乐于分享
好东西不私藏
当前位置：夜雨聆风 > 技术教程 > 软件教程 > 生成式人工智能工具与大型语言模型如何影响语言学习者的批判性思维?How do and large language models influence…

生成式人工智能工具与大型语言模型如何影响语言学习者的批判性思维?How do and large language models influence…

当前时间： 2026-03-30 09:50:58 更新时间： 2026-03-30 分类：软件教程 评论(0)

生成式人工智能工具与大型语言模型如何影响语言学习者的批判性思维?How do and large language models influence…

免责声明：原文载于《Smart Learning Environments》(2025).版权归作者所有，如有侵权，请及时联系删章。

01

题目：How do generative artificial intelligence  (AI) tools and large language models (LLMs)  influence language learners’ critical thinking in EFL education? A systematic review
作者：
Jing Liu1*, Ahmad Johari Bin Sihes1
Universiti Teknologi Malaysia (UTM)
Ye Lu2 Yibin University

02

摘要
在算法时代，生成式人工智能工具和基于大型语言模型的应用迅速发展，应审慎将其整合到英语教学中，以提升教学效果，同时避免削弱学习者的批判性思维。本研究遵循PRISMA框架，对 2022-2025 年期间的相关研究进行识别、评估和整合，系统分析了生成式 AI 工具和大型语言模型对 EFL 教育中语言学习者批判性思维的影响。研究通过 Web of Science、SCOPUS、ERIC、ProQuest 和 Google Scholar 等数据库筛选出 15 项相关研究，重点探讨了生成式 AI 工具和大型语言模型的双重属性、研究方法、核心研究焦点、理论与模型、局限性与挑战以及该领域的未来方向。研究结果表明，生成式 AI 工具和大型语言模型在 EFL 教育中既具有培养批判性思维的潜力，也存在阻碍批判性思维发展的风险：66.67% 的研究报告了其对批判性思维的积极作用，33.33% 的研究指出了其消极影响。此外，研究还梳理出 3 类主要研究方法、3 个核心研究主题和 4 组理论视角。然而，该领域仍存在 4 类局限性，包括研究范围受限、用户依赖性风险、生成式 AI 的可靠性问题以及教学整合难题。未来研究可聚焦于评估长期影响、拓宽研究范围、促进负责任的 AI 使用以及完善教学策略。最后，本研究还讨论了自身的局限性、实践启示和未来研究方向。

03

研究问题
  1. 生成式 AI 工具和大型语言模型在 EFL 教育中是会抑制还是培养学习者的批判性思维？
  2. 探究生成式 AI 工具和大型语言模型对 EFL 学习者批判性思维影响的研究采用了哪些研究方法？相关研究的核心研究焦点是什么？该领域研究涉及哪些理论或模型？
  3. 生成式 AI 工具和大型语言模型在 EFL 教育中培养批判性思维方面存在哪些局限性或挑战？
  4. 生成式 AI 工具和大型语言模型在 EFL 教育中培养批判性思维的未来研究方向是什么？

04

研究方法
研究设计
采用 系统综述法 ，以 PRISMA 框架为指导，确保研究过程的全面性、系统性和无偏性，旨在整合生成式 AI 工具和大型语言模型对 EFL 学习者批判性思维影响的相关研究证据。
文献检索策略
  • 检索数据库：涵盖 Web of Science（WoS）、SCOPUS、ERIC、ProQuest 和 Google Scholar，其中前四大数据库用于获取权威学术文献，Google Scholar 作为补充以捕获开放获取或实践导向的研究。
  • 检索时间范围：2022 年 1 月 1 日 – 2025 年 2 月 28 日（因 ChatGPT 于 2022 年开始广泛应用，确保研究时效性）。
  • 检索关键词：通过布尔运算符组合关键词，包括（“生成式 AI” 或 “AI 辅助学习” 或 “大型语言模型” 或 “LLMs” 或 “学习用聊天机器人” 或 “AI 生成内容”）与（“批判性思维” 或 “批判性推理”）与（“英语教育” 或 “英语教学” 或 “TESOL” 或 “EFL” 或 “ESL”）。
文献纳入与排除标准
类型
纳入标准
排除标准
时间范围
2022 年 1 月 1 日 – 2025 年 2 月 28 日
超出上述时间范围的研究
研究场景
英语作为外语（EFL）教学场景
其他非 EFL 教学场景
研究范围
聚焦生成式 AI 和大型语言模型对批判性思维的影响
不涉及生成式 AI、大型语言模型与批判性思维关联的 EFL 教育相关研究
出版物类型
同行评审期刊文章、学位论文、会议论文（全文可获取）
综述论文、书籍章节、报告、演示文稿等，或无实证证据、无法获取全文的研究
语言
英文撰写
非英文撰写的研究
文献筛选与质量评估
  • 筛选流程：初始检索获得 3243 篇文献，经去重、标题和摘要筛选、全文筛选后，最终纳入 15 项研究（筛选流程严格遵循 PRISMA 流程图）。
  • 质量评估：采用针对性评估工具对不同类型研究进行质量评级 —— 定性研究使用 JBI 定性研究批判性评估清单，定量研究使用 JBI 定量研究评估清单，混合方法研究使用混合方法评估工具（MMAT 2018 版），由两位研究者独立评估，分歧通过第三方协商解决，最终多数研究被评为高或中等方法学质量。
数据编码与分析
  • 编码框架：涵盖 7 个核心维度，包括文献信息、研究方法、研究结果（对批判性思维的正负向影响）、核心研究焦点、理论基础、局限性与挑战、未来方向。
  • 编码一致性：通过卡帕一致性检验确保编码可靠性，初始一致性达 96%（Kappa=0.96），经协商后达成 100% 一致。
  • 数据分析：采用主题综合法对编码数据进行整理分析，提炼核心发现。

05

研究发现
对批判性思维的双重影响
积极影响（66.67% 的研究）
  • 提升论证性口语表现和写作质量（如优化论点结构、逻辑连贯性和证据评估）；
  • 培养分析思维、推理、评估、决策和问题解决能力；
  • 增强创造力与协作能力；
  • 提高学习参与度、动机和自信心；
  • 支持自主学习和个性化学习。
消极影响（33.33% 的研究）
  • 过度依赖风险，导致被动思维；
  • 分析深度下降，阻碍自主技能发展；
  • 削弱批判性思维和创造力。
研究方法分布
  • 定性研究：占比 53.33%（8 项），主要采用案例研究、访谈、焦点小组讨论、主题分析、内容分析等方法，侧重深入探索现象与体验。
  • 混合方法研究：占比 33.33%（5 项），整合定性与定量技术（如问卷 + 访谈、调查 + 反思日志、干预实验 + 质性分析），实现三角验证，提升研究效度。
  • 定量研究：占比 13.34%（2 项），采用准实验研究、问卷调查等方法，侧重量化分析变量关系。
核心研究焦点
研究围绕 3 个关键主题展开：
  • 生成式 AI 和大型语言模型对 EFL 学习者批判性思维技能的影响（8 项研究）：包括积极促进作用与过度依赖的风险警示；
  • 生成式 AI 在 EFL 教学与学习中的应用（5 项研究）：聚焦写作、口语、阅读等场景的应用，如通过结构化写作练习、协作学习引导、聊天机器人辅助等方式支持批判性思维发展；
  • 生成式 AI 对 EFL 教师能力与教学实践的影响（3 项研究）：强调教师需兼具批判性思维技能与 AI 应用能力，以有效评估 AI 生成内容、设计合理教学活动。
理论与模型基础
相关研究基于 4 类理论视角，为研究提供支撑：
  • 认知理论：包括布鲁姆分类法、建构主义学习理论、涌现论、心智主义等，侧重学习者信息处理与知识建构过程；
  • 社会文化理论：涵盖维果茨基社会文化理论、最近发展区（ZPD）、互动理论、协作脚本等，强调社会互动与 scaffolding 在学习中的作用；
  • 批判性思维与论证框架：包括 Facione 批判性思维理论框架、Paul-Elder 批判性思维框架、Ennis 批判性思维模型、论证模型与论证图谱等，提供结构化推理与分析工具；
  • 人工智能学习模型：包括联合国教科文组织 AI 定义、产出导向法、基于人类反馈的强化学习（RLHF）等，聚焦 AI 支持的个性化与适应性学习。
局限性与挑战
研究识别出 4 类主要问题：
  • 研究范围局限：样本量小、研究周期短（多为短期研究）、地理与文化背景单一，导致研究结果的可推广性受限；
  • 用户依赖性风险：学习者过度依赖 AI 生成内容，自主分析、评估信息的能力下降，阻碍批判性思维自主发展；
  • 生成式 AI 可靠性问题：存在生成错误信息、难以区分可信来源的情况，且 AI 响应质量依赖用户提示质量，同时技术更新迅速，增加教学适配难度；
  • 教学整合难题：教师对 AI 工具的探索仍处于初期阶段，缺乏针对性指导策略，且 AI 工具（免费版与付费版）功能差异可能影响教学效果，部分学习者未能通过 AI 辅助实现批判性思维提升。
未来研究方向
未来研究可聚焦 4 个核心领域：
  • 长期影响研究：开展纵向研究，追踪 AI 工具对 EFL 学习者批判性思维和学业表现的长期作用；
  • 拓宽研究范围：扩大样本量，纳入更多地理、文化背景的研究对象，覆盖不同年龄阶段与教育场景；
  • 负责任的 AI 整合：探索 AI 在教师教育中的应用，制定伦理使用指南与政策，预防过度依赖，提升 AI 素养；
  • 完善教学策略：将 AI 与传统教学方法结合，开发个性化学习路径，设计与教学目标匹配的人机协作任务，优化提示工程策略。

06

研究结论
  1. 生成式 AI 工具和大型语言模型在 EFL 教育中对批判性思维具有 双重属性 ：既能通过提升语言表现、培养高阶思维技能、增强学习动机等途径促进批判性思维发展，也可能因学习者过度依赖导致被动学习、分析深度下降等问题，其最终效果取决于教学整合方式与学习者的批判性参与程度。
  2. 该领域研究方法以 定性研究和混合方法研究为主 ，定量研究占比较少，混合方法的应用逐渐增加，反映出研究对多维度验证结果的需求。
  3. 研究焦点围绕 学习者批判性思维影响、AI 教学应用、教师能力发展 三大主题展开，体现了从工具应用到认知发展、从学生端到教师端的全面探索。
  4. 研究理论基础多元，涵盖 认知、社会文化、批判性思维论证、AI 学习模型 四大类，为 AI 与 EFL 批判性思维培养的融合提供了坚实的理论支撑。
  5. 当前研究仍面临 研究范围、用户依赖、AI 可靠性、教学整合 四大挑战，未来需通过开展长期研究、拓宽研究视角、规范 AI 使用、优化教学策略等方式加以解决，以充分发挥 AI 工具的积极作用，促进 EFL 学习者批判性思维的可持续发展。

07

研究启示
  • 理论层面：深化了生成式 AI、大型语言模型与 EFL 教育中批判性思维发展的关系认知，为构建兼顾技术优势与认知发展的混合理论模型提供了基础；
  • 实践层面：EFL 教学中应明确 AI 工具的辅助定位，通过结构化指导、AI 素养培养、互动式任务设计等方式，引导学习者主动评估和运用 AI 生成内容，而非被动接受；
  • 政策层面：需制定 AI 在 EFL 教育中的使用指南，加强教师 AI 应用培训，将 AI 支持的批判性思维培养纳入课程改革，同时关注数字公平、数据隐私等伦理问题。

08

研究局限性
  • 纳入标准聚焦生成式 AI 和大型语言模型（如 ChatGPT），排除了其他类型 AI 工具，可能遗漏相关研究；
  • 因主题新颖，现有文献数量有限，纳入研究包含会议论文和学位论文，部分研究的同行评审严谨性可能低于期刊文章。