Human-Guided AI Interaction in Task-Based Language Teaching: Effects of ChatGPT and Embodied Multimodal Conversational AI in Mixed Reality on ESL Learners’ Job Interview Anxiety and Oral Performance

技术摘要：任务型语言教学中人类引导的 AI 交互

问题陈述
专门用途英语（ESP）学习者，特别是那些为高风险场景（如求职面试）做准备的学习者，在提高口语能力方面面临显著障碍。传统的教学模式往往受限于班级规模过大、缺乏个性化以及真实的互动机会有限，这些问题加剧了外语焦虑（FLA）。尽管已存在各种干预措施，但在比较不同 AI 中介交互模式——具体而言是基于语音的生成式 AI 与混合现实（MR）中的具身多模态智能体——如何同时影响口语表现和焦虑感方面，仍存在关键的研究空白。此外，现有研究多依赖于自我报告的焦虑量表，缺乏捕捉实时情感状态的生理数据。

研究方法
本研究采用准实验混合方法设计，开展了为期六周的干预研究，参与者为参加“成功技能”课程的 75 名成年 ESL 学习者。参与者被分配到以下三个组别之一：

1. 对照组： 传统的教师主导教学。
2. ChatGPT 组： 通过 ChatGPT 语音模式进行交互，利用提示词工程模拟 ESL 求职面试训练师。
3. MECAI 组（多模态具身对话式 AI）： 在混合现实环境中与具身 AI 智能体进行交互（使用 Meta Quest Pro 头显及 Unity/Convai SDK）。该智能体在模拟的办公场景中具备注视、手势和语音交互功能。

数据收集与分析：

• 表现： 采用标准化的分析性量表对干预前后的模拟求职面试进行评估，涵盖流利度、发音、语法、词汇、内容和相关性。得分被汇总为综合表现指标。
• 焦虑： 通过外语课堂焦虑量表（FLCAS）以及面试期间的生理心率监测（Polar OH1）进行测量。
• 定性研究： 对参与者进行的结构化访谈进行了主题分析，以了解学习者的感知。
• 统计学： 使用双因素重复测量方差分析（two-way repeated measures ANOVA）来分析各组间及随时间变化的表现、心率和 FLCAS 分数的差异。

核心结果

• 口语表现： 所有组别在干预前后均表现出显著进步。然而，MECAI 组的增幅最大（前测：9.36；后测：18.52），其次是 ChatGPT 组（前测：8.96；后测：15.52），最后是对照组（前测：7.92; 后测：12.88）。成对比较证实，三组之间存在统计学上的显著差异（$p < 0.001$）。
• 焦虑（FLCAS 与心率）： 虽然描述性趋势表明 MECAI 组在自我报告和心率方面都有降低焦虑的迹象，但 FLCAS 和心率测量在各组之间或随时间的变化均未达到统计学显著性。研究指出，表现的提升可能先于焦虑感的显著降低，或者由于任务的高风险性质，尽管技能有所提高，生理唤醒水平依然维持在高位。
• 定性发现： 主题分析揭示了四个关键主题：
  1. AI 在建立信心中的作用： AI 提供了一个无须担心被评判的环境进行练习，但仅语音组缺乏非语言线索被视为一项局限。
  2. 沉浸感与临场感： MECAI 组报告了强烈的“身临其境”感和真实感，具身智能体被感知为“真实的人”或值得信赖的顾问。
  3. 不可或缺的人类教师： 所有组别都强调 AI 是人类教师的补充而非替代品，人类教师能提供情感调适和文化指导。
  4. 管理焦虑： 学习者认为适度的焦虑可能具有生产性，并指出与人类交流者相比，AI 降低了对负面评价的恐惧。

意义与主张
本文主张，混合现实中的具身对话式 AI 在 ESP 口语发展方面具有显著优势，在口语表现增益方面优于传统教学和纯语音 AI。研究表明，AI 智能体的“具身性”——即提供视觉线索、手势和社交临场感——比仅靠音频交互能更有效地促进这些增益。

然而，作者对焦虑降低的结论持谨慎态度。他们明确指出，由于未达到统计学显著性，本研究并未提供强有力的证据证明 AI 中介的练习能在六周内减轻焦虑。这项工作的意义在于证明，虽然 AI（尤其是基于 MR 的 AI）可以显著增强表现，但它作为一种由人类教师引导的教学工具效果最佳，而非独立的解决方案。该研究强调，需要进一步研究社交临场感的机制以及技能向真实就业环境的长期迁移。