1. 引言

        在高等教育阶段的学术英语（EAP）课程中，大一新生通常需要在多种考试形式中提升学术技能。例如，在中外合办大学之一的西交利物浦大学（XJTLU），大一EAP课程包括多种考试形式，如个人口语测试、小组提案写作、Mini Viva（即小型答辩，学生需口头阐述并解释其书面提案）、以及两场随堂词汇测试。这些考试不仅要求学生具备内容知识，还需较高水平的自我调节能力、自信心及独立学习能力。然而，许多学生在独立准备此类考试时仍面临困难（Shepard & Rose, 2023；Evans & Morrison, 2011），常见问题包括缺乏有效的策略、稳定的学习习惯及足够的自信心。

 

       本文为一篇反思性文章，旨在探讨六个AI智能体如何为学生的考前准备提供支架式支持，进而促进学习自主性。为应对学生面临的挑战，我们的教学团队设计并应用了多个AI智能体，用以支持学生的备考。这些工具由语言中心教师依托西浦自主研发的 AI 平台——“XIPU AI 君谋”开发完成。在此过程中，教师既是教育者，也是AI智能体的设计者，确保AI工具能够紧密贴合课堂实际及具体学习目标。本文以Vygotsky的最近发展区（ZPD）及自我调节学习（SRL）理论为基础，旨在展示定制化AI教学工具不仅能促进技能发展，还能增强学生的自信与自我调节学习能力，从而提升其整体的备考能力。

 

2. 理论框架

 

2.1 最近发展区（ZPD）

        Vygotsky (1978) 提出的最近发展区（ZPD）是指学习者独立完成任务与在适当支持下完成任务之间的差距。这一概念强调通过指导及与他人互动，学习者具有进一步发展的潜力（Groot et al., 2020）。在语言学习中，ZPD尤为重要，因为学习者常常需借助帮助来应对不熟悉的文本体裁、学术规范或交际任务。与ZPD密切相关的“支架”教学策略（Scaffolding），旨在提供有针对性的临时支持，使学习者能够完成单独无法完成的任务。Ohta (2005) 指出，在二语习得中，此类支架式互动有助于学习者在有意义的语境中内化新的语言形式及功能。

       近年，技术的发展为支架式支持的实现方式带来了新的可能，尤其是人工智能工具，能够根据学习者的需求提供动态且个性化的支持，实时调整教学节奏与内容。这类工具还能分析与学习者的互动过程，精准调整反馈方式，以更好地匹配其 ZPD（Jiang et al., 2024）。因此，AI 智能体可以模拟教师或同伴的角色，提供及时有效的协助。正如 Cai et al. (2025) 所指出，AI 技术的引入使教师能够更精准地识别学习者的 ZPD，并提供相应的支架式支持，从而提升学习成效和学习投入。

 

 

2.2 自我调节学习（SRL）

 

2.2.1 定义

       自我调节学习（SRL）是指学习者在学习过程中主动对其认知、动机与行为进行有效管理的能力，包括目标设定、学习策略的选择、学习过程的监控以及结果的评估与反思（Winne & Hadwin, 2010；Seban & Urban, 2024）。相较于依赖外部指导的被动学习方式，SRL更加强调学习者的主动性和自我驱动能力，强调学生以目标导向的方式自发启动并持续调控其学习行为（Zimmerman, 1986, 1989）。

 

       SRL是影响学业成功的关键因素，具备较强自我调节能力的学习者通常展现出更高的坚持性、适应性和抗挫力，能够更有效地应对学术挑战并取得优异成绩（Harding et al., 2019）。相关分析表明，在高等教育在线及混合学习环境中，SRL相关干预措施具有中等程度的正向效应（Xu et al., 2022）。随着数字化和跨文化高等教育环境日益复杂和灵活，SRL对学生学业表现的重要性愈加凸显

 

 

2.2.2 通过 AI 智能体支持 SRL：三维视角

 

       Zimmerman (1986) 将SRL概念化为由个体、行为及环境三大维度相互作用的三元过程。这一模型为探讨专为高等教育考核准备而设计的AI智能体如何支持学习者自我调节过程提供了有价值的框架。个体维度（The personal dimension）包括元认知、自我效能感、目标取向及程序性知识等认知与情感因素。Pressley et al. (1987) 指出，程序性知识，即“如何做”的知识，是学习策略灵活运用的关键。在备考的过程中，AI智能体通过针对性地指导任务类型、要求及学术规范等内容，促进学生程序性知识的习得，并以支架式支持帮助其有效理解如何开展备考（Triberti et al., 2024）。

 

       行为维度（The behavioral domain）则指学习者通过可观察的行为管理学习过程。Zimmerman 和 Martinez-Pons (1986) 提出了三项关键行为：自我观察（监控表现）、自我判断（将进展与目标进行比较）及自我反应（相应调整策略或动机）。在备考中，AI智能体可通过提供实时且针对性的反馈来支持学习者实现上述行为调节（Chen et al., 2024；Vasou et al., 2025）。

 

       环境维度（The environmental dimension）关注学习者如何通过优化学习环境及寻求支持来塑造与适应学习情境（Zimmerman & Martinez-Pons, 1986）。其中，示范（modeling）被视为核心机制之一。通过观察有效的学习策略，学习者能够增强自我效能感及策略知识（Bandura, 1986）。AI智能体可模拟教师式指导，将复杂任务分解为清晰的步骤化示范，供学生观察、模仿并内化（Chen, 2025）。

 

       基于ZPD与SRL的理论基础，以下章节将聚焦其在实际教学中的应用，探讨如何定制化设计及应用AI智能体，以针对性支持EAP课程中的各类考核环节。

 

 

3. 用于备考的 AI 智能体

3.1 词汇测试

       ICT  Word Master旨在帮助大一EAP 学生通过主动、自主的练习提升词汇能力。其功能不仅限于提供词汇释义，还包括词汇搭配、示例及同义词解释，强化词义理解并突出词汇在学术语篇中的运用（见图1）。更重要的是，该智能体可根据学术词汇表（AWL）及校内每周教学材料生成模拟考试要求的多项选择题（MCQs）（见 图2和图3），并通过即时反馈（见图4）帮助学生及时发现误解、纠正错误及针对性复习词汇，从而巩固学习效果。

       尽管功能多样，ICT Word Master 仍存在一定局限性。例如，在设计选择题时，尽管指令（Prompt）中明确要求随机化选项，系统仍倾向于过度使用选项“A”作为正确答案。这一偏差可能源自生成任务的复杂性，导致系统默认优先选用“A”。此外，该工具生成题目时更多地侧重AWL中的词汇，这可能弱化对每周主题词汇的覆盖；若学生仅依赖此工具进行复习，可能造成词汇掌握不均衡。这些局限提示我们有必要持续优化工具并辅以其他教学策略，以实现更平衡、有效的词汇学习。

 

 

图1. 单词释义

 

 

图2. 考试题型解析

 

 

图3. 固定搭配单选题

 

 

图4. 即时讲评

 

 

3.2 口语考试

 

       为帮助学生准备口语考试，团队开发了两款 AI智能体，以满足上下学期不同考试类型的具体要求。大一第一学期的口语考试侧重于考察学生围绕指定话题展开观点的能力，以及在对谈提问中即时应答的能力。SCW1 Practice Pal专门用于帮助学生理解考试要求（Tasksheet）中明确的考核要点（见图5），根据课程每周主题生成模拟练习问题（见图6），围绕指定话题发散思维（见图7），并生成答案范例（见图8）。通过与该智能体的互动及示例学习，学生将掌握有效的策略，学会如何在答题中有逻辑地组织观点，并通过具体示例和细节扩充回答内容。

 

 

图5. 考试要求解析

 

 

图6. 生成模考话题

 

 

图7. 头脑风暴

 

 

图8. 范例回答

 

 

 

       在大一第二学期，另一款AI智能体Mini Viva Partner则用于支持 Mini Viva（小型答辩）的备考，该考核旨在测试学生对其已提交的书面提案写作的理解程度。该智能体可生成两类练习问题：（1）与正式考试题型一致的常规性问题（见图9），（2）基于每位学生各自的写作而量身定制的问题（见图10）。此外，它还提供指导性的答题结构及文字反馈（见图11和图12），帮助学生优化回答内容，增强自信心与口头表达能力。
然而，这两款智能体目前均不具备语音练习与实时对话功能，无法提供真实的口语交流训练。因此，我们建议将此类基于文本的AI智能体与支持语音交互的AI工具（如豆包等）结合使用。同时，对于Mini Viva Partner，我们建议学生将写作文稿分段输入，这有助于此智能体更有针对性地生成练习问题，从而提升备考效果。

 

 

图9. 常规性问题

 

 

图10. 学生个人定制化问题

 

 

图11. 答题思路

 

 

图12. 文字即时反馈

 

3.3 写作支持 

       为支持学生在写作任务中所需的学术素养发展，团队开发了三款AI智能体：Academic Style Pal、XJTLU Harvard Cite&Ref Pro以及Paraphraser and Summariser。首先，Academic Style Pal旨在面向学术写作初学者，帮助尚不熟悉正式学术语言的学生入门。与主流通用型生成式 AI聊天机器人（GenAI chatbots）所提供的泛化回答不同，该智能体通过结构化的方式引导学生探索正式与非正式用语的差异。当学生询问某个词汇的用法是否正式时，智能体首先会引导其在不同语境中分析用语选择，然后再提供更正式的替代表达及更丰富的学术写作示例（见图13）。此外，智能体会在 AWL 词项后标注星号（*）以便学生参考。

        Academic Style Pal并非仅对学生的用词是否正式进行机械判断，而是通过引导性练习与反思（见图14）激励学生主动学习，帮助其逐步在实践中发现语言的细微差异。然而，需要强调的是，Academic Style Pal仅是学生学习工具包中的一个组成部分，为达到最佳效果，需要与结合其他EAP教学资源与材料结合使用。该工具的设计初衷是作为辅助支持，而非替代传统教学，旨在帮助学生在自主探索与反复练习的过程中，逐步理解并掌握学术写作的语言规范。

 

图13. 情境化词汇指导

 

 

图14: 引导练习及反馈

 

       第二款写作AI智能体为XJTLU Harvard Cite&Ref Pro，用来帮助大一学生掌握符合西浦特定Harvard格式的引用与参考文献规范，为初次接触引用规则的EAP学生提供情境化指导。该智能体可提供清晰、即时的引用及参考文献编写规则说明，并结合实践示例（见图15），以帮助学生准确理解并应用相关技巧。此外，它还可对学生引用与参考文献中的错误提供讲解（见图16），引导学生自行修正以符合学校要求。这些功能不仅提升了学生在引用方面的技能，也通过强调正确引用信息来源的重要性，进一步促进学术诚信的养成。然而，该工具仍存在一定局限性。例如，当上下文信息不明确时，可能无法准确识别作者姓氏，且无法验证网址（URL）或 DOI 是否有效，这在一定程度上限制了它的核查能力。为此，指令中已加入声明提示，提醒用户需自行核对相关信息。未来版本可考虑支持更多引用格式，以满足更广泛的学术使用需求。

 

图15. 引用与参考文献规则

 

 

图16. 检测并修正引用错误

 

 

       第三款AI智能体为EAP Paraphraser and Summariser。它在引用与参考文献技能的基础上进一步延伸，帮助学生提升同义改写与摘要能力。该智能体允许用户自定义所需文本的长度，为不同的学术需求提供了更大的灵活性。此外，它还可对学生的改写和文本摘要提供即时校对反馈，指出可改进之处并提出修订建议。其一大亮点功能是交互式改写对比（见图17），即生成三种改写版本供学生比较选择，并选择最契合自己需求的表述。这种设计通过引导学生对AI生成的内容进行批判性分析，强化了主动学习与改写技巧的培养。然而，该智能体在处理长难文本时可能会过度浓缩、简化原文本。因此，应鼓励学生在使用后对内容文本进行进一步审阅和润色，以确保其准确性与学术适用性。

 

图17. 交互式改写比对

 

3.4 理论与智能体的对应 

       在本项目中，AI智能体作为数字化支架，根据EAP学生的实际需求量身定制，设定了明确的学习目标，如拓展词汇量、提升口语流利度及加强学术写作能力。每个工具均结合考核要求，并考虑学生的当前水平，提供比通用型AI工具更具针对性的支持。正如 Wass et al. (2011) 所指出，支架式支持不仅可以来自教师，也可以来自其他来源。在本项目中，AI智能体作为实时获取、按需使用的教学工具，拓展了课堂外的学习机会，补充了传统语言教学的方式。

       此外，这些智能体与Zimmerman的SRL模型高度契合。在认知层面，它们通过提供示例，引导学生完成程序性任务（如引用格式处理）；在行为层面，即时反馈有助于促进学生自我监控和策略调整；在策略层面，这些智能体鼓励学生自我反思、修订并独立解决问题。例如，口语类智能体将复杂任务逐步分解，支持学生逐步实现学习自主化与策略优化。如需访问并体验文中提及的各个 AI 智能体，请参见附录。

 

 

4. 结论与教学启示

      本文基于Vygotsky的ZPD和Zimmerman的SRL框架，探讨了六个AI智能体如何有效为大一EAP学生的独立备考提供支架式支持。通过针对性的词汇测验、口语练习及学术写作支持，并结合及时反馈，这些工具促进了学生的目标设定与策略调整等关键SRL行为。然而，偶发的偏差与错误也提醒我们，使用人工智能需辅以教师支持及学生自我验证，以确保学术诚信。

      为最大化其效能，AI智能体应嵌入课程设计并与学习成果紧密关联。教师可以在使用AI后组织课堂反思，并利用学习表现数据（如词汇掌握趋势）引导开展元认知讨论。相关活动还可训练学生核实AI生成的内容，并意识到何时需要寻求人际互动。将AI工具与同伴互评、多模态任务（如语音互动）及引导性反思结合，可在确保学术严谨性的同时，培养学习者在复杂学术环境中自主学习的能力。

 

标注：

ICT 全称为“In-Class Test”（随堂测试），指在课堂时间内进行的测试，本文所述情境中，该测试用于评估学生的词汇掌握情况。

 

 

 

 

 

 

 

参考文献 ：

Bandura, A. (1986). Social foundations of thought and action: A social cognitive theory. Prentice-Hall.

Cai, L., Msafiri, M. M., & Kangwa, D. (2025). Exploring the impact of integrating AI tools in higher education using the Zone of Proximal Development. Education and Information Technologies, 30, 7191–7264.

Chen, M., Wu, L., Liu, Z., & Ma, X. (2024). The impact of metacognitive strategy-supported intelligent agents on the quality of collaborative learning from the perspective of the Community of Inquiry. In 2024 4th International Conference on Educational Technology (ICET) (pp. 11–17). IEEE. https://doi.org/10.1109/ICET62460.2024.10869268

Chen, N. S. (2025). Harnessing large language models for education: A framework for designing effective pedagogical AI agents. In E. Smyrnova-Trybulska, N. S. Chen, P. Kommers, & N. Morze (Eds.), E-learning and enhancing soft skills (pp. 13–35). Springer. https://doi.org/10.1007/978-3-031-82243-8_2

Evans, S., & Morrison, B. (2011). Meeting the challenges of English-medium higher education: The first-year experience in Hong Kong. English for Specific Purposes, 30, 198–208.

Groot, F., Jonker, G., Rinia, M., Ten Cate, O., & Hoff, R. G. (2020). Simulation at the frontier of the Zone of Proximal Development: A test in acute care for inexperienced learners. Academic Medicine, 95, 1098–1105.

Harding, S.-M., English, N., Nibali, N., Griffin, P., Graham, L., Alom, B., & Zhang, Z. (2019). Self-regulated learning as a predictor of mathematics and reading performance: A picture of students in grades 5 to 8. Australian Journal of Education, 63(1), 74–97. https://doi.org/10.1177/0004944119830153

Jiang, Y. H., Shi, J., Tu, Y., Zhou, Y., Zhang, W., & Wei, Y. (2024). For learners: AI agent is all you need. In Enhancing educational practices: Strategies for assessing and improving learning outcomes (pp. 21-46).

Ohta, A. S. (2005). Interlanguage pragmatics in the zone of proximal development. System, 33, 503–517.

Pressley, M., Borkowski, J. G., & Schneider, W. (1987). Cognitive strategies: Good strategy users coordinate metacognition and knowledge. In R. Vasta & G. Whitehurst (Eds.), Annals of child development (Vol. 5, pp. 89–129). JAI Press.

Seban, P., & Urban, K. (2024). Examining the utilisation of learning techniques and strategies among pedagogy students: Implications for self-regulated learning. Journal of Pedagogy, 15(1), 27–49. https://doi.org/10.2478/jped-2024-0002

Shepard, C., & Rose, H. (2023). English medium higher education in Hong Kong: Linguistic challenges of local and non-local students. Language and Education, 37, 788–805.

Triberti, S., Di Fuccio, R., Scuotto, C., Marsico, E., & Limone, P. (2024). “Better than my professor?” How to develop Artificial Intelligence Tools for higher education. Frontiers in Artificial Intelligence, 7. https://doi.org/10.3389/frai.2024.1329605 

Vasou, M., Kyprianou, G., Amanatiadis, A., & Chatzichristofis, S. A. (2025). Transforming education with AI and robotics: Potential, perceptions, and infrastructure needs. In M. Themistocleous, N. Bakas, G. Kokosalakis, & M. Papadaki (Eds.), Information systems. EMCIS 2024. Lecture Notes in Business Information Processing (Vol. 535, pp. 1–13). Springer. https://doi.org/10.1007/978-3-031-81322-1_1

Vygotsky, L. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.

Wass, R., Harland, T., & Mercer, A. (2011). Scaffolding critical thinking in the Zone of Proximal Development. Higher Education Research & Development, 30(3), 317–328. https://doi.org/10.1080/07294360.2010.489237 

Winne, P. H., & Hadwin, A. F. (2010). Self-regulated learning and socio-cognitive theory. In International encyclopedia of education (Vol. 3, pp. 503–508). Elsevier. https://doi.org/10.1016/B978-0-08-044894-7.00470-X

Xu, Z., Zhao, Y., Zhang, B., Liew, J., & Kogut, A. (2022). A meta-analysis of the efficacy of self-regulated learning interventions on academic achievement in online and blended environments in K–12 and higher education. Behaviour & Information Technology, 42(16), 2911–2931. https://doi.org/10.1080/0144929X.2022.2151935

Zimmerman, B. J. (1986). Development of self-regulated learning: Which are the key subprocesses? Contemporary Educational Psychology, 16, 301–313.

Zimmerman, B. J. (1989). Models of self-regulated learning and academic achievement. In B. J.

Zimmerman & D. H. Schunk (Eds.), Self-regulated learning and academic achievement: Theory, research, and practice (pp. 1–25). Springer.

Zimmerman, B. J., & Martinez-Pons, M. (1986). Development of a structured interview for assessing student use of self-regulated learning strategies. American Educational Research Journal, 23, 614–628

 

 

附录（智能体链接）：

ICT Word Master: https://xipuai.xjtlu.edu.cn/v3/agent/10782

SCW1 Practice Pal: https://xipuai.xjtlu.edu.cn/v3/agent/10800

Mini Viva Partner: https://xipuai.xjtlu.edu.cn/v3/agent/11082

Academic Style Pal: https://xipuai.xjtlu.edu.cn/v3/agent/10383

XJTLU Harvard Cite&Ref Pro: https://xipuai.xjtlu.edu.cn/v3/agent/10732

Paraphraser and Summariser: https://xipuai.xjtlu.edu.cn/v3/agent/10738