释放人工智能驱动的自适应中文学习的力量：通过成就目标理论的视角，探讨其与学生能力、自我调节能力、认知负荷和目标设定的相关性

《Learning and Motivation》：Unlocking the power of AI-driven adaptive Chinese learning: Exploring its correlation with student competence, self-regulation, cognitive load, and goal setting through the lens of Achievement Goal Theory

AI驱动自适应中文学习对成就目标理论下学生能力、自我调节、认知负荷及目标设定行为的影响研究，采用413份有效问卷和结构方程模型分析，发现AI系统显著提升学生能力（β=0.752）、自我调节（β=0.823）和目标设定行为（β=0.674），同时降低认知负荷（β=0.581）。

　　

袁轩

哈尔滨商业大学，中国哈尔滨 150028

摘要

本研究在成就目标理论的框架下，探讨了人工智能驱动的自适应中文学习对学习者关键成果（包括学生能力、自我调节能力、认知负荷和目标设定行为）的影响。尽管人工智能技术在语言教育中的应用日益广泛，但关于其在促进中文学习者的认知、动机和自我调节过程中的有效性的实证证据仍然有限。为了解决这一不足，研究人员通过结构化的双语问卷收集了来自多所高校中文专业学生的413份有效回答。数据使用IBM SPSS Statistics（版本27）和AMOS（版本24）进行分析。初步处理包括处理缺失数据、异常值和统计假设的检验。随后进行了描述性统计分析和内部可靠性检验（Cronbach’s α ≥.70），并使用皮尔逊相关系数来考察变量间的双变量关系。结构方程模型（SEM）通过最大似然估计法检验了人工智能驱动的自适应学习对这四个目标成果的预测作用。模型拟合指标表明拟合度良好（CFI =.931, TLI =.923; RMSEA =.067, SRMR =.054）。研究结果表明，人工智能驱动的自适应学习显著提高了学生的能力（β =.752, p =.002）、自我调节能力（β =.823, p =.002）和目标设定行为（β =.674, p =.001），同时降低了认知负荷（β =.581, p =.001）。这些发现支持了成就目标理论在人工智能增强的语言学习环境中的适用性，并凸显了人工智能技术在促进个性化、高效学习体验方面的潜力。文章还讨论了其对教学设计、学习者参与策略和未来研究方向的实践意义。

引言

人工智能（AI）的整合改变了传统的教学和学习方式，尤其是在语言教育领域，它实现了动态、响应式和个性化的教学（Chen等人，2025；Derakhshan和Taghizadeh，2025；Derakhshan，2025；Wang等人，2025；Wang等人，2025；Wang等人，2025；Wu等人，2025；Wu & Wang，2025；Zare等人，2025）。其中心是人工智能驱动的自适应中文学习系统，这些系统利用算法和实时分析来定制教学内容、提供智能反馈，并根据个人表现数据调整学习路径（Chen等人，2014；El?i和Abubakar，2021；Gao和Han，2022b；Huang，2025；Yan和Zhang，2025）。这些系统通过提供个性化内容调整、分解复杂任务和基于上下文的错误纠正，超越了统一的教学模式，创造了更加公平和高效的语言掌握路径（Huang和Derakhshan，2025；Zhou和Ma，2025；Zhou，2025）。

中文学习由于其表意文字、声调系统和句法结构与字母语言不同，因此具有较高的认知要求（Tian等人，2017；Zhao等人，2024）。传统方法往往难以应对这些挑战，导致学习水平参差不齐和辍学率较高。自适应AI解决方案可以通过减少不必要的认知负荷、增强相关处理能力和提供实时支持来缓解这些问题（Guo和Wang，2025；Lin等人，2024；Ng等人，2024；Pan和Wang，2025；Qian和Lau，2022）。例如，自适应平台可以将笔画顺序或声调区分等技能分解为子目标，提供即时反馈，并动态调整任务难度以匹配学习者的认知能力。这些功能优化了心理资源的分配，促进了更深入的学习参与，使AI成为中文学习中潜在的变革力量（Sun等人，2025；Wang等人，2025；Zong和Yang，2025）。

尽管有这些创新，但在人工智能驱动的自适应学习如何与学习者的动机取向和认知策略相互作用方面，理论和实证研究仍存在空白。成就目标理论提供了一个有用的视角，强调成果不仅受认知能力影响，还受目标取向、自我调节和坚持力的影响（Dever等人，2024；Gao和Brown，2023）。具有掌握目标的学习者将挑战视为机会，自我调节的学习者会监控并调整策略，而坚持力则帮助他们在遇到挫折时继续努力。将这些原则融入自适应AI系统中，可以通过支持目标设定、提供及时的提示、最佳地提供支架支持和可视化进步来增强学习效果（Chai和Ma，2022；Wang等人，2025；Yang和Zhao，2024）。

然而，很少有研究系统地将人工智能驱动的自适应学习与这些心理机制联系起来。初步研究结果表明，在中文课程中，人工智能驱动的自适应学习有助于提高词汇记忆和流利度（Liu和Fan，2025；Liu等人，2025；Wang等人，2023；Zhang等人，2025），但尚不清楚这些改进是由于优化了学习顺序、动机动态的变化还是智能界面的新颖性（Li等人，2023；Nakhostin-Khayyat等人，2024；Yang和Duan，2023）。此外，AI对感知难度、资源分配和调节行为的影响，以及工作记忆、视觉-空间技能、先前文字知识和动机特征等个体差异的调节作用尚未得到充分探索（Gao和Han，2022b；Li等人，2021；Nie等人，2024；Wang等人，2025）。

明确的研究空白：以往的研究尚未充分探讨人工智能驱动的自适应学习在中文学习环境中如何同时影响学习者的自我调节、能力、认知负荷和目标设定行为。解决这一空白对于推进理论和实践至关重要。从理论上讲，这有助于阐明自适应AI系统如何与认知和动机结构相互作用，从而塑造学习路径。从实践角度来看，它为设计智能的、学习者敏感的系统提供了依据，以最大化中文学习的成果。为此，本研究旨在通过以下研究问题来探索这些交叉点：

问题1

人工智能驱动的自适应中文学习与学生能力、自我调节能力、认知负荷和目标设定之间是否存在显著关系？

问题2

人工智能驱动的自适应中文学习在多大程度上能够预测学生的能力、自我调节能力、认知负荷和目标设定？

部分内容摘要

参与者

共收集到413份有效回答，参与者包括96名男性（23.2%）和317名女性（76.8%），反映了大学阶段中文学习中的常见性别分布。参与者主要是当前的大学生，其中20至21岁年龄段的最多（n = 231，55.9%），其次是22至23岁（n = 103，24.9%）、18至19岁（n = 43，10.4%）以及24岁及以上（n = 36）。

结果

研究人员使用验证性因子分析（CFA）严格评估了调查工具的可靠性，并检查了研究关键变量之间的结构关系。这种统计方法使他们能够验证所提出的测量模型，并确定观察指标在多大程度上准确地代表了潜在的结构。通过CFA，研究人员获得了关于数据潜在维度的宝贵见解。

讨论

本研究深入探讨了人工智能驱动的自适应学习环境与关键学习者因素（包括能力、自我调节能力、认知负荷和目标设定）之间的复杂关系，特别是在中文学习背景下。通过使用结构方程模型，研究提供了实证证据，支持人工智能支持的学习在促进中文学习者参与度和成功方面的作用。该研究不仅旨在确认人工智能的优势

结论

本研究提供了关于人工智能驱动的自适应学习与中文学习关键因素之间关联的宝贵见解。研究发现表明，人工智能支持、学生能力、自我调节能力和认知负荷之间存在显著关系，强调了这些因素在塑造学习体验中的相互关联性。其中，自我调节学习和感知到的能力尤为突出，表明

作者贡献声明

袁轩：撰写初稿、方法论设计、数据分析、概念构建。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。