De la littératie numérique à la créativité des élèves : le parcours motivationnel dans l’apprentissage des langues soutenus par l’IA

Résumé

Cette étude révèle que l’enseignement centré sur l’élève, l’utilisation stratégique de ChatGPT et la littératie numérique sont positivement associés à la motivation des apprenants chinois en langue étrangère. Cette motivation plus élevée est à son tour associée à une moindre anxiété et à une plus grande créativité, suggérant un rôle de médiateur. Les résultats soutiennent la formation des enseignants qui intègre pédagogie, outils d’IA et compétences numériques.

Résumé

Cette étude examine comment le style d’enseignement, l’utilisation de ChatGPT et la littératie numérique influencent collectivement la motivation, l’anxiété et la créativité chez les apprenants en anglais langue étrangère chinois, tout en examinant le rôle médiateur de la motivation dans ces relations. Adoptant une approche quantitative, les données ont été collectées auprès de n = 290 étudiants de premier cycle à l’aide d’échelles validées et analysées par modélisation structurelle des équations. Les résultats indiquent que l’enseignement au canter, l’intégration stratégique de ChatGPT et la littératie numérique sont positivement associés à une motivation plus élevée. Une motivation plus élevée est à son tour associée à une anxiété plus basse, et une anxiété plus faible est associée à une créativité accrue. De plus, la motivation médie pleinement les associations entre les trois antécédents (style d’enseignement, utilisation de ChatGPT, littératie numérique) et l’anxiété, soulignant son rôle central dans les résultats émotionnels au sein du modèle testé. L’étude contribue à la théorie de l’autodétermination en démontrant comment les facteurs pédagogiques et technologiques soutiennent de manière synergique les besoins psychologiques des apprenants, tout en étendant la théorie cognitivo-affective de l’apprentissage par les médias en clarifiant la fonction médiatrice de la motivation. Les implications pratiques soulignent la nécessité de programmes de formation des enseignants qui combinent une pédagogie innovante, l’utilisation des outils d’IA et le développement de la littératie numérique pour optimiser les expériences d’apprentissage des langues. La recherche souligne l’importance des approches centrées sur la motivation dans l’enseignement de l’anglais langue étrangère amélioré par la technologie, en particulier dans des environnements d’apprentissage à enjeux élevés.

Introduction

L’intelligence artificielle (IA) a fait progresser la technologie éducative en créant de nouvelles opportunités d’interaction, de personnalisation et de créativité dans l’apprentissage des^{langues 1}. ChatGPT, un outil conversationnel basé sur l’IA, fournit un retour interactif et adaptatif qui soutient le développement du^{langage 2}. Parallèlement, la littératie numérique est devenue une compétence essentielle pour naviguer et utiliser efficacement la technologie dans les environnements^{d’apprentissage 3}. Malgré l’intérêt croissant pour l’apprentissage des langues soutenu par l’IA et l’utilisation croissante de ChatGPT dans les contextes^{EFL 4}, plusieurs lacunes importantes subsistent. Premièrement, les études existantes ont largement examiné le style d’enseignement, l’utilisation des outils d’IA et la littératie numérique dans l’isolation ; Des recherches limitées ont intégré les trois dans un seul cadre^{motivationnel 5}. Deuxièmement, bien que la motivation soit largement reconnue comme un moteur clé de l’apprentissage des langues, peu d’études ont examiné son rôle médiateur dans le lien entre les facteurs pédagogiques et technologiques et les résultats émotionnels (par exemple, l’anxiété liée à l’apprentissage des langues) et les résultats cognitifs (par exemple, la créativité⁾⁶. Cet écart est particulièrement marqué dans les contextes chinois de l’EFL, où l’intégration technologique est encore en évolution. De plus, bien que l’anxiété soit bien documentée comme un frein dans l’apprentissage de^{l’EFL 7}, elle est rarement étudiée en même temps que des variables motivationnelles et technologiques. De même, la créativité, une compétence de plus en plus valorisée dans l’apprentissage des langues, n’a pas été fortement associée aux environnements d’apprentissage assistés par^{l’IA 8}. Contrairement aux recherches précédentes qui se concentrent uniquement sur la pédagogie ou la technologie, la présente étude fait le pont entre ces deux domaines afin d’examiner comment le style d’enseignement, l’utilisation de ChatGPT et la littératie numérique sont conjointement liés à la motivation, et par conséquent à l’anxiété et à la créativité.

Cette étude s’appuie sur trois cadres théoriques, chacun correspondant à des constructions mesurées spécifiques dans notre modèle d’équations structurelles. Premièrement, la théorie de l’autodétermination (TDS)⁹ postule que l’enseignement favorisant l’autonomie satisfait les besoins psychologiques fondamentaux des apprenants (autonomie, compétence, parenté), renforçant ainsi la motivation intrinsèque. Dans notre modèle, cela est mis en œuvre par la construction d’un style d’enseignement centré sur l’élève, qui est supposé être positivement associé à la motivation. Deuxièmement, le modèle d’acceptation technologique (TAM)¹⁰ suggère que l’utilité perçue et la facilité d’utilisation influencent l’adoption des technologies. Ici, la littératie numérique est conceptualisée comme un précurseur permettant aux apprenants de percevoir ChatGPT comme utile et facile à utiliser, renforçant ainsi son association positive avec la motivation. Troisièmement, la théorie cognitivo-affective de l’apprentissage avec les médias (CATLM⁾¹¹ souligne que les facteurs affectifs (par exemple, l’anxiété) médient la relation entre les caractéristiques des médias et les résultats cognitifs (par exemple, la créativité). Dans notre modèle, cela est testé via la voie : motivation → anxiété → créativité. Il est important de noter que, bien que la théorie constructiviste de l’apprentissage éclaire la conception d’une pédagogie centrée sur l’élève, elle n’est pas opérationnelle comme un concept mesuré distinct dans notre modèle ; Par conséquent, nous en discutons uniquement en contexte plutôt que comme un cadre directement testé.

Les applications précédentes de la TDS dans les contextes EFL se sont principalement concentrées sur le soutien à l’autonomie piloté par l’enseignant, sans examiner comment des outils d’IA comme ChatGPT pourraient satisfaire de manière autonome les besoins de compétence et d’autonomie des^{apprenants 12}. De même, le TAM a expliqué l’adoption de la technologie mais n’a pas pris en compte les résultats motivationnels et émotionnels tels que l’anxiété et la^{créativité 13}. Le CATLM a mis en avant le traitement émotionnel et cognitif mais manque de tests empiriques dans les contextes EFL¹⁴ soutenus par l’IA. La présente étude comble ces lacunes en intégrant ces trois cadres dans un modèle unifié et empiriquement testable, dans lequel le style d’enseignement, l’utilisation de ChatGPT et la littératie numérique sont associés à la motivation, ce qui est à son tour associé à une baisse de l’anxiété et à une créativité accrue (via le lien anxiété–créativité).

ChatGPT est un modèle de langage génératif capable de dialogues humains, de retour immédiat et de réponses adaptatives, ce qui en fait un outil potentiellement puissant pour l’enseignement de^{l’EFL 15}. Des études récentes indiquent que ChatGPT aide à l’acquisition du vocabulaire, à la précision grammaticale et à la fluidité conversationnelle grâce à des interactions^{simulées 16}. Cependant, des lacunes cruciales subsistent quant à ses effets psychologiques sur les apprenants. D’un côté, la nature à faible enjeu et accessible de ChatGPT pourrait réduire l’anxiété liée à l’apprentissage des langues¹⁷. En revanche, son imprévisibilité (par exemple, des inexactitudes occasionnelles ou des réponses incohérentes) pourrait augmenter le stress chez les apprenants moins confiants^{de 18} ans. De plus, l’efficacité de ChatGPT dépend probablement de la littératie numérique des apprenants, non seulement des compétences techniques mais aussi de l’évaluation critique et de la sensibilisation^{éthique 19}. Ce rôle de modération nécessite un examen plus approfondi dans les contextes de l’EFL où la préparation technologique des étudiants^{varie de 20} ans.

La méthodologie d’enseignement a été reconnue comme un aspect important qui définit l’activité et la performance des élèves dans l’apprentissage d’une langue²¹. Sur la base des questions constructivistes et socioculturelles, la tendance moderne de la recherche pédagogique a mis en lumière l’efficacité des pratiques d’enseignement centrée sur l’élève, telles que l’enseignement des langues communicatives et l’apprentissage par tâches^{. 22}, selon certaines pratiques, les élèves dans des pratiques centrées sur l’élève obtiennent de meilleures notes et de meilleurs résultats que ceux utilisant des styles dominés par l’enseignant²³. De tels paradigmes centrés sur l’apprenant maintenant résonnent avec la théorie de l’autodétermination, selon laquelle l’enseignement soutient l’autonomie, insufflant une motivation intrinsèque en répondant aux besoins psychologiques des apprenants, la compétence des besoins, l’autonomie des besoins et la relation^{avec les besoins 24}. Cela est également confirmé par des résultats de recherches empiriques qui montrent que des schémas d’enseignement flexibles et interactifs améliorent l’engagement des apprenants de langues et atténuent les conséquences négatives de l’anxiété²⁵. Mais la mise en œuvre rapide d’IA comme ChatGPT ajoute de la complexité à ce^{processus 26}. Bien que certains chercheurs affirment que la technologie IA peut approfondir les avantages positifs d’une pédagogie centrée sur l’élève en introduisant des parcours d’apprentissage^{individualisés 27}.

La motivation occupe la place centrale entre la médiation des connexions entre les variables pédagogiques, technologiques et affectives dans l’apprentissage^{des langues 28}. La différence entre la motivation autonome et la motivation contrôlée décrite par la TDS offre une perspective solide sur l’examen de l’engagement des apprenants grâce à l’utilisation de ChatGPT et aux styles d’enseignement²⁹. Dans les premières preuves, les chercheurs ont indiqué que les outils d’IA sont liés à la vie de la motivation autonome en soutenant un apprentissage auto-rythmé et basé sur les intérêts³⁰, bien que cet effet dépendait de la capacité des enseignants à combiner la technologie pour ne pas priver l’autonomie des apprenants³¹. À son tour, l’anxiété, qui peut sembler être un obstacle omniprésent dans le contexte de l’EFL, est souvent causée par la peur de l’évaluation négative ou l’anxiété de communication. Bien que l’intégration de l’IA dans la pratique de l’apprentissage ait été révélée comme atténuant cette anxiété³², peu de recherches ont été menées pour comprendre comment fonctionne le processus, notamment à travers l’aspect de la médiation par motivation³³. Figure 1 : les principales variables de l’étude. Il illustre les relations proposées entre le style d’enseignement d’un enseignant, l’utilisation de ChatGPT par les élèves, et les impacts qui en résultent sur la motivation, l’anxiété, la créativité et la littératie numérique des apprenants dans un contexte EFL.

Figure 1. Modèle de recherche. Représentation schématique des relations proposées entre le style d’enseignement, l’utilisation de ChatGPT, la littératie numérique des élèves EFL, la motivation des étudiants EFL, l’anxiété des élèves EFL et la créativité des étudiants EFL. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Sur la base du cadre théorique, les hypothèses suivantes (H1-H8) sont proposées :
H1 : Le style d’enseignement est positivement associé à la motivation des élèves.
H2 : L’utilisation de ChatGPT est positivement associée à la motivation des étudiants.
H3 : La littératie numérique est positivement associée à la motivation des élèves.
H4 : La motivation est négativement associée à l’anxiété.
H5 : L’anxiété est négativement associée à la créativité.
H6 : La motivation est associée à la relation entre le style d’enseignement et l’anxiété.
H7 : La motivation est associée à la relation entre l’utilisation de ChatGPT et l’anxiété.
H8 : La motivation est associée à la relation entre la littératie numérique et l’anxiété.

Protocole

Déclaration d’éthique
Cette étude a été menée conformément aux normes éthiques du Conseil d’Éthique (IRB) de l’Université de Chengdu, en Chine (Approbation n° : 202509). Tous les participants ont donné un consentement éclairé écrit avant la participation. L’étude a respecté les directives institutionnelles pour la recherche impliquant des sujets humains, garantissant la participation volontaire, la confidentialité et le droit de se retirer à tout moment sans sanction.

Pour préserver la confidentialité, toutes les données collectées étaient anonymisées à l’aide d’identifiants codés, et les informations personnelles étaient stockées séparément des données de recherche dans des fichiers protégés par mot de passe accessibles uniquement aux chercheurs principaux. La conception du questionnaire a intégré des mesures pour minimiser l’inconfort psychologique, en particulier pour les questions sur l’anxiété, et les participants ont reçu les coordonnées des services de conseil universitaire en cas de détresse liée à la participation à l’enquête. Pour remédier aux déséquilibres potentiels de pouvoir dans la relation enseignant-élève, le recrutement et la collecte de données ont été réalisés par des assistants de recherche formés plutôt que par des enseignants de cours, et les participants ont été assurés que leurs réponses n’affecteraient pas leur situation académique ni leur relation avec le corps enseignant.

Cette étude a utilisé un plan quantitatif et transversal impliquant 290 étudiants chinois de premier cycle en langue étrangère issus d’une université publique. Des participants représentant des années académiques et disciplines diverses ont été recrutés par échantillonnage de commodité avec représentation proportionnelle et remplis de questionnaires papier en classes contrôlées lors des sessions régulières, nécessitant environ 25 minutes. La batterie de questionnaires comprenait des échelles validées mesurant le style d’enseignement, la littératie numérique, l’utilisation de ChatGPT, la motivation, l’anxiété et la créativité. Pour minimiser les biais, des assistants de recherche formés ont administré les questionnaires en utilisant des contre-mesures procédurales telles que la séparation psychologique des items. Après la collecte des données, les réponses ont été analysées à l’aide d’un logiciel statistique et d’un logiciel de modélisation structurelle des moindres carrés partiels (PLS-SEM), incluant le criblage des données, l’évaluation du modèle de mesure, les tests de modèles structurels et l’analyse de médiation à l’aide d’une procédure de bootstrapping avec 5 000 rééchantillons.

Conception de la recherche
Cette étude a utilisé un plan de recherche quantitatif et transversal pour examiner les relations entre le style d’enseignement, l’utilisation de ChatGPT, la littératie numérique, la motivation, l’anxiété et la créativité chez les apprenants EFL. Une approche transversale a été jugée appropriée pour capturer un instantané de ces variables à un moment précis, permettant d’analyser leurs interrelations sans les exigences temporelles de la recherche longitudinale. Cette conception a facilité l’évaluation d’un modèle hypothétique de médiation dans lequel la motivation sert de mécanisme reliant le style d’enseignement, l’utilisation de ChatGPT et la littératie numérique à la réduction de l’anxiété et à une créativité accrue.

Données et échantillons
Le cadre d’échantillonnage comprenait tous les étudiants de premier cycle inscrits aux cours d’anglais langue étrangère (EFL) dans une université publique en Chine durant l’année universitaire 2024–2025. Les critères d’éligibilité exigeaient que les participants soient (a) locuteurs natifs du chinois, (b) actuellement inscrits à au moins un cours obligatoire d’EFL, et (c) sans formation préalable aux outils d’apprentissage des langues basés sur l’IA, au-delà des cours généraux. Une approche d’échantillonnage par commodité stratifiée a été utilisée, avec une répartition proportionnelle selon les années académiques (première année, deuxième année, troisième et terminale) et les domaines disciplinaires (sciences humaines, sciences sociales, sciences naturelles, ingénierie). Les tailles ciblées des copropriétés ont été fixées à 25 % par année académique et 25 % par domaine disciplinaire, en fonction de la répartition globale des étudiants de l’université. L’échantillon final comprenait 290 étudiants de premier cycle en EFL. Parmi les 328 étudiants approchés lors des sessions régulières, 11 ont refusé de participer (taux de non-participation = 3,4 %) et 27 ont fourni des questionnaires incomplets (taux de réponse incomplète = 8,2 %), donnant un taux de réponse final utilisable de 88,4 % (290/328). Le calcul a priori de la taille de l’échantillon a été effectué en utilisant G*Power 3.1 avec la famille de tests F, régression multiple linéaire : modèle fixe, déviation R² de zéro comme test. Les paramètres d’entrée étaient : taille d’effet f² = 0,15 (taille d’effet moyenne conventionnelle pour la recherche comportementale), α err prob = 0,05, puissance (1-β err prob) = 0,95, et nombre de prédicteurs = 3 (style d’enseignement, utilisation de ChatGPT, littératie numérique) pour le résultat de motivation. Le calcul a donné une taille d’échantillon minimale requise de 119 pour détecter un R² significatif. Pour mieux tenir compte du modèle SEM complet (y compris les chemins indirects et les variables endogènes supplémentaires), nous avons appliqué la règle plus prudente de 10 cas par paramètre estimé. Avec 29 paramètres estimés dans notre modèle, la taille d’échantillon requise était de 290, ce qui correspond exactement à l’échantillon final. Ainsi, l’échantillon obtenu est entièrement alimenté à la fois par régression et par analyse SEM.

Participants et procédure
Les participants ont été recrutés par échantillonnage stratifié de commodité afin d’assurer la proportionnalité entre les années universitaires (première à terminale) et les formations disciplinaires (sciences humaines, sciences et ingénierie). Les tailles des copropriétés dans l’échantillon final étaient : freshmen (n = 72, 24,8 %), sophomores (n = 74, 25,5 %), juniors (n = 71, 24,5 %), seniors (n = 73, 25,2 %) ; et les sciences humaines (n = 76, 26,2 %), les sciences sociales (n = 68, 23,4 %), les sciences naturelles (n = 72, 24,8 %), l’ingénierie (n = 74, 25,5 %). L’échantillon comprenait 62 % de femmes et 38 % d’étudiantes masculines, avec un âge moyen de 20,3 ans (DE = 1,7 ans). La collecte de données avait lieu lors des cours réguliers d’EFL. Des assistants de recherche formés ont administré des questionnaires papier dans des salles de classe contrôlées afin d’assurer la standardisation. Avant l’administration de l’enquête, tous les étudiants éligibles présents en classe étaient informés de l’objectif de l’étude, de la nature volontaire et des mesures de confidentialité (réponses anonymes, stockage sécurisé des données). Les élèves qui ne remplissaient pas les critères d’éligibilité (n = 6, pas d’inscription EFL) ou qui avaient refusé leur participation (n = 11) étaient exclus ; Les raisons du déclin comprenaient les contraintes de temps (n = 7) et l’inconfort lié à l’utilisation auto-déclarée de la technologie (n = 4). La batterie de questionnaires a pris environ 25 minutes à compléter et comprenait des échelles validées pour tous les constructs. Pour atténuer le biais courant de la méthode, des contre-mesures procédurales ont été appliquées (par exemple, séparation psychologique des items de l’échelle, anonymat des réponses). De plus, le biais de méthode commune a été évalué à l’aide du test à facteur unique de Harman, et le premier facteur représentait moins de 50 % de la variance totale, indiquant que le biais de méthode commun n’était pas une préoccupation majeure dans cette étude.

Mesures d’étude
Toutes les échelles ont été adaptées au contexte chinois de l’EFL grâce à une procédure rigoureuse de traduction et d’adaptation. Deux chercheurs bilingues ont traduit indépendamment les éléments originaux en anglais en chinois, et un troisième chercheur a réconcilié les divergences pour produire une version préliminaire. Cette version a été rétro-traduite en anglais par deux traducteurs différents, et toute incohérence a été résolue par discussion avec l’équipe de recherche. Les versions chinoises ont ensuite été testées par un pilote avec 30 étudiants de premier cycle en langue étrangère (ne faisant pas partie de l’échantillon principal) afin de vérifier la clarté et la compréhension, ce qui a entraîné de légers ajustements de formulation. Pour chaque échelle, les réponses ont été recueillies sur une échelle de Likert à 5 points allant de 1 (fortement en désaccord) à 5 (fortement d’accord). Des scores additionnés ou moyens ont été utilisés pour chaque construction, les scores plus élevés indiquant des niveaux plus élevés de la variable respective. Toutes les gammes adaptées ont été utilisées avec la permission des auteurs originaux ou sous licence ouverte lorsque cela s’applique. Aucun élément n’a été retiré des échelles originales, sauf indication ci-dessous ; La rétention des items était basée sur des charges factorielles > 0,40 et une pertinence théorique. Concernant l’utilisation de ChatGPT, l’étude a évalué l’interaction auto-déclarée des étudiants avec la version gratuite de ChatGPT (GPT-3.5/4 disponible via web ou application mobile durant l’année universitaire 2024–2025). Tous les participants avaient un accès égal à l’outil puisque l’université ne restreignait pas ChatGPT ; cependant, l’utilisation réelle variait selon les personnes. L’échelle mesurait la fréquence d’utilisation de ChatGPT (allant de « jamais » à « quotidienne »), les types de tâches d’apprentissage linguistique pour lesquelles il était employé (par exemple, le développement du vocabulaire, la correction grammaticale, la rédaction d’essais, la pratique de la conversation et la correction d’erreurs), ainsi que la qualité perçue de l’interaction (par exemple, l’utilité, la clarté des retours). L’échelle ne faisait pas de distinction entre les versions spécifiques de ChatGPT, car les mises à jour de version avaient lieu pendant la période de collecte des données ; au lieu de cela, les participants ont rapporté la version qu’ils utilisaient principalement, plus de 90 % ayant rapporté GPT-3,5 ou GPT-4. Des exemples détaillés d’éléments et des notes d’adaptation pour chaque construction sont fournis ci-dessous.

Cette étude a utilisé des échelles rigoureusement validées, soigneusement adaptées au contexte de l’enseignement EFL, pour évaluer les variables clés : approches pédagogiques, compétence numérique, intégration de ChatGPT, anxiété liée à l’apprentissage des langues, motivation des apprenants et pensée créative. Les outils de mesure ont été choisis pour leur fiabilité démontrée et leur capacité à évaluer de manière exhaustive chaque construction. Pour examiner les méthodes pédagogiques, la recherche a utilisé une version modifiée de^{l’Inventaire} 34 des styles d’enseignement de Grasha, qui évalue cinq approches pédagogiques distinctes : autoritaire, experte, enseignant modèle personnel, facilitatrice et déléguée. Pour évaluer la littératie numérique, l’étude a intégré une version modifiée de l’échelle développée par Rodríguez-de-Dueños et ^al.35, comprenant 29 items répartis dans six domaines clés : (1) la littératie technique, (2) la littératie en protection des données personnelles, (3) la littératie en évaluation critique, (4) la littératie en sécurité des appareils, (5) la littératie en traitement de l’information, et (6) la littératie en communication numérique. Ce cadre multidimensionnel a permis une évaluation approfondie des capacités numériques des apprenants nécessaires à l’éducation contemporaine. L’utilisation de ChatGPT a été évaluée à l’aide d’une échelle de 8 items adaptée d’Abbas et ^al.36, en se concentrant sur l’interaction des élèves avec l’outil d’IA pour les tâches d’apprentissage des langues. Cette échelle capture l’utilisation perçue et auto-déclarée de ChatGPT par les élèves dans les tâches d’apprentissage des langues, plutôt que la fréquence d’utilisation objective. L’anxiété en classe en langues étrangères (CLCA) a été mesurée à l’aide d’une échelle adaptée basée sur Briesmaster et^{Briesmaster 37}. Cet instrument a examiné l’anxiété à travers trois dimensions critiques : appréhension de la communication, anxiété de test et peur de l’évaluation négative, avec respectivement 10, 10 et 7 items. La motivation des élèves a été évaluée à l’aide d’une échelle adaptée de Kanoksilapatham et ^al.38, mesurant trois dimensions clés : la promotion et la prévention de l’instrumentalité, l’ethnocentrisme et l’intégration, et l’attitude envers l’apprentissage de l’anglais. La balance comprenait un total de 20 éléments. La créativité des étudiants en langue étrangère a été mesurée à l’aide d’une échelle adaptée de Govindasamy et ^al.39, qui évaluait quatre dimensions : originalité, flexibilité, fluidité et élaboration. Chaque dimension a été mesurée à l’aide de trois éléments.

Méthodes d’analyse des données
Les données collectées ont été analysées à l’aide d’une approche analytique en deux étapes combinant SPSS (Version 27) et la modélisation structurelle des équations des moindres carrés partiels (PLS-SEM) via le logiciel SmartPL. Le criblage initial des données et les analyses préliminaires ont été réalisés à l’aide de SPSS pour examiner la qualité des données, y compris la vérification des valeurs manquantes, des valeurs aberrantes et des hypothèses de normalité. Moins de 2 % des points de données étaient complètement absents de manière aléatoire (MCAR), comme le confirme le test MCAR de Little (χ² = 18,24, p = 0,212), et ont été traités à l’aide de l’algorithme d’espérance-maximisation pour préserver la puissance statistique. L’ensemble de données a démontré une normalité univariée acceptable (asiyologie < |2|, kurtose < |7|) et une normalité multivariée (coefficient de Mardia = 18,37, p < 0,001), justifiant l’utilisation à la fois des tests paramétriques et du PLS-SEM, qui est robuste à la non-normalité. Bien que la normalité univariée fût acceptable, le coefficient de Mardia indiquait une violation de la normalité multivariée (p < 0,001). Cependant, cela ne pose pas de problème car PLS-SEM est robuste à des distributions de données non normales.

L’analyse de fiabilité a révélé une forte cohérence interne pour toutes les échelles (α > de Cronbach 0,82, fiabilité composite > 0,85), tandis que l’analyse factorielle exploratoire a confirmé les structures factorielles anticipées avec tous les éléments chargeant proprement sur leurs constructions respectives (charges > 0,65, charges croisées < 0,40).

Pour les tests d’hypothèses, PLS-SEM a été choisi plutôt que le SEM basé sur la covariance en raison de sa meilleure gestion des modèles complexes avec des échantillons de petites à moyennes tailles et de sa capacité à maximiser la variance expliquée dans les constructions endogènes. L’analyse suivait la procédure en deux étapes, d’abord évaluant le modèle de mesure puis le modèle structurel. Le modèle de mesure réfléchissante a démontré une validité convergente adéquate (variance moyenne extraite > 0,50 pour tous les constructs) et une validité discriminante confirmée à la fois par le critère de Fornell-Larcker et le ratio hétérotrait-monotrait (HTMT < 0,85). Dans le modèle structurel, les coefficients de chemin ont été estimés à l’aide d’une procédure de bootstrapping avec 5 000 rééchantillonnages afin de générer des estimations stables et des intervalles de confiance. Le pouvoir prédictif du modèle a été évalué à travers des valeurs de R² pour les variables endogènes (motivation = 0,53, anxiété = 0,41, créativité = 0,38) et la pertinence prédictive (Q² > 0), avec des tailles d’effet (f²) calculées pour déterminer l’impact substantiel. Les analyses de médiation ont utilisé la méthode bootstrap corrigée par biais pour tester les effets indirects, avec une médiation significative établie lorsque des intervalles de confiance à 95 % excluaient zéro.

Tous les concepts étaient modélisés comme réflexifs (mode A) sur la base de considérations théoriques, car chaque variable latente était supposée être responsable de ses indicateurs observés. Aucun élément n’a été retiré d’aucune échelle, car tous les items ont montré des charges extérieures au-dessus du seuil de 0,50 (allant de 0,62 à 0,89) et toutes les valeurs moyennes de variance extraite (AVE) dépassaient 0,50, confirmant la validité convergente. Pour les tests de médiation, le modèle structurel comprenait des parcours directs des trois antécédents (style d’enseignement, utilisation de ChatGPT, littératie numérique) vers la motivation, de la motivation à l’anxiété, et de l’anxiété à la créativité. Des parcours directs des antécédents vers l’anxiété et des antécédents vers la créativité ont également été estimés pour tester la médiation partielle versus complète. La médiation complète a été déterminée sur la base des critères selon lesquels (a) les effets indirects (antécédents → motivation → anxiété) étaient significatifs (intervalle de confiance bootstrap corrigé à 95 % de biais excluant zéro), et (b) les effets directs des antécédents de l’anxiété devenaient non significatifs après inclusion du médiateur, tandis que les effets directs des antécédents à la créativité n’étaient jamais significatifs. Toutes les analyses utilisaient l’algorithme PLS-SEM dans SmartPLS 4 avec un schéma de pondération de chemin, des itérations maximales fixées à 300 et un critère d’arrêt de 1,0e-7. Le bootstrapping a été réalisé avec 5 000 sous-échantillons, des intervalles de confiance corrigés par biais et accélérés (BCa) à 95 %, et aucune option de changement de signe. L’ajustement du modèle a été évalué à l’aide du résidu quadratique moyen standardisé (SRMR = 0,061), qui est inférieur au seuil recommandé de 0,08.

Résultats

Statistiques descriptives et analyse de corrélation
Les statistiques descriptives pour toutes les variables de l’étude ont révélé des données normalement distribuées avec des plages de variabilité acceptables, comme en témoignent les valeurs d’asietrie et de kurtose dans les seuils recommandés de ± 2.

Le tableau 1 révèle les caractéristiques importantes des variables d’étude dans notre échantillon de 290 apprenants en langu...

Discussion

L’étude actuelle offre un éclairage utile sur les associations entre le style d’enseignement, l’utilisation de ChatGPT, la littératie numérique, la motivation, l’anxiété et la créativité chez les élèves EFL. Les résultats suggèrent qu’un style d’enseignement centré sur l’élève, une utilisation accrue de ChatGPT et une meilleure littératie numérique sont positivement associés à la motivation des élèves. En retour, la motivation est négativement associée à l’anxiété, tandis que l’anxiété e...

Matériaux

```html

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Survey Instruments (Scales)	Teaching Style Scale	NA	Version modifiée de l'inventaire du style d'enseignement de Grasha (Grasha, 1996), évaluant cinq approches pédagogiques : autoritaire, expert, modèle personnel, facilitateur et délégatif. Numéro de catalogue: NA
	Digital Literacy Scale	NA	Échelle de 29 items adaptée de Rodríguez-de-Dueño et al. (2016), couvrant six dimensions : Compétence technique, Protection des données personnelles, Évaluation critique, Gestion de la sécurité des appareils, Traitement de l'information et Communication numérique. Numéro de catalogue: NA
	ChatGPT Usage Scale	NA	Échelle de 8 items adaptée d'Abbas et al. (2024), axée sur l'interaction des étudiants avec l'outil d'IA pour les tâches d'apprentissage linguistique. Numéro de catalogue: NA
	Foreign Language Classroom Anxiety (FLCA) Scale	NA	Échelle adaptée de Briesmaster et Briesmaster (2015), avec sous-échelles pour l'Apprehension de la communication (10 items), l'Anxiété face aux tests (15 items) et la Peur de l'évaluation négative (7 items). Numéro de catalogue: NA
	Motivation Scale	NA	Échelle de 20 items adaptée de Kanoksilapatham et al. (2021), mesurant trois dimensions : Instrumentalité (Promotion/Prévention), Ethnocentrisme/Intégration et Attitude envers l'apprentissage de l'anglais. Numéro de catalogue: NA
	Creativity Scale	NA	Échelle de 12 items adaptée de Govindasamy et al. (2024), mesurant quatre sous-constructs : Originalité, Flexibilité, Fluidité et Élaboration. Numéro de catalogue: NA
Software	SPSS Statistics Version 27	IBM Corp.	Logiciel d'analyse statistique. Numéro de catalogue: NA
	SmartPLS Version 4	SmartPLS GmbH	Logiciel de modélisation d'équations structurelles. Numéro de catalogue: NA
Equipment & Other Materials	Data Collection Instrument	NA	Batterie d'interrogatoire anonyme, auto-administrée sur papier et stylo. Numéro de catalogue: NA
	Informed Consent Documents	NA	Fiche d'information écrite et formulaire de consentement détaillant le but de l'étude, les procédures, les risques/avantages et le droit de se retirer. Numéro de catalogue: NA
	Data Storage System	NA	Fichiers numériques protégés par mot de passe avec des identifiants codés ; les informations personnelles sont stockées séparément des données de recherche. Numéro de catalogue: NA
Analytical Procedures	PLS-SEM Algorithm and Bootstrapping	SmartPLS GmbH	Routines internes SmartPLS 4 (Algorithme PLS et Bootstrapping corrigé des biais avec 5 000 rééchantillonnages). Numéro de catalogue: NA
	Validity and Reliability Checks	SmartPLS GmbH; IBM Corp.	Routines SmartPLS 4 et SPSS pour l'alpha de Cronbach, la fiabilité composite, la variance moyenne extraite (AVE), le critère de Fornell-Larcker et le rapport hétérotrait-monotrait (HTMT). Numéro de catalogue: NA
	Predictive Relevance Assessment	SmartPLS GmbH	Procédure de blindfolding dans SmartPLS 4 pour calculer la valeur Q² de Stone-Geisser. Numéro de catalogue: NA
	Preliminary Data Screening	IBM Corp.	Procédures SPSS pour le traitement des données manquantes (algorithme d'Expectation-Maximization) et vérifications de normalité, d'écarts et de structure factorielle (analyse factorielle exploratoire). Numéro de catalogue: NA

```