1. 评估人工智能支架式二语词汇学习干预：可供性、局限与教学启示

原始标题： Evaluating an AI-scaffolded intervention for L2 vocabulary learning: affordances, constraints, and pedagogical implications

作者： Qingli Lei、Yong Chen、Yahong Chen、Xiao Zhang、Jonghoon Park。原始来源： SN Social Sciences。

研究问题与理论背景

汉语二语词汇学习需要协调拼音与声调、词义、句法和语境。支架理论、互动假说、输出假说以及加工深度和投入量理论，都为个性化解释、追问、例句生成可能促进词汇学习提供理由。但理论上的可能机制不等于已验证的中介路径。

本文提出探索性问题：两个既有班级接受 ChatGPT 支架或传统教学后，各自的语音和语义—句法复合分数怎样变化？AI 班自愿受访者如何描述体验？作者没有把语义与句法作为两个已经验证的独立结局，也不将研究定位为确认 ChatGPT 因果疗效的随机试验。

研究设计与方法

中国东南部一所大学的 16 名国际本科生来自两个既有汉语班，每班 8 人；年龄 20—24 岁，10 男、6 女，汉语水平 HSK 4—6。纳入依据为校内中级分班、自报 ChatGPT 熟悉度和传统词汇学习经验，没有随机分配，学习年限及既往使用频率未系统记录。

同一教师教授《博雅汉语准中级冲刺篇 1》第 2—7 课的 110 个未教词。AI 班使用 ChatGPT 3.5 提问、生成短语句子并获取即时解释，教师监控与澄清；传统班接受讲解、朗读、纠音、重复和听写。手机语音转文字仅用于输入，所用 ChatGPT 3.5 不提供语音识别或口语输出。两班不仅工具不同，互动、个性化提问和反馈机会也不同。

即时前后测均用同一批 110 词。语音以拼音和所有声调均正确才得分；语义判断与句子填空各计分，再平均成 0—110 的复合量尺。项目级资料未保留，不能计算内部一致性或验证维度；评分者 ICC 较高不等于构念效度已成立。6 名 AI 班志愿者接受 30—45 分钟访谈，没有对照班访谈、延迟测验或迁移测验。正文同时写六周、每周三节和总计 13 节，课时安排并不完全一致。

统计分析与建模

每个结局采用学生层面的“班级/教学方式 × 时间”2×2 重复测量 ANOVA，时间为个体内因素；因 AI 班语音前测已有明显优势，另用前测作协变量进行后测 ANCOVA。研究报告正态性和方差齐性诊断，但每组仅 8 人时，不显著检验不足以证实假设。

决定性的限制是每种条件只有一个班级。 班级与教学方式完全共线，无法分离班级效应和处理效应；添加随机截距或使用聚类稳健标准误，都不能凭两个班级创造条件内重复。作者因此把学生层面 p 值及区间作为依赖独立性假设的描述，而不是教学效应检验。ANCOVA 只能条件于已测前测，不能清除动机、同伴环境等未测混杂。

稳健性分析枚举 16 人分成两组各 8 人的 12,870 种排列；这种置换缓解分布假设，却并未恢复真实班级分配所不具备的学生可交换性。低分 S16 未达预定异常阈值，主分析保留，另作删除敏感性描述。表 4 展示 16 人成对分数，未涉及补值。质性资料由两名双语研究者独立开放、主轴、选择性编码后协商，作用是呈现经验，不是独立验证同一批学生的成绩变化。

研究结论

AI 班语义—句法平均分从 22.38 到 102.75，传统班从 17.00 到 75.13；平均增量差 22.25 分，95% CI [3.75, 40.75]，d=1.290。学生层面的交互项为 F(1,14)=6.66、p=0.022、\eta_p^2=0.322；置换双侧 p=0.024（表 2—4）。这些区间和检验依赖忽略班级相关的分析，不能称为 ChatGPT 的处理效应。

语音平均增量分别为 46.38 和 44.88，差 1.50 分，95% CI [−17.83, 20.83]，d=0.083；交互 p=0.870，不证明两种教学等效。AI 班原有 13.25 分语音前测优势、d=1.027，尽管 p=0.059，不能据此宣称基线均衡。

访谈者认可解释、例句和即时反馈，也提及误导回答及发音支持不足。由于他们来自同一个 AI 班且自愿参与，这些体验不能代表所有学生，更不能证明所述机制产生了量化差异。

讨论

发现的解释

作者讨论： 复合成绩差异与互动和深加工理论相容，但只是待检验机制；语音结果也仅是描述。总结者评议： 更大的复合增量可能来自整个教学安排，也可能来自原有班级差异，当前设计无法区分。

局限

作者讨论： 班级混杂、基线差异、未验证的量尺结构、重复试题、天花板及志愿访谈共同限制结论。AI 班 8 人中 6 人复合后测至少 105 分，接近 110 上限；二分语义题还有猜测下限，效应量不宜直接同其他测验比较。

总结者评议： “控制前测后仍显著”并不能消除设计缺陷，语音拼音书写分数也不等同真实口语表现。六周与课时总数的报告不一致，使教学剂量更需谨慎解释。

研究贡献

作者讨论： 提供有边界的班级描述和可检验问题。总结者评议： 方法价值是明确区分统计显著性与因果识别；教学价值在于提出教师监督下的候选支架活动，下一步需每条件多个随机分配班级、有效量尺、长期保持与迁移结局，而非据此直接推广疗效。

证据定位

• 期刊原文：第 5—9 页为样本、课时、工具和评分；第 10—11 页专门讨论班级设计对推断的限制。
• 第 12—15 页表 2—4及置换、天花板和敏感性分析；第 15—19 页为访谈、讨论与局限。补充材料 Appendix B 给出词项和三部分测验，Appendix C—D 为访谈与教学程序。

2. 语音型人工智能聊天机器人在高等教育英语作为外语学习者意义导向口语中的应用：范围综述

原始标题： A scoping review of voice based AI chatbots in EFL learners’ meaning focused speaking in higher education

作者： Thuy Thien Huong Phan、Nguyen Hoai Sang Phan、Linh Tam Trang。原始来源： Discover Education。

研究问题与理论背景

语音 AI 可能为缺乏英语交流伙伴的学习者提供练习，但发音操练与以交流意义为目标的对话不是同一活动。本文聚焦高等教育 EFL 环境，考察研究设计、AI 系统及任务类别、研究结果趋势。它是描绘研究范围的综述，不是回答单一干预疗效问题的元分析，也不是阅读理解或亲子共读实验。

理论框架区分以社会关系为目的的互动性交谈、以信息交换和任务完成为目的的事务性交谈，以及较长独白式的展示性言说。谈话类型采用既有框架，系统用途和具体角色则主要由材料归纳；这是分类研究问题，不是预设 AI 必然改善成绩的统计假设。

研究设计与方法

综述采用 Arksey–O’Malley 五阶段框架及 PRISMA-ScR 报告规范。数据库检索于 2025 年 8 月 15 日开始，覆盖 2020 年至 2025 年 7 月英文、同行评议的实证研究，另手工补入一篇 2026 年文章。因此它不等于全面检索了 2026 年的新研究。

Scopus、Web of Science 和 ProQuest 共检出 2,212 条，去除 991 条重复及 13 条撤稿后剩 1,208 条；题名摘要由两名编码者独立筛选。全文阶段先校准 50 篇，之后三位作者分担其余全文，最终数据库纳入 35 篇，再手工增加两篇，共 37 篇。筛选对象是论文，不是新招募的 37 名学习者；综述没有新的学生样本或统一干预随访。

纳入需要实时语音对话、高等教育、EFL 与意义导向任务；排除纯操练、非语音、非大学和 ESL/英语外圈情境。检索式保留 ESL 等宽词以减少漏检，在人工阶段识别真实场景；未把 voice 放入检索式，理由是题名摘要未必注明语音功能。仅限可取得正文的英语出版物也构成选择条件。

统计分析与建模

研究主要采用频数、百分比和归纳主题分析，不计算合并效应量，没有固定或随机效应元分析、异质性方差、元回归或发表偏倚检验。不同论文的学生样本量、干预时长和估计精度没有转化成权重；因此“多少篇报告改善”只描述报道分布，不能当作平均疗效或成功概率。

题名摘要筛选 Cohen’s κ=0.807；全文校准一致率 100% 只针对校准过程，不能推断其余全文都做了双人独立复核。年份、国家、情境及方法由两名作者独立提取，分歧协商。研究问题 2、3 经初始编码、类别归并与三人讨论形成系统类型和结果主题；口语活动再映射到三类理论框架。

同一论文可涉及多个系统、角色和谈话类型，表 4—5 属多标签计数：例如事务性、展示性、互动性交谈分别出现于 30、6、15 篇，它们不能相加当成独立研究总量。只有 34 篇给出口语活动信息，未报告部分没有插补；主题百分比和研究数量应保留各自分母。文中提及排除两篇质量不足研究，但没有呈现统一、可用于效应分级的全体研究偏倚风险量表或总体证据确定性评级。

研究结论

37 篇中，混合方法研究 26 篇，其中 17 篇采用前后测实验型设计；定量研究 9 篇，其中 6 篇为实验型，另有 2 篇质性研究。实体课堂 20 篇、在线正规学习 1 篇、非正规 1 篇、非正式学习 15 篇（表 3）。这些“实验型”标签不保证随机化或因果可识别。

18 种语音工具被归为教育导向、通用系统和智能个人助理；相关论文计数分别为 16、19、8，其中通用系统的 12 篇涉及 ChatGPT。AI 最常扮演对话伙伴，事务性交谈最常见（表 4—5）。

结果分为使用前因、行为、感知和使用效果。表 6 有 26 篇报告积极情感体验、12 篇报告负面情绪、17 篇报告技术或互动问题；这些类别可能重叠。表 7 有 20 篇报告语言表现改善、5 篇涉及意义建构，8 篇涉及积极情感效果，1 篇报告焦虑增加。研究未给出共同量尺的效应大小及置信区间，不能称 20 篇改善证明了稳定而普遍的增益。

讨论

发现的解释

作者讨论： 通用系统与对话伙伴角色、事务性交谈之间形成联系；研究增长主要集中在近年短期干预，对即时成绩和自报满意度的关注多于持续使用。总结者评议： 这种联系是描述性综合，尚未证明某系统与某任务的匹配产生了更好的学习效果。

局限

作者讨论： 三个数据库、英语出版和截止时间限制范围；积极体验可能与真实成绩或使用频率下降并存，长期多维参与及停止使用机制研究不足。

总结者评议： 不同模型、版本、情境和结局的异质性，以及缺乏统一效应综合与偏倚分级，使其更适合生成问题而非推荐“最有效工具”。手工加入一篇 2026 年文章不能弥补整个后续时期的系统检索空缺。

研究贡献

作者讨论： 将 AI 类型、教学角色与交流目的连接，提出纵向参与、接受度到实际使用、教学整合及公平性研究方向。

总结者评议： 理论价值是把意义交流与离散技能练习区分；方法价值是给未来研究提供任务分类与报告维度；实践启示是将教师反馈、提示训练及沟通中断应对纳入设计，但不应把口语综述直接外推为阅读或共同阅读疗效证据。

证据定位

• 期刊原文：第 2—4 页为理论分类和研究问题；第 4—7 页、表 1—2和图 2 为检索与筛选；第 7—9 页、表 3—5 为设计及任务计数。
• 第 10—12 页、表 6—7为感知和效果主题；第 13—16 页为解释、研究方向和局限；附录 A—B 给出分类与主题编码示例，出版方补充表提供筛选记录和研究摘要。