מאוריינות דיגיטלית ליצירתיות של תלמידים: המסלול המוטיבציוני בלמידת שפה הנתמכת על ידי בינה מלאכותית

סיכום

מחקר זה מגלה שהוראה ממוקדת תלמיד, שימוש אסטרטגי ב-ChatGPT ואוריינות דיגיטלית קשורים באופן חיובי למוטיבציה של לומדי EFL סיניים. המוטיבציה הגבוהה הזו, בתורה, קשורה לחרדה נמוכה יותר וליצירתיות גבוהה יותר, מה שמרמז על תפקיד מתווך. הממצאים תומכים בהכשרת מורים המשלבת פדגוגיה, כלי בינה מלאכותית וכישורים דיגיטליים.

תקציר

מחקר זה בוחן כיצד סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית משפיעים יחד על מוטיבציה, חרדה ויצירתיות בקרב לומדי EFL סיניים, תוך חקירת תפקיד התיווך של המוטיבציה במערכות יחסים אלו. בגישה כמותית, נאספו נתונים מ-n =290 סטודנטים לתואר ראשון באמצעות סולמות מאומתים ונותחו באמצעות מידול משוואות מבניות. הממצאים מצביעים על כך שהוראה קנטרי-סטודנטים, שילוב אסטרטגי של ChatGPT ואוריינות דיגיטלית קשורים באופן חיובי למוטיבציה גבוהה יותר. מוטיבציה גבוהה, בתורה, קשורה לחרדה נמוכה יותר, וחרדה נמוכה יותר קשורה ליצירתיות גבוהה יותר. יתרה מזאת, המוטיבציה מתווכת במלואה את הקשרים בין שלושת הגורמים הקודמים (סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית) לבין חרדה, ומדגישה את תפקידה המרכזי בתוצאות רגשיות בתוך המודל שנבדק. המחקר תורם לתיאוריית ההגדרה העצמית בכך שהוא מדגים כיצד גורמים פדגוגיים וטכנולוגיים תומכים באופן סינרגטי בצרכים הפסיכולוגיים של הלומדים, תוך הרחבת התיאוריה הקוגניטיבית-אפקטיבית של הלמידה באמצעות מדיה על ידי הבהרת תפקיד התיווך של המוטיבציה. השלכות מעשיות מדגישות את הצורך בתוכניות הכשרת מורים שמשלבות פדגוגיה חדשנית, שימוש בכלי בינה מלאכותית ופיתוח אוריינות דיגיטלית כדי לייעל חוויות למידת שפה. המחקר מדגיש את חשיבות הגישות הממוקדות במוטיבציה בחינוך לשפה האנגלית האנגלית המשופרת בטכנולוגיה, במיוחד בסביבות למידה בעלות סיכון גבוה.

מבוא

בינה מלאכותית (AI) קידמה את טכנולוגיית החינוך על ידי יצירת הזדמנויות חדשות לאינטראקציה, התאמה אישית ויצירתיות בלמידת שפות¹. ChatGPT, כלי שיחה מבוסס בינה מלאכותית, מספק משוב אינטראקטיבי ואדפטיבי התומך בפיתוח שפה². במקביל, אוריינות דיגיטלית הפכה למיומנות חיונית לניווט ושימוש יעיל בטכנולוגיה בסביבות למידה³. למרות העניין הגובר בלמידת שפה הנתמכת על ידי בינה מלאכותית והשימוש הגובר ב-ChatGPT בהקשרים של אנגלית^{אנגלית 4}, נותרו מספר פערים חשובים. ראשית, מחקרים קיימים בחנו בעיקר סגנון הוראה, שימוש בכלי בינה מלאכותית ואוריינות דיגיטלית בנפרד; מחקר מוגבל שילב את שלושתם במסגרת מוטיבציה אחת⁵. שנית, אף שמוטיבציה מוכרת באופן נרחב כמנוע מרכזי ללמידת שפה, מעט מחקרים חקרו את תפקידה המתווך בקישור בין גורמים פדגוגיים וטכנולוגיים לתוצאות רגשיות (למשל, חרדת למידת שפה) לתוצאות קוגניטיביות (למשל, יצירתיות^). פער זה בולט במיוחד בהקשרים של אנגלית אנגלית בסין, שבהם אינטגרציה טכנולוגית עדיין מתפתחת. יתרה מזאת, למרות שחרדה מתועדת היטב כמעכב^בלמידת EFL, היא כמעט ולא נחקרת יחד עם משתנים מוטיבציוניים וטכנולוגיים. באופן דומה, היצירתיות שהיא מיומנות מוערכת יותר ויותר בלמידת שפות לא הייתה קשורה חזק לסביבות למידה בסיוע בינה מלאכותית⁸. בניגוד למחקרים קודמים שהתמקדו רק בפדגוגיה או בטכנולוגיה, המחקר הנוכחי מגשר בין שני התחומים כדי לבחון כיצד סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית קשורים יחד למוטיבציה, ובתורם לחרדה וליצירתיות.

מחקר זה מתבסס על שלוש מסגרות תיאורטיות, שכל אחת מהן מתאימה למבנים מדודים ספציפיים במודל המשוואות המבניות שלנו. ראשית, תיאוריית ההגדרה העצמית (SDT⁾⁹ טוענת שהוראה התומכת באוטונומיה מספקת את הצרכים הפסיכולוגיים הבסיסיים של הלומדים (אוטונומיה, מיומנות, קרבה משפחתית), ובכך מחזקת את המוטיבציה הפנימית. במודל שלנו, זה ממושם באמצעות מבנה של סגנון הוראה ממוקד תלמיד, שמניחים כי הוא קשור באופן חיובי למוטיבציה. שנית, מודל קבלת הטכנולוגיה (TAM)¹⁰ מציע כי תועלת נתפסת וקלות שימוש משפיעות על אימוץ הטכנולוגיה. כאן, אוריינות דיגיטלית מוצגת כמבשר שמאפשר ללומדים לתפוס את ChatGPT כשימושי וקל לשימוש, ובכך מחזקת את הקשר החיובי שלו עם המוטיבציה. שלישית, התיאוריה הקוגניטיבית-רגשית של למידה באמצעות מדיה (CATLM)¹¹ מדגישה שגורמים רגשיים (למשל, חרדה) מתווכים את הקשר בין תכונות מדיה לתוצאות קוגניטיביות (למשל, יצירתיות). במודל שלנו, זה נבחן דרך המסלול: מוטיבציה → חרדה → יצירתיות. חשוב לציין, שבעוד שתיאוריית הלמידה הקונסטרוקטיביסטית משפיעה על עיצוב הפדגוגיה ממוקדת הסטודנט, היא אינה ממומשת כקונסטרוקטור מדוד מובחן במודל שלנו; בהתאם לכך, אנו דנים בו רק כרקע ולא כמסגרת שנבדקה ישירות.

יישומים קודמים של SDT בהקשרים של EFL התמקדו בעיקר בתמיכה באוטונומיה מונחית מורה, מבלי לבחון כיצד כלי בינה מלאכותית כמו ChatGPT עשויים לספק באופן עצמאי את הצרכים של הלומדים למיומנות ואוטונומיה¹². באופן דומה, TAM הסביר את אימוץ הטכנולוגיה אך לא לקח בחשבון תוצאות מוטיבציה ורגשיות כמו חרדה ויצירתיות¹³. CATLM הדגיש עיבוד רגשי וקוגניטיבי אך חסר בדיקות אמפיריות בסביבות EFL הנתמכות בינה מלאכותית¹⁴. המחקר הנוכחי מתמודד עם פערים אלו על ידי שילוב שלושת המסגרות למודל מאוחד וניתן לבדיקה אמפירית, שבו סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית קשורים למוטיבציה, אשר בתורה קשורה לחרדה נמוכה יותר וליצירתיות גבוהה יותר (באמצעות הקישור בין חרדה ליצירתיות).

ChatGPT הוא מודל שפה גנרטיבי המסוגל לדיאלוג דמוי אדם, משוב מיידי ותגובות אדפטיביות, מה שהופך אותו לכלי פוטנציאלי עוצמתי להוראת^{EFL 15}. מחקרים עדכניים מראים ש-ChatGPT מסייע ברכישת אוצר מילים, דיוק דקדוקי ושטף שיחה באמצעות^{אינטראקציות} מדומות. עם זאת, נותרו פערים קריטיים בנוגע להשפעותיו הפסיכולוגיות על הלומדים. מצד אחד, אופיו הנגיש והנמוך של ChatGPT עשוי להפחית את חרדת לימוד השפה¹⁷. מצד שני, אי-הוודאות שלו (למשל, אי-דיוקים מדי פעם או תגובות לא עקביות) עלולה להגביר את הלחץ עבור לומדים פחות בטוחים בעצמם¹⁸. יתרה מזאת, יעילות ChatGPT ככל הנראה תלויה באוריינות דיגיטלית של הלומדים, לא רק בכישורים טכניים אלא גם בהערכה ביקורתית ובמודעות אתית¹⁹. תפקיד מנהל זה דורש בחינה נוספת בהקשרים של EFL שבהם מוכנות התלמידים הטכנולוגית משתנה^ב-20.

שיטת ההוראה הוכרה כהיבט חשוב שמגדיר פעילות וביצועים של תלמידים בלימוד שפה²¹. בהתבסס על סוגיות קונסטרוקטיביסטיות וחברתיות-תרבותיות, המגמה המודרנית במחקר פדגוגי הדגישה את יעילות שיטות ההוראה הממוקדות בתלמיד כמו הוראת שפה תקשורתית ולמידה מבוססת משימות.²², לפי חלק מהנוהגים, תלמידים בפרקטיקות ממוקדות תלמיד משיגים ציונים גבוהים יותר ותוצאות טובות יותר מאשר תלמידים המשתמשים בסגנונות הנשלטים על ידי מורים²³. פרדיגמות כאלה של לומד-כעת-ממוקד מהדהדות עם תיאוריית ההגדרה העצמית, לפיה ההוראה תומכת באוטונומיה, מה שמחדיר מוטיבציה פנימית על ידי מילוי הצרכים הפסיכולוגיים של הלומדים, מיומנות זקוקה, צורך באוטונומיה וקשר לצורך²⁴. דבר זה נתמך עוד יותר על ידי ממצאי מחקר אמפיריים שמראים כי דפוסי הוראה גמישים ואינטראקטיביים משפרים את מעורבות לומדי השפה ומפחיתים את ההשלכות השליליות של חרדה²⁵. אבל היישום המהיר של בינה מלאכותית כמו ChatGPT מוסיף מורכבות לתהליך הזה^. למרות שחוקרים מסוימים טוענים שטכנולוגיית בינה מלאכותית יכולה להעמיק את היתרונות החיוביים של פדגוגיה ממוקדת תלמיד על ידי הכנסת מסלולי למידה מותאמים אישית²⁷.

המוטיבציה תופסת את המיקום המרכזי בין תיווך הקשרים בין משתנים פדגוגיים, טכנולוגיים ואפקטיביים בלמידת שפה²⁸. ההבדל בין מוטיבציה אוטונומית למוטיבציה מבוקרת שתואר על ידי SDT מעניק פרספקטיבה מוצקה לבחינת מעורבות הלומד באמצעות ChatGPT וסגנונות ההוראה²⁹. בראיות מוקדמות, חוקרים ציינו שכלי בינה מלאכותית קשורים לחיים את המוטיבציה האוטונומית על ידי תמיכה בלמידה בקצב עצמי ומבוססת עניין³⁰, אם כי השפעה זו הייתה תלויה ביכולת המורים לשלב את הטכנולוגיה כדי לא לשלול מהסוכנות של הלומדים³¹. בתורה, חרדה, שעשויה להיראות כמכשול נוכח בכל מקום ב-EFL, נגרמת במקרים רבים מפחד מהערכה שלילית או מחרדת תקשורת. למרות ששילוב הבינה המלאכותית בפרקטיקת הלמידה התגלה כמדכא חרדה כזו³², מעט מחקר נערך כדי להבין כיצד התהליך עובד, במיוחד דרך ההיבט של תיווך על ידי מוטיבציה³³. איור 1 מציג את המשתנים המרכזיים של המחקר. הוא ממחיש את הקשרים המוצעים בין סגנון ההוראה של המורה, השימוש של התלמידים ב-ChatGPT, וההשפעות הנובעות מכך על מוטיבציה של לומד, חרדה, יצירתיות ואוריינות דיגיטלית בהקשר של EFL.

איור 1. מודל מחקר. ייצוג סכמטי של הקשרים המוצעים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית של תלמידי EFL, המוטיבציה של תלמידי EFL, חרדת תלמידי EFL והיצירתיות שלהם. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

בהתבסס על המסגרת התיאורטית, מוצעות ההשערות הבאות (H1-H8):
H1: סגנון ההוראה קשור באופן חיובי למוטיבציה של התלמידים.
H2: השימוש ב-ChatGPT קשור באופן חיובי למוטיבציה של התלמידים.
H3: אוריינות דיגיטלית קשורה באופן חיובי למוטיבציה של התלמידים.
H4: מוטיבציה קשורה באופן שלילי לחרדה.
H5: חרדה קשורה לרעה ליצירתיות.
H6: מוטיבציה קשורה לקשר בין סגנון הוראה לחרדה.
H7: מוטיבציה קשורה לקשר בין שימוש ב-ChatGPT לחרדה.
H8: מוטיבציה קשורה לקשר בין אוריינות דיגיטלית לחרדה.

פרוטוקול

הצהרת אתיקה
מחקר זה נערך בהתאם לסטנדרטים האתיים של מועצת הביקורת המוסדית (IRB) של אוניברסיטת צ'נגדו, סין (מס' אישור: 202509). כל המשתתפים סיפקו הסכמה מדעת בכתב לפני ההשתתפות. המחקר דבק בהנחיות מוסדיות למחקר המעורב בנבדקים אנושיים, והבטיח השתתפות וולונטרית, סודיות וזכות לפרוש בכל עת ללא עונש.

כדי לשמור על סודיות, כל הנתונים שנאספו עברו אנונימיזציה באמצעות מזהים מקודדים, ומידע אישי נשמר בנפרד מנתוני המחקר בקבצים מוגני סיסמה הנגישים רק לחוקרים הראשיים. עיצוב השאלון כלל אמצעים לצמצום אי נוחות פסיכולוגית, במיוחד בשאלות על חרדה, והמשתתפים קיבלו פרטי קשר לשירותי ייעוץ באוניברסיטה במקרה של מצוקה כלשהי בעקבות השתתפות בסקר. כדי להתמודד עם חוסר איזון פוטנציאלי בכוח במערכת היחסים בין מורה-תלמיד, בוצעו גיוס ואיסוף נתונים על ידי עוזרי מחקר מיומנים ולא על ידי מדריכי הקורס, והמשתתפים קיבלו הבטחה שתגובותיהם לא ישפיעו על מעמדם האקדמי או על יחסיהם עם הסגל.

מחקר זה השתמש בעיצוב כמותי וחתך שכלל 290 סטודנטים סינים לתואר ראשון באנגלית אנגלית מאוניברסיטה ציבורית. משתתפים המייצגים שנות לימוד ודיסציפלינות מגוונות גויסו באמצעות דגימה נוחה עם ייצוג פרופורציונלי והשלימו שאלונים מבוססי נייר בכיתה מבוקרת במהלך מחזורים רגילים, שדרשו כ-25 דקות. מערכת השאלונים כללה סולמות מאומתים שמדידו סגנון הוראה, אוריינות דיגיטלית, שימוש ב-ChatGPT, מוטיבציה, חרדה ויצירתיות. כדי לצמצם הטיה, עוזרי מחקר מיומנים ניהלו את השאלונים באמצעות אמצעי נגד פרוצדורליים כגון הפרדה פסיכולוגית של פריטים. לאחר איסוף הנתונים, התשובות נותחו באמצעות תוכנה סטטיסטית ותוכנת PLS-SEM (Partial Least Squares Structural Equation Modeling), כולל סינון נתונים, הערכת מודלים מדידה, בדיקות מודלים מבניים וניתוח תיווך באמצעות הליך בוטסטרפינג עם 5,000 דגימות חוזרות.

עיצוב מחקר
מחקר זה השתמש בעיצוב מחקר כמותי ושטחי כדי לבחון את הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות בקרב לומדי EFL. גישה חתך רוחבית נחשבה מתאימה ללכידת תמונת מצב של משתנים אלה בנקודת זמן מסוימת, ומאפשרת ניתוח הקשרים ביניהם ללא דרישות הזמן של מחקר אורך בלבד. העיצוב אפשר את בדיקת מודל גישור משוער שבו המוטיבציה משמשת כמנגנון המקשר בין סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית להפחתת חרדה והגברת היצירתיות.

נתונים ודוגמה
מסגרת הדגימה כללה את כל הסטודנטים לתואר ראשון שנרשמו לקורסי אנגלית כשפה זרה (EFL) באוניברסיטה ציבורית בסין במהלך שנת הלימודים 2024–2025. קריטריוני הזכאות דרשו שהמשתתפים יהיו (א) דוברי סינית ילידיים, (ב) רשומים לפחות לקורס EFL אחד נדרש, ו-(ג) ללא הכשרה פורמלית מוקדמת בכלי לימוד שפה מבוססי בינה מלאכותית מעבר לקורסים כלליים. שיטת דגימה נוחה שכבתית, עם חלוקה פרופורציונלית בין שנות הלימודים (שנה א', ב', י"א, י"ב) ותחומי דיסציפלציה (מדעי הרוח, מדעי החברה, מדעי הטבע, הנדסה). גודל השכבות היעד נקבע על 25% לשנת לימודים ו-25% לכל תחום תחום, בהתבסס על התפלגות הסטודנטים הכוללת באוניברסיטה. המדגם הסופי כלל 290 סטודנטים לתואר ראשון באנגלית אנגלית. מתוך 328 הסטודנטים שפנו אליהם במהלך השיעורים הרגילים, 11 סירבו להשתתף (שיעור אי-השתתפות = 3.4%) ו-27 סיפקו שאלונים לא שלמים (שיעור תגובה לא מלאה = 8.2%), מה שהניב שיעור תגובה סופי שימושי של 88.4% (290 מתוך 328). חישוב גודל המדגם מראש בוצע באמצעות G*Power 3.1 עם משפחת בדיקות F, רגרסיה מרובה ליניארית: מודל קבוע, סטיית R² מאפס כבדיקה. פרמטרי הקלט היו: גודל אפקט f² = 0.15 (גודל אפקט בינוני קונבנציונלי למחקר התנהגותי), α err prob = 0.05, כוח (1-β טעות) = 0.95, ומספר מנבאים = 3 (סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית) לתוצאת המוטיבציה. החישוב הניב גודל מדגם מינימלי נדרש של 119 לזיהוי R² משמעותי. כדי להסביר עוד יותר את מודל ה-SEM המלא (כולל מסלולים עקיפים ומשתנים אנדוגניים נוספים), יישמנו את הכלל השמרני יותר של 10 מקרים לכל פרמטר מוערך. עם 29 פרמטרים מוערכים במודל שלנו, גודל המדגם הנדרש היה 290, שמתאים בדיוק למדגם הסופי. לכן, הדגימה שנאספה מופעלת במלואה הן לניתוחים מבוססי רגרסיה והן לניתוחי SEM.

משתתפים ונהלים
המשתתפים גויסו באמצעות דגימת נוחות מדורגת כדי להבטיח פרופורציה בין שנות הלימודים (שנה א' לרביעית) ורקע דיסציפלינרי (מדעי הרוח, מדעים והנדסה). גדלי השכבות במדגם הסופי היו: תלמידי שנה א' (n = 72, 24.8%), תלמידי שנה ב' (n = 74, 25.5%), צעירים (n = 71, 24.5%), בוגרים (n = 73, 25.2%); ומדעי הרוח (n = 76, 26.2%), מדעי החברה (n = 68, 23.4%), מדעי הטבע (n = 72, 24.8%), הנדסה (n = 74, 25.5%). המדגם כלל 62% תלמידות ו-38% בנים, עם גיל ממוצע של 20.3 שנים (SD = 1.7). איסוף הנתונים התרחש במהלך שיעורי EFL רגילים. עוזרי מחקר מיומנים ניהלו שאלונים מבוססי נייר בכיתה מבוקרת כדי להבטיח סטנדרטיזציה. לפני ביצוע הסקר, כל התלמידים הזכאים בכיתה קיבלו מידע על מטרת המחקר, אופיו הוולונטרי ואמצעי הסודיות (תגובות אנונימיות, אחסון נתונים מאובטח). סטודנטים שלא עמדו בקריטריוני הזכאות (n = 6, ללא הרשמה ל-EFL) או סירבו להשתתף (n = 11) הוצאו; הסיבות לדקלינציה כללו מגבלות זמן (n = 7) ואי נוחות משימוש בטכנולוגיה מדווח עצמי (n = 4). מערכת השאלונים ארכה כ-25 דקות להשלמה וכללה סולמות מאומתים לכל המבנים. כדי להפחית הטיית שיטות נפוצות, יושמו אמצעי נגד פרוצדורליים (למשל, הפרדה פסיכולוגית של פריטי סולם, אנונימיות התגובות). בנוסף, הוערכה הטיית שיטה נפוצה באמצעות מבחן חד-גורמי של הרמן, והגורם הראשון הסביר פחות מ-50% מהשונות הכוללת, מה שמעיד כי הטיית שיטה משותפת לא הייתה דאגה מרכזית במחקר זה.

מדדי מחקר
כל הסולמות הותאמו להקשר ה-EFL הסיני באמצעות תהליך תרגום והתאמה קפדני. שני חוקרים דו-לשוניים תרגמו באופן עצמאי את הפריטים המקוריים באנגלית לסינית, וחוקר שלישי יישב פערים כדי להפיק גרסה ראשונית. גרסה זו תורגמה מחדש לאנגלית על ידי שני מתרגמים שונים, וכל אי-התאמה נפתרה באמצעות דיון עם צוות המחקר. הגרסאות הסיניות נבדקו לאחר מכן עם 30 סטודנטים לתואר ראשון ב-EFL (שאינם חלק מהמדגם הראשי) כדי לבדוק בהירות והבנה, מה שהוביל לשינויים קלים בניסוח. לכל סולם, התגובות נאספו בסולם ליקרט בן 5 נקודות, שנע בין 1 (לא מסכים בתוקף) ועד 5 (הסכמה מוחלטת). שימשו ציונים מסוכמים או ממוצעים לכל מבנה, כאשר ציונים גבוהים יותר מצביעים על רמות גבוהות יותר של המשתנה המתאים. כל הסולמות המותאמים שימשו באישור המחברים המקוריים או תחת תנאי רישיון פתוח כאשר רלוונטי. לא הוסרו פריטים מהסולמות המקוריים אלא אם צוין להלן; שמירת הפריטים התבססה על עומסי גורמים > 0.40 ורלוונטיות תיאורטית. לגבי השימוש ב-ChatGPT, המחקר העריך את האינטראקציה המדווחת על עצמם של הסטודנטים עם הגרסה החינמית של ChatGPT (GPT-3.5/4 זמינה באינטרנט או באפליקציה ניידת במהלך שנת הלימודים 2024–2025). לכל המשתתפים הייתה גישה שווה לכלי שכן האוניברסיטה לא הגבילה את ChatGPT; עם זאת, השימוש בפועל השתנה מאדם לאדם. הסולם מדד את תדירות השימוש ב-ChatGPT (שנעה מ"לעולם לא" ועד "יומי"), סוגי משימות לימוד השפה שבהן הוא שימש (למשל, בניית אוצר מילים, בדיקת דקדוק, ניסוח חיבורים, תרגול שיחה ותיקון טעויות), ואת איכות האינטראקציה הנתפסת (למשל, שימושיות, בהירות המשוב). הסולם לא הבחין בין גרסאות ספציפיות של ChatGPT, שכן עדכוני גרסאות התרחשו במהלך תקופת איסוף הנתונים; במקום זאת, המשתתפים דיווחו על הגרסה שבה השתמשו בעיקר, כאשר למעלה מ-90% דיווחו על GPT-3.5 או GPT-4. דוגמאות מפורטות לפריטים והערות התאמה לכל מבנה מוצגות להלן.

מחקר זה השתמש בסולמות מאומתים בקפדנות, מותאמים בקפידה להקשר החינוך של EFL, כדי להעריך את המשתנים המרכזיים: גישות הוראה, מיומנות דיגיטלית, שילוב ChatGPT, חרדת למידת שפה, מוטיבציה של לומד וחשיבה יצירתית. כלי המדידה נבחרו בשל אמינותם המוכחת ויכולתם להעריך כל מבנה באופן מקיף. כדי לבחון שיטות הוראה, המחקר השתמש בגרסה מותאמת של Teaching Teaching Inventory³⁴ של גרשה, אשר בוחנת חמש גישות פדגוגיות מובחנות: סמכותיות, מומחה, מורה מודל אישי, מנחה והאצלה. כדי להעריך אוריינות דיגיטלית, המחקר שילב גרסה מותאמת של הסולם שפותח על ידי רודריגז-דה-דואנוס ואח' ³⁵, הכולל 29 פריטים בשישה תחומים מרכזיים: (1) אוריינות טכנית, (2) אוריינות הגנה על מידע אישי, (3) אוריינות הערכה ביקורתית, (4) אוריינות אבטחת מכשירים, (5) אוריינות עיבוד מידע, ו-(6) אוריינות תקשורת דיגיטלית. מסגרת רב-ממדית זו סיפקה הערכה מעמיקה של היכולות הדיגיטליות של הלומדים הנדרשות לחינוך עכשווי. השימוש ב-ChatGPT הוערך באמצעות סולם בן 8 פריטים שהותאם על ידי Abbas ואחרים^{, תוך} התמקדות באינטראקציה של תלמידים עם כלי הבינה המלאכותית למשימות למידת שפה. סולם זה מתעד את השימוש הנתפס והמדווח על ידי התלמידים ב-ChatGPT במשימות למידת שפה במקום תדירות שימוש אובייקטיבית. חרדת כיתה בשפה זרה (FLCA) נמדדה באמצעות סולם מותאם המבוסס על Briesmaster^{ו-Briesmaster 37}. כלי זה בחן חרדה בשלושה ממדים קריטיים: חשש תקשורתי, חרדת מבחנים ופחד מהערכה שלילית, עם 10, 10 ו-7 פריטים, בהתאמה. המוטיבציה של התלמידים הוערכה באמצעות סולם מותאם מקנוקסילאפאתם ואח' ³⁸, שמדד שלושה ממדים מרכזיים: קידום ומניעת אינסטרומנטליות, אתנוצנטריות ואינטגרטיביות, ועמדה ללימוד אנגלית. הסולם כלל בסך הכל 20 פריטים. היצירתיות של תלמידי EFL נמדדה באמצעות סולם מותאם מ-Govindasamy ^{ואחרים, אשר} העריך ארבעה ממדים: מקוריות, גמישות, שטף והסבר. כל ממד נמדד באמצעות שלושה פריטים.

שיטות ניתוח נתונים
הנתונים שנאספו נותחו באמצעות גישה אנליטית דו-שלבית, המשלבת SPSS (גרסה 27) ומידול משוואות מבניות של ריבועים חלקיים (PLS-SEM) באמצעות תוכנת SmartPL. בוצעו סינון נתונים ראשוני וניתוחים ראשוניים באמצעות SPSS לבחינת איכות הנתונים, כולל בדיקות לערכים חסרים, חריגים והנחות נורמליות. פחות מ-2% מנקודות הנתונים היו חסרות לחלוטין באקראי (MCAR), כפי שאושר במבחן MCAR של ליטל (χ² = 18.24, p = 0.212), וטופלו באמצעות אלגוריתם מקסום ציפייה לשימור עוצמה סטטיסטית. מערך הנתונים הראה נורמליות חד-משתנית מקובלת (סטיות < |2|, קורטוסיס < |7|) ונורמליות רב-משתנית (מקדם מרדיה = 18.37, p < 0.001), מה שמצדיק שימוש במבחנים פרמטריים וב-PLS-SEM, שהוא עמיד לאי-נורמליות. למרות שהנורמליות החד-משתנית הייתה מקובלת, מקדם מרדיה הצביע על הפרה של נורמליות רב-משתנית (p < 0.001). עם זאת, הדבר אינו מהווה דאגה שכן PLS-SEM עמיד בפני התפלגויות נתונים לא נורמליות.

ניתוח אמינות גילה עקביות פנימית חזקה בכל הסולמות (α > של קרונבך 0.82, אמינות מורכבת > 0.85), בעוד שניתוח גורמים חקרני אישר את מבני הגורמים הצפויים כאשר כל הפריטים נטענים בצורה נקייה על המבנים המתאימים להם (עומסים > 0.65, עומסים צולבים < 0.40).

לצורך בדיקת השערות, PLS-SEM נבחר על פני SEM מבוסס קווריאנטיות בשל הטיפול המעולה שלו במודלים מורכבים עם גודל מדגם קטן-בינוני ויכולתו למקסם שונות מוסברת במבנים אנדוגניים. הניתוח התבצע בתהליך דו-שלבי, תחילה הערכת מודל המדידה ולאחר מכן הערכת המודל המבני. מודל המדידה הרפלקטיבי הראה תוקף מתכנס מספק (שונות ממוצעת שהופקה > 0.50 לכל המבנים) ותוקף דיסקרימיננטי כפי שאושר על ידי קריטריון פורנל-לקרקר ויחס הטרוטרייט-מונוטרייט (HTMT < 0.85). במודל המבני, מקדמי המסלול הוערכו באמצעות תהליך בוטסטרפינג עם 5,000 דגימות מחדש ליצירת הערכות יציבות ורווחי ביטחון. כוח החיזוי של המודל הוערך באמצעות ערכי R² עבור משתנים אנדוגניים (מוטיבציה = 0.53, חרדה = 0.41, יצירתיות = 0.38) ורלוונטיות חיזוי (Q² > 0), כאשר גודל ההשפעה (f²) חושב לקביעת השפעה מהותית. ניתוחי תיווך השתמשו בשיטת ה-bootstrap המתוקנת בהטיה לבדיקת השפעות עקיפות, כאשר תיווך משמעותי נקבע כאשר מרווחי ביטחון של 95% הוציאו אפס.

כל המבנים הוגדרו כמחזיר אור (מצב A) בהתבסס על שיקולים תיאורטיים, שכן כל משתנה סמוי נחשב לגורם למדדים שנצפו בו. לא הוסרו פריטים מכל סולם, שכן כל הפריטים הראו עומסים חיצוניים מעל סף 0.50 (נעים בין 0.62 ל-0.89) וכל ערכי השונות הממוצעים שהופקו (AVE) עלו על 0.50, מה שמאשר תוקף מתכנס. במבחני גישור, המודל המבני כלל מסלולים ישירים משלושת הקודמים (סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית) למוטיבציה, ממוטיבציה לחרדה, ומחרדה ליצירתיות. הוערכו גם מסלולים ישירים מקדמים לחרדה ומקודמים ליצירתיות כדי לבדוק תיווך חלקי מול מלא. תיווך מלא נקבע על בסיס הקריטריונים שלפיהם (א) ההשפעות העקיפות (הקדימות → המוטיבציה → החרדה) היו מובהקות (95% מרווח הבטחון המתוקן על ידי הטיה ללא אפס), ו-(ב) ההשפעות הישירות מקדם לחרדה הפכו ללא מובהקות לאחר הכללת המתווך, בעוד שההשפעות הישירות מהקדימות ליצירתיות מעולם לא היו מובנות. כל הניתוחים השתמשו באלגוריתם PLS-SEM ב-SmartPLS 4 עם סכמת משקל מסלולים, איטרציות מקסימליות מוגדרות ל-300 וקריטריון עצירה של 1.0e-7. בוטסטרפינג בוצע עם 5,000 תתי-דגמים, מרווחי ביטחון מתוקנים-הטיה ומואצים (BCa) ב-95%, ואפשרות ללא שינוי סימנים. התאמת המודל הוערכה באמצעות שורש ממוצע ריבועי סטנדרטי (SRMR = 0.061), שנמצא מתחת לסף המומלץ של 0.08.

תוצאות

סטטיסטיקה תיאורית וניתוח קורלציה
הסטטיסטיקה התיאורית של כל משתני המחקר חשפו נתונים מתפלגים נורמלית עם טווחי שונות מקובלים, כפי שניתן לראות בערכי סטיות וקורטוסיס בתוך הספים המומלצים של ± 2.

טבלה 1 חושפת מאפיינים חשובים של משתני המחקר במדגם שלנו של 290 לומדי EFL. סגנון ההוראה (M = 4.32, SD = 0.72), אוריינות דיגיטלית (M = 4.15, SD = 0.68) ומוטיבציה (M = 4.21, SD = 0.79) הציגו את הציונים הממוצעים הגבוהים ביותר בסולמות של 5 נקוד...

דיון

המחקר הנוכחי מספק תובנות שימושיות לגבי הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות בקרב תלמידי EFL. הממצאים מצביעים על כך שסגנון הוראה ממוקד תלמיד, שימוש מוגבר ב-ChatGPT ורמת אוריינות דיגיטלית גבוהה קשורים באופן חיובי למוטיבציה של התלמידים. כתוצאה מכך, המוטיבציה קשורה באופן שלילי לחרדה, בעוד שחרדה קשורה שלילית ליצירתיות. יש לפרש תוצאות אלו כאסוציאציות הנתמכות על ידי מודלים ולא כתופעות סיבתיות, משום שהמחקר השתמש בעיצוב חתך ודיווח עצמי. עם זאת, דפ...

חומרים

```html

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Survey Instruments (Scales)	Teaching Style Scale	לא חל	גרסה מותאמת של מלאי סגנון ההוראה של גראשה (גראשה, 1996), המעריכה חמישה גישות פדגוגיות: סמכותי, מומחה, מודל אישי, סיוע והפקדה. מספר קטלוג: לא חל
	Digital Literacy Scale	לא חל	סולם 29 פריטים שהותאם מ-Rodríguez-de-Dueños et al. (2016), המכסה שישה ממדים: יעילות טכנית, הגנה על נתונים אישיים, הערכה ביקורתית, ניהול אבטחת מכשירים, עיבוד מידע ותקשורת דיגיטלית. מספר קטלוג: לא חל
	ChatGPT Usage Scale	לא חל	סולם 8 פריטים שהותאם מאבאס ואח'. (2024), המתמקד באינטראקציה של הסטודנטים עם כלי ה-AI למשימות למידת שפה. מספר קטלוג: לא חל
	Foreign Language Classroom Anxiety (FLCA) Scale	לא חל	סולם שהותאם מ-Briesmaster ו-Briesmaster (2015), עם תת-סולמות להערכת תקשורת (10 פריטים), חרדת מבחן (15 פריטים), ופחד מהערכה שלילית (7 פריטים). מספר קטלוג: לא חל
	Motivation Scale	לא חל	סולם 20 פריטים שהותאם מ-Kanoksilapatham et al. (2021), המודד שלושה ממדים: אינסטרומנטליות (קידום/מניעה), אתנוצנטריות/אינטגרטיביות, וגישה ללמידת אנגלית. מספר קטלוג: לא חל
	Creativity Scale	לא חל	סולם 12 פריטים שהותאם מ-Govindasamy et al. (2024), המודד ארבעה מבני משנה: מקוריות, גמישות, שטף והתפתחות. מספר קטלוג: לא חל
Software	SPSS Statistics Version 27	IBM Corp.	תוכנת ניתוח סטטיסטי. מספר קטלוג: לא חל
	SmartPLS Version 4	SmartPLS GmbH	תוכנת מודל משוואות מבניות. מספר קטלוג: לא חל
Equipment & Other Materials	Data Collection Instrument	לא חל	סוללת שאלון נייר ועפרון אנונימית, מנוהלת על ידי הנבדקים. מספר קטלוג: לא חל
	Informed Consent Documents	לא חל	גיליון מידע כתוב וטופס הסכמה המפרט את מטרת המחקר, הנהלים, הסיכונים/היתרונות והזכות לפרוש. מספר קטלוג: לא חל
	Data Storage System	לא חל	קבצים דיגיטליים מוגנים בסיסמה עם מזהים מקודדים; מידע אישי מאוחסן בנפרד מנתוני המחקר. מספר קטלוג: לא חל
Analytical Procedures	PLS-SEM Algorithm and Bootstrapping	SmartPLS GmbH	שגרות פנימיות של SmartPLS 4 (אלגוריתם PLS וביאס-קורקט בוסטסטרפינג עם 5,000 דגימות מחדש). מספר קטלוג: לא חל
	Validity and Reliability Checks	SmartPLS GmbH; IBM Corp.	שגרות SmartPLS 4 ו-SPSS לאלפא של קרונבך, אמינות מורכבת, שונות ממוצעת חולצה (AVE), קריטריון Fornell-Larcker ויחס הטרוטרייט-מונוטרייט (HTMT). מספר קטלוג: לא חל
	Predictive Relevance Assessment	SmartPLS GmbH	נוהל סינון עיוור ב-SmartPLS 4 לחישוב ערך Q² של סטון-גייזר. מספר קטלוג: לא חל
	Preliminary Data Screening	IBM Corp.	הליכי SPSS לטיפול בנתונים חסרים (אלגוריתם ציפייה-מקסום) ובדיקות לנורמליות, סטיות ומבנה גורמי (ניתוח גורמי ראשי). מספר קטלוג: לא חל

```