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%），其次是高水平（30.4%）和低水平（15.0%）。在英语熟练程度方面，大多数参与者处于中级水平（62.5%），22.9%为初级水平，14.6%为高级水平。总体而言，该样本的 demographics 特征表明，参与者在学术背景、数字素养水平、英语熟练程度以及ChatGPT使用经验方面具有多样性（表1，图2）。

变量	类别	频数，n	百分比，%
性别	男性	128	45.7
	女性	152	54.3
年龄组	18–20 岁	102	36.4
	21–23 岁	146	52.1
	24–25 岁	32	11.4
学习年级	一年级	96	34.3
	二年级	118	42.1
	三年级	66	23.6
使用 ChatGPT 的经验	经验有限	45	16.1
	中等经验	132	47.1
	经验丰富	103	36.8
数字素养水平	低	42	15
	中等	153	54.6
	高	85	30.4
英语熟练程度	基础	64	22.9
	中级	175	62.5
	高级	41	14.6

表1： 研究受访者的社会人口学特征。 该表格总结了纳入研究的280名以英语作为外语（EFL）的学生的社会人口学特征。报告了性别、年龄组、学习年级、使用ChatGPT的经验、数字素养水平以及英语熟练程度的频数和百分比。

图2. 研究应答者的社会人口学特征。 请点击此处查看此图的放大版本。

图2展示了根据性别、年龄组、学习年份、人工智能工具使用经验、数字素养水平和英语熟练程度划分的研究参与者人口统计学分布。该分布显示女性参与者比例略高于男性，大多数受访者年龄为21–23岁。中等数字素养水平和中级英语熟练程度是最常报告的类别（图2）。

表2展示了研究变量的描述性统计结果。教学风格通过25个条目测量，平均得分为3.84（标准差 = 0.76），得分范围为2.1至4.8。ChatGPT使用情况通过8个条目评估，平均得分为3.67（标准差 = 0.81），回答范围为1.5至5.0。数字素养通过29个条目测量，平均得分为3.72（标准差 = 0.73），得分范围为2.2至4.9。动机通过20个条目评估，平均得分最高（3.92，标准差 = 0.68），取值范围为2.4至5.0。焦虑通过27个条目测量，平均得分为3.41（标准差 = 0.89）。创造力通过12个条目评估，平均得分为3.78（标准差 = 0.74），得分范围为2.0至5.0。这些描述性统计结果表明所测量的各个构念具有变异性，同时提供了参与者反应的整体概览。

变量	项目数量	平均值 (M)	标准差 (SD)	最小值	最大值
焦虑	27	3.41	0.89	1.8	5
ChatGPT 使用情况	8	3.67	0.81	1.5	5
创造力	12	3.78	0.74	2	5
数字素养	29	3.72	0.73	2.2	4.9
动机	20	3.92	0.68	2.4	5
教学风格	25	3.84	0.76	2.1	4.8

表2： 研究构念的描述性统计。 该表格基于280名参与者的回答，报告了教学风格、ChatGPT使用情况、数字素养、动机、外语课堂焦虑和创造力等方面的问卷题目数量、平均值（M）、标准差（SD）、最小观测值和最大观测值。

常见方法变异偏差

共同方法变异（CMV）偏差是指由于测量方法本身导致变量间出现虚假协方差，而非所测构念之间的真实关系。由于本研究采用了自陈式问卷，因此结合使用了程序性控制和统计方法来评估CMV偏差的潜在影响。在程序上，研究向参与者保证匿名性和保密性，以尽量减少社会期许偏差并鼓励真实作答。此外，从已有成熟量表改编的问卷条目以随机顺序呈现，以降低可能人为夸大CMV偏差的作答模式。在统计分析方面，采用Harman单因子检验法，将所有测量变量纳入无旋转的探索性因子分析（EFA）中。结果显示，第一个未旋转因子解释了总方差的32.7%，低于推荐的50%阈值，表明CMV偏差不太可能对本研究结果产生实质性影响（表3）。

统计量		数值	阈值	解释
提取的因子总数		7	不适用	提取了多个因子，表明所测量的项目代表不同的构念。
第一因子解释的方差		32.70%	<50%	低于通常可接受的阈值，表明共同方法偏差（CMV）不太可能构成严重问题。
累计解释方差（前三个因子）		62.10%	不适用	表明前三个因子解释了总方差的大部分。
Kaiser–Meyer–Olkin (KMO) 抽样充分性测度		0.89	>0.80	表明因子分析的抽样充分性极佳。
Bartlett 球形检验（p 值）		<0.001	p < 0.05	结果显著，表明相关矩阵适用于因子分析。

表3： Harman单因子检验与抽样充分性检验结果。 该表格汇总了Harman单因子检验、Kaiser–Meyer–Olkin（KMO）抽样充分性检验以及Bartlett球形检验的结果。Harman单因子检验用于评估共同方法偏差（CMV）的潜在影响。KMO统计量和Bartlett球形检验用于评价数据集是否适用于因子分析。

表3展示了Harman单因子检验的结果，显示第一个未旋转因子解释了总方差的32.7%，低于推荐的50%阈值，表明本研究中共同方法偏差并非主要问题。抽样适切性的Kaiser–Meyer–Olkin（KMO）测度为0.89，表明数据适用于因子分析。此外，Bartlett球形检验具有统计学显著性（p < 0.001），证实相关矩阵适合进行因子分析。综上所述，这些结果支持该数据集适用于后续的结构方程模型分析。

测量模型

采用 SmartPLS 4 中实现的偏最小二乘结构方程模型（PLS-SEM），根据 Hair 等人⁶⁰的建议，对测量模型进行评估，以检验研究构念的信度和效度。评估内容包括指标信度、内部一致性信度、收敛效度和区分效度。通过外载荷评估指标信度，保留外载荷大于 0.70 的题项作为相应构念的可靠指标；对于载荷介于 0.60 至 0.70 之间的题项，仅在删除后不会提升对应构念内部一致性的情况下予以保留。使用 Cronbach's α 系数和组合信度（CR）评估内部一致性信度。通过平均方差提取量（AVE）评估收敛效度，所有构念的 AVE 值均大于 0.50，表明每个构念解释了其指标超过一半的方差。采用异质-单质比值（HTMT）评估区分效度，所有 HTMT 值均低于推荐阈值 0.85，支持研究构念之间的实证可区分性（表 4 和表 5）。

构念		因子载荷	组合信度 (CR)	平均方差提取量 (AVE)	外部方差膨胀因子 (VIF)
教学风格（权威型）		0.87	0.91	0.66	1.38
教学风格（专家型）		0.89	0.92	0.68	1.45
教学风格（个人示范型）		0.86	0.9	0.65	1.4
教学风格（促进型）		0.88	0.93	0.69	1.43
教学风格（委派型）		0.85	0.89	0.62	1.39
ChatGPT 使用情况		0.92	0.94	0.72	1.47
外语课堂焦虑（沟通 apprehension）		0.86	0.9	0.64	1.35
外语课堂焦虑（考试焦虑）		0.88	0.92	0.67	1.41
外语课堂焦虑（害怕负面评价）		0.83	0.88	0.6	1.32
动机（工具性）		0.84	0.89	0.61	1.34
动机（民族中心主义与融合性）		0.86	0.9	0.63	1.36
动机（对英语学习的态度）		0.89	0.93	0.7	1.44
创造力（独创性）		0.88	0.92	0.67	1.41
创造力（灵活性）		0.87	0.91	0.66	1.38
创造力（流畅性）		0.89	0.93	0.68	1.42
创造力（精细性）		0.85	0.9	0.63	1.37
数字素养		0.93	0.95	0.75	1.49

表4： 测量模型评估。 该表格报告了偏最小二乘结构方程模型（PLS-SEM）测量模型中每个构念及其子维度的因子载荷、组合信度（CR）、平均方差提取量（AVE）以及外部方差膨胀因子（VIF）。这些统计指标用于评估指标信度、内部一致性信度、收敛效度以及多重共线性。

构念		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. 教学风格（权威型）		—
2. 教学风格（专家型）		0.702	—
3. 教学风格（个人示范型）		0.743	0.581	—
4. 教学风格（促进者型）		0.629	0.735	0.702	—
5. 教学风格（委托型）		0.754	0.549	0.802	0.692	—
6. ChatGPT 使用情况		0.52	0.643	0.743	0.536	0.693	—
7. 外语课堂焦虑（交流畏惧）		0.665	0.521	0.649	0.559	0.73	0.827	—
8. 外语课堂焦虑（考试焦虑）		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. 外语课堂焦虑（害怕负面评价）		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. 学习动机（工具性）		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. 学习动机（民族中心主义与融合性）		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. 学习动机（对英语学习的态度）		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. 创造力（独创性）		0.626	0.678	0.501	0.732	0.538	0.678	0.839	0.543	0.523	0.577	0.668	0.719	—
14. 创造力（灵活性）		0.726	0.669	0.844	0.528	0.654	0.579	0.517	0.775	0.644	0.667	0.679	0.82	0.697	—
15. 创造力（流畅性）		0.711	0.692	0.815	0.635	0.629	0.505	0.792	0.817	0.604	0.55	0.518	0.604	0.59	0.626	—
16. 创造力（精细性）		0.749	0.761	0.783	0.69	0.811	0.55	0.503	0.842	0.732	0.714	0.659	0.744	0.543	0.606	0.634	—
17. 数字素养		0.606	0.641	0.593	0.742	0.727	0.628	0.631	0.648	0.742	0.688	0.806	0.578	0.673	0.549	0.7	0.529	—

表5： 使用异质-单质比值（HTMT）评估区分效度。 该表格列出了测量模型中所有构念及其子维度之间配对的HTMT值。HTMT用于通过评估潜在构念的经验可区分性来检验区分效度。HTMT值低于预先设定的0.85阈值时，表明具有可接受的区分效度。

表4总结了测量模型的评估结果。因子载荷值介于0.83至0.93之间，超过推荐阈值0.70，表明指标信度良好。组合信度值介于0.88至0.95之间，显示所有构念均具有较高的内部一致性。平均方差提取量（AVE）值介于0.60至0.75之间，超过推荐的最低值0.50，支持聚合效度。此外，所有外在方差膨胀因子（VIF）值均低于1.50，表明指标之间不存在多重共线性的证据。总体而言，这些结果支持该测量模型在后续结构模型评估中的信度与效度。

图3 展示了测量模型，包括潜在构念、各自对应的维度和指标，以及研究中评估的变量之间的关系。

图3．偏最小二乘结构方程测量模型。 使用偏最小二乘法结构方程建模（PLS-SEM）生成的测量模型展示了潜变量构念、其维度以及观测指标之间的关系。连接路径上显示的数值表示相应的估计外部载荷或路径系数。 请点击此处查看该图的放大版本。

表5展示了用于评估区分效度的HTMT结果。所有HTMT值均低于0.85的保守阈值，表明17个构念之间具有良好的区分效度。最高的HTMT值出现在创造力（灵活性）与教学风格（个人模型）之间（0.8437）、创造力（精细性）与焦虑（考试焦虑）之间（0.8422），以及创造力（独创性）与焦虑（交流恐惧）之间（0.8394）。尽管这些数值接近推荐阈值，但仍低于0.85，支持了这些构念在实证上的独立性。其余HTMT值更低，进一步支持了测量模型整体的区分效度。

假设检验结果（结构模型）

通过结构模型检验了教学风格、ChatGPT 使用、数字素养、动机、外语课堂焦虑（FLCA）与创造力之间假设的相互关系。结果支持所有提出的直接效应和中介效应假设。教学风格、ChatGPT 使用和数字素养均与动机呈正相关。动机与外语课堂焦虑呈负相关，而外语课堂焦虑与创造力亦呈负相关。此外，动机在教学风格、ChatGPT 使用、数字素养与外语课堂焦虑之间的关系中起中介作用（表6和表7）。

假设		标准化路径系数 (β)	t 值	p 值	是否支持	95% 置信区间 (CI)	下限 (LLCI)	上限 (ULCI)
H1. 教学风格 → 英语作为外语学生的动机		0.36	5.45	<0.001	是	[0.26, 0.46]	0.26	0.46
H2. ChatGPT 使用 → 英语作为外语学生的动机		0.4	6.27	<0.001	是	[0.30, 0.50]	0.3	0.5
H3. 数字素养 → 英语作为外语学生的动机		0.33	4.95	<0.001	是	[0.23, 0.43]	0.23	0.43
H4. 英语作为外语学生的动机 → 外语课堂焦虑		–0.27	–4.81	<0.001	是	[–0.37, –0.17]	–0.37	–0.17
H5. 外语课堂焦虑 → 英语作为外语学生的创造力		–0.26	–4.01	<0.001	是	[–0.36, –0.16]	–0.36	–0.16

表6：直接效应假设检验。 该表格展示了使用偏最小二乘结构方程模型（PLS-SEM）进行的直接效应分析结果。报告的统计量包括标准化路径系数（β）、t 值、p 值、95% 自助法置信区间（CI）、置信区间的下限（LLCI）、置信区间的上限（ULCI），以及关于假设是否成立的判断。统计显著性通过自助法（5,000 次重采样）进行评估。

假设	中介路径		标准化间接效应 (β)	t 值	p 值	是否支持	95% 置信区间 (CI)	下限 (LLCI)	上限 (ULCI)
H6	教学风格 → 动机 → 外语课堂焦虑		0.28	4.56	<0.001	是	[0.18, 0.38]	0.18	0.38
H7	ChatGPT 使用 → 动机 → 外语课堂焦虑		0.34	5.02	<0.001	是	[0.24, 0.44]	0.24	0.44
H8	数字素养 → 动机 → 外语课堂焦虑		0.3	4.68	<0.001	是	[0.20, 0.40]	0.20	0.40

表7：中介效应分析。 该表格总结了使用偏最小二乘结构方程模型（PLS-SEM）估计的间接效应。报告的统计量包括标准化间接效应（β）、t 值、p 值、95% 自助法置信区间（CI）、置信区间的下限（LLCI）、置信区间的上限（ULCI），以及关于假设是否成立的判断。统计显著性通过自助法（5,000 次重采样）进行评估。

表6展示了直接效应分析的结果。所有五个假设的直接关系均具有统计学显著性（p < 0.001），支持假设H1–H5。教学风格（β = 0.36）、ChatGPT使用（β = 0.40）和数字素养（β = 0.33）均与英语作为外语（EFL）学生的动机呈正相关，其中ChatGPT使用的标准化路径系数在三个预测变量中最大。动机与外语课堂焦虑（FLCA）呈负相关（β = –0.27），表明动机越高，焦虑水平越低。进而，FLCA与创造力呈负相关（β = –0.26）。所有直接效应的95%自助法置信区间均不包含零，进一步支持了假设关系的统计显著性。表7展示了中介效应分析结果，用于检验动机是否在教学风格、ChatGPT使用、数字素养与FLCA之间的关系中起中介作用。三条路径的间接效应均具有统计学显著性（H6：β = 0.28，t = 4.56，p < 0.001；H7：β = 0.34，t = 5.02，p < 0.001；H8：β = 0.30，t = 4.68，p < 0.001）。所有间接效应的95%自助法置信区间均不包含零，支持中介路径的统计显著性。正向的间接系数反映了通过动机所产生的间接效应的整体强度，而动机与FLCA之间的直接关系在结构模型中为负向，如前所述。因此，更高的教学风格水平、ChatGPT使用频率和数字素养水平与更高的动机相关，而更高的动机又与更低的FLCA水平相关（表6和表7）。总体而言，该结构模型支持所有假设的直接关系（H1–H5）和间接关系（H6–H8）。研究结果表明，教学风格、ChatGPT使用、数字素养、动机、FLCA和创造力之间存在统计学上显著的关联，其中动机在结构模型中起到了显著的中介作用。

教学风格的维度分析

通过量表分析考察了五种教学风格维度与英语作为外语（EFL）学生的学习动机、外语课堂焦虑（FLCA）以及创造力之间的关系。教学风格维度包括权威型、专家型、个人示范型、促进型和授权型。结构模型估算了每种教学风格维度对三个结果变量的直接效应，以确定观察到的关系是否因教学方法的不同而存在差异（表8）。

教学风格维度	结果变量	标准化路径系数 (β)	t 值	p 值	95% 置信区间下限 (LLCI)	95% 置信区间上限 (ULCI)	支持
权威型	动机	0.12	1.85	0.065	–0.02	0.26	否
权威型	外语课堂焦虑	0.35	5.12	<0.001	0.22	0.48	是
权威型	创造力	–0.28	–4.02	<0.001	–0.42	–0.14	是
专家型	动机	0.3	4.89	<0.001	0.18	0.42	是
专家型	外语课堂焦虑	–0.18	–2.95	0.003	–0.30	–0.06	是
专家型	创造力	0.22	3.56	<0.001	0.1	0.34	是
个人榜样型	动机	0.25	4.02	<0.001	0.13	0.37	是
个人榜样型	外语课堂焦虑	–0.22	–3.45	0.001	–0.35	–0.09	是
个人榜样型	创造力	0.24	3.78	<0.001	0.12	0.36	是
促进者型	动机	0.34	5.5	<0.001	0.22	0.46	是
促进者型	外语课堂焦虑	–0.28	–4.45	<0.001	–0.40	–0.16	是
促进者型	创造力	0.31	4.95	<0.001	0.19	0.43	是
授权型	动机	0.29	4.62	<0.001	0.17	0.41	是
授权型	外语课堂焦虑	–0.24	–3.85	<0.001	–0.37	–0.11	是
授权型	创造力	0.27	4.25	<0.001	0.15	0.39	是

表8：教学风格的量表分析。 该表格报告了权威型、专家型、个人示范型、促进型和授权型教学风格维度与动机、外语课堂焦虑和创造力等结果变量之间的直接关系。报告的统计量包括标准化路径系数（β）、t 值、p 值、95% 自助法置信区间的下限（LLCI）、95% 自助法置信区间的上限（ULCI），以及关于假设支持与否的判断。

表8展示了教学风格维度分析的结果。促进型教学风格与动机（β = 0.34，p < 0.001）和创造力（β = 0.31，p < 0.001）呈最强的正相关，同时与外语课堂焦虑（FLCA）呈最强的负相关（β = –0.28，p < 0.001）。专家型、榜样型和授权型教学风格也与动机（β = 0.30、0.25 和 0.29）和创造力（β = 0.22、0.24 和 0.27）呈正相关，同时与FLCA呈负相关（β = –0.18、–0.22 和 –0.24）。所有这些关系均具有统计学意义。相比之下，权威型教学风格与动机之间无显著关联（β = 0.12，p = 0.065）。然而，它与FLCA呈显著正相关（β = 0.35，p < 0.001），并与创造力呈显著负相关（β = –0.28，p < 0.001）。总体而言，维度分析揭示了不同教学风格维度与所测学习成果之间存在明显的关联模式。综合来看，维度分析表明，教学风格与学生学习成果之间的关联因教学风格维度的不同而有所差异。大多数教学风格维度均显示出具有统计学意义的关系，而权威型教学风格与动机之间则未表现出统计学上的显著关联。

使用 PLS Predict 方法评估内模型的预测效度

采用PLS预测（PLS Predict）程序评估结构模型的预测效度，以检验模型在样本外的预测性能。预测相关性通过Q² Predict统计量以及预测误差指标（包括均方根误差（RMSE）和平均绝对误差（MAE））进行评估。各内生构念的Q² Predict值介于0.32至0.48之间，表明具有正向的预测相关性。其中，动机和创造力的Q² Predict值最高，分别为0.42和0.48。同时考察了预测误差值，各内生构念的RMSE介于0.54至0.63之间，MAE介于0.41至0.49之间（表9）。

构念	决定系数 (R²)	预测相关性 (Q² Predict)	均方根误差 (RMSE)	平均绝对误差 (MAE)
动机	0.45	0.42	0.61	0.48
外语课堂焦虑	0.38	0.32	0.63	0.49
创造力	0.42	0.48	0.54	0.41

表9：结构模型的预测性能。 该表总结了使用偏最小二乘结构方程模型（PLS-SEM）评估的内生构念的预测性能。报告的统计指标包括决定系数（R²）、预测相关性（Q² Predict）、均方根误差（RMSE）和平均绝对误差（MAE）。较高的 R² 和 Q² Predict 值表示更强的解释力和预测能力，而较低的 RMSE 和 MAE 值表示更小的预测误差。

表9总结了结构模型的预测性能。决定系数（R²）表明，该模型解释了动机变量中45%的方差、外语课堂焦虑（FLCA）中38%的方差以及创造力中42%的方差。动机（0.42）、外语课堂焦虑（0.32）和创造力（0.48）的Q²预测值均大于零，说明模型具有预测相关性。均方根误差（RMSE）值介于0.54至0.63之间，平均绝对误差（MAE）值介于0.41至0.49之间，反映了对内生构念的预测误差。总体而言，各项预测性能指标均支持该结构模型具备良好的预测能力。

图4通过展示决定系数（R²）、预测相关性（Q² Predict）以及预测误差指标（RMSE和MAE），说明了内生构念的预测性能。在所有内生构念中，创造力表现出最高的Q² Predict值（0.48），同时具有最低的预测误差（RMSE = 0.54；MAE = 0.41），而动机则表现出最高的解释方差（R² = 0.45）（图4）。总体而言，PLS Predict分析显示所有内生构念均具有正向的预测相关性。R²、Q² Predict、RMSE和MAE结果共同支持该结构模型在动机、外语课堂焦虑（FLCA）和创造力方面的预测性能（表9；图4）。

图4．结构模型的预测性能。 该图展示了动机、焦虑和创造力这三个内生构念的决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）以及Q²预测值。柱状图表示R²、RMSE和MAE值，带圆形标记的折线表示Q²预测值。较高的R²和Q²预测值分别表示更强的解释力和预测能力，而较低的RMSE和MAE值表示更小的预测误差。请点击此处查看该图的放大版本。

数据可用性：

支持本研究结果的匿名个体参与者数据集作为补充表1提供。参与者信息表和知情同意书见补充文件1，用于数据收集的调查问卷见补充文件2。

补充表 1. 用于统计分析的原始参与者数据集。 该表格包含用于统计分析的匿名参与者级别数据集。变量包括人口统计学信息以及教学风格、ChatGPT 使用情况、数字素养、动机、外语课堂焦虑和创造力等方面的条目级回答。条目标签（例如 TL1、CHATGPT1、DL1、M1、FLCA1、CR1）对应工具与测量部分中描述的问卷条目。不包含任何个人身份信息。请点击此处下载该文件。

补充文件1. 受试者信息表和知情同意书。 本补充文件包含用于受试者招募的受试者信息表和知情同意书。该文件描述了研究目的、纳入标准、研究流程、自愿参与原则、潜在风险与获益、保密性、数据保护以及在完成问卷前提供给受试者的联系方式。请点击此处下载该文件。

补充文件 2. 用于数据收集的调查问卷。 本补充文件包含向参与者发放的完整问卷。该问卷包括人口统计学问卷以及针对教学风格、ChatGPT 使用情况、数字素养、动机、外语课堂焦虑和创造力的条目级测量指标。回答采用五点李克特量表记录，范围从 1（强烈不同意）到 5（强烈同意）。问卷条目对应于稿件中“工具与测量”部分所描述的测量工具。请点击此处下载该文件。

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）也可通过既有的理论框架加以解释。从自我决定理论的视角来看，ChatGPT可能通过支持自主导向的语言练习，增强学习者的自主性，并通过即时且个性化的反馈提升其能力感⁶⁴。此外，其对话式界面可能为学生提供课堂之外真实的语言练习机会，从而增强其对英语学习的投入⁶⁵。这些观察表明，ChatGPT可作为一种支持性学习资源，补充课堂教学。技术接受模型（TAM）进一步为这一关系提供了理论解释：当学习者认为ChatGPT具有实用性且易于使用时，他们更有可能积极使用该技术，从而支持持续学习。同样，数字素养与动机之间的正向关联（假设H3成立）凸显了学生有效使用数字学习技术能力的重要性。数字素养水平较高的学生可能更善于高效利用人工智能支持的学习工具，遇到的技术障碍更少，并更能认识到技术整合的教育价值⁶⁶。在沙特阿拉伯，政府已在数字基础设施和教育技术方面投入大量资源⁶⁷，本研究结果进一步强调了数字素养在技术增强型语言学习中的潜在贡献。

本研究的一个核心贡献在于，确认了动机在教学风格、ChatGPT 使用、数字素养与外语课堂焦虑（FLCA）之间关系中具有显著的中介作用（支持假设 H6–H8）。动机与外语课堂焦虑之间的负相关关系（支持假设 H4）与理论观点一致，即内在动机作为一种心理资源，有助于学习者应对语言习得过程中伴随的情感挑战⁶⁸。具有较高动机的学生在遇到语言困难时更可能坚持学习，将错误视为学习机会，并在诸如口头报告和考试等具有挑战性的语言任务中保持自我效能感。FLCA 与创造力之间的负相关关系（支持假设 H5）也与以往研究一致，表明焦虑可能限制学习者尝试新颖语言形式以及进行创造性语言使用的意愿⁶⁹。在沙特阿拉伯的英语作为外语（EFL）教学背景下，外语课堂焦虑已被确认为语言学习的障碍，这些发现凸显了营造支持学生动机并降低参与情感障碍的学习环境的重要性。中介效应分析进一步表明，动机是支持性教学实践、ChatGPT 使用和数字素养与较低外语课堂焦虑水平之间关联的重要机制。这些发现拓展了以往研究，强调了动机在沙特阿拉伯 EFL 课堂中连接教学与技术因素与学习者学习成果方面的潜在作用。

教学风格的维度分析（表8）揭示了五种教学风格维度之间的显著差异。权威型教学风格与较高的外语课堂焦虑水平和较低的创造力相关，而其与学习动机的关系在统计学上不显著。相比之下，促进者型、专家型、榜样型和授权型教学风格均与学习动机和创造力呈正相关，与外语课堂焦虑呈负相关。这些发现表明，不同的教学风格可能在学习者的动机、情绪和创造力结果方面具有不同的关联。自我决定理论（SDT）为此提供了一种可能的解释：支持学习者自主性的教学方式更有可能促进内在动机，而高度指导性的教学方式虽然能提供结构，但可能减少自主参与的机会。在沙特阿拉伯的教育背景下，结构化的教学方式可能通过提供明确的期望和指导，降低部分学习者的不确定性；但与此同时，教师更强的控制可能减少独立学习和创造性语言运用的机会。这些发现提示，兼顾清晰指导与学习者自主性机会的教学方式可能更有利于实现积极的教育成果。未来采用纵向或实验设计的研究将有助于进一步阐明这些关系，并探讨不同教学风格如何随时间影响学习动机、外语课堂焦虑和创造力。

本研究通过整合自我决定理论（SDT）与技术接受模型，探讨教学方法和人工智能支持的学习如何通过动机影响学习者的学习成效，从而促进对英语作为外语（EFL）学习的理论理解。研究结果表明，教学风格、ChatGPT的使用以及数字素养与学习动机相关，而动机又与外语课堂焦虑相关。研究结果还支持在技术增强的语言学习环境中应用自我决定理论，表明ChatGPT提供的自主练习机会和个性化反馈可能满足学习者对自主性和能力感的心理需求。此外，对教学风格的维度分析表明，不同的教学方法与不同的学习者成效相关，提示教学风格的有效性可能取决于具体的教育情境和所关注的学习成果。这些发现对沙特阿拉伯的英语作为外语教学及教育政策具有实际意义。教师专业发展项目可着重强调在提供清晰指导的同时兼顾学习者自主性的教学方法，从而在提升学生学习动机的同时降低外语课堂焦虑。将人工智能支持的工具（如ChatGPT）融入语言教学，若辅以适当的教学指导，可为头脑风暴、草稿撰写和会话练习提供额外机会。同样，数字素养培养项目可帮助学生掌握有效使用人工智能学习技术所需的技能，包括信息评估、技术的伦理使用以及人工智能工具的战略性应用。在机构层面，持续投资数字基础设施、开发融合技术增强型学习活动的课程，以及推行鼓励有意义语言使用的评估方式，可进一步支持学生的学习。此外，通过低风险学习机会、建设性反馈、同伴协作以及对创造性语言使用的认可来提供情感支持的学习环境，可能有助于提升学习动机并降低外语课堂焦虑。总体而言，这些发现可为实现沙特“2030愿景”整体目标框架下的技术增强型语言教学实践与政策制定提供参考。

本研究探讨了沙特阿拉伯英语作为外语（EFL）本科生群体中教学风格、ChatGPT 使用、数字素养、学习动机、外语课堂焦虑与创造力之间的关系，尤其关注学习动机的中介作用。研究结果表明，教学风格、ChatGPT 使用和数字素养均与学生的学习动机呈正相关。而学习动机与外语课堂焦虑（FLCA）呈负相关，FLCA 又与创造力呈负相关。这些发现表明，在沙特阿拉伯的 EFL 课堂教学中，动机是连接教学与技术因素与学习者学习成果的重要机制。研究结果还强调了支持学生动机与情感需求的学习环境的重要性。对教学风格维度的分析显示，权威型（Authority）教学风格与较高的外语课堂焦虑水平和较低的创造力相关；而促进者型（Facilitator）、专家型（Expert）、个人榜样型（Personal Model）和授权型（Delegator）教学风格则与更高的学习动机和创造力以及更低的焦虑水平相关。这些结果表明，兼顾清晰指导与学习者自主性机会的教学方法，可能有助于促进积极的学习体验和语言能力发展。在沙特“2030 愿景”的背景下，本研究对语言教育具有实际意义。以学习者为中心的教学策略、以 ChatGPT 为代表的 AI 支持学习工具以及数字素养培养的整合，可能有助于技术赋能的语言学习，同时提升学生的学习动机并降低外语课堂焦虑。总体而言，本研究为教学实践、AI 支持学习以及数字能力在 EFL 教育中的作用提供了实证支持，并为未来在不同教育环境中开展纵向研究和干预性研究奠定了基础。

本研究存在若干局限性，需予以说明。首先，横断面研究设计限制了对研究变量之间关系进行因果推断的能力。尽管理论框架提出了方向性关系，但研究结果应被解读为变量间的关联，而非因果关系的证据。未来的研究应采用纵向设计，以考察动机、外语课堂焦虑和创造力随时间的变化，同时采用实验设计或干预性设计，更严格地检验所提出的变量关系。此类研究可进一步探讨强调学习者自主性的教学方法是否与后续动机、外语课堂焦虑及创造力的变化相关。其次，本研究样本来自沙特阿拉伯的一所公立大学，这可能限制研究结果在其他教育和文化背景下的普适性。沙特高等教育的特征，包括评估方式、持续进行的教育改革以及对教师权威的文化认知，可能影响所观察到的变量关系。未来研究应在沙特阿拉伯境内的多个机构和不同地区，以及在其他国家开展，以检验研究结果在不同教育环境中的稳定性。第三，本研究依赖于自我报告数据，可能受到社会期许偏差、回忆偏差以及共同方法变异的影响。尽管研究采用了经过验证的测量工具和预测试程序，未来研究仍可引入更多数据来源，例如课堂观察、学习分析、人工智能使用记录，或基于表现的语言能力与创造力评估，以提供补充性证据。多方法与混合方法研究路径可进一步深化对本研究中所识别关系的理解。最后，教学风格的维度分析揭示了权威型教学风格与学习者学习结果之间存在独特的关联。未来可开展定性研究，包括访谈、焦点小组讨论和课堂观察，以深入探讨不同教学风格如何影响学生的学习动机、外语课堂焦虑和创造力，尤其是在沙特阿拉伯的英语作为外语（EFL）教学背景下。此类研究将补充本研究的发现，有助于更全面地理解技术增强型语言学习的机制。

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。