Article de recherche
Cette étude examine comment l’intégration de l’IA affecte psychologiquement et cognitivement les apprenants en anglais. Elle constate que l’utilisation de l’IA augmente l’anxiété (FoMO), nuit à la compréhension de lecture, tandis que l’épuisement numérique affaiblit le lien entre compréhension et vocabulaire. L’objectif est de mettre en lumière la nécessité d’une utilisation équilibrée de l’IA pour soutenir l’apprentissage.
Cette étude examine comment l’intégration de l’intelligence artificielle (IA) dans l’apprentissage des langues influence les résultats psychologiques et cognitifs chez les apprenants de l’anglais langue étrangère (EFL). Plus précisément, il étudie les effets de la dépendance perçue à l’IA, les préoccupations éthiques et l’utilisation de l’IA générative sur la peur de manquer quelque chose (FoMO), la compréhension de lecture mesurée par l’échelle des stratégies de lecture, et l’acquisition du vocabulaire, tout en considérant le rôle modérateur de l’épuisement numérique. Un plan d’enquête transversale a été employé avec n = 450 apprenants EFL, et les données ont été analysées à l’aide de la modélisation structurelle des moindres carrés partiels (PLS-SEM) pour évaluer à la fois les relations directes et médiatisées. Les résultats révèlent que les facteurs liés à l’IA prédisent significativement une FoMO plus élevée, ce qui a à son tour un impact négatif sur la compréhension de lecture. Bien que la compréhension de lecture favorise fortement l’acquisition du vocabulaire, l’épuisement numérique affaiblit cette relation. L’étude met en lumière la double nature de l’IA dans l’éducation, facilitant les résultats d’apprentissage tout en contribuant simultanément à la pression psychologique. Ces résultats soulignent l’importance d’une intégration équilibrée de l’IA dans l’apprentissage des langues, soulignant la nécessité de stratégies pour atténuer l’anxiété numérique et l’épuisement professionnel. Les implications théoriques étendent la recherche sur l’apprentissage médié par la technologie en identifiant le FoMO comme une voie affective critique dans les contextes éducatifs pilotés par l’IA. Les recommandations pratiques incluent l’intégration de pratiques de bien-être numérique aux côtés d’outils d’IA pour optimiser les bénéfices de l’apprentissage tout en minimisant les effets psychologiques négatifs.
L’intégration rapide de l’intelligence artificielle générative (IA) dans l’éducation a transformé les paradigmes traditionnels d’apprentissage des langues, en particulier dans les contextes de l’anglais langue étrangère (EFL) 1. Des outils tels que les assistants de vocabulaire alimentés par l’IA, les systèmes automatisés de retour d’écriture et les plateformes d’apprentissage adaptatif promettent une efficacité accrue et un enseignement personnalisé2. Cependant, ce changement technologique a également introduit des défis psychologiques et pédagogiques, notamment une dépendance perçue à l’IA, un épuisement numérique et des préoccupations éthiques, qui peuvent influencer les résultats d’apprentissage3. Un phénomène peu étudié mais crucial dans ce domaine est la peur de passer à côté (FoMO). Dans cet état psychologique, les apprenants se sentent obligés d’adopter des outils d’IA en raison des pressions de comparaison sociale, potentiellement au détriment d’un engagement cognitif profond4. Bien que les recherches existantes aient exploré le rôle de l’IA dans l’acquisition dulangage 5, peu d’études ont examiné comment l’IA générative interagit avec la dépendance perçue et la FoMO pour façonner l’acquisition du vocabulaire, laissant un écart significatif dans la compréhension des deux forces à la fois facilitatrices et nuisibles de l’IA dans l’éducation 6,7.
Une revue de la littérature révèle trois lacunes clés. Premièrement, les études sur l’IA dans l’apprentissage de l’EFL se sont principalement concentrées sur les résultats de performance (scores aux tests, améliorations de la fluidité) plutôt que sur les mécanismes psychologiques à l’origine de l’adoptionde l’IA 8. Par exemple, bien que l’efficacité de l’IA dans la rétention du vocabulaire soit bien documentée, on sait peu de choses sur la façon dont la dépendance perçue, la croyance qu’on ne peut pas apprendre efficacement sans l’IA, impacte la motivation et la rétention à longterme 9. Deuxièmement, bien que FoMO ait été largement étudié dans les contextes des réseaux sociaux, son rôle dans les environnements d’apprentissage médiés par l’IA reste inexploré. Étant donné que les outils d’IA fournissent souvent des retours en temps réel, visibles socialement (fonctionnalités de benchmarking par pairs), les apprenants peuvent ressentir une anxiété accrue à l’idée de prendre du retard, ce qui aggrave leur dépendance à l’IA10. Troisièmement, bien que les préoccupations éthiques concernant l’IA (confidentialité des données, biais algorithmique) soient largementreconnues 11, leur effet modérateur sur la dépendance et l’efficacité de l’apprentissage n’a pas été testé empiriquement dans les contextes EFL. Ces lacunes soulignent collectivement la nécessité d’une investigation holistique qui relie l’acceptation technologique, la psychologie motivationnelle et les théories de l’apprentissage cognitif.
Cette étude comble ces lacunes en proposant un modèle conceptuel novateur qui examine comment l’utilisation de l’IA générative, la dépendance perçue à l’IA et les préoccupations éthiques perçues de l’IA influencent la FoMO chez les apprenants EFL, le rôle médiateur de la FoMO dans la liaison des trois variables indépendantes à la compréhension de la lecture des élèves en EFL, et l’effet modérateur de l’épuisement numérique entre la compréhension de la lecture et l’acquisition du vocabulaire. La recherche proposée contribue au développement d’un cadre théorique complet pouvant être utilisé pour étudier les effets de la dépendance à l’IA sur la motivation intrinsèque et l’autonomie de l’apprenant à travers le prisme de la théorie de l’autodétermination (SDT)12, les mécanismes psychologiques derrière le FoMO dans les environnements d’apprentissage médiés par l’IA sur la théorie de la comparaisonsociale 13 , ainsi que les effets des outils de dépendance de l’IA sur la charge cognitive à travers la théorie de la charge cognitive (CLT)14.
Les contributions théoriques de cette étude sont triples. Premièrement, elle étend la TDS en conceptualisant la dépendance à l’IA comme une menace potentielle à l’autonomie de l’apprenant, remettant en question l’hypothèse selon laquelle l’IA renforce universellement la motivation. Deuxièmement, elle applique la théorie de la comparaison sociale à l’apprentissage médié par l’IA, révélant comment FoMO se transforme d’un phénomène des réseaux sociaux à un moteur de l’adoption d’outilséducatifs 15. Troisièmement, elle affine la CLT en démontrant que les bénéfices cognitifs de l’IA (réduction de la charge extrane) peuvent être contrecarrés par la charge16 pertinente induite par la dépendance, offrant une vision nuancée de l’impact de l’IA sur l’encodage de la mémoire. Ces avancées théoriques constituent une base pour de futures recherches sur la psychologie de l’apprentissage assisté par l’IA.
Pour garantir la rigueur méthodologique et l’applicabilité pratique, plusieurs considérations clés ont guidé la conception. La population cible des apprenants chinois universitaires en langue étrangère a été sélectionnée en raison de leur forte exposition et de leur intégration institutionnelle aux outils d’IA, fournissant un contexte pertinent pour examiner la dépendance à l’IA. Les limites des constructs sont clairement délimitées à l’aide d’échelles validées multi-items pour chaque variable latente, évitant ainsi tout chevauchement conceptuel. Le choix de ces échelles spécifiques s’est justifié par leur fiabilité établie et leur opérationnalisation directe des constructions psychologiques et comportementales complexes étudiées (préoccupations éthiques multidimensionnelles, épuisement numérique spécifique à l’apprentissage). Pour les analyses de médiation et de modération planifiées, nous reconnaissons que les données transversales, bien que suffisantes pour la modélisation prédictive via PLS-SEM, limitent l’inférence causale définitive pour les voies médiées et modérées. La taille de l’échantillon de 465 dépasse largement les exigences minimales de puissance statistique en régression et en PLS-SEM, respectant la « règle des 10 fois » pour le nombre maximal de chemins structurels, assurant ainsi des estimations stables et généralisables des paramètres pour le modèle proposé.
Les concepts centraux de l’étude sont définis comme suit : la dépendance perçue à l’IA fait référence à la croyance de l’apprenant en sa dépendance aux outils d’IA pour l’efficacité et l’accomplissement des tâches. Les préoccupations éthiques perçues par l’IA englobent les craintes concernant la transparence algorithmique, l’équité, la sécurité et la responsabilité. L’utilisation de l’IA générative désigne la fréquence et l’étendue de l’utilisation de modèles d’IA pour générer du texte ou des images. La peur de passer à côté (FoMO) est l’anxiété que d’autres puissent vivre des expériences enrichissantes dont l’un d’eux est absent, ici contextualisée à l’apprentissage piloté par l’IA. Le burnout numérique est l’état d’épuisement émotionnel et mental résultant d’un engagement numérique prolongé. Enfin, les résultats d’apprentissage sont capturés par la compréhension en lecture, la capacité à comprendre et à employer des stratégies avec le matériel écrit, et l’acquisition du vocabulaire, l’efficacité perçue par soi-même dans l’apprentissage et l’utilisation de nouveaux mots.
La structure de cet article est la suivante. La section 1 traite du contexte, de l’importance, des failles en recherche et de la contribution de la présente étude. La section 2 passe en revue les travaux antérieurs sur l’IA dans l’apprentissage, la dépendance et le FoMO de l’EFL, synthétisant les débats clés. La section 3 détaille la méthodologie qui inclut la conception de la recherche, la combinaison d’enquêtes pour mesurer la dépendance/FoMO perçue et des tâches expérimentales pour évaluer la rétention du vocabulaire. La section 4 présente les résultats, y compris les analyses de médiation/modération. La Section 5 aborde les implications pour la théorie, la pédagogie et la conception de l’IA, tandis que la Section 6 se conclut par les limites et les orientations futures.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Cette étude a été menée conformément aux directives éthiques pour la recherche sur les sujets humains à l’Université de Yangzhou. Le consentement éclairé a été obtenu de tous les participants avant leur participation, garantissant qu’ils étaient pleinement informés de l’objectif de l’étude, des procédures basées sur des enquêtes, de leur nature volontaire et de leur droit de se retirer à tout moment sans conséquence. Toutes les méthodes respectaient les normes éthiques de la recherche humaine, garantissant la confidentialité des participants, l’anonymisation des données et la protection tout au long de l’étude. L’étude a impliqué une collecte de données non invasive, basée sur une enquête, avec un risque minimal pour les participants. L’étude respecte des directives éthiques pour la recherche éducative, garantissant l’anonymat des participants et la participation volontaire. Le consentement éclairé a été obtenu électroniquement, avec des informations claires sur l’utilisation et le stockage des données. Aucune information personnelle identifiable n’a été collectée, et les réponses sont stockées de manière sécurisée sur des serveurs protégés par mot de passe. Les participants conservent le droit de se retirer à tout moment. Les risques potentiels (fatigue de l’enquête) sont atténués grâce à une conception concise du questionnaire, et les résultats sont présentés sous forme agrégée afin d’éviter toute identification individuelle.
Revue de la littérature
Dépendance perçue à l’IA, préoccupations éthiques perçues par l’IA et peur de passer à côté (FoMo)
L’intégration dynamique de l’utilisation de l’intelligence artificielle (IA) dans l’éducation a donné une nouvelle tournure à l’apprentissage des langues, en particulier chez les élèves de l’anglais langue étrangère (EFL)17. Les systèmes de tutorat intelligents, l’évaluation automatique de l’écriture et les plateformes d’apprentissage adaptatif sont basés sur l’IA et offrent une expérience d’apprentissage efficace etindividualisée 18. Néanmoins, parallèlement à ce développement technologique, il y a eu des problèmes psychologiques, comme une peur accrue de manquer quelque chose (FoMO), qui est un type d’anxiété sociale car les gens craignent de ne pas être inclus dans des activitésagréables 19. Selon les résultats de la recherche, la dépendance perçue à l’IA et les préoccupations éthiques perçues sur l’IA peuvent renforcer les niveaux de FoMO chez les apprenants EFL et modifier leurs interactions avec l’éducation basée sur l’IA à l’avenir.
De plus, à mesure que l’IA prend sa place dans le processus d’enseignement des langues, les élèves peuvent devenir dépendants de ces outils pour corriger leur grammaire et leur vocabulaire et améliorer leurprononciation. Cette dépendance peut entraîner une pression psychologique, et les élèves peuvent avoir l’impression de devoir utiliser constamment des outils d’IA pour éviter le retard scolaire. Les résultats de la recherche sur la dépendance numérique ont conduit à la conclusion que la surdépendance à la technologie engendre de l’anxiété due à la peur de ne pas avoir accès à de telsappareils 21. Dans le domaine de l’apprentissage de l’EFL, les étudiants qui estiment que l’IA est nécessaire pourraient ressentir la FoMO car ils pensent que leurs camarades exploitent davantage de ces technologies22. Ce phénomène est cohérent avec la théorie de la comparaisonsociale 23, qui postule que les gens comparent leurs progrès à ceux des autres. Lorsque l’apprentissage amélioré par l’IA est perçu comme un signal compétitif, les étudiants peuvent craindre de manquer la réussite scolaire à moins de maximiser leur implication dans l’utilisation de cesoutils 24. De plus, la connexion perpétuelle favorisée par les outils d’IA peut déformer les différences entre éducation et divertissement, ce qui renforce encore les comportements domestiques addictifs qui renforcent encore FoMO25.
H1 : La dépendance perçue à l’IA influence positivement la peur de passer à côté (FoMO) chez les apprenants en langue étrangère.
H2 : Les préoccupations éthiques perçues concernant l’IA influencent positivement la peur de manquer quelque chose (FoMO) chez les apprenants EFL.
IA générative (utilisation de ChatGPT) et peur de passer à côté (FoMo)
L’augmentation actuelle de la popularité de l’IA générative (ChatGPT) dans le domaine de l’éducation a conduit à de nouvelles conditions d’expériences psychologiques dans le processus d’apprentissage d’une langue 26,27. L’étude a récemment identifié que l’utilisation de tels outils d’IA de pointe peut transformer de manière significative l’état émotionnel des apprenants, en particulier la peur de manquer quelque chose (FoMO)28. Plus l’IA générative est programmée pour fournir un retour instantané, générer du matériel d’apprentissage et simuler une pratique de conversation, plus les élèves peuvent développer de l’anxiété et craindre d’être laissés pour compte s’ils n’utilisent pas ces outils au maximumde leur potentiel. Ce processus suggère une tendance plus large de l’apprentissage numérique où l’avancée technologique permet non seulement de faire plus de choses dans l’apprentissage, mais expose aussi les expériences d’apprentissage à de nouveaux niveauxd’anxiété 30.
Les effets psychologiques des outils d’IA générative sur les apprenants de langues peuvent s’expliquer par la référence à la théorie de l’autodétermination, selon laquelle la compétence, l’autonomie et la relation sont des besoins psychologiquesfondamentaux 14. Dans les cas où les élèves estiment que leurs pairs obtiennent de meilleurs résultats grâce à l’IA, attribué au fait que le FoMO n’est pas abordéau niveau 31, cela est également aggravé par des menaces pesant sur leur sentiment de compétence. Cet impact peut être particulièrement sévère dans des contextes académiques difficiles, lorsque les élèves comparent leurs progrès et leurs capacités. De plus, l’accès illimité aux outils d’IA générative peut également entraîner le problème d’une utilisation constante, car les apprenants craignent de prendre du retard et de perdre des progrès significatifs.
FoMO prend également la forme des dynamiques sociales de l’implémentation de l’IA dans les communautésd’apprentissage 33. Une fois que l’IA générative sera normalisée dans le cadre éducatif, elle risque de créer un sentiment de pression sociale pour s’aligner sur les nouvelles pratiques numériques encouragées dans l’environnementéducatif 34. Une telle pression peut être particulièrement forte avec l’apprentissage d’une langue étrangère, où l’IA est disponible pour aider à l’écriture, la grammaire et la communication sans effort apparent de la part del’apprenant 35. L’idée d’être exclu dans cette transformation peut être une motivation à adopter des stratégies d’utilisation compulsive, même chez des apprenants qui seraient autrement plus enclins à apprendre de manière plusconventionnelle 36. De nouvelles études insistent sur la nécessité de comprendre plus en détail l’effet médiateur des différentes caractéristiques de l’apprenant sur la relation entre l’utilisation de l’IA générative et le FoMO. Les réponses à ces questions dépendent de facteurs tels que le niveau de maîtrise numérique et de compétences en autorégulation, ainsi que la motivation à apprendre, qui peuvent déterminer si les outils d’IA sont des ressources autonomisantes ou la cause de l’anxiété37. Sur la base de la littérature ci-dessus, l’hypothèse suivante est proposée :
H3 : L’augmentation de l’utilisation de l’IA générative influence positivement la peur de passer à côté (FoMO) chez les apprenants EFL.
Peur de manquer quelque chose (FoMo), compréhension de lecture et acquisition du vocabulaire
Le concept psychologique de peur de manquer quelque chose (FoMO) est devenu de plus en plus influent sur les comportements d’apprentissage en ligne, mettant en lumière une relation complexe avec l’apprentissage de la langue seconde et les résultatsacadémiques 38. Des recherches récentes montrent que le FoMO, selon la dimension39 de l’apprentissage des langues, peut avoir un effet différencié sur l’apprentissage de plusieurs dimensions de l’apprentissage des langues, en particulier sur la compréhension de lecture et l’acquisition duvocabulaire 40. Cette dépendance semble être motivée par la charge cognitive41 et les systèmes de contrôle de l’attention42, car les individus avec un FoMO élevé présentent un schéma unique d’interactions textuelles matérielles.
Les études empiriques indiquent qu’un degré modéré de FoMO augmente l’engagement dans les lectures lorsque les apprenants estiment que les lectures sont des activités socialement et académiquement utiles43. Cependant, un excès de FoMO est associé à une lecture incomplète et à un traitement profond peud’information 44, ce qui pourrait dégrader la compréhension. Cette sensation semble plus présente dans le domaine de la lecture numérique, où les notifications et le piège sur les réseaux sociaux augmentent les perturbations de l’attention45. Dans l’acquisition du vocabulaire, la FoMO présente une relation plus complexe, bien que l’exposition à de nouveaux items lexicaux puisse être renforcée par un engagement accru46,47, la rétention est affectée par les comportements d’apprentissage compulsif.
Les preuves émergentes suggèrent qu’il existe des variations culturelles et individuelles dans ces relations. En comparaison, les apprenants collectivistes semblent plus sujets aux conséquences négatives du FoMO sur la compréhension de lecture48, ce qui pourrait être lié à leur tendance accrue à comparersocialement 49. En revanche, les expériences FoMO n’ont aucun impact sur la compréhension et l’apprentissage du vocabulaire chez les apprenants ayant des stratégies d’autorégulation élevées 50. Sur la base de la littérature ci-dessus, les hypothèses suivantes sont proposées :
H4 : La peur de manquer quelque chose (FoMO) influence négativement la compréhension de lecture.
H5 : La compréhension de lecture influence positivement l’acquisition du vocabulaire.
Effet modérateur de l’épuisement numérique dans l’apprentissage
L’épuisement numérique est un problème récent avec des implications psychologiques et sociales qui affectent les processus d’acquisition dulangage 51,52. Épuisant émotionnellement et cognitivement, en même temps, je manquais de motivation à cause d’un long éventail d’apprentissages académiques médiés par la technologie. L’épuisement numérique a affecté négativement les capacités cognitives nécessaires pour traiter lelangage 53. Des études neurocognitives actives indiquent que l’épuisement professionnel provoque de la fatigue, ce qui interfère avec la capacité de mémoirede travail 54, un élément clé à la fois de la mémoire des mots et de lalecture 55. Cette fatigue mentale pourrait expliquer les nouvelles preuves d’un codage sémantique faible chez les apprenants numériquement épuisés lorsqu’on leur demande d’accomplir des tâches d’apprentissage duvocabulaire 56.
L’épuisement numérique se manifeste de manière unique dans les contextes de l’EFL en raison des exigences cognitives et affectives distinctes de l’acquisition du langage. Contrairement à l’épuisement académique général, l’épuisement numérique de l’EFL est aggravé par la charge cognitive constante du traitement de phonologies, de syntaxes et de sémantiques inconnues via des interfaces numériques, ce qui peut submerger la mémoire de travail plus sévèrement que l’apprentissage basé sur le contenu57. De plus, le filtre affectif est accentué par la nature performative de la pratique linguistique sur les plateformes d’IA, où les apprenants peuvent ressentir de l’anxiété due à des corrections immédiates pilotées par des algorithmes et la pression d’atteindre une maîtrise native58. Cette combinaison de charge cognitive accrue et de pression socio-affective unique dans des environnements linguistiques médiés numériquement crée un profil spécifique d’épuisement qui entrave directement les processus nuancés d’encodage du vocabulaire et de compréhensionde lecture 59.
L’épuisement numérique et la compréhension de lecture montrent des relations très subtiles dans le développement du vocabulaire. Bien que la connaissance accessoire du vocabulaire soit probablement acquise par inférence contextuelle lorsque les élèves ont de fortes compétences en lecture60, la corrélation positive entre vocabulaire et performance en lecture diminue chez les élèves ayant un burnout élevé61. Les mesures du suivi oculaire indiquent que les apprenants en sénescence verbale montrent également une diminution des temps de fixation sur de nouveaux objets lexicaux pendant la lecture62, ce qui implique une baisse de la concentration mentale des arrière-plans riches en vocabulaire. C’est comme la théorie du contrôle de l’attention, qui soutient que la fatigue cognitive affecte les compétences des fonctions exécutives impliquées dans la compréhension simultanée et le traitement lexical. Il est tout à fait possible de noter que le rôle modérateur de l’épuisement numérique n’est évident que dans les différences individuelles d’autorégulation et de conception des environnementsd’apprentissage 63. La résilience face aux effets néfastes de l’épuisement est également illustrée par les apprenants ayant des stratégies métacognitives performantes, car ils conservent un avantage dans le vocabulaire même face à des troubles de compréhension. Sur la base de la littérature ci-dessus, les hypothèses suivantes sont proposées :
H6 : L’épuisement numérique dans l’apprentissage influence négativement l’acquisition du vocabulaire.
H7 : L’épuisement numérique dans l’apprentissage modère négativement la relation entre la compréhension de lecture et l’acquisition du vocabulaire, de sorte qu’un burnout plus élevé affaiblit l’effet positif de la compréhension sur le gain de vocabulaire.
Effet médiateur de la peur de passer à côté (FoMo)
L’introduction de l’intelligence artificielle dans l’éducation a ajouté des systèmes psychologiques complexes qui déterminent les résultats de la compréhension de lecture64. Les données émergentes indiquent que la peur de manquer quelque chose (FoMO) est un médiateur essentiel du lien entre l’engagement des apprenants avec les technologies d’IA et leur réussite en lecture65. Le rôle de cet effet de médiation semble particulièrement marqué dans les contextes où les outils d’IA ont été promus comme moyens de faciliter un apprentissage plus efficace, générant ainsi des pressions psychologiques pouvant finir par entraver la pensée d’ordresupérieur 66. Pour s’assurer que les angoisses d’apprentissage autonome ne soient pas développées par des apprenants réalisant une dépendance irrationnelle à l’assistance à l’IA67, des études récentes se concentrent sur la détermination de la manière dont les niveaux de dépendance perçus à l’IA influencent le développement de l’anxiété liée aux capacités d’apprentissageautonome 68. Cette anxiété se transforme en FoMO lorsque les étudiants réfléchissent à ce qu’ils ne peuvent pas faire comparé aux résultats améliorés par l’intelligenceartificielle 69, et montrent une tendance à déplacer les ressources cognitives loin des étapes de compréhension approfondie.
Les questions éthiques liées à l’application de l’IA correspondent aux voies FoMO, et les apprenants confrontés à des conflits moraux liés à l’utilisation de l’IA montrent une vigilance accrue envers les actions de leurs pairs, ce qui contribue à créer des séparations attentionnelles entre l’éthique et la compréhension delecture 70. Cela se reflète dans les études de suivi oculaire où le lecteur effectue des mouvements oculaires plus régressifs lorsqu’il lit65. L’effet de médiation semble particulièrement marqué lorsque les questions éthiques n’ont pas été clarifiées, laissant un fardeau cognitif persistant qui nuit à lalecture de 71. Les outils d’IA générative créent de nouveaux types de médiation avec la capacité de produire des résultats pratiquement instantanément. Sur la base de la littérature ci-dessus, les hypothèses suivantes sont proposées :
H8 : La peur de passer à côté (FoMO) médie la relation entre la dépendance perçue à l’IA et la compréhension de lecture
H9 : La peur de passer à côté (FoMO) médie la relation entre les préoccupations éthiques de l’IA perçue et la compréhension de lecture
H10 : La peur de passer à côté (FoMO) médie la relation entre l’utilisation de l’IA générative et la compréhension de lecture
Cadre théorique
Cette étude est principalement guidée par la théorie de l’autodétermination (SDT)12, qui fournit un cadre cohérent pour comprendre comment les outils d’IA influencent les besoins psychologiques fondamentaux qui sous-tendent la motivation et l’engagement cognitif des apprenants. Selon le modèle, la dépendance perçue à l’IA met directement en péril les besoins primaires de la TDS en matière d’autonomie et de compétence, et peut miner la motivation intrinsèque à apprendre la langue en développant une dépendance excessive à la régulation externe de la réalisation d’objectifs tels que la compréhension de lecture et l’acquisition du vocabulaire. Dans ce contexte, la peur de passer à côté (FoMO) est comprise dans le cadre de la parenté, décrite par la théorie secondaire de la comparaison sociale72. La norme sociale qui s’est développée chez les pairs en raison de l’utilisation intensive de l’IA provoque un état de FoMO, entraînant une anxiété de manquer quelque chose, ce qui augmente ensuite la dépendance et diminue encore davantage la motivation à apprendre de manière autonome.
Cette dynamique motivationnelle s’explique par les résultats cognitifs tels que décrits par la théorie de la charge cognitive (CLT)73. Bien que l’IA générative puisse améliorer l’apprentissage en minimisant la charge cognitive superflue (par exemple, par définition instantanée), s’en faire trop dépendre peut être contre-productif pour acquérir du vocabulaire en réduisant la charge cognitive pertinente nécessaire pour encoder profondément le lexique et le stocker dans la mémoire à long terme. Cela est aggravé par l’épuisement numérique qui constitue un drain des ressources cognitives sapant le lien entre compréhension et apprentissage. À son tour, la TDS offre une explication générale des voies motivationnelles, la TLC développe les processus cognitifs qui en découlent, et la théorie de la comparaison sociale décrit le stimulus socio-affectif (FoMO) qui en résulte, qui se combinent dans une explication composée de l’influence duale de l’IA sur l’apprentissage des langues.
Conception de la recherche
Cette étude adopte un plan de recherche empirique quantitatif pour examiner les relations entre les facteurs liés à l’IA (dépendance perçue, préoccupations éthiques, utilisation de l’IA générative), la peur de passer à côté (FoMO), l’épuisement numérique et les résultats d’apprentissage des langues (compréhension de lecture et acquisition du vocabulaire). Une approche transversale basée sur une enquête est employée, permettant de collecter des données à un moment donné pour évaluer les corrélations et les effets de médiation/modération. La conception est particulièrement adaptée à la mise à l’épreuve du modèle théorique proposé, car elle permet l’utilisation de la modélisation structurelle des équations (MEB) pour analyser les relations complexes entre constructions latentes.
Population et échantillonnage
La population cible est composée d’apprenants d’EFL dans les universités chinoises, un contexte où les outils d’apprentissage des langues assistés par l’IA sont de plus en plus intégrés aux programmes. Une technique d’échantillonnage pratique a été utilisée pour recruter 465 participants, la taille de l’échantillon étant déterminée par une analyse de puissance a priori à l’aide de G*Power 3.174. Pour les analyses de régression multiple prévues (α = 0,05, puissance = 0,95, taille d’effet moyenne f² = 0,15), l’analyse a indiqué une taille d’échantillon minimale requise de 166 participants, confirmant que notre échantillon de 465 fournit une puissance statistique suffisante. La taille de l’échantillon est également suffisante pour réaliser une analyse SEM, et elle suit l’exigence du PLS-SEM, qui indique que le nombre minimum de points d’échantillonnage doit être 10 fois supérieur au maximum de chemins structurels vers une construction dans le modèle75. Les échantillons seront recrutés à partir des unités d’échantillonnage de plusieurs universités situées dans différentes régions géographiques de Chine afin d’obtenir de meilleurs résultats en termes de généralisation. En revanche, les variables démographiques (âge du candidat, sexe, niveau de maîtrise de l’anglais et fréquence d’utilisation des outils d’IA) seront enregistrées et utilisées comme éléments témoins dans de futures études.
Pour garantir l’intégrité analytique de nos résultats, plusieurs mesures de contrôle qualité ont été mises en place tout au long du processus de collecte et de préparation des données. La distribution initiale de l’enquête a donné un taux de réponse de 87 %. Après la collecte des données, des procédures de sélection rigoureuses ont été appliquées : les enquêtes incomplètes avec plus de 10 % de données manquantes ont été exclues listément, et les valeurs manquantes sporadiques restantes au niveau de l’item ont été traitées à l’aide de l’algorithme d’imputation Expectation-Maximation dans SPSS afin de préserver la puissance statistique tout en minimisant les biais. De plus, des questions intégrées de contrôle d’attention ont permis d’identifier et de faciliter l’élimination des répondants inattentifs. Ces procédures complètes, combinées au criblage des valeurs aberrantes multivariées, ont permis que l’ensemble de données analytique final (N=450) respecte des normes élevées de fiabilité pour la modélisation structurelle ultérieure.
Procédure de collecte des données
Les données ont été collectées selon une approche mixte, utilisant à la fois des méthodes en ligne et sur site afin de maximiser la participation et l’accessibilité. L’équipe de recherche a collaboré avec les enseignants des cours des universités ciblées, qui ont distribué le lien unique pour l’enquête directement aux étudiants via les groupes officiels de cours WeChat. Cette méthode exploitait des canaux de confiance pour améliorer les taux de réponse. Pour la collecte de données sur site, le chercheur principal et des assistants formés visitaient des salles de classe désignées lors des sessions programmées. Après une brève introduction à l’étude, ils ont distribué les dossiers d’enquête papier. La procédure d’obtention du consentement éclairé était adaptée à chaque mode. Dans la version en ligne, les participants ont reçu un formulaire de consentement numérique sur la première page. Ils devaient sélectionner « J’ai lu et compris les informations ci-dessus, et j’accepte volontairement de participer » avant que les items du questionnaire ne soient activés. Pour les participants sur place, une fiche d’information détaillée était jointe au dossier de l’enquête, et un consentement écrit était obtenu en faisant signer un formulaire de consentement physique avant de recevoir le questionnaire. Le questionnaire complet a été conçu pour être rempli en 15 à 20 minutes afin de minimiser la fatigue des répondants. Pour garantir la qualité des données, deux éléments de contrôle d’attention (« Veuillez sélectionner 'Fortement en désaccord' pour cette déclaration ») ont été intégrés dans l’enquête. Les soumissions incomplètes avec plus de 10 % de données manquantes et celles qui échouaient aux contrôles d’attention étaient automatiquement signalées par le système puis exclues. La période de collecte des données s’est étendue sur quatre semaines, durant lesquelles deux messages de rappel ont été envoyés via les canaux de distribution initiaux. Après la collecte, le jeu de données a subi un processus de nettoyage rigoureux, incluant des vérifications des valeurs manquantes, des valeurs univariées et multivariées, ainsi que des violations des hypothèses de normalité, avant l’analyse statistique.
Mesures et adaptation à l’échelle
Dépendance perçue à l’IA
La dépendance perçue à l’IA a été mesurée à l’aide d’une échelle de 5 items adaptée de Morales-García et al.76. Cette échelle mesure à quel point les personnes dépendent de l’intelligence artificielle dans leurs activités quotidiennes et dans leur processus décisionnel. Ces éléments reflètent plusieurs facettes de la dépendance, notamment le besoin perçu d’utiliser des outils d’IA pour être efficace et l’incapacité à fonctionner sans support de l’IA.
Préoccupations éthiques perçues de l’IA
Les préoccupations éthiques ont été évaluées à l’aide d’une échelle multidimensionnelle développée par Kim etKo 77. Pour renforcer la validité et la pertinence pour une population EFL, les quatre dimensions de l’échelle ont été encadrées dans le contexte spécifique de l’apprentissage des langues piloté par l’IA. Cette échelle comprend quatre dimensions critiques : transparence (8 articles), équité (5 articles), sécurité (5 articles) et responsabilité (8 articles). Chaque dimension évalue différents défis éthiques, tels que la clarté des processus décisionnels de l’IA, les biais dans les algorithmes d’IA, les risques liés à l’utilisation de l’IA et la responsabilité dans le déploiement de l’IA. Cette opérationnalisation ciblée garantit que les éléments correspondent directement aux dilemmes éthiques auxquels les apprenants en langue étrangère sont susceptibles de rencontrer.
Utilisation de l’IA générative
L’utilisation de l’IA générative a été opérationnelle à l’aide d’une échelle de 8 items d’Abbas et al.78. Cette échelle mesure le niveau et la régularité d’utilisation des modèles d’IA générative, y compris les dispositifs de création de texte et d’images. Les produits examinent diverses applications, telles que les applications académiques, professionnelles et personnelles, et aident à comprendre comment les gens les intègrent dans leur vie et les utilisent. Cette approche globale nous permet de saisir l’intégration holistique de l’IA générative dans l’écosystème des apprenants, ce qui est une condition préalable pour comprendre ses effets psychologiques et cognitifs plus larges.
Peur de passer à côté (FoMO)
La peur de passer à côté a été mesurée à l’aide de l’échelle de 17 items de Mazlum et Atalay79. Cette échelle a été choisie pour son évaluation nuancée de l’anxiété liée à des expériences enrichissantes par les pairs dont l’un est absent. Elle est particulièrement appropriée pour cette étude car elle saisit des éléments très pertinents pour les environnements d’apprentissage numériques, notamment le besoin compulsif de rester connecté en ligne et la crainte de passer à côté de stratégies d’apprentissage supérieures, de ressources ou d’avancées entre pairs facilitées par l’IA, reliant ainsi directement l’utilisation de l’IA à l’anxiété psychosociale.
Compréhension de lecture
La compréhension de lecture a été mesurée à l’aide de stratégies de lecture adaptées de Mokhtari et al.80, qui inclut trois dimensions : Stratégies de lecture globales 5 items, Stratégies de résolution de problèmes 5 items, et Stratégies de soutien à la lecture 5 items. Cette échelle évalue la manière dont les individus abordent et comprennent les documents écrits, en se concentrant sur leur capacité à synthétiser des informations, à résoudre les difficultés de compréhension et à utiliser des aides externes pour améliorer la compréhension.
Épuisement numérique dans l’apprentissage
L’épuisement numérique dans l’apprentissage a été mesuré à l’aide d’une échelle adaptée d’Erten et Özdemir81, comprenant trois dimensions : Vieillissement numérique (12 items), Privation numérique (6 items) et Épuisement émotionnel (6 items). Cette échelle évalue les effets psychologiques négatifs d’un engagement numérique prolongé, notamment la fatigue due au temps d’écran excessif, le sentiment de déconnexion et l’épuisement mental dû aux exigences d’apprentissage en ligne.
Acquisition du vocabulaire
L’acquisition du vocabulaire a été évaluée à l’aide d’une échelle de 4 items de Li et al.82. Cette échelle sert à mesurer l’efficacité des stratégies d’apprentissage du vocabulaire dans la manière dont les gens adoptent, se souviennent et utilisent de nouveaux mots dans divers contextes. Le contenu évalue la compétence auto-déclarée et la confiance en elle dans l’utilisation du vocabulaire.
Plan d’analyse des données
L’étude adopte une stratégie analytique complète en deux phases pour examiner rigoureusement les relations hypothétiques. Le criblage initial des données et les analyses préliminaires sont réalisés à l’aide de SPSS 28, en se concentrant sur les statistiques descriptives pour évaluer la distribution des données, les analyses de fiabilité à l’échelle (alpha de Cronbach) et les corrélations bivariées pour examiner les associations préliminaires entre des concepts clés. Tous les items à l’échelle de Likert ont été codés sur une échelle d’intervalles de 5 points (1=Fortement en désaccord avec 5=Fortement d’accord). Cette analyse fondamentale garantit la qualité des données et fournit des informations essentielles sur les caractéristiques fondamentales de l’ensemble de données avant de passer à une modélisation plus complexe. Pour l’analyse principale, SmartPLS 4 est utilisé pour implémenter la modélisation structurale des équations des moindres carrés partiels (PLS-SEM), sélectionnée pour sa gestion robuste de modèles prédictifs complexes impliquant des variableslatentes 83. L’analyse commence par une évaluation approfondie du modèle de mesure, où l’analyse factorielle confirmatoire établit les propriétés psychométriques des échelles. Les évaluations clés incluent les tests de cohérence interne (fiabilité composite), de validité convergente (variance moyenne extraite) et de validité discriminante (critère de Fornell-Larcker et ratio hétérotrait-monotrait). Ces étapes garantissent que les constructions sont à la fois théoriquement solides et empiriquement distinctes.
Par la suite, le modèle structurel est examiné pour tester les relations hypothététiques entre les constructions. Les coefficients de chemin sont analysés pour leur magnitude, leur direction et leur signification statistique, tandis que les tailles d’effet (f²) sont calculées pour évaluer l’impact substantiel. La pertinence prédictive du modèle est évaluée à l’aide de la statistique Q² de Stone-Geisser, avec des procédures de bandage à l’aveugle pour valider la capacité du modèle à prédire les variables endogènes. Pour les analyses de médiation, l’étude utilise l’approchePreacher and Hayes 84, bootstrapping, qui fournit des intervalles de confiance robustes pour les effets indirects tout en contrôlant les variables de confusion potentielles. Les effets de modération sont testés à l’aide de termes d’interaction créés selon la méthode de l’indicateur de produit PLS, avec une analyse simple de la pente réalisée pour interpréter les effets d’interaction significatifs. Toutes les analyses utilisent 5 000 échantillons bootstrap pour générer des estimations stables et garantir la robustesse des résultats.
Pour l’analyse principale, SmartPLS 4 est utilisé pour implémenter la modélisation structurale des équations des moindres carrés partiels (PLS-SEM), sélectionnée pour sa gestion robuste de modèles prédictifs complexes impliquant des variableslatentes 83. Le choix du PLS-SEM plutôt que le SEB basé sur la covariance (CB-SEM) est justifié par l’objectif principal de l’étude de prédire les variables endogènes (acquisition du vocabulaire) et son modèle complexe présentant des mécanismes médiateurs etmodérateurs 85. De plus, PLS-SEM est préféré à la régression multiple car il estime simultanément les relations entre tous les concepts latents de l’ensemble du modèle, tenant compte de l’erreur de mesure. Bien que les plans expérimentaux offrent une forte inférence causale, la nature transversale de cette étude vise à établir des relations prédictives dans un contexte d’apprentissage réel, pour lequel PLS-SEM est bienadapté 86. Enfin, cette étude pour l’analyse des données et les résultats de cette étude peuvent être consultés dans la section Résultats ci-dessous.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Statistiques descriptives
Les statistiques descriptives offrent un aperçu des variables importantes de cette étude, à savoir la dépendance perçue à l’IA, les préoccupations éthiques et l’utilisation de l’IA générative, la peur de passer à côté (FoMO), la compréhension écrite, l’épuisement numérique et l’acquisition du vocabulaire. L’analyse montrera les tendances centrales, la dispersion et les caractéristiques de distribution des données, permettant de comprendre l’intérêt des participants pour les t...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
La présente étude a examiné l’interaction complexe entre les facteurs liés à l’IA, les états psychologiques et les résultats d’apprentissage chez les apprenants EFL, apportant plusieurs résultats clés. Notre approche méthodologique, en particulier l’utilisation du PLS-SEM, a été cruciale pour modéliser ces relations complexes. Contrairement au SEM basé sur la covariance (CB-SEM), mieux adapté à la confirmation théorique, l’orientation prédictive de PLS-SEM et sa capacité à gérer des modè...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Tous les auteurs déclarent ne pas avoir de conflit d’intérêts.
Cette recherche est financée par le Jiangsu Provincial Social Science Fund, Subvention n° (23YYB011). Ce travail a été soutenu par l’Université Prince Sultan dans le cadre du Language and Communication Research Laboratory dans le cadre de la subvention RL-CH-2019/9/1.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Ordinateur portable | Dell Technologies | N/A | Utilisé pour le traitement et la documentation des données |
| Logiciel statistique (SPSS) | IBM Corp. | Version 26.0 | Utilisation pour l’analyse statistique |
| Microsoft Excel | Microsoft | Bureau 365 | Saisie de données et gestion de base des données |
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE
Demander une autorisation