AI自适应英语外语阅读中的个性化与同质化之争:认知负荷、学习者能动性与阅读发展

《Behavioral Sciences》:Personalization and the Homogenization Debate in AI-Adaptive EFL Reading: Cognitive Load, Learner Agency, and Reading Development

【字体: 大 中 小 】 时间:2026年08月27日 来源:Behavioral Sciences 3.2

编辑推荐:

  这项探索性整群随机混合方法研究考察了在AI自适应、教师差异化及非差异化英语外语(EFL)阅读教学条件下,阅读发展与学习者体验的差异。87名大学水平EFL学习者,依据欧洲语言共同参考框架(CEFR)水平进行分层,完成了为期12周的干预,涉及四个完整课堂:两个AI

  
这项探索性整群随机混合方法研究考察了在AI自适应、教师差异化及非差异化英语外语(EFL)阅读教学条件下,阅读发展与学习者体验的差异。87名大学水平EFL学习者,依据欧洲语言共同参考框架(CEFR)水平进行分层,完成了为期12周的干预,涉及四个完整课堂:两个AI自适应课堂、一个教师差异化课堂和一个非差异化课堂。阅读发展采用经Rasch模型校准和CEFR切分数值映射的等值平行卷雅思(IELTS)格式测试进行评估。学习者体验采用具有满意内部一致性信度及初步结构效度证据的多项量表进行测量,涵盖认知负荷、投入度、教学舒适感及阅读成就感知所有权,并辅以质性反思。由于教学条件在课堂层面分配且仅有四个整群可用,阅读发展模式主要通过可恢复的模型隐含前后测变化的描述性比较进行解释,同时将参与者层面混合设计方差分析(mixed-design ANOVA)和整群校正混合效应模型作为次要分析报告。合并的AI自适应课堂在模型隐含的前后测增长上大于对照课堂,而两项次要分析均显示相同方向模式但存在较大不确定性。描述性结果显示,AI自适应课堂中的学习者报告了更低的认知负荷以及更高的投入度、教学舒适感和阅读成就感知所有权。这些发现提供了与AI自适应个性化相关的有利模式的初步课堂层面证据,但并未确立因果性或可推广的教学效应。未来需要更大规模的整群随机研究,以分离教学效应与课堂层面影响,并考察与熟练度相关的差异。
**AI自适应EFL阅读中的个性化与同质化之争:认知负荷、学习者能动性与阅读发展——论文解读**

**1. 研究背景与问题**

随着人工智能(AI)在语言教育中的快速整合,教学输入的提供方式、排序方式及学习体验均发生深刻变化。在英语作为外语(EFL)阅读领域,AI自适应系统通过实时分析学习者表现,动态调整文本难度、词汇密度、衔接度和支架强度,实现了精细化的个性化教学。个性化长期以来被视为阅读教学的教育理想,相关研究认为,当教学输入与学习者熟练度和认知能力相匹配时,理解力会提高,不必要的认知负荷会减少,有意义的学习投入会增强。然而,新兴研究开始质疑算法中介的个性化是否可能在无意中塑造学习者自主性、能动性和投入模式,甚至引发同质化问题。当前大多数研究孤立地考察AI阅读工具,或仅与传统非差异化教学对比,极少将AI自适应个性化与专家人类设计的分化教学进行比较,因此无法明确AI是否产生了与专家人类分化不同的结果。此外,现有研究多侧重结果测量而忽视认知与情感机制,对熟练度差异的敏感性也缺乏理论化探讨。本研究正是在此背景下开展,旨在比较AI自适应教学、教师差异化教学与传统非差异化教学三种条件下,学习者的阅读发展、认知负荷、投入度、教学舒适感及阅读成就感知所有权等方面的差异,并回应个性化-同质化之争。

**2. 研究方法概述**

本研究采用整群随机比较设计,在沙特阿拉伯伊玛目·穆罕默德·本·沙特伊斯兰大学语言与翻译学院英语语言中心开展,参与者为87名大一女性EFL学习者(18-21岁),分属四个完整课堂:两个AI自适应课堂(N=44)、一个教师差异化课堂(N=21)和一个非差异化课堂(N=22)。干预持续12周,所有课堂由同一位教师采用脚本化教案和条件特定方案授课。阅读发展采用基于IELTS学术阅读规格开发的两套平行卷测试,经Rasch模型校准、共同题等值及CEFR切分数值映射。学习者体验采用18项量表测量认知负荷、投入度、教学舒适感和阅读成就感知所有权,并进行四因子验证性因素分析(CFA)。质性数据通过开放式反思收集,采用Braun和Clarke(2006)六阶段归纳主题分析。统计分析包括描述性模型隐含轨迹比较、参与者层面混合设计方差分析(ANOVA)、整群校正混合效应模型、组内相关系数(ICC)估计及敏感性分析。

**3. 研究结果**

**3.1 RQ1:可恢复的前后测阅读发展模式**

四个参与课堂中,合并分析的两个AI自适应课堂表现出最大的模型隐含前后测增长(增益1.33,从-0.49升至0.84),教师差异化课堂次之(增益1.18,从-0.57升至0.61),非差异化课堂增益最小(增益0.89,从-0.76升至0.13)。次要分析显示相同方向模式,但存在较大不确定性(Time × AI系数b=0.44, p=0.002;Time × Teacher系数b=0.29, p=0.057)。由于仅四个整群,这些模式应解释为课堂层面描述性差异而非因果效应。CEFR分类描述性重分布显示,AI自适应课堂中有更多学习者进入更高分类,但需谨慎解读。

**3.2 RQ2:认知负荷、投入度与教学舒适感**

描述性统计显示,AI自适应课堂学习者报告了较低的认知负荷(M=2.18, SD=0.67),以及较高的投入度(M=4.12, SD=0.58)、教学舒适感(M=4.31, SD=0.52),而教师差异化课堂(认知负荷M=2.43, SD=0.74;投入度M=3.87, SD=0.62;舒适感M=4.05, SD=0.55)和非差异化课堂(认知负荷M=2.87, SD=0.79;投入度M=3.41, SD=0.71;舒适感M=3.62, SD=0.69)表现依次递减。因仅在干预后测量且整群数量有限,未进行推断性比较。

**3.3 RQ3:阅读成就感知所有权与学习所有权**

质性分析显示,AI自适应课堂的参与者普遍将自适应系统描述为支持性而非控制性,如AI-12所述:“当阅读变得困难时,系统缓慢调整,所以我不会突然感到不知所措。我仍然觉得是自己在理解文本。”教师差异化课堂学习者强调教师的解释和回应性支持带来安心感,而非差异化课堂学习者更常描述被动性、认知过载和维持投入的困难。量化描述数据显示,AI自适应课堂的阅读成就感知所有权得分(M=4.09, SD=0.61)高于教师差异化课堂(M=3.88, SD=0.65)和非差异化课堂(M=3.45, SD=0.74)。整体而言,AI自适应课堂的许多学习者报告了相对较强的解释性所有权感知,并将自适应支持视为与学习者能动性兼容。

**4. 讨论与结论**

研究者提出认知对齐模型(CAM-AIR)作为初步解释框架,认为有效的个性化发生在“认知对齐区”,即教学适应支持加工效率的同时保留解释自主性和学习者对阅读成就的感知所有权。讨论指出,观察到的模式与“人在回路”(human-in-the-loop)的教育AI解释一致,即AI作为性能响应式教学支持系统,在教师管理的教学中运作,而非自主教学代理。研究局限包括:仅四个整群导致教学条件与课堂层面影响无法分离;认知负荷仅作为整体感知构念测量,无法区分内在、外在和相关负荷;学习者体验量表在较小样本中验证,需独立复制;未进行延迟后测。未来研究需采用多站点、更多整群的随机设计,直接测量认知对齐、学习者能动性和学习路径趋同,以更强有力地检验CAM-AIR和个性化-同质化假说。

研究结论指出,在本样本内,AI自适应课堂的学习者表现出更有利的阅读轨迹、更低的认知负荷、更高的投入度和教学舒适感,以及相对更强的阅读成就感知所有权。教师差异化课堂也显示出有意义的改善,这与人类中介自适应教学的持续价值一致。由于研究仅涉及单一机构内的四个随机整群,这些发现应解释为课堂层面模式而非治疗效果的确定性估计。总体而言,课堂层面的模式与以下可能性一致:在精心设计、教师管理的教学环境中,透明、性能响应的AI可以支持阅读发展和学习者投入。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号