Von digitaler Kompetenz zur Kreativität der Schüler: Der motivationale Weg im KI-unterstützten Sprachlern

Zusammenfassung

Diese Studie zeigt, dass schülerzentrierter Unterricht, strategischer ChatGPT-Einsatz und digitale Kompetenz positiv mit der Motivation chinesischer EFL-Lernender in Verbindung stehen. Diese höhere Motivation wiederum ist mit weniger Angst und größerer Kreativität verbunden, was auf eine vermittelnde Rolle hindeutet. Die Ergebnisse unterstützen die Lehrerausbildung, die Pädagogik, KI-Werkzeuge und digitale Fähigkeiten integriert.

Zusammenfassung

Diese Studie untersucht, wie Unterrichtsstil, ChatGPT-Nutzung und digitale Kompetenz gemeinsam Motivation, Angst und Kreativität bei chinesischen EFL-Lernenden beeinflussen, und untersucht gleichzeitig die vermittelnde Rolle der Motivation in diesen Beziehungen. Mit einem quantitativen Ansatz wurden Daten von n = 290 Bachelor-Studierenden mit validierten Skalen gesammelt und durch Strukturgleichungsmodellierungen analysiert. Die Ergebnisse zeigen, dass studentischer Unterricht, strategische ChatGPT-Integration und digitale Kompetenz positiv mit höherer Motivation assoziiert sind. Höhere Motivation wiederum ist mit weniger Angst verbunden, und geringere Angst mit höherer Kreativität. Darüber hinaus vermittelt Motivation vollständig die Zusammenhänge zwischen den drei Vorläufern (Lehrstil, ChatGPT-Gebrauch, digitale Kompetenz) und Angst und hebt so ihre zentrale Rolle für emotionale Ergebnisse im getesteten Modell hervor. Die Studie trägt zur Selbstbestimmungstheorie bei, indem sie zeigt, wie pädagogische und technologische Faktoren synergetisch die psychologischen Bedürfnisse der Lernenden unterstützen, während sie die kognitiv-affektive Theorie des Lernens mit Medien erweitert, indem sie die mediationale Funktion der Motivation klärt. Praktische Implikationen verdeutlichen die Notwendigkeit von Lehrerausbildungsprogrammen, die innovative Pädagogik, Nutzung von KI-Tools und Entwicklung der digitalen Bildung kombinieren, um Sprachlernerfahrungen zu optimieren. Die Forschung unterstreicht die Bedeutung motivationsorientierter Ansätze in der technologiegestützten EFL-Bildung, insbesondere in Lernumgebungen mit hohem Risiko.

Einleitung

Künstliche Intelligenz (KI) hat Bildungstechnologie weiterentwickelt, indem sie neue Möglichkeiten für Interaktion, Personalisierung und Kreativität beim Sprachenlernen geschaffen^hat. ChatGPT, ein KI-basiertes Konversationstool, bietet interaktives und adaptives Feedback, das die Sprachentwicklung unterstützt². Parallel dazu hat sich digitale Kompetenz als wesentliche Fähigkeit etabliert, um Technologie effektiv in Lernumgebungen zu navigieren und zu nutzen³. Trotz wachsendes Interesses am KI-unterstützten Spracherwerb und der zunehmenden Nutzung von ChatGPT in EFL-Kontexten⁴ bestehen mehrere wichtige Lücken. Erstens haben bestehende Studien weitgehend den Lehrstil, die Nutzung von KI-Tools und die digitale Kompetenz isoliert untersucht; Begrenzte Forschung hat alle drei in einem einzigen motivationalen Rahmen^integriert. Zweitens, obwohl Motivation weithin als Schlüsselfaktor für das Spracherwerb anerkannt wird, haben nur wenige Studien ihre vermittelnde Rolle bei der Verbindung pädagogischer und technologischer Faktoren mit emotionalen Ergebnissen (z. B. Sprachlernangst) und kognitiven Ergebnissen (z. B. Kreativität⁾ untersucht6. Diese Lücke ist besonders in chinesischen EFL-Kontexten auffällig, wo sich die technologische Integration noch weiterentwickelt. Darüber hinaus ist Angst zwar gut dokumentiert als Hemmer im^{EFL-Lernen 7}, wird aber selten zusammen mit motivierenden und technologischen Variablen untersucht. Ähnlich ist Kreativität, eine zunehmend geschätzte Fähigkeit im Sprachenlernen, nicht stark mit KI-unterstützten Lernumgebungen assoziiert⁸. Im Gegensatz zu früheren Studien, die sich ausschließlich auf Pädagogik oder Technologie konzentrieren, überbrückt die vorliegende Studie beide Bereiche, um zu untersuchen, wie Unterrichtsstil, ChatGPT-Nutzung und digitale Kompetenz gemeinsam mit Motivation und damit mit Angst und Kreativität zusammenhängen.

Diese Studie stützt sich auf drei theoretische Rahmenwerke, die jeweils spezifischen gemessenen Konstrukten in unserem Strukturgleichungsmodell entsprechen. Erstens geht die Selbstbestimmungstheorie (SDT)⁹ davon aus, dass autonomieunterstützender Unterricht die grundlegenden psychologischen Bedürfnisse der Lernenden (Autonomie, Kompetenz, Verwandtschaft) befriedigt und dadurch die intrinsische Motivation steigert. In unserem Modell wird dies durch das Konstrukt des schülerzentrierten Lehrstils operationalisiert, der als positiv mit Motivation assoziiert wird. Zweitens legt das Technologieakzeptanzmodell (TAM)¹⁰ nahe, dass wahrgenommene Nützlichkeit und Benutzerfreundlichkeit die Akzeptanz der Technologie beeinflussen. Hier wird digitale Kompetenz als Vorläufer konzipiert, der es Lernenden ermöglicht, ChatGPT als nützlich und einfach zu bedienen wahrzunehmen und so seine positive Verbindung zur Motivation zu stärken. Drittens betont die kognitiv-affektive Theorie des Lernens mit Medien (CATLM)¹¹, dass affektive Faktoren (z. B. Angst) die Beziehung zwischen Medienmerkmalen und kognitiven Ergebnissen (z. B. Kreativität) vermitteln. In unserem Modell wird dies über den Weg getestet: Motivation → Angst → Kreativität. Wichtig ist, dass die konstruktivistische Lerntheorie zwar das Design der schülerzentrierten Pädagogik prägt, aber in unserem Modell nicht als eigenständiges Messkonzept operationalisiert wird; Dementsprechend diskutieren wir es nur als Hintergrund und nicht als direkt getesteten Rahmenwerk.

Frühere Anwendungen von SDT in EFL-Kontexten konzentrierten sich hauptsächlich auf lehrergesteuerte Autonomieunterstützung, ohne zu untersuchen, wie KI-Tools wie ChatGPT unabhängig die Bedürfnisse der Lernenden an Kompetenz und Autonomie erfüllen^könnten. Ähnlich hat TAM die Einführung von Technologien erklärt, aber motivierende und emotionale Ergebnisse wie Angst und Kreativität^{nicht berücksichtigt 13}. CATLM hat emotionale und kognitive Verarbeitung hervorgehoben, aber es fehlt an empirischen Tests in KI-unterstützten EFL-Umgebungen¹⁴. Die vorliegende Studie adressiert diese Lücken, indem sie die drei Frameworks in ein einheitliches, empirisch testbares Modell integriert, in dem Unterrichtsstil, ChatGPT-Nutzung und digitale Kompetenz mit Motivation verbunden sind, was wiederum mit geringerer Angst und höherer Kreativität verbunden ist (über die Angst–Kreativitäts-Verbindung).

ChatGPT ist ein generatives Sprachmodell, das menschlichen Dialog, sofortiges Feedback und adaptive Antworten ermöglicht, was es zu einem potenziell leistungsstarken Werkzeug für EFL-Unterricht¹⁵ macht. Neuere Studien zeigen, dass ChatGPT den Wortschatzerwerb, die grammatikalische Genauigkeit und die Konversationsflüssigkeit durch simulierte Interaktionen unterstützt¹⁶. Dennoch bleiben kritische Lücken hinsichtlich seiner psychologischen Auswirkungen auf die Lernenden bestehen. Einerseits kann die geringe, zugängliche Natur von ChatGPT die Sprachangst^{um 17} reduzieren. Andererseits könnte ihre Unvorhersehbarkeit (z. B. gelegentliche Ungenauigkeiten oder inkonsistente Antworten) den Stress bei weniger selbstbewussten Lernenden^erhöhen. Darüber hinaus hängt die Wirksamkeit von ChatGPT wahrscheinlich nicht nur von den technischen Fähigkeiten der Lernenden, sondern auch von kritischer Bewertung und ethischem^Bewusstsein ab. Diese moderierende Rolle erfordert eine weitere Untersuchung in EFL-Kontexten, in denen die technologische Bereitschaft der Schüler^{um 20} Punkte variiert.

Die Lehrmethodik wird als wichtiger Aspekt anerkannt, der die Aktivität und Leistung der Schüler beim Sprachenlernen^definiert. Basierend auf konstruktivistischen und soziokulturellen Fragestellungen hat der moderne Trend in der pädagogischen Forschung die Wirksamkeit schülerzentrierter Lehrmethoden wie kommunikatives Sprachunterricht und aufgabenbasiertes Lernen^{hervorgehoben 22,} dass Schüler in schülerzentrierten Praktiken höhere Noten und bessere Ergebnisse erzielen als Schüler mit lehrerdominierten Stilen²³. Solche lernzentrierten Paradigmen stehen in Resonanz mit der Selbstbestimmungstheorie, wonach das Unterrichten autonomie-unterstützend ist, indem es intrinsische Motivation fördert, indem es die psychologischen Bedürfnisse der Lernenden, Bedürfniskompetenz, Bedürfnisautonomie und Bedürfnisbezogenheit^{erfüllt 24}. Dies wird zudem durch empirische Forschungsergebnisse gestützt, die zeigen, dass flexible, interaktive Unterrichtsmuster das Engagement von Sprachlernern verbessern und die negativen Folgen von Angst lindern²⁵. Doch die schnelle Implementierung von KI wie ChatGPT erhöht die Komplexität^{dieses Prozesses}. Obwohl einige Forscher behaupten, dass KI-Technologie die positiven Vorteile der schülerzentrierten Pädagogik durch die Einführung individueller Lernwege vertiefen kann,²⁷.

Motivation nimmt die zentrale Rolle bei der Vermittlung der Verbindungen von pädagogischen, technologischen und affektiven Variablen im Sprachenlernen^{ein 28}. Der Unterschied zwischen autonomer und kontrollierter Motivation, beschrieben durch SDT, bietet eine fundierte Perspektive auf die Analyse der Lernbeteiligung durch die Nutzung von ChatGPT und den Lehrstilen²⁹. Frühe Erkenntnisse zeigen Forscher, dass KI-Werkzeuge mit dem Ausleben der autonomen Motivation zusammenhängen, indem sie selbstgesteuertes und interessenbasiertes Lernen^{unterstützen}, obwohl dieser Effekt davon abhängt, dass Lehrer die Technologie kombinieren können, um den^{Lernenden nicht} die Handlungsfreiheit zu nehmen. Angst, die im EFL-Bereich wie ein allgegenwärtiges Hindernis erscheinen mag, wiederum wird in vielen Fällen durch die Angst vor negativer Bewertung oder Kommunikationsangst verursacht. Obwohl sich gezeigt hat, dass die Integration von KI in die Lernpraxis solche Angst abmildert³², wurde kaum Forschung betrieben, um herauszufinden, wie der Prozess funktioniert, insbesondere durch den Aspekt der Mediation durch Motivation³³. Abbildung 1 : Die wichtigsten Variablen der Studie. Sie veranschaulicht die vorgeschlagenen Beziehungen zwischen dem Lehrstil eines Lehrers, der Nutzung von ChatGPT durch Schüler und den daraus resultierenden Auswirkungen auf Motivation, Angst, Kreativität und digitale Kompetenz der Lernenden im EFL-Kontext.

Abbildung 1. Forschungsmodell. Schematische Darstellung der vorgeschlagenen Zusammenhänge zwischen Unterrichtsstil, Nutzung von ChatGPT, der digitalen Kompetenz der EFL-Schüler, der Motivation der EFL-Schüler, der Angst der EFL-Schüler und der Kreativität der EFL-Schüler. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Basierend auf dem theoretischen Rahmen werden folgende Hypothesen (H1-H8) vorgeschlagen:
H1: Der Lehrstil ist positiv mit der Motivation der Schüler verbunden.
H2: Die Nutzung von ChatGPT ist positiv mit der Motivation der Schüler verbunden.
H3: Digitale Kompetenz ist positiv mit der Motivation der Schüler verbunden.
H4: Motivation ist negativ mit Angst verbunden.
H5: Angst ist negativ mit Kreativität verbunden.
H6: Motivation steht im Zusammenhang zwischen Lehrstil und Angst.
H7: Motivation steht im Zusammenhang zwischen ChatGPT-Nutzung und Angst.
H8: Motivation steht im Zusammenhang zwischen digitaler Bildung und Angst.

Protokoll

Ethikerklärung
Diese Studie wurde gemäß den ethischen Standards des Institutional Review Board (IRB) der Universität Chengdu, China durchgeführt (Genehmigungsnummer: 202509). Alle Teilnehmer haben vor der Teilnahme eine schriftliche informierte Einwilligung eingereicht. Die Studie hielt sich an institutionelle Richtlinien für Forschung mit menschlichen Probanden und gewährleistete die freiwillige Teilnahme, Vertraulichkeit und das Recht, jederzeit ohne Strafe zurückzutreten.

Um die Vertraulichkeit zu wahren, wurden alle gesammelten Daten mittels codierter Identifikatoren anonymisiert, und persönliche Informationen wurden getrennt von Forschungsdaten in passwortgeschützten Dateien gespeichert, die nur den Hauptermittlern zugänglich waren. Das Fragebogendesign enthielt Maßnahmen zur Minimierung psychischer Unbehagen, insbesondere bei Fragen zur Angst, und den Teilnehmern wurden Kontaktinformationen für universitäre Beratungsdienste zur Verfügung gestellt, falls durch die Teilnahme an der Umfrage ein Leid entstehen sollte. Um potenzielle Machtungleichgewichte in der Lehrer-Studierenden-Beziehung auszugleichen, wurden die Rekrutierung und Datenerhebung von ausgebildeten Forschungsassistenten statt von Kursleitern durchgeführt, und den Teilnehmern wurde versichert, dass ihre Antworten ihren akademischen Status oder das Verhältnis zur Fakultät nicht beeinträchtigen würden.

Diese Studie verwendete ein quantitatives, querschnittsbasiertes Design, an dem 290 chinesische EFL-Studierende im Grundstudium von einer öffentlichen Universität beteiligt waren. Teilnehmer aus unterschiedlichen akademischen Jahrgängen und Fachrichtungen wurden durch Convenience Sampling mit Verhältniswahl rekrutiert und füllten papierbasierte Fragebögen in kontrollierten Klassenräumen während regulärer Sitzungen aus, die etwa 25 Minuten dauerten. Die Fragebogenbatterie enthielt validierte Skalen, die Lehrstil, digitale Kompetenz, ChatGPT-Nutzung, Motivation, Angst und Kreativität messen. Um Verzerrungen zu minimieren, führten ausgebildete Forschungsassistenten die Fragebögen mit prozeduralen Gegenmaßnahmen wie der psychologischen Trennung der Aufgaben durch. Nach der Datenerhebung wurden die Antworten mit statistischer Software und der Partial Least Squares Structural Equation Modeling (PLS-SEM)-Software analysiert, einschließlich Datenscreening, Bewertung von Messmodellen, Strukturmodelltests und Mediationsanalyse mittels eines Bootstrapping-Verfahrens mit 5.000 Neuproben.

Forschungsdesign
Diese Studie verwendete ein quantitatives, querschnittsbezogenes Forschungsdesign, um die Zusammenhänge zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, Angst und Kreativität bei EFL-Lernenden zu untersuchen. Ein Querschnittsansatz wurde als angemessen erachtet, um eine Momentaufnahme dieser Variablen zu einem bestimmten Zeitpunkt zu erfassen, was die Analyse ihrer Zusammenhänge ohne die zeitlichen Anforderungen der Longitudinalforschung ermöglicht. Das Design erleichterte das Testen eines hypothetisierten Mediationsmodells, bei dem Motivation als Mechanismus dient, der Unterrichtsstil, ChatGPT-Nutzung und digitale Kompetenz mit der Verringerung von Angst und gesteigerter Kreativität verbindet.

Daten und Stichprobe
Der Stichprobenrahmen umfasste alle Bachelor-Studierenden, die im akademischen Jahr 2024–2025 Englisch als Fremdsprache (EFL) an einer öffentlichen Universität in China eingeschrieben waren. Die Zulassungskriterien verlangten, dass die Teilnehmer (a) chinesische Muttersprachler sind, (b) derzeit mindestens einen erforderlichen EFL-Kurs belegt und (c) keine vorherige formale Ausbildung in KI-basierten Sprachlernwerkzeugen über die allgemeinen Kurse hinaus haben. Ein stratified convenience sampling-Ansatz wurde verwendet, mit proportionaler Zuteilung über die akademischen Jahre (Freshman, Sophomore, Junior, Senior) und Disziplinen (Geisteswissenschaften, Sozialwissenschaften, Naturwissenschaften, Ingenieurwesen). Die Zielgrößen der Strata wurden auf 25 % pro akademischem Jahr und 25 % pro Fachbereich festgelegt, basierend auf der Gesamtverteilung der Studierenden der Universität. Die Endstichprobe umfasste 290 Bachelor-EFL-Studierende. Von den 328 Schülern, die während der regulären Unterrichtsstunden angesprochen wurden, lehnten 11 die Teilnahme ab (Nichtteilnahmequote = 3,4 %) und 27 stellten unvollständige Fragebögen bereit (unvollständige Antwortrate = 8,2 %), was zu einer endgültigen nutzbaren Rücklaufquote von 88,4 % (290/328) führte. Die a priori Stichprobengrößenberechnung wurde mit G*Power 3.1 mit der F-Testfamilie durchgeführt, lineare multiple Regression: festes Modell^, R2-Abweichung von Null als Test. Die Eingabeparameter waren: Effektgröße f² = 0,15 (konventionelle mittlere Effektgröße für Verhaltensforschung), α Err-Wahrscheinlichkeit = 0,05, Stärke (1-β Err-Wahrscheinlichkeit) = 0,95 und Anzahl der Prädiktoren = 3 (Lehrstil, ChatGPT-Nutzung, digitale Kompetenz) für das Motivationsergebnis. Die Berechnung ergab eine minimale erforderliche Stichprobengröße von 119 für die Detektion eines signifikanten^R2. Um das vollständige SEM-Modell (einschließlich indirekter Pfade und zusätzlicher endogener Variablen) weiter zu berücksichtigen, haben wir die konservativere Regel von 10 Fällen pro geschätztem Parameter angewandt. Mit 29 geschätzten Parametern in unserem Modell betrug die erforderliche Stichprobengröße 290, was genau der Endstichprobe entspricht. Somit ist die erhaltene Probe sowohl für regressionsbasierte als auch für SEM-Analysen vollständig leistungsfähig.

Teilnehmer und Verfahren
Die Teilnehmer wurden durch geschichtete Convenience Sampling rekrutiert, um die Verhältnismäßigkeit über die akademischen Jahre (Freshman bis Senior) und fachliche Hintergründe (Geisteswissenschaften, Naturwissenschaften und Ingenieurwesen) sicherzustellen. Die Strata-Größen in der Endstichprobe waren: Erstsemester (n = 72, 24,8 %), Sophomores (n = 74, 25,5 %), Juniors (n = 71, 24,5 %), Seniors (n = 73, 25,2 %); und Geisteswissenschaften (n = 76, 26,2 %), Sozialwissenschaften (n = 68, 23,4 %), Naturwissenschaften (n = 72, 24,8 %), Ingenieurwesen (n = 74, 25,5 %). Die Stichprobe bestand aus 62 % weiblichen und 38 % männlichen Studierenden mit einem Durchschnittsalter von 20,3 Jahren (SD = 1,7). Die Datenerhebung erfolgte während der regulären EFL-Klassen. Ausgebildete Forschungsassistenten führten papierbasierte Fragebögen in kontrollierten Klassenzimmern durch, um die Standardisierung sicherzustellen. Vor der Durchführung der Umfrage wurden alle berechtigten Studierenden im Unterricht über den Zweck, die freiwillige Natur der Studie und die Vertraulichkeitsmaßnahmen (anonyme Antworten, sichere Datenspeicherung) informiert. Schüler, die die Zulassungskriterien nicht erfüllten (n = 6, keine EFL-Einschreibung) oder die Teilnahme ablehnten (n = 11), wurden ausgeschlossen; Gründe für die Deklination waren unter anderem Zeitdruck (n = 7) und Unbehagen bei selbstberichteter Technologienutzung (n = 4). Die Fragebogenbatterie dauerte etwa 25 Minuten und enthielt validierte Skalen für alle Konstrukte. Um häufige Methodenverzerrungen zu mindern, wurden prozedurale Gegenmaßnahmen angewendet (z. B. psychologische Trennung der Skalenelemente, Anonymität der Antworten). Darüber hinaus wurde der Common Method Bias mit Harmans Single-Factor-Test bewertet, und der erste Faktor machte weniger als 50 % der Gesamtvarianz aus, was darauf hindeutet, dass Common Method Bias in dieser Studie kein großes Problem war.

Studienmaßnahmen
Alle Skalen wurden durch ein rigoroses Übersetzungs- und Anpassungsverfahren an den chinesischen EFL-Kontext angepasst. Zwei zweisprachige Forscher übersetzten unabhängig voneinander die ursprünglichen englischen Elemente ins Chinesische, und ein dritter Forscher glich die Unstimmigkeiten ab, um eine vorläufige Version zu erstellen. Diese Version wurde von zwei verschiedenen Übersetzern zurück ins Englische übersetzt, und etwaige Unstimmigkeiten wurden durch Gespräche mit dem Forschungsteam behoben. Die chinesischen Versionen wurden anschließend mit 30 Bachelor-EFL-Studierenden (nicht Teil der Hauptstichprobe) pilotiert, um Klarheit und Verständnis zu überprüfen, was zu geringfügigen Formulierungsanpassungen führte. Für jede Skala wurden die Antworten auf einer 5-Punkte-Likert-Skala von 1 (stark anderer Meinung) bis 5 (absolut übereinstimmend) erhoben. Für jedes Konstrukt wurden summierte oder gemittelte Werte verwendet, wobei höhere Werte höhere Werte auf höhere Werte der jeweiligen Variablen hinweisen. Alle angepassten Skalen wurden mit Erlaubnis der ursprünglichen Autoren oder, wo anwendbar, unter offenen Lizenzbedingungen verwendet. Keine Gegenstände wurden von der ursprünglichen Waage entfernt, außer in den unten genannten Stellen; Die Bestandsbindung basierte auf Faktorlastungen > 0,40 und theoretischer Relevanz. Bezüglich der Nutzung von ChatGPT bewertete die Studie die selbstberichtete Interaktion der Studierenden mit der kostenlosen Version von ChatGPT (GPT-3.5/4 im akademischen Jahr 2024–2025 über Web oder mobile App verfügbar). Alle Teilnehmer hatten gleichen Zugang zu dem Tool, da die Universität ChatGPT nicht einschränkte; die tatsächliche Nutzung variierte jedoch individuell. Die Skala maß die Häufigkeit der Nutzung von ChatGPT (von "nie" bis "täglich"), die Arten von Sprachlernaufgaben, für die es eingesetzt wurde (z. B. Vokabelaufbau, Grammatikprüfung, Aufsatzschreiben, Gesprächsübung und Fehlerkorrektur) sowie die wahrgenommene Qualität der Interaktion (z. B. Nützlichkeit, Klarheit des Feedbacks). Die Skala unterschied nicht zwischen bestimmten ChatGPT-Versionen, da Versionsupdates während der Datenerhebung stattfanden; stattdessen gaben die Teilnehmer die Version an, die sie hauptsächlich verwendeten, wobei über 90 % GPT-3.5 oder GPT-4 angaben. Detaillierte Beispiele für Aufgaben und Anpassungshinweise zu jedem Konstrukt sind unten aufgeführt.

Diese Studie verwendete streng validierte Skalen, die sorgfältig an den EFL-Bildungskontext angepasst wurden, um die wichtigsten Variablen zu bewerten: Lehransätze, digitale Kompetenz, ChatGPT-Integration, Sprachlernangst, Lernmotivation und kreatives Denken. Die Messinstrumente wurden aufgrund ihrer nachgewiesenen Zuverlässigkeit und der Fähigkeit, jedes Konstrukt umfassend zu bewerten, ausgewählt. Um Unterrichtsmethoden zu untersuchen, verwendete die Studie eine modifizierte Version von Grasshas Teaching Style Inventory³⁴, die fünf verschiedene pädagogische Ansätze bewertet: autoritär, fachlich, persönlich vorbildlicher Lehrer, moderativ und delegatorisch. Zur Bewertung der digitalen Kompetenz integrierte die Studie eine modifizierte Version der von Rodríguez-de-Dueños et al.35 entwickelten Skala, bestehend aus 29 Aufgaben in sechs Schlüsselbereichen: (1) technische Kompetenz, (2) Datenschutzkompetenz, (3) kritische Evaluationskompetenz, (4) Gerätesicherheitskompetenz, (5) Informationsverarbeitungskompetenz und (6) digitale Kommunikationskompetenz. Dieser multidimensionale Rahmen bot eine gründliche Bewertung der digitalen Fähigkeiten der Lernenden, die für die moderne Bildung notwendig sind. Die Nutzung von ChatGPT wurde mit einer 8-Item-Skala bewertet, die von Abbas et ^al.36 adaptiert wurde und sich auf die Interaktion der Schüler mit dem KI-Werkzeug für Sprachlernaufgaben konzentriert. Diese Skala erfasst die wahrgenommene und selbstberichtete Nutzung von ChatGPT bei Sprachlernaufgaben der Schüler, anstatt die objektive Nutzungshäufigkeit. Die Angst im Fremdsprachenunterricht (FLCA) wurde mit einer angepassten Skala gemessen, die auf Briesmaster und Briesmaster³⁷ basiert. Dieses Instrument untersuchte Angst in drei kritischen Dimensionen: Kommunikationsangst, Prüfungsangst und Angst vor negativer Bewertung mit jeweils 10, 10 und 7 Punkten. Die Motivation der Schüler wurde mit einer Skala bewertet, die von Kanoksilapatham et al. ³⁸ adaptiert wurde und drei Schlüsseldimensionen misst: Förderung und Prävention von Instrumentalität, Ethnozentrismus und Integrativität sowie Einstellung zum Englischlernen. Die Skala umfasste insgesamt 20 Artikel. Die Kreativität der EFL-Schüler wurde mit einer Skala gemessen, die von Govindasamy et ^al.39 adaptiert wurde und vier Dimensionen bewertete: Originalität, Flexibilität, Flüssigkeit und Ausarbeitung. Jede Dimension wurde mit drei Elementen gemessen.

Datenanalysemethoden
Die gesammelten Daten wurden mit einem zweistufigen analytischen Ansatz analysiert, der SPSS (Version 27) und Partial Least Squares Structural Equation Modeling (PLS-SEM) mithilfe der SmartPL-Software kombiniert. Erste Datenscreenings und vorläufige Analysen wurden mit SPSS durchgeführt, um die Datenqualität zu untersuchen, einschließlich der Überprüfung auf fehlende Werte, Ausreißer und Normalitätsannahmen. Weniger als 2 % der Datenpunkte fehlten völlig zufällig (MCAR), wie durch Littles MCAR-Test bestätigt wurde (χ² = 18,24, p = 0,212), und wurden mit dem Erwartungsmaximierungsalgorithmus behandelt, um die statistische Stärke zu erhalten. Der Datensatz zeigte akzeptable univariate Normalität (Schiefheit < |2|, Kurtose < |7|) und multivariate Normalität (Mardia-Koeffizient = 18,37, p < 0,001), was die Verwendung sowohl parametrischer Tests als auch von PLS-SEM rechtfertigt, das robust gegenüber Nicht-Normalität ist. Obwohl die univariate Normalität akzeptabel war, deutete der Mardia-Koeffizient auf eine Verletzung der multivariaten Normalität hin (p < 0,001). Dies stellt jedoch kein Problem dar, da PLS-SEM robust gegenüber nicht-normalen Datenverteilungen ist.

Die Zuverlässigkeitsanalyse zeigte eine starke interne Konsistenz für alle Skalen (Cronbachs α > 0,82, zusammengesetzte Zuverlässigkeit > 0,85), während die explorative Faktorenanalyse die erwarteten Faktorstrukturen bestätigte, wobei alle Objekte sauber auf ihren jeweiligen Konstrukten belasteten (Lasten > 0,65, Kreuzbelastungen < 0,40).

Für die Hypothesentests wurde PLS-SEM gegenüber kovarianzbasiertem SEM gewählt, da es komplexe Modelle mit kleinen bis mittleren Stichprobengrößen überlegen behandelt und erklärte Varianz in endogenen Konstrukten maximieren kann. Die Analyse folgte dem zweistufigen Verfahren: Zunächst wurde das Messmodell und anschließend das Strukturmodell bewertet. Das reflektierende Messmodell zeigte eine ausreichende konvergente Validität (durchschnittliche Varianz > 0,50 für alle Konstrukte) und diskriminierende Validität, wie sowohl durch das Fornell-Larcker-Kriterium als auch durch das Heterotrait-Monotrait-Verhältnis (HTMT < 0,85) bestätigt wurde. Im Strukturmodell wurden die Pfadkoeffizienten mittels eines Bootstrapping-Verfahrens mit 5.000 Reproben geschätzt, um stabile Schätzungen und Konfidenzintervalle zu erzeugen. Die Prädiktionskraft des Modells wurde anhand von^R2-Werten für endogene Variablen (Motivation = 0,53, Angst = 0,41, Kreativität = 0,38) und prädiktive Relevanz (Q² > 0) bewertet, wobei Effektgrößen (f²) berechnet wurden, um den substanziellen Einfluss zu bestimmen. Mediationsanalysen verwendeten die bias-korrigierte Bootstrap-Methode, um indirekte Effekte zu testen, wobei eine signifikante Mediation festgestellt wurde, wenn 95%-Konfidenzintervalle null ausschlossen.

Alle Konstrukte wurden auf Basis theoretischer Überlegungen als reflektierend (Modus A) modelliert, da angenommen wurde, dass jede latente Variable ihre beobachteten Indikatoren verursacht. Keine Items wurden von irgendeiner Skala entfernt, da alle Items äußere Belastungen über dem 0,50-Schwellenwert (von 0,62 bis 0,89) aufwiesen und alle durchschnittlich extrahierten Varianzwerte (AVE) 0,50 überschritten, was die konvergente Validität bestätigte. Für Mediationstests umfasste das strukturelle Modell direkte Wege von den drei Vorläufern (Lehrstil, ChatGPT-Gebrauch, digitale Kompetenz) zur Motivation, von Motivation zu Angst und von Angst zur Kreativität. Direkte Wege von Antecedenten zu Angst und von Antecedenten zu Kreativität wurden ebenfalls geschätzt, um auf partielle vs. vollständige Mediation zu testen. Die vollständige Mediation wurde auf Grundlage der Kriterien bestimmt, dass (a) die indirekten Effekte (Antezedenten → Motivation → Angst) signifikant waren (95 % bias-korrigiertes Bootstrap-Konfidenzintervall ohne Null) und (b) die direkten Effekte von Antezedenten auf Angst nach Einbeziehung des Mediators nicht signifikant wurden, während die direkten Effekte von Vorläufen auf Kreativität nie signifikant waren. Alle Analysen verwendeten den PLS-SEM-Algorithmus in SmartPLS 4 mit Pfadgewichtungsschema, maximalen Iterationen auf 300 und Stoppkriterium von 1,0e-7. Bootstrapping wurde mit 5.000 Teilstichproben, bias-korrigierten und beeilten (BCa) Konfidenzintervallen bei 95 % und der Option "No Sign changes" durchgeführt. Die Modellanpassung wurde anhand des standardisierten Wurzelmittel-Quadrat-Restwerts (SRMR = 0,061) bewertet, der unter der empfohlenen Schwelle von 0,08 liegt.

Ergebnisse

Deskriptive Statistik und Korrelationsanalyse
Die deskriptiven Statistiken aller Studienvariablen zeigten normalverteilte Daten mit akzeptablen Variabilitätsbereichen, wie sich durch Schief- und Kurtosiswerte innerhalb der empfohlenen Schwellenwerte von ± 2 zeigt.

Tabelle 1 zeigt wichtige Eigenschaften der Studienvariablen in unserer Stichprobe von 290 EFL-Lernenden. Unterrichtsstil (M = 4,32, SD = 0,72), digitale Kompetenz...

Diskussion

Die aktuelle Studie liefert nützliche Einblicke in die Zusammenhänge zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, Angst und Kreativität bei EFL-Schülern. Die Ergebnisse deuten darauf hin, dass schülerzentrierter Lehrstil, stärkere Nutzung von ChatGPT und höhere digitale Kompetenz positiv mit der Motivation der Schüler in Verbindung stehen. Motivation wiederum ist negativ mit Angst assoziiert, während Angst negativ mit Kreativität zusammenhängt. Diese Ergebnisse so...

Materialien

```html

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Umfrageinstrumente (Skalen)	Teaching Style Scale	N.V.	Modifizierte Version des Grasha'schen Teaching Style Inventory (Grasha, 1996), zur Bewertung von fünf pädagogischen Ansätzen: autoritär, experte, persönliches Modell, förderlich und delegatorisch. Katalognummer: N.V.
	Digital Literacy Scale	N.V.	29-Item-Skala, angepasst von Rodríguez-de-Dueño et al. (2016), die sechs Dimensionen abdeckt: Technische Kompetenz, Persönlicher Datenschutz, Kritische Bewertung, Gerätesicherheitsmanagement, Informationsverarbeitung und digitale Kommunikation. Katalognummer: N.V.
	ChatGPT-Nutzungsskala	N.V.	8-Item-Skala, angepasst von Abbas et al. (2024), die sich auf die Interaktion der Studierenden mit dem KI-Tool für Sprachlernaufgaben konzentriert. Katalognummer: N.V.
	Foreign Language Classroom Anxiety (FLCA) Scale	N.V.	Skala, angepasst von Briesmaster und Briesmaster (2015), mit Unterskalen für Kommunikationsangst (10 Items), Testangst (15 Items) und Angst vor negativer Bewertung (7 Items). Katalognummer: N.V.
	Motivationsskala	N.V.	20-Item-Skala, angepasst von Kanoksilapatham et al. (2021), zur Messung von drei Dimensionen: Instrumentalität (Förderung/Prävention), Ethnozentrismus/Integrativität und Einstellung zum Englischlernen. Katalognummer: N.V.
	Kreativitätsskala	N.V.	12-Item-Skala, angepasst von Govindasamy et al. (2024), zur Messung von vier Teilkonstrukten: Originalität, Flexibilität, Fluidität und Ausarbeitung. Katalognummer: N.V.
Software	SPSS Statistics Version 27	IBM Corp.	Software zur statistischen Analyse. Katalognummer: N.V.
	SmartPLS Version 4	SmartPLS GmbH	Software für Strukturgleichungsmodellierung. Katalognummer: N.V.
Geräte & Sonstige Materialien	Datenerfassungsinstrument	N.V.	Anonyme, selbstverwaltete Papier-und-Bleistift-Fragebogenbatterie. Katalognummer: N.V.
	Einwilligungserklärungen	N.V.	Geschriebene Informationsblätter und Einwilligungserklärungen mit Details zu Studienzweck, -verfahren, Risiken/Nutzen und dem Recht auf Rückzug. Katalognummer: N.V.
	Datenspeichersystem	N.V.	Passwortgeschützte digitale Dateien mit kodierten Identifikatoren; persönliche Informationen werden getrennt von Forschungsdaten gespeichert. Katalognummer: N.V.
Analytische Verfahren	PLS-SEM-Algorithmus und Bootstrapping	SmartPLS GmbH	SmartPLS 4 interne Routinen (PLS-Algorithmus und Bias-Korrigiertes Bootstrapping mit 5.000 Resamples). Katalognummer: N.V.
	Gültigkeits- und Reliabilitätsprüfungen	SmartPLS GmbH; IBM Corp.	SmartPLS 4 und SPSS Routinen für Cronbach's Alpha, zusammengesetzte Reliabilität, durchschnittlich extrahierte Varianz (AVE), Fornell-Larcker Kriterium und heterotrait-monotrait (HTMT) Verhältnis. Katalognummer: N.V.
	Prädiktive Relevanzbewertung	SmartPLS GmbH	Blindfolding-Verfahren in SmartPLS 4 zur Berechnung des Stone-Geisser'schen Q² Wertes. Katalognummer: N.V.
	Vorläufige Datenprüfung	IBM Corp.	SPSS-Verfahren zur Handhabung fehlender Daten (Expectation-Maximization Algorithmus) und Prüfungen auf Normalität, Ausreißer und Faktorenstruktur (explorative Faktorenanalyse). Katalognummer: N.V.

```