Forschungsartikel

Die doppelten Kräfte der KI: Wie generative KI und wahrgenommene KI-Abhängigkeit die Angst vor dem Verpassen (FoMO) und den Wortschatzerwerb von EFL-Schülern beeinflussen

DOI:

10.3791/69637

⸱

19. Dezember 2025

 ,  ,  , 
1College of International Studies, Yangzhou University, 2College of Sciences and humanities, Prince Sultan University

In diesem Artikel

Zusammenfassung

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

Diese Studie untersucht, wie KI-Integration Englischlernende psychologisch und kognitiv beeinflusst. Sie stellt fest, dass der Einsatz von KI die Angst (FoMO) erhöht und das Leseverständnis beeinträchtigt, während digitales Burnout die Verbindung zwischen Verständnis und Wortschatz schwächt. Das Ziel ist es, die Notwendigkeit eines ausgewogenen KI-Einsatzes zur Unterstützung des Lernens hervorzuheben.

Zusammenfassung

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

Diese Studie untersucht, wie die Integration von künstlicher Intelligenz (KI) im Sprachlern psychologische und kognitive Ergebnisse bei Lernenden von Englisch als Fremdsprache (EFL) beeinflusst. Konkret untersucht es die Auswirkungen wahrgenommener KI-Abhängigkeit, ethischer Bedenken und generativer KI-Nutzung auf die Angst vor dem Verpassen (FoMO), das Leseverständnis, gemessen durch die Skalierung von Lesestrategien, und den Wortschatzerwerb, wobei die moderierende Rolle des digitalen Burnouts berücksichtigt wird. Ein Querschnittsvermessungsdesign wurde mit n = 450 EFL-Lernenden verwendet, und die Daten wurden mittels partieller Strukturgleichungsmodellierung (PLS-SEM) analysiert, um sowohl direkte als auch vermittelte Beziehungen zu bewerten. Die Ergebnisse zeigen, dass KI-bezogene Faktoren eine höhere FoMO signifikant vorhersagen, was wiederum das Leseverständnis negativ beeinflusst. Während das Leseverständnis den Wortschatz stark unterstützt, schwächt digitales Burnout diese Beziehung. Die Studie hebt die doppelte Natur von KI in der Bildung hervor, die Lernergebnisse erleichtert und gleichzeitig zu psychischer Belastung beiträgt. Diese Ergebnisse unterstreichen die Bedeutung einer ausgewogenen KI-Integration im Sprachenlernen und betonen die Notwendigkeit von Strategien, die digitale Angst und Burnout mindern. Theoretische Implikationen erweitern die Forschung zum technologievermittelten Lernen, indem sie FoMO als kritischen affektiven Weg in KI-gesteuerten Bildungskontexten identifizieren. Praktische Empfehlungen umfassen die Integration digitaler Wellnesspraktiken zusammen mit KI-Tools, um die Lernvorteile zu optimieren und gleichzeitig negative psychologische Auswirkungen zu minimieren.

Einleitung

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

Die rasche Integration von generativer künstlicher Intelligenz (KI) in die Bildung hat traditionelle Sprachlernparadigmen grundlegend verändert, insbesondere im Kontext von Englisch als Fremdsprache (EFL). Werkzeuge wie KI-gestützte Vokabelassistenten, automatisierte Schreibfeedback-Systeme und adaptive Lernplattformen versprechen erhöhte Effizienz und personalisierte Anleitung2. Dieser technologische Wandel hat jedoch auch psychologische und pädagogische Herausforderungen mit sich gebracht, darunter wahrgenommene KI-Abhängigkeit, digitales Burnout und ethische Bedenken, die Lernergebnisse vermittelnkönnten. Ein wenig erforschtes, aber kritisches Phänomen in diesem Bereich ist die Angst vor dem Verpassen (FoMO). In diesem psychologischen Zustand fühlen sich Lernende aufgrund sozialer Vergleichsdrucks gezwungen, KI-Werkzeuge zu übernehmen, möglicherweise auf Kosten tiefgreifender kognitiver Beteiligung4. Während bestehende Forschungen die Rolle von KI beim Spracherwerbuntersucht haben, haben nur wenige Studien untersucht, wie generative KI mit wahrgenommener Abhängigkeit und FoMO zusammenspielt, um den Wortschatzerwerb zu beeinflussen, was eine erhebliche Lücke im Verständnis der beiden Kräfte hinterlässt, die KIin der Bildung sowohl erleichtern als auch schaden.

Eine Literaturübersicht zeigt drei zentrale Lücken auf. Erstens haben sich Studien zu KI im EFL-Lernen überwiegend auf Leistungsergebnisse (Testergebnisse, Verbesserungen der Sprachflüssigkeit) konzentriert und nicht auf die psychologischen Mechanismen, die die KI-Einführungvorantreiben. So ist beispielsweise die Effizienz der Wortschatzbindung durch KI gut dokumentiert, aber wenig ist darüber bekannt, wie wahrgenommene Abhängigkeit, also der Glaube, man könne ohne KI nicht effektiv lernen können, die Motivation und langfristige Bindung beeinflusst9. Zweitens, obwohl FoMO in sozialen Medien umfassend untersucht wurde, bleibt seine Rolle in KI-vermittelten Lernumgebungen unerforscht. Da KI-Tools oft Echtzeit- und sozial sichtbares Feedback (Peer-Benchmarking-Funktionen) bieten, können Lernende eine erhöhte Angst verspüren, zurückzufallen, was die Abhängigkeit von KI10 verschärft. Drittens, obwohl ethische Bedenken bezüglich KI (Datenschutz, algorithmische Verzerrung) weithin anerkanntsind, wurde ihr moderierender Effekt auf Abhängigkeit und Lernwirksamkeit in EFL-Settings nicht empirisch getestet. Diese Lücken unterstreichen gemeinsam die Notwendigkeit einer ganzheitlichen Untersuchung, die Technologieakzeptanz, motivationale Psychologie und kognitive Lerntheorien verbindet.

Diese Studie adressiert diese Lücken, indem sie ein neuartiges konzeptionelles Modell vorschlägt, das untersucht, wie die Nutzung generativer KI, die wahrgenommene KI-Abhängigkeit und die wahrgenommene KI-ethische Sorge FoMO bei EFL-Lernenden beeinflussen, die vermittelnde Rolle von FoMO bei der Verbindung aller drei unabhängigen Variablen mit dem Leseverständnis der EFL-Schüler und den moderierenden Effekt digitaler Burnout zwischen Leseverständnis und Vokabelerwerbung. Die vorgeschlagene Forschung trägt zur Entwicklung eines umfassenden theoretischen Rahmens bei, der verwendet werden kann, um die Auswirkungen der KI-Abhängigkeit auf die intrinsische Motivation und die Autonomie des Lernenden durch die Linse der Selbstbestimmungstheorie (SDT)12, die psychologischen Mechanismen hinter FoMO in durch KI vermittelten Lernumgebungen auf der Sozialvergleichstheorie13 sowie die Auswirkungen von KI-Abhängigkeitswerkzeugen auf die kognitive Belastungsbelastung durch die kognitive Belastungstheorie (CLT)14 zu untersuchen.

Die theoretischen Beiträge dieser Studie sind dreifach. Erstens erweitert sie SDT, indem sie KI-Abhängigkeit als potenzielle Bedrohung für die Autonomie der Lernenden betrachtet und damit die Annahme infrage stellt, dass KI die Motivation universell steigert. Zweitens wendet sie die Theorie des sozialen Vergleichs auf KI-vermitteltes Lernen an und zeigt, wie FoMO sich von einem Phänomen sozialer Medien zu einem Treiberder Einführung von Bildungswerkzeugen entwickelt. Drittens verfeinert sie CLT, indem sie zeigt, dass die kognitiven Vorteile von KI (reduzierte überflüssige Belastung) durch abhängig induzierte Germane Load16 ausgeglichen werden können, was eine differenzierte Sicht auf den Einfluss von KI auf die Gedächtniscodierung bietet. Diese theoretischen Fortschritte bilden die Grundlage für zukünftige Forschungen zur Psychologie des KI-unterstützten Lernens.

Um methodische Strenge und praktische Anwendbarkeit sicherzustellen, wurden das Design von mehreren wichtigen Überlegungen geleitet. Die Zielgruppe der EFL-Lernenden chinesischer Universitäten wurde aufgrund ihrer hohen Exposition gegenüber und institutioneller Integration von KI-Tools ausgewählt, was einen relevanten Kontext zur Untersuchung der KI-Abhängigkeit bietet. Konstruktgrenzen werden klar durch validierte Multi-Item-Skalen für jede latente Variable definiert, um konzeptionelle Überschneidungen zu verhindern. Die Auswahl dieser spezifischen Skalen wurde durch ihre etablierte Zuverlässigkeit und ihre direkte Operationalisierung der komplexen psychologischen und verhaltensbezogenen Konstrukte, die untersucht werden (multidimensionale ethische Anliegen, lernspezifisches digitales Burnout), gerechtfertigt. Für die geplanten Mediations- und Moderationsanalysen erkennen wir an, dass die Querschnittsdaten zwar für die prädiktive Modellierung mittels PLS-SEM ausreichen, aber die definitive kausale Inferenz für die vermittelten und moderierten Signalwege begrenzen. Die Stichprobengröße von 465 übersteigt bei weitem die Mindestanforderungen für statistische Stärke sowohl in Regression als auch in PLS-SEM und hält sich an die '10-fach-Regel' für die maximale Anzahl struktureller Pfade, wodurch stabile und generalisierbare Parameterschätzungen für das vorgeschlagene Modell gewährleistet sind.

Die zentralen Konstrukte der Studie sind wie folgt definiert: Wahrgenommene KI-Abhängigkeit bezeichnet den Glauben eines Lernenden an seine Abhängigkeit von KI-Tools für Effizienz und Aufgabenerfüllung. Wahrgenommene KI-ethische Bedenken umfassen Bedenken hinsichtlich algorithmischer Transparenz, Fairness, Sicherheit und Verantwortlichkeit. Generative KI-Nutzung bezeichnet die Häufigkeit und das Ausmaß der Verwendung von KI-Modellen zur Generierung von Text oder Bildern. Angst davor, etwas zu verpassen (FoMO) ist die Angst, dass andere lohnende Erfahrungen machen könnten, bei denen einem fehlt, hier im Kontext von KI-gesteuertem Lernen. Digitales Burnout ist der Zustand emotionaler und mentaler Erschöpfung, der durch längere digitale Interaktion verursacht wird. Schließlich werden die Lernergebnisse durch das Leseverständnis, die Fähigkeit, schriftliches Material zu verstehen und Strategien anzuwenden, sowie durch den Wortschatzerwerb, die selbstwahrgenommene Effektivität beim Lernen und Anwenden neuer Wörter, erfasst.

Der Aufbau dieses Artikels ist wie folgt. Abschnitt 1 behandelt den Hintergrund, die Bedeutung, die Forschungslücken und den Beitrag der vorliegenden Studie. Abschnitt 2 überblickt frühere Arbeiten zu KI im EFL-Lernen, Abhängigkeit und FoMO und synthetisiert zentrale Debatten. Abschnitt 3 beschreibt die Methodik, die Forschungsdesign umfasst, wobei Umfragen zur Messung wahrgenommener Abhängigkeit/FoMO und experimentelle Aufgaben zur Bewertung des Wortschatzspeichers kombiniert werden. Abschnitt 4 präsentiert die Ergebnisse, einschließlich Mediations-/Moderationsanalysen. Abschnitt 5 behandelt Implikationen für Theorie, Pädagogik und KI-Design, während Abschnitt 6 mit Einschränkungen und zukünftigen Richtungen abschließt.

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 an der Universität Yangzhou 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. Die Studie hält sich an ethische Richtlinien für Bildungsforschung und gewährleistet die Anonymität der Teilnehmer sowie die freiwillige Teilnahme. Die informierte Zustimmung wurde elektronisch eingeholt, mit klaren Informationen zur Datennutzung und -speicherung. Es wurden keine personenbezogenen Informationen gesammelt, und die Antworten werden sicher auf passwortgeschützten Servern gespeichert. Die Teilnehmer behalten sich das Recht vor, jederzeit auszusteigen. Potenzielle Risiken (Umfragemüdigkeit) werden durch prägnante Fragebogengestaltung gemindert, und die Ergebnisse werden in aggregierter Form gemeldet, um eine individuelle Identifikation zu verhindern.

Literaturübersicht

Wahrgenommene KI-Abhängigkeit, wahrgenommene KI-ethische Bedenken und Angst, etwas zu verpassen (FoMo)
Die dynamische Integration der Nutzung von Künstlicher Intelligenz (KI) in der Bildung hat dem Sprachenlernen insbesondere bei Schülern der Englisch als Fremdsprache (EFL)17 eine dramatische neue Wendung gegeben. Intelligente Nachhilfesysteme, automatische Schreibbewertung und adaptive Lernplattformen sind KI-basiert und bieten ein effizientes und individuelles Lernerlebnis18. Dennoch gab es neben dieser technologischen Entwicklung auch einige psychologische Probleme, wie die verstärkte Angst vor dem Verpassen (FoMO), eine Form von sozialer Angst, weil Menschen befürchten, nicht an angenehmenAktivitäten teilzunehmen. Laut den Forschungsergebnissen können die wahrgenommene KI-Abhängigkeit und die wahrgenommenen ethischen KI-Bedenken die FoMO-Werte bei EFL-Lernenden verstärken und ihre Interaktionen mit KI-basierter Bildung in Zukunft verändern.

Darüber hinaus können Schüler, da KI ihren Platz im Sprachunterricht findet, von diesen Werkzeugen abhängig werden, um ihre Grammatik und ihren Wortschatz zu verbessern undihre Aussprache zu verbessern. Diese Abhängigkeit kann psychologischen Druck verursachen, und die Schüler könnten das Gefühl haben, KI-Tools konsequent nutzen zu müssen, um akademische Verzögerungen zu verhindern. Forschungsergebnisse zur digitalen Abhängigkeit führten zu dem Schluss, dass Überabhängigkeit von Technologie Angst verursacht, weil man Angst hat, keinen Zugang zusolchen Geräten zu haben. Im Bereich des EFL-Lernens könnten Schüler, die glauben, dass KI notwendig ist, FoMO spüren, weil sie glauben, dass Kommilitonen mehr solcher Technologien nutzen22. Das Phänomen entspricht der Theorie des sozialen Vergleichs23, die postuliert, dass Menschen ihren Fortschritt mit dem anderer vergleichen. Wenn KI-gestütztes Lernen als Wettbewerbssignal gesehen wird, haben Schüler oft Angst, den akademischen Erfolg zu verpassen, wenn sie ihre Beteiligung an der Nutzung solcher Werkzeugenicht maximieren. Darüber hinaus kann die durch KI-Tools geschaffene ständige Verbindung die Unterschiede zwischen Bildung und Unterhaltung verzerren, was süchtig machende Domestizierungsverhalten weiter verstärkt, was FoMO25 weiter verstärkt.

H1: Die wahrgenommene KI-Abhängigkeit beeinflusst die Angst vor dem Verpassen (FoMO) bei EFL-Lernenden positiv.

H2: Wahrgenommene KI-ethische Bedenken beeinflussen die Angst vor dem Verpassen (FoMO) bei EFL-Lernenden positiv.

Generative KI (Nutzung von ChatGPT) und Angst, etwas zu verpassen (FoMo)
Der aktuelle Anstieg der Popularität generativer KI (ChatGPT) im Bildungsbereich hat zu neuen Bedingungen psychologischer Erfahrungen im Sprachlernprozess geführt 26,27. Die Studie hat kürzlich festgestellt, dass der Einsatz solcher Hightech-KI-Tools den emotionalen Zustand der Lernenden erheblich verändern kann, insbesondere die Angst vor dem Verpassen (FoMO)28. Je generativer KI programmiert ist, sofortiges Feedback zu geben, Lernmaterial zu erstellen und eine Konversationspraxis zu simulieren, desto mehr können Schüler Ängste entwickeln und befürchten, zurückzubleiben, falls sie diese Werkzeuge nicht optimal einsetzen. Der Prozess deutet auf einen breiteren Trend des digitalen Lernens hin, bei dem technologische Fortschritte nicht nur mehr Dinge im Lernen ermöglichen, sondern auch Lernerfahrungen neuen Angststufenaussetzen.

Die psychologischen Auswirkungen der generativen KI-Tools auf Sprachlerner lassen sich durch die Selbstbestimmungstheorie erklären, nach der Kompetenz, Autonomie und Verwandtschaft grundlegende psychologischeBedürfnisse sind. In Fällen, in denen Studierende glauben, dass ihre Mitschüler mit Hilfe von KI bessere Ergebnisse erzielen, was darauf zurückzuführen ist, dass FoMO31 nicht behandelt wurde, wird dies auch durch Bedrohungen für ihr Kompetenzempfinden verschärft. Diese Auswirkungen können besonders gravierend in anspruchsvollen akademischen Umgebungen sein, wenn Schüler ihren Fortschritt und ihre Fähigkeitenvergleichen. Darüber hinaus kann der unbegrenzte Zugang zu generativen KI-Tools auch zu einem Problem der ständigen Nutzung führen, da Lernende befürchten, zurückzufallen und erhebliche Fortschritte zu verlieren.

FoMO zeigt sich auch in den sozialen Dynamiken der KI-Implementierung in Lerngemeinschaften33. Sobald generative KI im Bildungskontext normalisiert wird, wird sie wahrscheinlich einen sozialen Druck erzeugen, sich an die in derBildungsumgebung geförderten neuen digitalen Praktiken anzupassen. Dieser Druck kann besonders groß sein, wenn man eine Fremdsprache lernt, bei der KI zur Verfügung steht, um beim Schreiben, der Grammatik und der Kommunikation zu helfen, ohne dassder Lernende sich erkennbar anstrengt. Die Vorstellung, bei dieser Transformation ausgeschlossen zu werden, könnte eine Motivation sein, zwanghafte Nutzungsstrategien zu übernehmen, selbst bei Lernenden, die sonst eher dazu neigen könnten, auf konventionellere Weise zu lernen36. Neue Studien betonen die Notwendigkeit, den Mediationseffekt verschiedener Lerneigenschaften auf die Beziehung zwischen generativer KI-Nutzung und FoMO im Detail zu verstehen. Die Antworten auf diese Fragen hängen von Faktoren wie dem Niveau der digitalen Kompetenz und Selbstregulation sowie der Lernmotivation ab, die bestimmen können, ob KI-Tools Ressourcen stärken oder die Ursache der Angstsind. Basierend auf der obigen Literatur wird folgende Hypothese vorgeschlagen:

H3: Die erhöhte Nutzung generativer KI beeinflusst positiv die Angst vor dem Verpassen (FoMO) bei EFL-Lernenden.

Angst, etwas zu verpassen (FoMo), Leseverständnis und Wortschatzerwerb
Das psychologische Konzept der Angst vor dem Verpassen (FoMO) hat zunehmend Einfluss auf Online-Lernverhalten gewonnen und unterstreicht eine komplexe Beziehung zum Zweitsprachenlernen und akademischen Ergebnissen38. Neuere Forschungen zeigen, dass FoMO je nach Sprachlerndimension39 einen differenzierten Einfluss auf das Erlernen mehrerer Dimensionen des Spracherwerbs haben kann, insbesondere auf das Leseverständnis und den Wortschatzerwerb40. Diese Abhängigkeit scheint durch kognitive Last41 und Aufmerksamkeitskontrollsysteme42 motiviert zu sein, da Personen mit hohem FoMO ein einzigartiges Muster textueller Materialinteraktionen zeigen.

Die empirischen Studien zeigen, dass ein moderates Maß an FoMO das Engagement bei Lesematerialien erhöht, wenn Lernende das Gefühl haben, dass Lesematerialien sozial und akademisch sinnvoll sind43. Übermäßige Konsumierung von FoMO ist jedoch mit unvollständigem Lesen und niedriger Informationstiefverarbeitung(44) verbunden, was das Verständnis beeinträchtigen könnte. Das Gefühl scheint im digitalen Lesebereich stärker ausgeprägt zu sein, wo Benachrichtigungen und das Einklemmen in sozialen Medien die Aufmerksamkeitsstörungen erhöhen45. Im Wortschatzerwerb hat FoMO eine kompliziertere Beziehung, obwohl die Exposition gegenüber neuen lexikalischen Elementen durch erhöhtesEngagement erhöht sein könnte, wird die Bindung durch zwanghaftes Lernverhalten beeinträchtigt.

Neue Belege deuten darauf hin, dass es kulturelle und individuelle Unterschiede in diesen Beziehungen gibt. Im Vergleich dazu scheinen kollektivistische Lernende anfälliger für die negativen Folgen von FoMO auf das Leseverständnis48 zu sein, was möglicherweise mit ihrer erhöhten Tendenz zusammenhängt, sozial zu vergleichen49. Andererseits haben FoMO-Erfahrungen keinen Einfluss auf das Verstehen und Vokabellernen bei Lernenden mit hohen Selbstregulationsstrategien 50. Basierend auf der obigen Literatur werden folgende Hypothesen vorgeschlagen:

H4: Die Angst vor dem Verpassen (FoMO) beeinflusst das Leseverständnis negativ.

H5: Leseverständnis beeinflusst den Wortschatz positiv.

Moderierender Effekt des digitalen Burnouts beim Lernen
Digitales Burnout ist ein aktuelles Problem mit psychologischen und sozialen Implikationen, die die Prozesse des Spracherwerbsbeeinflussen 51,52. Emotional und kognitiv anstrengend, fehlte mir gleichzeitig die Motivation aufgrund einer langen Bandbreite an technologiegetriebenem akademischem Lernen. Digitales Burnout wirkte sich negativ auf die notwendigen kognitiven Fähigkeiten aus, die zur Sprachverarbeitungverwendet werden. Aktive neurokognitive Studien zeigen, dass berufliches Burnout Müdigkeit verursacht, was die Arbeitsgedächtniskapazität beeinträchtigt– ein zentraler Bestandteil sowohl des Wortgedächtnisses als auch des Lesens55. Diese mentale Erschöpfung könnte hinter den neuen Hinweisen auf schwache semantische Codierung bei digital ausgebrannten Lernenden liegen, wenn sie gebeten werden, Vokabellernaufgabenauszuführen 56.

Digitales Burnout äußert sich einzigartig in EFL-Kontexten aufgrund der besonderen kognitiven und affektiven Anforderungen des Spracherwerbs. Im Gegensatz zum allgemeinen akademischen Burnout wird EFL-digitales Burnout durch die ständige kognitive Belastung durch die Verarbeitung unbekannter Phonologie, Syntax und Semantik über digitale Schnittstellen verschärft, was das Arbeitsgedächtnis stärker überfordern kann als inhaltsbasiertesLernen 57. Darüber hinaus wird der affektive Filter durch die performative Natur des Sprachübens auf KI-Plattformen verstärkt, wo Lernende Angst durch sofortige, algorithmusgesteuerte Korrekturen und den Druck, muttersprachlich ähnliche Kompetenz58 zu erreichen, erleben können. Diese Kombination aus verstärkter kognitiver Belastung und einzigartigem sozio-affektivem Druck in digital vermittelten Sprachumgebungen schafft ein spezifisches Burnout-Profil, das die nuancierten Prozesse der Vokabelcodierung und des Leseverständnisses direkt behindert59.

Digitales Burnout und Leseverständnis zeigen sehr subtile Zusammenhänge in der Vokabelentwicklung. Obwohl zufälliges Vokabelwissen wahrscheinlich durch kontextuelle Inferenz erworben wird, wenn Schüler starke Lesefähigkeitenhaben 60, nimmt die positive Korrelation zwischen Wortschatz und Leseleistung bei Schülern mit hohem Burnoutab 61. Augentracking-Messungen zeigen, dass Lernende der verbalen Seneszenz auch verkürzte Fixationszeiten auf neue lexikalische Objekte während des Lesens62 zeigen, was auf einen Rückgang der mentalen Konzentration von vokabulardichten Hintergründen hindeutet. Das ähnelt der Aufmerksamkeitskontrolltheorie, die besagt, dass kognitive Erschöpfung die Fähigkeiten der exekutiven Funktionen beeinträchtigt, die an simultanem Verständnis und lexikalischer Verarbeitung beteiligt sind. Es ist durchaus möglich festzustellen, dass die moderierende Rolle des digitalen Burnouts nur bei individuellen Unterschieden in der Selbstregulation und der Gestaltung von Lernumgebungen sichtbarist. Widerstandsfähigkeit gegenüber den negativen Auswirkungen von Burnout zeigt sich auch bei Lernenden mit leistungsstarken metakognitiven Strategien, da sie auch bei Verstehensbehinderungen einen Vorteil im Wortschatz behalten. Basierend auf der obigen Literatur werden folgende Hypothesen vorgeschlagen:

H6: Digitales Burnout im Lernen wirkt sich negativ auf den Wortschatzerwerb aus.

H7: Digitales Burnout im Lernen moderatiert negativ die Beziehung zwischen Leseverständnis und Wortschatzerwerb, sodass ein höheres Burnout den positiven Effekt des Verstehens auf den Wortschatzgewinn schwächt.

Mediierender Effekt der Angst davor, etwas zu verpassen (FoMo)
Die Einführung künstlicher Intelligenz in der Bildung hat komplizierte psychologische Systeme hinzugefügt, die die Ergebnisse des Leseverständnissesbestimmen. Die neuen Daten zeigen, dass Fear of Missing Out (FoMO) ein wesentlicher Vermittler für den Zusammenhang zwischen der Beteiligung der Lernenden an KI-Technologien und ihrem Lesevermögen65 ist. Die Rolle dieses Vermittlungseffekts scheint besonders in Situationen präsent zu sein, in denen KI-Tools als Mittel zur effizienteren Lernförderung gefördert werden und so psychologische Belastungen erzeugen, die letztlich das höhergeordnete Denkenbehindern können. Um sicherzustellen, dass autonome Lernängste nicht durch Lernende entstehen, die eine irrationale Abhängigkeit von KI-Unterstützungerkennen, konzentrieren sich aktuelle Studien darauf, wie wahrgenommene KI-Abhängigkeitsniveaus die Entwicklung von Angst bezüglich autonomer Lernfähigkeitenbeeinflussen 68. Diese Angst wird in FoMO umgewandelt, wenn Schüler darüber nachdenken, was sie nicht können, im Vergleich zu künstlich-Intelligenz-verbesserten Ergebnissen69, und zeigt eine Tendenz, kognitive Ressourcen von tiefen Verständnisschritten wegzubewegen.

Ethische Fragen im Zusammenhang mit der Anwendung von KI entsprechen den FoMO-Pfaden, und Lernende, die durch den Einsatz von KI mit moralischen Konflikten konfrontiert sind, zeigen eine erhöhte Wachsamkeit gegenüber den Handlungen ihrer Mitschüler, was dazu beiträgt, Aufmerksamkeitstrennungen zwischen Ethik und Leseverständnis70 zu schaffen. Dies spiegelt sich in Eye-Tracking-Studien wider, bei denen der Leser beim Lesenvon 65 regressivere Augenbewegungen macht. Der Mediationseffekt scheint besonders ausgeprägt zu sein, wenn die ethischen Fragen nicht geklärt wurden, was eine anhaltende kognitive Belastung hinterlässt, die das Lesen71 beeinträchtigt. Generative KI-Tools schaffen neue Arten der Mediation mit der Fähigkeit, Ausgaben praktisch in einem Augenblick zu erzeugen. Basierend auf der obigen Literatur werden folgende Hypothesen vorgeschlagen:

H8: Angst vor dem Verpassen (FoMO) vermittelt die Beziehung zwischen wahrgenommener KI-Abhängigkeit und Leseverständnis

H9: Die Angst vor dem Verpassen (FoMO) vermittelt die Beziehung zwischen wahrgenommenen ethischen KI-Bedenken und Leseverständnis

H10: Fear of Missing Out (FoMO) vermittelt die Beziehung zwischen generativer KI-Nutzung und Leseverständnis

Theoretischer Rahmen
Diese Studie basiert hauptsächlich auf der Selbstbestimmungstheorie (SDT)12, die einen kohärenten Rahmen bietet, um zu verstehen, wie KI-Werkzeuge die grundlegenden psychologischen Bedürfnisse beeinflussen, die der Motivation und kognitiven Beteiligung der Lernenden zugrunde liegen. Laut dem Modell gefährdet die wahrgenommene KI-Abhängigkeit direkt die primären SDT-Bedürfnisse an Autonomie und Kompetenz und kann die intrinsische Motivation zum Spracherlernen untergraben, indem sie eine übermäßige Abhängigkeit von externer Regulierung der Erreichung von Zielen wie Leseverständnis und Vokabelerwerb entwickelt. In diesem Zusammenhang wird die Angst vor dem Verpassen (FoMO) im Rahmen der Verwandtschaft verstanden, der durch die sekundäre Sozialvergleichstheorie72 beschrieben wird. Die soziale Norm, die sich unter Gleichaltrigen durch den intensiven Einsatz von KI entwickelt hat, führt zu einem FoMO-Zustand, der zu Angst vor dem Verpassen führt, was wiederum die Abhängigkeit erhöht und folglich die Motivation zum eigenständigen Lernen noch weiter senkt.

Diese motivationale Dynamik wird durch die kognitiven Ergebnisse erklärt, wie sie in der Cognitive Load Theory (CLT)73 beschrieben sind. Obwohl generative KI das Lernen durch die Minimierung der überflüssigen kognitiven Last (z. B. durch sofortige Definition) verbessern kann, kann eine übermäßige Abhängigkeit davon kontraproduktiv sein, um Vokabeln zu erwerben, da die relevante kognitive Belastung reduziert wird, die nötig ist, um das Lexikon tief zu kodieren und im Langzeitgedächtnis zu speichern. Dies wird zusätzlich durch den Zustand des digitalen Burnouts verschärft, der eine Erschöpfung kognitiver Ressourcen darstellt und die Verbindung zwischen Verständnis und Lernen untergräbt. Im Gegenzug bietet SDT die allgemeine Darstellung der motivationalen Wege, CLT erläutert die daraus resultierenden kognitiven Prozesse, und die Sozialvergleichstheorie beschreibt den daraus resultierenden sozial-affektiven Reiz (FoMO), die sich zu einer zusammengesetzten Erklärung des KI-dualen Einflusses auf das Spracherwerb verbinden.

Forschungsdesign
Diese Studie verwendet ein quantitatives, empirisches Forschungsdesign, um die Zusammenhänge zwischen KI-bezogenen Faktoren (wahrgenommene Abhängigkeit, ethische Bedenken, Nutzung generativer KI), Angst vor dem Verpassen (FoMO), digitalem Burnout und Sprachlernergebnissen (Leseverständnis und Wortschatzerwerbung) zu untersuchen. Ein querschnittsbasierter, auf Umfrage basierender Ansatz wird angewandt, der es ermöglicht, Daten an einem einzigen Zeitpunkt zu sammeln, um Korrelationen sowie Mediations-/Moderationseffekte zu bewerten. Das Design eignet sich besonders für die Prüfung des vorgeschlagenen theoretischen Modells, da es die Verwendung von struktureller Gleichungsmodellierung (SEM) zur Analyse komplexer Beziehungen zwischen latenten Konstrukten ermöglicht.

Population und Stichprobe
Die Zielgruppe besteht aus EFL-Lernenden an chinesischen Universitäten, ein Kontext, in dem KI-unterstützte Sprachlernwerkzeuge zunehmend in den Lehrplan integriert werden. Eine Convenience-Sampling-Technik wurde verwendet, um 465 Teilnehmer zu rekrutieren, wobei die Stichprobengröße durch A-priori-Power-Analyse mit G*Power 3.174 bestimmt wurde. Für die geplanten multiplen Regressionsanalysen (α = 0,05, Potenz = 0,95, mittlere Effektgröße f² = 0,15) gab die Analyse eine Mindeststichprobengröße von 166 Teilnehmern an, was bestätigt, dass unsere Stichprobe von 465 Teilnehmern eine ausreichende statistische Stärke bietet. Die Stichprobengröße ist ebenfalls ausreichend, um eine SEM-Analyse durchzuführen, und sie entspricht der Anforderung von PLS-SEM, die angibt, dass die Mindestanzahl der Stichprobenpunkte zehnmal so hoch sein sollte wie die maximale Anzahl struktureller Wege zu einem Konstrukt im Modell75. Die Stichproben werden mit den Stichprobeneinheiten mehrerer Universitäten in verschiedenen geografischen Regionen Chinas rekrutiert, um hohe Ergebnisse im Bereich der Generalisierbarkeit zu erzielen. Im Gegensatz dazu werden demografische Variablen (Bewerberalter, Geschlecht, Englischkenntnisse und Häufigkeit der Nutzung von KI-Tools) erfasst und in zukünftigen Studien als Kontrollelemente verwendet.

Um die analytische Integrität unserer Ergebnisse zu gewährleisten, wurden während des gesamten Datenerhebungs- und Vorbereitungsprozesses mehrere Qualitätskontrollmaßnahmen umgesetzt. Die erste Umfrageverteilung ergab eine Rücklaufquote von 87 %. Nach der Datenerhebung wurden strenge Screening-Verfahren angewandt: Unvollständige Umfragen mit über 10 % fehlenden Daten wurden listweise ausgeschlossen, und alle verbleibenden sporadischen fehlenden Werte auf Item-Ebene wurden mit dem Expectation-Maximization-Imputationsalgorithmus in SPSS behandelt, um die statistische Stärke zu erhalten und gleichzeitig Verzerrungen zu minimieren. Zusätzlich identifizierten eingebettete Aufmerksamkeitsüberprüfungsfragen die Entfernung unaufmerksamer Befragter und erleichterten sie. Diese umfassenden Verfahren, kombiniert mit dem Screening auf multivariate Ausreißer, stellten sicher, dass der endgültige analytische Datensatz (N=450) hohe Zuverlässigkeitsstandards für die nachfolgende Strukturgleichungsmodellierung erfüllte.

Verfahren zur Datenerhebung
Die Daten wurden im Rahmen eines gemischten Ansatzes erhoben, bei dem sowohl Online- als auch Vor-Ort-Methoden genutzt wurden, um die Teilnahme und Zugänglichkeit zu maximieren. Das Forschungsteam arbeitete mit Kursleitern der Zieluniversitäten zusammen, die den einzigartigen Umfragelink direkt über offizielle WeChat-Klassengruppen an die Studierenden verteilten. Diese Methode nutzte vertrauenswürdige Kanäle, um die Rücklaufquoten zu verbessern. Für die Datenerhebung vor Ort besuchten der leitende Forscher und geschulte Assistenten während der geplanten Sitzungen die vorgesehenen Klassenräume. Nach einer kurzen Einführung in die Studie verteilten sie die papierbasierten Umfragepakete. Das Verfahren zur Einholung der informierten Zustimmung wurde auf jeden Modus zugeschnitten. In der Online-Version erhielten die Teilnehmer auf der ersten Seite ein digitales Einwilligungsformular. Sie mussten vor der Aktivierung der Fragebogenfragen auswählen: "Ich habe die obigen Informationen gelesen und verstanden und stimme freiwillig zur Teilnahme zu." Für die Teilnehmer vor Ort wurde dem Umfragepaket ein detailliertes Informationsblatt beigefügt, und die schriftliche Zustimmung wurde eingeholt, indem die Teilnehmer vor dem Erhalt des Fragebogens ein physisches Einverständnisformular unterschrieben hatten. Der vollständige Fragebogen wurde so gestaltet, dass er innerhalb von 15–20 Minuten ausgefüllt werden kann, um die Müdigkeit der Befragten zu minimieren. Um die Datenqualität sicherzustellen, wurden zwei Aufmerksamkeitsprüfungspunkte ("Bitte wählen Sie für diese Aussage "Stark nicht einverstanden" aus") in die Umfrage eingebettet. Unvollständige Einreichungen mit mehr als 10 % fehlenden Daten und solche, die die Aufmerksamkeitsprüfungen nicht bestanden, wurden automatisch vom System markiert und anschließend ausgeschlossen. Der Zeitraum der Datenerhebung erstreckte sich über vier Wochen, in denen zwei Erinnerungsnachrichten über die ursprünglichen Vertriebskanäle gesendet wurden. Nach der Erhebung wurde der Datensatz einem gründlichen Reinigungsprozess unterzogen, der Prüfungen auf fehlende Werte, univariate und multivariate Ausreißer sowie Verstöße gegen Normalitätsannahmen umfasste, bevor die statistische Analyse durchgeführt wurde.

Messungen und Skalenanpassung

Wahrgenommene KI-Abhängigkeit
Die wahrgenommene KI-Abhängigkeit wurde mit einer 5-Item-Skala gemessen, die von Morales-García et al. 76 adaptiert wurde. Die Skala misst, wie abhängig Menschen von künstlicher Intelligenz in ihren täglichen Aktivitäten und Entscheidungsprozessen sind. Die Punkte spiegeln mehrere Aspekte der Abhängigkeit wider, darunter das wahrgenommene Bedürfnis, KI-Tools effizient zu nutzen, und die Unfähigkeit, ohne KI-Unterstützung zu arbeiten.

Wahrgenommene KI-ethische Bedenken
Ethische Bedenken wurden anhand einer multidimensionalen Skala bewertet, die von Kim und Ko77 entwickelt wurde. Um die Validität und Relevanz für eine EFL-Population zu stärken, wurden die vier Dimensionen der Skala im spezifischen Kontext des KI-gesteuerten Spracherlernens gerahmt. Diese Skala besteht aus vier kritischen Dimensionen: Transparenz (8 Artikel), Fairness (5 Artikel), Sicherheit (5 Artikel) und Verantwortung (8 Artikel). Jede Dimension bewertet unterschiedliche ethische Herausforderungen, wie die Klarheit der KI-Entscheidungsprozesse, Verzerrungen in KI-Algorithmen, Risiken im Zusammenhang mit der Nutzung von KI und Verantwortlichkeit bei der Einführung von KI. Diese fokussierte Operationalisierung stellt sicher, dass die Aufgaben direkt auf die ethischen Dilemmata abgestimmt sind, denen EFL-Lernende wahrscheinlich begegnen werden.

Nutzung generativer KI
Die Nutzung generativer KI wurde mit einer 8-Item-Skala von Abbas et al.78 operationalisiert. Diese Skala misst das Ausmaß und die Regelmäßigkeit der Nutzung generativer KI-Modelle, einschließlich Text- und Bildgeräten. Die Produkte untersuchen verschiedene Anwendungen, wie akademische, berufliche und persönliche Anwendungen, und helfen zu verstehen, wie Menschen sie in ihr Leben integrieren und nutzen. Dieser umfassende Ansatz ermöglicht es uns, die ganzheitliche Integration von generativer KI in das Ökosystem der Lernenden zu erfassen, was eine Voraussetzung für das Verständnis ihrer breiteren psychologischen und kognitiven Auswirkungen ist.

Angst, etwas zu verpassen (FoMO)
Fear of Missing Out wurde mit der 17-Item-Skala von Mazlum und Atalay79 gemessen. Diese Skala wurde ausgewählt, weil sie die Angst, dass Gleichaltrige belohnende Erfahrungen machen, bei denen man abwesend ist, nuanciert bewertet. Sie ist besonders passend für diese Studie, da sie Elemente aufdeckt, die für digital vermittelte Lernumgebungen sehr relevant sind, darunter das zwanghafte Bedürfnis, online verbunden zu bleiben, und die Angst, überlegene Lernstrategien, Ressourcen oder Fortschritte durch KI zu verpassen, wodurch die Nutzung von KI direkt mit psychosozialer Angst in Verbindung gebracht wird.

Leseverständnis
Das Leseverständnis wurde mit Lesestrategien gemessen, die von Mokhtari et al.80 übernommen wurden und drei Dimensionen umfasst: Globale Lesestrategien 5 Aufgaben, Problemlösungsstrategien 5 Aufgaben und Unterstützungs-Lesestrategien 5 Aufgaben. Diese Skala bewertet, wie Individuen geschriebenes Material angehen und verstehen, wobei der Fokus auf ihre Fähigkeit liegt, Informationen zu synthetisieren, Verständnisschwierigkeiten zu lösen und externe Hilfsmittel zur Verständnissteigerung zu nutzen.

Digitales Burnout im Lernen
Digitales Burnout im Lernen wurde mit einer Skala gemessen, die von Erten und Özdemir81 adaptiert wurde und aus drei Dimensionen besteht: Digitales Altern (12 Items), Digital Deprivation (6 Items) und emotionale Erschöpfung (6 Items). Diese Skala bewertet die negativen psychologischen Auswirkungen langanhaltender digitaler Interaktion, darunter Müdigkeit durch übermäßige Bildschirmzeit, Gefühle der Entfremdung und geistige Erschöpfung durch Online-Lernanforderungen.

Wortschatzerwerb
Der Wortschatzerwerb wurde mit einer 4-Item-Skala von Li et al.82 bewertet. Die Skala wird verwendet, um die Wirksamkeit von Vokabellernstrategien zu messen, wie Menschen neue Wörter in verschiedenen Kontexten annehmen, merken und verwenden. Das Material bewertet selbstberichtete Kompetenz und Selbstvertrauen in der Verwendung von Vokabeln.

Datenanalyseplan
Die Studie verfolgt eine umfassende, zweiphasige Analysestrategie, um die hypothetischen Zusammenhänge rigoros zu untersuchen. Erste Datenscreening und vorläufige Analysen werden mit SPSS 28 durchgeführt, wobei der Fokus auf deskriptive Statistiken zur Bewertung der Datenverteilung, Skalierungszuverlässigkeitsanalysen (Cronbachs Alpha) und bivariate Korrelationen zur Untersuchung von vorläufigen Zusammenhängen zwischen Schlüsselkonstrukten liegt. Alle Likert-Größen wurden auf einer 5-Punkte-Intervallskala codiert (1=Stark widersprechend bis 5=Stark übereinstimmen). Diese grundlegende Analyse gewährleistet die Datenqualität und liefert wesentliche Einblicke in die grundlegenden Eigenschaften des Datensatzes, bevor mit komplexeren Modellierungen übergegangen wird. Für die Primäranalyse wird SmartPLS 4 verwendet, um die Partial Least Squares Structural Equation Modeling (PLS-SEM) zu implementieren, die wegen seines robusten Umgangs mit komplexen prädiktiven Modellen mit latenten Variablen83 ausgewählt wurde. Die Analyse beginnt mit einer gründlichen Bewertung des Messmodells, bei der die bestätigende Faktoranalyse die psychometrischen Eigenschaften der Skalen feststellt. Wichtige Bewertungen umfassen Tests zur internen Konsistenz (zusammengesetzte Zuverlässigkeit), konvergente Validität (mittelbare Varianz extrahiert) und diskriminierende Validität (Fornell-Larcker-Kriterium und Heterotrait-Monotrait-Verhältnis). Diese Schritte stellen sicher, dass die Konstrukte sowohl theoretisch stichhaltig als auch empirisch unterschiedlich sind.

Anschließend wird das Strukturmodell untersucht, um die hypothetischen Beziehungen zwischen den Konstrukten zu testen. Pfadkoeffizienten werden hinsichtlich ihres Magnitudens, ihrer Richtung und ihrer statistischen Signifikanz analysiert, während Effektgrößen (f²) berechnet werden, um den substantiellen Einfluss zu bewerten. Die prädiktive Relevanz des Modells wird mittels der Stone-Geisser-Q²-Statistik bewertet, wobei blinde Verfahren verwendet werden, um die Fähigkeit des Modells zur Vorhersage endogener Variablen zu validieren. Für Mediationsanalysen verwendet die Studie den Preacher andHayes 84 Bootstrapping-Ansatz, der robuste Konfidenzintervalle für indirekte Effekte bereitstellt und gleichzeitig potenziell störende Variablen kontrolliert. Moderationseffekte werden anhand von Interaktionsbegriffen getestet, die mit der PLS-Produktindikatormethode erstellt wurden, wobei eine einfache Steigungsanalyse durchgeführt wird, um signifikante Interaktionseffekte zu interpretieren. Alle Analysen verwenden 5.000 Bootstrap-Proben, um stabile Schätzungen zu erstellen und die Robustheit der Ergebnisse sicherzustellen.

Für die Primäranalyse wird SmartPLS 4 verwendet, um die Partial Least Squares Structural Equation Modeling (PLS-SEM) zu implementieren, die wegen seines robusten Umgangs mit komplexen prädiktiven Modellen mit latenten Variablen83 ausgewählt wurde. Die Wahl von PLS-SEM gegenüber kovarianzbasiertem SEM (CB-SEM) wird durch das Hauptziel der Studie gerechtfertigt, endogene Variablen (Vokabularerwerbung) vorherzusagen (Vokabelerwerbung) und das komplexe Modell mit vermittelnden und moderierenden Mechanismen85. Darüber hinaus wird PLS-SEM gegenüber multipler Regressionen bevorzugt, da es gleichzeitig die Beziehungen zwischen allen latenten Konstrukten im gesamten Modell schätzt und Messfehler berücksichtigt. Während experimentelle Designs starke kausale Inferenz bieten, zielt die Querschnittsstruktur dieser Studie darauf ab, prädiktive Beziehungen in einem realen Lernkontext herzustellen, für den PLS-SEM gut geeignet ist86. Abschließend ist diese Studie für die Datenanalyse und die Ergebnisse dieser Studie im untenstehenden Ergebnisabschnitt zu sehen.

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
Die deskriptiven Statistiken bieten einen Überblick über die wichtigen Variablen in dieser Studie, d. h. wahrgenommene KI-Abhängigkeit, ethische Bedenken und generative KI-Nutzung, Angst vor dem Verpassen (FoMO), Leseverständnis, digitales Burnout und Vokabelaneignung. Die Analyse zeigt zentrale Tendenzen, Streuung und verteilungsbedingte Eigenschaften der Daten auf und vermittelt ein Verständnis für das Interesse der Teilnehmer an KI-Technologien sowie die psychologischen und ...

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

Diskussion

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

Die aktuelle Studie untersuchte das komplexe Zusammenspiel zwischen KI-bezogenen Faktoren, psychologischen Zuständen und Lernergebnissen unter EFL-Lernenden und ergab mehrere zentrale Erkenntnisse. Unser methodischer Ansatz, insbesondere der Einsatz von PLS-SEM, war entscheidend für die Modellierung dieser komplexen Zusammenhänge. Im Gegensatz zum kovarianzbasierten SEM (CB-SEM), das besser für die Theoriebestätigung geeignet ist, machten die prädiktive Ausrichtung und die Fähigkeit, kom...

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 finanziert, Fördernummer (23YYB011). Diese Arbeit wurde von der Prince Sultan University im Rahmen des Language and Communication Research Laboratory mit dem Stipendium RL-CH-2019/9/1 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
Laptop ComputerDell TechnologiesN/AVerwendet für Datenverarbeitung und Dokumentation
Statistische Software (SPSS)IBM Corp.Version 26.0Verwendung für statistische Analysen
Microsoft ExcelMicrosoftBüro 365Dateneingabe und grundlegende Datenverarbeitung

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y. H. Exploring the influence of generative artificial intelligence anxiety on problematic ChatGPT use: The fear of missing out and personality traits. Univ Access Inf Soc. 24, 2477-2490 (2025).
  2. Lap, T. Q., Vy, P. N. T., Uyen, N. C. B., Tuan, L. C. 34;Fear of missing out!": Veteran EFL teachers' perceptions of using AI-powered tools in English language teaching. Int J Inf Educ Technol. 15 (6), 1161-1171 (2025).
  3. Khamis, N. Y. H., Yusof, N. Artificial intelligence revolutionising writing assessments. Int J Lang Educ Appl Linguist. 14 (2), 1-6 (2024).
  4. Ng, P. M., Chan, J. K., Kwong, R., Kwok, M. L. J., Lau, M. M., et al. Bonus or burden? Exploring the interplay of FOMO and attitudes on DeepSeek adoption, managing information and firm performance in China. J Enterp Inf Manag. , https://profile.cpce-polyu.edu.hk/en/publications/bonus-or-burden-exploring-the-interplay-of-fomo-and-attitudes-on--3/ (2025).
  5. Yang, X., Song, B., Chen, L., Ho, S. S., Sun, J. Technological optimism surpasses fear of missing out: A multigroup analysis of presumed media influence on generative AI technology adoption across varying levels of technological optimism. Comput Human Behav. 162, 108466(2025).
  6. Lee, B. G. Understanding the digital and AI transformation. , Springer Nature. Singapore. (2024).
  7. Mathur, S., Shah, C. S., Vishnoi, S. K., Tewari, A. ChatGPT and me: A dual factor examination. J Comput Inf Syst. , (2025).
  8. Caporusso, N. Generative artificial intelligence and the emergence of creative displacement anxiety. Res Psychol Behav. , (2023).
  9. Abd Ellatif Elsayed, H. Fear of missing out and its impact: Exploring relationships with social media use, psychological well-being, and academic performance among university students. Front Psychol. 16, 1582572(2025).
  10. Yankouskaya, A., Liebherr, M., Ali, R. Can ChatGPT be addictive? A call to examine the shift from support to dependence in AI conversational large language models. Hum Cent Intell Syst. 5, 77-89 (2025).
  11. Montag, C., Yang, H., Wu, A. M., Ali, R., Elhai, J. D. The role of artificial intelligence in general, and large language models specifically, for understanding addictive behaviors. Ann N Y Acad Sci. 1548 (1), 5-11 (2025).
  12. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  13. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  14. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  15. Ryan, R. M., Deci, E. L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Educ Psychol. 61, 101860(2020).
  16. Wu, D., Zhao, Y. C., Wang, X., Song, S., Lian, J. Digital hoarding in everyday hedonic social media use: The roles of fear of missing out (FoMO) and social media affordances. Int J Hum Comput Interact. 40 (18), 5399-5414 (2024).
  17. Venkatesh, V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Inf Syst Res. 11 (4), 342-365 (2000).
  18. Liu, J. When usefulness fuels fear: The paradox of generative AI dependence and the mitigating role of AI literacy. Int J Hum Comput Interact. , (2025).
  19. Shukla, A., Jirli, P. Ethical and social consequences of accelerated technology adoption. Augmenting retail reality, Part A: Blockchain, AR, VR, and the Internet of Things. , Emerald Publishing Limited. (2024).
  20. Owen, A., Graham, M. Ethical considerations in artificial intelligence and the growing dependence on data: Challenges, implications, and future perspectives. , (2024).
  21. Wang, Y. Emotional dependence path of artificial intelligence chatbot based on structural equation modeling. Procedia Comput Sci. 247, 1089-1094 (2024).
  22. Erdmann, M., Lassleben, L., Wagner, L., Prinzing, C., Sauer, S., et al. Effects of increased usage of artificial intelligence (AI) technology on user's perception of dependency on chatbots and smart home systems. In Int Conf Hum Comput Interact. , 178-195 (2025).
  23. Zhang, X., Hu, J., Zhou, Y. The role of perceived utility and ethical concerns in the adoption of AI-based data analysis tools: A multi-group structural equation model analysis among academic researchers. Educ Inf Technol. 30 (13), 18819-19188 (2025).
  24. Uppal, K., Hajian, S. Students' perceptions of ChatGPT in higher education: A study of academic enhancement, procrastination, and ethical concerns. Eur J Educ Res. 14 (1), 199-211 (2025).
  25. Putri, K. Y., Naf'ihima, F. A. R. Pre-service teacher' perceptions of generative AI: Dependency, effect, and ethics. Educ Linguist Knowl J. 7 (1), 1-21 (2025).
  26. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comput Hum Behav Rep. 18, 100627(2025).
  28. Amin, M. Y. M. AI and Chat GPT in language teaching: Enhancing EFL classroom support and transforming assessment techniques. Int J High Educ Pedagog. 4 (4), 1-15 (2023).
  29. Murphy, R. S., Wotley, D., Minn, D. Integrating ChatGPT into the EFL classroom: Benefits and challenges. Bull Cent Fundam Educ. 40, 97-166 (2023).
  30. Ahmed, M. A. ChatGPT and the EFL classroom: Supplement or substitute in Saudi Arabia's eastern region. Inf Sci Lett. 12 (7), 2727-2734 (2023).
  31. Long, H. S. Exploring the use of ChatGPT as a tool for written corrective feedback in an EFL classroom. J Asia TEFL. 21 (2), 397-412 (2024).
  32. Ferhataj, A., Memaj, F., Sahatcija, R., Ora, A., Koka, E. Ethical concerns in AI development: Analyzing students' perspectives on robotics and society. J Inf Commun Ethics Soc. 23 (2), 165-187 (2025).
  33. Zaiarna, I., Zhyhadlo, O., Dunaievska, O. ChatGPT in foreign language teaching and assessment: Exploring EFL instructors' experience. Inf Technol Learn Tools. 4 (102), 176-191 (2024).
  34. Mali, Y. C. G. Exploring the use of ChatGPT in EFL/ESL writing classrooms: A systematic review. J Lang Educ. 11 (2), 137-156 (2025).
  35. Bin-Hady, W. R. A., Ali, J. K. M., Al-Humari, M. A. The effect of ChatGPT on EFL students' social and emotional learning. J Res Innov Teach Learn. 17 (2), 243-255 (2024).
  36. Kavak, V. İ, Evis, D., Ekinci, A. The use of ChatGPT in language education. Exp Appl Med Sci. 5 (2), 72-82 (2024).
  37. Li, J., Ren, X., Jiang, X., Chen, C. H. Exploring the use of ChatGPT in Chinese language classrooms. Int J Chin Lang Teach. 4 (3), 36-55 (2024).
  38. Dilzhan, B. Teaching English and artificial intelligence: EFL teachers' perceptions and use of ChatGPT. [Dissertation]. , SDU University. (2023).
  39. Hong, W., Liu, R. D., Ding, Y., Yang, X., Yang, Y., Lin, J. The myth of parental fear of missing out on their children's schooling in China: A tentative study to explore its effect on children's learning engagement. Educ Psychol. 45 (9), 1-20 (2025).
  40. Gezgin, D. M., Efeoğlu, E. Using explainable artificial intelligence to predict internet addiction in Turkish university students. Int J Hum Comput Interact. , (2025).
  41. Al-Furaih, S. A., Al-Awidi, H. M. Fear of missing out (FoMO) among undergraduate students in relation to attention distraction and learning disengagement in lectures. Educ Inf Technol. 26 (2), 2355-2373 (2021).
  42. Sweller, J. Cognitive load theory and educational technology. Educ Technol Res Dev. 68 (1), 1-16 (2020).
  43. Engle, R. W. Working memory and executive attention: A revisit. Perspect Psychol Sci. 13 (2), 190-193 (2018).
  44. Pekrun, R. Inquiry on emotions in higher education: Progress and open problems. Stud High Educ. 44 (10), 1806-1811 (2019).
  45. Santi, E., Kholipa, R., Putri, M. G. Reading interest strength and vocabulary acquisition of EFL learners: A meta-analysis. J Lang Linguist Stud. 17 (3), 1225-1242 (2021).
  46. Chang, A. C., Renandya, W. A. The effect of narrow reading on L2 learners' vocabulary acquisition. RELC J. 52 (3), 493-508 (2021).
  47. Lin, Z., Chen, H. Investigating the capability of ChatGPT for generating multiple-choice reading comprehension items. Syst. 123, 103344(2024).
  48. Shane-Simpson, C., Bakken, T. Students' fear of missing out predicts in-class social media use. Teach Psychol. 51 (2), 141-150 (2024).
  49. Tong, X., Yu, L., Deacon, S. H. A meta-analysis of the relation between syntactic skills and reading comprehension: A cross-linguistic and developmental investigation. Rev Educ Res. 95 (3), 385-426 (2025).
  50. Arini, A., Hudha, M. C. Analyzing the effect of FoMO on students' learning motivation in Islamic religious education. Southeast Asian J Islam Educ. 8 (1), 125-138 (2025).
  51. Mohamed, A. A. A. E. F. Fear of missing out disorder of social networking sites (FoMO) towards blinds and mechanisms of combating it in the framework of technological literacy. Egypt J Public Opin Res. 21 (1), 67-130 (2022).
  52. Chen, C., Shen, Y., Xiao, F., Ni, J., Zhu, Y. The effect of smartphone dependence on learning burnout among undergraduates: The mediating effect of academic adaptability and the moderating effect of self-efficacy. Front Psychiatry. 14, 1155544(2023).
  53. Ye, X., et al. Effect of fear of missing out on learning burnout in medical students: A moderated mediation. Front Psychiatry. 14, 1289906(2023).
  54. Yang, X., Du, J. The effect of teacher self-efficacy, online pedagogical and content knowledge, and emotion regulation on teacher digital burnout: A mediation model. BMC Psychol. 12 (1), 51(2024).
  55. Qin, Y., Liu, S. J., Xu, X. L. The causalities between learning burnout and internet addiction risk: A moderated-mediation model. Soc Psychol Educ. 26 (5), 1455-1477 (2023).
  56. Li, H. I cannot miss it for the world: The relationship between fear of missing out (FoMO) and acceptance of ChatGPT. Basic Appl Soc Psych. 46 (5), 285-294 (2024).
  57. Saboor, A., Ali, K., Mugheri, A., Fatima, M. The impact of digital transformation on educational leadership: Assessing digital burnout and mental health in virtual teaching. Rev Appl Manag Soc Sci. 7 (4), 391-408 (2024).
  58. Kuadey, N. A. m, et al. Using machine learning algorithms to examine the impact of technostress creators on student learning burnout and perceived academic performance. Int J Inf Technol. 16 (4), 2467-2482 (2024).
  59. Al-Enezi, F. K. The mediating role of academic resilience between digital overload and school burnout among high school students in Kuwait. Educ Process Int J. 17, e2025341(2025).
  60. Basri, S., Hawaldar, I. T., Nayak, R., Rahiman, H. U. Do academic stress, burnout and problematic internet use affect perceived learning? Evidence from India during the COVID-19 pandemic. Sustainability. 14 (3), 1409(2022).
  61. Hussain, Z., Chenmei, C., Saeed, M., Hassan, N., Chiragh, F. Personality and teachers' burnout stress: Exploring the digital competence as personal job resource in allied health institutions. Front Psychol. 15, 1334371(2024).
  62. Zhang, P., Ma, S., Zhao, Y., Ling, J., Sun, Y. Analysing influencing factors and correlation paths of learning burnout among secondary vocational students in the context of social media: An integrated ISM-MICMAC approach. Heliyon. 10 (7), e28696(2024).
  63. Song, W., Wang, Z., Zhang, R. Classroom digital teaching and college students' academic burnout in the post COVID-19 era: A cross-sectional study. Int J Environ Res Public Health. 19 (20), 13403(2022).
  64. Dinh, T. C. T., Lee, Y. Social media influencers and followers' conspicuous consumption: The mediation of fear of missing out. Heliyon. 10 (16), (2024).
  65. Kovan, A., Yıldırım, M., Gülbahçe, A. The relationship between fear of missing out and social media addiction among Turkish Muslim students: A serial mediation model through self-control and responsibility. Soc Sci Humanit Open. 10, 101084(2024).
  66. Shi, G., Wu, Y., Pang, H., Liu, Z. The double-edged sword effect of leaders' fear of missing out on leaders' creativity: An experience sampling method study. Psychol Res Behav Manag. 17, 259-271 (2024).
  67. Batmaz, H., Çelik, E., Koçak, L., Tufan, B. N., Makas, S., et al. Fear of missing out mediated the relationship between social appearance anxiety and phubbing in Turkish adults. J Gambl Issues. 53, (2024).
  68. Budhathoki, T., Zirar, A., Njoya, E. T., Timsina, A. ChatGPT adoption and anxiety: A cross-country analysis utilising the unified theory of acceptance and use of technology (UTAUT). Stud High Educ. 49 (5), 831-846 (2024).
  69. Holte, A. J., Nixon, A., Cooper, J. Attachment anxiety mediates the relationship of need to belong and fear of missing out (FoMO). Discov Psychol. 4 (1), 141(2024).
  70. Liu, H., Li, T., Zheng, H., Li, Y., Fan, J. Exploring the relationship between students' language learning curiosity and academic achievement: The mediating role of foreign language anxiety. Behav Sci. 15 (8), 1133(2025).
  71. Jin, W., Li, P., Ma, H., Qin, M. The impact of communication software usage on work engagement in remote work: The mediating role of distraction and FoMO. Curr Psychol. 43 (27), 23156-23177 (2024).
  72. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  73. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  74. Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  75. Henseler, J., Hubona, G., Ray, P. A. Using PLS path modeling in new technology research: Updated guidelines. Ind Manag Data Syst. 116 (1), 2-20 (2016).
  76. Kim, D., Ko, Y. Development and validation of an ethical awareness scale for AI technology. J Digit Converg. 20 (1), 71-86 (2022).
  77. 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).
  78. Mazlum, M., Atalay, A. Developing the fear of missing out (FoMO) scale for university students: The validity and reliability study. J Pedagog Res. 6 (4), (2022).
  79. Mokhtari, K., Dimitrov, D. M., Reichard, C. A. Revising the metacognitive awareness of reading strategies inventory (MARSI) and testing for factorial invariance. 8 (2), 219-246 (2018).
  80. Erten, P., Özdemir, O. The digital burnout scale. İnönü Univ J Fac Educ. 21 (2), 668-683 (2020).
  81. Li, R., Meng, Z., Tian, M., Zhang, Z., Xiao, W. Modelling Chinese EFL learners' flow experiences in digital game-based vocabulary learning: The roles of learner and contextual factors. Comput Assist Lang Learn. 34 (4), 483-505 (2021).
  82. Hair, J., Alamer, A. Partial least squares structural equation modeling (PLS-SEM) in second language and education research: Guidelines using an applied example. Res Methods Appl Linguist. 1 (3), 100027(2022).
  83. Preacher, K. J., Hayes, A. F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behav Res Methods. 40 (3), 879-891 (2008).
  84. 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).
  85. Hair, J. F. Jr, Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S. Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. , Springer Nature. (2021).
  86. Salah, M., Abdelfattah, F., Alhalbusi, H., Al Mukhaini, M. Me and my AI bot: Exploring the 'AIholic' phenomenon and university students' dependency on generative AI chatbots-Is this the new academic addiction. , (2023).
  87. Razali, K., Razali, I. Strategies in improving reading comprehension through vocabulary acquisition. Englisia J Lang Educ Humanit. 1 (1), 1-16 (2013).
  88. 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. Psychol. , (2022).
  89. Nguyen Thi Thu, H. EFL teachers' perspectives toward the use of ChatGPT in writing classes: A case study at Van Lang University. Int J Lang Instr. 2 (3), 1-47 (2023).
  90. Ghafar, Z. N. ChatGPT: A new tool to improve teaching and evaluation of second and foreign languages. A review of ChatGPT: The future of education. Int J Appl Res Sustain Sci. 1 (2), 73-86 (2023).
  91. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).

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

EFL LernendeLeseverst ndnisdigitaler Burnouttechnologievermitteltes Lernenethische Bedenkendigitales Wohlbefinden

Verwandte Artikel