工具首发|生成式 AI 词汇策略量表的验证与学习者潜在剖面分析

    当生成式人工智能全面渗透语言学习场景，词汇学习的底层逻辑正在被重塑。

从用 AI 查询生词含义、辨析近义词，到生成例句、设计自测，再到规划学习路径、优化写作表达，传统的词汇学习策略（VLS）框架，早已无法完整捕捉这些人机协同下的全新学习行为。

    GenAI 介导的词汇学习策略，能否形成稳定可测的结构？不同英语学习者的策略使用，是否存在可识别的群体差异？策略使用又与学习表现有着怎样的关联？

    近日，澳门理工大学 Mark Feng Teng 发表于《Asian Journal of English Language Teaching》(AJELT)  的最新实证研究，系统回应了上述问题。该研究不仅开发并验证了专门针对 GenAI 场景的词汇学习策略量表，更以人中心的视角，揭示了中国高校英语学习者的策略使用潜在剖面，为 AI 时代的词汇教学与学习提供了全新的实证依据。

研究背景：AI 时代词汇学习策略的测量空白

    词汇学习是二语习得的核心环节，而学习者采用的策略，直接决定了词汇习得的效率与质量。数十年来，学界已形成成熟的词汇学习策略分类框架与测量工具，但这些成果均诞生于前 AI 时代，无法适配生成式 AI 带来的学习变革。

    不同于传统词典、教材等静态学习资源，GenAI 为词汇学习提供了交互式、自适应、场景化的支持，学习者从被动的知识接收者，转变为人机互动的主动参与者 —— 设计提示词、评估 AI 输出、迭代优化学习行为，这些全新的策略行为，尚未被纳入传统的词汇学习策略框架。

基于此，本研究聚焦两大核心问题：

1. GenAI 介导的词汇学习策略，能否形成稳定的、可测量的因子结构？

2. 基于策略使用特征，中国高校英语学习者能否被划分为不同的潜在剖面？不同剖面的学习者又存在怎样的特征差异？

研究设计

• 本研究的参与者为 593 名中国高校英语学习者，覆盖本科四个年级，其中男生 201 人，女生 392 人，自评英语水平集中在 CEFR A2-B2 区间，样本具有良好的代表性。

研究采用作者自主编制的GenAI 介导词汇学习策略问卷，共包含 24 个题项，分为 4 个核心维度，每个维度 6 道题，采用 7 点李克特量表计分（1 = 非常不符合，7 = 非常符合）。

四个维度对应词汇学习的完整流程：

1. AI 辅助词义发现：用 AI 识别、推断、澄清生词含义，区分语境义、语体特征，辨析易混词

2. AI 支持词汇精加工：用 AI 生成例句、学习搭配、辨析同义词、掌握语法规则、理解语用特征，深化对词汇的认知

3. AI 介导元认知调控：用 AI 规划词汇学习重点、识别知识漏洞、检验掌握程度、设计自测、提供反馈、监测学习薄弱点

4. AI 驱动词汇激活：用 AI 练习新词的产出应用，包括造句、设计对话与写作任务、优化表达、循环复用新词，实现从 “输入” 到 “输出” 的转化

研究采用严谨的量化分析路径：

• 运用验证性因素分析（CFA），检验量表的因子结构、信度与效度

• 运用潜在剖面分析（LPA），对学习者的策略使用进行分群，识别不同的潜在剖面

• 采用方差分析与非参数检验，比较不同剖面学习者在 AI 使用特征、英语水平、词汇表现等方面的差异

核心发现：

到底什么在真正决定写作分数？

验证性因素分析结果显示，四因素相关模型的拟合度最优，各项拟合指标均达到优秀水平（CFI=0.979，TLI=0.977，RMSEA=0.026，SRMR=0.029），证实了 GenAI 介导词汇学习策略的四维结构。

量表的心理测量学属性表现优异：

1. 内部一致性极佳：四个维度的 Cronbach’s α 系数在 0.905-0.927 之间，远高于 0.8 的临界值

2. 聚合效度良好：各维度的组合信度（CR）均大于 0.9，平均方差提取量（AVE）均大于 0.6，远超临界标准

通过敏感性分析，MLP 模型成功剥离了变量间的共线性干扰，精准算出了每项指标的标准化重要性（最强预测因子锚定 100%），给出了清晰的预测力层级：

潜在剖面分析结果显示，三类剖面的解决方案最优，具有极高的分类准确率（熵值 = 0.943），三类群体呈现出清晰的梯度化特征：

1. 低 – 中度策略使用者：占比 45.53%，是规模最大的群体，在四个维度的策略使用均处于较低至中等水平

2. 中 – 高度策略使用者：占比 43.51%，在四个维度均有中等偏上的策略使用，整体策略参与度较高

3. 高策略使用者：占比 10.96%，在所有四个维度都高频、系统地使用 GenAI 介导的词汇学习策略，是策略参与度最高的群体

    三类群体的核心差异，在于策略使用的整体强度，而非策略组合的类型。也就是说，当前阶段学习者的差异，并非 “用 AI 做什么”，而是 “在多大程度上系统性地用 AI 完成词汇学习的全流程”。

    剖面比较结果显示，三类群体在 AI 使用特征、英语水平与词汇表现上存在极其显著的差异，整体呈现高策略使用→更高的 AI 使用频率与经验→更高的自评英语水平与词汇相关成绩的正向梯度关联。

    与之形成对比的是，不同性别、不同年级的学习者，在 GenAI 介导的词汇学习策略使用上，没有显著差异。这说明，策略使用水平并非由人口学特征决定，而是取决于学习者对 AI 工具的策略性参与程度，以及自身的英语能力与 AI 使用经验。

核心理论与实践贡献

本研究填补了 GenAI 时代词汇学习策略研究的关键空白，具有双重核心价值：

1. 理论层面：将传统词汇学习策略研究拓展至生成式 AI 新场景，提出了适配人机协同学习的四维策略框架，重新将词汇学习概念化为一个动态的人机互动过程，而非单纯的个体词汇积累。

2. 实践层面：开发并验证了一套专门针对 GenAI 词汇学习的测量工具，为后续相关研究提供了可靠的标准化量表；同时识别出的三类学习者潜在剖面，为英语教学中的差异化策略指导提供了清晰的实证依据。

对英语教学与学习的核心启示

• 教学重心需从 “教词汇” 转向 “教 AI 时代的词汇学习策略”

  教师不能仅停留在 “允许学生用 AI 学单词” 的层面，而要为学生提供系统性的策略指导，覆盖词义发现、词汇精加工、元认知调控、词汇激活的完整流程，帮助学生建立起人机协同的词汇学习策略体系。

• AI 的学习价值，取决于学习者的策略性使用

  AI 工具本身无法自动提升词汇学习效果，真正起作用的是学习者的策略性参与。教学中需重点培养学生的元认知能力与 AI 素养，引导学生学会用 AI 规划学习、监测进度、评估效果，实现从 “被动用 AI 查词” 到 “主动驾驭 AI 完成系统性词汇学习” 的转变。

【规范引用】

Teng, M. F. (2026). Validation and Profiling of GenAI-Mediated Vocabulary Learning Strategies. Asian Journal of English Language Teaching, 35(3), 16–39.https://doi.org/10.65961/AJELT-2026-3-002

# 生成式人工智能 #词汇学习策略 #量表验证 #潜在剖面分析 #元认知 #大学英语学习者 #人机协同学习部分内容由豆包AI辅助生成

作者简介

Mark Feng Teng 滕锋博士

现任澳门理工大学应用语言学副教授，并担任应用语言科学博士课程主任及博导。他的研究专注于计算机辅助第二语言词汇习得、阅读与写作。在相关领域著述丰硕，已在国际SSCI学术期刊发表论文100余篇。近年来，他将研究拓展至语言科学及生成式人工智能。相关研究成果的谷歌学术引用次数持续上升，总引用量达8,000多次。根据ScholarGPS（2025年）的排名，他被评为“顶尖学者”（终身成就位列词汇学习领域前0.5%；近五年在社会科学领域综合排名前0.5%，语言学领域排名前0.2%）。在语言与语言学领域入选斯坦福大学“全球前2%顶尖科学家”年度榜单（2021–2025年）及终身影响力榜单（2024–2025年），也是澳门地区唯一入选该领域榜单的学者。他是全球数字应用语言学协会的创始会长，并担任《Reading in a Foreign Language》（SCOPUS/ESCI收录，Q1区）、《Asian Journal of English Language Teaching》（SCOPUS收录）的联合主编，同时是《International Journal of TESOL Studies》（SCOPUS收录，Q1区）、《Digital Applied Linguistics》及新创期刊《Applied Language Sciences》的总主编。

Asian Journal of English Language Teaching (AJELT) 

由香港中文大学出版社出版，1991 年创刊，2026 年迎来创刊 35 周年，并正式入选Scopus 数据库，是专注于亚洲英语教学与应用语言学研究的权威国际开源期刊。Mark Feng TENG为本刊联合主编之一。 本刊聚焦二语习得、世界英语、技术赋能语言教学、专门用途英语等前沿方向，坚持开放获取、免费出版，为全球学者搭建高质量学术交流平台。

📌 期刊官网：https://ajelt.ojhhk.com/EN/home

📌投稿入口：

官网「Submission」板块

欢迎全球研究者与一线教育工作者积极投稿，共享学术成果！

点击

了解更多