1. 引言
随着人工智能(AI)技术的快速发展，其在教育领域的应用日益广泛，特别是在语言学习方面，AI赋能的个性化教学模式正在成为研究热点[1]。生成式人工智能(Generative AI)作为当前AI技术的前沿应用，在外语学习，尤其是英语口语练习方面展现出较大的潜力[2]。AI技术能够根据学习者的语言水平、认知特点和学习习惯提供定制化的口语练习内容，使外语学习更具个性化和针对性[1]。此外，AI可以通过实时语音反馈帮助学习者识别发音错误，并利用智能分析系统推荐改进方案，从而有效提升口语表达能力[3]。相较于传统的以教师为中心的口语教学模式，AI赋能的口语练习突破了时间和空间的限制，为学习者提供即时反馈和个性化学习体验[2]。基于大语言模型的AI工具能够构建互动式学习环境，使学习者在低风险的语言交流环境中进行自主练习，从而减少口语焦虑，提高学习自信心[4]。此外，AI技术的发展也推动了协商互联式语言学习框架的形成，使学习者可以在与AI的交互过程中不断调整学习策略，优化口语表达能力[4]。
然而，尽管AI技术具备提升学习效率的潜力，学习者对其应用仍持有不同态度，这种差异受到多种因素的影响，包括自我效能感、使用经验及焦虑水平[5] [6]。研究表明，人工智能自我效能感在很大程度上决定了学习者对AI赋能学习模式的接受度和使用频率[6]。部分学习者可能因对AI技术的不熟悉或对其语言生成能力的不信任，而在使用过程中产生焦虑情绪[5]。此外，由于生成式AI在语音识别、语法校正和语境理解等方面仍然存在一定局限性，一些学生可能担忧其反馈的准确性和适用性，从而影响其使用意愿[3]。
近年来，人工智能自我效能感(AI Self-Efficacy, AISE)已成为技术接受研究的重要变量，特别是在人工智能赋能的语言学习环境中，其影响力日益凸显[7]。已有研究表明，自我效能感较高的个体在接受新技术时往往更具信心，并认为技术的学习价值更高[1] [8]。具体而言，在语言学习领域，AI自我效能感不仅影响学习者对AI技术的态度，还决定其实际使用AI进行二语习得的行为倾向[7]。Wang & Chuang开发并验证了AISE量表，以衡量个体在不同维度上的人工智能自我效能[6]。然而，现有研究主要关注计算机自我效能感，而针对AI自我效能感在教育技术领域，尤其是外语学习中的作用研究仍较为有限[9]。
此外，人工智能使用焦虑(AI Anxiety)对技术接受度的影响也受到广泛关注。研究表明，AI焦虑不仅影响学习者对AI的接受程度，还可能降低其对AI技术的信任度[9]。Schiavo 等发现，随着个体对人工智能的了解和使用经验的增加，其焦虑水平会有所下降[5]。然而，目前关于AI焦虑在语言学习环境中的作用仍缺乏系统研究，尤其是其与AI自我效能感、使用倾向的关系仍待进一步探讨。Chen et al.基于拓展的技术接受模型(TAM)发现，AI自我效能感不仅可以直接增强学习者对AI的积极态度，还能够通过降低AI焦虑间接促进AI的使用意愿和实际使用行为[7]。这一发现进一步支持了自我效能理论，即较高的AI自我效能感有助于缓解因技术陌生性或潜在错误导致的焦虑，从而提升学习者对AI技术的接受度。
在语言教育领域，人工智能赋能的英语口语练习已成为研究热点。早期研究表明，人工智能聊天系统可以有效提升学习者的口语表达能力，尤其是在语法运用和流利度方面具有积极影响[10]。近期的实证研究进一步证实，人工智能技术能够提高学生的词汇和句法复杂度，同时通过智能反馈机制促进口语表达的流畅性[2]。此外，一些研究发现，基于社交网络的AI辅助口语学习可以增强学生的互动性和学习动机，从而提升口语能力[11]。
然而，尽管AI赋能的口语练习展现出诸多优势，学习者对其应用仍持有不同看法。部分研究表明，尽管AI技术可以提供个性化反馈，但其在语音识别和口音适应方面仍存在一定局限，可能影响反馈的准确性和实用性[12]。此外，一些学习者对AI辅助练习的有效性存在疑虑，认为其可能削弱真实语言交流能力，尤其是在交际策略和语用能力的培养方面，AI系统尚难以替代真实的互动环境[13]。尽管当前AI技术能够提供较为自然的对话交互体验，但学习者在与AI系统互动时仍可能缺乏真实交流中的情境感知与即时调整能力，这使得部分学生对AI辅助口语练习的长期效果持保留态度[11]。
尽管已有研究探讨了人工智能在语言教育中的应用，但当前研究仍存在一定局限。首先，关于大学生在AI辅助口语练习中的态度研究较为有限，且缺乏系统的实证数据支持。其次，人工智能自我效能感、使用焦虑及使用经验对大学生AI使用态度的影响尚未被充分探讨。最后，现有研究大多关注AI技术本身的教学效果，而对学习者主观态度的考察较为不足。因此，进一步研究大学生对AI赋能口语练习的态度及相关影响因素，具有重要的理论和实践意义。
本研究的意义在于填补当前研究空白，为人工智能在外语教学中的应用提供理论支持。首先，研究结果可为高校制定AI辅助英语口语教学策略提供参考，以优化学习者体验。其次，本研究有助于提升学生的人工智能自我效能感，降低因技术焦虑带来的学习障碍。最后，研究结论可为未来人工智能技术在外语教育中的应用提供实证依据，推动AI在语言教学领域的深入发展。
基于此，本研究围绕以下问题展开：
研究问题一：中国当代大学生对AI赋能的英语口语练习持何种态度？
研究问题二：中国当代大学生的AI使用焦虑与其AI自我效能感、使用经验之间是否存在关系？
研究问题三：中国当代大学生对AI的使用倾向是否与其AI自我效能感相关？
本研究旨在通过实证分析，为优化AI辅助的英语口语练习提供参考依据。
2. 研究方法
2.1. 研究设计
本研究通过问卷调查的方式，探讨中国当代大学生对人工智能(AI)赋能的英语口语练习的态度，并分析影响其使用意愿的关键因素。本研究重点考察以下三个方面：(1) 在AI技术及产品快速发展的大环境下，中国当代大学生的人工智能使用态度状况；(2) 大学生的AI使用焦虑与AI自我效能感、使用经验之间的关系；(3) 大学生的AI使用倾向与AI自我效能感的关系。
问卷采用线上匿名填写方式，参与者在填写前被告知所有回答均无“正确”或“错误”之分，仅需根据自身经历和观点作答。此外，研究严格遵循伦理规范，所有收集到的信息仅用于学术研究，确保受试者的个人信息和数据严格保密。
2.2. 研究对象
本研究的调查对象为103名中国大学生，涵盖不同性别、年龄、就读年级、院校类型及院校排名的学生群体。具体信息见表1。从性别分布来看，受试者中女性占比略高(52.43%)，男性占比为47.57%。在年龄分布方面，20岁(24.27%)和23岁及以上(35.92%)的学生占比较高，显示出研究样本以大三及以上年级的学生为主。就读年级方面，本科生(大一至大五)占66.02%，而硕士研究生及以上学历的学生占比33.98%。在院校类型上，理工类院校学生最多(44.66%)，其次是综合类院校(26.21%)和人文社科类院校(27.18%)。从院校排名来看，普通高校的学生占比最高(59.22%)，而985高校和211高校学生占比分别为3.88%和8.74%，说明本研究样本涵盖不同层次的院校，以确保数据的代表性和广泛适用性。
Table 1. Demographic Information
表1. 人口学信息
变量 |
频率 |
百分比 |
性别 |
|
|
男 |
49 |
47.57% |
女 |
54 |
52.43% |
年龄 |
|
|
18岁以下 |
2 |
1.94% |
19岁 |
6 |
5.83% |
20岁 |
25 |
24.27% |
21岁 |
20 |
19.42% |
22岁 |
13 |
12.62% |
23岁及以上 |
37 |
35.92% |
就读年级 |
|
|
大一 |
7 |
6.80% |
大二 |
15 |
14.56% |
大三 |
17 |
16.50% |
大四及大五 |
29 |
28.16% |
硕士研究生及以上 |
35 |
33.98% |
就读院校类型 |
|
|
理工类院校 |
46 |
44.66% |
综合类院校 |
27 |
26.21% |
人文社科类院校 |
28 |
27.18% |
其他(如，医科、农业等院校) |
2 |
1.94% |
院校排名 |
|
|
985高校 |
4 |
3.88% |
211高校 |
9 |
8.74% |
双一流高校(不包括985、211高校) |
29 |
28.16% |
普通高校 |
61 |
59.22% |
2.3. 数据收集
本研究采用线上问卷调查的方式收集数据，以确保覆盖范围广泛，并提高数据收集的便捷性和效率。所有问卷均以匿名形式填写，研究对象在填写前被告知其所有回答均无“正确”或“错误”之分，仅需根据个人真实经历和观点作答。此外，本研究严格遵循伦理规范，所有数据仅用于学术研究，受试者的个人信息和回答内容均受到严格保密。
问卷的发放和回收主要依托问卷星平台。调查时间为2025年1月，共回收有效问卷103份，数据完整性和有效性均经过严格审查。本研究采用横断面调查，数据在单一时间点进行收集，以分析当前大学生对AI赋能英语口语练习的态度及其影响因素。数据收集完成后，所有问卷数据均由SPSS 29.0进行整理和编码，以确保后续统计分析的准确性和一致性。
2.4. 数据分析
本研究的数据分析围绕研究问题展开，主要采用频率分析和相关性分析，并使用SPSS 29.0统计软件进行数据处理，以探讨大学生对AI赋能英语口语练习的态度及相关影响因素。
针对研究问题1，首先进行频率分析，描述大学生的AI使用经验、自我效能感、使用焦虑、AI使用倾向以及对AI口语练习的态度，并展示整体数据的均值(M)及标准差(SD)。针对研究问题2，采用相关性分析，计算AI使用焦虑、自我效能感和AI使用经验之间的相关系数，以探讨这些变量之间的相互作用。针对研究问题3，采用相关性分析，计算AI自我效能感、AI使用倾向以及AI赋能口语练习使用倾向之间的相关性，以确定AI自我效能感对大学生使用AI产品的影响程度。所有数据均经过整理、清洗和编码，以确保统计分析的科学性和结果的可靠性。
2.5. 测量工具
本研究所使用的测量工具基于已有研究中的成熟量表，并结合研究目标进行了适当调整，以确保测量的有效性和信度。研究问卷共包括人工智能使用经验量表、人工智能自我效能感量表、人工智能使用焦虑量表、人工智能使用倾向量表和AI赋能的英语口语练习使用倾向量表，所有量表均采用Likert五点量表(1 = “非常不同意”，5 = “非常同意”)。
人工智能使用经验量表：参考Garland & Noyes的“Computer Skills Scale”[14]，用于测量大学生在日常学习与生活中对AI的使用频率及熟练程度。问卷选项涵盖从“几乎不使用”到“每天使用超过1小时”等多个等级，以量化学生对AI的接触情况。
人工智能自我效能感量表：采用Wang & Chuang开发的“AI Self-Efficacy Scale (AISE)”[6]，该量表包括8个项目，主要衡量大学生对人工智能技术的掌握程度及其自信心，如“人工智能技术/产品能很好地辅助学习”“我对人工智能的使用充满信心”等。
人工智能使用焦虑量表：参考 Wang & Wang的“AI Anxiety Scale”[15]，该量表包含5个项目，考察大学生在使用人工智能技术时的焦虑程度，如“学习与AI系统互动让我感到焦虑”“无法跟上AI系统的进步让我感到焦虑”等。
人工智能使用倾向量表：主要衡量大学生对AI技术的接受度与推广意愿，包括“我对使用AI系统感兴趣”“我很可能会向认识的人推荐AI系统”等项目。
AI赋能的英语口语练习使用倾向量表：用于测量大学生对AI辅助口语练习的态度和适应能力，如“我对使用AI辅助的英语口语练习感到很兴奋”“我担心AI辅助的口语练习不能提高真实口语水平”等。
所有量表的信度均经过Cronbach’s α系数检验，结果表明，各量表的Cronbach’s α系数均大于0.9，说明量表内部一致性良好，具备较高的信度。
3. 研究结果
3.1. 描述性统计分析
本研究首先对大学生的AI使用经验、AI自我效能感、AI使用焦虑、AI使用倾向及AI赋能的英语口语练习使用倾向等核心变量进行描述性统计分析，以展示整体数据分布情况。
在AI使用经验方面，如表2所示，35.9%的大学生每天使用人工智能1小时及以上，23.3%的大学生每天使用AI不超过1小时，另有10.7%的大学生每1至3天使用一次AI。总体来看，大部分学生对AI有所了解和接触，但仍有3.9%的大学生几乎不使用AI，表明部分学生对AI的接触程度较低。从使用频率的得分来看，AI使用经验的平均值为2.61 (SD = 1.795)，小于理论平均值3，说明大部分大学生的AI使用频次在每周一次以上，但并未达到高频使用水平。
Table 2. Experience with AI Use
表2. 人工智能使用经验
问卷项目 |
百分比 |
平均值(M) |
标准差(SD) |
(1) 平均每天使用人工智能1小时及以上 |
35.9% |
2.61 |
1.795 |
(2) 平均每天使用人工智能0~1小时 |
23.3% |
(3) 平均1~3天使用一次人工智能 |
10.7% |
(4) 平均每周使用一次人工智能 |
19.4% |
(5) 平均2~3周使用一次人工智能 |
4.9% |
(6) 平均每个月使用一次人工智能 |
0% |
(7) 平均2~3个月使用一次人工智能 |
1.9% |
(8) 几乎不使用人工智能 |
3.9% |
在AI自我效能感方面，受试者在所有量表项目上的平均得分均高于3，表明大学生整体对自身的AI使用能力持较有信心的态度(见表3)。其中，76.7%的学生认为AI技术帮助他们节省时间(M = 3.86, SD = 1.094)，68.0%的学生认为使用AI完成学习任务十分简单(M = 3.75, SD = 1.135)，但对于“人工智能的交互体验与真人对话相似”这一项，学生的认可度相对较低(M = 3.56, SD = 1.135)。此外，标准差均大于1，表明大学生对AI自我效能感的个体差异较大。
Table 3. AI Self-Efficacy
表3. 人工智能自我效能感
问卷项目 |
百分比 |
平均值 |
标准差 |
(1) 人工智能技术/产品能很好地辅助学习 |
67.9% |
3.68 |
1.315 |
(2) 使用人工智能技术/产品增加了学习趣味性 |
65.1% |
3.69 |
1.172 |
(3) 经过必要的培训后，我有信心学习简单的人工智能技术/产品编程 |
60.2% |
3.54 |
1.319 |
(4) 人工智能技术/产品帮助我节省了很多时间 |
76.7% |
3.86 |
1.094 |
(5) 使用AI技术/产品完成我的预期任务十分简单 |
68.0% |
3.75 |
1.135 |
(6) 我认为人工智能技术/产品的交互过程非常生动，同与真人交流相似 |
59.2% |
3.56 |
1.135 |
(7) 在使用AI技术/产品时，我不担心操作错误而带来损失 |
64.1% |
3.63 |
1.155 |
(8) AI技术/产品术语并未使我感到困惑 |
56.4% |
3.51 |
1.145 |
在AI使用焦虑方面，数据表明，学生在焦虑量表上的平均得分接近3，表明他们对AI的使用焦虑总体处于中等水平(详情见表4)。其中，40.8%的大学生表示“学习使用AI系统”让他们感到焦虑(M = 2.99, SD = 1.438)，40.7%的学生担心自己无法跟上AI技术的发展(M = 3.05, SD = 1.368)。这表明，部分学生对AI的学习曲线和技术进步持担忧态度。
Table 4. AI Anxiety
表4. AI使用焦虑
问卷项目 |
百分比 |
平均值 |
标准差 |
(1) 学习与AI系统互动让我感到焦虑 |
39.8% |
3.13 |
1.412 |
(2) 参加与AI系统开发有关的课程让我感到焦虑 |
40.7% |
3.11 |
1.305 |
(3) 无法跟上AI系统的进步让我感到焦虑 |
40.7% |
3.05 |
1.368 |
(4) 学习使用AI系统让我感到焦虑 |
40.8% |
2.99 |
1.438 |
(5) 学习AI系统的工作原理让我感到焦虑 |
36.8% |
3.02 |
1.328 |
在AI使用倾向方面，数据表明(详见表5)，59.2%的学生对使用AI系统感兴趣(M = 3.32, SD = 1.366)，57.3%的学生表示愿意向他人推荐AI系统(M = 3.38, SD = 1.277)。这一结果表明，尽管部分学生对AI技术存在一定焦虑，但总体而言，大学生对AI技术持积极态度，且愿意在社交圈中推广AI工具的使用。
在AI赋能的英语口语练习使用倾向方面(见表6)，63.1%的学生希望使用AI辅助进行英语口语练习(M = 3.5, SD = 1.327)，57.2%的学生对AI辅助口语练习感到兴奋(M = 3.5, SD = 1.101)，表明多数学生对AI在口语练习中的应用持开放态度。然而，也有49.5%的学生担心AI辅助的口语练习无法提高真实口语水平(M = 3.21, SD = 1.303)，这表明部分学生对AI的教学有效性仍存疑。
Table 5. Intention to use AI
表5. AI使用倾向
问卷项目 |
百分比 |
平均值 |
标准差 |
(1) 我对使用AI系统感兴趣 |
59.2% |
3.32 |
1.366 |
(2) 我很可能会向我认识的人推荐AI系统 |
57.3% |
3.38 |
1.277 |
Table 6. Intention to use AI for English speaking practice
表6. AI赋能的英语口语练习使用倾向
问卷项目 |
百分比 |
平均值 |
标准差 |
(1) 我对使用AI辅助的英语口语练习感到很兴奋 |
57.2% |
3.5 |
1.101 |
(2) 我担心AI辅助的口语练习不能提高真实口语水平 |
49.5% |
3.21 |
1.303 |
(3) 我对AI辅助的口语练习有信心 |
55.4% |
3.45 |
1.219 |
(4) 适应AI辅助的口语练习像学习其他新事物一样，练习越多结果越好 |
54.4% |
3.39 |
1.27 |
(5) 随着练习增多，我会逐渐适应AI辅助的口语练习 |
62.1% |
3.51 |
1.228 |
(6) 我对使用AI进行口语练习感到不安 |
47.6% |
3.26 |
1.283 |
(7) 我希望使用AI辅助进行英语口语练习 |
63.1% |
3.5 |
1.327 |
3.2. 相关性分析
为了进一步探讨各变量之间的关系，本研究采用皮尔逊相关分析，考察AI使用焦虑、AI自我效能感、AI使用经验、AI使用倾向及AI赋能的英语口语练习使用倾向之间的相互作用。
如表7所示，AI使用焦虑与AI自我效能感之间呈显著正相关(r = 0.431, p < 0.01)，即自我效能感越高的学生，其AI使用焦虑也越高。此外，AI使用焦虑与AI使用经验之间呈轻微负相关(r = −0.139, p > 0.05)，但未达到统计学显著性水平。在AI自我效能感与AI使用经验的相关性方面，分析结果显示两者之间呈正相关(r = 0.062, p > 0.05)，但未达到统计学显著性水平。
如表8所示，在AI自我效能感与AI使用倾向及AI赋能口语练习使用倾向的关系方面AI自我效能感与AI使用倾向之间呈显著正相关(r = 0.572, p < 0.01)，即自我效能感越高的学生，越倾向于使用AI并愿意向他人推荐AI系统。此外，AI自我效能感与AI赋能英语口语练习使用倾向之间也呈显著正相关(r = 0.405, p < 0.01)，即自我效能感较高的学生更愿意使用AI进行口语练习。进一步分析发现，AI使用倾向与AI赋能英语口语练习使用倾向之间也呈显著正相关(r = 0.464, p < 0.01)，说明对AI技术整体持积极态度的学生，更愿意在英语口语学习中采用AI工具。这一结果表明，提高大学生的AI自我效能感可能是提升其对AI赋能口语学习接受度的重要途径。
Table 7. Correlation between AI anxiety, use experience, and Self-Efficacy
表7. 人工智能使用焦虑与使用经验、自我效能的相关性分析
|
AI使用焦虑 |
AI使用经验 |
AI自我效能 |
AI使用焦虑 |
1.000 |
|
|
AI使用经验 |
−0.139 |
1.000 |
|
AI自我效能 |
0.431** |
0.062 |
1.000 |
**. p < 0.01.
Table 8. Correlation between AI Self-Efficacy, intention to use AI, and intention to use AI for English speaking practice
表8. AI自我效能与AI使用倾向、AI赋能的英语口语练习使用倾向的相关性
|
AI自我效能 |
AI使用倾向 |
AI赋能口语练习使用倾向 |
AI自我效能 |
1.000 |
|
|
AI使用倾向 |
0.572** |
1.000 |
|
AI赋能口语练习使用倾向 |
0.405** |
0.464** |
1.000 |
**. p < 0.01.
4. 讨论
4.1. 大学生对AI赋能英语口语练习的态度
本研究的结果表明，大部分大学生对AI赋能的英语口语练习持积极态度，其中63.1%的学生希望使用AI辅助进行口语练习，57.2%的学生对AI辅助口语练习感到兴奋。这一结果与Zou et al.的研究相一致，该研究发现，基于AI的口语学习工具能够增强学习者的互动性和学习动机，从而提高其学习体验和兴趣[11]。然而，本研究也发现，49.5%的学生担忧AI辅助口语练习可能无法有效提高真实的口语水平，这表明部分学习者仍然对AI技术的教学有效性存疑。
这种担忧可能源于AI在交际策略和语用能力培养方面的局限性。Hu指出，一些学习者认为AI系统的对话模式较为机械，难以提供真实的人际交流体验，因此可能影响其对真实交流场景的适应能力[13]。此外，尽管当前AI技术能够提供较为自然的对话交互体验，学习者在与AI系统互动时仍可能缺乏真实交流中的情境感知与即时调整能力，这使得部分学生对AI辅助口语练习的长期效果持保留态度[11]。这一点在本研究的数据中也有所体现，部分学生在问卷中表达了对AI在语音连读、弱读及语调适应能力方面的不足，说明当前的AI技术仍无法完全模拟真人对话的自然性。
此外，学生对AI口语练习的态度存在较大个体差异，这可能与他们的学习风格和技术接受度有关。Wang & Chuang的研究表明，自主学习能力较强的学生更倾向于接受AI辅助语言学习，而对AI技术缺乏信任感或技术焦虑较高的学生则可能表现出更低的接受度[6]。本研究的描述性分析同样发现，部分学生仍然对AI赋能口语练习持观望态度，说明AI的教学应用仍需进一步优化，以提高其在口语学习中的可信度和有效性。
综上所述，本研究发现大多数大学生对AI辅助的口语练习持积极态度，但仍有部分学生对其真实的语言学习效果存疑。这表明，在推动AI赋能语言学习的过程中，需要进一步优化AI的反馈机制，提高语音识别和互动体验的质量，同时针对不同学习者的需求，提供个性化的学习支持，以增强其对AI技术的信任感和接受度。
4.2. AI使用焦虑与AI自我效能感、AI使用经验的关系
本研究的相关性分析表明，AI使用焦虑与AI自我效能感之间存在显著正相关(r = 0.431, p < 0.01)，即自我效能感越高的学生，其AI使用焦虑水平也越高。这一结果与Schiavo et al.的研究相符，该研究指出，尽管自我效能感较强的个体通常对技术的掌握度较高，但他们可能因对技术的复杂性和潜在问题有更深入的认知，反而容易产生焦虑[5]。此外，AI使用经验与AI使用焦虑之间的负相关关系较弱(r = −0.139, p > 0.05)，未达到统计学显著水平，这表明单纯的使用经验可能并不足以有效缓解学生的AI焦虑。
此外，本研究还发现，AI自我效能感与AI使用经验之间的正相关较弱(r = 0.062, p > 0.05)，且未达到统计学显著水平。这一结果与Wang & Chuang的研究有所不同，他们的研究发现，较多的AI使用经验通常能够增强学习者的自我效能感，而本研究的数据未能证实这一关系[6]。这可能是由于使用经验的质量和深度存在较大差异，即仅仅增加AI的使用频率可能并不足以增强学习者的自信心，真正影响自我效能感的可能是有效的指导、正向的使用体验以及成功的任务完成。部分研究也表明，当学习者能够通过AI工具顺利达成学习目标时，其自我效能感更可能得到提升，而仅仅依赖频繁的接触并不能确保这种提升[12]。
综上所述，虽然AI使用经验在一定程度上可能影响AI焦虑和自我效能感，但这种影响较为有限，且其作用可能取决于使用的深度和有效性。因此，在推广AI赋能语言学习的过程中，除了提升学生的AI技能，还应关注如何降低其对技术的焦虑，并提供更系统的培训和使用指导，以真正提升其自我效能感。
4.3. AI自我效能感与AI使用倾向及AI赋能英语口语练习使用倾向的关系
本研究的相关性分析表明，AI自我效能感与AI使用倾向之间存在显著正相关(r = 0.572, p < 0.01)，即自我效能感越高的学生，越倾向于使用AI并愿意向他人推荐AI系统。这一发现与Wang & Chuang的研究一致，该研究指出，高AI自我效能感的个体更容易接受和采纳AI技术，并主动探索其应用场景[6]。此外，AI自我效能感与AI赋能英语口语练习使用倾向之间也呈显著正相关(r = 0.405, p < 0.01)，表明自我效能感较高的学生更愿意使用AI进行口语练习，这一点也与Qiao & Zhao的研究结果相符，他们的研究发现，个体对AI技术的信心越高，其在语言学习环境中的技术接受度也越强[12]。
此外，研究还发现，AI使用倾向与AI赋能英语口语练习使用倾向之间呈显著正相关(r = 0.464, p < 0.01)，即对AI整体持积极态度的学生，更倾向于在英语口语学习中采用AI工具。这一结果进一步支持了TAM的理论框架，即个体的技术接受度受其对技术的感知易用性和感知有用性的影响[16]。当学习者认为AI技术易于掌握并对学习有益时，他们不仅会积极使用AI进行日常任务，也更愿意在特定领域(如英语口语练习)中应用AI工具。
综上所述，本研究发现，提高大学生的AI自我效能感可能是提升其对AI赋能口语学习接受度的重要途径。因此，在推进AI辅助语言学习的过程中，除了加强AI技术的优化，还应提供更完善的用户培训，提高学习者的技术自信心，以增强他们对AI技术的认可度和使用意愿。此外，未来研究可进一步探讨如何优化AI口语练习的交互方式，使其更贴近真实语言交流环境，从而提高学习者的长期使用意愿和学习效果。
5. 结论
本研究围绕大学生对AI赋能英语口语练习的态度、AI使用焦虑与AI自我效能感及使用经验的关系、AI自我效能感与AI使用倾向及AI赋能口语练习使用倾向的关系展开实证研究。研究发现，大多数大学生对AI赋能的英语口语练习持积极态度，但部分学生对AI在真实语言交流中的有效性仍持保留意见。此外，AI使用焦虑与AI自我效能感呈显著正相关，表明尽管高自我效能感个体在技术使用上更具信心，但他们也可能因对技术复杂性的深入理解而产生更高的焦虑。同时，AI自我效能感与AI使用倾向及AI赋能英语口语练习使用倾向均呈显著正相关，说明提升学习者的自我效能感可能有助于促进他们对AI技术的接受度和使用意愿。本研究的结果对AI在语言学习中的应用具有重要启示：提高学习者的AI自我效能感、优化AI交互体验以及提供针对性的技术支持将有助于增强学习者对AI技术的信任度和使用意愿，从而提高AI在语言教育中的应用效果。
尽管本研究提供了关于大学生对AI赋能口语练习态度的实证数据，但仍存在若干局限性。首先，本研究主要采用拓展的技术接受模型作为理论基础，未能充分引入其他可能对技术接受产生解释力的理论框架，如自我决定理论(Self-Determination Theory)或创新扩散理论(Diffusion of Innovation Theory)，从而在理论深度方面存在一定不足。其次，数据分析主要采用了描述性统计和皮尔逊相关分析，虽能揭示变量间的基本关系，但未进行进一步的深度剖析，如回归分析或结构建模，无法深入探讨各变量对AI口语练习态度的影响路径与程度。此外，本研究采用横断面调查设计，难以揭示大学生对AI技术态度在使用过程中的动态变化。
基于上述局限性，未来研究可从以下几个方面拓展：首先，建议在理论构建中引入更具解释力的多元理论视角，如自我决定理论中“自主性”、“胜任感”与“关系性”对AI使用态度的影响机制，以及创新扩散理论中“相对优势”“兼容性”“复杂性”等因素在学习者技术采纳过程中的作用，以增强研究的理论丰富性与解释力。其次，未来研究可使用多元回归分析或结构方程模型(SEM)，以识别各影响因素对大学生AI赋能口语练习态度的相对贡献，进而构建更为清晰的影响路径模型。此外，建议采用纵向追踪或混合方法研究，以捕捉学习者态度的变化轨迹与背后的深层动因，从而为AI技术在语言教育中的可持续整合提供更具实践价值的建议。