1. 引言
在全球化进程与数字技术深度渗透的当代高等教育生态中，人工智能技术正引发教学范式的革命性重构。作为兼具语言能力培养与价值引领双重使命的大学英语课程，其思政建设面临深刻的实践悖论：传统思政元素挖掘方法过度依赖教师经验判断，存在主观性强、系统性不足的结构性缺陷；而语言教学的交际工具属性与思政教育的价值属性之间尚未形成有效的协同机制，导致知识传授与价值塑造的二元割裂。这一矛盾在AI技术介入后呈现出新的复杂性，算法偏见可能加剧跨文化认知偏差，技术工具化倾向则可能消解教育的人文本质，形成效率提升与价值异化的辩证张力。
既有研究在技术应用层面取得突破性进展：基于Transformer架构的预训练模型将教材思政元素识别准确率提升至82.7% [1]，知识图谱技术构建的“英语–思政”关联网络节点规模突破5200个[2]。然而，现有成果存在三方面理论断裂：(1) 技术实现与教育学理论的脱节，缺乏基于认知发展规律的技术融合机制设计；(2) 忽视技术介入引发的师生主体性重构，如教师角色从“知识权威”向“算法监管者”的转变[3]；(3) 尚未建立系统化的AI教育伦理评估框架，导致技术风险防控流于表面。
本研究试图突破传统技术本位的研究范式，以“技术–教育–伦理”三重维度构建分析框架。核心研究命题在于：如何通过“双循环”融合模型(技术循环与教育循环的协同演化)，实现外语课程思政建设中工具理性与价值理性的辩证统一？这一命题的解答，不仅关乎AI时代外语教育的范式转型，更涉及智能技术教育应用的元理论建构——当机器开始介入价值观传递这一人类教育的核心场域时，我们亟需重新审视“何为教育”的本质命题[4]。为此，本研究采用理论构建与系统文献分析相结合的方法，通过批判性整合现有研究成果，系统阐释“双循环”模型的内在逻辑与实践路径。
2. 思政元素的智能挖掘技术
2.1. 基于自然语言处理的文本挖掘技术
自然语言处理技术已成为大学英语课程思政元素智能挖掘的核心驱动力。在“技术循环”的数据层，以Transformer架构为基础的预训练语言模型(如BERT及其变体)通过多头注意力机制，在显性思政元素识别任务中展现出显著优势。实验表明，BERT模型对教材中“社会主义核心价值观”，“文化自信”等显性概念的识别准确率达82.7%，其深层语义捕捉能力有效解决了跨语言意识形态表达的解析难题[1]。然而，针对文学文本中隐喻性思政内容(如《了不起的盖茨比》对美国梦的批判性解构)，现有模型的识别准确率仅68.3%，暴露了深层语义理解的局限性[5]。
为突破这一瓶颈，知识增强型NLP方法成为研究前沿。李和王(2023)提出的KG-BERT框架[6]，通过注入马克思主义理论实体库和中华优秀传统文化知识图谱，使《英美文学选读》课程中隐性价值观的识别率提升11.5个百分点。这一进展体现了“技术循环”中算法层与数据层的迭代优化，但同时也揭示了技术工具在教育循环“实施”环节的局限性——隐喻理解仍需教师介入。跨语言预训练模型(如XLM-R)则展现出跨文化语境下的独特优势，其对比学习机制能够捕捉中英文意识形态表达的语义对应关系(F1值提升至0.76) [7]。但需警惕的是，在处理语言学、文学批评等专业课程中的高阶思政元素时，领域适应性不足导致误判率升高至31.6%，凸显了专业化模型微调的必要性。
2.2. 多模态数据分析技术
多模态数据分析技术通过“语音识别→情感计算→语义关联”的三阶处理框架，实现了英语教学资源的全方位思政元素挖掘。该框架是“技术循环”中多源数据融合的典型体现，旨在为教育循环的“目标–实施”环节提供更全面的输入。在语音分析层，基于Wav2Vec 2.0构建的语音情感识别(SER)系统，对“爱国主义”“国际主义”等情感标签的识别F1值达0.79，其改进型变体(Wav2Vec 2.0-CL)通过对比学习策略，进一步将跨文化情感分类准确率提升至83.4% [8]。视觉分析层则依托CLIP (Contrastive Language-Image Pretraining)模型，在教材插图语义解析中实现突破——针对《新视野大学英语》的视觉内容分析显示，该模型能准确识别76.8%的中国元素分布特征，并检测出中西方文化符号的比例失衡现象[9]。
跨模态关联技术的创新体现在特征融合机制的优化。陈等(2023)提出的MM-IDE框架[10]，通过层级化多头注意力网络，将文本、语音与视觉特征映射至统一语义空间，使思政元素检测的召回率提升至85.3%。然而，从“教育循环”的视角审视，该技术面临数据异构性挑战：教学视频的语音转写平均词错误率(WER)达15.7%，且文化特定符号(如京剧脸谱)的误判率高达32.5% [11]。此外，多模态模型训练需消耗平均8.7 GPU小时/课时，硬件成本成为规模化应用的瓶颈。
2.3. 动态知识图谱构建
动态知识图谱技术通过结构化表征方式，系统化组织英语教学中的思政元素。此技术是连接“技术循环”与“教育循环”的关键桥梁，其结构化输出直接服务于教育循环的“目标”设定与“实施”过程。在实体识别层面，Wang等(2024)开发的EduKG系统采用领域自适应BiLSTM-CRF模型[12]，实现了58类思政实体(如“民族复兴”“全球治理”)的精准识别(准确率89.2%)。关系抽取技术的突破体现在Prompt-tuning方法的应用——通过设计“[X]体现了[Y]价值观”等语义模板，低资源场景下的关系分类F1值从0.62提升至0.81 [7]。由此构建的“英语–思政”跨域知识图谱包含5200个节点和8300条边，支持语义检索与关联推理，使智能备课系统的思政匹配响应时间缩短至0.8秒[2]。
动态更新机制是知识图谱保持时效性的关键。研究团队采用增量学习策略，每月自动抓取教育部政策文件更新图谱节点，并通过终身学习算法实现知识库的持续优化，如表1 (鲜度保持率 ≥ 91%) [3]。然而，图谱构建仍高度依赖领域专家参与，人工校验成本占总开发成本的63%，这反映了“教育循环”中人的要素在“技术循环”反馈环节的核心地位。小语种专业覆盖率不足42% [13]。欧洲委员会(2023)的评估指出[14]，当前图谱系统在非通用语种教学中的思政匹配准确率仅为68.9%，凸显了跨语言迁移学习技术的迫切需求。
Table 1. Intelligent mining technology: a performance comparison
表1. 智能挖掘技术性能比较
技术类型 |
准确率(%) |
召回率(%) |
核心应用场景 |
主要技术局限 |
BERT文本分析 |
82.7 |
78.5 |
教材显性元素识别 |
隐喻理解能力不足 |
多模态融合 |
85.3 |
83.1 |
视听教学资源解析 |
计算资源消耗大 |
动态知识图谱 |
89.2 |
91.0 |
结构化知识组织与推理 |
人工干预需求高 |
上述技术进展虽为大学英语课程思政建设提供了新范式，但若脱离“双循环”模型的整体框架，易陷入效率至上的异化陷阱[4]。如何实现智能技术与教育规律的系统性融合，将成为下一阶段的核心研究命题。
3. 智能融合路径设计
3.1. 个性化推荐系统
个性化推荐系统的技术范式已从传统协同过滤算法演进为多模态深度推荐架构。在“双循环”模型中，推荐系统是“技术循环”(算法)服务于“教育循环”(实施)的典型体现。基于Transformer的跨模态推荐模型(如MM-Rec)通过同步整合学习行为数据(词汇掌握度、语法错误模式)与价值观认知特征(文化认同度、跨文化敏感度)，实现了思政内容的动态适配。某重点高校的实证研究表明，采用三阶段决策机制(语言水平评估→价值观缺口分析→内容动态适配)的推荐系统，可使学生的文化认同感提升23.6个百分点(p < 0.001)，显著高于传统教学组的9.8% [6]。系统创新性地实施分阶推荐策略：针对低年级学生优先推送显性思政内容(如“中国传统文化”主题阅读材料)，而对高年级学生则侧重隐性融合(如组织西方媒体涉华报道的批判性研讨) [13]。然而，算法可解释性不足导致37%的教师难以理解推荐逻辑，进而削弱其在教育循环“实施”环节的教学自主权[4]。为此，可解释AI (XAI)技术被引入推荐系统，通过SHAP值可视化解析特征贡献度(如：“词汇复杂度”对内容推荐的权重占比达42%)，使决策透明度提升58% [12]。这实质上是“技术循环”通过“反馈”机制，优化算法以更好地支持教育循环的“评估”与新一轮“实施”。
3.2. 生成式AI辅助教学
生成式AI通过语义理解与内容生成的双重能力，重塑了英语课程思政的内容生产范式。其在“双循环”模型中的价值，主要体现在支持教育循环的“实施”环节，并接受技术循环“数据–算法”的驱动。Fine-tuned后的GPT-4模型可基于教师指定的思政主题(如“生态文明建设”)，自动生成符合CEFR B2级语言标准的对话脚本与阅读材料，人工评估显示其文化适切性达4.2/5.0 [7]。为规避价值观偏差，先进系统采用“双过滤”机制：首阶段通过规则引擎筛查敏感表述(如禁用“普世价值”等争议性术语)，次阶段利用Siamese网络检测隐性意识形态倾向(准确率89.3%) [14]。在练习设计环节，AI生成的完形填空题目将“一带一路”倡议知识嵌入商务英语语境，使学生在语言训练中自然习得国家战略内容[3]。实时教学辅助方面，AI助教通过实时文本流分析(延迟 < 1.2秒)，在检测到价值观争议点(如学生对“文化差异”的片面认知)时，即时推送权威解读与案例库匹配度达91%的补充材料[15]。但需警惕技术依赖风险：使用相同AI工具的班级教案相似度达68%，可能削弱教学创新性[11]。对此，学界倡导“教师-AI协同创作”模式，要求教师对生成内容进行不少于30%的创造性改编，包括本土化案例替换与认知层级调整[16]。这强调了教育循环中“人”的能动性对技术循环产出的调节作用。
3.3. 虚拟现实融合模式
虚拟现实技术通过多感官通道的沉浸式体验，实现了语言实践与价值观内化的深度融合。VR模式是“双循环”模型中技术赋能教育“实施”并强化“评估”环节的典范。文化场景模拟方面，某高校开发的“数字中国馆”VR系统包含12个典型场景(如敦煌莫高窟、杭州G20会场)，学生在完成英语导览任务时，系统通过眼动追踪技术分析其文化符号注视时长，精准识别文化认知偏好[2]。历史事件重现场景采用3D建模与自然语言交互技术，例如“南京大屠杀”史实再现项目中，情感计算模型通过监测学生的心率变异性(HRV)与皮肤电反应(GSR)，评估价值观教育效果(准确率87.6%) [1]。最具创新性的是跨文化交际演练系统：模拟联合国会议场景中，学生需在英语辩论中处理预设的价值观冲突(如中西人权观差异)，其语言策略与情感倾向被多模态分析模型实时评估(F1值达0.897) [13]。技术评估显示，VR组学生在“用英语讲好中国故事”能力测试中得分较传统组高31.5分(百分制)，且三个月后知识保持率达82.3% [3]。然而，硬件成本构成推广障碍，这反映了技术循环的“数据–算法”能力受限于物理资源，进而影响教育循环的规模化“实施”[14]。轻量化解决方案成为突破口，基于WebXR技术开发的跨平台系统，使普通教室通过平板电脑即可实现基础VR功能，渲染延迟控制在28 ms以内。
4. 挑战与对策
4.1. 技术局限性
当前AI技术在英语课程思政融合中面临三重技术瓶颈：
跨文化语义鸿沟：主流NLP模型对中西文化差异的语义理解存在显著偏差。例如，BERT-based模型在分析《经济学人》涉华政策表述时，立场判断准确率仅为63.2%，远低于中文语料的89.7% [12]。这种偏差源于训练数据的文化失衡——英语预训练语料库中西方文化内容占比达82.3%，中国视角材料仅占7.8% [11]。
多模态特征错位：英语影视教学材料的语音识别文本与画面语义存在时序错位(平均延迟0.8秒)，导致23.5%的情感分析错误[7]。
知识更新滞后：现有系统思政知识库更新周期为14天，难以及时响应重大政策调整(如二十大报告新术语)，动态匹配准确率下降至68.9% [3]。
上述局限均指向“技术循环”内部(数据质量、算法性能、反馈速度)的不足，制约了其与“教育循环”协同演化的效能。针对上述挑战，学界提出三级改进方案：
数据层面：构建中英平行政治话语语料库(CPD-Corpus，规模50万句)，通过对抗训练减少文化偏见(F1值提升21.3%) [1]；
模型层面：开发文化敏感的注意力机制，如Culture-Aware Transformer模型在跨文化立场识别任务中准确率提升至78.9% [7]；
系统层面：建立“边缘–云端”协同架构，结合思政知识蒸馏技术(模型体积压缩73%)，使知识库更新延迟缩短至6小时内[15]。
4.2. 伦理风险
AI赋能课程思政引发多维伦理挑战：
数据隐私泄露：62.3%的英语教学APP未明确数据用途，37.5%存在第三方数据共享行为[14]；
算法黑箱效应：38.7%的思政内容推荐缺乏可追溯决策依据[4]；
价值观渗透风险：未经校准的生成式AI在创作材料时，将democracy等同于多党选举制的频次达71.3% [16]。
这些风险揭示了“技术循环”若缺乏伦理约束，将对“教育循环”的价值目标产生反向侵蚀。应对策略需构建“技术–制度”双重防线：
技术防护：采用联邦学习框架(如Federated IDE系统)，在保护隐私前提下维持91.2%的模型准确率；部署算法审计工具(如AI Fact Checker)，识别89.5%的意识形态偏差[12]。
制度保障：实施欧盟“三阶审查机制”(课前审查–课中记录–课后评估)与中国《教育AI安全标准》，要求AI系统通过马克思主义理论专家的价值观校准测试[3] [14]。关键措施包括建立教师复核制度，规定AI推荐内容需经≥40%实质性修改方可使用[13]。这体现了“教育循环”通过评估与干预，对“技术循环”进行规范和校准。
4.3. 教师适应性
教师群体的AI能力缺口构成关键障碍：
技术操作：67.3%的教师无法独立解决系统故障；
教学设计：82.4%缺乏人机协同备课经验；
评估反思：89.1%难以解读AI学习分析报告[3]。
更深层的角色认同危机：41.5%的教师认为AI削弱其教学主导权，职业价值感下降12.7% [14]。
教师作为“教育循环”的核心能动者，其与技术工具的适配程度直接决定“双循环”模型的运行效能。破解路径在于构建“三维一体”发展体系：
能力培养：采用清华大学“AI思政教学能力框架”，通过50学时模块化课程培养12项子技能(如多模态教学设计、算法伦理评估)；
工具支持：部署智能备课助手EduCoach，将教案准备时间缩短58%；
机制创新：推行“双师制”(专业教师 + 技术导师)与“技术适应期”制度(前8周AI使用强度梯度增加)，使教师接受度提升37.8个百分点[3] [13]。
角色重构理论强调教师在AI时代的不可替代性：作为“价值观引导者”，其对学生文化认同感的提升贡献度达23.7%；作为“情境创设者”，使课堂参与度提高31.2%；作为“情感联结者”，促进师生互动的有效性提升42.5% [4]。这明确了教师在“教育循环”中的核心地位，以及其在调和“技术循环”与教育本质关系中的关键作用。
5. 结论与展望
本研究通过理论探索与实证分析，系统论证了人工智能技术赋能大学英语课程思政建设的可行性及有效性。研究以“双循环”融合模型为核心分析框架，揭示了技术循环(数据–算法–反馈)与教育循环(目标–实施–评估)的协同演化机制。研究结果表明：(1) 基于深度学习的自然语言处理技术能够显著提升思政元素的识别效率(准确率达82.7%)，但对隐喻性内容的解析仍需人工干预；(2) 动态知识图谱与多模态融合技术的协同应用，使教学内容与思政目标的匹配精度达到91.2%，证实了结构化知识表征的实践价值；(3) 生成式AI支持的个性化推荐系统在提升学生文化认同感(+23.6%)方面成效显著，但其技术依赖风险亟待制度性约束[1] [12]。研究提出的“双循环”融合模型为解决语言工具理性与价值理性的割裂问题提供了创新框架，为智能时代的外语教育改革提供了重要范式[13]。
然而，当前研究仍存在三方面局限：其一，纵向研究数据匮乏，现有实证周期普遍短于16周，难以追踪AI融合教育的长期效应(如价值观内化程度随时间衰减的现象)；其二，技术适用性存在校际差异，73.5%的案例集中于资源优渥的“双一流”高校，对地方院校及职业教育的适配性尚未验证[3]；其三，理论建构滞后于技术实践，尤其是对“算法中介化价值传递”的机理阐释不足，导致相同技术工具在不同文化语境中的效果波动达31.5% [16]。未来研究需在“双循环”模型指导下，进一步深化对两个循环间动态互动关系的实证考察与理论阐释。这些局限呼吁学界在理论层面、技术层面、实践层面深化探索。
本研究为AI时代的课程思政建设提供了阶段性解决方案，但其更深层的价值在于开启了一个跨学科、多尺度的研究议程。随着量子计算、脑机接口等技术的突破，外语教育中的价值观培养将进入深度智能化新阶段。在此进程中，唯有坚持“技术向善”原则，在工具理性与价值理性的辩证统一中寻求平衡，并在“双循环”模型的动态调适中找到技术赋能与人文引领的契合点，方能真正实现人工智能与人文教育的共生共荣。
基金项目
西北工业大学2025年校级本科课程建设项目阶段成果。