מאמר מחקר

בינה מלאכותית יוצרת, מוטיבציה, חרדה ויצירתיות בכיתות ללימוד אנגלית כשפה זרה בסעודיה: סקר חתך

DOI:

10.3791/72626

⸱

14 באוגוסט 2026

1English Department, College of Languages and Translation, University of Jeddah

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סקר חתך זה בחן קשרים בין שימוש בבינה מלאכותית גנרטיבית, סגנון הוראה, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות בקרב סטודנטים לתואר ראשון באנגלית כשפה זרה בערב הסעודית, וזיהה את המוטיבציה כמתווך חשוב של הקשרים שנצפו.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כלי בינה מלאכותית (AI), כגון ChatGPT, משולבים יותר ויותר בחינוך לאנגלית כשפה זרה (EFL); עם זאת, קיימות ראיות מוגבלות לגבי האופן שבו השימוש בהם קשור לסגנון ההוראה, לאוריינות דיגיטלית, למוטיבציה, לחרדה בכיתת שפה זרה (FLCA) וליצירתיות בהקשר שלה של ערב הסעודית. מחקר זה בחן את הקשרים בין מבנים אלו ובדק את התפקיד המתווך של המוטיבציה בתוך מסגרת מושגית מאוחדת. נערך סקר כמותי חתכי בקרב 280 סטודנטים לתואר ראשון ב-EFL הרשומים באוניברסיטה ציבורית בערב הסעודית, תוך שימוש בשאלונים מתוקפים. הקשרים המוצעים נותחו באמצעות מודל משוואות מבניות של ריבועים פחותים ביותר (PLS-SEM). התוצאות הצביעו על כך ששימוש ב-ChatGPT, סגנון הוראה ואוריינות דיגיטלית היו קשורים באופן חיובי למוטיבציה של הסטודנטים. מוטיבציה גבוהה יותר הייתה קשורה לרמות נמוכות יותר של FLCA ולרמות גבוהות יותר של יצירתיות. המוטיבציה תיווכה גם את הקשרים בין השימוש ב-ChatGPT, סגנון ההוראה, האוריינות הדיגיטלית וה-FLCA. ממצאים אלו מרמזים כי חוויות המוטיבציה של הסטודנטים קשורות קשר הדוק לקשרים שבין פרקטיקות הוראה, שימוש בטכנולוגיה ותוצאות למידת השפה. המחקר מספק ראיות התומכות בשילוב של אסטרטגיות הוראה מתאימות, כלי בינה מלאכותית גנרטיבית ואוריינות דיגיטלית בתוך הוראת השפה האנגלית, תוך הדגשת החשיבות של התחשבות בחוויות המוטיבציוניות והרגשיות של הסטודנטים בעת יישום סביבות למידה נתמכות טכנולוגית.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ממלכת ערב הסעודית עוברת תוכנית רפורמה חינוכית טרנספורמטיבית תחת "חזון 2030", המעניקה עדיפות לפיתוח מיומנויות המאה ה-21, כשירות דיגיטלית וגישות פדגוגיות חדשניות בכל רמות החינוך1. בתוך הקשר לאומי זה, הוראת האנגלית כשפה זרה (EFL) ממשיכה להתמודד עם אתגרים מתמשכים, כולל תרבות מונחית-בחינות המדגישה למידה בעל פה וביצועים במבחנים על פני כשירות תקשורתית2,3. הזדמנויות מוגבלות לאינטראקציה אותנטית בשפה האנגלית מחוץ לכיתה, יחד עם רמות גבוהות של חרדה בכיתת שפה זרה (FLCA), מגבילות עוד יותר את נכונותם של התלמידים לתקשר ולהיות מעורבים באופן משמעותי בשפת היעד4. אתגרים אלו הנעו אנשי חינוך וקובעי מדיניות לבחון גישות חדשניות הנותנות מענה לליקויי מוטיבציה, מחסומים רגשיים ושימוש יצירתי בשפה. בינה מלאכותית (AI) התגלתה כנתיב מבטיח לתמיכה בלמידת שפה ולשינוי פרקטיקות הוראה5. בין יישומי ה-AI בהוראת השפה האנגלית (ELT), ChatGPT, מודל בינה מלאכותית גנרטיבית ושיחתית, זכה לתשומת לב ניכרת בזכות אספקת תרגול שפתי אינטראקטיבי ומשוב אישי מיידי בהקשרי שיחה בזמן אמת6. מאפיינים אלו רלוונטיים במיוחד בכיתות EFL בסעודיה, שבהן הוראה ממוקדת-מורה ואינטראקציה מוגבלת של תלמידים ממשיכות להגביל את הייצור השפתי היצירתי7. ChatGPT עשוי לסייע בטיפול במגבלות אלו על ידי מתן הזדמנויות לתרגול שפתי אותנטי, עם רמת חרדה נמוכה, מול בן-שיח מבוסס בינה מלאכותית8.

רפורמות חינוכיות אחרונות בערב הסעודית עודדו מעבר לעבר פדגוגיה ממוקדת-לומד, ובכך יצרו הזדמנויות לשילוב טכנולוגיות בינה מלאכותית (AI) המקדמות השתתפות פעילה, חשיבה ביקורית ולמידה עצמית9,10. כאשר הוא מיושם כראוי, ChatGPT יכול לתמוך במעבר זה על ידי הרחבת תרגול השפה מעבר לפעילויות הכיתה המסורתיות11. עם זאת, יעילות השילוב של בינה מלאכותית תלויה בחלקה באוריינות הדיגיטלית של הסטודנטים, המוגדרת כיכולתם להעריך, להשתמש ולהיעזר ביעילות בטכנולוגיות דיגיטליות לצורכי למידה12. אוריינות דיגיטלית מאפשרת ללומדים להפיק תועלת יצרנית מכלי בינה מלאכותית תוך מזעור סיכונים פוטנציאליים, כולל הסתמכות יתרה ומידע שגוי13. מיומנות זו חשובה במיוחד בהשכלה הגבוהה בערב הסעודית, שבה התרחשה האצה בטרנספורמציה הדיגיטלית במסגרת Vision 203014.

אף על פי שמחקרים קודמים בחנו כלים של AI, סגנון הוראה, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות בנפרד, ראיות מוגבלות בלבד בחנו כיצד מבנים אלה מקיימים אינטראקציה בתוך מסגרת מאוחדת בהקשרי EFL שאינם מערביים, כגון ערב הסעודית. מוטיבציה זוהתה בעקביות כמנגנון חשוב הקושר בין פרקטיקות הוראה לתוצאות למידה, כולל חרדה נמוכה יותר, יצירתיות רבה יותר ומעורבות מתמשכת15. עם זאת, הקשרים בין השימוש ב-ChatGPT, סגנון ההוראה, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות לא נבחנו באופן מקיף בהקשר של EFL בערב הסעודית16. התייחסות לפער זה עשויה לספק תובנות תיאורטיות ומעשיות לתכנון סביבות למידת שפה מועצמות טכנולוגית התומכות בהתפתחות המוטיבציונית, הרגשית והיצירתית של סטודנטים. בהתאם לכך, מחקר זה בוחן את הקשרים בין השימוש ב-ChatGPT, סגנון הוראה, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות בקרב סטודנטים לספרה ראשונה הלומדים EFL בערב הסעודית. באופן ספציפי, המחקר בוחן (1) את הקשרים בין השימוש ב-ChatGPT, סגנון ההוראה ואוריינות דיגיטלית לבין המוטיבציה של הסטודנטים; (2) את הקשרים בין מוטיבציה לבין FLCA ויצירתיות; ו-(3) את תפקידה המתווך של המוטיבציה בקשרים שבין השימוש ב-ChatGPT, סגנון ההוראה ואוריינות דיגיטלית לבין משתני התוצאה של חרדה ויצירתיות.

מחקר זה תורם לחינוך באנגלית כשפה זרה (EFL) וללמידה מוגברת בטכנולוגיה על ידי שילוב השימוש בכלי בינה מלאכותית (AI) במודלים קיימים של מוטיבציה ולמידת שפה, ובכך מרחיב את ההבנה של למידת שפות נתמכת בטכנולוגיה במסגרות חינוכיות עכשוויות. כמו כן, הוא מספק ראיות שעשויות להנחות מחנכים, מעצבי תוכניות לימוד וקובעי מדיניות השואפים לשלב כלי AI בהוראת EFL בסעודיה. באמצעות בחינת המוטיבציה כמתווך המקשר בין שימוש בטכנולוגיה ופרקטיקות הוראה לבין חרדה מלמידת שפה זרה (FLCA) ויצירתיות, המחקר מציע ראיות ספציפיות להקשר כדי לתמוך בפיתוח חינוך לשפות הממוקד בלומד, המותאם למטרות הרפורמה החינוכית של ערב הסעודית.

תאוריית ההכרעה העצמית (Self-Determination Theory - SDT) מספקת מסגרת תיאורטית להבנת הקשר בין פרקטיקות הוראה לבין מוטיבציה של סטודנטים בהקשרים חינוכיים17. על פי SDT, מוטיבציה פנימית וצורות אוטונומיות של מוטיבציה חיצונית נתמכות כאשר שלושת הצרכים הפסיכולוגיים הבסיסיים של הלומדים – אוטונומיה, מסוגלות ושייכות – מקבלים מענה בתוך סביבת הלמידה18. לפיכך, סגנון ההוראה הוא גורם הקשרי מרכזי המשפיע על המוטיבציה והמעורבות של הסטודנטים19. פרקטיקות הוראה תומכות-אוטונומיה, המספקות בחירות משמעותיות, מכירות בנקודות המבט של הסטודנטים ומסבירות את פעילויות הלמידה, מקדמות מוטיבציה פנימית ומעורבות מתוך הכרעה עצמית20. בהקשרי EFL (אנגלית כשפה זרה), גישות ממוקדות-לומד, כולל סגנונות הוראה של מנחה (facilitator) ומאציל (delegator), נקשרו למחויבות גבוהה יותר של הסטודנטים, להשתתפות רבה יותר ולעניין רב יותר בלמידת השפה21,22. לעומת זאת, הוראה ממוקדת-מורה עלולה להפחית את המוטיבציה על ידי הגבלת ההשתתפות והאוטונומיה של הסטודנטים, תוך דגש על תגמולים חיצוניים על פני עניין פנימי23,24. בהקשר של EFL בסעודיה, שבו ההוראה המסורתית שמה דגש היסטורי על שינון והעברה ממוקדת-מורה25, אימוץ של גישות הוראה ממוקדות-לומד עשוי לתמוך במוטיבציה של הסטודנטים26. על בסיס יסודות תיאורטיים ואמפיריים אלו, מוצעת ההיפותזה הבאה: H1: לסגנון ההוראה יש השפעה חיובית על המוטיבציה של סטודנטים הלומדים EFL.

הקשר בין טכנולוגיה חינוכית לבין מוטיבציה של לומדים נחקר רבות27,28. מודל קבלת הטכנולוגיה (TAM) גורס כי המוטיבציה של לומדים להשתמש בטכנולוגיה חינוכית מושפעת מהתועלת הנתפסת ומהקלות הנתפסת בשימוש, אשר מעצבות את הכוונות ההתנהגותיות ואת השימוש בטכנולוגיה29. כשמחילים מסגרת זו על ChatGPT, היא מצביעה על כך שסטודנטים התופסים את הכלי כשימושי וקל לשימוש, נוטים יותר להשתמש בו לצורך למידת שפה30. מחקרים אמפיריים דיווחו על קשרים חיוביים בין למידת שפה נתמכת בינה מלאכותית לבין מוטיבציה של סטודנטים, כאשר תכונות אינטראקטיביות, משוב מיידי ותרגול מותאם אישית תורמים למעורבות מתמשכת31,32. ChatGPT עשוי גם להפחית מחסומים הקשורים לחרדה שפתית על ידי מתן הזדמנויות לתרגול שפתי בלחץ נמוך, דבר שעשוי לעודד שימוש מתמשך בשפה33. פוטנציאל זה רלוונטי במיוחד בהקשר הסעודי, שבו FLCA זוהה כמחסום משמעותי למוטיבציה ולהישגים שפתיים34. בהתבסס על ממצאים תיאורטיים ואמפיריים אלה, מוצעת ההשערה הבאה: H2: השימוש ב-ChatGPT משפיע לחיוב על המוטיבציה של סטודנטים הלומדים אנגלית כשפה זרה (EFL).

אוריינות דיגיטלית הפכה לגורם קביעה חשוב במוטיבציה של סטודנטים בסביבות למידה עכשוויות של אנגלית כשפה זרה (EFL)35. היא מתייחסת ליכולת לחפש, להעריך ולהשתמש בטכנולוגיות ובמדיה דיגיטליות באופן יעיל לצורך למידה36. בהקשרי EFL, אוריינות דיגיטלית מאפשרת ללומדים להשתמש ביעילות במשאבים דיגיטליים, כולל ChatGPT, מערכות לניהול למידה וכלים מולטימדיה, כדי לתמוך בלמידת השפה ובמוטיבציה37. סטודנטים עם רמות גבוהות יותר של אוריינות דיגיטלית נוטים להשתמש בטכנולוגיות למידה בביטחון רב יותר, ובכך מטפחים כשירות ואוטונומיה, הקשורות למוטיבציה פנימית38. הם גם מצוידים טוב יותר לשימוש בכלים דיגיטליים לתרגול שפה עצמאי, לקבלת משוב ולמעורבות מתמשכת בלמידה39. על בסיס ספרות זו, מוצעת ההשערה הבאה: H3: האוריינות הדיגיטלית של סטודנטים ל-EFL משפיעה באופן חיובי על המוטיבציה של סטודנטים ל-EFL.

חרדה מלשון זרה (FLCA) ויצירתיות הם מבנים הקשורים זה לזה באופן הדוק בחינוך לאנגלית כשפה זרה (EFL), אם כי מערכת היחסים ביניהם נותרת מורכבת40. חרדה עלולה להגביל את ביצועי הלומדים במטלות הדורשות יצירתיות, גמישות קוגניטיבית, חשיבה מסתעפת וביטוי עצמי41. FLCA משקפת את פחדם של הלומדים מביצוע טעויות, מהערכה שלילית ומביטחון עצמי נמוך, שכל אלה עלולים להפריע להפקה שפתית יצירתית42. עם זאת, יצירתיות היא מיומנות חשובה בלמידת EFL כיוון שהיא תומכת בשימוש בשפה באופן חדשני ומתאים להקשר31. מחקרים קודמים דיווחו כי לומדים עם רמות חרדה גבוהות יותר נוטים פחות להשתתף בפעילויות של כתיבה יצירתית ותקשורת בעל פה43,44. על בסיס ספרות זו, מוצעות ההיפותזות הבאות: 1) H4: המוטיבציה של סטודנטים ל-EFL קשורה באופן שלילי לחרדה שלהם, ו-2) H5: החרדה של סטודנטים ל-EFL משפיעה לרעה על היצירתיות שלהם.

מוטיבציה מספקת מנגנון תיאורטי שדרכו סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית עשויים להיות קשורים ל-FLCA45. לומדים בעלי מוטיבציה נוטים יותר להשתתף באופן פעיל, להתמיד מול אתגרים ולחוות רמות נמוכות יותר של חשש מתקשורת46. פרקטיקות הוראה תומכות, למידת שפה בסיוע בינה מלאכותית (AI) ואוריינות דיגיטלית חזקה יותר נקשרו כל אחת למוטיבציה גבוהה יותר ולחרדה נמוכה יותר במסגרות של EFL47,48,49. מחקרים קודמים מצביעים גם על כך שמוטיבציה גבוהה יותר קשורה לחרדה נמוכה יותר בכיתה וליצירתיות מוגברת, ובכך הם מספקים תמיכה למוטיבציה כמתווך פוטנציאלי המקשר בין פרקטיקות הוראה ושימוש בטכנולוגיה לבין תוצאות למידה50,51,52. על בסיס ספרות זו, מוצעות ההשערות הבאות: 1) H6: מוטיבציה מתווכת את הקשר בין סגנון ההוראה לבין החרדה של סטודנטים ל-EFL; 2) H7: מוטיבציה מתווכת את הקשר בין השימוש ב-ChatGPT לבין החרדה של סטודנטים ל-EFL; ו-3) H8: מוטיבציה מתווכת את הקשר בין האוריינות הדיגיטלית של סטודנטים ל-EFL לבין החרדה שלהם. איור 1 ממחיש את המודל המשוער שבו סגנון הוראה, שימוש ב-ChatGPT ואוריינות דיגיטלית קשורים למוטיבציה של סטודנטים ל-EFL, אשר בתורה מתווכת את קשריהם עם FLCA ויצירתיות.

figure-introduction-1
איור 1. מודל המחקר ההיפותטי. המודל מתאר את הקשרים המשוערים בין שימוש ב-ChatGPT, סגנון הוראה, אוריינות דיגיטלית, מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות בקרב סטודנטים הלומדים אנגלית כשפה זרה (EFL). קווים רצופים מייצגים קשרים ישירים משוערים, וקווים מקווקווים מייצגים קשרי תיווך, כפי שמוצג באיור. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

למרות שהמחקר לא דרש אישור אתי רשמי מוועדה מוסדית לסקירת מחקרים (IRB), בשל עיצובו כסקר אנונימי שאינו ניסויי ואינו כולל התערבויות פיזיות, מניפולציות או הטעיה של המשתתפים, כל ההליכים בוצעו בהתאם לעקרונות האתיים של הצהרת הלסינקי ולהנחיות של איגוד הפסיכולוגים האמריקאי (APA) למחקר הכולל משתתפים אנושיים. הסכמה מושכלת התקבלה מכל המשתתפים לפני איסוף הנתונים. המוסד לא דרש ולא הנפיק אישור אתי רשמי או פטור עבור סוג זה של מחקר. כל המשיבים עודכנו במפורש לגבי מטרת המחקר, על כך שהשתתפותם היא וולונטרית, על זכותם לפרוש בכל עת ללא השלכות, ועל אמצעי הסודיות המחמירים המיושמים על נתוניהם. לא נאסף ולא דווח מידע המאפשר זיהוי אישי, וכל הנתונים שימשו אך ורק לצורך ניתוח אקדמי מצטבר. תשומת לב מיוחדת הוקדשה לניסוח מכבד ולא פולשני כדי להבטיח שהסקר לא יפריע לפעילותם האקדמית של המשתתפים או לרווחתם הפסיכולוגית. לעיון בטופס ההסכמה המושכלת, ראו Supplementary File 1. בנוסף, החומרים ששימשו במחקר זה מפורטים ב-Table of Materials.

מערך המחקר

סעיף זה מפרט את מערך המחקר, את נהלי איסוף הנתונים ואת פרטי המדגם ששימשו במחקר לבחינת הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות בקרב סטודנטים ל-EFL. מחקר זה השתמש במערך מחקר כמותי חתכי כדי לבחון את תפקידה המתווך של המוטיבציה בקשרים שבין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית וחרדה בקרב סטודנטים ל-EFL, וכיצד משתנים אלו קשורים באופן קולקטיבי ליצירתיות. לצורך איסוף נתונים ראשוניים אומצה מתודולוגיית סקר מובנה, כדי להבטיח סטנדרטיזציה ואמינות במדידת המבנים הנחקרים. המחקר השתמש בסולמות תיקוף כדי להעריך את כל המשתנים, כולל סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות.

נתונים ודגימה

הנתונים למחקר זה נאספו מסטודנטים הלומדים אנגלית כשפה זרה (EFL) הרשומים באוניברסיטת ג'דה, אוניברסיטה ציבורית בערב הסעודית המוכרת בזכות הדגשתה על חינוך לשוני ושילוב טכנולוגיה בהוראה. המשתתפים נבחרו באמצעות טכניקת דגימה תכליתית, שנחשבה למתאימה למחקר זה בהינתן קריטריוני ההכללה הספציפיים שדרשו מהמשתתפים ניסיון פעיל עם כלי בינה מלאכותית (AI) כגון ChatGPT בסביבת הלמידה שלהם. גישה זו של דגימה לא הסתברותית הייתה נחוצה מכיוון ששאלות המחקר התמקדו באוכלוסייה ספציפית – סטודנטים ל-EFL שנחשפו הן לשיטות למידה מסורתיות והן לשיטות למידה מסייעות טכנולוגית, ודגימה אקראית לא הייתה מבטיחה את הכללתם של משתתפים העומדים בקריטריונים אלו. בעוד שדגימה תכליתית מגבילה את יכולת ההכללה של הממצאים לאוכלוסייה הרחבה יותר, היא הייתה מוצדקת עבור חקירה גישושית זו כדי להבטיח שלמשתתפים יש את הניסיונות והפרספקטיבות הרלוונטיים הדרושים למענה על יעדי המחקר. כדי לצמצם את מגבלות הדגימה התכליתית, נעשו מאמצים לכלול משתתפים עם רקעים אקדמיים מגוונים ורמות שונות של מיומנות טכנולוגית, ובכך להגביר את ייצוגיות המדגם בתוך אוכלוסיית היעד. המדגם הסופי כלל 280 סטודנטים לתואר ראשון ב-EFL, גודל שנחשב למספיק עבור הטכניקות הסטטיסטיות שיושמו.

קביעת הלימות גודל המדגם התבססה על קווים מנחים מקובלים עבור מידול משוואות מבניות (SEM). חוקרים ממליצים על יחס מינימלי של 10 מקרים לכל פרמטר מוערך ב-SEM, כאשר קווים מנחים שמרניים יותר מציעים 20 מקרים לפרמטר עבור Partial Least Squares SEM (PLS-SEM). מודל המדידה כלל 29 פריטים עבור אוריינות דיגיטלית, 25 פריטים עבור סגנון הוראה ו-32 פריטים עבור FLCA, לצד פריטים נוספים עבור שימוש ב-ChatGPT, מוטיבציה ויצירתיות. ההנחיות ל-PLS-SEM ממליצות גם על גודל מדגם מינימלי השווה ל-10 פעמים מספר האינדיקטורים הפורמטיביים הגבוה ביותר או מספר הנתיבים המבניים הגבוה ביותר המופנים לעבר מבנה (construct) מסוים; לפיכך, המדגם של 280 משתתפים עלה על דרישות מינימום אלו. יתרה מכך, ניתוח עוצמה לאחר מעשה (post hoc) באמצעות G*Power53 הצביע על כך שמדגם של 280 משתתפים סיפק עוצמה סטטיסטית העולה על 0.95 לגילוי גדלי אפקט בינוניים (f2 = 0.15) עם α = 0.05, ובכך עלה על הסף המומלץ בדרך כלל של 0.80. גודל מדגם זה מספק הערכות פרמטרים אמינות ועוצמה סטטיסטית מספקת כדי לזהות קשרים משמעותיים בין משתני המחקר, תוך התאמה למורכבות של מודלי המדידה והמבנה המוצעים.

משתתפים והליך

המשתתפים היו סטודנטים הלומדים אנגלית כשפה זרה (EFL) בגילאי 18 עד 25, כאשר רובם היו סטודנטים לתואר ראשון בשנה ראשונה ושנייה הרשומים לקורסים בשפה האנגלית. הסקר נערך בין ספטמבר לאוקטובר 2025, שבמהלכו הוזמנו הסטודנטים להשתתף באופן וולונטרי. תהליך הגיוס כלל פנייה באמצעות ערוצים רשמיים של האוניברסיטה, כולל דוא"ל והודעות בכיתות. המשתתפים היו סטודנטים הלומדים אנגלית כשפה זרה (EFL) בגילאי 18–25, שהיו רשומים כסטודנטים לתואר ראשון בשנה ראשונה או שנייה בקורסים בשפה האנגלית. הזכאות נקבעה באמצעות קריטריוני הכללה והחרגה שהוגדרו מראש. משתתפים היו זכאים אם הם (א) רשומים רשמית לקורסי אנגלית לתואר ראשון באוניברסיטת ג'דה (University of Jeddah), (ב) בגילאי 18–25, ו-(ג) רשומים כסטודנטים לשנה ראשונה או שנייה. סטודנטים הוחרגו אם היו (א) סטודנטים לתארים מתקדמים או סטודנטים לתואר ראשון בשכבות גבוהות מחוץ לרצף הקורסים הבסיסיים, (ב) מחוץ לטווח הגילאים שצוין, או (ג) מעורבים בשלב הבדיקה המוקדמת של השאלון. כדי להבטיח הסכמה מדעת, המשתתפים קיבלו תדריך על מטרת המחקר, אופייה הוולונטרי של השתתפותם וסודיות תשובותיהם. כלי איסוף הנתונים היה שאלון מובנה לדיווח עצמי שהופץ באופן פיזי ואלקטרוני באמצעות פלטפורמה מקוונת מאובטחת. סולמות מתוקפים הותאמו למדידת סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה של סטודנטים, FLCA ויצירתיות. המשתתפים נדרשו לדרג את תשובותיהם בסולם ליקרט של 5 דרגות, מ-1 (כל כך לא מסכים) עד 5 (כל כך מסכים). בדיקה מוקדמת של השאלון נערכה עם קבוצה קטנה של 30 סטודנטים כדי להבטיח בהירות ומהימנות. בהתבסס על תוצאות הבדיקה המוקדמת, בוצעו התאמות מינוריות בניסוח כדי לשפר את הבנת הפריטים, ולא זוהו בעיות משמעותיות במהימנות או בתוקף של הסולם. כדי לשמור על שלמות הנתונים ולעודד תשובות כנות, הובטחה אנונימיות, והמשתתפים קיבלו הבטחה שנתוניהם ישמשו למטרות מחקר בלבד. מתוך 300 התשובות שנאספו בתחילה, 280 נחשבו לתקפות לאחר סינון נתונים חסרים או לא עקביים, מה שהניב שיעור שימור של 93%. נהלי סינון הנתונים כללו בחינה של דפוסי תגובה למקרי "סימון שורה ישרה" (straight-lining), נתונים חסרים באופן מופרז (יותר מ-10%), וחריגים רב-משתנים באמצעות מרחק מהלנוביס (Mahalanobis distance). גישה מתודולוגית זו מספקת בסיס איתן לניתוח הקשרים בין משתני המחקר ומציעה תובנות בעלות ערך לגבי תפקידם של סגנון ההוראה, כלי בינה מלאכותית (AI) ואוריינות דיגיטלית בעיצוב המוטיבציה, החרדה והיצירתיות של סטודנטים הלומדים אנגלית כשפה זרה (EFL).

בעקבות איסוף הנתונים, 20 תגובות הוצאו ממאגר ראשוני של 300 בהתבסס על קריטריונים שהוגדרו מראש: 12 תגובות הוסרו עקב חוסר נתונים מוגזם שעלה על 10% מפריטי השאלון, 5 הוסרו בשל דפוסי תגובה של קו ישר (תגובות אחידות בכל הפריטים המעידות על חוסר מעורבות), ו-3 זוהו כחריגים רב-משתנים באמצעות מרחק מהלנוביס (p < 0.001) והוסרו לאחר מכן כדי למנוע עיוות של תוצאות ה-SEM. ערכים חסרים במקרים שנשמרו טופלו באמצעות השלמה באמצעות ממוצע (mean imputation) במקרים בהם הנתונים החסרים היו מינימליים (פחות מ-5% למקרה), שכן גישה זו מקובלת עבור שיעורי חסר נמוכים במחקרי סקר רחבי היקף. שיעור השימור הסופי של 93% (280 תגובות תקפות מתוך 300 שאלונים שנאספו) מייצג את חלקן של התגובות השמישות שנשמרו מכלל השאלונים שנאספו; עם זאת, אין לפרש נתון זה כשיעור תגובה (response rate) אמיתי, שכן לא ניתן היה לחשב את המספר המדויק של המשתתפים שהוזמנו מכיוון ששיטות ההפצה המשולבות, הפיזיות והאלקטרוניות, דרך ערוצי האוניברסיטה הרשמיים מנעו מעקב מדויק אחר סך ההזמנות. מגבלה זו מוכרת, ולכן נתון ה-93% מדווח כחלקן של התגובות התקפות שנשמרו מתוך השאלונים שנאספו ולא כשיעור תגובה ביחס לכלל האוכלוסייה שהוזמנה.

כלים ומדדים

מחקר זה השתמש בסולמות מוכרים ומתוקפים, שהותאמו בקפידה להקשר של הוראת אנגלית כשפה זרה (EFL), כדי למדוד את המבנים המרכזיים: סגנון הוראה, אוריינות דיגיטלית, שימוש ב-ChatGPT, חרדה מלמידת שפה זרה (FLCA), מוטיבציה ויצירתיות. כל סולם נבחר על בסיס הרלוונטיות והמקיפות שלו בלכידת הממדים המתאימים של המשתנים הנחקרים. אוריינות דיגיטלית נמדדה באמצעות סולם מותאם המבוסס על Rodríguez-de-Dios et al.54, הכולל שישה ממדים עם 29 פריטים. ממדים אלו כללו מיומנות טכנולוגית, מיומנות אבטחה אישית, מיומנות ביקורתית, מיומנות אבטחת מכשירים, מיומנות מידע ומיומנות תקשורת, מה שאיפשר הערכה מקיפה של מיומנויות הסטודנטים הדיגיטליות החיוניות להקשרים חינוכיים מודרניים. השימוש ב-ChatGPT הוערך באמצעות סולם בן 8 פריטים שותאם מ-Abbas et al.55, תוך התמקדות באינטראקציה של הסטודנטים עם כלי ה-AI למשימות למידת שפה. סגנון ההוראה הוערך באמצעות גרסה מותאמת של שאלון סגנונות ההוראה של Grasha56. כלי זה מודד חמישה ממדים של סגנונות הוראה: סמכות, מומחה, מודל אישי, מנחה ומאציל סמכויות. ממדים אלו משקפים גישות הוראה שונות המשפיעות על חוויות הלמידה של סטודנטים ל-EFL. FLCA נמדדה באמצעות סולם מותאם המבוסס על Briesmaster and Briesmaster57. כלי זה בחן חרדה בשלושה ממדים: חשש מתקשורת (10 פריטים), חרדת בחינות (10 פריטים) ופחד מהערכה שלילית (7 פריטים). מוטיבציית הסטודנטים הוערכה באמצעות סולם שותאם מ-Kanoksilapatham et al.58, המודד שלושה ממדים: קידום ומניעה אינסטרומנטלית, אתנוצנטריזם ואינטגרטיביות, ועמדה כלפי למידת אנגלית. הסולם כלל סך הכל 20 פריטים. יצירתיות של סטודנטים ל-EFL נמדדה באמצעות סולם שותאם מ-Govindasamy et al.59, שהעריך ארבעה ממדים: מקוריות, גמישות, שטף ופירוט. כל ממד נמדד באמצעות שלושה פריטים. כדי להבטיח את ההתאמה התרבותית וההקשרית של הכלים לסביבת ה-EFL, הוחל הליך התאמה שיטתי. מכיוון שהסולמות המקוריים פותחו באנגלית, שני מומחים דו-לשוניים ל-EFL סקרו ופישטו את השפה כדי לשפר את הבהירות עבור סטודנטים לתואר ראשון ברמה בינונית, תוך שמירה על המשמעות המקורית של כל מבנה. הגרסאות המותאמות תורגמו לאחר מכן בחזרה לשפתם הראשונה של המשתתפים על ידי מתרגם עצמאי כדי לוודא שקילות לשונית ומושגית, וכל אי-התאמה נפתרה באמצעות דיון בקרב צוות המחקר. לאחר מכן, שלושה מרצי EFL מנוסים העריכו את הכלים המותאמים מבחינת רלוונטיות התוכן, התאמה תרבותית ובהירות הפריטים, מה שהוביל לתיקוני ניסוח מינוריים ולהחלפת דוגמאות לא מוכרות תרבותית במידת הצורך. לבסוף, הכלים המעודכנים נבחנו בפיילוט עם 30 סטודנטים (ראה סעיף Procedure), ומשוב המשתתפים שימש לביצוע שיפורי ניסוח מינוריים נוספים לשיפור המובנות. תהליך רב-שלבי זה הבטיח שהכלים המותאמים שמרו על תכונותיהם הפסיכומטריות המקוריות תוך התאמה לאוכלוסיית היעד של ה-EFL. לשאלון המותאם המלא, ראו Supplementary File 2.

שיטות ניתוח נתונים

הנתונים שנאספו למחקר זה נותחו באמצעות Statistical Package for the Social Sciences (SPSS 26) ו-SmartPLS 4, תוך שימוש ב-PLS-SEM. גישה זו, המשלבת שתי שיטות, הבטיחה ניתוח מקיף של הנתונים, תוך התייחסות להיבטים תיאוריים והסקיים (inferential) במקביל לבחינת הקשרים המשוערים ואפקטי התיווך במודל המחקר. בשלב ראשון, נעשה שימוש ב-SPSS לביצוע ניתוח נתונים ראשוני, הכולל ניקוי נתונים, סטטיסטיקה תיאורית ובדיקות מהימנות. סינון הנתונים כלל בדיקה של ערכים חסרים, ערכי קיצון (outliers) ונורמליות כדי להבטיח את איכותם ותקינותם של הנתונים. סטטיסטיקה תיאורית, כולל ממוצע, סטיית תקן והתפלגויות שכיחות, חושבה כדי לסכם את מאפייני המדגם. הניתוח העיקרי בוצע באמצעות SmartPLS 4. שיטת PLS-SEM נבחרה בשל התאמתה לניתוח מודלים מורכבים עם מבנים (constructs) מרובים וחסינותה (robustness) עבור גדלי מדגם קטנים עד בינוניים. הניתוח בוצע בשני שלבים: הערכה של מודל המדידה והערכה של המודל המבני. בהערכת מודל המדידה, נבחנו מהימנות המדדים (indicator reliability), מהימנות עקביות פנימית (באמצעות composite reliability [CR]), תוקף מתכנס (באמצעות average variance extracted [AVE]) ותוקף מבחן (באמצעות heterotrait–monotrait ratio [HTMT]).

בעקבות תיקוף מודל המדידה, נבחן המודל המבני כדי להעריך את הקשרים המשוערים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה ויצירתיות. מקדמי הנתיב נותחו כדי לקבוע את עוצמתם ואת מובהקותם של ההשפעות הישירות והעקיפות, כאשר המובהקות נבחנה באמצעות bootstrapping עם 5,000 דגימות חוזרות. להערכת המובהקות של השפעות ישירות, עקיפות והשפעות תיווך, נבנו רווחי סמך bootstrap מתוקננים להטיה (BC) באמצעות 5,000 דגימות bootstrap עם רמת סמך של 95%. השפעות התיווך של מוטיבציה על הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית וחרדה הוערכו אף הן באמצעות רווחי סמך בשיטת bootstrap. התאמת המודל והכוח הניבוי שלו נבחנו באמצעות מקדם הדטרמינציה (R2), רלוונטיות ניבוי (Q2), ושארית ריבועית ממוצעת סטנדרטית (SRMR).

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

סטטיסטיקה תיאורית

סטטיסטיקה תיאורית מספקת סקירה כללית של מאפייני המדגם ושל ההתפלגות, הנטייה המרכזית והשונות של משתני המחקר. במחקר זה, בוצעו ניתוחים תיאוריים כדי לאפיין את מדגם המשתתפים ולסכם את המשתנים המרכזיים לפני ביצוע הניתוחים המבניים.

טבלה 1 מסכמת את המאפיינים הדמוגרפיים של 280 המשתתפים, סטודנטים לתואר ראשון הלומדים אנגלית כשפה זרה (EFL). משתתפות נקבה היוו 54.3% (n = 152) מהמדגם, בעוד שמשתתפים זכר היוו 45.7% (n = 128). מרבית המשתתפים היו בגילאי 21–23 (52.1%), לאחר מכן אלו שגילם 18–20 (36.4%) וגילאי 24–25 (11.4%). באשר לשנה אקדמית, סטודנטים לשנה שנייה היוו את הקבוצה הגדולה ביותר (42.1%), ואחריהם סטודנטים לשנה ראשונה (34.3%) ולשנה שלישית (23.6%). מרבית המשתתפים דיווחו על ניסיון בינוני עם ChatGPT (47.1%), בעוד ש-36.8% דיווחו על ניסיון נרחב ו-16.1% על ניסיון מוגבל. לכל המשתתפים הייתה חשיפה קודמת ל-ChatGPT, בהתאם לקריטריוני ההכללה במחקר, כאשר קטגוריית "ניסיון מוגבל" מצביעה על שימוש מינימלי ולא על היעדר שימוש מוקדם. המשתתפים דיווחו בעיקר על אוריינות דיגיטלית בינונית (54.6%), ולאחריה אוריינות דיגיטלית גבוהה (30.4%) ונמוכה (15.0%). מרבית המשתתפים הפגינו רמת שליטה בינונית באנגלית (62.5%), בעוד ש-22.9% דיווחו על שליטה בסיסית ו-14.6% על שליטה מתקדמת. באופן כללי, המאפיינים הדמוגרפיים מעידים כי המדגם כלל משתתפים עם רקעים אקדמיים מגוונים, רמות שונות של אוריינות דיגיטלית, שליטה באנגלית וניסיון בשימוש ב-ChatGPT (טבלה 1, איור 2).

משתנהקטגוריהשכיחות, nאחוזים, %
מגדרזכר12845.7
נקבה15254.3
קבוצת גיל18–20 שנים10236.4
21–23 שנים14652.1
24–25 שנים3211.4
שנת לימודיםשנה ראשונה9634.3
שנה שנייה11842.1
שנה שלישית6623.6
ניסיון עם ChatGPTניסיון מוגבל4516.1
ניסיון בינוני13247.1
ניסיון נרחב10336.8
רמת אוריינות דיגיטליתנמוכה4215
בינונית15354.6
גבוהה8530.4
רמת שליטה באנגליתבסיסית6422.9
בינונית17562.5
מתקדמת4114.6

טבלה 1: מאפיינים דמוגרפיים של המשיבים במחקר. הטבלה מסכמת את המאפיינים הדמוגרפיים של 280 הסטודנטים הלומדים אנגלית כשפה זרה (EFL) שנכללו במחקר. תדירויות ואחוזים מדווחים עבור מגדר, קבוצת גיל, שנת לימוד, ניסיון עם ChatGPT, רמת אוריינות דיגיטלית ורמת שליטה באנגלית.

figure-results-1
איור 2. מאפיינים דמוגרפיים של המשיבים במחקר. אנא לחץ כאן כדי לצפות בגרסה גדולה יותר של איור זה.

איור 2 מציג את ההתפלגות הדמוגרפית של משתתפי המחקר לפי מגדר, קבוצת גיל, שנת לימוד, ניסיון בכלי AI, רמת אוריינות דיגיטלית ורמת שליטה באנגלית. ההתפלגות מראה פרופורציה מעט גבוהה יותר של משתתפות לעומת משתתפים, כאשר רוב המשיבים הם בגילאי 21–23 שנים. אוריינות דיגיטלית מתונה ושליטה בינונית באנגלית היו הקטגוריות שדווחו בשכיחות הגבוהה ביותר (איור 2).

טבלה 2 מציגה את הסטטיסטיקה התיאורית עבור משתני המחקר. לסגנון ההוראה, שנמדד באמצעות 25 פריטים, היה ציון ממוצע של 3.84 (SD = 0.76), עם ציונים שנעו בין 2.1 ל-4.8. לשימוש ב-ChatGPT, שהוערך באמצעות שמונה פריטים, היה ציון ממוצע של 3.67 (SD = 0.81), עם תגובות שנעו בין 1.5 ל-5.0. לאוריינות דיגיטלית, שנמדדה באמצעות 29 פריטים, היה ציון ממוצע של 3.72 (SD = 0.73), עם ציונים שנעו בין 2.2 ל-4.9. למשני המוטיבציה, שהוערך באמצעות 20 פריטים, היה הציון הממוצע הגבוה ביותר (3.92, SD = 0.68), עם ערכים שנעו בין 2.4 ל-5.0. לחרדה, שנמדדה באמצעות 27 פריטים, היה ציון ממוצע של 3.41 (SD = 0.89). ליצירתיות, שהוערכה באמצעות 12 פריטים, היה ציון ממוצע של 3.78 (SD = 0.74), עם ציונים שנעו בין 2.0 ל-5.0. נתונים סטטיסטיים תיאוריים אלו מעידים על שונות בין המבנים הנמדדים, תוך שהם מספקים סיכום כללי של תגובות המשתתפים.

משתנהמספר פריטיםממוצע (M)סטיית תקן (SD)מינימוםמקסימום
חרדה273.410.891.85
שימוש ב-ChatGPT83.670.811.55
יצירתיות123.780.7425
אוריינות דיגיטלית293.720.732.24.9
מוטיבציה203.920.682.45
סגנון הוראה253.840.762.14.8

טבלה 2: סטטיסטיקה תיאורית עבור מבני המחקר. הטבלה מציגה את מספר פריטי השאלון, ממוצע (M), סטיית תקן (SD), הערך המינימלי שנצפה והערך המקסימלי שנצפה עבור סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות, בהתבסס על תשובות של 280 משתתפים.

הטיית שונות של שיטה משותפת

הטיה של שונות שיטה משותפת (CMV) מתייחסת לשוביריאנס (covariance) שגוי בין משתנים, המיוחס לשיטת המדידה ולא למבנים הנמדדים. מאחר שמחקר זה השתמש בסקר בדיווח עצמי, נעשה שימוש בגישות פרוצדורליות וסטטיסטיות כדי להעריך את ההשפעה הפוטנציאלית של הטיית CMV. מבחינה פרוצדורלית, המשתתפים קיבלו הבטחה לאנונימיות ולסודיות כדי למזער הטיית רצון חברתי ולעודד תגובות כנות. בנוסף, פריטי השאלון שהותאמו מכלי מדידה מקובלים הוצגו בסדר אקראי כדי להפחית דפוסי תגובה שעלולים לנפח באופן מלאכותי את הטיית ה-CMV. מבחינה סטטיסטית, בוצע מבחן הגורם היחיד של הרמן (Harman’s single-factor test) על ידי הכנסת כל המשתנים הנמדדים לניתוח גורמים חוקר (EFA) ללא סיבוב. הניתוח הראה כי הגורם הראשון ללא סיבוב הסביר 32.7% מהשונות הכוללת, נתון הנמוך מהסף המומלץ של 50%, מה שמעיד כי סביר שהטיית CMV לא השפיעה באופן משמעותי על ממצאי המחקר (טבלה 3).

מדד סטטיסטיערךסףפרשנות
מספר כולל של גורמים שהופקו7N/Aהופקו מספר גורמים, מה שמעיד על כך שהפריטים שנמדדו מייצגים מבנים נפרדים.
שונות שהוסברה על ידי הגורם הראשון32.70%<50%מתחת לסף המקובל בדרך כלל, מה שמעיד כי שונות של שיטת מדידה משותפת (CMV) אינה מהווה ככל הנראה בעיה חמורה.
שונות מצטברת שהוסברה (שלושת הגורמים הראשונים)62.10%N/Aמעיד על כך ששלושת הגורמים הראשונים מסבירים חלק ניכר מהשונות הכוללת.
מדד Kaiser–Meyer–Olkin (KMO) למספיקות הדגימה0.89>0.80מעיד על מספיקות דגימה מצוינת עבור ניתוח גורמים.
מבחן הספריות של Bartlett (ערך p)<0.001p < 0.05תוצאה מובהקת המעידה על כך שמטריצת המתאם מתאימה לניתוח גורמים.

טבלה 3: תוצאות מבחן הגורם הבודד של הרמן (Harman) ומדדי הלימות הדגימה. הטבלה מסכמת את תוצאות מבחן הגורם הבודד של הרמן, מדד קייזר-מאייר-אולקין (KMO) להלימות הדגימה, ומבחן הספריות של ברטלט. מבחן הגורם הבודד של הרמן בוצע כדי להעריך את ההשפעה הפוטנציאלית של שונות שיטתית משותפת (CMV). סטטיסטיקת KMO ומבחן ברטלט שימשו להערכת התאמת מערך הנתונים לניתוח גורמים.

טבלה 3 מציגה את תוצאות מבחן הגורם הבודד של Harman, המצביעות על כך שהגורם הראשון שאינו מסובב הסביר 32.7% מהשונות הכוללת, נתון הנמוך מסף ה-50% המומלץ ומצביע על כך שהטיה של שיטת מדידה משותפת (common method bias) אינה מהווה בעיה משמעותית במחקר זה. מדד ה-Kaiser–Meyer–Olkin (KMO) להערכת הטיב של המדגם היה 0.89, מה שמעיד על כך שהנתונים היו מתאימים לניתוח גורמים. בנוסף, מבחן הספיריות של Bartlett היה מובהק סטטיסטית (p < 0.001), מה שמאשר שמטריצת המתאם הייתה מתאימה לניתוח גורמים. יחד, ממצאים אלו תומכים בהתאמת מערך הנתונים לניתוחי מידול משוואות מבניות (structural equation modeling) בהמשך.

מודל מדידה

מודל המדידה הוערך כדי לבחון את המהימנות והתוקף של מבני המחקר באמצעות PLS-SEM שיושם ב-SmartPLS 4, בהתאם להמלצותיהם של Hair et al.60 נבחנו מהימנות מדדים, מהימנות של עקביות פנימית, תוקף מתכנס ותוקף מבחן. מהימנות המדדים הוערכה באמצעות outer loadings, כאשר פריטים שהראו טעינות הגדולות מ-0.70 נשמרו כמדדים מהימנים למבנים שלהם. פריטים עם טעינות בין 0.60 ל-0.70 נשמרו רק כאשר הסרתם לא שיפרה את העקביות הפנימית של המבנה התואם. מהימנות של עקביות פנימית נבחנה באמצעות Cronbach’s alpha ו-CR. תוקף מתכנס הוערך באמצעות ה-AVE, כאשר כל המבנים הראו ערכי AVE הגדולים מ-0.50, מה שמעיד על כך שכל מבנה הסביר יותר מחצי מהשונות במדדיו. תוקף מבחן נבחן באמצעות יחס ה-HTMT, וכל ערכי ה-HTMT היו נמוכים מהסף המומלץ של 0.85, מה שתומך בבידוד האמפירי של מבני המחקר (טבלאות 4 ו-5).

מבנהטעינת גורםמהימנות מורכבת (CR)שונות ממוצעת מופקת (AVE)מקדם ניפוח שונות חיצוני (VIF)
סגנון הוראה (סמכותי)0.870.910.661.38
סגנון הוראה (מומחה)0.890.920.681.45
סגנון הוראה (מודל אישי)0.860.90.651.4
סגנון הוראה (מנחה)0.880.930.691.43
סגנון הוראה (מאציל סמכויות)0.850.890.621.39
שימוש ב-ChatGPT0.920.940.721.47
חרדה בכיתת שפה זרה (חשש מתקשורת)0.860.90.641.35
חרדה בכיתת שפה זרה (חרדת מבחנים)0.880.920.671.41
חרדה בכיתת שפה זרה (פחד מהערכה שלילית)0.830.880.61.32
מוטיבציה (תועלתית)0.840.890.611.34
מוטיבציה (אתנוצנטריות ואינטגרטיביות)0.860.90.631.36
מוטיבציה (עמדה כלפי למידת אנגלית)0.890.930.71.44
יצירתיות (מקוריות)0.880.920.671.41
יצירתיות (גמישות)0.870.910.661.38
יצירתיות (שטף)0.890.930.681.42
יצירתיות (פירוט)0.850.90.631.37
אוריינות דיגיטלית0.930.950.751.49

טבלה 4: הערכת מודל המדידה. הטבלה מציגה את טעינת הגורמים (factor loadings), מהימנות מורכבת (CR), שונות ממוצעת מופקת (AVE), ומקדם הגברה של שונות חיצוני (VIF) עבור כל מבנה ותת-ממד שנכללו במודל המדידה של מידול משוואות מבניות בשיטת ריבועים מינימליים חלקיים (PLS-SEM). נתונים סטטיסטיים אלו שימשו להערכת מהימנות המחוונים, מהימנות של עקביות פנימית, תוקף מתכנס ומולטיקולינאריות.

מבנה1234567891011121314151617
1. סגנון הוראה (סמכותי)—
2. סגנון הוראה (מומחה)0.702—
3. סגנון הוראה (מודל אישי)0.7430.581—
4. סגנון הוראה (מנחה)0.6290.7350.702—
5. סגנון הוראה (מעביר סמכויות)0.7540.5490.8020.692—
6. שימוש ב-ChatGPT0.520.6430.7430.5360.693—
7. חרדה בכיתה לשפה זרה (חשש מתקשורת)0.6650.5210.6490.5590.730.827—
8. חרדה בכיתה לשפה זרה (חרדת בחינות)0.8320.6140.530.6220.6890.6310.567—
9. חרדה בכיתה לשפה זרה (פחד מהערכה שלילית)0.6080.8090.5850.6510.6370.6140.810.556—
10. מוטיבציה (תועלתית)0.7620.6230.660.6340.8110.5340.8020.7550.519—
11. מוטיבציה (אתנוצנטריזם ואינטגרטיביות)0.8030.6740.5710.5040.5170.8050.8270.7530.5620.554—
12. מוטיבציה (עמדה כלפי לימוד אנגלית)0.6260.8160.6770.5910.7420.7160.6330.5620.5980.5490.679—
13. יצירתיות (מקוריות)0.6260.6780.5010.7320.5380.6780.8390.5430.5230.5770.6680.719—
14. יצירתיות (גמישות)0.7260.6690.8440.5280.6540.5790.5170.7750.6440.6670.6790.820.697—
15. יצירתיות (שטף)0.7110.6920.8150.6350.6290.5050.7920.8170.6040.550.5180.6040.590.626—
16. יצירתיות (פירוט)0.7490.7610.7830.690.8110.550.5030.8420.7320.7140.6590.7440.5430.6060.634—
17. אוריינות דיגיטלית0.6060.6410.5930.7420.7270.6280.6310.6480.7420.6880.8060.5780.6730.5490.70.529—

טבלה 5: בדיקת תוקף מבחין באמצעות יחס heterotrait–monotrait (HTMT). הטבלה מציגה את ערכי ה-HTMT עבור כל זוגות המבנים ותתי-הממדים שנכללו במודל המדידה. ה-HTMT שימש להערכת התוקף המבחין על ידי בחינת הייחוד האמפירי של המבנים הסמויים. ערכים הנמוכים מהסף שנקבע מראש של 0.85 מעידים על תוקף מבחין מקובל.

טבלה 4 מסכמת את הערכת מודל המדידה. טעינת הגורמים נעה בין 0.83 ל-0.93, ערכים העולים על הסף המומלץ של 0.70 ומעידים על מהימנות מדדים מספקת. ערכי המהימנות המורכבת נעו בין 0.88 ל-0.95, מה שמעיד על עקביות פנימית גבוהה בכל המבנים. ערכי ה-AVE נעו בין 0.60 ל-0.75, ערכים העולים על הערך המינימלי המומלץ של 0.50 ותומכים בתוקף מתכנס. בנוסף, כל ערכי מקדם ניפוח השונות (VIF) החיצוניים היו נמוכים מ-1.50, דבר המצביע על היעדר עדויות למולטיקוליניאריות בין המדדים. באופן כללי, ממצאים אלו תומכים במהימנות ובתיקוף של מודל המדידה לצורך הערכה עוקבת של המודל המבני.

איור 3 ממחיש את מודל המדידה, כולל המבנים החבויים, הממדים והאינדיקטורים התואמים להם, והקשרים בין המשתנים שנבחנו במחקר.

figure-results-2
איור 3. מודל מדידה של משוואות מבניות בשיטת הריבועים הפחותים החלקיים. מודל המדידה שהופק באמצעות מידול משוואות מבניות בשיטת הריבועים הפחותים החלקיים (PLS-SEM) מציג את הקשרים בין המבנים הסמויים, ממדיהם והאינדיקטורים הנצפים שלהם. הערכים המוצגים על נתיבי הקישור מייצגים את העומסים החיצוניים המוערכים או את מקדמי הנתיב, בהתאם למקרה. אנא לחצו כאן כדי לצפות בגרסה מורחבת של איור זה.

טבלה 5 מציגה את תוצאות ה-HTMT ששימשו להערכת התוקף המבדיל. כל ערכי ה-HTMT היו נמוכים מהסף השמרני של 0.85, מה שמעיד על תוקף מבדיל משביע רצון בין 17 המבנים. ערכי ה-HTMT הגבוהים ביותר נצפו בין יצירתיות (גמישות) לסגנון הוראה (מודל אישי) (0.8437), יצירתיות (פירוט) לחרדה (חרדת בחינות) (0.8422), ויצירתיות (מקוריות) לחרדה (חשש מתקשורת) (0.8394). למרות שערכים אלו התקרבו לסף המומלץ, הם נותרו מתחת ל-0.85, מה שתומך בבידול האמפירי של המבנים. שאר ערכי ה-HTMT היו נמוכים יותר, מה שמעניק תמיכה נוספת לתוקף המבדיל לאורך מודל המדידה.

תוצאות בדיקת ההשערות (מודל מבני)

המודל המבני נבחן כדי לבחון את הקשרים המשוערים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות. התוצאות תמכו בכל השערות התיווך והקשרים הישירים שהוצעו. סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית נמצאו כקשורים באופן חיובי למוטיבציה. מוטיבציה נמצאה כקשורה באופן שלילי ל-FLCA, בעוד ש-FLCA היה קשור באופן שלילי ליצירתיות. בנוסף, המוטיבציה תיווכה את הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית לבין FLCA (טבלאות 6 ו-7).

השערהמקדם נתיב סטנדרטי (β)ת׳ ערךp ערךנתמךרווח ברחשת של 95% (CI)גבול תחתון (LLCI)גבול עליון (ULCI)
H1. סגנון הוראה → המוטיבציה של סטודנטים הלומדים אנגלית כשפה זרה (EFL)0.365.45<0.001כן[0.26, 0.46]0.260.46
H2. שימוש ב-ChatGPT → מוטיבציה של סטודנטים ללמידת אנגלית כשפה זרה (EFL)0.46.27<0.001כן[0.30, 0.50]0.30.5
H3. אוריינות דיגיטלית → מוטיבציה של סטודנטים הלומדים אנגלית כשפה זרה (EFL)0.334.95<0.001כן[0.23, 0.43]0.230.43
H4. מוטיבציה של סטודנטים הלומדים אנגלית כשפה זרה (EFL) → חרדה בכיתת לימוד של שפה זרה–0.27–4.81<0.001כן[–0.37, –0.17]–0.37–0.17
H5. חרדה בכיתת לימוד של שפה זרה → יצירתיות של סטודנטים ללמידת אנגלית כשפה זרה (EFL)–0.26–4.01<0.001כן[–0.36, –0.16]–0.36–0.16

טבלה 6: בדיקת השערות של השפעה ישירה. הטבלה מציגה את תוצאות ניתוחי ההשפעה הישירה שבוצעו באמצעות מודלים של משוואות מבניות בשיטת ריבועים פחותים חלקיים (PLS-SEM). הסטטיסטיקות המדווחות כוללות את מקדם הנתיב המתוקנן (β), ערך t, ערך p, רווח ברחשה של 95% בשיטת bootstrap (CI), הגבול התחתון של רווח הביטחון (LLCI), הגבול העליון של רווח הביטחון (ULCI), וההחלטה לגבי תמיכה בהשערה. מובהקות סטטיסטית הוערכה באמצעות bootstrapping עם 5,000 דגימות חוזרות.

השערהנתיב תיווךהשפעה עקיפה סטנדרטית (β)t ערךp ערךנתמךרווח סמך 95% (CI)גבול תחתון (LLCI)גבול עליון (ULCI)
H6סגנון הוראה → מוטיבציה → חרדה בכיתת שפה זרה0.284.56<0.001כן[0.18, 0.38]0.180.38
H7שימוש ב-ChatGPT → מוטיבציה → חרדה בכיתת שפה זרה0.345.02<0.001כן[0.24, 0.44]0.240.44
H8אוריינות דיגיטלית → מוטיבציה → חרדה בכיתת שפה זרה0.34.68<0.001כן[0.20, 0.40]0.200.40

טבלה 7: ניתוח תיווך. הטבלה מסכמת את ההשפעות העקיפות שהוערכו באמצעות מידול משוואות מבניות של ריבועים פחותים חלקיים (PLS-SEM). הסטטיסטיקות המדווחות כוללות את ההשפעה העקיפה הסטנדרטית (β), ערך t, ערך p, רווח ברטחון (CI) של 95% בשיטת bootstrap, הגבול התחתון של רווח הביטחון (LLCI), הגבול העליון של רווח הביטחון (ULCI), וההחלטה לגבי תמיכה בהשערה. מובהקות סטטיסטית הוערכה באמצעות bootstrapping עם 5,000 דגימות חוזרות.

טבלה 6 מציגה את תוצאות ניתוחי ההשפעה הישירה. כל חמשת הקשרים הישירים שהוצעו היו מובהקים סטטיסטית (p < 0.001), ובכך תמכו בהשערות H1–H5. סגנון הוראה (β = 0.36), שימוש ב-ChatGPT (β = 0.40) ואוריינות דיגיטלית (β = 0.33) נמצאו בקשר חיובי עם המוטיבציה של סטודנטים ל-EFL, כאשר השימוש ב-ChatGPT הראה את מקדם הנתיב הסטנדרטי הגבוה ביותר מבין שלושת המנבאים. מוטיבציה נמצאה בקשר שלילי עם FLCA (β = –0.27), מה שמעיד על כך שמוטיבציה גבוהה יותר תאמה לרמות חרדה נמוכות יותר. בתורו, ה-FLCA נמצא בקשר שלילי עם יצירתיות (β = –0.26). רווחי הסמך של bootstrap ב-95% עבור כל ההשפעות הישירות לא כללו את הערך אפס, מה שתומך במובהקות הסטטיסטית של הקשרים שהוצעו. טבלה 7 מציגה את ניתוחי התיווך שבחנו האם מוטיבציה תיווכה את הקשרים בין סגנון הוראה, שימוש ב-ChatGPT ואוריינות דיגיטלית לבין FLCA. ההשפעות העקיפות היו מובהקות סטטיסטית עבור שלושת הנתיבים (H6: β = 0.28, t = 4.56, p < 0.001; H7: β = 0.34, t = 5.02, p < 0.001; H8: β = 0.30, t = 4.68, p < 0.001). רווחי הסמך של bootstrap ב-95% לא כללו את הערך אפס עבור כל ההשפעות העקיפות, מה שתומך במובהקות הסטטיסטית של נתיבי התיווך. המקדמים העקיפים החיוביים משקפים את העוצמה הכוללת של ההשפעות העקיפות דרך מוטיבציה, בעוד שהקשר הישיר בין מוטיבציה ל-FLCA היה שלילי, כפי שדווח במודל המבני. כתוצאה מכך, רמות גבוהות יותר של סגנון הוראה, שימוש ב-ChatGPT ואוריינות דיגיטלית היו קשורות למוטיבציה גבוהה יותר, אשר בתורה הייתה קשורה ל-FLCA נמוך יותר (טבלאות 6 ו-7). באופן כללי, המודל המבני תמך בכל הקשרים הישירים (H1–H5) והעקיפים (H6–H8) שהוצעו. הממצאים מצביעים על קשרים מובהקים סטטיסטית בין סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות, כאשר מוטיבציה משמשת כמתווך המהותי שנבחן במודל המבני.

ניתוח ממדי של סגנון הוראה

בוצע ניתוח ממדי כדי לבחון את הקשרים בין חמישה ממדי סגנון ההוראה לבין המוטיבציה של סטודנטים ל-EFL, חרדת למידת שפה זרה (FLCA) ויצירתיות. ממדי סגנון ההוראה כללו סמכות (Authority), מומחה (Expert), מודל אישי (Personal Model), מנחה (Facilitator) ומאציל (Delegator). המודל המבני העריך את ההשפעות הישירות של כל ממד של סגנון ההוראה על שלושת משתני התוצאה, כדי לקבוע האם הקשרים שנצפו היו שונים בין גישות ההוראה (טבלה 8).

ממד סגנון הוראהמשתנה תוצאהמקדם נתיב סטנדרטי (β)t ערךp ערךהגבול התחתון של רווח סמך של 95% (LLCI)הגבול העליון של רווח סמך של 95% (ULCI)נתמך
סמכותיותמוטיבציה0.121.850.065–0.020.26לא
סמכותיותחרדה בכיתת שפה זרה0.355.12<0.0010.220.48כן
סמכותיותיצירתיות–0.28–4.02<0.001–0.42–0.14כן
מומחהמוטיבציה0.34.89<0.0010.180.42כן
מומחהחרדה בכיתת שפה זרה–0.18–2.950.003–0.30–0.06כן
מומחהיצירתיות0.223.56<0.0010.10.34כן
מודל אישימוטיבציה0.254.02<0.0010.130.37כן
מודל אישיחרדה בכיתת שפה זרה–0.22–3.450.001–0.35–0.09כן
מודל אישייצירתיות0.243.78<0.0010.120.36כן
מנחהמוטיבציה0.345.5<0.0010.220.46כן
מנחהחרדה בכיתת שפה זרה–0.28–4.45<0.001–0.40–0.16כן
מנחהיצירתיות0.314.95<0.0010.190.43כן
מconcrete דלגטורמוטיבציה0.294.62<0.0010.170.41כן
מconcrete דלגטורחרדה בכיתת שפה זרה–0.24–3.85<0.001–0.37–0.11כן
מconcrete דלגטוריצירתיות0.274.25<0.0010.150.39כן

טבלה 8: ניתוח ממדי של סגנון ההוראה. הטבלה מציגה את הקשרים הישירים בין ממדי סגנונות ההוראה: סמכות (Authority), מומחה (Expert), מודל אישי (Personal Model), מנחה (Facilitator) ומאציל (Delegator), לבין משתני התוצאה: מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות. הסטטיסטיקות המדווחות כוללות את מקדם המסלול המתוקנן (β), ערך t, ערך p, הגבול התחתון של רווח הביטחון בשיטת bootstrap של 95% (LLCI), הגבול העליון של רווח הביטחון בשיטת bootstrap של 95% (ULCI), וההחלטה לגבי תמיכה בהשערה.

טבלה 8 מציגה את תוצאות הניתוח הממדי של סגנונות ההוראה. סגנון ההוראה מסוג "מנחה" (Facilitator) הפגין את הקשרים החיוביים החזקים ביותר עם מוטיבציה (β = 0.34, p < 0.001) ויצירתיות (β = 0.31, p < 0.001), לצד הקשר השלילי החזק ביותר עם FLCA (β = –0.28, p < 0.001). סגנונות ההוראה מסוג "מומחה" (Expert), "מודל אישי" (Personal Model) ו"מאציל" (Delegator) נמצאו גם הם בקשר חיובי עם מוטיבציה (β = 0.30, 0.25 ו-0.29, בהתאמה) ויצירתיות (β = 0.22, 0.24 ו-0.27, בהתאמה), בעוד שהם הראו קשרים שליליים עם FLCA (β = –0.18, –0.22 ו-–0.24, בהתאמה). כל הקשרים הללו היו מובהקים סטטיסטית. לעומת זאת, סגנון ההוראה מסוג "סמכות" (Authority) לא נמצא בקשר מובהק עם מוטיבציה (β = 0.12, p = 0.065). עם זאת, הוא הראה קשר חיובי מובהק עם FLCA (β = 0.35, p < 0.001) וקשר שלילי מובהק עם יצירתיות (β = –0.28, p < 0.001). באופן כללי, הניתוח הממדי מדגים דפוסי קשר מובחנים בין ממדי סגנון ההוראה לבין תוצאי הלמידה שנמדדו. יחד, הניתוח הממדי מצביע על כך שהקשרים בין סגנון ההוראה לבין תוצאי התלמידים משתנים בין ממדי סגנון ההוראה השונים. קשרים מובהקים סטטיסטית נצפו עבור רוב ממדי סגנון ההוראה, בעוד שסגנון ההוראה מסוג "סמכות" לא הפגין קשר מובהק סטטיסטית עם מוטיבציה.

תוקף ניבוי של המודל הפנימי באמצעות PLS Predict

התוקף הניבוי של המודל המבני הוערך באמצעות הליך PLS Predict כדי לבחון את ביצועי הניבוי של המודל מחוץ למדגם. רלוונטיות ניבוית הוערכה באמצעות הסטטיסטי Q2 Predict יחד עם מדדי שגיאת ניבוי, כולל שגיאת השורש הממוצעת של הריבוע (RMSE) והשגיאה המוחלטת הממוצעת (MAE). ערכי Q2 Predict נעו בין 0.32 ל-0.48 במבנים האנדוגניים, מה שמעיד על רלוונטיות ניבוית חיובית. מוטיבציה ויצירתיות הראו את ערכי Q2 Predict הגבוהים ביותר (0.42 ו-0.48, בהתאמה). נבחנו גם ערכי שגיאת הניבוי, כאשר ה-RMSE נע בין 0.54 ל-0.63 וה-MAE נע בין 0.41 ל-0.49 במבנים האנדוגניים (טבלה 9).

מבנה (Construct)מקדם הדטרמינציה
(R²)		רלוונטיות ניבויית
(Q² חזה		שגיאת השורש הממוצע של הריבועים (Root Mean Square Error)
(RMSE) שגיאה ממוצעת של ריבוע השורש		טעות מוחלטת ממוצעת
(MAE)
רציונל0.450.420.610.48
חרדה בכיתה ללימוד שפה זרה0.380.320.630.49
יצירתיות0.420.480.540.41

טבלה 9: ביצועי ניבוי של המודל המבני. הטבלה מסכמת את ביצועי הניבוי של המבנים האנדוגניים שהוערכו באמצעות מידול משוואות מבניות בשיטת ריבועים פחותים חלקיים (PLS-SEM). הסטטיסטיקות המדווחות כוללות את מקדם הדטרמינציה (R2), רלוונטיות ניבויית (Q2 Predict), שורש ממוצע ריבועי של השגיאה (RMSE), וטעות מוחלטת ממוצעת (MAE). ערכי R2 ו-Q2 Predict גבוהים יותר מעידים על ביצועי הסבר וניבוי גבוהים יותר, בעוד שערכי RMSE ו-MAE נמוכים יותר מעידים על שגיאת ניבוי נמוכה יותר.

טבלה 9 מסכמת את ביצועי הניבוי של המודל המבני. מקדם הדטרמינציה (R2) הצביע על כך שהמודל הסביר 45% מהשונות במוטיבציה, 38% מהשונות ב-FLCA ו-42% מהשונות ביצירתיות. ערכי ה-Q2 Predict עבור מוטיבציה (0.42), FLCA (0.32) ויצירתיות (0.48) היו כולם גדולים מאפס, מה שתומך ברלוונטיות הניבויית של המודל. ערכי ה-RMSE נעים בין 0.54 ל-0.63, בעוד שערכי ה-MAE נעים בין 0.41 ל-0.49, המצביעים על שגיאות הניבוי עבור המבנים האנדוגניים. באופן כללי, מדדי ביצועי הניבוי תומכים ביכולת הניבוי של המודל המבני.

איור 4 ממחיש את ביצועי הניבוי של המבנים האנדוגניים על ידי הצגת מקדם הדטרמינציה (R2), הרלוונטיות הניבויית (Q2 Predict), ומדדי שגיאת הניבוי (RMSE ו-MAE). מבין המבנים האנדוגניים, יצירתיות הראתה את ערך ה-Q2 Predict הגבוה ביותר (0.48) יחד עם שגיאות הניבוי הנמוכות ביותר (RMSE = 0.54; MAE = 0.41), בעוד שמוטיבציה הראתה את השונות המוסברת הגבוהה ביותר (R2 = 0.45) (איור 4). באופן כללי, ניתוח ה-PLS Predict הדגים רלוונטיות ניבויית חיובית עבור כל המבנים האנדוגניים. תוצאות ה-R2, Q2 Predict, RMSE ו-MAE תומכות יחד בביצועי הניבוי של המודל המבני עבור מוטיבציה, FLCA ויצירתיות (טבלה 9; איור 4).

figure-results-3
איור 4. ביצועי הניבוי של המודל המבני. הגרף מציג את מקדם הדטרמינציה (R2), שורש ממוצע הריבוע של השגיאה (RMSE), שגיאה מוחלטת ממוצעת (MAE), וערכי Q2 predict עבור המבנים האנדוגניים של מוטיבציה, חרדה ויצירתיות. הסרגים מייצגים את ערכי R2, RMSE ו-MAE, והקו עם הסימנים המעגליים מייצג את ערכי Q2 predict. ערכי R2 ו-Q2 predict גבוהים יותר מעידים על ביצועי הסבר וניבוי גבוהים יותר, בהתאמה, בעוד שערכי RMSE ו-MAE נמוכים יותר מעידים על שגיאת ניבוי נמוכה יותר. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

זמינות נתונים:

מערך הנתונים האנונימי ברמת המשתתף התומך בממצאי מחקר זה מסופק כSupplementary Table 1. דף המידע למשתתף וטופס ההסכמה המודעת זמינים בSupplementary File 1, ושאלון הסקר ששימש לאיסוף הנתונים מסופק בSupplementary File 2.

טבלה נספחת 1. מערך נתוני המשתתפים הגולמיים ששימש לניתוחים הסטטיסטיים. טבלה זו מכילה את מערך הנתונים האנונימי ברמת המשתתף ששימש לניתוחים הסטטיסטיים. המשתנים כוללים מידע דמוגרפי ותגובות ברמת הפריט עבור סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה בכיתה לשפה זרה ויצירתיות. תוויות הפריטים (למשל, TL1, CHATGPT1, DL1, M1, FLCA1, CR1) תואמות לפריטי השאלון המתוארים בסעיף הכלים והמדדים. לא נכלל מידע המאפשר זיהוי אישי.אנא לחצו כאן כדי להוריד קובץ זה.

קובץ משלים 1. דף מידע למשתתף וטופס הסכמה מדעת. קובץ משלים זה מכיל את דף המידע למשתתף ואת טופס ההסכמה מדעת ששימשו לגיוס המשתתפים. הוא מתאר את מטרות המחקר, את תנאי הסף, את נהלי המחקר, את ההשתתפות מרצון, סיכונים ותועלות פוטנציאליים, סודיות, הגנת נתונים ופרטי קשר שנמסרו למשתתפים לפני מילוי השאלון.אנא לחצו כאן להורדת הקובץ.

קובץ נלווה 2. שאלון סקר ששימש לאיסוף נתונים. קובץ נלווה זה מכיל את השאלון המלא שהועבר למשתתפים. הכלי כולל שאלות דמוגרפיות ומדדים ברמת הפריט המעריכים סגנון הוראה, שימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות. התשובות נרשמו באמצעות סולם ליקרט של 5 דרגות, שנע בין 1 (כלל לא מסכים) ל-5 (מסכים מאוד). פריטי השאלון תואמים לכלי המדידה המתוארים בסעיף הכלים והמדדים של כתב היד.אנא לחץ כאן להורדת קובץ זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה בחן את הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, FLCA ויצירתיות בקרב סטודנטים לסביבת לימודי אנגלית כשפה זרה (EFL) בסעודיה, תוך מתן תשומת לב מיוחדת לתפקידה המתווך של המוטיבציה. הממצאים מספקים ראיות לגבי הקשרים בין פרקטיקות פדגוגיות, שימוש בטכנולוגיה ומאפייני לומד בלמידת שפה מועצמת טכנולוגית. הקשר החיובי בין סגנון ההוראה לבין המוטיבציה של סטודנטי EFL (H1 נתמכה) עולה בקנה אחד עם SDT, המציעה כי פרקטיקות הוראה התומכות באוטונומיה מקדמות מוטיבציה פנימית על ידי סיפוק הצרכים הפסיכולוגיים הבסיסיים של הסטודנטים לאוטונומיה, מסוגלות ושייכות61. הממצאים שנצפו מרמזים כי גישות הוראה ממוקדות-לומד, כגון סגנונות ה-Facilitator וה-Delegator, קשורות לרמות גבוהות יותר של מעורבות סטודנטים ועניין מתמשך בלמידת שפה. ממצאים אלה עקביים עם מחקרים קודמים שדיווחו כי סגנונות הוראה המאופיינים בגמישות, בתגובתיות ובהזדמנויות להשתתפות סטודנטים קשורים למעורבות מוטיבציונית רבה יותר מאשר גישות ממוקדות-מורה62. בהקשר הסעודי, שבו רפורמות חינוכיות תחת Vision 2030 מעודדות פדגוגיות ממוקדות-לומד, הקשר החיובי שנצפה עשוי לשקף את יישומן של גישות הוראה אלו בכיתות EFL63. ניתן לפרש גם את הקשר החיובי המשמעותי בין השימוש ב-ChatGPT לבין מוטיבציה (H2 נתמכה) במסגרת מודלים תאורטיים מבוססים. מנקודת המבט של SDT, ChatGPT עשוי לתמוך באוטונומיה של הלומדים על ידי אפשור תרגול שפה בהכוונה עצמית, ועשוי לקדם מסוגלות באמצעות משוב מיידי ומותאם אישית64. בנוסף, ממשק השיחה שלו עשוי לספק הזדמנויות לתרגול שפה אותנטי מחוץ לכיתה, מה שעשוי להגביר את מעורבות הלומדים בלמידת השפה האנגלית65. תצפיות אלו מרמזות כי ChatGPT עשוי לתפקד כמשאב למידה תומך המשלים את ההוראה בכיתה. מודל קבלת הטכנולוגיה (Technology Acceptance Model) מספק הסבר תאורטי נוסף לקשר זה בכך שהוא מציע כי לומדים התופסים את ChatGPT כשימושי וקל לשימוש נוטים יותר להשתמש בטכנולוגיה, ובכך תומכים בלמידה מתמשכת. באופן דומה, הקשר החיובי בין אוריינות דיגיטלית למוטיבציה (H3 נתמכה) מדגיש את חשיבות יכולתם של הסטודנטים להשתמש ביעילות בטכנולוגיות למידה דיגיטליות. סטודנטים בעלי רמות גבוהות יותר של אוריינות דיגיטלית עשויים להיות בעמדה טובה יותר לניצול יעיל של כלי למידה נתמכי AI, לחוות פחות חסמים טכנולוגיים ולזהות את הערך החינוכי של שילוב טכנולוגי66. בהקשר הסעודי, שבו הושקעו השקעות משמעותיות בתשתיות דיגיטליות ובטכנולוגיות חינוכיות67, ממצאים אלו מדגישים את התרומה הפוטנציאלית של אוריינות דיגיטלית ללמידת שפה מועצמת טכנולוגית.

תרומה מרכזית של מחקר זה היא זיהוי המוטיבציה כמתווכת משמעותית של הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית ו-FLCA (השערות H6–H8 נתמכו). הקשר השלילי בין מוטיבציה ל-FLCA (השערה H4 נתמכה) עולה בקנה אחד עם פרספקטיבות תיאורטיות הגורסות כי מוטיבציה פנימית משמשת כמשאב פסיכולוגי המסייע ללומדים להתמודד עם האתגרים הרגשיים הקשורים לרכישת שפה68. סטודנטים בעלי מוטיבציה עשויים להיות בעלי נטייה גבוהה יותר להתמיד כאשר הם נתקלים בקושי לשוני, לראות בטעויות הזדמנויות ללמידה, ולשמור על מסוגלות עצמית במהלך משימות שפה מאתגרות, כגון פרזנטציות בעל פה ובחינות. הקשר השלילי בין FLCA ליצירתיות (השערה H5 נתמכה) עולה אף הוא בקנה אחד עם מחקרים קודמים המצביעים על כך שחרדה עלולה להגביל את נכונותם של לומדים להתנסות בצורות לשוניות חדשות ולעסוק בשימוש יצירתי בשפה69. בהקשר של EFL בסעודיה, שבו FLCA זוהה כמחסום ללמידת השפה, ממצאים אלו מדגישים את חשיבותן של סביבות למידה התומכות במוטיבציית הסטודנטים תוך הפחתת מחסומים רגשיים להשתתפות. ניתוחי התיווך מצביעים עוד על כך שמוטיבציה מהווה מנגנון חשוב שדרכו פרקטיקות הוראה תומכות, שימוש ב-ChatGPT ואוריינות דיגיטלית מקושרים לרמות נמוכות יותר של FLCA. ממצאים אלו מרחיבים מחקרים קודמים על ידי הדגשת התפקיד הפוטנציאלי של המוטיבציה בקישור בין גורמים פדגוגיים וטכנולוגיים לבין תוצרי הלמידה בכיתות EFL בסעודיה.

ניתוח הממדים של סגנון ההוראה (Table 8) חשף דפוסים מובחנים בחמשת ממדי סגנון ההוראה. סגנון הוראה סמכותי (Authority) היה קשור לרמות גבוהות יותר של FLCA וליצירתיות נמוכה יותר, בעוד שהקשרו עם מוטיבציה לא היה מובהק סטטיסטית. לעומת זאת, סגנונות ההוראה של המנחה (Facilitator), המומחה (Expert), המודל האישי (Personal Model) והמאציל (Delegator) נמצאו בקשר חיובי עם מוטיבציה ויצירתיות, ובקשר שלילי עם חרדה בכיתת שפה זרה. ממצאים אלו מרמזים כי סגנונות הוראה עשויים להשתנות במערכת היחסים שלהם עם תוצאות מוטיבציוניות, רגשיות ויצירתיות של הלומדים. הסבר אפשרי לכך מסופק על ידי SDT, הגורסת כי גישות הוראה התומכות באוטונומיה של הלומד נוטות יותר לעודד מוטיבציה פנימית, בעוד שגישות הוראה הנחייתיות מאוד עשויות לספק מבנה אך להציע פחות הזדמנויות למעורבות אוטונומית. בהקשר החינוכי הסעודי, גישות הוראה מובנות עשויות להפחית את חוסר הוודאות עבור חלק מהלומדים על ידי מתן ציפיות והנחיות ברורות. במקביל, שליטה רבה יותר של המורה עלולה להפחית את ההזדמנויות ללמידה עצמאית ולשימוש יצירתי בשפה. ממצאים אלו מצביעים על כך שגישות הוראה המאזנות בין הנחיה ברורה לבין הזדמנויות לאוטונומיה של הלומד עשויות לתמוך בתוצאות חינוכיות חיוביות. מחקרים עתידיים שישתמשו במערכי מחקר אורכיים או ניסיוניים יסייעו להבהיר קשרים אלו ולבחון כיצד סגנונות הוראה שונים משפיעים על מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות לאורך זמן.

מחקר זה תורם להבנה התאורטית של למידת EFL על ידי שילוב של SDT ומודל קבלת הטכנולוגיה (Technology Acceptance Model) כדי לבחון כיצד גישות פדגוגיות ולמידה נתמכת בינה מלאכותית (AI) קשורות לתוצרי הלמידה באמצעות מוטיבציה. הממצאים מצביעים על כך שסגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית קשורים למוטיבציה, אשר בתורה קשורה לחרדה בכיתת שפה זרה. הממצאים תומכים גם ביישום של SDT בתוך למידת שפה מועצמת טכנולוגית, בכך שהם מעידים כי הזדמנויות לתרגול בהנחיה עצמית ומשוב מותאם אישית המסופקים על ידי ChatGPT עשויים לתמוך בצרכים הפסיכולוגיים של הלומדים לאוטונומיה ומסוגלות. בנוסף, הניתוח הממדי של סגנונות ההוראה מדגיש כי גישות הוראה שונות קשורות לתוצרי למידה שונים, מה שמרמז כי יעילותם של סגנונות ההוראה עשויה להיות תלויה בהקשר החינוכי ובתוצאות הספציפיות הנבחנות. לממצאים ישנן גם השלכות מעשיות על הוראת EFL ומדיניות חינוכית בערב הסעודית. תוכניות לפיתוח מקצועי של מורים עשויות להפיק תועלת מהדגשת גישות הוראה המאזנות בין הדרכה ברורה להזדמנויות לאוטונומיה של הלומד, ובכך לתמוך במוטיבציית התלמידים תוך הפחתת החרדה בכיתת שפה זרה. שילוב של כלים נתמכי AI, כגון ChatGPT, בהוראת שפה עשוי לספק הזדמנויות נוספות לסיעור מוחות, כתיבת טיוטות ותרגול שיח כאשר הם מלווים בהדרכה פדגוגית מתאימה. באופן דומה, יוזמות לאוריינות דיגיטלית עשויות לסייע לתלמידים לפתח את המיומנויות הנדרשות לשימוש יעיל בטכנולוגיות למידה נתמכות AI, כולל הערכת מידע, שימוש אתי בטכנולוגיה ויישום אסטרטגי של כלי AI. ברמה המוסדית, השקעה מתמשכת בתשתיות דיגיטליות, פיתוח תוכניות לימוד המשלבות פעילויות למידה מועצמות טכנולוגית ושיטות הערכה המעודדות שימוש משמעותי בשפה עשויות לתמוך עוד יותר בלמידת התלמידים. בנוסף, סביבות למידה המספקות תמיכה רגשית באמצעות הזדמנויות למידה בסיכון נמוך, משוב בונה, שיתוף פעולה בין עמיתים והכרה בשימוש יצירתי בשפה עשויות לתרום לשיפור המוטיבציה ולהפחתת החרדה בכיתת שפה זרה. יחד, ממצאים אלו עשויים להנחות פרקטיקות חינוכיות ויוזמות מדיניות התומכות בלמידת שפה מועצמת טכנולוגית במסגרת היעדים הרחבים של Saudi Vision 2030.

מחקר זה בחן את הקשרים בין סגנון ההוראה, השימוש ב-ChatGPT, אוריינות דיגיטלית, מוטיבציה, חרדה בכיתת שפה זרה ויצירתיות בקרב סטודנטים לסביבת לימודי EFL (אנגלית כשפה זרה) בסעודיה, תוך מתן תשומת לב מיוחדת לתפקידה המתווך של המוטיבציה. הממצאים מעידים כי סגנון ההוראה, השימוש ב-ChatGPT ואוריינות דיגיטלית היו קשורים באופן חיובי למוטיבציה של הסטודנטים. בתורם, המוטיבציה הייתה קשורה באופן שלילי לחרדה בכיתת שפה זרה, בעוד שחרדה זו הייתה קשורה באופן שלילי ליצירתיות. ממצאים אלו מרמזים כי מוטיבציה היא מנגנון חשוב המקשר בין גורמים פדגוגיים וטכנולוגיים לבין תוצרי למידה בכיתות EFL בסעודיה. הממצאים מדגישים גם את חשיבותן של סביבות למידה התומכות הן בצרכים המוטיבציוניים והן בצרכים הרגשיים של הסטודנטים. ניתוח ממדי של סגנונות הוראה הדגים כי סגנון הוראה סמכותי (Authority) היה קשור לרמות גבוהות יותר של חרדה בכיתת שפה זרה וליצירתיות נמוכה יותר, בעוד שסגנונות הוראה מסוג מנחה (Facilitator), מומחה (Expert), מודל אישי (Personal Model) ומאציר (Delegator) היו קשורים למוטיבציה ויצירתיות גבוהות יותר ולחרדה נמוכה יותר. תוצאות אלו מרמזים כי גישות הוראה המאזנות בין הנחיה ברורה לבין הזדמנויות לאוטונומיה של הלומד עשויות לתמוך בחוויות למידה חיוביות ובפיתוח השפה. בהקשר של חזון סעודיה 2030, לממצאים יש השלכות מעשיות על חינוך לשפות. שילוב של אסטרטגיות הוראה ממוקדות-לומד, כלי למידה נתמכי בינה מלאכותית כגון ChatGPT ופיתוח אוריינות דיגיטלית עשויים לתרום ללמידת שפה מועצמת טכנולוגית, תוך תמיכה במוטיבציית הסטודנטים והפחתת חרדה בכיתת שפה זרה. באופן כולל, מחקר זה מספק ראיות התומכות בתפקידן של פרקטיקות פדגוגיות, למידה נתמכת בינה מלאכותית וכשירות דיגיטלית בחינוך ל-EFL, ומציע בסיס למחקרי אורך ומחקרי התערבות עתידיים שיבחנו קשרים אלו במסגרות חינוכיות מגוונות.

יש להכיר במספר מגבלות של מחקר זה. ראשית, עיצוב המחקר כרוחבי (cross-sectional) מגביל את היכולת להסיק מסקנות סיבתיות לגבי הקשרים בין משתני המחקר. למרות שהמסגרת התיאורטית מציעה קשרים כיווניים, יש לפרש את הממצאים כהקשרים (associations) ולא כראיות לסיבתיות. מחקרים עתידיים צריכים להשתמש בעיצובים אורך (longitudinal) כדי לבחון שינויים במוטיבציה, בחרדה בכיתת שפה זרה וביצירתיות לאורך זמן, כמו גם בעיצובים ניסויים או מבוססי התערבות כדי להעריך את הקשרים המוצעים באופן קפדני יותר. מחקרים כאלה יוכלו לבחון האם גישות הוראה המדגישות אוטונומיה של הלומד קשורות לשינויים עוקבים במוטיבציה, בחרדה בכיתת שפה זרה וביצירתיות. שנית, המדגם נלקח מאוניברסיטה ציבורית אחת בערב הסעודית, מה שעשוי להגביל את היכולת להכליל את הממצאים להקשרים חינוכיים ותרבותיים אחרים. מאפייני ההשכלה הגבוהה בערב הסעודית, כולל שיטות הערכה, רפורמות חינוכיות שוטפות ונקודות מבט תרבותיות על סמכות המורה, עשויים להשפיע על הקשרים שנצפו. מחקרים עתידיים צריכים לבחון קשרים אלו במספר מוסדות ואזורים בתוך ערב הסעודית ובמדינות אחרות כדי לקבוע את עקביות הממצאים במסגרות חינוכיות מגוונות. שלישית, מחקר זה התבסס על נתונים בדיווח עצמי, אשר עשויים להיות מושפעים מהטיית רצון חברתי (social desirability bias), הטיית זיכרון ושונות של שיטת מדידה משותפת (common method variance). למרות שנעשה שימוש בכלי מדידה מתוקפים ובנהלי בדיקה מוקדמת, מחקרים עתידיים יוכלו לשלב מקורות נתונים נוספים, כגון תצפיות בכיתה, אנליטיקה של למידה, רשומות שימוש ב-AI או הערכות מבוססות ביצועים של רמת השליטה בשפה ויצירתיות, כדי לספק ראיות משלימות. גישות רב-שיטתיות ושיטות מעורבות עשויות לחזק עוד יותר את ההבנה של הקשרים שזוהו במחקר זה. לבסוף, הניתוח הממדי של סגנונות ההוראה זיהה קשרים מובחנים בין סגנון הוראה סמכותי (Authority) לבין תוצאי הלמידה. מחקר איכותני עתידי, הכולל ראיונות, קבוצות מיקוד ותצפיות בכיתה, עשוי לספק תובנות נוספות לגבי האופן שבו סגנונות הוראה שונים משפיעים על המוטיבציה של הסטודנטים, על החרדה בכיתת שפה זרה ועל היצירתיות, במיוחד בהקשר של לימודי EFL בערב הסעודית. עבודה כזו תשליים את הממצאים הנוכחיים ותתרום להבנה מקיפה יותר של למידת שפות מועצמת בטכנולוגיה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניגוד עניינים:

המחבר מצהיר כי אין לו ניגודי עניינים.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סולם שימוש ב-ChatGPT (מותאם)המחברים; מותאם מ-Abbas et al.N/Aשאלון בן שמונה פריטים המעריך את השימוש של סטודנטים ב-ChatGPT ללמידת שפה.
סולם יצירתיות (מותאם)המחברים; מותאם מ-Govindasamy et al.N/Aשאלון בן שנים-עשר פריטים המעריך מקוריות, גמישות, שטף ופירוט.
סולם אוריינות דיגיטלית (מותאם)המחברים; מותאם מ-Rodríguez-de-Dios et al.N/Aשאלון בן עשרים ותשעה פריטים המודד שישה ממדי אוריינות דיגיטלית.
סולם חרדה בכיתה ללימוד שפה זרה (FLCA) (מותאם)המחברים; מותאם מ-Briesmaster & BriesmasterN/Aשאלון בן עשרים ושבעה פריטים המודד חשש מתקשורת, חרדת בחינות ופחד מהערכה שלילית.
G*PowerHeinrich Heine University DüsseldorfVersion 3.1.9.7; RRID: SCR_013726תוכנה המשמשת לניתוח עוצמה סטטיסטית בדיעבד (post hoc).
IBM SPSS StatisticsIBM Corp.Version 26; RRID: SCR_002865תוכנה סטטיסטית ששימשה לניקוי נתונים, סטטיסטיקה תיאורית, ניתוחי מהימנות וניתוחים ראשוניים.
ניתוח מרחק מהלאנוביס (Mahalanobis distance)IBM SPSS StatisticsVersion 26; RRID: SCR_002865הליך סטטיסטי המיושם ב-IBM SPSS Statistics לזיהוי ערכים חריגים רב-משתניים.
סולם מוטיבציה (מותאם)המחברים; מותאם מ-Kanoksilapatham et al.N/Aשאלון בן עשרים פריטים המעריך מוטיבציית לומד.
שאלון ניירהמחבריםN/Aגרסה מודפסת של השאלון המובנה לדיווח עצמי ששימשה לאיסוף נתונים פנים אל פנים.
פלטפורמת סקר מקוונת מאובטחתGoogle LLCN/Aפלטפורמת Google Forms ששימשה להפצה אלקטרונית של השאלון.
SmartPLSSmartPLS GmbHVersion 4; RRID: SCR_036419תוכנה המשמשת למידול משוואות מבניות בשיטת ריבועים פחותים חלקיים (PLS-SEM), כולל הערכת מודל מדידה, ניתוח מודל מבני, בוטסטראפינג (5,000 דגימות חוזרות) וניתוח תיווך.
שאלון מובנה לדיווח עצמיהמחבריםN/Aשאלון שהועבר בפורמטים של נייר ואלקטרוני תוך שימוש בסולם ליקרט בן 5 דרגות (1 = אי несогласие מוחלט ועד 5 = הסכמה מוחלטת).
מלאי סגנונות הוראה (Teaching Style Inventory) (מותאם)המחברים; מותאם מ-Grasha's Teaching Style InventoryN/Aשאלון המודד סגנונות הוראה של סמכות, מומחיות, מודל אישי, הנחיה והאצלת סמכויות.
ערוצי תקשורת אוניברסיטאייםUniversity of JeddahN/Aדואר אלקטרוני רשמי והודעות בכיתה ששימשו לגיוס משתתפים.

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ansa H. Exploring the role of artificial intelligence (AI) in enhancing EFL education in Saudi Arabia: A review of opportunities, obstacles, and future directions. Educ Sci. 2026;16(6):981.
  2. Alshehri A, Aldossary S, Jamshed M, Banu S. Incorporating ChatGPT in Saudi EFL classrooms: Oscillating between expectations and anxiety. J Lang Teach Res. 2025;16(5):1673-81.
  3. Alzubi AA, Alelaiwi AS. Exploring EFL university teachers’ perceptions of AI-generative tools in Saudi Arabia: A mixed-methods study. Discov Comput. 2025;28(1):282.
  4. Alzubi AA, Nazim M, Alyami N. Do AI-generative tools kill or nurture creativity in EFL teaching and learning? Educ Inf Technol. 2025;30(11):15147-84.
  5. Allehyani FS, Albedah F, Jamshed M, Warda WU. Exploring Saudi EFL learners’ engagement with AI generative tools in educational settings: Perceptions, practices, and pedagogical outcomes. Theory Pract Lang Stud. 2025;15(6):1959-66.
  6. Almusharraf A, Bailey D. Generative AI use among Saudi and Korean language learners in higher education: Examination through a modified TAM framework. SAGE Open. 2025;15(4):21582440251387804.
  7. Alharbi MA, Hassan Al-Ahdal AA. Exploring Saudi EFL learners’ engagement with ChatGPT: A mixed-methods study of perceptions, attitudes, and intentions. SAGE Open. 2025;15(4):21582440251392080.
  8. Khoso AK, Honggang W, Darazi MA. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students’ language learning experience. Comput Hum Behav Rep. 2025;18:100627.
  9. Alalwi FS, Alqahtani N, Jamshed M, Ahmmed MF. AI-driven feedback for pedagogical innovation: Assessing ChatGPT’s impact on Saudi EFL learners’ writing proficiency. World. 2026;16(5).
  10. Alshehri N. Speaking with AI: Exploring EFL learners’ attitudes, engagement, and satisfaction through ChatGPT conversations. 2026. 10.2139/ssrn.6595190
  11. Metwally AA, Bin-Hady WR. Probing the necessity and advantages of AI integration training for EFL educators in Saudi Arabia. Cogent Educ. 2025;12(1):2472462.
  12. Elmahdi OE, et al. AI-Driven Vocabulary Acquisition in EFL Higher Education: Interdisciplinary Insights into Technological Innovation, Ethical Challenges, and Equitable Access. Forum Linguist Stud. 2025;7(4):477–491.
  13. Al-Nofaie H, Alwerthan TA. Appreciative inquiry into implementing artificial intelligence for the development of language student teachers. Sustainability (Basel). 2024;16(21):9361.
  14. Alshayban A. Exploring EFL learners’ use of AI outside the classroom. J Lang Teach Res. 2026;17(1).
  15. Abdelhalim SM, Alsehibany RA. Integrating AI-powered tools in EFL pronunciation instruction: Effects on accuracy and L2 motivation. Comput Assist Lang Learn. 2025;38:1-25.
  16. Khoso AK, Honggang W, Darazi MA. Trust and attitude towards AI as pathways to creativity: A TAM model study of EFL students’ digital literacy and AI acceptance. Humanit Soc Sci Commun. 2025;13(1):69.
  17. Xiong X. Influence of teaching styles of higher education teachers on students’ engagement in learning: The mediating role of learning motivation. Educ Chem Eng. 2025;51:87-102.
  18. Bartholomew KJ, et al. Beware of your teaching style: A school-year-long investigation of controlling teaching and student motivational experiences. Learn Instr. 2018;53:50-63.
  19. Wiangga IA. The impact of educators’ teaching styles on secondary school learners’ motivation in English. J Educ Manag Strategy. 2024;3(2):136-44.
  20. Sheikh A, Mahmood N. Effect of different teaching styles on students’ motivation towards English language learning at secondary level. Sci Int (Lahore). 2014;26:825-30.
  21. Marina I, Natalia M, Tatiana K, Nataliya S. The influence of the teaching style of communication on the motivation of students to learn foreign languages. J Lang Educ. 2019;5(2):67-77.
  22. Zalukhu FS, Laoli A, Zebua EP, Daeli H. The influence of teacher teaching styles on English learning motivation of eighth-grade students at SMP Negeri 1 Afulu. J Pembelajaran Bahasa dan Sastra. 2026;5(2):1545-54.
  23. Yue X, Hou X, Zhang J, Li M. The impact of controlling teaching style on student engagement and academic achievement: Differences across varied motivation profiles. Teach Teach Educ. 2026;176:105479.
  24. Idhaufi NL, Ashari ZM. Relationship between motivation and teachers’ teaching style among secondary school students in Kulai. Man India. 2017;97(12):299-307.
  25. Zolfaghari M, Janghorbanian Z, Krevan Brojerdi K, Aghaziarati A. Investigation of the role of teaching styles and student-teacher interaction in students’ academic achievement motivation. Educ Strateg Med Sci. 2020;13(3):220-8.
  26. Avecilla PA, Capiña XE, Javier AY. Teachers’ teaching style as perceived by students and its influence on students’ level of self-regulation and motivation in learning psychology. Technium Soc Sci J. 2023;43:213-24.
  27. Khoso AK, et al. The dual forces of AI: How generative AI and perceived AI dependency influence fear of missing out (FoMO) and EFL students’ vocabulary acquisition. J Vis Exp. 2025;(226):e69637.
  28. Ali JK, Shamsan MA, Hezam TA, Mohammed AA. Impact of ChatGPT on learning motivation: Teachers’ and students’ voices. J Engl Stud Arabia Felix. 2023;2(1):41-9.
  29. Song C, Song Y. Enhancing academic writing skills and motivation: Assessing the efficacy of ChatGPT in AI-assisted language learning for EFL students. Front Psychol. 2023;14:1260843.
  30. Khoso AK, et al. Integrating Sustainable Development Goals (SDGs) and generative AI to enhance language digital literacy and creativity in EFL learning environments. J Vis Exp. 2026;(228):e69445.
  31. Balcı Ö. The role of ChatGPT in English as a foreign language (EFL) learning and teaching: A systematic review. Int J Curr Educ Stud. 2024;3(1):66-82.
  32. Yamaoka K. ChatGPT’s motivational effects on Japanese university EFL learners: A qualitative analysis. Int J TESOL Stud. 2024;6(3).
  33. Afkarin MY, Asmara CH. Investigating the implementation of ChatGPT in English language education: Effects on student motivation and performance levels. Journey J Engl Lang Pedagogy. 2024;7(1):57-66.
  34. Alrabai F. The influence of teachers’ anxiety-reducing strategies on learners’ foreign language anxiety. Innov Lang Learn Teach. 2015;9(2):163-90.
  35. Kang S, Kim Y. Examining the quality of mobile-assisted video-making task outcomes: The role of proficiency, narrative ability, digital literacy, and motivation. Lang Teach Res. 2024;28(6):2326-53.
  36. Honggang W, Khoso AK, Althubyani AR. Technostress, digital fatigue, and AI dependency as antecedents of burnout and SDG-4 achievement in EFL classrooms. Sci Rep. 2026;16:15412.
  37. Sari AA, Ningsih SK. The influence of digital literacy in social media use on high school students’ intrinsic motivation in EFL learning. IDEAS J Engl Lang Teach Learn Linguist Lit. 2025;13(2):6634-51.
  38. Zhang Y. Impact of digital literacy on college students’ English proficiency: The mediating role of learning motivation and the moderating effect of technological self-efficacy. Acta Psychol (Amst). 2025;259:105452.
  39. Bender SM. Awareness of artificial intelligence as an essential digital literacy: ChatGPT and Gen-AI in the classroom. Changing Engl. 2024;31(2):161-74.
  40. Khoso AK, et al. The impact of ESL teachers’ emotional intelligence on ESL students’ academic engagement, reading and writing proficiency: Mediating role of ESL students’ motivation. Int J Early Child Spec Educ. 2022;14:3267-80.
  41. He M, Abbasi BN, He J. AI-driven language learning in higher education: An empirical study on self-reflection, creativity, anxiety, and emotional resilience in EFL learners. Humanit Soc Sci Commun. 2025;12(1):1-20.
  42. Wang HC. Exploring the relationships of achievement motivation and state anxiety to creative writing performance in English as a foreign language. Think Skills Creat. 2021;42:100948.
  43. Khan MA, Mahjabeen AN, Hussain F, Ur Rehman M. Investigating the correlation between writing anxiety and English creativity in Pakistani ESL students. Russ Law J. 2021;9(1):214-24.
  44. McDonough K, Crawford WJ, Mackey A. Creativity and EFL students’ language use during a group problem-solving task. TESOL Q. 2015;49(1):188-99.
  45. Rubino C, Luksyte A, Perry SJ, Volpone SD. How do stressors lead to burnout? The mediating role of motivation. J Occup Health Psychol. 2009;14(3):289-304.
  46. Halbesleben JRB, Bowler WM. Emotional exhaustion and job performance: The mediating role of motivation. J Appl Psychol. 2007;92(1):93-106.
  47. van Emmerik IJH, et al. The route to employability: Examining resources and the mediating role of motivation. Career Dev Int. 2012;17(2):104-19.
  48. Dana LP, et al. The impact of entrepreneurial education on technology-based enterprise development: The mediating role of motivation. Adm Sci (Basel). 2021;11(4):105.
  49. Kholifah N, Nurtanto M, Mutohhari F, et al. The mediating role of motivation and professional development in determining teacher performance in vocational schools. Cogent Educ. 2024;11(1):2421094.
  50. Güngör P. The relationship between reward management system and employee performance with the mediating role of motivation: A quantitative study on global banks. Procedia Soc Behav Sci. 2011;24:1510-20.
  51. Danish RQ, Khan MK, Shahid AU, et al. Effect of intrinsic rewards on task performance of employees: Mediating role of motivation. Int J Organ Leadersh. 2015;4:33-46.
  52. Mavhungu D, Bussin MH. The mediation role of motivation between leadership and public sector performance. SA J Hum Resour Manag. 2017;15(1):1-11.
  53. Faul F, Erdfelder E, Buchner A, Lang AG. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behav Res Methods. 2009;41(4):1149-60.
  54. Rodríguez-de-Dios I, Igartua JJ, González-Vázquez A. Development and validation of a digital literacy scale for teenagers. In: Proceedings of the Fourth International Conference on Technological Ecosystems for Enhancing Multiculturality; 2016. p. 1067-72.
  55. Abbas M, Jam FA, Khan TI. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 2024;21(1):10.
  56. Grasha AF. Teaching with style: The integration of teaching and learning styles in the classroom. Alliance Publishers; Pittsburgh (PA); 1996.
  57. Briesmaster M, Briesmaster-Paredes J. The relationship between teaching styles and NNPSETs’ anxiety levels. System. 2015;49:145-56.
  58. Kanoksilapatham B, et al. Motivation of Thai university students from two disciplinary backgrounds using a hybrid questionnaire. LEARN J Lang Educ Acquis Res Netw. 2021;14(1):455-91.
  59. Govindasamy P, Cumming TM, Abdullah N. Validity and reliability of a needs analysis questionnaire for the development of a creativity module. J Res Spec Educ Needs. 2024;24(3):637-52.
  60. Hair JF, Risher JJ, Sarstedt M, Ringle CM. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 2019;31(1):2-24.
  61. Zhang R, et al. Mediating effect of learning motivation and engagement on the relationship between generative artificial intelligence implementation and English as a foreign language proficiency. 2026. https://doi.org/10.21203/rs.3.rs-9075280/v1.
  62. Almira NF, Almira ZF, Vircavani C, Agustina E. A systematic review of teachers’ teaching styles and their impact on EFL student learning outcomes. J Appl Linguist Engl Educ. 2025;3(1):1-5.
  63. Reeve J. Teachers as facilitators: What autonomy-supportive teachers do and why their students benefit. Elem Sch J. 2006;106(3):225-36.
  64. Huang S, Dong L, Wang W, et al. Language is not all you need: Aligning perception with language models. In: Advances in Neural Information Processing Systems. 2023;36:72096-109.
  65. Liu L. An international graduate student’s ESL learning experience beyond the classroom. TESL Can J. 2011;29(1):77-92.
  66. van Laar E, van Deursen AJAM, van Dijk JAGM, De Haan J. The relation between 21st-century skills and digital skills: A systematic literature review. Comput Hum Behav. 2017;72:577-88.
  67. Al-Kahtani N. A survey assessing health science students’ perceptions of online learning at a Saudi higher education institution during the COVID-19 pandemic. Heliyon. 2022;8(9):e10688.
  68. Dewaele JM, Chen X, Padilla AM, Lake J. The flowering of positive psychology in foreign language teaching and acquisition research. Front Psychol. 2019;10:2128.
  69. Liu W, Li Y. A qualitative study of question-posing anxiety in Chinese postgraduates in UK TESOL programs. Sci Rep. 2025;16(1):2081.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

ChatGPTEFL

מאמרים קשורים