在當今的外語學習領域，生成式人工智能（GenAI）如同一股無法阻擋的潮流，正深刻改變著英語學習（EFL）的面貌。想象一下，學習者可以隨時獲得個性化的內容生成、即時反饋和自適應學習路徑，效率和學習熱情似乎得到了前所未有的提升。然而，在這片技術紅利背后，學習者內心并非總是充滿陽光。許多研究揭示了學習者在使用GenAI時的復雜情緒——他們享受工具帶來的便利，卻又擔憂會因此削弱自己的創造力和批判性思維；他們依賴AI完成作業，卻又因擔心學術不端和被教師發現而焦慮。這些相互矛盾的認知和情感狀態，在心理學中被稱為“認知失調”。以往的研究大多從技術接受與使用（UTAUT）等模型出發，探討學習者“是否愿意使用”AI，卻較少深入關注他們在實際使用中“如何應對”這些內在沖突。認知失調理論（CDT）為理解這種心理不適提供了框架，但將其應用于EFL背景下的GenAI研究仍存在空白。為此，一項發表于《Acta Psychologica》的研究，將目光投向了中國大學生的內心世界，旨在探究他們在使用GenAI輔助英語學習時，究竟經歷了哪些具體的認知失調，以及他們如何運用自我調節策略來應對這些矛盾。

為了深入探究這些問題，研究人員采用了定性與定量相結合的Q方法學（Q methodology）。該方法學擅長系統性研究人的主觀性，能夠揭示人群中共享的觀點模式。研究首先通過整合既有量表和對17名學生的預訪談，構建了一個包含45條陳述的Q集（Q-set），這些陳述涵蓋了關于GenAI輔助EFL學習的正反兩方面觀點。接著，研究招募了25名來自不同類型中國高校（綜合性大學、理工類大學、語言類院校）的本科生和研究生作為參與者（P-set）。每位參與者需要根據自己的認同程度，將這45條陳述放入一個從“-5（強烈不同意）”到“+5（強烈同意）”的強制準正態分布網格中進行排序，這一過程稱為Q排序（Q-sorting）。收集到的所有Q排序數據通過主成分分析（PCA）結合方差最大化旋轉（Varimax rotation）進行處理，以識別出共享的主觀觀點模式。數據分析主要借助了PQMethod和KADE軟件。此外，研究還對在每種觀點模式上具有高負載（high-loading）的參與者進行了回溯性半結構化訪談，以深入理解其排序背后的理由及他們所采用的具體調節策略。

共有9名參與者（占總數的36%）表現出這種失調。他們普遍認可GenAI在信息搜集（陳述S25）、文獻閱讀（S29）和作業完成（S15）等方面帶來的效率提升。但同時，他們又強烈擔憂這會削弱自己的創造力（S2）、閱讀能力（S10）和獨立思考能力（S18）。簡言之，他們既享受AI帶來的即時認知減負（cognitive offloading），又對自身長遠能力發展感到焦慮。

面對這種矛盾，參與者采用了多種自我調節策略。例如，一些學習者采取選擇性忽視（selective neglect），優先考慮短期效率而暫時擱置對能力退化的憂慮。另一些則通過重構行為順序（sequencing） 來應對，他們先獨立完成初稿，再使用AI進行潤色和評分，以保留自主認知過程。還有學習者采取了基于情境的實踐（context-based practice），根據任務屬性調整AI的使用價值，如在網頁翻譯中追求效率，而在口語練習中則優先考慮能力培養。

有6名參與者（占24%）屬于此類型。他們在工具層面承認AI對英語學習的益處和必要性（S43， S42），但在涉及深度學習或備考等關鍵任務時（S38），他們更傾向于依賴傳統方法和教師指導（S22）。他們認為與AI的互動缺乏真實人際交流的緊張感和趣味性（S6）。本質上，他們將AI定位為一種補充工具，而非核心學習模式。

為調節這種失調，學習者采用了認知重構（reframing），例如將AI重新定義為“學習助手”而非“教師”，從而縮小其角色范圍。他們也運用基于情境的實踐，根據任務特點（如用AI練習口語，但用傳統方法備考閱讀聽力）切換工具。此外，在教師或同伴壓力下，部分學習者通過基于從眾的合理化（conformity-based rationalization） 逐漸接受AI工具，將其視為一種方便的補充。

7名參與者（占28%）表現出這種失調，其中研究生占大多數（85.71%）。他們在日常學習中（尤其是學術寫作）高度依賴GenAI（S15， S37），但同時對其生成內容的真實性（S26）和可能引發的學術不端風險（S24）抱有強烈懷疑和焦慮（S34， S16）。他們明確表示不信任AI內容的可靠性（S45）。

為應對信任危機，學習者采取了基于從眾的合理化策略，通過觀察同伴的普遍使用來減輕自身的道德不適感。他們還發展出驗證（verification） 習慣，要求AI提供信息來源并進行手動核查，特別是在處理高利害聲明時。另一種策略是注意力重構（reframing），即將注意力從持續的倫理焦慮轉移到利用AI提升學習成果的具體目標上，從而管理而非消除矛盾。

研究結論與討論部分系統歸納了上述發現，并強調了其理論和實踐意義。本研究發現，中國EFL學習者在GenAI輔助學習中的認知失調并非單一、模糊的態度問題，而是圍繞三個核心焦點形成了相對穩定的觀點集群：圍繞能力發展的效率-能力失調、涉及評估文化與教學傳統的工具-傳統失調，以及聚焦于可信度與誠信風險的信任-依賴失調。這一類型學表明，即使對AI持相似積極看法的學習者，其內心的核心沖突也可能截然不同。

相應地，學習者發展出了一系列自我調節學習（SRL）策略來應對這些失調，而非簡單地停止使用AI。這些策略體現了學習者作為主動調節者，在任務規劃、過程監控和行為調整上的能動性。例如，效率-能力失調者通過重構工作流程（如調整AI介入順序）來保留自主性；工具-傳統失調者通過設置邊界來保護其信任的傳統評估方式；信任-依賴失調者則通過有條件的驗證和社會比較來管理風險與焦慮。

這項研究的重要意義在于，它超越了傳統的技術接受視角，深入揭示了學習者在采納新技術時的復雜心理動態。其構建的失調類型學與策略映射關系，為教育工作者提供了更精細的干預依據。例如，針對效率-能力失調，教學設計可融入階段性任務和元認知日志，幫助學習者可視化AI使用與能力發展的關系；針對工具-傳統失調，可采用文化敏感的混合式方法，將AI整合到低風險任務中，同時保持教師在深度學習中的核心地位；針對信任-依賴失調，則需在課堂中建立更清晰的使用規范，并培養學習者的批判性AI素養和驗證習慣。

當然，本研究也存在一些局限性，如樣本量較小、性別比例不平衡，且Q方法學旨在揭示主觀觀點模式而非進行統計推斷。未來研究可擴大樣本范圍，追蹤失調與調節策略的動態變化，并納入教師視角，以更全面地理解在考試導向的教育環境中，課堂互動如何塑造學習者的心理沖突。總體而言，這項研究為我們理解AI時代學習者的內心世界打開了一扇窗，提示教育者和技術設計者需在追求技術效率的同時，關注學習者的心理福祉與長期能力發展，設計出更能支持學習者評估與決策的智能化學習環境。