AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

动机

创建 2026-08-10 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

动机（Motivation） — 启动、引导并维持目标导向行为的心理过程。在教育中的人工智能中，动机研究考察 AI 工具如何影响学习者与教师的动机 —— AI 是支撑还是削弱坚持性、好奇心与内在参与 —— 以及动机状态如何塑造 AI 中介学习的有效性。

值得思考的问题

  • 动机常被当作一种特质，有些学生“有”，有些学生缺。本页把它描述为启动、引导并维持行为的心理过程 —— 以及某种发展性的、社会地获得支撑的东西。这如何重新框定了谁对学生动机负有责任？
  • AI 工具能移除摩擦、使学习更易接近，但它们也能降低支持内在动机与深度学习的认知投入与奋斗。你什么时候曾因把某事“变容易”而使其变得不那么激励人心、或不那么令人满足？
  • 自我决定理论认为，内在动机生长于自主、胜任与关联。如果一个AI 导学系统承担了大部分工作，它可能威胁这三者中的哪一个 —— 又可能增强哪一个？
  • 研究发现，学生在 AI 课程中存在不同的动机画像，而达到自我决定的画像预示了最大的 AI 素养增益。一个学习者要从被动脱离投入，转变为在使用 AI 上真正自我决定，可能需要什么？
  • 本页报告，教师支持主要通过掌握趋近与表现趋近目标 —— “趋近”而非“回避”的取向 —— 驱动 AI 辅助的参与。教师框定 AI 使用的方式（“把它弄对” 对 “避免显得错误”）如何塑造学生是否深度参与？
  • 如果你在为动机设计，目标是让学习更容易、更有吸引力，还是更有意义地费力？无障碍与内在动机在何处朝相反方向拉扯？

引言

动机是教育研究中的一个基础构念，而 AI 在教育中的兴起使它更具分量：AI 工具能移除摩擦、使学习更易接近，但它们也能降低支持内在动机与深度学习的认知投入与奋斗。本知识库的文章探讨面向学习者的 AI 工具、面向教师的 AI 系统，以及 AI 借此塑造受激励行为的心理机制 —— 自我决定、自我效能、情绪。

  • **Lee 与 Wu**表明，性别与动机驱动与 GenAI 的不同参与，成绩轨迹各异。

主要研究主题

AI 对学生动机的影响是最直接的一线研究。**Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming考察 AI 辅助的可得性如何影响学生动机与坚持性，连接到过度依赖研究 —— 当 AI 做工作时动机被侵蚀。就坚持性而言，简短的接触便已足够：十分钟与一位有求必应的助手相处，使参与者在无辅助问题上跳过的比例为 0.20，对照组为 0.11（Liu 等，2026）。Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement探索移动聊天机器人日志作为一种动机干预。Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education: Insights from Psychological Outcomes**考察什么驱动学生在工程教育中采纳 AI 学习工具。

一项 42 项研究的元分析（56 个效应量，6,059 名学生）发现，GenAI 支持的学习使动机提高 Hedges' g = 0.764（95% CI [0.566, 0.962]）—— 但 I² = 93.7%、95% 预测区间为 [−0.689, 2.217]，该均值掩盖了效应近乎为零或为负的情境（Fang 等（2026））。

  • **不加反思的使用侵蚀动机 —— 对男性尤甚。**不加思考地使用 GenAI（未经检验地接受答案）预测了 487 名本科生中更低的动机（β = −0.54）与更低的自我效能（β = −0.37），且动机效应在男性学生中显著更强，自我效能效应在女性学生中更强（Zhao 与 Gu，2026）。

读者为何伸手去拿 AI 本身就是一个可测的变量：AIR 量表把四种 GenAI 辅助阅读的动机区分出来 —— 任务导向、求好受、翻译与低努力 —— 只有低努力（在疲倦或脱离投入时使用 AI）与认知需求负相关（r = −.18）（Brann、Etgar 与 Sidi（2026））。

AI 中介参与中的动机考察动机的质量（而不只是数量）如何随 AI 改变。Isaeva 等把自我决定理论与认知网络分析结合，研究对生成式 AI的参与。****Liang 等（2026）通过对一个为期一年的 AI 课程中2,086 名中学学生的潜在转移分析，发展性地追踪了动机，发现三个稳定画像（脱离投入、发展中、自我决定），而达到自我决定画像预示了最大的AI 素养增益。****Wang 与 Wang（2026）用目标设置理论研究了758 名大学英语学习者，表明教师支持主要通过掌握趋近与表现趋近目标（趋近、而非回避的目标取向）驱动 AI 辅助的参与。这些研究共同表明，AI 情境中的动机既是发展性的、也是社会地获得支撑的 —— 它随时间变化，并响应教师支持与目标框定，而不只是工具设计。

目标取向也为工具的使用方式导向：掌握与规范性表现目标往往支持精加工与细化，而外观表现目标使努力最小化与保护被感知的胜任力更有可能 —— 因此同一个助手是支撑还是替代思考，取决于动机氛围（Øby，2026）。

一种对话格式可以在不改善总体评价的情况下提高动机：在 222 名高一学生中，教师–教师对话比教师–学生格式更能提高具体经验高的学习者的 ARCS 动机（b = 0.162，p < .001），却在总体评价上显著更低（b = -0.126，p = .005）（Watanabe 等（2026））。

动机塑造学生如何框定工具，而框定承载了元认知的回报：**Cui 等（2026）**发现，协作者角色 —— 占日志的 7.5% —— 是唯一产生完整元认知链条的，而外在驱动的学生在 64.6% 的日志中把 GenAI 当作替代工具，且未产生高阶连接。

动机增益是构念特定的，而非一般的。Lu 等（2026）**发现，一个为期九周、面向 301 名五、六年级学习者的 GenAI 支持的写作项目，提高了他们理想的 L2 写作自我与学业韧性 —— 动机的抱负成分与复原力成分 —— 而成长型思维未变；唯一的成长型思维增益出现在对照组，且未通过多重比较校正。学生把这一转变归因于看到流利的文本由他们已知的词汇建构而成，这使成功的写作感觉可达。因此动机不是一个可由 AI 统一调大的旋钮：改善的是“一个人能够写好”的信念，而非“能力随努力增长”的信念。当 GenAI 本身就是相关性干预时，也出现同样的构念特定性。Guo、Fryer 与 Shum（2026）让218 名高中生花一小时与一个聊天机器人进行半结构化对话，话题是针对数学的个人相关性；集体、班级层面的版本提高了作为认同的相关性（F = 4.35，p = .014，η² = 0.04；对对照组 F = 11.11，p = .001，η² = 0.073 —— 中等效应），并在结构方程模型中预示了一周后对某一具体课的相关性（β = 0.18，p < .01），而对数学课的兴趣没有变化（F = 0.29，p = .75，η² = 0.003）。作者把这一脱钩归因于剂量：单一一小时课程太短，相关性增益无法固化为对课程的兴趣。

一个效用价值干预并非一致有益：一个有脚手架的版本在职前教师的知识整合上未产生总体增益，且损害了入门时感知效用价值高的学习者，这是一种主张把动机支持与学习者起点相匹配的能力–处理交互（Boos、Eder 与 Lachner（2026））。

**一条反馈信息经由其被感知的有用性（而非学习者的性情）改变兴趣。****Jansen 等（2026）**在 1,507 名中学生完成一篇论辩文本初稿后，给他们一条标准化的自动反馈信息：总体接受度是唯一与情境兴趣变化相关的接受度维度（观测量表上约 0.11 分，大致为第 54 对第 46 百分位），而该效应被感知到的有用性完全中介（间接 β = 0.09，95% CI [0.06, 0.13]），且未留下显著的直接路径（β = 0.06，95% CI [−0.07, 0.16]），因此改变兴趣的是信息被感到的价值，而非学习者对反馈的总体立场。

教师动机与坚持性考察教育者中的动机。**框定百分之五问题研究教师对 AI 工具的坚持性，而Chiu 等**发现，支持需要的专业发展培养专业学习共同体中持续的行为参与。

  • 未来教师的跨文化动机： **Martínez-Moreno 等（2026）**以瑞士与中国的 416 名师范生检验了 (D)FIT-Choice 量表，发现瑞士教师报告更强的社会效用与内在动机，而中国教师表现出更高的被感知数字胜任力与整合 AI 的热情 —— 凸显文化与系统因素如何塑造用 AI 塑造教育未来的动机。

  • **自我效能是教师对 GenAI 之愉悦感的根源。**在一项对 434 名在职教师的 PLS-SEM 研究中，自我效能是模型中唯一的外生变量，其最大效应施加于被感知的愉悦感（β = 0.805，f² = 1.839），依次喂入被感知的有用性与易用性（Guillén-Gámez 等，2026）。

**努力悖论与辅助的恶性循环。****Zohar、Bloom 与 Inzlicht（2026）**主张，动机不只是被 AI 帮助或阻碍，而是被重新分配：人类通常走阻力最小的路，却也主动寻求努力 —— 努力悖论 —— 因为努力标示着行动有意义，也因为附于过程而非产物的奖励增加了奋斗与坚持的倾向。两条主张随之而来。第一，努力–意义关系是一个倒 U，因此动机的目标是适度的摩擦，而无摩擦 AI 的风险是越过到太少。第二，一个恶性循环：当 AI 在一个领域中替代了努力，该领域努力带来的动机益处便侵蚀，这使用户更依赖 AI，从而进一步侵蚀动机。他们还按发展阶段把补充与替代分开 —— 处于较早阶段的学习者冒着绕过建构坚持不懈之经验的风险，而技能已确立者可以用 AI 省时间（合意困难、自我效能）。

**文献在没有动机理论的情况下测量动机。**一项对 2003 至 2025 年 156 项研究的范围综述发现，133 项（85.3%）不受任何特定动机理论指引，最常见的变量是一般化学业动机（n = 89），且 88 项研究（56.4%）来自同一国家情境（Li 等，2026）。

与相关概念的关联

动机是自我决定理论的母构念，后者规定了维持内在动机的心理需要（自主、胜任、关联）。它连接到学生体验作为受激励参与的体验层，连接到学生参与作为其可测维度，并连接到情感计算作为塑造动机的情绪机制。动机也连接到过度依赖（AI 减少生产性奋斗）、自我调节学习（受激励的学习者自我调节），以及教师角色（动机既适用于教育者，也适用于学生）。

关联概念

关联文章

相关常见问题

元数据

目标读者Learners
学习与教学动机, 自我决定理论, 学生参与
技术与方法情感计算
教育中的人工智能基础教育中的人工智能
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。