本研究探讨了游戏化对大学生借助移动设备学习英语词汇时的学习动机的影响。批判性话语分析表明，尽管游戏化元素能在短期内提高参与度，但它们也助长了竞争性和自我监控的规范，这可能会削弱内在动机，并影响学生的心理及社会技术体验。
本文内容
摘要
摘要
游戏化在移动辅助语言学习（MALL）中的应用已经改变了学习者进行词汇习得和自主交流的方式。尽管游戏化应用常被认为能够提升用户动机和参与度，但针对其对学习者行为和心理反应影响的研究仍然较少，尤其是在非英语母语学习环境中。本研究采用费尔克劳（Fairclough）的三维批判性话语分析（CDA）框架，考察流行的游戏化英语词汇应用程序的动机影响及其意识形态基础，分析对象包括用户互动和平台设计。研究基于中国高校英语作为外语（EFL）学习者的界面数据、用户情感分析以及访谈转录文本，发现游戏化在鼓励学习者动机和参与方面具有显著作用，这与自我决定理论（SDT）一致；但同时，它也嵌入了新自由主义的竞争、自我优化和行为监控理念。这些特征虽然旨在提升表现，但长期来看可能削弱内在动机。研究结果揭示了游戏化学习环境中的心理与社会技术动态，为数字教育平台如何强化自我监管期望和以绩效为导向的话语提供了新的见解。
引言
语言习得过程通常被视为一种由社会中介并具有互动性的活动，尤其涉及在特定社会文化情境下的交际互动、语言输出和输入。第二语言习得（SLA）的基础研究表明，学习者参与的机会、获得反馈以及自我调控的练习，与接触语言输入一样，对帮助学习者达到熟练水平至关重要。该框架使学习者能够通过使用数字和移动辅助学习环境，参与支架式反馈循环并进行真实交际1。将游戏化机制融入这些学习环境中，进一步改变了学生维持学习动机、追踪自身进步以及发展自主语言学习实践的方式。
语言学习者若具备全面的词汇量，便能更有效地掌握目标外语，因为这有助于他们理解所听到或读到的内容。虽然语法可用于传递信息，但缺乏词汇则无法完成交流。然而，许多英语作为外语（EFL）的学习者在词汇习得方面仍面临困难，他们将此视为提升整体英语水平的主要障碍。由于掌握复杂词汇——包括语法、拼写、词义、内涵、搭配及词形结构——需要持续的输入，这种认知负荷常常促使学习者寻求更具吸引力的学习方法2。
词汇学习的效果受到传统纸质学习方法的限制。随着教育技术的发展，越来越多的英语词汇学习游戏化应用涌现，旨在提高学生的学习动机和学习效果。根据Li等人2的研究，游戏化是指将游戏机制和游戏元素引入非游戏环境中，以改变人们的行为模式或使用习惯的过程。受游戏启发的应用程序在英语作为外语（EFL）学习者中日益普及，并因其能够在词汇发展环境中融合教学游戏化与移动辅助语言学习（MALL）的特点，引起了学术研究者的关注。
在过去20年中，教育技术（EdTech）解决方案在全球课堂中的可及性和使用范围不断扩大3。随着多项研究及连续多年的年度报告6揭示出印度儿童学习水平呈下降趋势7，人们日益依赖技术手段来缩小教育差距。现代社会的多样性和复杂性使得高等教育变得至关重要，因而针对预测学业成就或学生辍学可能性的科学研究迅速增长8,9,10,11,12,13。高等教育机构传播知识的传统职能已经演变；随着人工智能的发展14，新知识的创造以及专业人才的培养，促使许多高校与社会各个层面展开互动。事实上，其学术与文化活动的主要目标是通过教学、研究以及信息共享与传播能力，提升社区整体的知识水平。
近年来，TAM 已成为理解多种领域技术采纳的突出范式，涵盖社交媒体15、网上银行16、医疗技术17以及教育领域。众多学者在TAM理论框架下，探讨了教师与学生如何使用电子学习资源或平台。例如，Mustafa 等人18针对新冠疫情背景，考察了影响电子学习成效的变量。此外，也有研究调查了学生对基于 YouTube 的学习资源的接受程度19。Rafique 等人20分析了用户使用电子书格式的行为意向，并解释了教师和学生为何喜欢或不喜欢在线教学17。同时，也有研究基于TAM探讨了用户对移动应用程序的采纳情况。
本学习的主要目标是批判性地考察大学阶段的英语作为外语（EFL）学生所使用的游戏化语言学习应用程序如何构建并传播新自由主义话语。这些应用程序的交际内容与设计框架均融合了此类话语。尽管以往研究已系统地探讨了用户的动机与接受度，但这些培训项目通常依赖于技术与心理层面的理论框架，例如自我决定理论（Self-Determination Theory, SDT）和技术接受模型（Technology Acceptance Model, TAM）。然而，从批判性话语分析（Critical Discourse Analysis, CDA）的视角出发，本研究旨在填补一项重要的研究空白。研究将考察语言学习应用程序如何促进竞争行为、追随式表现以及自我优化。这些体现新自由主义思想的核心特征，往往通过排行榜、徽章、积分和进度追踪等游戏化基本机制得以实现。本研究还将评估文本提示、界面图像以及学习者的深层反应如何影响用户的学习动机、学习行为及自我认知。研究的核心目标仍是探讨这些方法对大学生英语学习所产生的影响。
本研究采用费尔克拉夫（Fairclough）的三维批判性话语分析（CDA）方法，从一种全新的批判性话语视角评估游戏化语言学习应用程序。与现有研究主要关注基于自我决定理论（SDT）或技术接受模型（TAM）的技术或动机采纳特征不同，本研究揭示了教育技术（EdTech）在用户界面扩展与交流中所嵌入的新自由主义理念。研究特别验证了诸如排行榜、进度条和评估指标等游戏化机制，如何作为自我优化与追踪的工具，尤其在高校英语作为外语（EFL）学生的词汇学习情境中发挥作用。为了在数字信息与以人为中心的信息之外进一步验证研究结果，本研究采用混合方法论，结合情感分析、界面日志记录和话语映射技术。
新自由主义优先考虑市场驱动的规则、竞争和私有化，而非教育更普遍的价值，导致全球高等教育发生了重大变化21。为了提高就业能力和全球竞争力，各大学日益采用英语授课（EMI）政策，认识到英语作为关键优势的价值。然而，EMI 常常加剧教育不平等，排除非英语使用者，偏袒那些能够获得英语学习资源的人群22。结果形成了一种熟悉的等级结构，语言能力成为潜在的障碍。在韩国等国家，EMI 的使用明显体现了新自由主义的目标，旨在提升全球排名并吸引投资，但这可能削弱地区语言，并导致语言霸权23。
研究者在多种情境下应用了自我决定理论（SDT）和技术接受模型（TAM），包括持续使用在线社交网络平台的意图24，以及在新冠疫情期间使用技术增强学习25,26，以进一步探究技术使用背后的动因。此外，Isabel 等人27基于 SDT 和 TAM 研究了用户对游戏化招聘工具的反应，发现候选人对该工具可用性和使用便捷性的评价，与其满足用户自主性和能力需求的程度以及促进自我激励的能力相关。Wu 和 Chen28则旨在整合这两个理论，明确揭示影响游戏化英语词汇学习应用程序接受度的用户感知因素与其自主性动机和受控动机之间的关系。
根据自我决定理论（Self-Determination Theory, SDT）的假设, 近期研究将游戏化置于动机理论框架中，阐述其在促进学习者参与方面的潜力. Seaborn 和 Fels（2015）在其对游戏化研究的全面综述中29 强调游戏化特征（如排行榜、徽章和积分）如何旨在提升内在动机并促进学习目标的实现。尽管效果因具体实施方式而异，但根据 Sailer 和 Homner（2020）的元分析，游戏化可对认知、动机和行为结果产生积极影响。30尽管兰德斯、鲍尔和卡拉汉（Landers, Bauer, and Callan，2017）31,32Hanus 和 Fox（2015）表明，排行榜的激励作用取决于其与目标设定过程的整合程度。31,32 发现课堂中的游戏化教学如果与学习者需求不一致，可能会降低内在动机和学业表现。这些实验性和纵向研究还警示了过于简单化的应用方式。Mekler 等人（2017）进一步强调了理论驱动的游戏化设计的重要性。33，他们证明了特定的游戏机制虽然可能提升表现，但并不总能促进内在动机。总体而言，这些发现为将当前研究置于有关游戏化在促进学习与动机方面所起的矛盾但富有前景的作用的知识体系中，提供了深入的基础。
先前讨论的大多数研究1,2,3仍集中于动机模型与技术接受模型，尽管大学生正日益使用游戏化移动辅助语言学习（MALL）技能。这些研究包括技术接受模型（TAM）和自我决定理论（SDT）等框架1。这些方法虽常涉及更细微的意识形态影响，并有助于理解用户行为与互动模式，但对教学技术策略如何融入特定话语或世界观的问题却缺乏充分反思。目前尚缺乏批判性视角来审视游戏化特征（如吸引力、进度追踪评估和自我控制）是如何体现并支持新自由主义理念的。此外，语言学习内容中的传播与视觉基本要素也尚未被广泛地从批判性话语分析（CDA）的角度加以考察2。特别重要的是理解这些设计结果如何影响大学生的学习体验，并塑造他们对学习成就的认知。本研究通过教育技术平台，考察新自由主义话语在高等教育语境中对英语学习者所产生的影响。
重要的教育技术研究已对教育技术更广泛的影响提出了质疑，超越了其在激励方面的益处。Selwyn（2016）34警告不应盲目乐观，认为技术并非中立工具，而应置于社会、文化与政治背景中加以审视。Williamson（2017）35通过分析数据驱动技术如何在新自由主义逻辑下改变教育治理——这种逻辑往往优先考虑效率与问责，而非公平与教学法——进一步拓展了这一批判。同样，Roberts-Mahoney、Means 和 Garrison（2016）4强调，市场化与企业化理念如何体现在个性化学习平台中，将学生重新定义为数据驱动教育的消费者。通过综合多种视角，本研究立足于关于教育技术政治经济学以及动机与采纳框架（如自我决定理论 SDT 与技术接受模型 TAM）的持续讨论之中。在承认游戏化教学的教育潜力的同时，也关注影响其实施的系统性力量，这种双重框架强化了本研究的批判性基础。根据后疫情时代韩国与中国香港的最新比较数据，大学生使用游戏化语言学习应用程序的动机受到竞争性排名和易用性的中介作用影响。这表明，游戏化元素会影响用户对参与度和可用性的判断5。这进一步加强了本研究对这些特性在批判性语境中话语建构的关注。
为了突出游戏化应用在不同学科中的有效性及潜力，该范围综述36考察了英语作为外语教学（TEFL）领域内游戏化应用的研究现状，并探讨了医学教育中的相关比较性见解。综述重点关注了这些研究的发表年份、地理分布、研究设计、教学方式、技术使用情况、游戏化特征以及测量工具，共纳入33项研究。评估结果显示，大多数论文发表于2018年，其中很大一部分来自亚洲地区。这些干预性研究共包含2,531名学生。最常用的研究方法为混合方法和准实验前后测设计。移动学习技术被广泛使用，在线教学已成为最主要的教学方式。
近期来自疫情后学习环境的比较数据凸显了审视游戏化词汇学习应用程序的重要性。根据一项在中国香港和韩国开展的研究，促使大学生使用移动语言学习应用程序的动机不仅包括竞争性排名和连续打卡等游戏化功能，感知易用性以及文化学习偏好也发挥着重要作用4,5。这些结果表明，疫情后向基于移动设备的自主学习（SRL）趋势发展，已进一步提升了应用程序可用性与设计的教育意义。通过将本研究置于这一框架之中，语篇分析（CDA）方法得以拓展，不再局限于意识形态批判，而是涵盖对动机形成与采纳过程的语篇性发展分析。
方案
本研究获得了中国福州福建警察学院伦理委员会的批准。所有方法均按照相关指南和规定实施。研究已获得所有参与者的知情同意。参与者被明确告知研究目的、数据使用方式、参与的自愿性以及随时退出的权利。所有参与者还签署了书面知情同意书，同意发表从访谈记录和应用程序使用模式中提取的匿名引述和见解。本稿件中未包含任何个人身份信息或图像。
本研究提出的方法论采用批评性话语分析（Critical Discourse Analysis, CDA）框架，基于先前对“百词斩”应用程序的研究，分析游戏化语言学习界面中的新自由主义话语。该分析借助Fairclough的三维框架，考察“百词斩”的文本机制、视觉设计和功能装置。此外，还收集了高校英语作为外语（EFL）学习者的用户情感分析数据、界面操作记录以及定性访谈日志。这种混合研究方法有助于评估游戏化如何促进竞争、行为监控和自我优化——这些正是新自由主义思想的关键要素。通过将学生讨论与应用程序设计进行复杂映射，该研究揭示了重要发现。通过凸显以参与度为导向的游戏化设计与学习者内在动机之间的张力，本研究阐明了技术特征如何影响高等教育中的语言学习过程。图1展示了所提出方法的架构结构。
图1 展示了用于分析应用程序中嵌入话语的三阶段批判性话语分析（CDA）方法。该范式有意将分析过程重构为一种解释性方法，而非技术性的数据处理，从应用程序的具体文本元素逐步上升至对社会意识形态问题的抽象理解。通过记录意识形态编码的具体位置——即应用程序的文本、视觉和功能特征（如连续签到记录、排名表和激励性提示）——第一阶段“应用程序人工制品”构建了实证基础。随后，这些人工制品进入第二阶段：“CDA解释层次”，该阶段通过一系列重叠的概念层次，直观地突出微观证据与宏观背景之间的辩证关系。文本元素通过“话语实践”进行解读，关注意义的再生产，并关联到“社会实践”，后者考察权力与意识形态的语境。第三阶段“主题综合”则利用解释性编码和主题抽象，将话语中发现的模式转化为抽象的定性结论，最终生成组织应用程序体验的新自由主义意识形态主题，例如个体责任化和竞争性激励。本方案提出的四个主要步骤如下：
应用程序的界面设计与选择
本研究选用了一款流行的、具有游戏化特征的语言学习应用程序（如百词斩）。采用Fairclough提出的三维批判性话语分析模型（CDA），对词汇提示、用户反馈以及与界面相关的信号进行文本分析，并重点开展话语实践分析，探讨应用内部的交流结构和用户互动模式。通过社会实践分析，可以揭示其中蕴含的新自由主义价值观，例如竞争性、高效性和自我追踪。这些功能特征体现了新自由主义所倡导的效率、竞争和自我监控等价值取向。
数据收集
为了深入了解大学阶段英语作为外语（EFL）学习者对游戏化学习环境的知识、目的及情感态度，研究人员对他们进行了半结构化访谈。
情感分析与话语映射
情感分析用于调节用户反应、聊天记录或交流信息中的情绪回应和参与程度。话语领域的测量侧重于评估其与新自由主义理念（如绩效基准化和自我治理）的契合度。
数据整合与验证
研究了游戏化设备与学习者焦虑、动机减退或表现压力等指标之间的关系。控制了影响用户互动和行为的主要对话策略。
界面设计与应用程序选择
在本研究的第一部分，百词斩应用程序1被用作游戏化移动辅助语言学习（MALL）的主要示例，重点在于词汇习得。由于该应用包含大量游戏化元素，例如排名顺序、学习进度监控、视觉徽章以及反馈触发机制，因此在中国的英语作为外语（EFL）大学生中具有广泛的普及性。
鉴于中国在国家主导的数字化教育政策、应试导向的学习文化以及日益市场化的教育科技产业方面具有独特结合，关注中国的英语作为外语学习者显得尤为重要。由于“教育信息化2.0”等国家政策的推动，学校中数字工具的使用日益增加，这些政策支持个性化和数据驱动的学习策略。与此同时，中国以考试为中心的教育体系持续强调可量化的结果和持续的绩效评估，这为重视目标达成、排名和进度追踪等游戏化特征提供了发展空间。这些竞争性机制已通过快速扩张的商业教育科技行业，进一步融入到百词斩等移动学习平台中，帮助数以百万计的用户备考重要的英语考试。由于政策、文化与技术的交汇，中国的教育环境成为研究游戏化学习设计如何将自我优化、竞争和绩效表现等新自由主义话语自然化的理想场域。
该应用程序的核心要素在界面分析中被合理地提取并分为三个部分：视觉元素（例如图标和进度条）、文本提示（例如说明和激励信息）以及功能结构（例如目标设定、提醒功能和社交竞争）。
采用费尔克拉夫（Fairclough）的三维批判性话语分析（CDA）方法来学习这些属性。该模型为全面审视行为提供了空间，其中应用程序的交际与互动方式蕴含着新自由主义意识形态。CDA过程的第一步是文本分析，考察反馈回应和应用程序请求中所使用的词语。随后，话语实践研究聚焦于用户如何与应用程序互动，以及成功或失败的概念在其中是如何被建构的。最后，社会实践研究描述了应用程序的设计如何反映了更广泛的新自由主义意识形态，例如自我规制、竞争和绩效价值化。图2展示了应用程序选择与界面设计的工作流程。
界面数据收集
本研究通过中国在线调查平台 www.wjx.cn 收集重要且完整的数据，该平台提供付费样本服务。最初设定的纳入标准为：参与者必须是中国高校在读本科生，并且此前至少使用过一款游戏化英语词汇学习应用程序。在招募信息中，明确说明了研究的学术目的、参与的自愿性质以及预计所需时间。参与者需阅读知情同意声明，并在开始问卷前提供自愿参与的同意。为确保数据质量，不仅采用IP地址筛查以减少重复或低质量作答，还设置了注意力检查题项，并监控异常短的完成时间。所有参与者均为中国本科生的要求作为样本筛选条件。在为期一周的时间内，共收集到279份来自不同IP地址的有效响应，平均完成时间为243秒。其中，有7份回答表明受访者从未使用过任何游戏化英语词汇学习应用，因此被剔除。最终保留了272份有效问卷，真实响应率达到97.49%。
其次，对中国的英语作为外语（EFL）学生进行了半结构化访谈，以深入了解他们使用游戏化词汇应用程序的学习体验。每次访谈持续30至45分钟，按照结构化提纲进行，涵盖学习习惯、对游戏化的心理反应、动机模式以及感知到的学习压力等方面。访谈通过在线方式开展，在获得同意后进行录音，随后逐字转录，并由两名研究人员采用主题分析法独立编码。
第三，从百词斩应用程序中系统提取了界面交互数据，包括截图、反馈消息日志、连续打卡计数器、徽章以及用户提示。这些素材提供了进行费尔克拉夫三维批判性话语分析所需的文本、视觉和功能材料。同时，通过使用 DeepL38 将用户生成的中文文本翻译为英文，由双语编码员验证翻译准确性，并利用 VADER39、TextBlob40 和 SnowNLP41 计算情感极性得分，从而收集情感分析数据，以实现跨语言验证。
对中国学习英语作为外语（EFL）的大学生进行了访谈，以深入了解他们对游戏化英语词汇应用程序的使用互动、动机及看法。访谈采用半结构化提纲，问题涵盖：（1）应用程序使用频率与使用情境，（2）对任务或奖励的情绪反应，（3）应用程序功能带来的参与度与学习动机，（4）使用过程中产生的压力或焦虑，（5）对学习习惯或词汇学习策略的影响，（6）与他人围绕应用程序进度的社交互动，以及（7）改善学习体验的建议。每次访谈通过 Zoom、面对面或电话方式进行，持续约 30–45 分钟。在获得参与者同意后，所有访谈均被录音并逐字转录为英文。研究采用主题分析法对数据进行分析。两名研究人员独立对转录文本进行编码，随后通过迭代过程将编码归类为不同主题，分歧通过讨论达成一致。结合这些定性见解与界面日志数据（记录使用频率、反馈响应及目标达成情况），得以深入分析用户对游戏化机制的行为与心理反应。
情感数据预处理：
为确保与基于英语的工具（如 TextBlob 和 VADER）的互操作性，所有文本数据在计算情感之前均被翻译为英语，因为原始用户回复为中文。为保持上下文和情感的准确性，采用 DeepL API 进行翻译，并由两名双语研究人员手动验证翻译结果。这些经过验证的英文文本随后用于计算情感极性与主观性得分。此外，还使用中文情感分析模型 SnowNLP 对 200 条随机抽取的回复子集进行分析，以评估跨语言一致性；结果显示其与 VADER 情感极性得分之间存在显著的正相关关系（r = 0.84）。
表1总结了272名中国高校英语作为外语（EFL）学生使用过游戏化英语词汇学习应用程序的先前经验的调查数据响应情况。根据人口统计学数据，本研究的研究对象适合用于调查目标用户群体，因为在性别、年龄、专业和教学经验年限方面充分代表了中国大学生群体。在练习设计方面，79.04%的受访者每周使用此类应用程序超过一小时，94.11%的受访者每周使用多次。练习行为的相关信息结合了受访成员提供的补充回答进行观察。
该数据集包含人口统计学变量（年龄、性别、专业、学习年级）以及使用相关变量（应用程序使用频率和每周使用时长）。数据集中的272个实体通常处于18-22岁年龄范围（占91.91%），其中男性占60.66%，女性占39.34%。该年龄分布表明，参与者的数量与使用移动辅助语言学习的大学生人数相符，并且与传统的本科学生群体相似。
尽管受访者来自多样化的学术背景，但主要学科分布如下：工科（38.97%）、工程学（37.87%）、理学（12.87%）和数学（10.29%）。这种跨学科的分布使得能够比较其他领域学生如何看待和使用游戏化系统。在学业阶段方面，大三学生（36.03%）和大二学生（26.47%）占比最高，其次是大一新生（18.01%）和大四学生（19.49%）。根据这一分布，大多数受访者为中高年级学生，这可能影响他们参与学习资源的程度以及对资源的批判性分析能力。在应用程序使用方面，28.31%的受访者表示他们每天使用百词斩，33.46%的人每周使用四到五次，表明用户与该社交网络存在较高频率的互动。仅有2.21%的用户每周使用少于一次。参与者每周使用该应用的时间有所不同，其中大多数使用时长为1至3小时（50.37%），较少学生使用超过5小时（11.4%）。
参与者的登录频率和互动日志被解读为与自我调节学习（SRL）相关的行为指标，反映了用户在管理学习活动、监控学习习惯以及持续参与方面的自主性，这与后疫情时代关于技术采纳和自我调节学习（SRL）的研究相一致。质性访谈数据还揭示了若干与技术接受模型（TAM）特征一致的主题，包括感知有用性（“排行榜让我保持每天学习的动力”）和感知易用性（“这个应用程序操作简单，界面直观”）。尽管这些维度在研究中并未被正式编码或建模，但它们在概念上将当前的CDA框架与近期比较研究中基于采纳视角的理论联系起来5为了定量整合CDA和情感分析结果，并加强行为、感知和语篇层面研究的融合，本研究的后续版本将纳入经过验证的简短量表，用于测量TAM和SRL。
费尔克拉夫的批评话语分析模型
通过费尔克拉夫的三维批评话语分析（CDA）模型，可以切实地考察游戏化语言学习应用（如百词斩）中的语篇如何生成并延续新自由主义理念37。该模型整合了三个相互关联的步骤：社会实践（宏观层面）、话语实践（中观层面）和文本分析（微观层面）。
文本分析（T）- 微观层面
语言方面的内容，包括术语、组织结构以及应用程序设计提示（例如“已达成每日目标”和“保持连续使用不断裂”），是该层面的主要目标。假设用户的所有文本单元如下：
(1)
此处 tei 代表一条特殊文本消息或提示。
为了评估新自由主义的布局与出现情况：
(2)
(3)
因此，文本层的新自由主义密度为：
(4)
话语实践（D）- 中观层面
这些信息来自用户使用应用程序的访谈和界面日志，内容涉及用户与应用程序的互动情况（使用频率、反馈响应以及目标达成情况）。
设i表示一个用户，aj表示一次交互行为（例如完成一项任务或查看排行榜）。描述交互矩阵如下：
(5)
用户自我优化评分现已定义：
(6)
行为 aj 的新自由主义权重（重要性）用 wj 表示。例如，查看排行榜的 wj 高于仅访问应用程序。
社会实践（S）- 宏观层面
这包括分析应用程序的使用和相关论述如何反映更广泛的社会观念（例如生产力和竞争）。
设 P(usi,λk) 为一个二元值或模糊值，用于表示用户话语是否促进特征 λk，其中 λk 为一种意识形态特征（如公平性或自我优化）。
接下来，用户的思想表现：
(7)
这衡量了每种新自由主义意识形态 λk 在用户群体中的传播程度。用户界面的整体 CDA 框架得分可表示如下：
(8)
当每个维度被赋予一个权重（α, β, γ）时，该权重可通过经验调整或基于定性考虑确定。
费尔克劳（Fairclough）提出的三维批判性话语分析（CDA）模型如图3所示，该模型用于评估游戏化知识在教育边界方面的应用，主要针对百词斩等语言学习阶段。图中上排代表CDA的三个分析维度，而下排则整合了这些维度的分析结果，生成一个统一且连贯的结论。
本研究为批判性话语分析（Critical Discourse Analysis, CDA）建立了一个简明的编码手册，将话语特征划分为三个类别：文本类（词汇选择、隐喻）、视觉类（图标、颜色、徽章）和功能类（积分、等级、通知）。例如，“继续加油！”这类语句属于文本类，星形徽章属于视觉类，进度追踪通知则属于功能类。在消除歧义并迭代优化编码后，两名熟练的编码员独立将该编码手册应用于数据。采用Cohen's Kappa系数计算编码者间一致性，结果显示信度良好（κ = 0.78），确保了研究的一致性与严谨性。
情感分析与话语映射
情感分析适用于用户生成内容以及解释性文本、应用程序评论、通信日志和会议转录文本，该方法紧随费尔克拉夫（Fairclough）提出的三层批判性话语分析（CDA）之后，涵盖文本、话语及社会层面的重复现象37。此步骤利用自然语言处理（NLP）技术对情绪基调（正面、负面和中性）及其强度进行分类。例如，为建立用户与游戏化学习机制之间的情感联系，可测量用户在面对线路损耗或排行榜展示时所表现出的压力或满意度等常规情绪反应。本研究有助于界定游戏化设计元素——如关注与竞争、成长压力或参与机制——是支持还是违背批判性话语分析中揭示的新自由主义价值观。
算法1，见于 补充文件 1展示了情感分析与话语映射的工作流程。在收集并预处理文本信息后，采用小写转换、停用词消除、词形还原和标点符号过滤等方法准备用户观察数据。随后，对英语和汉语的EFL文本数据进行情感分析，预处理步骤包括小写化、停用词去除、词形还原以及标点过滤。这些文本通过VADER、TextBlob或基于BERT的模型等程序进行情感分析，依据情感基调或极性得分将每段文本分类为中性、正面或负面。这有助于界定用户对游戏化基本要素的情感反应，例如对展示形式、对话内容及奖励机制的评价。与此同时，通过基于关键词匹配或主题编码的方法剔除话语要素，识别出与特定新自由主义概念相关的表达与观点，例如“自我优化”、“竞争”、“效率”或“追踪”等。
在CDA阶段提出的概念性标签现在可以在每位用户的文本中得到理解。随后，基于分析结果设计出话语图谱，以验证详细的话语内容和态度在数据集内的共现情况。这一过程可能包括生成图表或热图，用以展示每种意识形态主题的表达语气及其出现频率。为了更全面地呈现材料内容，这些情感分析结果和话语理解将与CDA结果进行整合。该分析有助于验证学习者是否接受或抵制边界方案中呈现的新自由主义话语。此外，它还突显了游戏化学习中的情感体验，识别出在哪些情况下移动管理可能无意中削弱了基本激励机制或影响学习者的选择。
结果
本研究采用批判性话语系统分析方法，探讨了移动辅助语言学习（MALL）应用程序（如百词斩）中的游戏化机制如何影响大学生英语作为外语（EFL）学习者的动机与自我调节行为。研究估计所使用的数据集来自三个统一的基础来源：（1）15次与大学生EFL学习者进行的半结构化访谈记录；（2）来自250多条用户参与日志的情感分析数据；（3）包含游戏化结构（如徽章、学习进度、奖励评论和连续打卡计数器）的界面数据日志。研究在模拟分析环境中进行，该环境使用传统Python脚本实现界面话语映射，并利用NVivo软件进行情感分类与主题组织。通过模拟情境，实现了对Fairclough批判性话语分析（CDA）模型中文本、话语和社会三个层面上的语言、图形与行为信息的整合分析。
用于评估的参数包括新自由主义关键词频率、反馈性质、情感极性得分、情绪标签、每日登录频率、内在与外在动机指标以及自我优化压力。
对数据处理的影响：
图4 展示了用户访谈和应用程序界面中使用新自由主义语言的频率。在被保留并进行分析的关系中，包括能力、线路、排行榜、斜杠、评分、提升、追踪、激励、路径以及自我提升。其中使用最频繁的术语是“连击”（streak），共出现60次，其次是“自我提升”（self-improvement），出现53次，以及“排行榜”（board），出现50次。其他较为常见的术语包括“追踪”（track），出现41次，“展示”（presentation）出现45次，以及“奖励”（prize）出现46次。而“分数”（score）使用38次，“屏幕”（screen）35次，“排名”（position）32次，“提升”（enhance）28次，使用频率相对较低。这些术语直接关联新自由主义意识形态，强调个人责任、成就取得以及持续的自我监控。
图5 使用CDA方法展示了百词斩应用中五种不同类型反馈的出现频率。这五种反馈类型包括激励性、竞争性、纠正性、肯定性和中性反馈。在分析的五类反馈中，肯定性反馈共出现45次，表明该应用更注重正向强化。强调激励用户的话语出现40次，位居第二，反映出应用在鼓励用户方面的重视程度。尽管应用也提供纠正性反馈以帮助用户提高准确性，但此类反馈仅出现30次，频率低于支持性反馈。竞争性反馈出现20次，可能反映了应用中的表现对比或游戏化功能。最后，中性反馈最为少见，仅出现15次，表明情感上无倾向性的反应较为罕见。总体而言，该图表表明百词斩应用主要通过提供鼓励性和支持性反馈来增强用户参与度并激励用户。
情感分析与话语映射分析：
表2展示了基于正面、中性和负面回答比例，用户对多种游戏化机制（包括排行榜、连续打卡计数器、徽章、表现指标和进度条）的情感分析结果。根据对百词斩应用中游戏化功能的极性分析，所有类别均以正面情感占主导。其中，连续打卡计数器获得的正面反馈比例最高（75%，n = 150/200；95% 置信区间 [68.6–80.6]）。表现指标的情感分布较为均衡，但负面情绪比例相对较高（35%，n = 70/200；95% 置信区间 [28.7–41.9]）；而排行榜也表现出较强的正面情感（65%，n = 130/200；95% 置信区间 [58.3–71.1]）。当包含分母数值及95%置信区间时，不同游戏化功能之间的情感差异可被更清晰地识别。
百词斩应用中用户对游戏化要素反馈情况如图6所示。排行榜、连续打卡计数器、徽章、表现指标和进度条是已分析的部分游戏化基本要素。这些要素均通过三类情感极性进行测量：正面、中性与负面。其中，连续打卡计数器获得最高的正面态度，75%的评论表达了积极看法，表明用户有强烈动机维持连续打卡记录。此外，65%的用户对排行榜给予非常积极的评价，认为其使用户能够处于竞争状态。进度条（55%）和徽章（50%）的正面反馈也占多数，但相较前两者，负面和中性评论略多。表现指标功能则可能引发部分用户的担忧或不满，其负面情绪占比高达35%，正面评价最低，仅为40%。而其他功能的负面情绪相对轻微，大多数低于20%。
不同情绪标签（正面、负面和中性）的情感得分分布如图7所示。每个情绪类别内情感得分的分布形态、密度和范围由小提琴图表示。正面情感得分表现出高度一致性，变异较小，数值紧密聚集在0.5至0.75之间。从分布形态来看，大多数正面反馈集中在情感得分约0.6至0.65的范围内，表明情绪具有强烈的正面倾向。相反，负面情感得分也呈现出类似的集中分布，但集中在情感量表的负值区域，范围在-0.75至-0.4之间。在约-0.6处具有较高密度，表明回复持续表达出负面情绪。而中性情感得分分布更为狭窄，主要落在0.0至0.15之间，表明中性回应通常并非完全中立，而是略带轻微的正面倾向。此外，该类别的分布密度低于其他类别，说明其情感强度较弱，波动也较小。
图8 分为五个不同的登录频率组别，展示了用户每天登录游戏化语言学习应用程序的频率。大多数用户倾向于定期使用该应用程序。具体而言，主要组别由91名用户组成，他们每周登录四到五次。另有88名用户被归入次一级的组别，他们每周登录两到三次。相当一部分用户每天都在积极使用该应用，这一点体现在有77人每天至少访问一次。中等程度上，较少用户每周使用少于一次：仅有6名用户每周使用少于一次，仅10名用户每周登录一次。鉴于大多数用户每周多次甚至每天使用该应用，这一分布表明，语言学习应用中的游戏化功能在激励持续且稳定的用户参与方面是有效的。
内在动机与外在动机的比较分析：
图9展示了使用KNN、DT、AO-ANN和所提出的CDA方法对内在动机与外在动机的分析结果。在所有方法中，内在动机的表现通常优于外在动机，表明用户通常更关注自身兴趣和个人成就感，而非来自外部的奖励。所提出的CDA方法在所有方法中获得了最高的内在动机得分（0.85），被归类为“高度积极”。这表明该方法在激发内在动机方面表现尤为突出。然而，其外在动机得分为0.45，是所有方法中最低的。AO-ANN方法同样表现出较高的内在动机水平（0.75）和外在动机水平（0.60%），两者均被归类为“积极”。DT方法的内在动机得分为0.68，外在动机得分为0.55，呈现出“混合”效应，代表其动机结果分布更为均衡。尽管KNN方法的内在动机（0.62）和外在动机（0.48）得分均为最低，但其内在与外在动机仍均被归类为“积极”。
图10中的热图展示了数据分类的编码者间信度。研究结果揭示了在文本、视觉和功能这三类编码类型中，编码者之间达成一致与不一致的情况。具体而言，在文本类别中有42例达到了最高水平的一致性，其次是视觉类别中有33例一致，功能类别中有25例一致。所有类别的不一致水平均相对较低，其中功能类别为5例，视觉类别为7例，文本类别为8例。总体而言，这些结果表明编码者之间具有较高的一致性，提示数据分类准确可靠。
图11 展示了自我优化压力评分。该折线图显示了四种计算模型的自我优化压力评分，分别为K近邻（KNN）、决策树（DT）、自适应优化人工神经网络（AO-ANN）以及本文提出的基于批判性话语分析（CDA）的模型。横轴表示模型类型，纵轴表示对应的自我优化压力评分，范围为0.60至0.85。所有模型均呈现出明显的上升趋势，表明各模型对自我优化压力特征的检测或表征强度逐步增强。其中，KNN模型得分最低（≈0.65），其次为决策树模型（≈0.68）和AO-ANN模型（≈0.72）。所提出的CDA模型得分最高（≈0.82），显示出其在数据集中更有效地识别与新自由主义自我优化话语相关的情感指标和语篇模式的能力。该结果支持了以下观点：引入批判性话语分析（CDA）的要素（如激励性语调和语境化语言框架）可提升模型对游戏化语言学习材料中意识形态压力的敏感性。此外，这一趋势表明，混合型或具备语篇意识的模型（AO-ANN、CDA）更能捕捉用户生成文本中复杂的情感与意识形态特征，而传统的机器学习分类器（KNN、DT）则主要识别表层的情感模式。
复合批判性话语分析（CDA）得分、情感倾向得分（SOS）和标准化互动衍生文本情感（NEDTE）的公式并非仅作为概念框架，而是进行了实际运算。具体而言，SOS 表示与每个游戏化元素相关联的情感极性方向（正面、中性或负面）的总体趋势，而 NEDTE 则根据用户互动频率和文本情感强度来衡量用户情绪的标准化强度。为平衡语言、互动和意识形态三方面的贡献，复合 CDA 得分采用了 Fairclough 框架中的三个分析维度——文本、话语和社会实践——并采用等权重方案（α = 0.33，β = 0.33，γ = 0.34）。两名编码员依据包含文本、视觉和功能类别的标准化编码手册，独立验证了指导这些指标的编码结果。编码者间一致性指标 Cohen's κ = 0.78，证实了定性数据编码具有足够的信度与稳健性。这确保了驱动 NEDTE、SOS 和 CDA 计算的情感、互动及意识形态因素在方法上的严谨推导与可重复性。
数据可用性：
本研究生成和分析的所有原始数据均提供在补充文件2中。该数据集包含匿名的参与者层面信息，如年龄、性别、所学专业、年级、使用的语言学习应用程序、每周使用时长、登录频率、动机评分以及访谈评论。这些数据构成了用于本文所报告的批判性话语分析、情感评估和使用模式考察的完整原始数据集。该数据集的结构和内容与关于游戏化和移动辅助语言学习（MALL）的既有研究，以及教育技术中关于新自由主义的批判性话语视角相一致。
图1：所提出方法的架构结构。 示意图展示了整合了游戏化功能、数据采集以及用于用户行为与话语分析的分析模块的系统框架。请点击此处查看此图的放大版本。
图2：应用选择与界面设计。 所选游戏化英语词汇学习应用的截图与布局示意图，突出显示与动机和语篇模式相关的功能特征。请点击此处查看该图的放大版本。
图 3：费尔克拉夫批判性话语分析（CDA）的工作流程。本研究中应用的费尔克拉夫三维CDA框架的逐步说明：文本分析、话语实践和社会文化实践。请点击此处查看此图的放大版本。
图 4：新自由主义关键词出现频率。 柱状图显示了从用户界面文本和反馈中提取的关键新自由主义术语（例如，“competition”（竞争）、“optimization”（优化））的频率分布情况。请点击此处查看此图的放大版本。
图5：百词斩应用中的反馈性质。 百词斩应用向用户提供的反馈类型（如基于表现的反馈、激励性反馈、纠正性反馈）的分类与可视化展示。请点击此处查看该图的放大版本。
图6：极性得分结果。 百词斩应用中用户生成内容的情感极性（正面、负面、中性）的图形化表示。请点击此处查看该图的放大版本。
图 7：情绪标签的分布情况。 饼图或直方图展示了在用户评论或交互日志中检测到的情绪类别（例如，喜悦、焦虑、自豪）所占的比例。请点击此处查看该图的放大版本。
图 8：用户登录频率。 折线图或柱状图，显示用户在特定时间段内的登录趋势，用于评估用户参与度和行为一致性。请点击此处查看此图的放大版本。
图9：外在动机与内在动机的结果。基于访谈数据，对用户动机反应进行分类比较，分为外在动机（如奖励、竞争）和内在动机（如兴趣、乐趣）。请点击此处查看该图的放大版本。
图10：文本、视觉和功能编码类别的编码者间信度热图。数字表示编码者之间同意与分歧的次数。采用Cohen's Kappa系数计算编码者间的一致性，结果显示信度令人满意（κ = 0.78），保证了研究的一致性和严谨性。请点击此处查看该图的放大版本。
图 11：自优化压力结果。 定量与定性分析显示用户中存在自我监控、自我提升语言及表现压力的证据。请点击此处查看该图的放大版本。
| 属性 | 类别 | 样本量 (n) | 百分比 (%) |
| 性别 | 男性 | 165 | 60.66% |
| 女性 | 107 | 39.34% | |
| 年龄组 | 18–22 | 250 | 91.91% |
| >22 | 22 | 8.09% | |
| 学术专业 | 科学 | 35 | 12.87% |
| 技术 | 106 | 38.97% | |
| 工程 | 103 | 37.87% | |
| 数学 | 28 | 10.29% | |
| 学习年级 | 大一 | 49 | 18.01% |
| 大二 | 72 | 26.47% | |
| 大三 | 98 | 36.03% | |
| 大四 | 53 | 19.49% | |
| 应用程序使用频率 | 每周少于一次 | 6 | 2.21% |
| 每周一次 | 10 | 3.68% | |
| 每周2–3次 | 88 | 32.35% | |
| 每周4–5次 | 91 | 33.46% | |
| 每天至少一次 | 77 | 28.31% | |
| 每周使用时长 | <1 小时 | 57 | 20.96% |
| 1–3 小时 | 137 | 50.37% | |
| 3–5 小时 | 47 | 17.28% | |
| 5–7 小时 | 19 | 6.99% | |
| >7 小时 | 12 | 4.41% |
表1：受访者人口统计学特征概览。 参与者特征总结，包括性别、年龄、学历水平、英语熟练程度以及先前使用游戏化应用程序的经验。
| 游戏化功能 | 正面 % (95% CI) | 中立 % (95% CI) | 负面 % (95% CI) | 总响应数 (n) |
| 排行榜 | 65 (58.3–71.1) | 20 (14.7–26.0) | 15 (10.4–20.7) | 200 |
| 连续打卡计数器 | 75 (68.6–80.6) | 10 (6.1–14.9) | 15 (10.4–20.7) | 200 |
| 徽章 | 50 (43.0–57.0) | 30 (23.9–36.8) | 20 (15.0–26.1) | 200 |
| 表现指标 | 40 (33.3–47.0) | 25 (19.5–31.6) | 35 (28.7–41.9) | 200 |
| 进度条 | 55 (48.0–61.8) | 30 (23.9–36.8) | 15 (10.4–20.7) | 200 |
表2：百词斩应用中极性评分的性能。基于情感分析模型对用户交互进行情感极性分类准确率的统计评估。
补充文件 1：算法 1。 请点击此处下载该文件。
补充文件2：本研究生成和分析的原始数据。 请点击此处下载该文件。
讨论
本文提出的批评性话语分析（Critical Discourse Analysis, CDA）采用一种批评性意识形态视角，通过考察游戏化语言学习应用中嵌入的深层意识形态功能，拓展了以往的研究。先前的研究，特别是Chen和Zhao1的研究，已大规模探讨了影响中国英语作为外语（EFL）学习者接受游戏化词汇应用的动机因素。本研究基于Fairclough的三维CDA框架，认为诸如百词斩（Baicizhan）等应用不仅作为学习工具发挥作用，同时也作为强化持续绩效评估的平台而存在。这些发现与理论观点相一致，即游戏化不仅增强了用户参与度，还通过绩效比较和行为追踪等机制施加了隐性的压力。这使我们对学习者参与的理解超越了传统的动机解释，突显了与数字化学习环境相关的系统性问题6。
通过将定量的情感分析结果与定性的观察相结合，我们展示了游戏化特征如何推动短期参与，却可能导致长期动机的权衡。这些发现与以往东亚及跨文化研究一致，表明用户友好的界面和竞争性评分系统对移动辅助语言学习具有显著影响⁴°。结合批判性话语分析（CDA）的结果来看，尽管游戏化工具（例如排行榜、连续打卡机制）强化了新自由主义框架下的自我优化话语，但其心理效应在不同文化与教育情境中存在差异。因此，设计具有文化敏感性的游戏化功能，或有助于在维持用户参与度的同时减轻绩效压力。
本研究的发现有助于深化关于算法治理及新自由主义对数字教育形态影响的广泛讨论。Williamson 等人38指出，算法系统通过数据驱动的反馈回路引导学习者的注意力和选择，从而调节其行为。这一点在诸如连续学习记录、排名和进度追踪等激励性功能的广泛应用中尤为明显，这些功能不仅作为教学工具发挥作用，同时也成为自我监督与责任机制。Chen 和 Zhao1进一步指出，尽管算法个性化看似有益，但它可能通过优先某些特定的互动方式和读写能力而加剧不平等。通过将本研究的批判性话语分析（CDA）结果置于上述学术框架之中，我们表明，平台设计、意识形态预设以及社会技术治理共同塑造了用户动机，其影响远超个体心理层面。
本研究还通过将自我决定理论（Self-Determination Theory, SDT）与技术接受模型（Technology Acceptance Model, TAM）重新定位为批判性话语分析框架中的情境性和解释性视角，拓展了二者在解释层面的适用性。我们并非直接测量SDT或TAM的构念，而是借助这些理论来解读话语模式与游戏化设计特征如何符合理论上关于动机、感知有用性及行为意向的预期。这种方法挑战了早期研究的假设——后者强调实用性、目的性及外在动机因素，却未能充分考察学习者在游戏化环境中如何行动并理解自身经验。通过在解释层面上整合SDT与TAM，我们的分析揭示了游戏化界面如何影响学习者的自我认知、参与程度以及义务感。除实践与心理层面的意义外，这一视角进一步强调，未来的理论模型有必要纳入塑造教育技术体验与理解方式的社会技术动态及内嵌话语。
通过将批判性话语分析（CDA）视角与自我调节学习（Self-Regulated Learning, SRL）和科技接受模型（Technology Acceptance Model, TAM）相结合，本研究弥合了游戏化在工具性理解与批判性理解之间的鸿沟。已有研究（包括 Lee 和 Kim，2025⁵）表明，竞争性评分、连续打卡机制和排名系统能够提升感知有用性和参与度——这正是 TAM 与 SRL 中的核心构念。然而，若从 CDA 视角审视，这些相同特征则暴露出更深层次的新自由主义逻辑，涉及绩效比较、监控以及自我优化，从而将动机机制转化为行为规训的工具。这种综合揭示了一个关键的设计张力：在保留游戏化激励优势的同时，尽可能减少监控、竞争和绩效所带来的压力，以避免损害学习者的内在动机与自主性。以此框架来看，CDA 不仅发挥着意识形态批判的功能，同时也为构建具有文化敏感性和心理响应性的学习系统提供了面向设计的指导原则。
本研究的理论意义在于，当通过批判性话语分析（Critical Discourse Analysis, CDA）的视角进行审视时，自我决定理论（Self-Determination Theory, SDT）与技术接受模型（Technology Acceptance Model, TAM）可以被重新诠释。在本研究中，SDT 和 TAM 作为解释性透镜发挥作用，而非经过实证检验的模型，为理解学习者如何在游戏化的语言学习环境中理解动机、有用性和可用性提供了概念基础。然而，本研究并未将这些理论视为中立或普遍适用，而是通过 CDA 方法，探究教育技术（EdTech）界面如何在话语层面再生产这些模型中所嵌入的基本假设——特别是与自主性、自我调节、效率和绩效优化相关的假设。这一取向与近期批判性教育技术研究³⁹,⁴°相一致，后者认为，诸如问责制、排名和自我优化等新自由主义价值观，常常以隐晦且未经审视的方式被编织进数字学习系统之中。通过将 SDT 和 TAM 置于这一批判性框架内，本研究通过揭示其动机与采纳构念如何受到社会技术设计选择的塑造、限制或强化，从而拓展了这两个理论。在此过程中，SDT 和 TAM 并未被否定，而是被扩展，揭示了其核心构念在算法中介的学习环境中如何在话语层面运作。
本研究的结果对政策制定者、教师和应用程序开发者具有若干重要的实际意义。对于游戏化语言学习应用程序的设计者而言，研究结果强调了在以参与度为导向的功能与以学习者为中心的支持性设计原则之间取得平衡的重要性。因此，开发者应纳入促进协作学习、自主学习进度以及情绪健康的功能选项，以避免营造出具有惩罚性或过度强调表现的学习环境。教师在引导学生如何使用游戏化工具方面也发挥着关键作用。教师应指导学生以批判性和有意识的方式使用这些应用程序，帮助他们识别原本旨在激励的功能何时反而可能引发压力或自我比较。通过增强学生的认知意识，教师能够支持更健康的学习习惯，并确保数字工具能够补充而非削弱学生的学习动机。对于政策制定者和课程规划者而言，研究结果强调了在大规模推广游戏化教育技术工具之前进行审慎评估的重要性。
本研究对提高学习者参与度及激发词汇学习应用的使用具有重要意义，尤其适用于中国高校英语作为外语（EFL）学习者。该研究结合技术接受模型（TAM）与自我决定理论（SDT），指出学习者主要受自主性动机驱动，而非受控性动机。内在动机是决定这些应用被感知为有益性和易用性的关键因素。另一方面，本研究提出了一种三维批判性话语分析（CDA）视角，强调尽管排行榜、连续打卡和徽章参与机制有助于促进学习者的自主性，但其中也嵌入了新自由主义话语，如自我规训、竞争和功利性追踪。这些因素可能通过限制学习者自主性、施加持续的绩效压力，进而加剧焦虑并削弱内在动机。尽管两项研究均承认游戏化语言学习应用在提升用户参与度和词汇习得方面具有成效，但本研究揭示了此类游戏化界面可能伴随的深层概念结构与系统性压力。
鉴于本研究存在一定的局限性，特别是仅聚焦于单一应用程序（Baicizhan）和中国学习者群体，未来的研究应拓宽范围，以检验这些发现的普适性。文化、教育和语言背景会影响学习者对游戏化功能的反应，韩国和中国香港的比较研究已表明，不同群体在自主学习行为和对竞争性的认知方面存在差异。因此，后续研究应在包括韩国、日本及东南亚学习者在内的多元文化群体中，重复并拓展本研究的批评话语分析—情感分析框架，以检验此处识别出的意识形态和情感模式是否在其他社会技术环境中依然存在。
未来研究的另一个重要方向是实证探讨调节因素，例如感知易用性以及游戏化激励机制。采用来自自我调节学习（SRL）和科技接受模型（TAM）的经过验证的测量工具，可使研究人员检验这些变量是否影响界面话语与用户情感之间的关系。这不仅将增强语篇分析（CDA）方法的理论贡献，还能提供实证基础，更全面地整合动机与采纳模型。未来的研究还应考察其他设计策略，在保持用户参与度的同时，降低自我追踪和竞争性游戏化元素带来的压力。引入协作性、社会支持性或基于社区的功能，可能缓解本研究中观察到的某些新自由主义倾向。最后，纵向研究对于理解游戏化特征如何随时间影响学习者的动机、情绪健康及学习成果至关重要，有助于更全面地揭示游戏化语言学习环境的长期效应。
致谢
作者衷心感谢中国福建省福州市福建警察学院基础课程部对本研究完成所提供的支持。本文受福建省社会科学基金资助，2025年，“中国警务外交话语与国家形象构建研究”（FJ2025C084）。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 腺病毒载体（shNEAT1） | 10692-V5 | Vigene Biosciences | 用于在体内和体外敲低 NEAT1 表达的腺病毒。 |
| BCA 蛋白检测试剂盒 | 23227 | Thermo Fisher | 用于定量细胞裂解液中蛋白浓度的试剂盒。 |
| 双荧光素酶报告基因检测试剂盒 | E1910 | Promega | 用于双荧光素酶报告基因实验，检测 miR-181a-5p 相互作用的试剂盒。 |
| ELISA 试剂盒（细胞因子） | N/A | R&D Systems | 用于测定血清和组织样本中细胞因子水平的试剂盒。 |
| 胎牛血清（FBS） | 16000-044 | Gibco | 用于细胞培养基中以支持细胞生长的补充物。 |
| GAPDH 抗体 | 2118S | Cell Signaling Technology | 作为 Western 印迹实验中上样对照的 GAPDH 一抗。 |
| 苏木精-伊红染色试剂盒 | N/A | Thermo Fisher | 用于组织切片的组织学染色，进行病理学分析。 |
| 免疫荧光抗体（CD206） | 14693-1-AP | Proteintech | 用于检测组织切片中 M2 巨噬细胞标志物 CD206 的抗体。 |
| 脂多糖（LPS） | L2630 | Sigma-Aldrich | 用于诱导 RAW264.7 细胞中炎症性巨噬细胞极化。 |
| miR-181a-5p 模拟物 | N/A | N/A | 用于调控 miR-181a-5p 水平的合成 miR-181a-5p 模拟物。 |
| NEAT1 表达质粒 | N/A | N/A | 用于在 RAW264.7 巨噬细胞中过表达 NEAT1 的质粒。 |
| RAW264.7 巨噬细胞 | TIB-71 | ATCC | 用于体外实验的小鼠巨噬细胞系。 |
| RIPA 裂解缓冲液 | 89901 | Thermo Fisher | 用于裂解细胞以提取总蛋白的缓冲液。 |
| RPMI-1640 培养基 | 11875-093 | Gibco | RAW264.7 巨噬细胞的培养基。 |
| SYBR Green 主混合液 | 4385612 | Thermo Fisher | 用于定量实时 PCR 分析的试剂。 |
| Transwell 迁移实验小室 | 3422 | Corning | 用于 Transwell 迁移实验，评估巨噬细胞迁移能力。 |
| TUNEL 凋亡检测试剂盒 | ab66110 | Abcam | 通过 TUNEL 染色检测 RAW264.7 细胞凋亡的试剂盒。 |
| Western 印迹抗体（HMGB1） | ab18256 | Abcam | 用于 Western 印迹实验的 HMGB1 一抗。 |
参考文献
- Chen, Y., Zhao, S. Understanding Chinese EFL learners' acceptance of gamified vocabulary learning apps: An integration of self-determination theory and technology acceptance model. Sustainability. 14 (18), 11288(2022).
- Li, J., King, R. B., Wang, C. Adaptation and validation of the vocabulary learning motivation questionnaire for Chinese learners: A construct validation approach. System. 108, 102853(2022).
- Technology in Education: A Tool on Whose Terms. , UNESCO, Paris, France. (2023).
- Roberts-Mahoney, H., Means, A. J., Garrison, M. J. Netflixing human capital development: Personalized learning technology and the corporatization of K-12 education. J Educ Policy. 31 (4), 405-420 (2016).
- Chung, B., Lo, N. A comparative study of self-regulated English learning through mobile language-learning applications in post-pandemic Hong Kong and South Korea. Smart Learn Environ. 12, 42(2025).
- ASER 2022 National Findings. , ASER Centre. New Delhi, India. (2022).
- Shah, M., Steinberg, B. The Right to Education Act: Trends in enrollment, test scores, and school quality. AEA Pap Proc. 109, 232-288 (2019).
- Realinho, V., Machado, J., Baptista, L., Martins, M. V. Predicting student dropout and academic success. Data. 7 (11), 146(2022).
- Urbina-Nájera, A. B., Téllez-Velázquez, A., Barbosa, R. C. Patterns to identify dropout university students with educational data mining. Rev Electron Investig Educ. 23, e1507(2021).
- Lopes Filho, J. A. B., Silveira, I. F. Early detection of students at dropout risk using administrative data and machine learning. RISTI - Rev Ibér Sist Tecnol Inf. 40, 480-495 (2021).
- Guanin-Fajardo, J. H., Barranquero, J. C. Contexto universitario, profesores y estudiantes: Vínculos y éxito académico. Rev Iberoam Educ. 88, 127-146 (2022).
- Zeineddine, H., Braendle, U., Farah, A. Enhancing prediction of student success: Automated machine learning approach. Comput Electr Eng. 89, 106903(2020).
- Guerrero-Higueras, ÁM., Fernández Llamas, C., Sánchez González, L., Gutierrez Fernández, A., Esteban Costales, G., Conde González, M. Á Academic success assessment through version control systems. Appl Sci. 10 (4), 1492(2020).
- Rafik, M. Artificial Intelligence and the Changing Roles in the Field of Higher Education and Scientific Research. Artificial Intelligence in Higher Education and Scientific Research. , Springer. Singapore. (2023).
- Mohammed, R., Almalki, A., Elshaer, I., Elhoseny, M., Baber, J. TAM-UTAUT and the acceptance of remote healthcare technologies by healthcare professionals: A systematic review. Informatics Med Unlocked. 32, 101008(2022).
- Natasia, S. R., Wiranti, Y. T., Parastika, A. Acceptance analysis of NUADU as an e-learning platform using the Technology Acceptance Model (TAM) approach. Procedia Comput Sci. 197, 512-520 (2022).
- Chintalapati, N., Srinivas, V., Daruri, K. Examining the use of YouTube as a learning resource in higher education: Scale development and validation of TAM model. Telemat Inform. 34, 853-860 (2017).
- Mustafa, M. H., Ahmad, M. B., Shaari, Z. H., Jannat, T. Integration of TAM, TPB, and TSR in understanding library user behavioral utilization intention of physical vs. e-book format. J Acad Librariansh. 47, 102399(2021).
- Sukendro, S., Habibi, A., Khaeruddin, K., Indrayana, B., Syahruddin, S., Makadada, F. A., Hakim, H. Using an extended Technology Acceptance Model to understand students' use of e-learning during COVID-19. Heliyon. 6 (11), e05410(2020).
- Rafique, H., Almagrabi, A. O., Shamim, A., Anwar, F., Bashir, A. K. Investigating the acceptance of mobile library applications with an extended Technology Acceptance Model (TAM). Comput Educ. 145, 103732(2020).
- Sah, P. K. English medium instruction in South Asia's higher education: Intersection of global challenges and local politics. J Multiling Multicult Dev. 41, 705-721 (2020).
- Smith, M. Social reproduction as language policy: The neoliberal co-option of English in global Japan. Educ Policy. 36 (7), 1652-1678 (2022).
- Yang, J. C. -C. Higher education internationalization in Taiwan: New developments in the context of geopolitical and social changes. Nagoya J High Educ. 12, 243-326 (2023).
- Li, Y., Wang, X. Online social networking sites continuance intention: A model comparison approach. J Comput Inf Syst. 57, 160-168 (2016).
- Rosli, M. S., Saleh, N. S. Technology-enhanced learning acceptance among university students during COVID-19: Integrating the full spectrum of Self-Determination Theory and self-efficacy into the Technology Acceptance Model. Curr Psychol. 42 (1), 18212-18231 (2022).
- Şahin, F., Şahin, Y. L. Drivers of technology adoption during the COVID-19 pandemic: The motivational role of psychological needs and emotions for pre-service teachers. Soc Psychol Educ. 25 (2-3), 567-592 (2022).
- Isabel, B., Catalán, S., Martínez, E. Understanding applicants' reactions to gamified recruitment. J Bus Res. 110, 41-50 (2020).
- Wu, B., Chen, X. Continuance intention to use MOOCs: Integrating the Technology Acceptance Model (TAM) and task technology fit (TTF) model. Comput Hum Behav. 67, 221-232 (2017).
- Seaborn, K., Fels, D. I. Gamification in theory and action: A survey. Int J Hum-Comput Stud. 74, 14-31 (2015).
- Sailer, M., Homner, L. The gamification of learning: A meta-analysis. Educ Psychol Rev. 32, 77-112 (2020).
- Hanus, M. D., Fox, J. Assessing the effects of gamification in the classroom. Comput Educ. 80, 152-161 (2015).
- Landers, R. N., Bauer, K. N., Callan, R. C. Gamification of task performance with leaderboards. Comput Hum Behav. 71, 508-515 (2017).
- Mekler, E. D., Brühlmann, F., Tuch, A. N., Opwis, K. Effects of individual gamification elements. Comput Hum Behav. 71, 525-536 (2017).
- Selwyn, N. Is Technology Good for Education. , Polity Press. Cambridge, UK. (2016).
- Williamson, B. Big Data in Education: The Digital Future of Learning, Policy and Practice. , SAGE Publications. London, UK. (2017).
- Zolfaghari, Z., et al. A scoping review of gamified applications in English language teaching: A comparative discussion with medical education. BMC Med Educ. 25, 274(2025).
- Fairclough, N. Critical discourse analysis and the marketization of public discourse: The universities. Discourse Soc. 4, 133-168 (1993).
- DeepL Translator: Neural Machine Translation System. , At https://www.deepl.com/ (2023).
- VADER: A parsimonious rule-based model for sentiment analysis of social media text. Hutto, C. J., Gilbert, E. Proceedings of the International AAAI Conference on Web and Social Media, 8 (1), 216-225 (2014).
- Loria, S. TextBlob: Simplified Text Processing. , https://textblob.readthedocs.io/ (2018).
- Zhang, Y. SnowNLP: A Python Library for Chinese Text Processing. , https://github.com/isnowfy/snownlp (2016).
重印与许可
申请许可以重复使用本 JoVE 文章的文本或图表
申请许可