1. 引言
2022年11月，Open AI推出ChatGPT，生成式人工智能(GenAI)引起了各领域学者的广泛关注。所谓生成式人工智能，即基于算法、模型、规则生成文本、图片、声音、视频、代码等内容的一种技术[1]，它给教育领域(尤其是语言教育领域)的智能化转型带来了机遇。在全球化浪潮席卷的背景下，语言作为跨文化交际的必要工具之一，正发挥着越来越重要的作用，语言教育的地位日益凸显。一方面，传统的教师–学生二元教育格局在技术冲击下面临挑战[2]，文本注释、语法纠错等重复性、标准化语言任务易被技术剥离[3]，教育主体的定位有待于再审视，教育目标的适切性亟待反思；另一方面，生成式人工智能的引入又为语言教育领域注入新活力，催生出新的教育生态，语言教育范式面临转变。
在此基础上，本研究重新审视语言教育本质目标，尝试构建语言能力维度图谱，拓展传统语言能力评价体系的解释边界；探索生成式AI与语言教育的深度融合路径，提出“人机协同教育生态”理论框架。
2. 文献综述
目前关于生成式人工智能介入语言教育的研究呈现出多样化视角，涉及不同教育阶段、应用领域和教育主体。从教育阶段来看，GenAI已在各个教育阶段得到使用探索，涵盖基础教育、高等教育、职业教育等[4] [5]。同时，GenAI在语言教育不同方面的应用和影响也引起了学者的极大兴趣。已经有相当数量的研究考察了生成式人工智能在口语、写作、评估、教学材料开发等维度的具体用途，技术介入语言教育的多样化路径引发广泛探讨[2] [6]。此外，GenAI介入语言习得过程产生的心理认知影响也成为跨学科研究领域的关注点之一。研究者指出，以ChatGPT为代表的生成式人工智能的介入可能会促进学生的高阶思维(如创造性思维、批判性思维)发展[3] [4]。
在经典教学论视域下，教师和学生作为教育主体，构成了传统教育范式的基本互动框架。生成式人工智能介入语言教育，传统的师生二元关系正逐渐演变为“教师–学生-GenAI”三元互动模式，教育主体呈现出多维重构态势。因此，对学生、教师、生成式人工智能在语言教育中的角色进行重新定位显得尤为紧迫和重要。
值得注意的是，生成式人工智能的弊端也引起了人们的担忧。主要的担忧集中在这几方面：一是GenAI的不道德使用引发抄袭、作弊等学术不诚信问题；二是由于生成的内容缺乏明确的来源标注，该类AI工具回答的原创性遭到学者的质疑，内容生产者的知识产权可能遭到侵害；三是技术局限性带来AI幻觉；四是源于预训练数据库的潜在偏见问题；五是数据安全与隐私问题[2]-[4]。
综上所述，目前的研究虽已从一般教学与学习中的具体应用、教育主体的重构趋势、GenAI的潜在风险等角度对生成式人工智能介入语言教育的路径与影响进行了广泛探讨，但是缺乏对三元互动主体的整体性考量。
3. 研究方法
本研究拟采用定量研究法，通过问卷调查从50名受访者处收集数据，同时结合社会建构主义和分布式认知理论加以分析。本研究主要基于2025年6月通过在线形式收集的问卷数据，问卷采用李克特量表(5点制)，共包含34个问题。该调查的内容效度通过将问卷交给教育心理学和语言教学领域的专业人士评审而得到验证，专家小组认为该调查适合用于此研究。来自中国大陆不同地区的50名不同年龄和性别的受访者填写了该问卷，其中高校语言教师4人，成人语言学习者46人。
4. 数据分析
本研究邀请50名参与者，其中女性40人，男性10人。大多数参与者的年龄在15至25岁之间(42人，占84%)，其次是41至50岁的人群(4人，占8%)，以及26至40岁的人群(2人，占4%)和51至60岁的人群(2人，占4%)。根据回答，大多数受访者(46人，92%)被归类为成人语言学习者，少部分为高校语言教师(4人，8%)。受访者使用GenAI的频率集中在每周1~2次(23人，46%)和每天使用(20人，40%)之间，有7人的使用频率在每月1~2次，占比14%。
受访者主要使用生成式人工智能进行写作辅助、文化知识获取、翻译练习及语法纠错。相较之下，GenAI在教学材料生成与外语对话模拟中的参与度则较低。这可能意味着机械性的语言练习(如语法纠错和翻译练习)、基础语言知识获得与即时、个性化的评价反馈任务，可以由GenAI代替，以提升语言教育的效率；灵活性、现场性与互动性要求较高的对话任务，以及需要教师监督把控的教学材料生成任务，则暂时难以被取代。这些发现有助于我们在接下来的研究中更好确定三元主体的具体角色定位。
在第二部分的问答中，Q23的统计结果显示，传统核心指标语法准确性(22.6%)和词汇量(18.88%)的权重合计仅41.48%，跌破50%阈值。新兴能力批判性信息评估(18.2%)、人机协作能力(20.4%)权重达38.6%，逼近传统能力，证明在AI介入的语言教育中，语言素养综合性要求、语言能力评估侧重点可能发生结构性变革。
在此基础上，对各题中的关键题项进行提炼，并计算出均值(M)、标准差(SD)、以及高认同比例(4~5分)。其中Q6~Q9，以及Q11~Q12的数据表明，生成式人工智能的使用对语言学习效率的提升有正向作用(如节省查询时间成本、降低记忆负担、生成定制化材料)，学习者掌握AI工具有助于其语言学习；Q13的数据则表明人类相较于AI在文化敏感度上的独特优势；Q18、Q20~Q21体现出批判性思维在GenAI介入的语言教育中具有重要作用。据此，研究员提炼出生成式人工智能时代下语言能力三维度：工具性、人文性、批判性，并对这三个维度进行Pearson检验和Cronbach’s α检验，以验证维度间的相关性与一致性。
检验结果表明，三维度满足统计独立性要求(工具性与人文性不相关)，且各自具备内在一致性(α > 0.7)，同时人文性与批判性显著相关(r = 0.41)，表明该能力图谱同时具备独立性与互补性，满足理论构想。
第三部分的问题分别对教师角色、学生角色、AI角色、以及三元主体的协同模式进行了考察。首先是教师的角色定位，在Q25中，GenAI背景下教师定位将发生转变这一结论得到了较高的认可度(76%，38人，M = 3.76)，在Q29中，教师的核心职能之一在于引导学生批判性使用AI同样取得了较高支持(86%，43人，M = 4.10)，但Q31显示42%的受访者担忧教师的教学权威削弱；在Q26中，关于学生角色由“被动的知识接受者”转变为“主动探索者”这一认知的认可度为82% (41人，M = 4.04)，但有24%语言学习者自评在语言学习过程中出现“决策依赖AI”的现象。在Q27中，AI角色为认知协作伙伴认同度86% (43人，M = 3.98)，值得一提的是，在最后的开放性试题中(Q34)，有受访者提出教育信息的滞后性问题，并指出GenAI的实时信息抓取能力或许有助于语言学习者把握前沿学科知识；关于三元主体协同模式的调查，在Q32中，66%的受访者选择“师生-AI实时协同”，仅16%的参与者仍支持传统的“教师主导”教学模式。
关于GenAI介入语言教育的风险与挑战，调查结果显示受访者关心的前三大风险分别为学术诚信问题(88%)、AI幻觉问题(78%)、AI回答的原创性问题(76%)。此外，数据安全和隐私(74%)和预训练库中的语料可能带来的输出偏见问题(70%)也引起了一定程度的关注。
5. 讨论
5.1. 语言能力维度图谱建构
结合上述数据，对相关研究结果进行解读后，本研究发现与传统的语言教育相比，GenAI介入的语言教育对语言素养的要求侧重发生了变化。为了回应AI时代对语言素养的动态需求，拓展传统语言能力评价体系的解释边界，我们尝试构建了一个更加符合现状的语言能力维度图谱，体现为三个维度：工具性、人文性、批判性。
1) 工具性：指学生利用生成式人工智能优化语言学习流程与效能的实践能力。该能力有助于突破传统教育中个性化资源短缺的瓶颈、降低学习时间成本、并促进知识技能的高效内化。
2) 人文性：指人类独有的、根植于具身经验与文化浸润的语言能力。人文性是人类相较于AI的独特优势，是语言教育的价值锚点之一。将人文性纳入语言能力评价体系有助于防止技术应用导致的文化刻板印象，守护语言学习中的意义生成自主权，抵抗AI算法化约倾向。
3) 批判性：指学习者在信息冗余与技术应用潜在风险(如生成内容可信度问题)的语境下，剖析技术影响机制、审辨信息来源可靠性、维护个体认知自主性的能力。该能力是应对算法化决策模式潜在认知局限的关键，有助于防范技术工具化过程中可能引发的认知偏差与风险。
5.2. 人机协同语言教育框架设计
构建人机协同语言教育框架，需要厘清各教育主体在教学互动框架中的定位。基于调研结果，本研究提出以下定位配置：
1) 教师角色：从“知识权威”到“认知策展者”
调查数据显示，GenAI介入的语言教育范式更强调教师角色作为“学习引导者”而非“课堂主导者”的定位，其核心职能侧重于引导学生在AI背景下运用工具进行主动学习，这要求教师能力向技术整合与认知引领迁移。据此，我们将教师角色定位为“认知策展者”。其主要任务是运用技术增强教学设计能力，统筹教育过程的各个阶段，引导渐进式学习，同时建立防护机制，监护学生应对AI幻觉、偏见、数据安全等伦理风险。
2) 学生角色：从“被动知识接收者”到“人机协作主体”
分析数据可知，学习者在生成式人工智能驱动的语言教育中呈现出两种潜在趋势：一是成为主动学习者的可能性提高，有望突破传统课堂“被动吸收知识”的困境；二是也存在AI依赖风险，部分受访者提及自己在语言学习过程中出现“决策依赖AI”的现象。据此，我们将学生角色定位为“人机协作主体”，其主要任务是有策略地使用AI工具，主动调控人机交互过程，进行自我调节学习，而非被动依赖。
3) GenAI由“工具”升维为“认知协作者”
有别于其他语言学习工具，GenAI因其强大的即时响应与个性化定制能力在受访者中获得了较高的认同度，被认为更接近于“学习/教学伙伴”而非单纯的工具。因此，我们将GenAI定位为“认知协作者”，其主要职能为实时监测学习动态，进行自动评估，实现“学习–反馈”即时闭环，加速技能内化；同时生成个性化学习材料，弥合标准化教材与个体差异矛盾；并进行前沿知识抓取，接入最新语料库以破解教材知识更新滞后难题。
5.3. 风险分析与应对策略
GenAI在为语言教育注入新活力的同时，也伴随着不容忽视的风险与挑战。本研究识别了五种主要风险，并提出以下初步应对策略：
1) 学术诚信危机：将评估标准由结果性检验转为过程性评估、表现性评估(如口语展示、项目答辩、基于真实情境的写作任务)，强调任务设计的不可预测性和个性化(如结合个人经历)，通过完善评估体系预防学术不端。
2) 知识产权与内容原创性质疑：推动技术透明与标注规范，呼吁AI开发者提供内容溯源机制(如嵌入水印)和清晰的使用条款；同时呼吁有关政府部门增加针对AI的知识产权保护条例，明确版权归属问题。
3) AI幻觉：提升学习者批判性数字素养，将辨别生成内容的真伪、追溯原始数据来源、评估文本逻辑一致性等纳入能力培养体系；同时加强教师监督和引导，在传授关键知识时由教师发挥主要作用，对内容进行严格把关。
4) 输出偏见问题：AI工具开发商应在模型训练中注重训练数据的多样性、公平性与去偏见化，并建立严格的审查机制，预防偏见内容的输出；同时教师可以主动收集能够反映多元文化和公平价值观的语言学习材料，作为GenAI生成内容的补充或对照。
5) 数据安全与隐私问题：培训师生对上传数据进行脱敏处理的能力，提升隐私保护意识；同时AI服务商应制定透明的隐私政策、承诺数据最小化处理、提供信息加密和本地化存储选项。
6. 结语
总而言之，本研究构建出“工具性–人文性–批判性”的三维语言能力评估框架，明确了教师作为“认知策展者”、学生作为“人机协作主体”、GenAI作为“认知协作者”的身份定位，将三者纳入同一教学互动框架中，为指导GenAI在语言教育中的应用提供参考，有助于给教育工作者、语言学习者、政策制定者以及技术研发者提供有益见解；同时，本研究关注了生成式人工智能在语言教育应用中所涉及的伦理、隐私、公平性等问题，力求在推动语言教育智能化的同时，保障教育的公正性与人文关怀。但研究也存在一定的局限性，如采用的是横断面设计的问卷调查法，虽然有效捕捉了特定时间点参与者对GenAI在语言教育中应用的认知与态度，但未能进行长期追踪研究；且构建的“人机协同语言教育框架”仍需通过更系统的教学实证研究加以验证和优化。基于此，未来的研究可在以下方向进行深化拓展：一是开展纵向动态研究，追踪考察不同语言水平的学习者在GenAI的长期介入下语言学习的成效；二是进行基于教学实践的干预性研究，运用量化方法，设计并严格控制干预条件，在真实语言教学情境中检验并调整本研究提出的人机协同框架。
基金项目
本文受黄会凌主持的2025年大学生创新创业训练计划项目，“生成式人工智能驱动下语言教育范式的重构探究”(项目基金号：X202510031046，指导教师：朱麟)资助。