导语

当外语课堂引入 AI 后，课堂互动不再只是教师和学生，而变成师生机的三元协作，学生有时把 AI 当工具，有时把它当对手或伙伴或研究对象。但这些身份与角色的变化很难只靠传统主题分析讲清楚，认知网络分析（Epistemic Network Analysis, ENA）提供了一种把身份关系画出来的量化路径，不仅告诉我们有哪些身份，还能展示这些身份彼此如何耦合、强弱如何变化、在不同任务中怎样重组

方法的基本信息

方法名称：认知网络分析（Epistemic Network Analysis, ENA；文中称认知网络分析法）。

核心思想：

先把访谈或课堂互动材料进行编码，比如学生身份、教师角色、AI角色等；然后用 ENA 统计这些编码在同一分析窗口内的共现情况，把它们画成网络图：

• 节点表示某个编码要素，节点越大说明这个要素越突出
• 连线表示两个要素经常一起出现，线越粗说明关系越强

独特价值：

1. ENA 又称量化民族志，把质性编码转成可比较的网络结构，能兼顾质性解释和量化比较，特别适合数据量不大但编码相对固定的研究。
2. 相比只做主题分析，ENA 更能回答关系结构类问题，比如身份要素之间如何联动、联动强度在不同任务中如何变化
3. 本研究的做法是先用主题分析建立身份编码框架，再用 ENA 把身份之间的关系呈现出来，用网络视角解释动态身份构建

关键产出：

• 每个阶段/任务/个体的身份网络图；
• 不同任务之间、任务前中后之间的网络差异（例如：工具性建构/解构、主体性增强等）

方法的操作过程

3.1 应用原则

• 如果关心的不只是哪些主题出现，而是多个要素之间的关系结构，比如身份、策略、情绪、认知要素之间如何搭配出现，那么 ENA 很合适。
• 你需要能建立较稳定的编码体系，并把材料切成可比较的单位，比如任务1到4、任务前中后、不同参与者

3.2 操作步骤

1）研究设计与数据收集

课程为大学英语专业必修课语言与教育，加入4次与AI相关的课堂任务；在课程前、每次任务后、课程结束后进行半结构化访谈与回溯性访谈，跟踪7名学生。

2）确立编码框架

研究者先筛选身份相关片段做主题分析，从开放编码到主轴编码，最终形成13个身份主题作为 ENA 的编码框架，覆盖教师、学生与AI的身份定位。

3）数据标注

将访谈转录按意群切分，导入 Excel 逐条编码，形成252条分析条目；再由另一位研究者复核，分歧处讨论一致，提升可信度。

4）ENA 建模与出图

用 ENA Webkit 建模：把每位学生作为一个分析集，把四次任务及任务前后作为分析单位，生成网络图；节点大小表示要素强弱，连线粗细表示共现强弱。

方法的应用启示

方法的适用情境、个人思考、值得探讨的新问题

（1）适用情境

ENA 适合研究多主体、多要素系统里的动态变化，例如：

• AI融入课堂后，学习者在不同任务中身份如何变化与切换
• 教师、学生与AI的角色关系如何随任务开放性或结构化程度变化

（2）关键启示

研究显示，同一任务中不同学生的身份建构会出现差异；不同任务之间身份建构会对情境很敏感并能策略性调整；同时，学生在任务中形成的新身份体验会进入身份库存，并在后续持续影响其认知框架，体现身份建构的迭代性。

（3）值得探讨的新问题

• 如果把 ENA 的编码从身份扩展到学习策略/情绪体验/AI素养表现，能否更完整地描出 AI 课堂的学习机制网络？
• ENA 的网络差异能否与学习成效（成绩/写作质量/口语表现）关联，形成“结构—结果”的解释链？

论文基本信息

王思璇 & 郑咏滟. (2026). 融合人工智能的外语课堂学习者身份动态构建——基于认知网络分析的实证研究. 外语教育研究前沿, 9 (01), 67-79.

关键词：学习者身份构建；认知网络分析；超位；融合AI的外语教育

链接：https://kns.cnki.net/kcms2/article/abstract?v=k_902IEglk_MOvf9rMljUST0zvZ1EupSNEnSvSIgSYseJC_Iuh6pu1UjzExjZ5MSHZPS2gyhSZ1arbzcErJVcng5sjt3yY7Ay66YXH60ZIifq-vSWK8T8cmYpyEkTJBCiNB0UZcsgbY_AnBTmmbIpEqc4ZdH1zjbu6LZKPFOjtHKmgP3e08aFQ==&uniplatform=NZKPT&language=CHS