Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Wie digitales Wohlbefinden und generative KI den akademischen Erfolg der Studierenden und nachhaltige Entwicklungsziele erreichen

730 Aufrufe

⸱

DOI:

10.3791/70211

⸱

27. Februar 2026

1Xuzhou Kindergarten Teachers College

In diesem Artikel

Zusammenfassung

Diese Studie zeigt, dass digitales Wohlbefinden und generative KI das Engagement des Englischen als Fremdsprache fördern, was zu besseren akademischen Leistungen führt. Höhere Leistungen erhöhen das Bewusstsein für nachhaltige Entwicklungsziele und verknüpfen Bildungstechnologie sowohl mit schulischen als auch mit Nachhaltigkeitsergebnissen.

Zusammenfassung

Diese Studie untersucht, wie digitales Wohlbefinden und die Einführung generativer KI zum akademischen Erfolg und dem Engagement von Englisch-als-Fremdsprache-(EFL)-Schülern bei den Nachhaltigkeitszielen (SDGs) beitragen. Mit einem quantitativen Querschnittsdesign wurden Daten von 440 Teilnehmern über validierte Skalen erhoben, die digitales Wohlbefinden, KI-Nutzung, Lernengagement, akademische Leistungen und SDG-Bewusstsein messen. Die teilweise kleinste Quadrat-Strukturmodellierung (PLS-SEM) wurde eingesetzt, um die Beziehungen zwischen diesen Konstrukten zu analysieren und gleichzeitig die prädiktive Validität und Robustheit des Modells zu bewerten. Die Ergebnisse zeigen, dass sowohl digitales Wohlbefinden als auch generative KI das EFL-Lernengagement deutlich steigern, was wiederum den akademischen Erfolg fördert. Darüber hinaus beeinflusst die akademische Leistung das Bewusstsein der Schüler für die SDG positiv und hebt die Vernetzung von digitaler Bildung und Nachhaltigkeitsergebnissen hervor. Die Studie identifiziert das Lernengagement als entscheidenden Vermittler zwischen technologiegestütztem Lernen und akademischer Leistung. Diese Ergebnisse unterstreichen die Bedeutung der Integration digitaler Wellness-Strategien und KI-Kompetenz in Bildungsrahmen, um sowohl schulische Leistungen als auch globale Bürgerschaft zu fördern. Diese werden erreicht, indem Lehrpläne und Pädagogik gestaltet werden, die gleichzeitig den Studierenden beibringen, ihr digitales Leben für effektives Lernen zu managen, und sie befähigen, fortschrittliche Technologien zu nutzen und zu kritisieren, um die dringendsten Herausforderungen der Welt zu verstehen und darauf zu reagieren.

Einleitung

In einer Ära rascher technologischer Fortschritte hat sich die Integration von digitalem Wohlbefinden und generativer künstlicher Intelligenz (GAI) in die Bildung als transformative Kraft mit weitreichenden Auswirkungen auf die schulischen Leistungen der Schüler und die Ziele für nachhaltige Entwicklung der Vereinten Nationen (SDGs) etabliert. Während digitales Wohlbefinden sich darauf konzentriert, eine gesunde Nutzung von Technologien zur Verbesserung des kognitiven und emotionalen Gleichgewichts zu fördern, eröffnet GAI beispiellose Möglichkeiten für personalisiertes Lernen2, Zugänglichkeit und pädagogische Effizienz3. Dennoch ist der bestehende Wissensgrund, so sehr sich in diesen Bereichen weltweit ein wachsendes Interesse entwickelt, zerstreut und es gibt wenig Fokus auf die zukünftigen Versprechen ihrer Synergien zur Entwicklung akademischer Erfolge und zur Förderung globaler Nachhaltigkeitsmeilensteine4. Diese Forschung hilft, diese dringend benötigte Lücke zu schließen, indem sie speziell untersucht, wie eine verantwortungsvolle Nutzung von GAI, wenn sie von den Prinzipien des digitalen Wohlbefinden basiert, Lernergebnisse maximieren kann, aber gleichzeitig zentrale SDGs unterstützt, insbesondere SDG 4 (Qualitätsbildung), SDG 3 (Gesundheit und Wohlbefinden) und SDG 10 (Verminderte Ungleichheiten).

Eine Überprüfung der aktuellen Literatur offenbart mehrere wenig erforschte Dimensionen. Erstens betonen Studien zum digitalen Wohlbefinden zwar die Risiken von übermäßiger Bildschirmzeit, digitaler Ablenkung und psychischen Gesundheitsproblemen bei Schülern5, aber nur wenige haben untersucht, wie strukturierte digitale Achtsamkeitspraktiken mit KI-gesteuerten Lernwerkzeugen koexistieren können6. Zweitens hebt die Forschung zu GAI in der Bildung vor allem die Effizienz bei der Automatisierung von Bewertungen, der Inhaltserstellung und der Ermöglichung adaptiven Lernens7 hervor, übersieht jedoch die psychologischen und verhaltensbezogenen Auswirkungen auf das Wohlbefinden der Schüler8. Drittens, obwohl der SDG-Rahmen für eine inklusive und gerechte Bildung plädiert, wurde nur wenig darauf geachtet, wie KI-verbesserte Lernumgebungen, wenn sie mit Blick auf das Wohlbefinden gestaltet sind, Bildungsunterschiede verringern und nachhaltige Lernpraktiken fördern können9. Diese Lücken unterstreichen die Notwendigkeit eines integrativen Ansatzes, der technologische Innovation mit menschenzentrierten Wohlfühlstrategien in Einklang bringt.

Diese Studie adressiert diese Einschränkungen, indem sie einen neuartigen Rahmen vorschlägt, der Prinzipien des digitalen Wohlbefindens mit GAI-Anwendungen in der Bildung in Einklang bringt. Im Gegensatz zu einer früherenStudie 10, die diese Begriffe unabhängig analysierte, betrachtet unsere Studie ihre Dynamik als solche und präsentiert so empirische Belege dafür, wie eine solche KI moralisch implementiert werden kann, um den Fokus der Studierenden, Motivation und langfristigen akademischen Leistungen zu unterstützen statt zu untergraben. Auf diese Weise wird das vorliegende Manuskript zu den weiteren Diskussionen in den Bereichen Bildungstechnologie, Psychologie und Nachhaltigkeitswissenschaft beitragen und eine aktuelle Variante bieten, die eine große Zahl von Lesern, Forschern, politischen Entscheidungsträgern und Pädagogen interessiert, die evidenzbasierte Ansätze finden, um das richtige Gleichgewicht zwischen der Integration von Technologien und nachhaltiger ganzheitliche Entwicklung von Lernenden und Schülern.

Die theoretischen Beiträge dieser Forschung sind dreifach. Erstens treibt sie den Diskurs über digitales Wohlbefinden voran, indem sie eine neue Dimension des KI-vermittelten Wohlbefindens einführt, die untersucht, wie generative KI kalibriert werden kann, um kognitive Überlastung zu minimieren und achtsamesEngagement zu fördern. Zweitens baut es auf der Literatur zur KI in der Bildung auf, da es Überlegungen zum Wohlbefinden als wesentliches Designelement integriert und die bestehenden effizienzgetriebenen Diskurse stört12. Drittens verbessert es die Qualität der SDG-Forschung, indem gezeigt wird, wie aktualisierte Bildungssysteme durch KI zu Treibern nachhaltiger Entwicklung werden können, insbesondere um digitale Kluften zu schließen und Lernende mental widerstandsfähig zu machen. Diese Innovationen des Theoretikers stellen unsere Forschung in die Avantgarde interdisziplinärer Studien und bieten eine Perspektive auf die aktuelle gegenseitige Abhängigkeit von Technologie, Bildung und Nachhaltigkeit auf globaler Ebene. Akademisch bietet die Studie einen ganzheitlichen Rahmen dafür, wie es möglich ist, das doppelte Ergebnis von GAI und digitalem Wohlbefinden auf Lernergebnisse anhand empirischer Datenzu bewerten. Unter den politischen Entscheidungsträgern werden praktische Empfehlungen präsentiert, wie der Einsatz von KI in der Bildung ethisch geregelt werden kann, um die Sicherheit der Schülerzu schützen. Für Pädagogen zeigt es evidenzbasierte Methoden, wie man das KI-Werkzeug implementiert, die die Wirksamkeit von Pädagogik15 unterstützen, aber nicht verletzen. Darüber hinaus vermittelt der Zusammenhang zwischen diesen Ergebnissen und den SDGs ein größeres Bild der Gesamtwirkungen technologisch fortschrittlicher Bildung in der Gesellschaft, weshalb digitale Pionierarbeit mit nachhaltiger menschlicher Entwicklung in Einklang gebracht werden sollte.

Das Aufkommen rasch ausbreitender digitaler Technologien und generativer künstlicher Intelligenz (KI) in der Bildung löste ein enormes intellektuelles Interesse an deren kombinierten Auswirkungen auf das akademische Leistungsniveau der Schüler und die Erreichung einer Vielzahl gesellschaftlicher Ziele, einschließlich des Nachhaltigkeitsziels16, aus. Obwohl diese technologischen Entwicklungen ein revolutionäres Potenzial besitzen, sind die Anwendungen solcher Technologien in pädagogischen Umgebungen ein reiches Feld von Polaritäten und kontroversen Logistiken, in dem bestehende Studien kritisch synthetisiert werden sollten, um die Erkenntnisse und Grenzen der kommenden Studien zu definieren17. Diese Literaturübersicht beleuchtet die Erkenntnisse aus drei verwandten Bereichen: (1) digitales Wohlbefinden und dessen Bildungsimplikationen, (2) generative KI und deren Einfluss auf Bildungspraxis sowie (3) die Vereinbarkeit der jeweiligen technologischen Interventionen mit SDGs, insbesondere solchen, die sich auf qualitativ hochwertige Bildung, Gesundheit und Gerechtigkeit beziehen. Digitales Wohlbefinden hat sich in zunehmend technologieorientierten Lernumgebungen zu einem kritischen Studienfeldentwickelt. Während Forschungen Risiken wie kognitive Überlastung, digitale Ablenkung und passiven Konsum im Zusammenhang mit der Übernutzung von Bildschirmen hervorheben, wächst das Bewusstsein für das Potenzial,diese Effekte abzumildern. Strategische Interventionen wie digitale Achtsamkeit, gezielter Einsatz von Technologien und metakognitive Reflexion können ein sinnvolles Engagement fördern und die psychische sowie emotionale Gesundheit schützen. Wichtig ist, dass digitales Wohlbefinden über die Minimierung der Bildschirmzeit hinausgeht; Es beinhaltet die Pflege einer ausgewogenen, selbstbestimmten Beziehung zur Technologie20. Diese Perspektive ist besonders relevant in KI-gestützten Lernkontexten, in denen ethische Herausforderungen wie algorithmische Voreingenommenheit und übermäßige Abhängigkeit von Automatisierung das Kompetenzgefühl, die Autonomieund die Verwandtschaft der Schüler direkt beeinflussen können – die für Motivation und Wohlbefinden wesentlichen Kernbedürfnisseder Schülerinnen und Schüler. Um diese Lücke zu überbrücken, ist ein Rahmenwerk erforderlich, das nicht nur die Risiken digitaler Interaktion adressiert, sondern auch proaktiv Wohlbefindensprinzipien in die Entwicklung und Nutzung generativer KI-Tools in der Bildung integriert.

Mit der Neuheit generativer KI, die menschenähnliche Texte, Fotos und Spiele erzeugt, die auf Handlungen reagieren, hat sich ein neues Spektrum an Möglichkeiten für personalisiertes und adaptives Lernen eröffnet –23. Forschungen haben bestätigt, dass es effektiv ist bei der Automatisierung administrativer Prozesse, der Erstellung personalisierter Lernressourcen, der Bereitstellung von Echtzeit-Feedback und der Verbesserung sowohl der Effizienz als auch derZugänglichkeit von Anweisungen 24. Als Beispiel haben KI-basierte Tools wie Intelligent Tutoring Systems und ChatGPT demonstriert, dass sie differenzierten Unterrichtermöglichen. Allerdings gibt es auch ethische und psychologische Implikationen des pädagogischen Einsatzes generativer KI, wie etwa das Problem der akademischen Integrität, Voreingenommenheit im Algorithmus und die Möglichkeit, dass Studierende ihre Fähigkeiten zum kritischen Denken verlieren, wenn sie sich zu stark auf KI-generierte Werke verlassen26. Obwohl die aktuelle Forschung umfangreiche Informationen über die Funktionsfähigkeit von KI in der Bildung liefert, versäumt sie es, die psychologischen und verhaltensbezogenen Folgen für Schüler zu untersuchen, insbesondere im Hinblick auf das digitale Wohlbefinden27. Dieses Versäumnis weist auf die Notwendigkeit einer genaueren Betrachtung hin, wie generative KI genutzt werden kann, um das kognitive und emotionale Wohlbefinden von Schülern zu fördern, anstatt ihnen zu schaden28. Die Kombination aus digitalem Wohlbefinden und generativer KI gewinnt auch an neuer Bedeutung, wenn sie durch das Prisma der SDGs betrachtet wird, durch die die Welt einen globalen Ruf nach gerechter und nachhaltiger Entwicklung entwickelt hat. SDG 4 (Qualitätsbildung) ihrerseits verlangt einen gerechten und inklusiven Zugang zu Lernmöglichkeiten29. In ähnlicher Weise betonen SDG 3 (Gesundheit und Wohlbefinden) und SDG 10 (Verringerung von Ungleichheiten) die Notwendigkeit, sich um die psychische Gesundheit zu kümmern und soziale Gerechtigkeit zu fördern, was beide mit digitalen Erfahrungen vonStudierenden 30 zusammenhängt. KI und SDGs werden derzeit jedoch techno-positivistisch diskutiert, wobei die Skalierbarkeit von KI-Interventionen gelobt und psychosoziale Aspekte der Technologienutzung ignoriertwerden. Zur Veranschaulichung: Obwohl KI das Lernerlebnis benachteiligter Bevölkerungsgruppen personalisieren kann, fehlt ihr Implementierung der Schutz des Wohlbefindens, was die digitale Erschöpfung erhöhen und die Ungleichheitslücke zwischen Schülern mit unterschiedlichem Zugang zu Technologie und Selbstregulierungsfähigkeiten vergrößern kann32. Die Spannung zwischen Innovation und Wohlbefinden verstärkt die Tatsache, dass diese Lücke in der Literatur entscheidend ist – das Vorhandensein eines konsistenten, kohärenten Rahmens, der KI-getriebene Bildungsfortschritte mit den humanistischen Idealen der SDGs33 verbindet.

Pädagogische Psychologie, Mensch-Computer-Interaktion und Nachhaltigkeitsstudien sind einige der theoretischen Ansätze, die nützliche Perspektiven bieten können, um diese beiden verschiedenen Forschungsrichtungen zu verbinden. Ein Beispiel für eine solche Theorie ist die Selbstbestimmungstheorie (SDT), wonach gesundes Lernen und Wohlbefinden erreicht werden können, wenn Menschen die Befriedigung von Autonomie, Kompetenz und Verbundenheit erfahren34. Angewandt auf digitale Umgebungen impliziert SDT, dass die generative KI sowohl die Autonomie durch maßgeschneiderte Lernprogramme als auch die Kompetenz durch die Anpassungsfähigkeit des Feedbacks erhöhen kann, aber auch so gestaltet sein muss, dass sie Verwandtschaft unterstützt, indem sie soziale Verdrängung35 überwindet. Ebenso bietet der Begriff des digitalen Gleichgewichts, der Zustand, in dem der Einsatz von Technologie sowohl individuelles als auch kollektives Wohlbefinden übereinstimmt, eine normative Grundlage zur Bewertung der Rolle von KI in der Bildung36. Dennoch wurden diese theoretischen Konstrukte selten in die empirische Analyse KI-gestützter Lernumgebungen verkörpert, was Fragen aufwirft, wie es möglich ist, KI-Systeme zu entwickeln, die von Natur aus auf digitalesWohlbefinden ausgerichtet sind. Eine kritische Literaturübersicht zeigt, dass es einige ungelöste Spannungen und Bereiche zukünftiger Entwicklung gibt38. Zunächst einmal konzentriert sich das Thema digitales Wohlbefinden zwar klugerweise auf Zurückhaltung und Achtsamkeit, aber generative KI ist das Thema Engagement und Immersion, dessen Paradoxon empirische Lösungen erfordert39. Zweitens basiert die ethische Diskussion rund um KI in der Bildung stark auf Datenschutz und algorithmischer Transparenz, ohne viel über die psychologischen Implikationen der Interaktion mit AI40 nachzudenken. Drittens bezieht sich der durch die SDGs gebotene Fokus auf Nachhaltigkeit und Gerechtigkeit nicht umfassend auf die technischen und pädagogischen Aspekte der tatsächlichen Umsetzung von KI. Um diese Behinderung zu überwinden, ist es wichtig, Disziplinen zu überqueren und die Erkenntnisse der Kognitionswissenschaft, Verhaltensökonomie und Bildungspolitik zu nutzen, um Rahmenwerke zu entwickeln, die nicht nur technologisch stabil, sondern auch human sind. Abbildung 1 zeigt den konzeptionellen Rahmen der vorliegenden Studie, der alle Variablen und ihre Pfadbeziehungen zueinander umfasst. In diesem Modell wird die hypothetische Beziehung zwischen Studienvariablen im konzeptionellen Rahmen gegeben.

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

Protokoll

Diese Studie erforderte keine formale ethische Zustimmung eines Institutional Review Board (IRB), da anonyme Umfragen und/oder Interviews mit Teilnehmern durchgeführt wurden, die informierte Zustimmung gaben. Es wurden keine persönlichen oder sensiblen Daten erhoben, und alle Antworten wurden ausschließlich zu Forschungszwecken vertraulich behandelt. Die Teilnahme war freiwillig, und die Befragten wurden über die Ziele der Studie informiert, bevor sie ihre Beiträge abgaben.

Die Studie verwendete ein quantitatives, querschnittsbezogenes Design, um die Zusammenhänge zwischen digitalem Wohlbefinden, generativer KI-Nutzung und akademischen Ergebnissen unter Englisch-als-Fremdsprache-(EFL)-Schülern zu untersuchen. Die Daten wurden über eine Online-Umfrage aus einer gezielt gestichprobten Population von 440 Bachelor-EFL-Studierenden mehrerer chinesischer Universitäten erhoben, die generative KI-Tools aktiv in ihrem Lernen einsetzten. Der strukturierte Fragebogen nutzte validierte Skalen, darunter eine 12-Item-Messung für digitales Wohlbefinden41, eine 8-Item-Skala für die Nutzung generativer KI, eine selbstwahrgenommene akademische Erfolgsskala42 sowie Messgrößen für SDG-Bewusstsein und Lernengagement, die alle 5-Punkte-Likert-Antworten verwendeten. Die Datenanalyse folgte einem zweistufigen Protokoll mit SPSS v.27 für deskriptive Statistiken und Zuverlässigkeitsprüfungen sowie SmartPLS v.4.0 für Partial Least Squares Structural Equation Modeling (PLS-SEM) zur Bewertung der Mess- und Strukturmodelle, wobei Bootstrapping zur Testpfadsignififikanz angewendet wurde.

Forschungsdesign
Das in dieser Studie verwendete Forschungsdesign ist quantitativ und querschnittsorientiert, um zu bestimmen, wie digitales Wohlbefinden, generative KI, akademischer Erfolg der Studierenden und SDGs bei EFL-Studierenden miteinander zusammenhängen. Ein Querschnittsdesign ermöglicht es dem Forscher, Daten zu einem bestimmten Zeitpunkt zu sammeln und liefert ein Bild der untersuchten Variablen. Das quantitative Forschungsdesign basiert auf messbaren und statistisch analysierbaren Informationen, um die Ergebnisse zuverlässiger und verallgemeinerter zu machen. Dieses Muster ist besonders anwendbar, um die direkten und indirekten Auswirkungen von digitalem Wohlbefinden und generativer KI auf akademische Leistungen und SDGs zu analysieren, da es den Einsatz ausgefeilter statistischer Verfahren wie der Strukturgleichungsmodellierung ermöglicht.

Population und Stichprobe
Die Zielgruppe dieser Studie bestand aus Bachelor-Studierenden, die in den Englisch-als-Fremdsprachen-(EFL)-Programmen an Hochschulen in China eingeschrieben waren. Um teilzunehmen, mussten die Studierenden folgende Einschlusskriterien erfüllen: derzeit als Bachelor-Student eingeschrieben sein, generative KI-Tools (wie ChatGPT, Copilot oder ähnliche Plattformen für Schreibhilfe, Forschung oder Inhaltserstellung) aktiv im Rahmen ihres regulären akademischen Lernprozesses nutzen und eine informierte Zustimmung abgeben. Ausschlusskriterien waren die Nutzung generativer KI für akademische Zwecke, das Fehlen eines Postgraduierten- oder Nicht-Graduierten-Studiums sowie das Liefern unvollständiger Umfrageantworten.

Eine gezielte Stichprobenmethode wurde eingesetzt, um Teilnehmer zu rekrutieren, die diese Kriterien erfüllten, und so eine sinnvolle Messung der Kernvariable der KI-Nutzung sicherzustellen. Die Endstichprobe bestand aus N = 440 Teilnehmern, einer Größe, die für die statistische Robustheit der Partial Least Squares Structural Equation Modeling (PLS-SEM) als ausreichend angesehen wird. Um die Repräsentativität und Verallgemeinerbarkeit zu erhöhen, umfasste die Rekrutierung mehrere Universitäten und verschiedene akademische Disziplinen (Geisteswissenschaften, Sozialwissenschaften, MINT). Die demografischen Daten der Stichprobe sind wie folgt: Das Alter reichte von 18 bis 24 Jahren (M = 20,4, SD = 1,6); Das Geschlecht verteilte sich wie folgt: 58 % weiblich (n = 255) und 42 % männlich (n = 185); Das Studienjahr umfasste Erstsemester (22 %, n = 97), zweites Jahr (31 %, n = 136), drittes Jahr (28 %, n = 123) und viertes Jahr (19 %, n = 84). Informationen zum Gewicht wurden nicht gesammelt, da sie für die Konstrukte der Studie nicht relevant waren.

Verfahren zur Datenerhebung
Die Datenerhebung erfolgte über eine anonyme Online-Umfrage, die auf einer sicheren Plattform (z. B. Qualtrics) gehostet wurde. Potenzielle Teilnehmer an den Zieluniversitäten wurden über institutionelle E-Mail-Listen, Ankündigungen zu Lernmanagementsystemen (z. B. Moodle, Blackboard) und relevante studentische Social-Media-Gruppen eingeladen. Die Einladung legte den Zweck der Studie, die freiwillige Natur, die geschätzte Fertigstellungszeit (15–20 Minuten) und Vertraulichkeitsgarantien klar dar. Die erste Seite der Umfrage präsentierte ein detailliertes Formular zur informierten Einwilligung; Nur Teilnehmer, die digitale Zustimmung gaben, gingen zum Fragebogen weiter. Um Order-Bias zu mindern, wurden die Umfrageabschnitte für jeden Befragten in einer randomisierten Reihenfolge präsentiert. Das Datenerfassungsfenster war zwei Wochen geöffnet. Eine einzige Erinnerung wurde eine Woche nach der ersten Einladung über die ursprünglichen Kanäle gesendet, um die Teilnahme zu fördern und die Rücklaufquoten zu verbessern. Nach der Sammlung wurde der Datensatz auf Vollständigkeit geprüft, wobei wesentlich unvollständige Antworten entfernt wurden (z. B. >20 % fehlende Daten). Vor der Endanalyse wurden weitere Prüfungen auf univariate und multivariate Ausreißer durchgeführt, um die Datenqualität sicherzustellen.

Instrumentierung und Maße
Die Studie verwendete einen strukturierten Fragebogen, um wichtige Variablen zu messen, darunter digitales Wohlbefinden, Nutzung generativer KI, akademischer Erfolg der Schüler, Bewusstsein für SDGs und das Lernengagement der EFL-Schüler. Das digitale Wohlbefinden wurde mit Arslankara et al.41 gemessen, einer 12-Item-Skala, einschließlich Unterskalen für Verantwortung (4 Items), Zufriedenheit (4 Items) und Wellness (4 Items). Die Nutzung generativer KI wurde durch eine 8-Item-Skalavon 43 operationalisiert, wobei der Fokus auf die Häufigkeit der ChatGPT-Einführung liegt. In der vorliegenden Studie wurde die akademische Leistung mit einer Selbstwahrnehmungsskala bewertet, die von Yu et al.42 adaptiert wurde, wie in Mehrvarz et al.44 zitiert. Dieses Instrument besteht aus vier Elementen. Das Bewusstsein für SDGs wurde mit einer validierten Skala gemessen, die von Atmaca et al.45 adaptiert wurde und drei Schlüsseldimensionen umfasst: wirtschaftliche Nachhaltigkeit (12 Items), soziale Nachhaltigkeit (9 Items) und Umweltverträglichkeit (14 Items), anhand des Bewusstseins und der Teilnahme der Schüler an Aktivitäten. Schließlich wurde das EFL-Sprachlernengagement mit einer 9-Item-Skala von Eerdemutu et al.46 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.

Datenanalyseplan
Die gesammelten Daten wurden mit einer Kombination aus SPSS (v.27) und SmartPLS (v.4.0) mittels eines zweiphasigen analytischen Ansatzes analysiert. Erstens wurde SPSS für vorläufige Analysen eingesetzt, darunter deskriptive Statistiken (Mittelwerte, Standardabweichungen), Zuverlässigkeitstests (Cronbachs Alpha) und Korrelationsmatrizen zur Untersuchung von Ausgangsbeziehungen zwischen Variablen. Zweitens wurde SmartPLS, eine teilweise kleinste Quadrat-Strukturgleichungsmodellierungssoftware (PLS-SEM), zur Prüfung des hypothetischen Modells verwendet. PLS-SEM wurde wegen seiner Fähigkeit, komplexe Beziehungen zwischen latenten Variablen zu verarbeiten, und seiner Robustheit mit nicht-normalverteilten Daten ausgewählt. Die Analyse umfasste die Bewertung der Validität des Messmodells (konvergente und diskriminierende Validität) sowie die strukturelle Modellsignifikanz (Wegkoeffizienten, R²-Werte und prädiktive Relevanz). Bootstrapping wurde durchgeführt, um die statistische Signifikanz der Pfade zu testen.

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

Ergebnisse

Die Ergebnisse liefern eine solide empirische Unterstützung für die Kernhypothesen der Studie und bestätigen einen bedeutenden sequentiellen Weg, bei dem digitales Wohlbefinden und der Einsatz generativer KI das EFL-Lernengagement positiv beeinflussen, was wiederum den akademischen Erfolg fördert und folglich eine stärkere Einbindung der Ziele für nachhaltige Entwicklung (SDGs) fördert. Insbesondere hatten sowohl digitales Wohlbefinden (β=0,32, S<0,001) als auch generative KI-Nutzung (β=...

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

Diskussion

Frühere Forschungen haben sich größtenteils mit digitalem Wohlbefinden, KI in der Bildung und Education for Sustainable Development (ESD) isoliert untersucht47. Es bestand eine erhebliche Lücke im Verständnis, wie persönliche digitale Kompetenzen mit aufkommenden Technologien nicht nur akademische Ergebnisse, sondern auch globale Bürgerschaft vorantreiben. Diese Studie verbindet diese Bereiche einzigartig. Wir zeigen, dass digitales Wohlbefinden (β = 0,32, s<0,001...

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

Offenlegungen

Alle Autoren geben keine Interessenkonflikte an.

Danksagungen

Diese Forschung erhielt keine Finanzierung.

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
Akademische ErfolgsskalaAdaptiert von Yu et al. (2010)N/AVermessungsinstrument
Augenbindungsverfahren (für Q2)SmartPLSInterne RoutineAnalytisches Verfahren
Bootstrapping-VerfahrenSmartPLSInterne RoutineAnalytisches Verfahren
Zusammengesetzte ZuverlässigkeitsbewertungSmartPLSInterne RoutineAnalytisches Verfahren
KorrelationsmatrixanalyseIBM SPSS StatistikInterne RoutineAnalytisches Verfahren
Cronbachs Alpha-ZuverlässigkeitsanalyseIBM SPSS StatistikInterne RoutineAnalytisches Verfahren
DatenspeichersystemInstitutionelle ITSicherer ServerAusrüstung & Material
Analyse der deskriptiven StatistikIBM SPSS StatistikInterne RoutineAnalytisches Verfahren
Digitale Well-Being-SkalaArslankara et al. (2022)N/AVermessungsinstrument
EFL-LernbeteiligungsskalaEerdemutu et al. (2024)N/AVermessungsinstrument
Fornell-Larcker-KriteriumsbewertungSmartPLSInterne RoutineAnalytisches Verfahren
Generative KI-NutzungsskalaAdaptiert nach Abbas et al. (2024)N/AVermessungsinstrument
Bewertung des Heterotrait-Monotrait-(HTMT)-VerhältnissesSmartPLSInterne RoutineAnalytisches Verfahren
IBM SPSS StatistikIBMVersion 27Software
Dokumentation zur informierten EinwilligungForschungsteamElektronische FormAusrüstung & Material
Online-FragebogenForschungsteamSelbstverwaltetAusrüstung & Material
PLS-AlgorithmusSmartPLSInterne RoutineAnalytisches Verfahren
PLS-SEM-SoftwareSmartPLSVersion 4.0Software
SDG-BewusstseinsskalaAdaptiert von Atmaca et al. (2019)N/AVermessungsinstrument
SmartPLSSmartPLS GmbHVersion 4.0Software

Referenzen

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. 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. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. 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).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. 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. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. 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 Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. 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 Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. 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).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. 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. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

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

Nachdrucke und Genehmigungen

Tags

EFL StudierendeLernengagementKI Literalit ttechnologiegest tztes Lernenakademische LeistungSDG Bewusstsein

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.