基于自我决定理论(SDT)的大学生人工智能学习动机网络结构分析

这篇研究采用网络分析方法，从自我决定理论(SDT)视角揭示了大学生AI学习动机系统的核心特征。研究发现内摄调节(Introjected Regulation)在动机网络中具有最高中心性，而能力需求满足(Competence Need Satisfaction)是最关键的相关因素，为AI教育中动机干预提供了新靶点。研究通过1465名大学生的实证数据，填补了AI教育领域动机系统研究的空白。

　　

Abstract
动机是学习的关键驱动力。本研究基于自我决定理论(SDT)，采用网络分析方法探索了1465名大学生AI学习动机系统的结构特征。SDT认为存在本质不同的动机类型，包括内在动机(Intrinsic Motivation)、认同调节(Identified Regulation)、内摄调节(Introjected Regulation)、外部调节(External Regulation)和动机缺失(Amotivation)。研究发现内摄调节在AI动机系统中具有最高预期影响力(Expected Influence)，而内在动机的中心性较低，表明许多学生主要出于内疚或羞耻感而非个人兴趣学习AI。在AI丰富的学习环境中，能力需求满足似乎比自主性和关联性需求满足更为重要。

Introduction
人工智能(AI)正深刻影响着教与学。随着全球AI课程的快速增长(2018-2021年增长102.9%)，理解学生AI学习动机系统变得至关重要。现有动机研究多聚焦传统学习环境，对AI情境关注不足。SDT作为教育心理学领域广泛应用的理论框架，强调动机的多维性(质量)和基本心理需求(自主性Autonomy、能力Competence、关联性Relatedness)满足的关键作用。

网络分析方法能够揭示动机系统中各因素的相互关联和中心性特征。与结构方程模型(SEM)不同，网络分析不预设变量间关系，可识别出最具影响力的核心节点。在AI学习背景下，动机系统可能呈现独特结构，这与AI技术的快速迭代和实用主义导向密切相关。

Results
Model 1: Motivational system
网络分析显示，在20条可能边中，10条具有非零权重(平均权重=0.14)。内摄调节展现出最高的预期影响力，其次是外部调节、认同调节、内在动机和动机缺失。特别值得注意的是，内在动机与认同调节呈现强关联，内摄调节与外部调节也密切相关。

Model 2: Motivational system with correlates
在45条可能边中，35条具有非零权重(平均权重=0.07)。能力需求满足在所有相关因素中具有最高预期影响力，而内在动机的中心性仍处于较低水平。自主性需求满足与能力需求满足呈现强关联。

Discussion
研究发现挑战了SDT传统认知——内摄调节(而非内在动机)成为AI学习动机系统的核心。这可能源于：1)全球AI教育推广产生的社会期望内化；2)中国文化中"面子"维护的强烈需求。能力需求满足的关键作用提示，在AI教育中，建立清晰目标和标准、培养学生AI工具使用能力比单纯提供自主选择更为重要。

研究对教育实践有三重启示：1)需设计AI价值认知培养方案；2)建立分层能力培养体系；3)营造支持性AI学习环境。这些发现丰富了AI教育中动机干预的理论基础，为"如何维持高质量AI学习动机"这一紧迫问题提供了实证依据。

Methods
研究采用方便抽样法，从中国47所高校招募1465名学生(平均年龄19.00±18.42岁)。使用7点Likert量表测量：1)AI动机量表(AIMS)评估五种动机类型；2)基本心理需求满足量表测量自主性、能力和关联性需求；3)社会支持和促进条件量表。数据分析采用RStudio进行网络估计、中心性估计及准确性稳定性检验，CS系数为0.75表明网络稳定性良好。