沙特阿拉伯外语英语课堂中的生成式人工智能、动机、焦虑与创造力：一项横断面调查

摘要

这项横断面调查研究了沙特阿拉伯英语作为外语专业本科生中生成式人工智能使用、教学风格、数字素养、动机、焦虑与创造力之间的关联，发现动机是所观察到的关系中的一个重要中介因素。

摘要

诸如 ChatGPT 之类的人工智能（AI）工具正越来越多地被引入外语（EFL）教育中；然而，在沙特阿拉伯背景下，关于这些工具的使用如何与教学风格、数字素养、学习动机、外语课堂焦虑（FLCA）以及创造力相关联的实证研究仍然有限。本研究在一个统一的理论框架下探讨了这些变量之间的关联，并检验了学习动机在其中的中介作用。研究采用定量横断面调查方法，以沙特阿拉伯一所公立大学的 280 名本科 EFL 学生为对象，使用经过验证的问卷工具进行数据收集。通过偏最小二乘结构方程模型（PLS-SEM）分析所提出的变量关系。结果显示，ChatGPT 的使用、教学风格和数字素养均与学生的学习动机呈正相关。较高的学习动机与较低水平的外语课堂焦虑（FLCA）和较高水平的创造力相关。此外，学习动机在 ChatGPT 使用、教学风格、数字素养与外语课堂焦虑之间起到了中介作用。这些发现表明，学生的学习动机体验与教学实践、技术使用及语言学习成果之间的关系密切相关。本研究为在英语语言教育中整合适当的教学策略、生成式 AI 工具和数字素养提供了证据支持，同时强调在实施技术支持的学习环境时，必须重视学生的学习动机和情感体验。

引言

在“2030愿景”框架下，沙特阿拉伯王国正在推行一项变革性的教育改革议程，该议程优先发展各级教育中的21世纪技能、数字素养以及创新教学方法¹。在此国家背景下，作为外语的英语（EFL）教育仍面临持续性挑战，包括以考试为导向的文化，这种文化更强调死记硬背和应试表现，而非交际能力^2,3。课堂之外缺乏真实的英语互动机会，加之较高的外语课堂焦虑（FLCA）水平，进一步限制了学生使用目标语言进行交流的意愿和有意义参与⁴。这些挑战促使教育工作者和政策制定者探索能够应对动机不足、情感障碍以及促进创造性语言使用的创新方法。人工智能（AI）已成为支持语言学习和变革教学实践的一条有前景的途径⁵。在英语教学（ELT）领域的人工智能应用中，ChatGPT作为一种会话式生成式人工智能模型，因其能够在实时会话情境中提供互动性语言练习和即时个性化反馈而受到广泛关注⁶。这些特性在沙特阿拉伯的EFL课堂中尤为相关，因为在这些课堂中，以教师为中心的教学模式和学生互动的局限性仍在制约着创造性语言产出⁷。ChatGPT可能有助于克服这些局限，通过为学习者提供与人工智能对话伙伴进行真实且低焦虑的语言练习机会来实现这一目标⁸。

沙特阿拉伯近期的教育改革推动了以学习者为中心的教学法转型，为整合能够促进主动参与、批判性思维和自主学习的人工智能技术创造了机会^9,10。如果实施得当，ChatGPT 可通过将语言练习延伸至传统课堂活动之外，支持这一转型过程¹¹。然而，人工智能整合的有效性在一定程度上取决于学生的数字素养，即学生为学习而有效评估、使用和参与数字技术的能力¹²。数字素养使学习者能够高效利用人工智能工具，同时最大限度地降低潜在风险，例如过度依赖和信息误导¹³。这一能力在沙特高等教育中尤为重要，因为该国在“2030愿景”推动下，数字化转型进程正在加速¹⁴。

尽管以往研究已分别探讨了人工智能工具、教学风格、数字素养、动机、焦虑和创造力等因素，但在沙特阿拉伯等非西方英语作为外语（EFL）语境中，关于这些构念如何在一个统一框架内相互作用的研究证据仍然有限。动机一直被认为是连接教学实践与学习成果的重要机制，包括降低焦虑、提升创造力以及维持学习投入¹⁵。然而，在沙特阿拉伯的EFL语境中，尚缺乏对ChatGPT使用、教学风格、数字素养、动机、外语课堂焦虑（FLCA）与创造力之间关系的系统性考察¹⁶。填补这一研究空白，可能为设计支持学生动机、情绪和创造力发展的技术增强型语言学习环境提供理论与实践启示。因此，本研究旨在探讨沙特阿拉伯EFL本科生中ChatGPT使用、教学风格、数字素养、动机、FLCA与创造力之间的关系。具体而言，本研究考察以下三个方面：（1）ChatGPT使用、教学风格和数字素养与学生动机之间的关系；（2）动机与外语课堂焦虑（FLCA）及创造力之间的关系；（3）动机在ChatGPT使用、教学风格、数字素养与焦虑、创造力等结果变量之间所起的中介作用。

本研究通过将人工智能工具的使用纳入现有的动机与语言学习模型中，推动了英语作为外语教育及技术增强型学习领域的发展，从而深化了对当代教育环境中技术支持的语言学习的理解。研究还提供了相关证据，可为希望将人工智能工具融入沙特阿拉伯英语作为外语教学的教育工作者、课程设计者和政策制定者提供参考。通过考察动机在技术使用和教学实践与外语课堂焦虑（FLCA）及创造力之间的中介作用，本研究提供了特定情境下的实证支持，有助于发展以学习者为中心的语言教育，契合沙特阿拉伯教育改革的目标。

自我决定理论（Self-Determination Theory, SDT）为理解教育情境中教学实践与学生动机之间的关系提供了理论框架¹⁷。根据SDT，当学习者在学习环境中三种基本心理需求——自主性、胜任感和归属感——得到满足时，其内在动机以及自主性的外在动机会得到促进¹⁸。因此，教学风格是影响学生动机与参与度的关键情境因素¹⁹。支持自主性的教学实践，例如提供有意义的选择、承认学生的观点以及解释学习活动的目的，有助于增强内在动机和自我决定的参与度²⁰。在英语作为外语（EFL）的情境中，以学习者为中心的教学方法，包括促进者型和授权型教学风格，已被证明与学生更高的投入度、参与度以及对语言学习的兴趣相关^21,22。相反，以教师为中心的教学可能因限制学生的参与和自主性，并强调外在奖励而非内在兴趣，从而降低学习动机^23,24。在沙特阿拉伯的EFL教学背景下，传统教学历来强调记忆背诵和以教师为中心的授课方式²⁵，采用更多以学习者为中心的教学方法可能有助于提升学生的学习动机²⁶。基于上述理论与实证基础，提出以下假设：H1： 教学风格对EFL学生的动机具有正向影响。

教育技术与学习者动机之间的关系已得到广泛研究^27,28。技术接受模型（Technology Acceptance Model, TAM）认为，学习者使用教育技术的动机受到感知有用性和感知易用性的影响，这两者共同塑造了行为意向和技术使用行为²⁹。将该框架应用于ChatGPT，意味着那些认为该工具具有实用性且易于使用的学习者更有可能将其用于语言学习³⁰。实证研究已报告了人工智能支持的语言学习与学生动机之间的正向关联，其中互动功能、即时反馈和个性化练习有助于维持学习者的参与度^31,32。ChatGPT还可能通过提供低压力的语言练习机会，减少与语言焦虑相关的障碍，从而促进语言的持续使用³³。这一潜力在沙特语境中尤为相关，因为在该地区，外语课堂焦虑（FLCA）已被确认为影响学习动机和语言成就的重要障碍³⁴。基于上述理论与实证发现，提出以下假设：H2： 使用ChatGPT对英语作为外语（EFL）学习者的动机具有积极影响。

数字素养已成为当代英语作为外语（EFL）学习环境中影响学生学习动机的重要因素³⁵。它指的是有效搜索、评估和使用数字技术与媒体进行学习的能力³⁶。在EFL语境中，数字素养使学习者能够有效利用包括ChatGPT、学习管理系统和多媒体工具在内的数字资源，以支持语言学习和提升学习动机³⁷。数字素养水平较高的学生更有可能自信地使用学习技术，从而增强能力感和自主性，而这与内在动机密切相关³⁸。他们也更有能力运用数字工具进行自主语言练习、获取反馈以及持续参与学习过程³⁹。基于上述文献，提出以下假设：H3： EFL学生的数字素养对EFL学生的学习动机具有积极影响。

外语课堂焦虑（FLCA）与创造力在英语作为外语（EFL）教育中是两个密切相关但关系复杂的构念⁴⁰。焦虑可能限制学习者在需要创造力、认知灵活性、发散性思维和自我表达的任务中的表现⁴¹。外语课堂焦虑反映了学习者对犯错、受到负面评价以及自信心不足的恐惧，这些因素均可能干扰创造性语言的产出⁴²。然而，创造力是EFL学习中一项重要的能力，因为它有助于实现语境恰当且富有创新性的语言使用³¹。以往研究指出，焦虑程度较高的学习者参与创造性写作和口头交际活动的可能性较低^43,44。基于上述文献，提出以下假设：1）H4：EFL学习者的动机与其焦虑水平呈负相关；2）H5：EFL学习者的焦虑对其创造力具有负面影响。

动机为教学风格、ChatGPT 使用以及数字素养与外语课堂焦虑（FLCA）之间的关系提供了理论机制⁴⁵。具有较高动机的学习者更有可能积极参与课堂活动，坚持克服学习中的困难，并表现出较低水平的交际焦虑⁴⁶。支持性的教学实践、人工智能辅助的语言学习以及更强的数字素养，在以英语作为外语（EFL）的学习环境中，均已被证实与更高的学习动机和更低的焦虑水平相关^47,48,49。先前的研究还表明，动机水平越高，课堂焦虑越低，创造力也越强，这支持了动机在教学实践和技术使用与学习成果之间可能起到中介作用的观点^50,51,52。基于上述文献，提出以下假设：1）H6： 动机在教学风格与EFL学生焦虑之间起中介作用；2）H7： 动机在ChatGPT使用与EFL学生焦虑之间起中介作用；3）H8： 动机在EFL学生的数字素养与其焦虑之间起中介作用。图1展示了所提出的假设模型，其中教学风格、ChatGPT使用和数字素养与EFL学生的动机相关，而动机进一步中介了这些因素与外语课堂焦虑（FLCA）及创造力之间的关系。

图1．假设的研究模型。 该模型展示了在英语作为外语（EFL）学生中，ChatGPT 使用、教学风格、数字素养、动机、外语课堂焦虑与创造力之间的假设关系。实线表示直接的假设关系，虚线表示中介关系，如图所示。请点击此处查看此图的放大版本。

方案

尽管本研究因其非实验性、匿名调查设计且不涉及对参与者的任何身体干预、操控或欺骗，无需机构审查委员会提供正式的伦理审批，但所有程序均遵循《赫尔辛基宣言》的伦理原则以及美国心理学会关于涉及人类参与者研究的指南。在数据收集之前，已从所有参与者处获得知情同意。该机构未要求或签发此类研究的正式伦理审批或豁免文件。所有受访者均被明确告知研究目的、其参与的自愿性质、随时无后果退出的权利，以及对其数据实施的严格保密措施。未收集或报告任何个人身份信息，所有数据仅用于汇总后的学术分析。特别注意采用非侵入性且尊重受访者的措辞，以确保调查不会干扰参与者的学术活动或心理福祉。知情同意书见补充文件1。此外，本研究中使用的所有材料均列于材料表中。

研究设计

本部分概述了研究设计、数据收集方法以及样本详情，旨在探讨外语学习学生中教学风格、ChatGPT 使用、数字素养、动机、焦虑与创造力之间的关系。本研究采用定量的横断面研究设计，考察动机在教学风格、ChatGPT 使用、数字素养和焦虑之间的中介作用，以及这些变量如何共同影响创造力。研究采用结构化问卷方法收集原始数据，以确保对各构念的测量具有标准化和可靠性。研究使用经过验证的量表评估所有变量，包括教学风格、ChatGPT 使用、数字素养、动机、外语课堂焦虑（FLCA）以及创造力。

数据与样本

本研究的数据来自沙特阿拉伯一所公立大学——吉达大学（University of Jeddah）的英语作为外语（EFL）学生。该校以其对语言教育的重视以及在教学中融合技术而著称。研究采用目的性抽样方法选取参与者，该方法适用于本研究，因为研究要求参与者必须在学习环境中实际使用过 ChatGPT 等人工智能工具。由于本研究的研究问题聚焦于特定人群——即接受过传统教学与技术辅助教学两种方法的 EFL 学生，因此必须采用这种非概率抽样方法，因为随机抽样无法确保纳入符合这些标准的参与者。尽管目的性抽样限制了研究结果向更广泛人群的推广性，但鉴于本研究属于探索性调查，该方法能够确保参与者具备回应研究目标所需的相应经验和观点，因而具有合理性。为减轻目的性抽样的局限性，研究努力纳入具有多样化学术背景和技术熟练程度不同的参与者，从而增强样本在目标人群中的代表性。最终样本包括 280 名本科 EFL 学生，该样本量被认为足以满足所采用的统计分析技术的要求。

样本量充分性的确定基于结构方程模型（SEM）的既定指南。研究人员建议，SEM 中每个待估参数至少需要10个样本量，而更保守的指南则建议偏最小二乘结构方程模型（PLS-SEM）中每个参数应达到20个样本量。测量模型包含29个数字素养题项、25个教学风格题项以及32个外语课堂焦虑（FLCA）题项，此外还包括有关 ChatGPT 使用、动机和创造力的额外题项。PLS-SEM 的指南还建议，样本量应至少为形成性指标最多的研究构念的指标数量，或指向某一特定构念的结构路径数的最大值的10倍；因此，280名参与者的样本量超过了这些最低要求。此外，使用 G*Power⁵³ 进行的事后统计功效分析表明，在 α = 0.05 水平下检测中等效应量（f² = 0.15）时，280名参与者的样本所提供的统计功效超过0.95，高于通常推荐的0.80阈值。该样本量能够提供可靠的参数估计，并具备足够的统计功效，以检测研究变量之间有意义的关系，同时适应所提出的测量模型与结构模型的复杂性。

参与者与实验流程

研究对象为年龄在18至25岁之间的英语作为外语（EFL）学习者，其中大多数为就读英语语言课程的大一和大二本科生。调查于2025年9月至10月期间进行，学生以自愿方式参与。招募过程通过大学官方渠道开展，包括电子邮件通知和课堂公告。研究对象为年龄在18–25岁之间、注册为大学英语语言课程大一或大二年级的EFL学生。参与资格依据预先设定的纳入与排除标准确定。符合以下条件的学生可参与研究：（a）正式注册于吉达大学本科英语语言课程；（b）年龄在18–25岁之间；（c）为大一或大二在册学生。若学生属于以下情况则被排除：（a）研究生或已完成基础课程序列的高年级本科生；（b）年龄超出规定范围；（c）曾参与问卷预测试阶段。为确保知情同意，研究人员向参与者说明了研究目的、参与的自愿性以及其回答的保密性。数据收集工具为一份结构化的自填式问卷，通过纸质和安全的在线平台以电子方式发放。研究采用经过验证的量表，用于测量教学风格、ChatGPT使用情况、数字素养、学生学习动机、外语课堂焦虑（FLCA）以及创造力。参与者需在5点李克特量表上对各项陈述进行评分，范围从1（非常不同意）到5（非常同意）。问卷在正式使用前由30名学生组成的小样本群体进行了预测试，以确保内容清晰性和可靠性。根据预测试结果，对部分题项的措辞进行了微调以提升可理解性，且未发现量表信度或效度方面的重大问题。为保障数据完整性并鼓励真实作答，研究承诺匿名处理，且参与者的数据仅用于科研目的。在最初收集的300份问卷中，经筛选剔除填写不完整或存在矛盾数据的问卷后，共保留280份有效问卷，有效回收率为93%。数据筛选程序包括检查作答模式是否存在直线作答倾向、大量缺失数据（超过10%）以及利用马氏距离（Mahalanobis distance）识别多变量异常值。该方法学设计为分析各研究变量之间的关系提供了坚实基础，并有助于深入理解教学风格、人工智能工具和数字素养在影响EFL学生学习动机、焦虑水平和创造力方面所起的作用。

数据收集完成后，根据预设标准从最初的300份问卷中排除了20份：其中12份因缺失数据超过问卷项目总数的10%而被剔除，5份因表现出直线型作答模式（所有项目回答一致，表明未认真作答）而被剔除，另有3份通过马氏距离（p < 0.001）识别为多变量离群值，为避免对结构方程模型（SEM）结果造成干扰而予以剔除。对于保留的有效问卷中的缺失值，若缺失程度较小（每例缺失少于5%），则采用均值插补法进行处理，该方法在大规模调查研究中适用于少量缺失数据的情形。最终有效保留率为93%（共收集300份问卷，其中280份为有效问卷），表示从全部收集到的问卷中保留的有效问卷所占比例；但该数值不应被解释为真实的应答率，因为通过官方大学渠道结合纸质和电子方式分发问卷，无法准确统计实际邀请的总人数，故无法计算确切的应答率。此局限性已被承认，因此将93%报告为从已收集问卷中保留的有效问卷比例，而非相对于全部受邀人群的应答率。

工具与测量方法

本研究采用了一系列成熟且经过验证的量表，并根据英语作为外语（EFL）教育的背景进行了细致调整，以测量核心构念：教学风格、数字素养、ChatGPT 使用、外语课堂焦虑（FLCA）、动机和创造力。每个量表均依据其在捕捉所研究变量相关维度方面的相关性与全面性而选定。数字素养的测量采用基于 Rodríguez-de-Dios 等人⁵⁴ 的改编量表，包含六个维度共29个题项，分别为技术技能、个人安全技能、批判性技能、设备安全技能、信息技能和沟通技能，从而对学生在现代教育环境中所需的关键数字技能水平进行全面评估。ChatGPT 的使用情况采用 Abbas 等人⁵⁵ 开发的8个题项量表进行评估，重点考察学生在语言学习任务中与人工智能工具的互动情况。教学风格的评估采用 Grasha 教学风格量表⁵⁶ 的改编版本，该工具测量五种教学风格维度：权威型、专家型、个人示范型、促进型和委托型，这些维度反映了影响EFL学生学习体验的多种教学方式。外语课堂焦虑（FLCA）采用基于 Briesmaster 和 Briesmaster⁵⁷ 的改编量表进行测量，涵盖三个维度：交际焦虑（10个题项）、考试焦虑（10个题项）和对负面评价的恐惧（7个题项）。学生的学习动机采用 Kanoksilapatham 等人⁵⁸ 开发的量表进行评估，测量三个维度：工具性促进与预防、民族中心主义与融合性，以及对英语学习的态度，共包含20个题项。EFL学生的创造力则采用 Govindasamy 等人⁵⁹ 开发的量表进行测量，评估四个维度：独创性、灵活性、流畅性和精细性，每个维度由3个题项测量。为确保测量工具在EFL语境中的文化与情境适用性，研究采用了系统的改编程序。由于原始量表以英文开发，两位双语EFL专家对语言进行了审阅与简化，以提高中级水平本科生的理解清晰度，同时保留各构念的原意。随后，由独立译者将改编版本回译为参与者的母语，以验证语言与概念上的等效性，任何差异均由研究团队讨论解决。接着，三位经验丰富的EFL教师对改编后的量表在内容相关性、文化适宜性和题项清晰度方面进行评估，据此进行了少量文字修改，并在必要时替换文化上不熟悉的示例。最后，修订后的量表在30名学生中进行了预测试（见“方法”部分），并根据参与者的反馈进一步优化文字表达，以提高可理解性。这一多步骤过程确保了改编后的量表在适用于目标EFL人群的同时，保留了原有的心理测量学特性。完整改编问卷请参见补充文件2。

数据分析方法

本研究收集的数据采用社会科学统计软件包（SPSS 26）和 SmartPLS 4 进行分析，并运用偏最小二乘结构方程模型（PLS-SEM）。这种双方法分析策略确保了对数据的全面分析，兼顾描述性与推论性统计，同时检验研究模型中假设的关系及中介效应。首先，使用 SPSS 进行初步数据分析，包括数据清洗、描述性统计和信度检验。数据筛查涉及检查缺失值、异常值和正态性，以确保数据集的质量与完整性。计算了均值、标准差和频数分布等描述性统计量，以概括样本特征。主要分析使用 SmartPLS 4 完成。选择 PLS-SEM 是因其适用于分析包含多个构念的复杂模型，并且对中小样本量具有良好的稳健性。分析分为两个阶段：测量模型评估和结构模型评估。在测量模型评估中，考察了指标信度、内部一致性信度（采用组合信度 [CR]）、收敛效度（采用平均方差提取量 [AVE]）以及区分效度（采用异质-单质比值 [HTMT]）。

在验证测量模型后，进一步评估了结构模型，以检验教学风格、ChatGPT 使用、数字素养、动机、焦虑与创造力之间假设的关联关系。通过分析路径系数来确定直接效应和间接效应的强度与显著性，并采用 5,000 次重抽样进行自举法（bootstrapping）检验显著性。为评估直接效应、间接效应和中介效应的显著性，使用 5,000 次自举重抽样构建偏差校正（BC）的自举置信区间，置信水平为 95%。同时，利用自举置信区间评估动机在教学风格、ChatGPT 使用、数字素养与焦虑之间关系中的中介作用。模型拟合度与预测能力通过决定系数（R²）、预测相关性（Q²）以及标准化均方根残差（SRMR）进行评估。

结果

描述性统计

描述性统计提供了样本特征以及研究变量分布、集中趋势和变异性的概览。在本研究中，首先进行描述性分析以描述参与者样本特征并总结关键变量，然后开展结构分析。

表1总结了280名本科英语作为外语（EFL）参与者的 demographics 特征。女性参与者占样本的54.3%（n = 152），男性参与者占45.7%（n = 128）。大多数参与者年龄在21–23岁之间（52.1%），其次是18–20岁（36.4%）和24–25岁（11.4%）。在年级分布方面，大二学生占比最高（42.1%），其次是大一学生（34.3%）和大三学生（23.6%）。大多数参与者报告对ChatGPT具有中等使用经验（47.1%），36.8%报告有丰富经验，16.1%报告经验有限。所有参与者此前均接触过ChatGPT，符合本研究的纳入标准；其中“经验有限”类别指使用频率极低，而非完全无使用经历。在数字素养方面，大多数参与者报告为中等水平（54.6...

讨论

本研究探讨了沙特阿拉伯英语作为外语（EFL）本科生中教学风格、ChatGPT 使用、数字素养、动机、外语课堂焦虑（FLCA）与创造力之间的关系，尤其关注动机的中介作用。研究结果为技术增强型语言学习环境中的教学实践、技术使用与学习者特征之间的关联提供了实证依据。教学风格与EFL学生动机之间的正向关联（假设H1成立）与自我决定理论（SDT）一致，该理论认为支持自主性的教学实践通过满足学生的自主性、能力感和归属感等基本心理需求，促进内在动机的形成⁶¹。研究结果表明，以学习者为中心的教学方式（如促进者型和授权型教学风格）与更高的学生参与度以及持续的语言学习兴趣相关。这些发现与以往研究一致：具有灵活性、响应性并提供学生参与机会的教学风格，比以教师为中心的教学方式更能激发学习动机⁶²。在沙特阿拉伯背景下，随着“2030愿景”推动教育改革，倡导以学习者为中心的教学法，本研究观察到的正向关联可能反映了此类教学方法在EFL课堂中的实际应用⁶³。ChatGPT使用与动机之间的显著正向关联（假设H2成立）也可通过既有...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
ChatGPT 使用规模（改编版）	作者；改编自 Abbas 等人	N/A	八项问卷，用于评估学生使用 ChatGPT 进行语言学习的情况。
创造力量表（改编版）	作者；改编自 Govindasamy 等人	N/A	评估原创性、灵活性、流畅性和详尽性的十二项问卷。
数字素养量表（改编版）	作者；改编自 Rodríguez-de-Dios 等人	N/A	包含六个维度的数字素养29项问卷。
外语课堂焦虑量表（改编版）	作者；改编自 Briesmaster &和 Briesmaster	N/A	27项问卷，用于测量沟通恐惧、考试焦虑和对负面评价的恐惧。
G*Power	海因里希·海涅大学 Dü杜塞尔多夫	版本 3.1.9.7；RRID: SCR_013726	用于事后统计功效分析的软件。
IBM SPSS Statistics	IBM 公司	版本 26；RRID: SCR_002865	用于数据清理、描述性统计、信度分析和初步分析的统计软件。
马氏距离分析	IBM SPSS Statistics	版本 26；RRID: SCR_002865	在 IBM SPSS Statistics 中实施的用于识别多变量离群值的统计程序。
动机量表（改编版）	作者；改编自 Kanoksilapatham 等人	N/A	评估学习者动机的二十项问卷
纸质问卷	作者	N/A	用于面对面数据收集的结构化自填式问卷印刷版本。
安全的在线调查平台	谷歌有限责任公司	N/A	用于电子问卷分发的 Google Forms 平台。
SmartPLS	SmartPLS GmbH	版本 4；RRID: SCR_036419	用于偏最小二乘结构方程模型（PLS-SEM）的软件，包括测量模型评估、结构模型分析、自举法（5,000 次重采样）及中介效应分析。
结构化自填问卷	作者	N/A	采用纸质和电子两种形式发放问卷，使用5点李克特量表（1 = 非常不同意，5 = 非常同意）。
教学风格问卷（改编版）	作者；改编自 Grasha 教学风格量表	N/A	测量权威型、专家型、个人示范型、促进型和授权型教学风格的问卷。
大学传播渠道	吉达大学	N/A	使用官方电子邮件和课堂通知进行参与者招募。