人，2003年）。此外，还对常见方法方差进行了事后统计评估，并在结果部分进行了报告。3.3 工具本研究中使用的所有工具都是从先前经过验证的英语语言量表改编而来的。按照标准的跨文化研究程序，原始的英语问卷被翻译成中文。然后由两位具有外语研究和教育测量经验的专家审阅了翻译版本，以确保语言准确性、概念等效性和适用于人工智能辅助外语课堂环境。在最终确定问卷之前，任何差异都通过共识进行了讨论和解决。四个量表中的所有项目都使用五点李克特量表进行测量，范围从1（强烈不同意）到5（强烈同意）。对人工智能的信任使用McGrath等人（2025年）开发的三项量表进行测量，该量表评估学习者依赖人工智能系统的意愿及其对人工智能在任务支持中的可靠性的看法。在本研究中，该量表显示出良好的内部一致性（Cronbach's α = 0.926）。本研究使用这个经过验证的简短量表来捕捉学习者对人工智能在课堂任务支持方面的整体信任，而不是区分特定的子维度，如透明性、适当性或感知能力。人工智能自我效能使用Morales-García等人（2024年）改编的六项GSE-6AI量表进行评估。该量表侧重于学习者感知到有效使用人工智能工具进行学习的能力。在本研究中，该量表的内部一致性很高（Cronbach's α = 0.960）。学习者的BPNs满足度使用Hew和Kadir（2016年）基于自我决定理论开发的九项量表进行测量。该量表捕捉了学习者在技术支持的学习环境中对自主性、能力和相关性的感知满足度。该量表在当前样本中显示出良好的内部一致性（Cronbach's α = 0.981）。课堂参与度使用Eerdemutu等人（2024年）开发的九项语言课堂参与度量表（LCES）进行测量。该量表评估学习者在语言课堂活动中的行为、情感和认知参与度。在本研究中，该量表显示出良好的内部一致性（Cronbach's α = 0.976）。3.4 数据分析所有统计分析都使用IBM SPSS AMOS 24.0进行。在模型测试之前进行了数据筛选，以确保数据集适合结构方程建模。分析遵循了两步程序。首先进行了验证性因子分析（CFA），以评估四个潜在结构（对人工智能的信任、人工智能自我效能、BPNs满足度和课堂参与度）的测量模型。使用SEM研究中常用的拟合指数评估了模型拟合度。还检查了标准化因子载荷，以评估项目与其相应潜在结构之间的关系强度。基于CFA结果，检查了可靠性和收敛/区分效度。使用Cronbach's alpha评估了内部一致性。计算了复合可靠性（CR）和平均方差提取（AVE）以评估构念可靠性和收敛效度。首先使用Fornell-Larcker准则评估了区分效度，通过比较每个结构的AVE的平方根与其与其他结构的相关性（Fornell和Larcker，1981）。此外，还计算了异质性-单痕量比（HTMT）作为更严格的区分效度测试（Henseler等人，2015）。为了评估常见方法方差的潜在影响，还通过将所有测量项目加载到一个潜在因素上，并将其拟合度与假设的四个因素测量模型的拟合度进行比较来测试基于CFA的单因素模型（Podsakoff等人，2003）。在建立了可接受的测量模型后，进行了结构方程建模（SEM），以检验对人工智能的信任、人工智能自我效能、BPNs满足度和课堂参与度之间的假设关系。直接关系根据所提出的模型进行估计，并在SEM框架内检查了BPNs满足度的中介作用。4 结果4.1 初步分析表2展示了四个构念的描述性统计数据。平均值在3.923到4.102之间，表明参与者普遍报告了对人工智能的信任、人工智能自我效能、BPNs满足度和课堂参与度处于中等较高的水平。偏度和峰度值较小且处于可接受范围内，表明在构念层面没有观察到严重的正态性偏离。表2 构念平均值SD峰度偏度对人工智能的信任3.9230.716?0.013?0.137人工智能自我效能3.9760.7180.115?0.233BPNs满足度4.1020.6650.012?0.267课堂参与度4.0860.696?0.291?0.235描述性统计。表3总结了假设的四因素测量模型和用于评估常见方法方差的单因素模型的拟合指数。结果表明模型的拟合度是可以接受的（RMSEA = 0.079，CFI = 0.949，NFI = 0.942，IFI = 0.949，TLI = 0.944），符合通常推荐的基准值（Kline，2016年）。基于此，认为测量模型是合适的，随后测试了结构模型以检验假设关系。表3 模型RMSEACFIIFITLIF四因素0.0790.9490.9420.9490.944单因素0.1820.7270.7210.7270.704基准值< 0.08> 0.90> 0.90> 0.90> 0.90四因素和单因素模型的拟合指数。相比之下，单因素模型对数据的拟合度明显较差（RMSEA = 0.182，CFI = 0.727，NFI = 0.721，IFI = 0.727，TLI = 0.704）。与假设的四因素测量模型相比，这种较差的拟合度表明单一的共同因素无法充分解释研究变量之间的协方差。因此，常见方法方差不太可能完全解释本研究中观察到的关系（Podsakoff等人，2003）。接下来，如表4所示，标准化因子载荷范围在0.863到0.944之间，表明所有项目都强烈加载在其预期的构念上。还计算了CR和AVE，所有值都满足了构念可靠性和收敛效度的普遍接受标准。使用Fornell-Larcker准则评估了区分效度。AVE的平方根（对角线上报告）大于构念之间的相关性，表明区分效度足够（Fornell和Larcker，1981）。表4 构念载荷范围AVECR1234对人工智能的信任0.881–0.9230.8060.9260.898人工智能自我效能0.863–0.9340.8020.9600.8560.896BPNs满足度0.905–0.9440.8520.9720.7700.7700.923课堂参与度0.872–0.9250.8160.9760.6460.6690.8490.903可靠性和区分效度（Fornell-Larcker准则）。此外，还使用HTMT进一步检验了区分效度，HTMT提供了更严格的评估。如表5所示，所有HTMT值都在0.644到0.856之间，低于推荐的0.90阈值，进一步支持了测量模型的区分效度（Henseler等人，2015）。表5 构念1234对人工智能的信任–人工智能自我效能0.856–BPNs满足度0.6630.644–课堂参与度0.7720.7700.849–构念相关性的HTMT。4.2 结构模型结果结构方程模型用于检验对人工智能的信任、人工智能自我效能、BPNs满足度和课堂参与度之间的假设关系。图2展示了结构模型的标准化路径系数，表6总结了直接效应和相应的置信区间。图2 结构方程模型。模型拟合：χ2(317) = 2320.887，p < 0.001，χ2/df = 7.321，SRMR =0.026，RMSEA = 0.079，CFI = 0.949，NFI = 0.942，IFI = 0.944。表6 假设路径βSE95% CIp结果直接效应H1对人工智能的信任 → BPNs满足度0.4150.066(0.291, 0.549)< 0.001支持H2人工智能自我效能 → BPNs满足度0.4140.066(0.282, 0.541)< 0.001支持H3BPNs满足度 → 课堂参与度0.8410.043(0.739, 0.911)0.001支持H4对人工智能的信任 → 课堂参与度?0.0770.054(?0.187, 0.025)0.138不支持H5人工智能自我效能 → 课堂参与度0.0890.050(?0.005, 0.194)0.065不支持间接效应H6对人工智能的信任 → BPNs满足度 → 课堂参与度0.349—(0.239, 0.474)< 0.001支持H7对人工智能的信任 → BPNs满足度 → 课堂参与度0.348—(0.235, 0.460)< 0.001支持直接效应H1：对人工智能的信任与BPNs满足度呈正相关[β = 0.415，SE = 0.066，95% CI (0.291, 0.549)，p < 0.001]，支持H1。同样，人工智能自我效能也与BPNs满足度呈现显著的正相关[β = 0.414，SE = 0.066，95% CI (0.282, 0.541)，p < 0.001]，支持H2。BPNs的满意度与课堂参与度之间存在强烈的正相关关系 [β = 0.841, SE = 0.043, 95% CI (0.739, 0.911), p = 0.001]，这为H3提供了支持。相比之下，AI信任和AI自我效能对课堂参与度的直接影响并不显著。从AI信任到课堂参与度的路径是负相关的且不显著 [β = ?0.077, SE = 0.054, 95% CI (?0.187, 0.025), p = 0.138]，从AI自我效能到课堂参与度的路径也不显著 [β = 0.089, SE = 0.050, 95% CI (?0.005, 0.194), p = 0.065]。因此，H4和H5未得到支持。就间接效应而言，AI自我效能和AI信任都通过BPNs的满意度与课堂参与度显示出显著的相关性。AI自我效能通过BPNs满意度对课堂参与度的间接效应是显著的 [β = 0.348, 95% CI (0.235, 0.460), p < 0.001]，支持H6；同样，AI信任通过BPNs满意度对课堂参与度的间接效应也是显著的 [β = 0.349, 95% CI (0.239, 0.474), p < 0.001]，支持H7。这些结果表明，在所提出的模型中，BPNs的满意度在AI相关信念与课堂参与度之间的关系中起到了统计上的中介作用。

5. 讨论
本研究探讨了在人工智能辅助的英语作为外语（EFL）环境中，AI信任、AI自我效能、BPNs满意度以及课堂参与度之间的关系。研究结果呈现出一个清晰且理论上一致的模式：AI信任和AI自我效能都与BPNs满意度呈正相关，而BPNs满意度又与课堂参与度有很强的正相关性。然而，一旦将BPNs满意度纳入模型，AI信任和AI自我效能对课堂参与度的直接影响就不显著了。相反，这两个变量都通过BPNs满意度与课堂参与度形成了显著的间接关联。这些发现表明，学习者的AI相关信念主要是通过与动机体验的关联，而不是通过与参与行为的直接关系来影响课堂参与度的。这一模式也与自我决定理论（SDT，Deci和Ryan，2000；Ryan和Deci，2017）的核心观点一致，该理论认为情境和信念相关因素主要通过影响学习者对自主性、能力感和关联性的基本心理需求满足度来影响参与度。从这个意义上说，AI信任和AI自我效能可能作为先决感知，塑造了学习者的动机体验，而BPNs满意度则代表了更直接的机制，激发了课堂参与度。AI信任、AI自我效能与BPNs满意度之间的正相关性与以往的研究结果一致。在人工智能辅助的EFL环境中，将AI工具视为可靠和有用的学习者往往认为学习任务更易于管理且更具支持性，尤其是在能力感和自主性方面（Annamalai等人，2023；Chiu等人，2023；Li等人，2025）。同样，具有更高AI自我效能的学习者更有可能觉得能够处理AI生成的反馈和建议，这可以减少不确定性，并在完成任务过程中增强进步感（Wang和Chuang，2024；Wang和Wang，2024；Wang等人，2025b）。总的来说，这些发现表明，对AI的积极信念与人工智能辅助EFL课堂中更支持需求的学习体验相关。然而，将BPNs满意度视为一个单一的潜在结构会降低研究的理论细致度。从SDT的角度来看，自主性、能力感和关联性是可区分的需求（Deci和Ryan，2000；Ryan和Deci，2017）。因此，尽管当前模型捕捉到了BPNs满意度的整体动机作用，但它并未揭示AI信任和AI自我效能是否通过不同的需求路径与课堂参与度相关联（Annamalai等人，2023；Chiu等人，2023）。BPNs满意度与课堂参与度之间的强相关性进一步支持了自我决定理论和先前的参与度研究。参与度被广泛理解为一个受动机驱动且受情境影响的过程，而不是一个稳定的学习者特征（Reeve，2013；Skinner和Pitzer，2012；Zhang，2021）。在EFL课堂上，参与度反映了学习者在语言相关活动中的持续行为参与、情感投入和认知投入（Fredricks等人，2016；Svalberg，2009）。先前的研究表明，当学习者感到自主、有能力并获得社会支持时，他们更有可能保持参与并坚持课堂学习（Li等人，2025；Lin和Wang，2025；Wu和Wang，2025）。当前的研究成果与这一研究方向一致，并强调了动机体验在课堂参与度中的潜在重要性。

AI信任到课堂参与度的负相关但不显著的直接路径需要更为谨慎的解释。重要的是，AI信任在双变量层面与课堂参与度呈正相关，但在纳入BPNs满意度和AI自我效能后，其直接系数略微变为负值。这表明该系数应被解释为残余的直接效应，而不是AI信任本质上对课堂参与度有害的证据。从SDT的角度来看，AI信任的动机益处可能主要通过学习者对自主性、能力感和关联性的满足感来传递，这些是更直接的参与度前因（Deci和Ryan，2000；Ryan和Deci，2017；Wang和Wang，2024）。一旦考虑到这种共享的正向变异，AI信任的剩余变异可能反映了学习者对AI的被动依赖，即他们在接受AI生成的建议时缺乏足够的监督、评估或反思。在人工智能辅助的EFL课堂上，这种依赖可能会削弱主动性和认知参与，尤其是在课堂任务不要求学习者质疑、调整或将AI输出有意义地整合到自己学习过程中时（Reeve，2013；Wang等人，2025c；Yu等人，2026；Zhang等人，2025）。同时，由于这种直接效应不显著，不应过度解读其负向意义。更合适的结论是，AI信任主要通过诸如BPNs满意度这样的动机体验与课堂参与度相关，而不是通过一个稳定的直接路径（Chiu等人，2024；Li和Chiu，2025；Wang和Wang，2024）。

本研究观察到的显著间接效应突显了BPNs满意度在AI相关信念与课堂参与度之间的统计关系中的核心作用。结果表明，AI信任和AI自我效能与参与度的关联主要体现在它们与学习者在课堂上的选择、能力感和连接感的体验相关时。这种中介模式与EFL和教育心理学领域的先前研究结果一致，这些研究表明，持续的参与度取决于动机质量，而不仅仅是工具感知（Li等人，2025；Ryan和Deci，2017；Wang和Wang，2024）。从这一意义上说，本研究通过阐明AI相关信念在更广泛的动机系统中的位置，补充了早期实证工作的不足。总体而言，研究结果表明，AI信任和AI自我效能是与人工智能辅助EFL学习中的课堂参与度相关的变量，这些关系似乎是通过学习者对BPNs满意度的中介作用来实现的。通过将AI相关信念纳入基于SDT的框架，本研究有助于理解学习者对AI的感知、动机体验与课堂参与度之间的关系。同时，这些结果应谨慎解读，因为数据来源于单一大学环境中的学生，并基于横断面自我报告测量。因此，结论不应在没有进一步实证支持的情况下推广到类似的教育环境中。

6. 启示
本研究的发现表明，仅仅促进学习者对AI的信任及其使用AI的信心并不足以确保他们积极参与课堂学习。相反，AI相关信念似乎主要是通过学习者对基本心理需求的满足来影响参与度。这突显了关注AI支持教学的动机质量的重要性，而不仅仅是将AI的采用视为一个纯粹的技术问题。换句话说，人工智能辅助学习环境的有效性不仅取决于AI工具的可用性，还取决于这些工具如何以支持学生心理需求的方式整合到学习活动中。在课堂层面，教师应通过支持学习者的自主性、能力感和关联性来整合AI工具。例如，教师可以提供关于如何使用AI工具完成语言任务的结构化选择，如允许学生选择不同的AI辅助策略来起草、修改或练习语言技能。这样的选择可以增强学生的自主感，并鼓励他们在学习中发挥更积极的作用。此外，通过明确学习目标并提供如何解释、评估和应用AI生成的反馈的指导，可以增强能力支持。应鼓励学生批判性地参与AI建议，并将其整合到自己的语言产出中。此外，设计包含同伴互动和教师指导的人工智能辅助活动有助于维持课堂学习的社会维度，并增强学生在学习环境中的关联性。

在更广泛的层面上，这些发现也对教师准备和与语言教育中AI整合相关的网络发展提出了启示。目前的许多培训计划主要集中在AI工具的技术操作上。然而，本研究的结果表明，教师也可能受益于理解AI支持的教学如何与学生的动机和参与度互动。因此，网络发展计划可以更加重视支持需求的教学策略，帮助教师设计促进自主性、能力感和关联性的AI辅助学习环境。通过培养技术和教学意识，教育工作者可以更好地准备将AI整合到支持持续参与和有意义学习的环境中。

7. 限制与未来方向
本研究存在几个局限性。首先，数据是通过自我报告问卷收集的，可能会受到常见的方法偏差和社会期望效应的影响。尽管使用了经过验证的工具，并且测量模型显示出令人满意的心理测量属性，但学习者报告的参与度和AI相关信念可能无法完全反映他们的实际课堂行为。未来的研究可以结合多种数据来源，如课堂观察、学习日志或系统生成的使用数据，以提供更全面的AI辅助EFL学习参与度图景。其次，横断面设计限制了对这些关系中因果关系的解释。虽然结构模型在理论上是有根据的，但路径的方向性无法确定。因此，此处测试的中介模型应被视为对研究变量之间关系的理论性统计表示，而不是因果路径的证据。此外，当前分析集中在基于自我决定理论的假设模型上，并未测试其他竞争模型。未来的研究可以采用纵向或干预性的设计，并比较不同的结构模型，以进一步检验所提出的中介结构的稳健性。第三，样本来自单一大学环境，这可能限制了研究结果的普遍性。不同的机构文化、教学设计和AI整合实践可能导致不同的动机动态。未来的研究可以在不同的教育环境中复制该模型，包括不同的大学、水平或教学形式。此外，进一步的研究可以分别探讨自主性、能力和关联性的不同作用，并检验课堂参与度的不同维度，以更细致地理解人工智能辅助EFL课堂中的动机过程。最后，尽管当前研究将基本心理需求的满足度视为一个单一的潜在结构，但SDT将自主性、能力感和关联性视为可区分的维度。未来的研究可以分别探讨这三个需求，以更细致地理解它们与AI信任、AI自我效能和人工智能辅助EFL课堂中的参与度的关系。