自调节人工智能学习(SRAIL)态度量表的开发与验证：一项促进教育个性化发展的创新研究

本研究针对人工智能(AI)在自调节学习(SRL)中缺乏标准化评估工具的问题，开发了包含17个条目、学术成功(9项)与学习风格(8项)双维度的SRAIL量表。通过EFA和CFA验证，量表CRI达0.86，为量化学生AI-SRL态度提供可靠工具，对优化AI教育应用具有重要实践价值。

　　

随着人工智能(AI)技术在教育领域的深度融合，自调节学习(Self-Regulated Learning, SRL)正经历革命性变革。传统教育模式面临个性化不足、反馈滞后等挑战，而AI驱动的SRL平台如土耳其国家教育部开发的MEBI系统，通过实时数据分析与个性化内容推送，显著提升了学习效率。然而，学生对这些创新技术的态度评估缺乏标准化工具，制约着AI-SRL融合效果的客观衡量。这一空白使得教育工作者难以精准优化技术应用策略，也阻碍了跨文化比较研究的开展。

针对这一关键问题，来自?ank?r? Karatekin大学的研究团队在《Acta Psychologica》发表了开创性研究。研究基于Zimmerman的SRL理论框架，开发了首个专门评估学生对AI-SRL态度的标准化量表(SRAIL)。通过严谨的 psychometric（心理测量学）验证，证实该工具能有效捕捉技术增强学习中学术表现与行为模式的双维度特征，为全球教育数字化转型提供了重要方法论支持。

研究采用多阶段混合方法：首先基于文献回顾形成24项初始条目，经5位专家评审确定内容效度指数(CVI=0.88)；随后对安卡拉250名高中生进行问卷调查，通过探索性因子分析(EFA)提取出解释41.65%方差的双因子结构；最终利用验证性因子分析(CFA)确认模型适配度良好(χ²/df=1.87，RMSEA=0.05)。研究特别采用最大似然估计法和KMO检验(KMO=0.85)确保分析严谨性，同时通过Cronbach's α和组合信度(CRI=0.86)验证量表的内部一致性。

4.1 结构效度验证
EFA结果显示量表呈现清晰的二维结构：因子1"学术成功"包含AI提升学业表现(因子载荷0.72)等9个项目；因子2"学习风格"涵盖AI优化时间管理(0.63)等8个项目。Scree plot分析直观呈现了双因子分布的合理性。CFA路径图进一步证实，各项目与潜变量间具有显著统计学关联，标准化载荷均>0.35。

4.2 信度分析
双维度的内部一致性系数均达0.86以上，项目-总分相关系数显示所有条目均对总分有显著贡献(p<0.01)。项目筛选过程中，7个不符合正态分布假设(skewness绝对值>1.14)或交叉载荷的条目被剔除，最终保留的17项量表展现出优异的测量稳定性。

5. 讨论与展望
该研究突破了传统SRL量表的局限，首次将AI技术维度纳入测量框架。与Ng等学者使用ChatGPT的研究相呼应，证实AI-SRL整合能同步提升学术表现(因子1)与元认知技能(因子2)。值得注意的是，研究警示长期AI依赖可能削弱学生的自主决策能力——这一发现与Lin等关于技术成瘾的研究结论高度一致。

量表开发的创新性体现在三方面：理论层面，将Zimmerman的SRL三阶段模型(预期-执行-反思)与AI教育应用特性有机融合；方法层面，采用交叉验证策略(EFA+CFA)增强工具鲁棒性；实践层面，为MEBI等智能平台的优化提供评估基准。研究建议后续应在不同文化背景中进行跨群体验证，并探索AI-SRL态度随时间变化的动态规律。

局限性包括样本局限于土耳其两所高中，且未评估社会期望效应对结果的影响。随着AI教育应用的快速迭代，量表项目需持续更新以保持时效性。该成果为教育技术研究提供了重要方法论工具，其双维度结构尤其适合评估技术介入对学习过程的多层次影响，对实现联合国可持续发展目标(SDGs)中的优质教育具有积极意义。