生成式人工智能对高校学生网球学习的影响机制研究——基于扎根理论的探索

摘要：本研究基于生成式人工智能在高校体育教学中的应用情境，以37名具有生成式人工智能辅助网球学习经验的学生为访谈对象，采用扎根理论方法，系统分析生成式人工智能对高校学生网球学习的影响机制。研究通过半结构式访谈与学习情境观察获取第一手资料，并在持续比较分析的基础上完成开放编码、主轴编码与选择编码。研究发现，生成式人工智能并非直接决定学习成效，而是通过重塑学习支持方式、反馈结构与学习过程，间接影响学生的学习行为、学习体验与情感态度变化。研究构建了技术赋能—学习过程调节—学习结果生成的作用机制模型，为生成式人工智能在高校网球教学中的合理应用提供了理论依据。

关键词：生成式人工智能；高校网球教学；扎根理论

近年来，生成式人工智能（GenAI）的快速发展为教育带来新的学习支持方式。相较传统信息技术，生成式人工智能能够基于学习者表现生成内容并提供即时、个性化反馈，为网球运动技能学习提供了新的可能。尽管已有研究关注智能技术在体育教学中的应用成效，但多停留在效果评价或功能描述层面，对生成式人工智能如何影响学生学习过程及其内在机制的解释仍不足。

鉴于生成式人工智能在高校网球教学中的应用仍处于探索阶段，本研究从学习者视角出发，采用扎根理论方法，建构生成式人工智能介入高校学生网球学习的影响机制框架，为智能网球教学实践提供理论参考。

1.研究设计

本研究采用扎根理论方法，强调资料的针对性、丰富性与信息密度。资料主要来源于相关文献、学生半结构式深度访谈文本及学习情境观察备忘录。文献用于背景梳理与情境理解，不作为预设分析框架或编码依据。

核心资料通过半结构式深度访谈获取，围绕学生网球学习困难、GenAI使用方式及感知变化展开，并在持续比较过程中根据新生成的概念与范畴滚动调整追问，以体现理论抽样原则。访谈提纲经4位具有教育技术或体育教学研究背景的学者审阅并修订。

样本初期采用目的抽样，纳入实际使用过GenAI获得学习支持且愿意分享体验的学生，排除仅听说未使用者。共完成40人访谈，其中3份因信息密度不足未纳入编码（并用于饱和检验），最终37份进入分析；当新增资料不再产生新的范畴、属性或关系时判定理论饱和。访谈以一对一为主，录音转写形成约5万字文本，并与观察备忘录互证。

研究严格遵循伦理要求，受访者均在知情自愿前提下参与，资料匿名化处理，仅用于学术研究，以保障隐私与数据安全。

2.数据编码与分析

2.1开放编码

开放编码阶段旨在对原始访谈资料进行初步拆解与概念化处理。坚持不预设理论框架，对访谈文本进行逐句分析，重点关注学生在网球学习经历及生成式人工智能使用过程中呈现的问题体验、行为变化与主观感受，并在持续比较中不断回到原始资料检验概念与范畴的合理性。

在具体操作中，以意义单元为基本分析单位，对访谈中具有分析价值的语句进行拆分；同一语句可生成多个初始概念，以尽可能保留学习经验的复杂性。例如，学生关于教师难以及时纠错的表述可同时对应即时反馈不足、纠错延迟、反馈不够具体/可操作等初始概念，并归入指导反馈缺失子范畴。

在持续比较分析过程中，研究者对不同访谈文本中的初始概念进行反复对照与修正，将内涵相近或重复的概念合并、调整与重命名，最终形成25个子范畴，并进一步归纳为7个类属（表1列示代表性条目），这些类属共同呈现了生成式人工智能介入高校网球学习前后，学生学习支持条件与学习体验的变化脉络。

表1 开放编码

类属 子范畴 初始概念 原始语句示例

传统学习痛点

指导反馈缺失 即时反馈不足；纠错延迟等 动作对不对只能自己感觉，老师顾不过来，就算说了也很笼统

个性化指导不足 教学进度/内容统一；个体差异被弱化等 大家练的都一样，我跟不上，也没人专门管我

练习机会受限 场地资源受限；陪练资源不足等 想多练也没地方，也没人陪我打

GenAI技术赋能

动作可视化分析 动作可视化呈现；错误定位清晰等 一回看视频就知道动作哪里不对了

即时精准反馈 反馈及时；纠正有针对性等 刚打完它就告诉我哪错了

个性化训练方案生成 训练方案定制；目标导向明确等 感觉这个训练计划就是按我情况来的

学习数据量化呈现 学习进步可视化；自我评估更清晰 数据一出来，就知道自己哪进步了

智能战术建议 战术理解支持；决策依据增强 现在打球前会想清楚怎么打

学习情感与态度变化

学习压力降低 评价焦虑降低；失败容忍提升 不用怕被说，打错了也没关系

学习兴趣激发 趣味性增强；持续投入意愿提升 感觉练球比以前有意思多了。

学习自信提升 自我效能感提升；竞技信心增强 现在敢发力，也敢和别人打了

学习行为与自主性提升 自主学习意识生成 学习主动性增强；自我反思能力提升 不等老师了，自己会去研究动作

师生互动与角色转变 师生互动方式变化 教师角色高阶化；互动层级提升 老师现在更多讲战术和思路

技术应用挑战

技术使用犹豫体验 技术信任差异；使用持续性不稳定 有的建议我会听，有的还是会怀疑

数据隐私与伦理顾虑 隐私风险感知；数据安全担忧 视频传上去，会不会被保存下来

支持与保障 学校支持与资源保障 制度支持；环境保障 学校对我们用这些挺支持的

注：受篇幅限制，表1仅呈现代表性子范畴与引语，其余开放编码条目可按需提供。

2.2主轴编码

在开放编码基础上，开展主轴编码，采用持续比较法，依循因果条件—中介条件—行动/互动策略—结果的范式对类属进行整合。结果显示，传统学习痛点构成生成式人工智能介入学习过程的主要因果条件；GenAI技术赋能作为中介条件，补足传统教学中即时性与针对性支持不足。在此基础上，学习行为与自主性提升与师生互动与角色转变体现为学习过程中的行动/互动策略，推动学生由被动依赖转向主动检索、复盘与调整，并促使教师从纠错主导转向策略引导。上述行动与互动最终指向学习情感与态度变化，表现为学习压力降低、兴趣激发、专注度提升与自信增强。同时，技术应用挑战以及支持与保障条件对生成式人工智能介入学习过程起到调节作用，影响其学习支持功能实现程度。

表2 主轴编码

主范畴 次范畴 子范畴 子范畴内涵

因果条件

传统学习痛点

指导反馈缺失 反馈不及时且不够具体，学生难以自纠。

个性化指导不足 教学进度与内容相对统一，难覆盖个体差异与节奏。

练习机会受限 场地、陪练与时间限制降低练习频率与稳定性。

中介条件

GenAI技术赋能

动作可视化分析 用视频/可视化定位问题，提供对照参照。

即时精准反馈 提供及时且针对性的纠正信息，降低不确定性。

个性化训练方案生成 按目标与问题生成训练建议，提高匹配度。

学习数据量化呈现 用数据可视化呈现进步与不足，便于自评。

智能战术建议 提供战术思路与决策参考，促使策略化训练。

行动/互动策略 学习行为与自主性提升 自主学习意识生成 更主动检索、分析与复盘，形成自我调控。

师生互动与角色转变 师生互动方式变化 教师侧重思路与策略引导，互动更高阶。

结果

学习情感与态度变化

学习压力降低 评价焦虑与挫败感下降，更愿尝试与纠错。

学习兴趣激发 趣味性与持续投入意愿增强。

学习自信提升 自我效能感与对抗信心增强。

调节因素 技术应用挑战

技术使用犹豫体验 对建议信任差异影响持续使用与效果。

数据隐私与伦理顾虑 隐私与数据安全担忧抑制上传与使用意愿。

支持与保障 学校支持与资源保障 制度与环境支持影响工具可获得性与稳定性。

注：表2保留核心范畴结构与关键内涵，以支撑后续选择编码与机制阐释。2.3选择编码

选择编码是扎根理论的整合阶段，旨在在主轴编码基础上提炼能够统摄各类属的核心范畴，并据此建构整体解释框架。通过对主轴编码结果的持续比较与反复整合，最终生成式人工智能对高校学生网球学习的影响确定为核心范畴。

该核心范畴能够整合传统学习痛点、GenAI技术赋能、学习行为与自主性提升、师生互动与角色转变、学习情感与态度变化等类属，呈现出清晰的过程逻辑：传统教学反馈不及时与个性化支持不足构成介入起点；GenAI以动作可视化分析、即时精准反馈、多模态示范解释与个性化支持等方式补足学习支持条件，并促使学生形成更主动的检索—复盘—调整的自我规导行为，同时推动师生互动由纠错主导转向理解与策略引导并重；最终主要表现为学习情感与态度的积极变化（压力降低、兴趣增强、专注提升、自信提升）。

围绕核心范畴，进一步整合因果条件、行动/互动策略、结果与调节因素，形成整体解释框架。框架表明，GenAI并非直接决定学习成效，而是在具体教学情境与个体差异背景下，通过重塑学习支持方式与学习过程，持续影响学生的学习体验与情感态度；同时，技术应用挑战与学校支持保障共同调节其作用效果与稳定性。

3.生成式人工智能介入高校学生网球学习的影响机制

基于扎根理论的选择性编码结果，从整体层面阐释生成式人工智能介入高校学生网球学习的作用机制。该机制并非单一技术因素直接作用于学习结果，而是在特定教学情境与学生个体差异背景下，通过重塑学习支持方式和学习过程，持续影响学生的学习行为与学习体验。

3.1因果条件：传统教学支持不足

高校网球学习中的核心问题集中在指导反馈缺失与个性化指导不足：受课时与师生比例限制，教师难以对每名学生提供高频、具体、可操作的纠错支持，学生常陷入自我感觉式判断。这种支持不足易导致动作问题长期滞留，挫败感累积，成为GenAI进入学习过程的现实起点。这些问题构成生成式人工智能介入学生网球学习的现实起点。

3.2中介条件：生成式人工智能的学习支持功能

在传统教学支持不足的背景下，GenAI通过动作可视化分析、即时精准反馈、多模态示范解释、个性化训练内容生成与学习过程数据可视化等方式，为学生提供更高频、可理解且可操作的学习支持。其作用并非替代教师讲解与示范，而是将原本受课时与师生比例限制而难以获得的“即时纠错—原因解释—改进路径”转化为学生可随练随用的支持资源，降低自主纠错门槛，提升问题定位与调整的清晰度，从而在学习过程中形成关键的中介条件，为后续学习行为调整与互动方式变化奠定基础。

3.3行动与互动：学习行为与教学关系的调整

当支持方式发生变化后，学习者的行动策略首先出现调整。资料显示，部分学生由等教师纠错转向主动检索—复盘—调整的自我规导循环，例如：不等老师了，自己会去研究动作。

与此同时，师生互动也出现分工再配置：教师从高频纠错的中心位置后移，更强调战术理解、思路与策略引导，例如受访者描述老师现在更多讲战术和思路。

因此，将学习行为与自主性提升、师生互动与角色转变视为GenAI介入后学习过程中最关键的行动策略，它们共同推动学习过程从被动依赖走向主动规导。

3.4结果表现：学习情感与态度变化

上述行动与互动的累积效应，主要体现为学习者在情感与态度层面的积极变化。一方面，持续反馈与更低压力的试错空间降低了评价焦虑与挫败感，例如：不用怕被说，打错了也没关系。另一方面，学习兴趣与投入意愿增强（感觉练球比以前有意思多了），练习沉浸感更强（一练就很专注，不容易分心），并进一步带来自我效能感与对抗信心提升（现在敢发力，也敢和别人打了）。

因此，将压力降低—兴趣激发—专注提升—自信提升作为该影响机制的主要结果维度。

3.5调节因素：技术应用的现实约束

该影响机制的发挥受现实条件调节：学生对技术建议的信任程度、操作便利性与使用成本以及数据隐私顾虑等，会影响GenAI的持续使用与反馈落实，从而削弱或强化其学习支持效果；与此同时，学校层面的制度支持与资源保障决定工具的可获得性与使用稳定性，能够在一定程度上促进GenAI支持功能的持续进入练习过程并提升其实际效果。

4.结论与建议

4.1结论

采用扎根理论方法，从学生学习视角系统探究生成式人工智能介入高校网球学习的作用机制。研究发现，传统网球教学在反馈及时性与个性化支持方面存在不足；生成式人工智能可通过动作分析、即时反馈、多模态示范解释、个性化学习支持与学习过程可视化等方式，对学习过程形成有效补充。生成式人工智能并非直接决定学习成效，而是在特定教学情境与学生个体差异背景下，通过重塑学习支持方式与学习过程，促进学习行为调整并改善学习体验与情感态度。研究从机制层面揭示了其在高校运动技能学习中的作用路径，为智能体育教学实践提供了理论依据。

4.2建议

建议高校在体育教学中审慎引入生成式人工智能，将其定位为学习支持工具而非教学替代手段，重点服务于动作理解、反馈支持与学习过程管理。同时，应提升教师在智能教学情境中的引导能力，明确技术使用边界，增强学生对技术建议的理解与判断能力。并需同步完善数据隐私与伦理规范，保障其规范化、可持续应用。5.研究不足及未来展望

样本主要来自部分高校，结论仍需在不同地区与教学情境中进一步验证。研究以学生访谈为主，对生成式人工智能介入网球学习的长期影响及教师教学行为变化仍有待深入。未来可在更广泛的高校体育教学中进行验证与比较，结合纵向或混合研究设计考察长期学习行为与结果，并从师生协同视角探讨其应用边界与实施条件。

文章来源：《网球天地》https://www.zzqklm.com/w/qt/31013.html