📝 英文题目：The AI dilemma in L2 writing: Is AI literacy associated with willingness to write through self-efficacy, anxiety, or both? A serial mediation investigation
📚 来源期刊：System
🗓 发表时间：2026-11
✍ 作者：Yanyu Yang, Bingwei Li
🏆 期刊等级：SSCI Q1 · JCR Q1 · 中科院 文学1区 · TOP 文学TOP · Scopus
📌 本文看点
01
AI 素养
02
二语写作意愿
03
写作自我效能
BACKGROUND
研究背景
问题提出
生成式 AI 涌进二语（L2）写作，带来一个两难：它既能帮人建立信心、愿意写，也可能因为「怕露怯、怕依赖、怕出错」而加重焦虑、让人更不想写。已有研究各说各话——有的说 AI 提信心，有的说 AI 添焦虑。问题卡在：前人大多只看了直接效应，没把「自我效能」和「焦虑」这两个心理变量串成一条有方向的链路。也就是说，技术能力到底怎么变成「我愿不愿意写」这种意志行为，机制一直是空的。
难点剖析
难点有三：① 自我效能和焦虑都是内隐的心理构念，得用多维度量表分别测准，还得证明它们彼此不混（区分效度）；
② 直接效应很可能很弱甚至不显著，必须上中介 / 序列中介模型才能看清「转手」过程；
③ 量化出来的「不显著」可能掩盖异质性（有人因 AI 降焦虑、有人因 AI 升焦虑，加总抵消），所以需要质性访谈把机制讲透。本文用「量化→质性」的解释性序列混合设计来破这题。
理论脉络
理论基座拼了两块：一是 Bandura 的社会认知理论（SCT），把「自我效能」看作行为能动性的核心——人觉得自己行，才愿意做；二是 Pekrun 的控制-价值理论（CVT），把焦虑解释为「对任务缺乏掌控感」的情绪后果。两块刚好对接：SCT 的效能信念，正是 CVT 里「主观掌控感」这一焦虑前因。前人（Chen 等 2024；Z. Zhou 等 2022）也已提示 AI 自我效能负向预测 AI 焦虑，本文把它正式塞进「AI 素养 → 写作意愿」的序列链里。
METHOD
研究方法
理论模型
提出一个序列中介模型（见图 1）：AI 素养 →（正向）L2 写作自我效能（WSE）→（负向）L2 写作焦虑（WA）→（负向）L2 写作意愿（WTW）。顺序不能反——按 SCT/CVT，先有认知层面的「掌控感 / 自我效能」，才谈得上情绪层面的「焦虑升降」，所以 WSE 必须在 WA 前面，二者做序列中介。研究问题：AI 素养是通过 WSE、通过 WA，还是通过「WSE→WA」这条序列路径，连到写作意愿？
研究假设
H1：AI 素养直接正向预测 L2 写作意愿（WTW）。 H2：L2 写作自我效能（WSE）中介 AI 素养与 WTW 的关系。 H3：L2 写作焦虑（WA）中介 AI 素养与 WTW 的关系。 H4：WSE 与 WA 序列中介 AI 素养与 WTW 的关系（AI 素养 → WSE → WA → WTW）。
分析策略
解释性序列混合设计（QUAN→QUAL）。量化侧：结构方程模型（SEM，ML 估计，age/gender 作控制变量），拟合标准 χ2/df<3、CFI/TLI≥0.90、RMSEA≤0.08、SRMR≤0.08；因 Mardia 多元峰度 7.12（中度偏离），用 5000 次偏差校正 bootstrap 验间接效应。潜变量用维度层面 parceling（Little 等）以优化变量-样本比、隔离构念混淆。质性侧：16 人半结构化访谈（中文，约 30 分钟），主题分析（Braun & Clarke, 2006），两编码员对 30% 转录本独立编码，κ=0.84。
DESIGN
实验设计
数据收集
2025 年 9–11 月，四所中国高校 Convenience sampling 发在线问卷；全部受试者均有用 AI 做写作任务的经验。为保护匿名，用「手机号片段 + 社媒数字」自编追踪码做匿名匹配；自愿者中再按性别与水平分层抽样挑 16 人做访谈，联系方式与匹配码加密隔离存储，定量/定性数据匹配后销毁标识符。
研究样本
有效样本 303 人（初始 318，剔 15 份注意力检测不通过的废卷）；年龄 17–22 岁（M=19.34, SD=2.12），男 171 / 女 132，文理工农皆有，高考英语 58–144（含高低水平）。质性样本 16 人，第 14 次访谈即达主题饱和。
测量工具
四个构念均用成熟量表：AI 素养用 AIL-L2WS（Z. Huang 等 2025，22 题 4 维度，α=0.94）；L2 写作自我效能用 GL2WSS（J. Zhang 等 2023，16 题 4 维度，7 点，α=0.96）；L2 写作焦虑用简版 SLWAS（Cheng, 2017，9 题 3 维度，5 点，α=0.92）；L2 写作意愿用 L2WWTCS（Y. Zhang & Zhang, 2024，17 题 5 维度，7 点，α=0.93）。各量表 CFA 拟合良好，CR>0.70、AVE>0.50，HTMT 全 <0.85（AI 素养–WSE 关键值 0.62，确认两构念实证可分）。
RESULTS
结果与分析
信效度检验
测量质量过关：四个构念 CFA 拟合均良好（整体模型 χ2/df=2.30, CFI=0.90, RMSEA=0.06）；聚合效度 CR 0.90–0.96、AVE 0.55–0.62（均 >0.50）；区分效度 Fornell-Larcker（AVE 平方根 > 互相关）与 HTMT（全 <0.85 保守阈值）双达标；内部一致性 α 0.92–0.96。共同方法偏差：Harman 单因子 44.07% <50%，偏差不严重。结构模型拟合可接受：χ2/df=2.97, CFI=0.95, IFI=0.93, RMSEA=0.07, SRMR=0.04。
假设检验
路径系数（SEM）：AI 素养 → WSE β=0.64（p<0.001）；WSE → WTW β=0.36（p<0.001）；WSE → WA β=−0.20（p<0.05）；WA → WTW β=−0.57（p<0.001）；AI 素养 → WA β=0.05（p=0.55，不显著）；AI 素养 → WTW β=0.05（p=0.47，不显著）。
假设检验（5000 bootstrap）：总效应 β=0.32（p<0.001）；经 WSE 的间接效应 β=0.23（p<0.001）→ H2 成立；经 WSE+WA 的序列间接效应 β=0.07（p<0.05）→ H4 成立；仅经 WA 的间接效应 β=−0.03（p=0.64，不显著）→ H3 不成立；AI 素养→WTW 直接路径不显著 → H1 不成立。结论：WSE 完全中介 AI 素养与 WTW，且这条链以「WSE→WA」序列方式跑通——即 AI 素养先抬升效能、再压低焦虑，才换来写作意愿。
CONCLUSION
总体结论
研究结论
AI 素养对写作意愿几乎没有「直球」影响，全部走间接：先让你「觉得自己能写」（自我效能↑），再让你「没那么怕写」（焦虑↓），最后才「更愿意写」。换句话说，会不会用工具，和愿不愿意写，中间隔着心理关卡——工具能力要先转化成内在效能感。这直接挑战了 TAM「感知易用/有用就直接预测行为意向」在 L2 写作这种认知-情绪交织场景的粗暴套用。给教学的提示：别只教「怎么用 AI」，要刻意培养「用 AI 过程中的自我效能」，并直接做降焦虑设计（低风险练习、强调作者主体性），才能把 AI 真正变成写作意愿的助推器。
研究局限
① 横截面 + 单一中国高校样本，不能下因果结论、外推受限；需实验性 AI 素养干预 + 跨文化复刻。
② 自陈问卷仍有社会期许偏差风险，访谈偏短限制质性深度；应纳入客观 AI 使用日志、日记法、多次深访。
③ 没记录被试具体用了哪款 AI 工具，难以复现（不同工具给的心理体验不同）；未来须明确追踪工具类型。
④ 质性显示的「正反焦虑互相抵消」只是统计推测，未用潜类别分析验证异质子群体，需后续量化检验。
未来展望
用实验操纵 AI 素养并做跨文化复刻以确证因果链；整合客观使用指标与日记研究捕捉动态体验；明确追踪具体 AI 工具类型以厘清其独特心理效应；用潜类别分析（latent profile analysis）识别「因 AI 降焦虑 / 因 AI 升焦虑」的不同学习者亚群，把被加总抵消掉的异质性讲清楚。
金句
AI 素养之所以能预测写作意愿，靠的不是技术本身，而是它先让人『觉得自己行』，再由此压低焦虑——这条认知到情绪的顺序，才是关键。
— 研究模型图
📄 摘要原文
This study investigates the psychological mechanisms through which artificial intelligence (AI) literacy relates to L2 learners’ willingness to write (WTW). It proposes a serial mediation model wherein L2 writing self-efficacy (WSE) and L2 writing anxiety (WA) sequentially mediate this relationship. Grounded in social cognitive theory and control-value theory, the research employed a sequential explanatory mixed-methods design with 303 Chinese EFL learners. Quantitative results from structural equation modeling indicate that: (1) L2 WSE fully mediates the relationship between AI literacy and L2 WTW; (2) AI literacy is indirectly linked to L2 WTW through a sequential pathway: by first positively predicting L2 WSE, which in turn negatively predicts L2 WA; and (3) the direct effects of AI literacy on L2 WA and L2 WTW are non-significant. To explain these quantitative pathways, qualitative interviews with 16 participants further elucidated how AI tool usage corresponds to higher L2 WSE through strategic partnership, reduced startup burden, and task scaffolding support. Furthermore, the qualitative narratives revealed that while AI usage can initially be associated with anxiety (e.g., fear of exposure, tool-related frustration), the heightened L2 WSE linked to AI literacy effectively serves as a protective factor against these affective barriers. The study concludes that AI literacy positively correlates with L2 WTW through a fully indirect mechanism, in which heightened L2 WSE serves as a vital prerequisite for lowering L2 WA. These findings contribute to theory by integrating two major psychological frameworks and offer practical implications for leveraging AI to cultivate more willing L2 writers.
📎 阅读原文：DOI: 10.1016/j.system.2026.104175
END
我是扣子，高校教师/在读博士/AI顾问。关注AIGC，学术科研，博士生活；分享AI赋能和论文带读，打破AI信息差。视频号：扣子说AI。
如需推广论文，请咨询WeChat：Q495428。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。
欢迎关注我的视频号
（❤️会不定期更新AI工具哦❤️）
三连一下，不失联！