Forschungsartikel

Integration der Ziele für nachhaltige Entwicklung (SDGs) und generative KI zur Verbesserung der Sprachkompetenz und Kreativität in EFL-Lernumgebungen

DOI:

10.3791/69445

⸱

13. Februar 2026

 ,  ,  ,  , 
1College of International Studies, Yangzhou University, 2UNITAR International University, 3COMSATS University, 4College of Sciences and Humanities, Prince Sultan University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Kombination von SDGs mit generativer KI wie ChatGPT steigert die Motivation, digitale Kompetenz und Kreativität von Englischlernenden. Ein höheres Engagement stärkt diese Verbindung und bietet Lehrkräften praktische Strategien zur Integration von KI in den Sprachunterricht.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie untersucht die Integration der Ziele für nachhaltige Entwicklung (SDGs) und generativer KI, insbesondere ChatGPT, um die digitale Sprachkompetenz, Kreativität und Motivation in EFL-Lernumgebungen zu verbessern. Mit einem quantitativen, querschnittsbezogenen Design wurden die Daten für diese Studie von n = 420 Bachelor-EFL-Studierenden an einer öffentlichen Universität in China erhoben, wobei validierte Skalen zur Messung der SDG-Integration (SDG), der Nutzung generativer KI wie ChatGPT (UCGPT), digitaler Kompetenz (DL), der Kreativität der EFL-Studierenden (SC), der Motivation (SM) und dem Sprachlernengagement (LLE) verwendet wurden. Die teilweise kleinste Quadrat-Strukturmodellierung (PLS-SEM) wurde eingesetzt, um direkte, vermittelnde und moderierende Effekte zu analysieren. Die Ergebnisse zeigten, dass SDG-Integration und UCGPT signifikant mit SM assoziiert waren, was wiederum digitale Kompetenz und die Kreativität der EFL-Schüler vorhersagte. Darüber hinaus moderierte LLE die Beziehung zwischen DL und SC, während SM die Auswirkungen der SDG-Integration und UCGPT auf die digitale Kompetenz vermittelte. Diese Ergebnisse unterstreichen das transformative Potenzial der Integration von SDGs und KI-Tools in die EFL-Bildung und bieten skalierbare Strategien zur Entwicklung von Fähigkeiten des 21. Jahrhunderts. Darüber hinaus bietet die Studie konkrete Strategien für EFL-Lehrkräfte, etwa die Schüler, ChatGPT zu nutzen, um sich auf Debatten zu SDG-Themen wie Klimagerechtigkeit vorzubereiten oder mehrsprachige Social-Media-Kampagnen zur Nachhaltigkeitsaufklärung gemeinsam zu gestalten. Diese Anwendungen zeigen, wie die Integration von SDG und KI in der täglichen Unterrichtsplanung operationalisiert werden kann.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die globale Landschaft der Englisch-als-Fremdsprache-Bildung (EFL) durchläuft eine tiefgreifende Transformation, angetrieben von den doppelten Anforderungen technologischer Innovation und den Nachhaltigkeitszielen der Vereinten Nationen (SDGs)1. Während die Nachfrage nach Englischkenntnissen in nicht-anglophonen Regionen weiterhin stark ansteigt, angetrieben durch Globalisierung, akademische Mobilität und digitale Volkswirtschaften2, versäumen traditionelle pädagogische Ansätze es oft, die Lernenden mit den entscheidenden Kompetenzen auszustatten, die fürdie Kommunikation im 21. Jahrhundert erforderlich sind. Konventionelle EFL-Methoden, die Auswendiglernen und strukturelle Genauigkeit über kreative Ausdrucksformen und digitale Interaktion stellen, riskieren Ungleichheiten im Zugang zu qualitativ hochwertiger Bildung zu verschärfen4. Diese Fehlanpassung behindert nicht nur den Fortschritt in Richtung SDG 4 (inklusive und gerechte Bildung), sondern übersieht auch das transformative Potenzialneuer Technologien, insbesondere der generativen künstlichen Intelligenz (KI), bei der Umgestaltung von Sprachlernökosystemen6. Trotz der raschen Ausbreitung KI-gestützter Tools wie ChatGPT bleibt ihre Integration in EFL-Kontexten wenig erforscht, insbesondere im Hinblick aufNachhaltigkeitsrahmen. 7. Diese Studie überbrückt diese entscheidende Lücke, indem sie untersucht, wie die strategische Konvergenz von SDGs und generativer KI die digitale Kompetenz, Kreativität und Motivation in EFL-Lernumgebungen verbessern und so pädagogische Innovationen und globale Nachhaltigkeitsagenden voranbringen kann. In der bestehenden Literatur bestehen weiterhin erhebliche Lücken bezüglich der Schnittstelle von KI-unterstütztem Sprachlernen und SDG-orientierter Bildung8. Während frühere Forschungen die Rolle von KI bei personalisiertem Sprachunterricht9, automatisierter Bewertung10 und virtuellen Austauschprogrammen11 untersucht haben, beschäftigen sich diese Studien selten mit Nachhaltigkeitsrahmen. Im Gegensatz dazu konzentrierte sich die Literatur zu EFL und Nachhaltigkeit überwiegend auf inhaltsbasierten Unterricht (Umwelttexte), anstatt Technologie zur Umstrukturierung pädagogischerParadigmen zu nutzen. Diese Diskrepanz ist besonders problematisch angesichts der zunehmenden digitalen Kluften in Kontexten des Globalen Südens, wo sprachliche Marginalisierung mit begrenztem Zugang zu modernsten Bildungsinstrumenten zusammenstößt13. Darüber hinaus legt SDG 4.4 zwar explizit Wert auf digitale Kompetenz, doch die meisten EFL-Lehrpläne versäumen es, digitale Kompetenz mit Nachhaltigkeitsergebnissen zu verknüpfen, sodass die Lernenden schlecht auf die Anforderungen von Beschäftigung, Unternehmertum und anständigerArbeit vorbereitet sind. Das Fehlen eines integrativen Rahmens, der KI-getriebene Pädagogik mit Nachhaltigkeitskompetenzen in Einklang bringt, stellt ein kritisches Versäumnisdar. Darüber hinaus ist der Rahmen leicht in Bachelor-EFL-Kursen anwendbar, in denen die Studierenden über grundlegende digitale Kompetenzen für den Betrieb generativer KI-Tools wie ChatGPT verfügen. Die Implementierung ist für standardisierte, technologieintegrierte Klassenräume konzipiert und erfordern von Lehrkräften, strukturierte, SDG-orientierte Aufgabenaufgaben bereitzustellen, um die KI-Zusammenarbeit effektiv zu steuern.

Diese Studie schließt diese Lücken, indem sie einen neuartigen, SDG-basierten generativen KI-Rahmen für EFL-Bildung vorschlägt, der auf soziokultureller Theorie16 und kritischen digitalen Kompetenzen17 basiert. Im Gegensatz zu früheren Arbeiten, die KI als Lehrwerkzeug behandeln, positionieren Forscher sie als kollaborativen Partner, um das kreative und kritische Denken der Lernenden zu unterstützen18. Dieser Wandel steht im Einklang mit den SDG-Zielen für inklusive, lernzentrierte Bildung. Empirisch verwenden Forscher teilweise kleinste Quadrate Strukturgleichungsmodellierung (PLS-SEM), um Daten von n = 420 chinesischen EFL-Lernenden im Grundstudium zu analysieren und untersuchen, wie SDG-Integration (SDG) und ChatGPT-Nutzung (UCGPT) gemeinsam Motivation (SM), digitale Kompetenz (DL), Kreativität der Studierenden (SC) und Sprachlernengagement (LLE) beeinflussen. Die theoretischen Beiträge dieser Studie sind dreifach. Erstens erweitern Forscher die Selbstbestimmungstheorie (SDT), indem sie zeigen, wie SDG-orientierte KI-Tools die intrinsischen Bedürfnisse der Lernenden nach Autonomie, Kompetenz und Verbundenheit erfüllen und so die Motivation steigern. Zweitens verfeinern Forscher die Engagement-Theorie, indem sie aufzeigen, wie digitale Kompetenz und Kreativität dynamisch in KI-vermittelten Umgebungen interagieren, abhängig vom Engagement der Lernenden. Drittens fördern Forscher kritische digitale Kompetenzen, indem sie ethische KI-Nutzung in den Nachhaltigkeitsdiskurs einbetten und Lernende dazu auffordern, Datenverzerrungen, Umweltkosten und Arbeitspraktiken in KI-Systemen zu hinterfragen. Empirisch liefern die Ergebnisse umsetzbare Erkenntnisse für Pädagogen und politische Entscheidungsträger und zeigen, wie ChatGPT den Zugang zu SDG-bezogenen Sprachaufgaben (Klimawandeldebatten, Gleichstellungssimulationen) demokratisieren und gleichzeitig höhere kognitive Fähigkeiten fördern kann. Dieser Artikel ist wie folgt strukturiert: Zunächst die Einleitung, die die Bedeutung/Originalität dieser Forschung, die bestehende Lücke in der Literatur und den Beitrag dieser Studie erörtert. Als nächstes gibt es Übersichten über die Literatur zu SDGs in EFL, generativer KI und digitalen Kompetenzen. Der Abschnitt Protokoll beschreibt die PLS-SEM-Methodik, während der Abschnitt Ergebnisse die Ergebnisse präsentiert. Der Diskussionsabschnitt erläutert die wichtigsten Erkenntnisse sowie theoretische und praktische Implikationen. Abschließend schließt der Artikel mit Einschränkungen und zukünftigen Ausrichtungen.

Literaturübersicht und Entwicklung von Hypothesen

Ziel 4 der nachhaltigen Entwicklung und die Motivation der EFL-Schüler
Ein pädagogischer Ansatz, der den Lehrplan für Englisch als Fremdsprache (EFL) mit dem Nachhaltigkeitsziel 419 integriert und inklusive und gerechte Qualitätsbildung sowie lebenslanges Lernen für alle betont, hat sich als Schlüsselstrategie zur Steigerung der Schülermotivationetabliert 20. Die Ziele von SDG 4, insbesondere 4.4 (Fähigkeiten für Beschäftigung) und 4.7 (Bildung für nachhaltige Entwicklung), unterstreichen die Bedeutung der Entwicklung sprachlich kompetenter Lernender mit Fähigkeiten in kritischem Denken, digitaler Bildung und ethischem Engagement21. Die Grundsätze dieser Kompetenzen werden zusätzlich durch die Responsibility to Protect und die SDG 4.5-Ziele "Rights-Based Education" unterstützt. Mehrere Studien legen nahe, dass Klimaschutz, Geschlechtergleichstellung und Armutsbekämpfung im Sprachenlernen die Motivation der Schüler für dasFach 22 fördern. Diese Methode unterstützt die Selbstbestimmungstheorie23,24, die davon ausgeht, dass die Erfahrung von Autonomie, Beherrschung von Fähigkeiten und sozialer Verbindung Menschen motiviert hält25. Generative KI funktioniert als Motivationsinstrument noch besser, wenn interaktive Inhalte zu den Nachhaltigkeitszielen verwendetwerden. KI mit Chatbot-simulierten Gipfeltreffen und Plattformen in mehreren Sprachen, die sich auf Nachhaltigkeit konzentrieren, ermöglichen es Schülern, komplexe Themen durch Sprachübungenzu lernen 27. Die Anwendung von Szenarien, bei denen die Schüler Wasserknappheitslösungen auf Englisch diskutieren müssen, hilft ihnen, sich zu interessieren. Es schärft ihre Problemlösungsfähigkeiten und gibt ihnen ein größeres Gefühl von Kontrolle und Wichtigkeit28. KI-Feedback wird standardisiert und sofort gegeben (was hervorgehoben wurde, um die vielfältigen Bildungsbedürfnisse zu erfüllen, und es fördert Gerechtigkeit, wie in SDG 429 erklärt, was die Schüler beruhigt und Gleichberechtigung sichert. Bildungsexperten müssen SDG-Verbindungen noch einen Schritt weiter gehen, da sie sich darauf konzentrieren sollten, Fähigkeiten zu entwickeln, die es Studierenden ermöglichen, systemische Ungleichheiten zuerkennen. Wenn es eine KI-Kluft zwischen entwickelten und unterentwickelten Ländern gibt, erhöht sich die Anzahl der Gründe für Studierende, sich entmutigt zu fühlen, und fordert die Einführung inklusiven Designs31. Basierend auf der oben genannten Literatur wird folgende Hypothese vorgeschlagen: H1: Die Integration von SDGs in den EFL-Unterricht erhöht die Motivation der Schüler, Englisch zu lernen.

Nutzung generativer KI und Motivation der EFL-Schüler
Generative KI-Tools, zu denen Sprachmodelle und Chatbots gehören, werden zunehmend geschätzt, um die Motivation im EFL-Unterricht zu steigern, indem sie Interaktion fördern, persönliche Bedürfnisse adressieren und kreative Aktivitäten fördern32. Diese Ansätze ermöglichen es den Lernenden, direkt mit KI zu interagieren, die Kommunikation in realistischen Situationen zu üben und schnelles, anpassungsfähiges Feedback zu erhalten, das bekannt ist, Angst zu reduzieren undihr Interesse aufrechtzuerhalten. Zum Beispiel können KI-generierte Bildungsressourcen, wie personalisierte Texte und Szenarien, die auf das Niveau und die Interessen eines Schülers zugeschnitten sind, deren psychologische Bedürfnisse nach Autonomie und Kompetenz erfüllen. Da generative KI Ressourcen in mehreren Sprachen bereitstellen und kulturelle Kontexte berücksichtigen kann, ermöglicht sie den Lernenden, globale Themen auf Englisch zu erforschen und dazu an, tief über ethische Entscheidungen nachzudenken34. Experten raten jedoch, dass eine zu starke Nutzung von KI die Kommunikation zwischen Menschen einschränken und sie daran hindern kann, kritisches Denken zu entwickeln – beides ist für das Wachstum von Kindern unerlässlich. Darüber hinaus können Nachteile beim Internetzugang und die Auswirkungen verzerrter Algorithmen bestehende Ungleichheiten für bestimmte Lerngruppen verschärfen und die aktuellen Ungleichheiten weiter vertiefen. Basierend auf der obigen Literatur wird folgende Hypothese vorgeschlagen: H2: Die Nutzung von ChatGPT im EFL-Unterricht erhöht die Motivation der Schüler zum Sprachenlernen.

Motivation und digitale Bildung der EFL-Schüler
Die Beziehung zwischen digitaler Bildung und EFL-Motivation ist nicht nur korrelativ, sondern synergistisch. Schüler mit höherer digitaler Bildung sind besser darauf vorbereitet, authentische, multimodale Inhalte zu suchen und sich mit ihnen auseinanderzusetzen, die mit ihren persönlichen Interessen und soziokulturellen Kontexten übereinstimmen35,36. Diese Fähigkeit fördert direkt die intrinsische Motivation, indem sie das Gefühl von Autonomie und Kompetenz der Lernenden stärkt, da sie sich effektiver in digitalen Umgebungen zurechtfinden können. Dieser positive Zyklus ist jedoch nicht automatisch. Die motivationale Wirkung hängt von der Qualität des digitalen Engagements ab; Allein die Nutzung von Technologie garantiert keine Motivation, es sei denn, die Aufgaben sind sinnvoll und kulturell responsiv37.

Darüber hinaus wird Generative KI derzeit als Mechanismus vermarktet, um diese Synergie mit Hilfe von personalisiertem Scaffolding38 zu beschleunigen, aber ein kritischer Ansatz zeigt, dass es mehrere Eventualitäten gibt. Der Erfolg von KI-Technologien bei der Förderung des interkulturellen Dialogs und der Entmystifizierung von Medienbias(39) basiert auf gleichem Zugang und zugrundeliegender digitaler Kompetenz, die in unterversorgten Umgebungen häufig fehlt40. Dies führt zu einer Motivationslücke, bei der digitale Analphabetismus zu Frustration und einem Gefühl der Distanzierung führt und damit genau die Motivation sabotiert, die KI erzeugenwill. Daher sollte die KI-Integration von rigorosen digitalen Kompetenzmodellen begleitet werden, die den Lernenden dazu ermutigen, ethische Konnotationen zu verstehen, damit durch den Einsatz von Technologien keine unbeabsichtigte Ausbreitung aktueller Ungleichgewichte stattfinden42. Basierend auf der oben genannten Literatur wird folgende Hypothese vorgeschlagen: H3: Höhere Motivation bei EFL-Schülern führt zu verbesserten digitalen Kompetenzen.

Die digitale Kompetenz der EFL-Schüler und die Kreativität der EFL-Schüler
In English as a Foreign Language (EFL) katalysiert digitale Bildung Kreativität, indem sie Lernende mit der technischen und kritischen Fähigkeit befähigt, Sprachgebrauch durch innovative digitale Modi neu zu kontextualisieren43. Die Schüler werden versiert im Umgang mit Geräten wie generativer KI, multimedialen Plattformen und kollaborativen virtuellen Räumen, sodass sie über textbasierte Übungen hinausgehen und diese als Werkzeuge für multimodale Projekte wie digitale Geschichten, Podcasts oder sogar KI-generierte Narrative44 nutzen können. Zum Beispiel helfen KI-basierte Plattformen zur Koproduktion mehrsprachiger Poesie oder zur Simulation von virtuellen Realitätsszenarien den Lernenden, mit sprachlicher und kultureller Hybridität zu experimentieren und Spracherwerb sowie künstlerische Erkundungzu verbinden 45.

Digitale Kompetenz korreliert mit Kreativität durch gleiche Zugangschancen und Lehransätze mit definierten Zielen46. Einige marginalisierte Gruppen haben keinen gleichberechtigten Zugang zu generativer KI und digitalen Werkzeugen, was zu kreativem Ersticken und passivem Lernen statt aktiver Erschaffungführt. Bildungsfachkräfte sollten kritische Methoden wählen, die sich auf nachhaltige Lehrpraktiken konzentrieren, um ihren Studierenden zu helfen, sowohl den ethischen Ansatz der KI-Inhaltserstellung als auch die Auswirkungen digitaler Arbeitsabläufe auf die Umwelt zu untersuchen48. Studierende können ethisches Handwerk durch praktische digitale Designaktivitäten entwickeln, die nachhaltige Projektentwicklung mit algorithmischer Verzerrung verbinden und so die Nachhaltigkeits- und Gerechtigkeitsziele von SDG 4.7 stärken. Basierend auf der obigen Literatur werden folgende Hypothesen vorgeschlagen: H4: EFL-Schüler mit stärkeren digitalen Kompetenzen zeigen größere Kreativität bei Sprachaufgaben. H5: Das Engagement der EFL-Schüler beim Sprachlernen zeigt größere Kreativität bei Sprachaufgaben.

Moderierender Effekt des Sprachlernengagements
Insbesondere im Hinblick auf EFL-Lernkontexte sind pädagogische Interventionen, die die Ziele für nachhaltige Entwicklung (SDGs) und generative KI integrieren, effektiver, wenn das Sprachlernengagement, definiert durch die kognitive, verhaltensbezogene und emotionale Investition in den Spracherwerb, eine multilateral entscheidende moderierende Variable49 ist. Bei der Implementierung von SDG-bezogenen Inhalten erhöhen hohe Engagementsniveaus die motivationalen und kognitiven Gewinne, da Teilnehmer an SDG-orientierten projektbasierten oder KI-simulierten Aufgaben beharrlicher sind, mehr Fragen stellen und mehr Verantwortung für ihre Lernreisen beanspruchen. Zum Beispiel wird gezeigt, dass die gemeinsame Entwicklung von Nachhaltigkeitskampagnen für künstliche Intelligenz (KI) oder die Diskussion globaler Themen auf Englisch die sprachlichen Fähigkeiten und Kreativität verbessert, angesichts der emotionalen Verbindung der Schüler zu realen Problemen51. Engagement ist ein Moderator, der bestimmt, wie Lernende mit ethischen und kulturellen Aspekten von von KI gesteuerten EFL-Lernumgebungen umgehen. Studierende, die Distanzierung zeigen, sehen KI als ein autoritäres System, das ihre Bedenken verstärkt und sie dazu bringt, passiv auf automatisiertes Feedbackzu setzen. Basierend auf der obigen Literatur wird folgende Hypothese vorgeschlagen: H6: Das Sprachlernengagement moderiert die Beziehung zwischen digitaler Bildung und Kreativität.

Mediierende Wirkung der Motivation von EFL-Schülern in EFL-Kontexten
Das Motivationsniveau der EFL-Schüler spielt eine entscheidende Rolle dabei, wie pädagogische Strategien, die mit SDGs verknüpft sind und generative KI eingesetzt werden, ihre digitalen Fähigkeiten und kreativen Fähigkeiten sowie ihre Englischkompetenzbeeinflussen. Instructional Design trifft auf den Erfolg der Lernenden durch Motivation, wobei die Selbstbestimmungstheorie54 verwendet wird, um psychologische Bedingungen für tiefes Engagement zu stärken. Die Motivation der Schüler in Bezug auf Autonomie (Entscheidungsfindung für Interessenvertretungsthemen), Kompetenz (Lernnachhaltigkeitsvokabular) und Verwandtschaft (Teilnahme an globalen Aktivitäten) dient als Mechanismus, durch den SDG-bezogene Inhalte die Wirksamkeit des kritischen Denkens und der Entwicklung digitaler Fähigkeiten der Schüler bestimmen. Das Engagement der Schüler kann bei der ersten Nutzung generativer KI-Tools aufgrund ihrer Neuheit steigen, aber fortlaufende Verbesserungen in Lese- und Kreativität erfordern, dass die Schüler KI-Interaktionen sowohl als identitätsrelevant als auch autonomieförderndanerkennen.

Forscher legen durch empirische Belege Motivation als den Hauptfaktor fest, der verschiedene Situationen miteinander verbindet. SDG-orientierte Projekte, die EFL-Lernenden ausgesetzt waren, führten zu der damit verbundenen Kreativität, da die Lernenden gleichzeitig erhöhte Motivationsniveaus erfuhren, wie Selbstbewertungen56 berichteten. Schreibergebnisse aus KI-generiertem personalisiertem Feedback zeigten maximale Verbesserungen bei Schülern mit starker bestehender Motivation57,58. Die Studie bewies, dass Motivation die Wirksamkeit technologischer Interventionen reguliert. Ein weiterer Faktor, der diesen Prozess behindert, sind kulturelle sowie sozioökonomische Faktoren. Ressourcenarme Umgebungen neigen dazu, externe Anreize zu priorisieren, die sich auf Karrieremöglichkeiten beziehen, die in SDG 4.4 erwähnt werden, was zu veränderten Beziehungen zwischen Motivation und digitaler Werkzeuglieferung führt59,60. Basierend auf der oben genannten Literatur werden folgende Hypothesen vorgeschlagen: H7: Die Motivation der Schüler vermittelt die Beziehung zwischen ChatGPT-Nutzung und digitalen Kompetenzen. H8: Die Motivation der Schüler vermittelt die Beziehung zwischen SDGs und digitalen Kompetenzen. Abbildung 1 zeigt das Forschungsmodell der vorliegenden Studie, das alle Variablen und ihre Pfadbeziehungen zueinander einschließt. Darüber hinaus werden auf Basis der Wegbeziehungen zwischen den Variablen auch alle Hypothesen im Forschungsmodell angegeben.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde in Übereinstimmung mit ethischen Richtlinien für die Forschung an Menschen durchgeführt. Eine informierte Zustimmung wurde von allen Teilnehmern vor ihrer Beteiligung eingeholt, um sicherzustellen, dass sie vollständig über den Zweck der Studie, die auf Umfragen basierenden Verfahren, die freiwillige Natur und ihr Recht, jederzeit ohne Konsequenzen zurückzutreten, informiert waren. Alle Methoden entsprachen ethischen Standards für die Humanforschung und gewährleisteten die Vertraulichkeit der Teilnehmer, Datenanonymisierung und Schutz während der gesamten Studie. Die Studie umfasste nicht-invasive, auf Umfragen basierende Datenerhebung mit minimalem Risiko für die Teilnehmer.

1. Forschungsdesign

Diese Studie folgte einem quantitativen, querschnittsübergreifenden Forschungsdesign, um die Zusammenhänge zwischen Integration der nachhaltigen Entwicklungsziele (SDG), der Nutzung generativer KI, digitaler Kompetenz, Kreativität, Motivation und dem Sprachlernengagement in EFL-Kontexten zu untersuchen. Das Design priorisierte Hypothesentests durch strukturierte Umfragen, die auf positivistischer Erkenntnistheorie basieren und eine statistische Verallgemeinerung der Ergebnisse über ähnliche akademische Kontexte ermöglichten. Ein teilweise kleinste-Quadrat-Strukturgleichungsmodellierungsansatz (PLS-SEM) wurde gewählt, um komplexe Mediations- und Moderationseffekte zu analysieren. PLS-SEM berücksichtigt kleinere Stichprobengrößen und explorative Modellstrukturen, während Annahmen zur Datennormalität61 minimiert werden. Das Design entsprach dem Aufruf von SDG 4 zu datengetriebenen Bildungsstrategien und konzentrierte sich auf messbare Ergebnisse, um skalierbare pädagogische Innovationen im KI-gestützten Spracherwerb zu unterstützen.

2. Daten und Stichproben

Zunächst identifizierten und wählten Forscher zur Erstellung des Stichprobenrahmens alle intakten, technologieintegrierten EFL-Kurse aus dem Programmkatalog der Universität für das Frühjahrssemester 2024 aus, was zu einer Bequemlichkeitsstichprobe von 420 Bachelor-Studierenden führte. Zweitens wurde die Teilnehmerberechtigung anhand der Kriterien bestätigt, dass sie im Alter von 18 bis 24 Jahren und als Erst- oder Zweitsemester mit einem mittleren Englischniveau eingeschrieben sind, gemäß den Platzierungsunterlagen der Universität; die letzte Kohorte bestand aus 62 % weiblichen und 38 % männlichen Teilnehmern, wobei 95 % aus Ostchina stammten. Drittens führte der Forscher während einer geplanten Kurssitzung das Umfrageinstrument persönlich durch: Nach der Verteilung eines detaillierten Informationsblatts las der Forscher das Skript zur informierten Einwilligung vor, nahm Zeit für Fragen und sammelte unterschriebene Einwilligungsformulare vor der Verteilung des Fragebogens, die die Teilnehmer 20 Minuten anonym und ohne Anreize ausfüllen konnten. Viertens integrierte das Umfrageinstrument selbst zu Beginn einen eigenen Filterbereich, der Daten über die Vertrautheit der Teilnehmer mit KI-Tools für die spätere statistische Steuerung erfasste, um die zusätzliche Variable der KI-Erfahrung zu berücksichtigen. Schließlich wurden die gesammelten Daten auf Vollständigkeit geprüft, und die Stichprobengröße von n = 420 wurde auf statistische Angemessenheit überprüft, indem die "10-fach-Regel" für PLS-SEM angewendet wurde, was bestätigte, dass sie die Mindestanforderung von 10 Fällen pro Prädiktorvariable in der komplexesten Regressionsgleichung des Modells überschritt.

  1. Praktische Integration von SDGs und ChatGPT
    Um die Umfragemessungen in einem konkreten pädagogischen Kontext zu verankern, wurde die Studie in einem speziellen EFL-Modul durchgeführt, das SDG-Themen explizit mit ChatGPT-Unterstützung integrierte. Die Schüler nahmen über einen Zeitraum von vier Wochen an einer Reihe aufgabenbasierter Lernaktivitäten teil. Beispielsweise verlangte eine Aufgabe von den Schülern, ChatGPT zu nutzen, um ein spezifisches SDG (SDG 4 Bildung, SDG 13: Klimaschutz oder SDG 5: Geschlechtergleichheit) zu erforschen, eine Zusammenfassung der wichtigsten Themen zu erstellen und anschließend die KI-bereitgestellten Informationen kritisch auf potenzielle Verzerrungen zu prüfen. In einer anderen Aufgabe nutzten die Studierenden ChatGPT als kollaboratives Werkzeug, um gemeinsam einen überzeugenden Aufsatz oder ein Social-Media-Kampagnenskript zu schreiben, das für eine lokale Nachhaltigkeitsinitiative plädierte und so globale Ziele mit ihrem unmittelbaren Kontext verknüpfte. Diese Aufgaben waren multimodal konzipiert und gipfelten oft in Videoblogs oder Präsentationen, bei denen die Schüler Informationen synthetisieren, kritisches Denken üben und Englisch für einen greifbaren Zweck verwenden mussten. Diese praktische Umsetzung stellte sicher, dass die Umfrageantworten der Studierenden auf direkte Erfahrungen mit dem integrierten SDG-KI-Lernansatz basierten.

3. Ethische Überlegungen

Die vorliegende Studie wurde unter Einhaltung rigoroser ethischer Überlegungen durchgeführt. Alle Teilnehmer wurden sowohl schriftlich als auch mündlich über den Zweck und die Abläufe der Studie sowie ihre Rechte informiert und anschließend vor der Teilnahme an der Studie eine informierte Zustimmung gegeben. Diese Vereinbarung gewährleistete die Anonymität, erlaubte ihnen jederzeit ohne Repressalien einen Rückzug zu gewähren und garantierte die Vertraulichkeit ihrer Daten. Die Informationen wurden über verschlüsselte digitale Systeme gesammelt und sicher auf passwortgeschützten Servern gespeichert. Alle Analysen wurden mit aggregierten Daten durchgeführt, um die Identifizierung einer einzelnen Person zu verhindern. Im Einklang mit den SDG-4.7-Grundsätzen enthielt die Studie einen separaten Debriefing-Abschnitt, der ethische Fragen der generativen KI behandelt und potenzielle Bedenken wie mögliche Verzerrungen in ChatGPT-Antworten und deren Umweltauswirkungen klar aufzeigt. Schließlich wurden die Einschränkungen der Studie, wie Selbstberichterstattungsverzerrungen und der geografische Standort der Stichprobe, offen anerkannt, um die akademische Integrität zu fördern.

4. Maßnahmen

Konstrukte wurden mit validierten Skalen operationalisiert, die an den EFL-Kontext angepasst wurden. Die Integration von SDG wurde mit einer 36-Item-Skala gemessen und drei Unterskalen: Wirtschaft (13 Items), Gesellschaft (9 Items) und Umwelt (14 Items). Diese Skala wurde aus Atmaca et al.62 abgeleitet und bewertete die Exposition gegenüber Nachhaltigkeitsthemen in Sprachaufgaben. Digitale Kompetenz wurde mit einer 29-Item-Skala bewertet, die auf sechs Dimensionen erweitert wurde, die von Rodríguez-de-Dios et al. 63 adaptiert wurden, darunter Technologische Kompetenz (7 Items), Personal Security Literacy (5 Items), Critical Literacy (5 Items), Device Security Literacy (4 Items), Information Literacy (5 Items) und Communication Literacy (3 Items). Darüber hinaus wurde die Kreativität der EFL-Schüler durch Govindasamy et al.64 erfasst, ein 12-Item-Instrument, das vier Unterskalen abdeckt, jede mit drei Elementen: Originalität, Flexibilität, Flüssigkeit und Ausarbeitung. Die Nutzung von ChatGPT wurde mittels einer 8-Item-Skala quantifiziert, die von Abbas et al.65 adaptiert wurde und sich auf Häufigkeit, Zweck und wahrgenommene Wirksamkeit bei Sprachaufgaben konzentrierte. Die Motivation wurde anhand von Obiosa66 mit einer 05-Item-Skala bewertet. Schließlich wurde das Sprachlernengagement mit einer 9-Item-Skala von Eerdemutu et al.67 bewertet. Alle Skalen verwendeten 5-Punkt-Likert-Antworten, wobei Pilottests (n=30) die Zuverlässigkeit bestätigten (Cronbachs α > 0,82) und die bestätigende Faktorenanalyse die Konstrukt-Distinktivität validierte. Die Analyse der vorliegenden Studie basiert auf reflektiv-reflektiv-konstruktiven erster Ordnung, da reflektiv-reflektiv-konstrukte zweiter Ordnung nicht direkt getestet werden.

5. Datenanalyse

Die Datenanalyse wurde durch ein sequentielles zweiphasiges Verfahren unter Verwendung von SPSS Version 28 und SmartPLS Version 4 durchgeführt. Der Prozess begann in SPSS 28, wo die Forscher > Deskriptive Statistiken > Deskriptiven analysieren und analysieren > > Bivariate korrelieren , um vorläufige deskriptive Statistiken (Mittelwerte, Standardabweichungen) bzw. Pearson-Korrelationskoeffizienten für die Stichprobe von n = 420 Fällen zu berechnen. Anschließend wechselte die Primäranalyse zu SmartPLS 4, um die Partial Least Squares Structural Equation Modeling (PLS-SEM) durchzuführen. Der erste Schritt in SmartPLS bestand darin, das Messmodell durch den eingebauten Calcal-Algorithmus zu validieren, um interne Konsistenz zu bewerten, wobei die zusammengesetzten Zuverlässigkeitswerte den Schwellenwert von 0,70 überschreiten mussten, und die konvergente Validität, bestätigt durch eine Average Variance Extracted (AVE) größer als 0,50 für alle Konstrukte, bestätigt wurde. Die Diskriminantenvalidität wurde anschließend mit den Berichtsfunktionen der Software überprüft, um das Fornell-Larcker-Kriterium anzuwenden und sicherzustellen, dass alle Heterotrait-Monotrait-(HTMT)-Verhältnisse unter dem konservativen Benchmark von 0,85 lagen. Nach dieser Validierung wurde das Strukturmodell unter Verwendung der Bootstrapping-Routine mit 5.000 Teilproben und einem zweiseitigen Test auf der Signifikanz-Ebene von 0,05 bewertet, um bias-korrigierte Konfidenzintervalle für alle Wegkoeffizienten (β) und indirekte Effekte zu erzeugen und so die hypothetischen direkten, vermittelnden und moderierenden Beziehungen zu testen. Schließlich wurde die prädiktive Relevanz des Modells durch die Analyse des Q²-Werts von Stone-Geisser, der durch das Blindfolding-Verfahren erhalten wurde, festgestellt, wobei Werte über null eine angemessene Prädiktionskraft anzeigen, und der substantielle Einfluss der Prädiktoren wurde durch Berechnung der Effektgrößen (f²) aus den Ergebnissen des PLS-Algorithmus bestimmt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deskriptive Statistiken
Eine beschreibende Analyse liefert wichtige Einblicke in Muster von Variablen, zentrale Orte und deren Verteilung, sodass Forscher die Gesundheit, Normalität und theoretische Kongruenz der ursprünglichen Daten überprüfen können. In dieser Studie werden die Mittelwerte verwendet, um das Niveau der Kurtosis zu messen, während die Parameter der Standardabweichung zur Beurteilung des Grad der Verzögerung verwendet werden. Zusätzlich werden auch die...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Zusammenfassung der wichtigsten Erkenntnisse
Diese Studie untersuchte das Zusammenspiel zwischen den Zielen für nachhaltige Entwicklung (SDGs), generativer KI (ChatGPT) und den wichtigsten Bildungsergebnissen: Motivation, digitale Bildung und Kreativität in EFL-Lernumgebungen. Die Ergebnisse bestätigten alle Direkteffekt-Hypothesen (H1-H5) und zeigten, dass SDG-Integration (β = 0,37) und die Nutzung von ChatGPT (β = 0,28) die Schülermotivation signifikant steigern, wa...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Alle Autoren geben keine Interessenkonflikte an.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Forschung wird vom Jiangsu Provincial Social Science Fund mit Fördernummer (23YYB011) unterstützt. Diese Arbeit wurde von der Prince Sultan University im Rahmen des Language and Communication Research Laboratory unterstützt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ChatGPT-NutzungsskalaEine 8-Item-Skala, adaptiert von Abbas et al. (2023).Abbas et al. (2023).
KreativitätsskalaEine 12-Item-Skala, adaptiert von Govindasamy et al. (2022), die vier Unterkonstrukte misst: Originalität, Flexibilität, Flüssigkeit und Ausarbeitung.Govindasamy et al. (2022)
DatenerfassungsinstrumentAnonymer, selbst ausgefüllter Papier-und-Bleistift-Fragebogen.Nicht anwendbar / individuell entworfen
DatenspeichersystemPasswortgeschützte Server mit verschlüsselten digitalen Systemen.Nicht anwendbar / institutionelle IT-Infrastruktur
Digitale Kompetenzskala29-Item-Skala, angepasst von Rodr í guez-de-Dios et al. (2018), die sechs Dimensionen abdecken: Technologische, persönliche Sicherheit, Kritische, Gerätesicherheit, Informations- und Kommunikationskompetenz.Rodr & iacute; Guez-de-Dios et al. (2018)
Dokumente zur informierten EinwilligungSchriftliches Informationsblatt und Einwilligungsformular.Nicht anwendbar / individuell entworfen
SprachlernbeteiligungsskalaEine 9-Item-Skala adaptiert von Eerdemutu et al. (2023).Eerdemutu et al. (2023)
MotivationsskalaEine 5-Item-Skala adaptiert von Obiosa (2023).Obiosa (2023).
PLS-SEM-Algorithmus & BootstrappingSmartPLS 4 interne Routinen (PLS-Algorithmus und Bootstrapping mit 5.000 Unterproben).https://www.smartpls.com/documentation/algorithms-and-techniques
Prädiktive RelevanzbewertungAugenbindungsverfahren in SmartPLS 4 zur Berechnung des Stein-Geisser' s Q² Wert.https://www.smartpls.com/documentation/predictive-relevance-q2
SDG-IntegrationsskalaEine 36-Item-Skala, adaptiert von Atmaca et al. (2023), mit Unterskalen für Wirtschaft (13 Items), Gesellschaft (9 Items) und Umwelt (14 Items).Atmaca et al. (2023)
Software für statistische AnalysenIBM SPSS Statistik, Version 28.-
Software zur Modellierung von StrukturgleichungenSmartPLS, Version 4.https://www.smartpls.com
Gültigkeit & ZuverlässigkeitsprüfungenSmartPLS 4 Berichtsfunktionen für Composite Reliability, Average Variance Extracted (AVE), Fornell-Larcker-Kriterium und HTMT-Verhältnisse.https://www.smartpls.com/documentation/reporting

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aftinia, F., Munir, A., Nugroho, H. M. A. The use of gamification in English learning for Sustainable Development Goals (SDGs): A case study in a junior High School English club. J Lifestyle SDGs Rev. 5 (3), e04941-e04941 (2025).
  2. Kong, X., Liu, C. A comparative genre analysis of AI-generated and scholar-written abstracts for English review articles in international journals. J Engl Acad Purp. 71, 101432(2024).
  3. Weng, X., Chiu, T. K. Instructional design and learning outcomes of intelligent computer assisted language learning: Systematic review in the field. Comput Educ Artif Intell. 4, 100117(2023).
  4. Huang, J., Mizumoto, A. Examining the effect of generative AI on students' motivation and writing self-efficacy. Digital Digit Appl Linguist. 1, 102324-102324 (2024).
  5. Mo, Z., Crosthwaite, P. Exploring the affordances of generative AI large language models for stance and engagement in academic writing. J Engl Acad Purp. 75, 101499(2025).
  6. Jiao, S., Liang, F. Sustainable development of high school English learners in China: Motivation and its impact on their English achievement. Sustainability. 14 (19), 12619(2022).
  7. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The dual forces of AI: How generative AI and perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  8. Arslan, S., Curle, S. Institutionalising English as a foreign language teachers for global sustainability: Perceptions of education for sustainable development in Turkey. Int J Educ Res. 125, 102353(2024).
  9. Al-Nofaie, H., Alwerthan, T. A. Appreciative inquiry into implementing artificial intelligence for the development of language student teachers. Sustainability. 16 (21), 9361(2024).
  10. Oriakhi,, et al. Generative artificial intelligence in education: ChatGPT-4 experiences to anticipated ChatGPT-5. HAFED Poly J Sci Manag Technol. 6 (1), 149-169 (2024).
  11. Uğraş, H., Uğraş, M., Papadakis, S., Kalogiannakis, M. ChatGPT-supported education in primary schools: The potential of ChatGPT for sustainable practices. Sustainability. 16 (22), 9855(2024).
  12. Wang, X., et al. What matters in AI-supported learning: A study of human-AI interactions in language learning using cluster analysis and epistemic network analysis. Comput Educ. 194, 104703(2023).
  13. Gayed, J. M., Carlon, M. K. J., Oriola, A. M., Cross, J. S. Exploring an AI-based writing Assistant's impact on English language learners. Comput Edu Artif Intell. 3, 100055(2022).
  14. Bravo-Adasme, N., Cataldo, A. Understanding techno-distress and its influence on educational communities: A two-wave study with multiple data samples. Tec in Soc. 70, 102045(2022).
  15. Noor, U., Younas, M., Saleh Aldayel, H., Menhas, R., Qingyu, X. Learning behavior, digital platforms for learning and its impact on university student's motivations and knowledge development. Front in Psyc. 13, 933974(2022).
  16. Vygotsky, L. S. Mind in society. Cole, M., John-Steiner, V., Scribner, S., Souberman, E. , (1978).
  17. Pangrazio, L. Reconceptualising critical digital literacy. Discourse: Stud Cult Polit Educ. 37 (2), 163-174 (2016).
  18. Lo, C. K., et al. Exploring the application of ChatGPT in ESL/EFL education and related research issues: A systematic review of empirical studies. Smart Learn Environ. 11 (1), 50(2024).
  19. Ben Abida, S. Towards enhancing E-learning: Using Digital Literacy, YouTube, and Facebook, to Encourage EFL students' Learning Autonomy. DIDASKEIN. 2 (1), 189-204 (2021).
  20. Adams, K., Nakano, S. Connecting student interest and motivation in English to the Sustainable Development Goals. IAFOR J Educ. 12 (1), 243-262 (2024).
  21. Kwee, C. T. T. I want to teach sustainable development in my English classroom: A case study of incorporating sustainable development goals in English teaching. Sustainability. 13 (8), 4195(2021).
  22. Younas, M., et al. Unveiling digital transformation and teaching prowess in English education during COVID-19 with structural equation modelling. Eur J Educ. 60 (1), e12818(2024).
  23. Putri, N. L. P. N. S., Santosa, M. H., Artini, L. P., Nitiasih, P. K. Sustainable development goals in EFL Students' learning: A systematic review. Pegem J Educ Instr. 14 (2), 1-11 (2024).
  24. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  25. Dörnyei, Z. The L2 motivational self system. Motivation, language identity and the L2. 36 (3), 9-11 (2009).
  26. Younas, M., et al. COVID-19, students' satisfaction about e-learning and academic achievement: Mediating analysis of online influencing factors. Front Psychol. 13, 948061(2022).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chines EFL students' language learning experience. Comput. Hum Behav Rep. 18, 100627(2025).
  28. Manurung, R. T., et al. Improving students' awareness about Sustainable Development Goals (SDGs) through literary text: A case on language teaching. Lib Prog Lib Sci Inf Technol Comput. 44 (2), 493-500 (2024).
  29. Sağlam, M. An investigation of pre-service English language teaching students' opinions about their practicum at schools on the basis of sustainable development goals (SDGS). 5 (2), 02544(2025).
  30. Trucano, M. SABER-ICT framework paper for policy analysis. , (2016).
  31. Naing, W. K. K., Mar, A. A. English language teachers' knowledge of SDGs and their Attitudes towards Incorporating SDGs in ELT in Myanmar. J Engl Lang Linguist. 4 (1), 18-29 (2023).
  32. Selwyn, N., Facer, K. Beyond digital divide: Toward an agenda for change. In Digital literacy: Concepts, methodologies, tools, and applications. , 1678-1696 (2013).
  33. Zheng, Y., Wang, Y., Liu, K. S. X., Jiang, M. Y. C. Examining the moderating effect of motivation on technology acceptance of generative AI for English as a foreign language learning. Educ Inf Technol. 29, 1-29 (2024).
  34. Al-Smadi,, et al. Artificial intelligence for English language learning and teaching: Advancing sustainable development goals. J Lang Teach Res. 15 (6), 1835-1844 (2024).
  35. Huang, F., Wang, Y., Zhang, H. Modelling generative AI acceptance, perceived teachers' enthusiasm and self-efficacy to english as a foreign language learners' well-being in the digital era. Eur J Educ. 59 (4), e12770(2024).
  36. Frima, R. N. Students' digital literacy and their motivation to read narrative text at Islamic Junior High School Al-Hafit Pekanbaru. [Doctoral dissertation]. , UNIVERSITAS ISLAM NEGERI (UIN) SULTAN SYARIF KASIM RIAU. (2023).
  37. Nguyen, L. A. T., Habók, A. Digital literacy of EFL students: An empirical study in Vietnamese universities. Libri. 72 (1), 53-66 (2022).
  38. Pertiwi, I., Siti, R. R. Digital literacy in EFL learning: University students' perspectives. J Engl Educ Soc. 7 (2), 197-204 (2022).
  39. Rinekso, A. B., Rodliyah, R. S., Pertiwi, I. Digital literacy practices in tertiary education: A case of EFL postgraduate students. Stud Engl Lang Educ. 8 (2), 622-641 (2021).
  40. Yang, P., Huang, W., Shen, H. Z., Yang, H., Gao, C. Chinese university students' self-regulated strategic learning in English medium instruction from a sociocultural perspective. J Engl Acad Purp. 75, 101510(2025).
  41. Dashtestani, R., Hojatpanah, S. Digital literacy of EFL students in a junior high school in Iran: voices of teachers, students and Ministry Directors. Comput Assist Lang Learn. 35 (4), 635-665 (2022).
  42. Bacalja, A., Aguilera, E., Castrillón-Ángel, E. F. Critical digital literacy. The handbook of critical literacies. , Routledge. 373-380 (2021).
  43. Ngo, T. N., Hastie, D. Artificial Intelligence for Academic Purposes (AIAP): Integrating AI literacy into an EAP module. Engl Specif Purp. 77, 20-38 (2025).
  44. Ponte, D. C. The application of Artificial Intelligence in EFL learning and teaching: Considerations, challenges and practical examples for educators. English linguistics meets the 21st century. , 118-137 (2024).
  45. Indah, R. N., Toyyibah, T., Budhiningrum, A. S., Afifi, N. The research competence, critical thinking skills and digital literacy of Indonesian EFL students. J Lang Teach Res. 13 (2), 315-324 (2022).
  46. Klein, D. The relevance of digital literacy for distance learning in EFL classrooms in Austrian lower-secondary schools. , https://unipub.uni-graz.at/obvugrhs/content/titleinfo/8653259/full.pdf (2023).
  47. Cui, X., Gardiner, I. A. Investigating students' academic language-related challenges and their interplay with English proficiency and self-efficacy on EMI success in Transnational Education (TNE) programs in China. Engl Specif Purp. 78, 53-69 (2025).
  48. Belda-Medina, J. Promoting inclusiveness, creativity, and critical thinking through digital storytelling among EFL teacher candidates. Int J Incl Educ. 26 (2), 109-123 (2022).
  49. Özcan, E. N. Enhancing language skills and environmental literacy: An eco-pedagogical approach to teaching English to young learners. , (2025).
  50. Zhang, Q. Mediation/moderation effects of engagement, foreign language enjoyment, and ambiguity tolerance in metaverse-based foreign language learning. Int J Educ Technol. High. Educ. 21 (1), 54(2024).
  51. Liu, M. Exploring the motivation-engagement link: The moderating role of positive emotion. J Psychol Lang Learn. 4 (1), e415022(2022).
  52. Jeffcoat, J. L. Digital Literacy Integrated Into Academic Content Through the Collaboration of a Librarian and a Core Content Teacher. [Doctoral dissertation]. , University of South Carolina. (2023).
  53. Wu, Y., Kang, X. A moderated mediation model of expectancy-value interactions, engagement, and foreign language performance. Sage Open. 11 (4), 21582440211059176(2021).
  54. Peng, R., Fu, R. The effect of Chinese EFL students' learning motivation on learning outcomes within a blended learning environment. Australas J Educ Technol. 37 (6), 61-74 (2021).
  55. Bailey, D., Almusharraf, N., Bennett, F. Mediating effect of competitiveness on motivation and evaluation anxiety: a structural equation model for learning within videoconference EFL courses. Educ Inf Technol. 29 (3), 3729-3752 (2024).
  56. Feng, L., Mohd Rawian, R. The mediating role of motivation and language anxiety in increasing EFL learners' working memory. Lang Relat Res. 14 (1), 335-358 (2023).
  57. Derakhshan, A. EFL students' perceptions about the role of generative artificial intelligence (GAI)-mediated instruction in their emotional engagement and goal orientation: A motivational climate theory (MCT) perspective in focus. Learn Motiv. 90, 102114(2025).
  58. Yang, Y., Du, C. The predictive effect of perceived teacher support on college EFL learners' online learning engagement: Autonomous and controlled motivation as mediators. J Multiling Multicult. Dev. 46, 1-15 (2023).
  59. Liu, Q., Du, X., Lu, H. Teacher support and learning engagement of EFL learners: The mediating role of self-efficacy and achievement goal orientation. Curr Psychol. 42 (4), 2619-2635 (2023).
  60. Sadoughi, M., Hejazi, S. Y. The effect of teacher support on academic engagement: The serial mediation of learning experience and motivated learning behavior. Curr Psychol. 42 (22), 18858-18869 (2023).
  61. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  62. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J AssessTools Educ. 6 (1), 80-91 (2019).
  63. Rodríguez-de-Dios, I., Igartua, J. J., González-Vázquez, A. Development and validation of a digital literacy scale for teenagers. Proceedings of the fourth international conference on technological ecosystems for enhancing multiculturality. , 1067-1072 (2016).
  64. Govindasamy, P., Cumming, T. M., Abdullah, N. Validity and reliability of a needs analysis questionnaire for the development of a creativity module. J Res Spec Educ. Needs. 24 (3), 637-652 (2024).
  65. Obiosa, N. Effects of students' motivation and engagement on students' satisfaction in a lecture: Empirical analysis. Int J Instr. 13 (3), 861-876 (2020).
  66. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 21 (1), 10(2024).
  67. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  68. Bravo Luque, M., Alcantud-Díaz, M. Implementing Inquiry-based Learning through Sustainable Development Goals: A didactic Approach to Foster Learning-to-learn and Citizenship Competencies in EFL. Pap Rev Fac Educ Univ Antonio Nariño. 16 (32), 1970(2024).
  69. Dodigovic, M. Artificial intelligence and second language learning: An efficient approach to error remediation. Lang Aware. 16 (2), 99-113 (2007).
  70. Doshi, R., Dadhich, M., Poddar, S. Integrating generative AI in education to achieve sustainable development goals. IGI global. Hiran, K. K. , (2024).
  71. Hutson, J. Multimodal GAI in arts-based multiliteracies: Fostering interdisciplinary creativity. Arts-Based Multiliteracies for Teaching and Learning. , 209-244 (2025).
  72. Kang, X., Wu, Y. Academic enjoyment, behavioral engagement, self-concept, organizational strategy and achievement in EFL setting: A multiple mediation analysis. PLoS One. 17 (4), e0267405(2022).
  73. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: A TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. , (2025).
  74. Nguyen, T. H., Hoang, T. N. H. Investigating the promises and perils of generative AI in EFL learning in higher education: A literature review. AsiaCALL Online J. 16 (1), 1-15 (2025).
  75. Mentesoglu-Karaderi, I., Osam, ÜV., Al-Turjman, F. Integrating generative artificial intelligence in English language teaching: An overview in the IoT era. International Conference on Artificial Intelligence Of Things For Smart Societies. , Springer Nature. Cham. 43-50 (2024).
  76. Young, D. Leveraging assistive technology to promote inclusive English language teaching and digital literacy. digital literacy at the intersection of equity, inclusion, and technology. , 49-64 (2024).
  77. Nitzl, C., Roldan, J. L., Cepeda, G. Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Ind Manag Data Syst. 116 (9), 1849-1864 (2016).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

ChatGPT Integrationsprachliche Kreativit tStudentenmotivationEngagement beim SpracherwerbStrukturgleichungsmodellierungKompetenzen des 21 Jahrhunderts

Verwandte Artikel