文献：Zhang, Q., Pan, X., & Fan, J. (2025). Uncovering the mediating effects of AI trust and self-efficacy on engagement in human-GenAI communication for EFL learning. European Journal of Education, 60, e70336. DOI 10.1111/ejed.70336。

研究问题：生成式 AI（GenAI）正在重塑语言学习，学习者与 AI 之间的“人机对话”成为外语习得的新场景。但一个关键问题悬而未决：GenAI 的哪些技术特征真正推动了学习者的参与？这些特征是通过什么样的心理机制起作用的？ 论文要回答：GenAI 的响应性（responsiveness）与个性化（personalization）两大特征，如何通过 AI 信任（AI trust）与 AI 学习自我效能感（AI learning self-efficacy）的中介，影响 EFL（英语作为外语）学习者的学习参与度。

论证思路：研究以刺激—有机体—反应（Stimulus-Organism-Response, S-O-R）理论为总框架：GenAI 的响应性（能否及时、恰当地回应学习需求）与个性化（能否根据学习者水平与偏好定制内容）构成外部刺激（S）；AI 信任与AI 学习自我效能感是学习者内部的心理状态，构成有机体（O）；学习参与度则是最终的行为反应（R）。研究提出 9 条路径假设（H1a–H4），构建结构方程模型（SEM）加以检验。

一、理论框架：为什么用 S-O-R 模型

S-O-R 理论源于环境心理学，其核心主张是：环境中的外部刺激并不直接决定人的行为，而是先唤起内部的心理状态（认知与情感），再经由这些“有机体”状态驱动行为反应。作者将其迁移到人机交互场景——AI 的技术特征不是直接“推动”学习者参与，而是先塑造学习者对 AI 的信任、对自己驾驭 AI 能力的信心，最终才转化为参与行为。

模型中两个中介变量的选择很有讲究：

• AI 信任（ATS）：学习者是否相信 GenAI 的回答可靠、反馈可依赖。信任是“人机关系”的情感基石，缺乏信任时，再智能的工具也难被深度使用。
• AI 学习自我效能感（ALSE）：学习者对自己能否借助 AI 完成英语学习任务的信心。自我效能感是教育心理学中预测投入与坚持的经典变量，在 AI 场景下被重新激活。

两条心理路径分别对应“对工具的信任”与“对自己的信心”——这正是本研究区别于单一中介模型的机制洞察所在。

二、模型拟合与假设检验

整体模型拟合良好（原文报告：χ²/df = 1.529，CFI = 0.985，TLI = 0.983，RMSEA = 0.028），各项指标均优于常规阈值（CFI/TLI > 0.95，RMSEA < 0.05），说明 S-O-R 框架下的理论模型与数据高度吻合。模型解释了学习参与度（ALEN）45% 的方差（R² = 0.45）。九条路径假设的检验结果（原文 Table 4）如下：

三、核心发现解读

1. 个性化（PN）是更强的驱动因素。 个性化对信任（β = 0.408）、自我效能感（β = 0.174）与参与度（β = 0.264）三条路径全部显著，且对信任的效应约为响应性（β = 0.153）的 2.7 倍。对 EFL 学习者而言，“AI 懂我”——内容贴合自身水平、兴趣与学习节奏——比“AI 回得快”更能赢得信任。

2. 响应性（RP）没有直接效应，必须经过心理状态中介。 响应性对参与度的直接路径不显著（β = 0.041，p = 0.360，H1c 被拒绝），但其对信任（β = 0.153）与自我效能感（β = 0.114）的路径均显著——及时回应的价值不在于“回应本身”，而在于它让学习者觉得 AI 可信、自己能用。这是 S-O-R 框架最典型的证据：刺激必须经由有机体状态才能抵达行为反应。

3. 自我效能感是参与度最强的预测因子。 AI 学习自我效能感对参与度的效应（β = 0.390）居所有路径之首，且 AI 信任还通过自我效能感（β = 0.302）进一步放大对参与度的影响——信任不仅直接促进参与（β = 0.162），更通过“相信自己能驾驭 AI”这条间接通道发挥作用，构成“信任 → 信心 → 参与”的完整链条。

一句话概括：技术特征通过“赢信任、涨信心”两条心理通道带动学习参与；其中“信心”（自我效能感）是最接近参与行为的一环。

四、对教学与工具设计的启示

对 EFL 教师：与其强调“多跟 AI 对话”，不如先帮学生建立对 AI 的信任与使用 AI 的信心。示范可靠提示、展示如何甄别 AI 输出、在课堂中设计低风险的 AI 对话任务，都是在为学生的自我效能感“充值”——而这正是参与度最强的杠杆（β = 0.390）。

对 GenAI 工具设计者：个性化优先于响应速度。基于学习者画像的定制化反馈、难度自适应的练习生成、贴近学习者兴趣的话题推荐，是激发信任与参与的核心抓手；响应性则应被视为“信任的底线”而非“参与的卖点”——及时回应必不可少，但单独存在时并不直接带来深度参与。

对教育技术研究者：S-O-R 框架为“AI 特征 → 心理状态 → 学习行为”提供了可迁移的解释模板，也提示后续研究应关注两类心理变量的差异化中介角色，而非笼统地检验“AI 好不好用”。

精读笔记

核心论点：GenAI 的响应性与个性化不是直接驱动 EFL 学习参与的，而是通过AI 信任与AI 学习自我效能感两条心理路径间接起作用；其中个性化是更强的技术驱动因素，自我效能感是最强的前端预测因子（β = 0.390），响应性对参与度无直接效应（β = 0.041，p = 0.360）。

方法要点：

• S-O-R 理论驱动的双中介 SEM 设计，把“技术特征—心理状态—行为反应”完整串联，优于单一路径检验
• 模型拟合指标优秀（χ²/df = 1.529，CFI = 0.985，TLI = 0.983，RMSEA = 0.028），R² = 0.45 的解释力可观
• 通过“拒绝一条直接路径 + 支持两条间接路径”的组合，为中介机制提供了清晰证据

局限与边界：

• 横断面问卷设计，路径关系的因果方向依赖理论假设，难以排除反向因果（如高参与度者更易产生信任）
• 变量均为学习者自评，存在共同方法偏差风险
• 样本聚焦于特定 EFL 学习者群体，“AI 信任—自我效能—参与”的机制在母语学习、学科学习等其他场景是否成立，尚需检验
• 响应性无直接效应的结论依赖本研究的特征操作化方式，不同 GenAI 工具（对话式、写作辅助式等）可能呈现不同模式

可延伸方向：

• 纵向追踪或实验设计，检验信任与自我效能感的时序变化及干预效果
• 纳入调节变量（学习者英语水平、GenAI 使用经验、任务类型），考察机制边界
• 比较不同 GenAI 工具形态（通用对话机器人 vs. 专用语言学习助手）下的路径差异
• 设计“信任建立 + 效能感训练”的干预方案，检验其对学习参与度与学业成效的长期影响

原文地址

• DOI：10.1111/ejed.70336
• 期刊：European Journal of Education, 2025, Vol. 60, e70336
• 图表来源：原文 Figure 1（概念模型）、Table 4（路径系数检验）