Articolo di ricerca

Le doppie forze dell'IA: come l'IA generativa e la dipendenza percepita dall'IA influenzano la paura di perdere qualcosa (FoMO) e l'acquisizione del vocabolario degli studenti di EFL

DOI:

10.3791/69637

⸱

19 dicembre 2025

 ,  ,  , 
1College of International Studies, Yangzhou University, 2College of Sciences and humanities, Prince Sultan University

In questo articolo

Sommario

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

Questo studio esamina come l'integrazione dell'IA influenzi psicologicamente e cognitivamente gli studenti di inglese. Rileva che l'uso dell'IA aumenta l'ansia (FoMO), danneggiando la comprensione del testo, mentre il burnout digitale indebolisce il legame tra comprensione e vocabolario. L'obiettivo è mettere in evidenza la necessità di un uso equilibrato dell'IA per supportare l'apprendimento.

Abstract

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

Questo studio esamina come l'integrazione dell'intelligenza artificiale (IA) nell'apprendimento delle lingue influenzi i risultati psicologici e cognitivi tra gli studenti di inglese come lingua straniera (EFL). In particolare, indaga gli effetti della dipendenza percepita dall'IA, le preoccupazioni etiche e l'uso dell'IA generativa sulla Paura di Perdere Qualcosa (FoMO), sulla comprensione della lettura misurata tramite la scala delle strategie di lettura e sull'acquisizione del vocabolario, considerando al contempo il ruolo moderatore del burnout digitale. È stato impiegato un disegno di indagine trasversale con n = 450 studenti EFL, e i dati sono stati analizzati utilizzando la modellazione strutturale delle equazioni dei minimi quadrati parziali (PLS-SEM) per valutare sia le relazioni dirette che mediate. I risultati rivelano che i fattori correlati all'IA prevedono significativamente un FoMO più alto, il che a sua volta influisce negativamente sulla comprensione del testo. Sebbene la comprensione del testo supporti fortemente l'acquisizione del vocabolario, il burnout digitale indebolisce questa relazione. Lo studio evidenzia la doppia natura dell'IA nell'istruzione, facilitando i risultati di apprendimento contribuendo allo stesso tempo allo stress psicologico. Questi risultati sottolineano l'importanza di un'integrazione equilibrata dell'IA nell'apprendimento delle lingue, sottolineando la necessità di strategie che mitighino l'ansia digitale e il burnout. Le implicazioni teoriche estendono la ricerca sull'apprendimento mediato dalla tecnologia identificando il FoMO come un percorso affettivo critico nei contesti educativi guidati dall'IA. Le raccomandazioni pratiche includono l'integrazione di pratiche di benessere digitale insieme a strumenti di IA per ottimizzare i benefici dell'apprendimento minimizzando gli effetti psicologici negativi.

Introduzione

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

La rapida integrazione dell'Intelligenza Artificiale Generativa (IA) nell'istruzione ha trasformato i paradigmi tradizionali di apprendimento delle lingue, in particolare nei contesti dell'inglese come lingua straniera (EFL) 1. Strumenti come assistenti di vocabolario basati su IA, sistemi automatizzati di feedback per la scrittura e piattaforme di apprendimento adattiva promettono maggiore efficienza e istruzionepersonalizzata 2. Tuttavia, questo cambiamento tecnologico ha anche introdotto sfide psicologiche e pedagogiche, tra cui la percepita dipendenza dall'IA, il burnout digitale e le preoccupazioni etiche, che possono mediare gli esiti diapprendimento 3. Un fenomeno poco studiato ma fondamentale in questo ambito è la Paura di Perdersi Qualcosa (FoMO). In questo stato psicologico, gli studenti si sentono obbligati ad adottare strumenti di IA a causa delle pressioni del confronto sociale, potenzialmente a scapito di un profondo coinvolgimentocognitivo 4. Sebbene le ricerche esistenti abbiano esplorato il ruolo dell'IA nell'acquisizione dellinguaggio 5, pochi studi hanno esaminato come l'IA generativa interagisca con la dipendenza percepita e la FoMO per influenzare l'acquisizione del vocabolario, lasciando un divario significativo nella comprensione delle doppie forze sia facilitanti che dannose dell'IAnell'istruzione 6,7.

Una revisione della letteratura rivela tre lacune chiave. Innanzitutto, gli studi sull'IA nell'apprendimento dell'EFL si sono concentrati prevalentemente sui risultati di performance (punteggi nei test, miglioramenti della fluidità) piuttosto che sui meccanismi psicologici che guidano l'adozionedell'IA 8. Ad esempio, sebbene l'efficienza dell'IA nella ritenzione del vocabolario sia ben documentata, si sa poco su come la dipendenza percepita, cioè la convinzione che non si possa imparare efficacemente senza l'IA, influenzi la motivazione e la ritenzione a lungotermine 9. In secondo luogo, sebbene FoMO sia stato ampiamente studiato nei contesti dei social media, il suo ruolo negli ambienti di apprendimento mediati dall'IA rimane inesplorato. Dato che gli strumenti di IA spesso forniscono feedback in tempo reale e socialmente visibili (funzionalità di benchmarking tra pari), gli studenti possono sperimentare una maggiore ansia per il rimanere indietro, aggravando la dipendenza dall'AI10. In terzo luogo, sebbene le preoccupazioni etiche sull'IA (privacy dei dati, bias algoritmico) siano ampiamentericonosciute 11, il loro effetto moderatore sulla dipendenza e sull'efficacia dell'apprendimento non è stato testato empiricamente in contesti EFL. Queste lacune sottolineano collettivamente la necessità di un'indagine olistica che colleghi l'accettazione della tecnologia, la psicologia motivazionale e le teorie dell'apprendimento cognitivo.

Questo studio colma queste lacune proponendo un modello concettuale innovativo che esamina come l'uso dell'IA generativa, la dipendenza percepita dall'IA e la preoccupazione etica percepita sull'IA influenzino il FoMO tra gli studenti EFL, il ruolo mediatore del FoMO nel collegare tutte e tre le variabili indipendenti alla comprensione del testo degli studenti di EFL e l'effetto moderatore del burnout digitale tra comprensione del testo e acquisizione del vocabolario. La ricerca proposta contribuisce allo sviluppo di un quadro teorico completo che può essere utilizzato per studiare gli effetti della dipendenza dall'IA sulla motivazione intrinseca e sull'autonomia dello apprendente attraverso le lenti della Teoria dell'Autodeterminazione (SDT)12, dei meccanismi psicologici dietro la FoMO negli ambienti di apprendimento mediati dall'IA sulla Teoria del ConfrontoSociale 13 e degli effetti degli strumenti di dipendenza dall'IA sul carico cognitivo attraverso la Teoria del Carico Cognitivo (CLT)14.

I contributi teorici di questo studio sono tripli. Innanzitutto, estende la SDT concettualizzando la dipendenza dall'IA come una potenziale minaccia all'autonomia degli apprendenti, mettendo in discussione l'assunzione che l'IA aumenti universalmente la motivazione. In secondo luogo, applica la Teoria del Confronto Sociale all'apprendimento mediato dall'IA, rivelando come FoMO si trasformi da fenomeno dei social media a motore dell'adozione di strumentieducativi 15. In terzo luogo, affina la CLT dimostrando che i benefici cognitivi dell'IA (riduzione del carico estraneo) possono essere contrastati dal caricogermanico indotto dalla dipendenza 16, offrendo una visione sfumata dell'impatto dell'IA sulla codifica della memoria. Questi progressi teorici forniscono una base per future ricerche sulla psicologia dell'apprendimento assistito dall'IA.

Per garantire rigore metodologico e applicabilità pratica, diversi aspetti chiave hanno guidato il progetto. La popolazione target degli studenti cinesi universitari di inglese inglese è stata selezionata grazie alla loro elevata esposizione e all'integrazione istituzionale degli strumenti di IA, fornendo un contesto rilevante per esaminare la dipendenza dall'IA. I confini dei costrutti sono chiaramente delineati usando scale validate e multi-item per ogni variabile latente, evitando la sovrapposizione concettuale. La selezione di queste scale specifiche è stata giustificata dalla loro affidabilità consolidata e dalla loro diretta operativizzazione dei complessi costrutti psicologici e comportamentali sotto indagine (preoccupazioni etiche multidimensionali, burnout digitale specifico dell'apprendimento). Per le analisi pianificate di mediazione e moderazione, riconosciamo che i dati trasversali, pur essendo sufficienti per la modellazione predittiva tramite PLS-SEM, limitano l'inferenza causale definitiva per i percorsi mediati e moderati. La dimensione del campione di 465 supera di gran lunga i requisiti minimi per la potenza statistica sia nella regressione che nel PLS-SEM, aderendo alla 'regola delle 10 volte' per il numero massimo di percorsi strutturali, garantendo così stime stabili e generalizzabili dei parametri per il modello proposto.

I concetti focali dello studio sono definiti come segue: la dipendenza percepita dall'IA si riferisce alla convinzione di un apprendente nella propria dipendenza dagli strumenti di IA per l'efficienza e il completamento dei compiti. Le preoccupazioni etiche percepite sull'IA comprendono le preoccupazioni riguardo alla trasparenza algoritmica, all'equità, alla sicurezza e alla responsabilità. L'uso dell'IA generativa indica la frequenza e l'estensione dell'impiego di modelli di IA per generare testo o immagini. La paura di perdersi qualcosa (FoMO) è l'ansia che altri possano vivere esperienze gratificanti da cui uno è assente, qui contestualizzata all'apprendimento guidato dall'IA. Il Digital Burnout è lo stato di esaurimento emotivo e mentale derivante da un prolungato coinvolgimento digitale. Infine, i risultati di apprendimento sono catturati dalla Comprensione del Testo, la capacità di comprendere e applicare strategie con materiale scritto, e dall'Acquisizione del Vocabolario, l'efficacia percepita dall'auto-percepzione nell'apprendimento e nell'uso di nuove parole.

La struttura di questo articolo è la seguente. La sezione 1 tratta il contesto, la rilevanza, le lacune nella ricerca e il contributo del presente studio. La Sezione 2 esamina i lavori precedenti sull'IA nell'apprendimento dell'EFL, nella dipendenza e nel FoMO, sintetizzando i dibattiti chiave. La sezione 3 dettaglia la metodologia che include la progettazione della ricerca, la combinazione di indagini per misurare la dipendenza percepita/FoMO e compiti sperimentali per valutare la ritenzione del vocabolario. La sezione 4 presenta i risultati, incluse le analisi di mediazione/moderazione. La Sezione 5 discute le implicazioni per la teoria, la pedagogia e la progettazione dell'IA, mentre la Sezione 6 si conclude con limitazioni e direzioni future.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Questo studio è stato condotto in conformità con le linee guida etiche per la ricerca sui soggetti umani presso l'Università di Yangzhou. Il consenso informato è stato ottenuto da tutti i partecipanti prima del loro coinvolgimento, assicurando che fossero pienamente informati sullo scopo dello studio, sulle procedure basate su sondaggi, sulla natura volontaria e sul loro diritto di ritirarsi in qualsiasi momento senza conseguenze. Tutti i metodi rispettavano standard etici per la ricerca umana, garantendo la riservatezza dei partecipanti, l'anonimizzazione dei dati e la protezione durante tutto lo studio. Lo studio ha coinvolto una raccolta di dati non invasiva basata su sondaggi con un rischio minimo per i partecipanti. Lo studio aderisce a linee guida etiche per la ricerca educativa, garantendo l'anonimato dei partecipanti e la partecipazione volontaria. Il consenso informato è stato ottenuto elettronicamente, con informazioni chiare sull'uso e l'archiviazione dei dati. Non sono state raccolte informazioni personali identificabili e le risposte sono archiviate in modo sicuro su server protetti da password. I partecipanti mantengono il diritto di ritirarsi in qualsiasi fase. I rischi potenziali (affaticamento del sondaggio) vengono mitigati attraverso una progettazione concisa del questionario e i risultati vengono riportati in forma aggregata per prevenire l'identificazione individuale.

Revisione della letteratura

Dipendenza percepita dall'IA, preoccupazioni etiche percepite dall'IA e paura di perdere qualcosa (FoMo)
L'integrazione dinamica dell'uso dell'Intelligenza Artificiale (IA) nell'istruzione ha dato una nuova svolta all'apprendimento delle lingue, soprattutto tra gli studenti di Inglese come Lingua Straniera (EFL)17. I sistemi di tutoraggio intelligenti, la valutazione automatica della scrittura e le piattaforme di apprendimento adattivo sono basati sull'IA e offrono un'esperienza di apprendimento efficiente epersonalizzata 18. Tuttavia, insieme a questo sviluppo tecnologico, ci sono stati alcuni problemi psicologici, come l'aumento della paura di perdere qualcosa (FoMO), un tipo di ansia sociale perché le persone temono di non essere incluse nelle attivitàpiacevoli. Secondo i risultati della ricerca, la percepita dipendenza dall'IA e le preoccupazioni etiche percepite sull'IA possono rafforzare i livelli di FoMO tra gli studenti EFL e modificare le loro interazioni con l'educazione basata sull'IA in futuro.

Inoltre, man mano che l'IA trova il suo posto nel processo di insegnamento delle lingue, gli studenti possono diventare dipendenti da questi strumenti per correggere grammatica e vocabolario e migliorare lapronuncia 20. Questa dipendenza può causare pressione psicologica e gli studenti potrebbero sentire di dover utilizzare costantemente strumenti di IA per prevenire il ritardo accademico. I risultati della ricerca sulla dipendenza digitale hanno portato alla conclusione che l'eccessiva dipendenza dalla tecnologia genera ansia dovuta alla paura di non avere accesso a talidispositivi 21. Nel campo dell'apprendimento dell'EFL, gli studenti che credono che l'IA sia necessaria potrebbero sentirsi FoMO perché pensano che gli altri studenti stiano sfruttando sempre più queste tecnologie22. Il fenomeno è coerente con la teoria del confrontosociale 23, che postula che le persone confrontino i propri progressi con quelli degli altri. Quando l'apprendimento potenziato dall'IA è visto come un segnale competitivo, gli studenti possono temere di perdere il successo accademico a meno che non massimizzino il loro coinvolgimento nell'uso di talistrumenti 24. Inoltre, la connessione perpetua favorita dagli strumenti di IA può distorcere le differenze tra istruzione e intrattenimento, rafforzando ulteriormente i comportamenti domestici e dipendenti che migliorano ulteriormente FoMO25.

H1: La dipendenza percepita dall'IA influenza positivamente la paura di perdere qualcosa (FoMO) tra gli studenti di EFL.

H2: Le preoccupazioni etiche percepite sull'IA influenzano positivamente la paura di perdere qualcosa (FoMO) tra gli studenti di EFL.

IA generativa (Uso di ChatGPT) e paura di perdersi qualcosa (FoMo)
L'attuale aumento della popolarità dell'IA generativa (ChatGPT) nel campo dell'istruzione ha portato a nuove condizioni di esperienze psicologiche nel processo di apprendimento di una lingua 26,27. Lo studio ha recentemente identificato che l'uso di strumenti di IA di alta tecnologia può trasformare significativamente lo stato emotivo degli studenti, in particolare la Paura di Perdere Qualcosa (FoMO)28. Più l'IA generativa è programmata per fornire feedback istantaneo, generare materiale didattico e simulare una pratica di conversazione, più gli studenti possono sviluppare ansie e preoccuparsi di rimanere indietro se non utilizzano questi strumenti al massimopotenziale. Il processo suggerisce una tendenza più ampia dell'apprendimento digitale, in cui il progresso tecnologico non solo rende possibile fare più cose nell'apprendimento, ma espone anche le esperienze di apprendimento a nuovi livelli diansia.

Gli effetti psicologici degli strumenti di IA generativa sugli apprendenti linguistici possono essere spiegati facendo riferimento alla teoria dell'autodeterminazione, secondo cui competenza, autonomia e relazionamento sono bisogni psicologicifondamentali 14. Nei casi in cui gli studenti credono che i loro coetanei stiano ottenendo risultati superiori grazie all'IA, attribuito al fatto che il FoMO non sia statoaffrontato al 31, è anche aggravato dalle minacce al loro senso di competenza. Questo impatto può essere particolarmente grave in contesti accademici difficili, poiché gli studenti confrontano i loro progressi e le loro capacità. Inoltre, l'accesso illimitato agli strumenti di IA generativa può anche portare al problema dell'uso costante, poiché gli studenti temono di rimanere indietro e perdere progressi significativi.

FoMO si presenta anche sotto forma delle dinamiche sociali dell'implementazione dell'IA nelle comunità diapprendimento 33. Una volta che l'IA generativa diventerà normalizzata nell'ambito educativo, è probabile che crei un senso di pressione sociale per allinearsi alle nuove pratiche digitali promosse nell'ambiente educativo34. Questa pressione può essere particolarmente forte nell'apprendimento di una lingua straniera, dove l'IA è disponibile per aiutare nella scrittura, nella grammatica e nella comunicazione senza apparente sforzo da parte dellostudente 35. L'idea di essere esclusi da questa trasformazione può essere una motivazione ad adottare strategie di uso compulsivo, anche tra studenti che altrimenti potrebbero essere più inclini ad apprendere in modi piùconvenzionali 36. Nuovi studi sottolineano la necessità di comprendere in modo più dettagliato l'effetto mediativo delle varie caratteristiche degli apprendenti sulla relazione tra l'uso dell'IA generativa e il FoMO. Le risposte a queste domande dipendono da fattori come il livello di alfabetizzazione digitale e capacità di autoregolazione, e la motivazione all'apprendimento, che possono determinare se gli strumenti di IA sono risorse potenzianti o la causadell'ansia 37. Sulla base della letteratura sopra indicata viene proposta la seguente ipotesi:

H3: L'aumento dell'uso dell'IA generativa influenza positivamente la paura di perdere qualcosa (FoMO) tra gli studenti di EFL.

Paura di perdersi qualcosa (FoMo), Comprensione della Tesitura e Acquisizione del Vocabolario
Il concetto psicologico di Paura di Perdere Qualcosa (FoMO) è diventato sempre più influente sui comportamenti di apprendimento online, evidenziando una relazione complessa con l'apprendimento della seconda lingua e i risultatiaccademici 38. Ricerche recenti mostrano che il FoMO, a seconda della dimensione39 dell'apprendimento delle lingue, può avere un effetto differenziato sull'apprendimento di diverse dimensioni dell'apprendimento linguistico, in particolare sulla comprensione della lettura e sull'acquisizionedel vocabolario 40. Questa dipendenza sembra essere motivata dal carico cognitivo41 e dai sistemi di controllo dell'attenzione42, poiché gli individui con un alto FoMO mostrano un modello unico di interazioni con materiali testuali.

Gli studi empirici indicano che un grado moderato di FoMO aumenta il coinvolgimento nei materiali di lettura quando gli studenti ritengono che i materiali di lettura siano attività socialmente e accademicamente significative43. L'eccessiva indulgenza in FoMO è tuttavia associata a letture incomplete e a una bassa elaborazione profondadelle informazioni 44, che potrebbe degradare la comprensione. La sensazione sembra essere più diffusa nello spazio della lettura digitale, dove le notifiche e l'intrappolamento sui social media aumentano le interruzioni dell'attenzione45. All'interno dell'acquisizione del vocabolario, FoMO presenta una relazione più complicata, sebbene l'esposizione a nuovi elementi lessicali possa essere aumentata a causa dell'aumento delcoinvolgimento 46,47, la ritenzione è danneggiata dai comportamenti di apprendimento compulsivo.

Le evidenze emergenti suggeriscono che esiste variazioni culturali e individuali in queste relazioni. In confronto, gli studenti collettivisti sembrano essere più inclini alle conseguenze negative della FoMO sulla comprensione dellalettura 48, che potrebbero essere legate alla loro maggiore tendenza a confrontarsi socialmente49. D'altra parte, le esperienze FoMO non hanno alcun impatto sulla comprensione e sull'apprendimento del vocabolario negli studenti che hanno strategie di autoregolazione elevate 50. Sulla base della letteratura sopra citata, vengono proposte le seguenti ipotesi:

H4: La paura di perdersi qualcosa (FoMO) influenza negativamente la comprensione della lettura.

H5: La comprensione del testo influenza positivamente l'acquisizione del vocabolario.

Effetto moderatore del burnout digitale nell'apprendimento
Il burnout digitale è un problema recente con implicazioni psicologiche e sociali che influenzano i processi di acquisizione dellinguaggio 51,52. Emotivamente e cognitivamente estenuante, allo stesso tempo mi mancava la motivazione a causa di una lunga gamma di apprendimento accademico mediato dalla tecnologia. Il burnout digitale ha influenzato negativamente le capacità cognitive necessarie per elaborare illinguaggio 53. Studi neurocognitivi attivi indicano che il burnout occupazionale causa stanchezza, che interferisce con la capacità di memoriadi lavoro 54, componente chiave sia della memoria di parole che dellalettura 55. Questa fatica mentale potrebbe essere alla base delle nuove evidenze di una codifica semantica debole in studenti digitalmente esausti quando viene chiesto loro di svolgere compiti di apprendimento delvocabolario 56.

Il burnout digitale si manifesta in modo unico nei contesti EFL a causa delle specifiche esigenze cognitive e affettive dell'acquisizione del linguaggio. A differenza del burnout accademico generale, il burnout digitale EFL è aggravato dal costante carico cognitivo di elaborare fonologie, sintassi e semantiche sconosciute tramite interfacce digitali, che possono sovraccaricare la memoria di lavoro in modo più grave rispetto all'apprendimento basato suicontenuti 57. Inoltre, il filtro affettivo è accentuato dalla natura performativa della pratica linguistica sulle piattaforme di IA, dove gli studenti possono sperimentare ansia dovuta a correzioni immediate guidate da algoritmi e alla pressione di raggiungere una competenza simile a quellanativa 58. Questa combinazione di carico cognitivo intensificato e pressione socio-affettiva unica in ambienti linguistici mediati digitalmente crea un profilo specifico di burnout che ostacola direttamente i processi sfumati di codifica del vocabolario e comprensionedella lettura 59.

Il burnout digitale e la comprensione del testo mostrano relazioni molto sottili nello sviluppo del vocabolario. Sebbene la conoscenza incidentale del vocabolario sia probabile acquisita tramite inferenza contestuale quando gli studenti hanno forti capacità di lettura60, la correlazione positiva tra vocabolario e performance in lettura diminuisce negli studenti con alto burnout61. Le misurazioni del tracciamento oculare indicano che gli studenti con senescenza verbale mostrano anche tempi di fissazione ridotti su nuovi oggetti lessicali durante lalettura 62, implicando un calo della concentrazione mentale di background densi di vocabolario. Questo è simile alla teoria del controllo dell'attenzione, che sostiene che la stanchezza cognitiva influenzi le capacità delle funzioni esecutive coinvolte nella comprensione simultanea e nell'elaborazione lessicale. È del tutto possibile notare che il ruolo moderatore del burnout digitale è evidente solo dalle differenze individuali nell'autoregolazione e nella progettazione degli ambienti diapprendimento 63. La resilienza agli effetti negativi del burnout è esemplificata anche dagli studenti con strategie metacognitive ad alto rendimento, poiché manterranno un vantaggio nel vocabolario anche di fronte a difficoltà di comprensione. Sulla base della letteratura sopra citata, vengono proposte le seguenti ipotesi:

H6: Il burnout digitale nell'apprendimento influenza negativamente l'acquisizione del vocabolario.

H7: Il burnout digitale nell'apprendimento modera negativamente la relazione tra comprensione della lettura e acquisizione del vocabolario, in modo che un maggiore burnout indebolisce l'effetto positivo della comprensione sul guadagno del vocabolario.

Effetto mediativo della paura di perdersi qualcosa (FoMo)
L'introduzione dell'intelligenza artificiale nell'istruzione ha aggiunto sistemi psicologici complessi che determinano i risultati della comprensione del testo64. I dati emergenti indicano che la paura di perdere qualcosa (FoMO) è un mediatore fondamentale del legame tra il coinvolgimento degli studenti con le tecnologie IA e il loro rendimento dilettura 65. Il ruolo di questo effetto di mediazione sembra particolarmente rilevante in contesti in cui gli strumenti di IA sono stati promossi come mezzi per facilitare un apprendimento più efficiente, alimentando così pressioni psicologiche che possono finire per ostacolare il pensiero di ordinesuperiore 66. Per garantire che le ansie di apprendimento autonomo non vengano sviluppate da apprendenti che si rendono conto di una dipendenza irrazionale dall'assistenza all'IA67, studi recenti si concentrano su come i livelli percepiti di dipendenza dall'IA influenzino lo sviluppo dell'ansia riguardo alle capacità di apprendimentoautonomo 68. Questa ansia si trasforma in FoMO quando gli studenti pensano a ciò che non sono in grado di fare rispetto ai risultati potenziati dall'intelligenzaartificiale 69, mostrando una tendenza a spostare le risorse cognitive lontano dai passaggi di comprensione profonda.

Le questioni etiche legate all'applicazione dell'IA corrispondono ai percorsi FoMO, così come i discenti che affrontano conflitti morali a causa dell'uso dell'IA mostrano maggiore vigilanza verso le azioni dei loro coetanei, il che aiuta a formare separazioni attenzionali tra etica e comprensione deltesto 70. Questo si riflette negli studi di eye-tracking, dove il lettore compie movimenti oculari più regressivi leggendo65. L'effetto della mediazione sembra essere particolarmente marcato quando le questioni etiche non sono state chiarite, lasciando un peso cognitivo persistente che ostacola lalettura 71. Gli strumenti di IA generativa creano nuovi tipi di mediazione con la capacità di generare risultati praticamente in un istante. Sulla base della letteratura sopra citata, vengono proposte le seguenti ipotesi:

H8: La paura di perdersi qualcosa (FoMO) media la relazione tra la dipendenza percepita dall'IA e la comprensione del testo

H9: La paura di perdersi qualcosa (FoMO) media il rapporto tra le preoccupazioni etiche percepite dell'IA e la comprensione della lettura

H10: La paura di perdersi qualcosa (FoMO) media la relazione tra l'uso dell'IA generativa e la comprensione della lettura

Quadro teorico
Questo studio è guidato principalmente dalla Teoria dell'Autodeterminazione (SDT)12, che fornisce un quadro coeso per comprendere come gli strumenti di IA influenzino i bisogni psicologici fondamentali alla base della motivazione e del coinvolgimento cognitivo degli apprendenti. Secondo il modello, la dipendenza percepita dall'IA mette direttamente a rischio i bisogni primari di autonomia e competenza della SDT e può minare la motivazione intrinseca a imparare la lingua sviluppando un'eccessiva dipendenza dalla regolamentazione esterna del raggiungimento di obiettivi come la comprensione della lettura e l'acquisizione del vocabolario. In questo contesto, la paura di perdere qualcosa (FoMO) è intesa nel quadro della parentelità, descritta dalla teoria secondaria del confrontosociale 72. La norma sociale sviluppata tra i coetanei a causa dell'uso esteso dell'IA provoca uno stato FoMO, che porta all'ansia di perdersi qualcosa e che di conseguenza aumenta la dipendenza e riduce ulteriormente la motivazione a imparare in modo indipendente.

Questa dinamica motivazionale è spiegata dagli esiti cognitivi come descritti dalla Cognitive Load Theory (CLT)73. Sebbene l'IA generativa possa migliorare l'apprendimento minimizzando il carico cognitivo estraneo (ad esempio, tramite definizione istantanea), dipendere eccessivamente da questo può essere controproducente per acquisire vocabolario riducendo il carico cognitivo necessario per codificare profondamente il lessico e memorizzarlo nella memoria a lungo termine. Questo è ulteriormente aggravato dalla condizione di Digital Burnout, che costituisce un drenaggio delle risorse cognitive che mina il legame tra comprensione e apprendimento. A sua volta, la SDT offre una spiegazione generale delle vie motivazionali, la CLT approfondisce i processi cognitivi conseguenti e la Teoria del Confronto Sociale descrive lo stimolo socio-affettivo (FoMO) che ne deriva, che si combinano in una spiegazione composta dell'influenza duale dell'IA sull'apprendimento linguistico.

Progettazione della Ricerca
Questo studio adotta un disegno di ricerca empirica quantitativa per esaminare le relazioni tra fattori legati all'IA (dipendenza percepita, preoccupazioni etiche, uso dell'IA generativa), la paura di perdersi qualcosa (FoMO), il burnout digitale e gli esiti di apprendimento linguistico (comprensione della lettura e acquisizione del vocabolario). Viene adottato un approccio basato su sondaggi trasversale che consente la raccolta di dati in un singolo momento per valutare le correlazioni e gli effetti di mediazione/moderazione. Il progetto è particolarmente adatto per testare il modello teorico proposto, poiché consente l'uso della modellazione strutturale delle equazioni (SEM) per analizzare relazioni complesse tra costrutti latenti.

Popolazione e campionamento
La popolazione target è composta da studenti di EFL nelle università cinesi, un contesto in cui gli strumenti di apprendimento linguistico assistiti dall'IA sono sempre più integrati nei programmi di studio. È stata utilizzata una tecnica di campionamento di convenienza per reclutare 465 partecipanti, con la dimensione del campione determinata tramite analisi a priori di potenza utilizzando G*Power 3.174. Per le analisi di regressione multipla pianificate (α = 0,05, potenza = 0,95, dimensione media dell'effetto f² = 0,15), l'analisi ha indicato un campione minimo richiesto di 166 partecipanti, confermando che il nostro campione di 465 fornisce una potenza statistica sufficiente. La dimensione del campione è adeguata anche per condurre un'analisi SEM e segue il requisito del PLS-SEM, che indica che il numero minimo di punti campione dovrebbe essere 10 volte superiore al numero massimo di percorsi strutturali verso un costrutto nel modello75. I campioni saranno reclutati utilizzando le unità campionarie di diverse università situate in varie regioni geografiche della Cina per ottenere ottimi risultati nell'aspetto della generalizzazione. Al contrario, le variabili demografiche (età del candidato, genere, livello di conoscenza dell'inglese e frequenza di utilizzo degli strumenti di IA) saranno registrate e utilizzate come elementi di controllo negli studi futuri.

Per garantire l'integrità analitica dei nostri risultati, sono state implementate molteplici misure di controllo qualità durante tutto il processo di raccolta e preparazione dei dati. La distribuzione iniziale del sondaggio ha prodotto un tasso di risposta dell'87%. Dopo la raccolta dei dati, sono state applicate procedure di screening rigorose: sono state escluse indagini incomplete con oltre il 10% di dati mancanti, e eventuali valori mancanti sporadici rimanenti a livello di item sono stati affrontati utilizzando l'algoritmo di imputazione Expectation-Maximization in SPSS per preservare la potenza statistica minimizzando i bias. Inoltre, le domande di controllo dell'attenzione inserite hanno identificato e facilitato la rimozione dei rispondenti disattenti. Queste procedure complete, combinate con lo screening per gli outlier multivariati, hanno garantito che il dataset analitico finale (N=450) rispettasse elevati standard di affidabilità per la successiva modellazione delle equazioni strutturali.

Procedura di raccolta dati
I dati sono stati raccolti attraverso un approccio misto, utilizzando metodi sia online che in loco per massimizzare la partecipazione e l'accessibilità. Il team di ricerca ha collaborato con gli insegnanti dei corsi nelle università target, che hanno distribuito il link unico del sondaggio direttamente agli studenti tramite i gruppi ufficiali di classe su WeChat. Questo metodo sfruttava canali affidabili per migliorare i tassi di risposta. Per la raccolta dei dati in loco, il ricercatore principale e gli assistenti formati visitavano aule designate durante le sessioni programmate. Dopo una breve introduzione allo studio, hanno distribuito i pacchetti di indagini cartacei. La procedura per ottenere il consenso informato è stata adattata a ciascun modale. Nella versione online, ai partecipanti è stato presentato un modulo di consenso digitale nella prima pagina. Era richiesto loro di selezionare "Ho letto e compreso le informazioni sopra e accetto volontariamente di partecipare" prima che gli elementi del questionario venissero attivati. Per i partecipanti sul posto, una scheda informativa dettagliata era allegata al pacchetto del sondaggio e il consenso scritto veniva ottenuto facendo firmare ai partecipanti un modulo di consenso fisico prima di ricevere il questionario. Il questionario completo è stato progettato per essere compilato entro 15-20 minuti per minimizzare la stanchezza dei rispondenti. Per garantire la qualità dei dati, due elementi di controllo dell'attenzione ("Si prega di selezionare 'Fortemente in disaccordo' per questa affermazione") sono stati inseriti nel sondaggio. Le invii incompleti con più del 10% di dati mancanti e quelli che non superavano i controlli di attenzione venivano automaticamente segnalati dal sistema e successivamente esclusi. Il periodo di raccolta dati è durato quattro settimane, durante le quali sono stati inviati due messaggi di promemoria attraverso i canali di distribuzione iniziali. Dopo la raccolta, il dataset ha subito un rigoroso processo di pulizia, che ha incluso verifiche per valori mancanti, outlier univariati e multivariati e violazioni delle assunzioni di normalità, prima dell'analisi statistica.

Misurazioni e adattamento delle scale

Dipendenza percepita dall'IA
La dipendenza percepita dall'IA è stata misurata utilizzando una scala di 5 item adattata da Morales-García et al.76. La scala misura quanto le persone dipendono dall'intelligenza artificiale nelle loro attività quotidiane e nel processo decisionale. Gli elementi riflettono diversi aspetti della dipendenza, tra cui la percepita necessità di utilizzare strumenti di IA per essere efficienti e l'incapacità di funzionare senza supporto dell'IA.

Preoccupazioni etiche percepite sull'IA
Le preoccupazioni etiche sono state valutate utilizzando una scala multidimensionale sviluppata da Kim eKo 77. Per rafforzare la validità e la rilevanza per una popolazione EFL, le quattro dimensioni della scala sono state inquadrate nel contesto specifico dell'apprendimento linguistico guidato dall'IA. Questa scala comprende quattro dimensioni critiche: trasparenza (8 elementi), equità (5 elementi), sicurezza (5 elementi) e responsabilità (8 elementi). Ogni dimensione valuta diverse sfide etiche, come la chiarezza dei processi decisionali dell'IA, i pregiudizi negli algoritmi dell'IA, i rischi associati all'uso dell'IA e la responsabilità nell'implementazione dell'IA. Questa operativizzazione focalizzata garantisce che gli elementi si adattino direttamente ai dilemmi etici che gli studenti di EFL probabilmente incontreranno.

Uso dell'IA generativa
L'uso dell'IA generativa è stato operativo utilizzando una scala di 8 item di Abbas et al.78. Questa scala misura il livello e la regolarità dell'uso dei modelli di IA generativa, inclusi dispositivi per la creazione di testo e immagini. I prodotti esaminano varie applicazioni, come quelle accademiche, professionali e personali, e aiutano a capire come le persone le integrano nella loro vita e le utilizzano. Questo approccio completo ci permette di catturare l'integrazione olistica dell'IA generativa nell'ecosistema degli studenti, un prerequisito per comprenderne gli effetti psicologici e cognitivi più ampi.

Paura di perdersi qualcosa (FoMO)
La paura di perdersi qualcosa è stata misurata utilizzando la scala dei 17 item di Mazlum e Atalay79. Questa scala è stata scelta per la sua valutazione sfumata dell'ansia che i pari stanno vivendo esperienze gratificanti da cui uno è assente. È particolarmente appropriato per questo studio poiché cattura elementi altamente rilevanti per gli ambienti di apprendimento mediati digitalmente, inclusa la necessità compulsiva di rimanere connessi online e la paura di perdere strategie di apprendimento superiori, risorse o progressi tra pari facilitati dall'IA, collegando così direttamente l'uso dell'IA all'ansia psicosociale.

Comprensione del testo
La comprensione del testo è stata misurata utilizzando strategie di lettura adattate da Mokhtari et al.80, che includono tre dimensioni: Strategie di Lettura Globali 5 elementi, Strategie di Risoluzione dei Problemi 5 item e Strategie di Supporto alla Lettura 5 elementi. Questa scala valuta come gli individui approcciano e comprendono il materiale scritto, concentrandosi sulla loro capacità di sintetizzare informazioni, risolvere difficoltà di comprensione e utilizzare aiuti esterni per migliorare la comprensione.

Esaurimento digitale nell'apprendimento
Il burnout digitale nell'apprendimento è stato misurato utilizzando una scala adattata da Erten eÖzdemir 81, composta da tre dimensioni: Invecchiamento Digitale (12 elementi), Deprivazione Digitale (6 elementi) e Esaurimento Emotivo (6 elementi). Questa scala valuta gli effetti psicologici negativi dell'interazione digitale prolungata, inclusa stanchezza dovuta all'eccessivo tempo davanti allo schermo, sensazioni di disconnessione e stanchezza mentale dovuta alle esigenze di apprendimento online.

Acquisizione del vocabolario
L'acquisizione del vocabolario è stata valutata utilizzando una scala di 4 item da Li et al.82. La scala viene utilizzata per misurare l'efficacia delle strategie di apprendimento del vocabolario nel modo in cui le persone abbracciano, ricordano e usano nuove parole in vari contesti. Il materiale valuta la competenza auto-dichiarata e la fiducia nell'uso del vocabolario.

Piano di analisi dei dati
Lo studio adotta una strategia analitica completa in due fasi per esaminare rigorosamente le relazioni ipotizzate. Lo screening iniziale dei dati e le analisi preliminari vengono condotte utilizzando SPSS 28, concentrandosi su statistiche descrittive per valutare la distribuzione dei dati, analisi di affidabilità su scala (alfa di Cronbach) e correlazioni bivariate per esaminare le associazioni preliminari tra i costrutti chiave. Tutti gli elementi della scala Likert erano codificati su una scala a intervalli di 5 punti (1=Fortemente in disaccordo con 5=Fortemente d'accordo). Questa analisi fondamentale garantisce la qualità dei dati e fornisce approfondimenti essenziali sulle caratteristiche di base del dataset prima di passare a modellazioni più complesse. Per l'analisi primaria, SmartPLS 4 è impiegato per implementare la Partial Least Square Structural Equation Modeling (PLS-SEM), selezionata per la sua gestione robusta di modelli predittivi complessi che coinvolgono variabililatenti 83. L'analisi inizia con una valutazione approfondita del modello di misura, durante la quale l'analisi fattoriale confermativa stabilisce le proprietà psicometriche delle scale. Le valutazioni chiave includono test di consistenza interna (affidabilità composita), validità convergente (varianza media estratta) e validità discriminante (criterio di Fornell-Larcker e rapporto eterotratto-monotratto). Questi passaggi garantiscono che i costrutti siano sia teoricamente solidi sia empiricamente distinti.

Successivamente, il modello strutturale viene esaminato per testare le relazioni ipotizzate tra i costrutti. I coefficienti di percorso vengono analizzati per la loro magnitudine, direzione e significatività statistica, mentre le dimensioni degli effetti (f²) vengono calcolate per valutare l'impatto sostanziale. La rilevanza predittiva del modello viene valutata utilizzando la statistica Q² di Stone-Geisser, con procedure di bendatura per convalidare la capacità del modello di prevedere variabili endogene. Per le analisi di mediazione, lo studio utilizza l'approccioPreacher and Hayes 84, bootstrapping, che fornisce intervalli di fiducia robusti per effetti indiretti controllando al contempo le potenziali variabili di confusione. Gli effetti di moderazione sono testati tramite termini di interazione creati con il metodo dell'indicatore del prodotto PLS, con una semplice analisi della pendenza condotta per interpretare gli effetti di interazione significativi. Tutte le analisi utilizzano 5.000 campioni bootstrap per generare stime stabili e garantire la robustezza dei risultati.

Per l'analisi primaria, SmartPLS 4 è impiegato per implementare la Partial Least Square Structural Equation Modeling (PLS-SEM), selezionata per la sua gestione robusta di modelli predittivi complessi che coinvolgono variabililatenti 83. La scelta del PLS-SEM rispetto al SEM-BASED COVARIANCE-BASED (CB-SEM) è giustificata dall'obiettivo principale dello studio di prevedere le variabili endogene (acquisizione del vocabolario) e dal suo complesso modello che presenta meccanismi mediatori emoderatori 85. Inoltre, PLS-SEM è preferito rispetto alla regressione multipla poiché stima simultaneamente le relazioni tra tutti i costrutti latenti all'interno dell'intero modello, tenendo conto dell'errore di misura. Sebbene i disegni sperimentali offrano una forte inferenza causale, la natura trasversale di questo studio mira a stabilire relazioni predittive in un contesto di apprendimento reale, per il quale PLS-SEM è molto adatto86. Infine, questo studio per l'analisi dei dati e i risultati di questo studio possono essere visti nella sezione Risultati qui sotto.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Statistica descrittiva
Le statistiche descrittive offrono una panoramica delle variabili importanti di questo studio, ovvero la percezione della dipendenza dall'IA, le preoccupazioni etiche e l'uso dell'IA generativa, la paura di perdere qualcosa (FoMO), la comprensione del testo, il burnout digitale e l'acquisizione del vocabolario. L'analisi mostrerà le tendenze centrali, la dispersione e le caratteristiche distributive dei dati, fornendo una comprensione dell'interesse dei partecipanti nelle tecnol...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

L'attuale studio ha esaminato la complessa interazione tra fattori legati all'IA, stati psicologici ed esiti di apprendimento tra gli studenti di EFL, portando a diversi risultati chiave. Il nostro approccio metodologico, in particolare l'uso del PLS-SEM, è stato fondamentale per modellare queste relazioni complesse. A differenza del SEM BASATO SULLA COVARIANZA (CB-SEM), che è più adatto alla conferma teorica, l'orientamento predittivo di PLS-SEM e la sua capacità di gestire modelli comp...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Tutti gli autori dichiarano che non ci sono conflitti di interesse.

Ringraziamenti

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

Questa ricerca è finanziata dal Jiangsu Provincial Social Science Fund, Grant No: (23YYB011). Questo lavoro è stato supportato dalla Prince Sultan University nell'ambito del Language and Communication Research Laboratory con la borsa RL-CH-2019/9/1.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Computer portatileDell TechnologiesN/AUtilizzato per l'elaborazione e la documentazione dei dati
Software Statistico (SPSS)IBM Corp.Versione 26.0Utilizzato per l'analisi statistica
Microsoft ExcelMicrosoftUfficio 365Inserimento dati e gestione di base dei dati

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y. H. Exploring the influence of generative artificial intelligence anxiety on problematic ChatGPT use: The fear of missing out and personality traits. Univ Access Inf Soc. 24, 2477-2490 (2025).
  2. Lap, T. Q., Vy, P. N. T., Uyen, N. C. B., Tuan, L. C. 34;Fear of missing out!": Veteran EFL teachers' perceptions of using AI-powered tools in English language teaching. Int J Inf Educ Technol. 15 (6), 1161-1171 (2025).
  3. Khamis, N. Y. H., Yusof, N. Artificial intelligence revolutionising writing assessments. Int J Lang Educ Appl Linguist. 14 (2), 1-6 (2024).
  4. Ng, P. M., Chan, J. K., Kwong, R., Kwok, M. L. J., Lau, M. M., et al. Bonus or burden? Exploring the interplay of FOMO and attitudes on DeepSeek adoption, managing information and firm performance in China. J Enterp Inf Manag. , https://profile.cpce-polyu.edu.hk/en/publications/bonus-or-burden-exploring-the-interplay-of-fomo-and-attitudes-on--3/ (2025).
  5. Yang, X., Song, B., Chen, L., Ho, S. S., Sun, J. Technological optimism surpasses fear of missing out: A multigroup analysis of presumed media influence on generative AI technology adoption across varying levels of technological optimism. Comput Human Behav. 162, 108466(2025).
  6. Lee, B. G. Understanding the digital and AI transformation. , Springer Nature. Singapore. (2024).
  7. Mathur, S., Shah, C. S., Vishnoi, S. K., Tewari, A. ChatGPT and me: A dual factor examination. J Comput Inf Syst. , (2025).
  8. Caporusso, N. Generative artificial intelligence and the emergence of creative displacement anxiety. Res Psychol Behav. , (2023).
  9. Abd Ellatif Elsayed, H. Fear of missing out and its impact: Exploring relationships with social media use, psychological well-being, and academic performance among university students. Front Psychol. 16, 1582572(2025).
  10. Yankouskaya, A., Liebherr, M., Ali, R. Can ChatGPT be addictive? A call to examine the shift from support to dependence in AI conversational large language models. Hum Cent Intell Syst. 5, 77-89 (2025).
  11. Montag, C., Yang, H., Wu, A. M., Ali, R., Elhai, J. D. The role of artificial intelligence in general, and large language models specifically, for understanding addictive behaviors. Ann N Y Acad Sci. 1548 (1), 5-11 (2025).
  12. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  13. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  14. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  15. Ryan, R. M., Deci, E. L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Educ Psychol. 61, 101860(2020).
  16. Wu, D., Zhao, Y. C., Wang, X., Song, S., Lian, J. Digital hoarding in everyday hedonic social media use: The roles of fear of missing out (FoMO) and social media affordances. Int J Hum Comput Interact. 40 (18), 5399-5414 (2024).
  17. Venkatesh, V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Inf Syst Res. 11 (4), 342-365 (2000).
  18. Liu, J. When usefulness fuels fear: The paradox of generative AI dependence and the mitigating role of AI literacy. Int J Hum Comput Interact. , (2025).
  19. Shukla, A., Jirli, P. Ethical and social consequences of accelerated technology adoption. Augmenting retail reality, Part A: Blockchain, AR, VR, and the Internet of Things. , Emerald Publishing Limited. (2024).
  20. Owen, A., Graham, M. Ethical considerations in artificial intelligence and the growing dependence on data: Challenges, implications, and future perspectives. , (2024).
  21. Wang, Y. Emotional dependence path of artificial intelligence chatbot based on structural equation modeling. Procedia Comput Sci. 247, 1089-1094 (2024).
  22. Erdmann, M., Lassleben, L., Wagner, L., Prinzing, C., Sauer, S., et al. Effects of increased usage of artificial intelligence (AI) technology on user's perception of dependency on chatbots and smart home systems. In Int Conf Hum Comput Interact. , 178-195 (2025).
  23. Zhang, X., Hu, J., Zhou, Y. The role of perceived utility and ethical concerns in the adoption of AI-based data analysis tools: A multi-group structural equation model analysis among academic researchers. Educ Inf Technol. 30 (13), 18819-19188 (2025).
  24. Uppal, K., Hajian, S. Students' perceptions of ChatGPT in higher education: A study of academic enhancement, procrastination, and ethical concerns. Eur J Educ Res. 14 (1), 199-211 (2025).
  25. Putri, K. Y., Naf'ihima, F. A. R. Pre-service teacher' perceptions of generative AI: Dependency, effect, and ethics. Educ Linguist Knowl J. 7 (1), 1-21 (2025).
  26. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comput Hum Behav Rep. 18, 100627(2025).
  28. Amin, M. Y. M. AI and Chat GPT in language teaching: Enhancing EFL classroom support and transforming assessment techniques. Int J High Educ Pedagog. 4 (4), 1-15 (2023).
  29. Murphy, R. S., Wotley, D., Minn, D. Integrating ChatGPT into the EFL classroom: Benefits and challenges. Bull Cent Fundam Educ. 40, 97-166 (2023).
  30. Ahmed, M. A. ChatGPT and the EFL classroom: Supplement or substitute in Saudi Arabia's eastern region. Inf Sci Lett. 12 (7), 2727-2734 (2023).
  31. Long, H. S. Exploring the use of ChatGPT as a tool for written corrective feedback in an EFL classroom. J Asia TEFL. 21 (2), 397-412 (2024).
  32. Ferhataj, A., Memaj, F., Sahatcija, R., Ora, A., Koka, E. Ethical concerns in AI development: Analyzing students' perspectives on robotics and society. J Inf Commun Ethics Soc. 23 (2), 165-187 (2025).
  33. Zaiarna, I., Zhyhadlo, O., Dunaievska, O. ChatGPT in foreign language teaching and assessment: Exploring EFL instructors' experience. Inf Technol Learn Tools. 4 (102), 176-191 (2024).
  34. Mali, Y. C. G. Exploring the use of ChatGPT in EFL/ESL writing classrooms: A systematic review. J Lang Educ. 11 (2), 137-156 (2025).
  35. Bin-Hady, W. R. A., Ali, J. K. M., Al-Humari, M. A. The effect of ChatGPT on EFL students' social and emotional learning. J Res Innov Teach Learn. 17 (2), 243-255 (2024).
  36. Kavak, V. İ, Evis, D., Ekinci, A. The use of ChatGPT in language education. Exp Appl Med Sci. 5 (2), 72-82 (2024).
  37. Li, J., Ren, X., Jiang, X., Chen, C. H. Exploring the use of ChatGPT in Chinese language classrooms. Int J Chin Lang Teach. 4 (3), 36-55 (2024).
  38. Dilzhan, B. Teaching English and artificial intelligence: EFL teachers' perceptions and use of ChatGPT. [Dissertation]. , SDU University. (2023).
  39. Hong, W., Liu, R. D., Ding, Y., Yang, X., Yang, Y., Lin, J. The myth of parental fear of missing out on their children's schooling in China: A tentative study to explore its effect on children's learning engagement. Educ Psychol. 45 (9), 1-20 (2025).
  40. Gezgin, D. M., Efeoğlu, E. Using explainable artificial intelligence to predict internet addiction in Turkish university students. Int J Hum Comput Interact. , (2025).
  41. Al-Furaih, S. A., Al-Awidi, H. M. Fear of missing out (FoMO) among undergraduate students in relation to attention distraction and learning disengagement in lectures. Educ Inf Technol. 26 (2), 2355-2373 (2021).
  42. Sweller, J. Cognitive load theory and educational technology. Educ Technol Res Dev. 68 (1), 1-16 (2020).
  43. Engle, R. W. Working memory and executive attention: A revisit. Perspect Psychol Sci. 13 (2), 190-193 (2018).
  44. Pekrun, R. Inquiry on emotions in higher education: Progress and open problems. Stud High Educ. 44 (10), 1806-1811 (2019).
  45. Santi, E., Kholipa, R., Putri, M. G. Reading interest strength and vocabulary acquisition of EFL learners: A meta-analysis. J Lang Linguist Stud. 17 (3), 1225-1242 (2021).
  46. Chang, A. C., Renandya, W. A. The effect of narrow reading on L2 learners' vocabulary acquisition. RELC J. 52 (3), 493-508 (2021).
  47. Lin, Z., Chen, H. Investigating the capability of ChatGPT for generating multiple-choice reading comprehension items. Syst. 123, 103344(2024).
  48. Shane-Simpson, C., Bakken, T. Students' fear of missing out predicts in-class social media use. Teach Psychol. 51 (2), 141-150 (2024).
  49. Tong, X., Yu, L., Deacon, S. H. A meta-analysis of the relation between syntactic skills and reading comprehension: A cross-linguistic and developmental investigation. Rev Educ Res. 95 (3), 385-426 (2025).
  50. Arini, A., Hudha, M. C. Analyzing the effect of FoMO on students' learning motivation in Islamic religious education. Southeast Asian J Islam Educ. 8 (1), 125-138 (2025).
  51. Mohamed, A. A. A. E. F. Fear of missing out disorder of social networking sites (FoMO) towards blinds and mechanisms of combating it in the framework of technological literacy. Egypt J Public Opin Res. 21 (1), 67-130 (2022).
  52. Chen, C., Shen, Y., Xiao, F., Ni, J., Zhu, Y. The effect of smartphone dependence on learning burnout among undergraduates: The mediating effect of academic adaptability and the moderating effect of self-efficacy. Front Psychiatry. 14, 1155544(2023).
  53. Ye, X., et al. Effect of fear of missing out on learning burnout in medical students: A moderated mediation. Front Psychiatry. 14, 1289906(2023).
  54. Yang, X., Du, J. The effect of teacher self-efficacy, online pedagogical and content knowledge, and emotion regulation on teacher digital burnout: A mediation model. BMC Psychol. 12 (1), 51(2024).
  55. Qin, Y., Liu, S. J., Xu, X. L. The causalities between learning burnout and internet addiction risk: A moderated-mediation model. Soc Psychol Educ. 26 (5), 1455-1477 (2023).
  56. Li, H. I cannot miss it for the world: The relationship between fear of missing out (FoMO) and acceptance of ChatGPT. Basic Appl Soc Psych. 46 (5), 285-294 (2024).
  57. Saboor, A., Ali, K., Mugheri, A., Fatima, M. The impact of digital transformation on educational leadership: Assessing digital burnout and mental health in virtual teaching. Rev Appl Manag Soc Sci. 7 (4), 391-408 (2024).
  58. Kuadey, N. A. m, et al. Using machine learning algorithms to examine the impact of technostress creators on student learning burnout and perceived academic performance. Int J Inf Technol. 16 (4), 2467-2482 (2024).
  59. Al-Enezi, F. K. The mediating role of academic resilience between digital overload and school burnout among high school students in Kuwait. Educ Process Int J. 17, e2025341(2025).
  60. Basri, S., Hawaldar, I. T., Nayak, R., Rahiman, H. U. Do academic stress, burnout and problematic internet use affect perceived learning? Evidence from India during the COVID-19 pandemic. Sustainability. 14 (3), 1409(2022).
  61. Hussain, Z., Chenmei, C., Saeed, M., Hassan, N., Chiragh, F. Personality and teachers' burnout stress: Exploring the digital competence as personal job resource in allied health institutions. Front Psychol. 15, 1334371(2024).
  62. Zhang, P., Ma, S., Zhao, Y., Ling, J., Sun, Y. Analysing influencing factors and correlation paths of learning burnout among secondary vocational students in the context of social media: An integrated ISM-MICMAC approach. Heliyon. 10 (7), e28696(2024).
  63. Song, W., Wang, Z., Zhang, R. Classroom digital teaching and college students' academic burnout in the post COVID-19 era: A cross-sectional study. Int J Environ Res Public Health. 19 (20), 13403(2022).
  64. Dinh, T. C. T., Lee, Y. Social media influencers and followers' conspicuous consumption: The mediation of fear of missing out. Heliyon. 10 (16), (2024).
  65. Kovan, A., Yıldırım, M., Gülbahçe, A. The relationship between fear of missing out and social media addiction among Turkish Muslim students: A serial mediation model through self-control and responsibility. Soc Sci Humanit Open. 10, 101084(2024).
  66. Shi, G., Wu, Y., Pang, H., Liu, Z. The double-edged sword effect of leaders' fear of missing out on leaders' creativity: An experience sampling method study. Psychol Res Behav Manag. 17, 259-271 (2024).
  67. Batmaz, H., Çelik, E., Koçak, L., Tufan, B. N., Makas, S., et al. Fear of missing out mediated the relationship between social appearance anxiety and phubbing in Turkish adults. J Gambl Issues. 53, (2024).
  68. Budhathoki, T., Zirar, A., Njoya, E. T., Timsina, A. ChatGPT adoption and anxiety: A cross-country analysis utilising the unified theory of acceptance and use of technology (UTAUT). Stud High Educ. 49 (5), 831-846 (2024).
  69. Holte, A. J., Nixon, A., Cooper, J. Attachment anxiety mediates the relationship of need to belong and fear of missing out (FoMO). Discov Psychol. 4 (1), 141(2024).
  70. Liu, H., Li, T., Zheng, H., Li, Y., Fan, J. Exploring the relationship between students' language learning curiosity and academic achievement: The mediating role of foreign language anxiety. Behav Sci. 15 (8), 1133(2025).
  71. Jin, W., Li, P., Ma, H., Qin, M. The impact of communication software usage on work engagement in remote work: The mediating role of distraction and FoMO. Curr Psychol. 43 (27), 23156-23177 (2024).
  72. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  73. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  74. Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  75. Henseler, J., Hubona, G., Ray, P. A. Using PLS path modeling in new technology research: Updated guidelines. Ind Manag Data Syst. 116 (1), 2-20 (2016).
  76. Kim, D., Ko, Y. Development and validation of an ethical awareness scale for AI technology. J Digit Converg. 20 (1), 71-86 (2022).
  77. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 21 (1), 10(2024).
  78. Mazlum, M., Atalay, A. Developing the fear of missing out (FoMO) scale for university students: The validity and reliability study. J Pedagog Res. 6 (4), (2022).
  79. Mokhtari, K., Dimitrov, D. M., Reichard, C. A. Revising the metacognitive awareness of reading strategies inventory (MARSI) and testing for factorial invariance. 8 (2), 219-246 (2018).
  80. Erten, P., Özdemir, O. The digital burnout scale. İnönü Univ J Fac Educ. 21 (2), 668-683 (2020).
  81. Li, R., Meng, Z., Tian, M., Zhang, Z., Xiao, W. Modelling Chinese EFL learners' flow experiences in digital game-based vocabulary learning: The roles of learner and contextual factors. Comput Assist Lang Learn. 34 (4), 483-505 (2021).
  82. Hair, J., Alamer, A. Partial least squares structural equation modeling (PLS-SEM) in second language and education research: Guidelines using an applied example. Res Methods Appl Linguist. 1 (3), 100027(2022).
  83. Preacher, K. J., Hayes, A. F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behav Res Methods. 40 (3), 879-891 (2008).
  84. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  85. Hair, J. F. Jr, Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S. Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. , Springer Nature. (2021).
  86. Salah, M., Abdelfattah, F., Alhalbusi, H., Al Mukhaini, M. Me and my AI bot: Exploring the 'AIholic' phenomenon and university students' dependency on generative AI chatbots-Is this the new academic addiction. , (2023).
  87. Razali, K., Razali, I. Strategies in improving reading comprehension through vocabulary acquisition. Englisia J Lang Educ Humanit. 1 (1), 1-16 (2013).
  88. Noor, U., Younas, M., Saleh Aldayel, H., Menhas, R., Qingyu, X. Learning behavior, digital platforms for learning and its impact on university student’s motivations and knowledge development. Front. Psychol. , (2022).
  89. Nguyen Thi Thu, H. EFL teachers' perspectives toward the use of ChatGPT in writing classes: A case study at Van Lang University. Int J Lang Instr. 2 (3), 1-47 (2023).
  90. Ghafar, Z. N. ChatGPT: A new tool to improve teaching and evaluation of second and foreign languages. A review of ChatGPT: The future of education. Int J Appl Res Sustain Sci. 1 (2), 73-86 (2023).
  91. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Studenti di inglese come lingua straniera EFLcomprensione del testoburnout digitaleapprendimento mediato dalla tecnologiaquestioni etichebenessere digitale

Articoli correlati