AIの二重の力:生成AIとAI依存の認識が、取り残すことへの恐怖(FoMO)とEFL学生の語彙習得にどのように影響するか

サマリー

本研究は、AI統合が英語学習者の心理的・認知的側面にどのような影響を与えるかを検証します。AIの使用は不安(FoMO)を増加させ、読解力を損なう一方で、デジタル燃え尽きは理解力と語彙力のつながりを弱めることがわかっています。目的は、学習を支援するためにバランスの取れたAI活用の必要性を強調することです。

要約

本研究は、英語学習における人工知能(AI)の統合が、英語を外国語として学ぶ学習者の心理的および認知的成果にどのように影響するかを調査します。具体的には、AI依存の認識、倫理的懸念、生成AIの使用が「見逃しへの恐怖(FoMO)」、読解戦略尺度で測定される読解力、語彙習得に与える影響を調査しつつ、デジタル燃え尽きの調節的な役割も考慮しています。n=450人のEFL学習者を対象とした横断調査設計が用いられ、部分最小二乗構造方程式モデリング(PLS-SEM)を用いて直接的および媒介関係の両方を評価しました。その結果、AI関連要因はFoMOの高さを有意に予測し、それが読解力に悪影響を及ぼすことを示しています。読解力は語彙習得を強く支えますが、デジタル燃え尽きはこの関係を弱めます。この研究は、学習成果を促進すると同時に心理的負担にも寄与するという教育におけるAIの二重性を強調しています。これらの結果は、言語学習におけるバランスの取れたAI統合の重要性を強調し、デジタル不安や燃え尽き症候群を緩和する戦略の必要性を強調しています。理論的示唆は、FoMOをAI駆動の教育文脈における重要な感情的経路として特定することで、技術媒介学習の研究をさらに拡大させます。実践的な推奨としては、デジタルウェルネス実践をAIツールと組み合わせて学習効果を最適化しつつ、心理的な悪影響を最小限に抑えることです。

概要

生成人工知能(AI)の教育への迅速な統合は、特に英語外国語(EFL)の文脈において、従来の言語学習パラダイムを変革しました^。1.AI搭載の語彙アシスタント、自動ライティングフィードバックシステム、適応型学習プラットフォームなどのツールは、効率の向上と個別化された指導を約束します^。しかし、この技術的変化は、AI依存、デジタル燃え尽き症候群、倫理的問題など、学習成果を媒介する心理的・教育的課題ももたらしています^。この分野であまり研究されていないが重要な現象の一つが「見逃すことへの恐怖(FoMO)」です。この心理状態では、学習者は社会的な比較圧力からAIツールを導入せざるを得ず、その代償として深い認知的関与を損なう可能性があります^。既存の研究では言語習得におけるAIの役割が探求^{されていますが、}生成AIが依存性やFoMOとどのように相互作用して語彙習得を形成するかを検証した研究は少なく^{、教育における}AIの促進的かつ有害な二重の力を理解する上で大きなギャップを生^{んでいます。}

文献のレビューでは、3つの重要なギャップが明らかになります。まず、EFL学習におけるAIの研究は主に、^AI導入を促す心理的なメカニズムよりも、テストの成績や流暢度の向上などのパフォーマンス成果に焦点を当てています。例えば、AIの語彙保持効率はよく知られていますが、依存、つまりAIなしでは効果的に学べないという信念が動機付けや長期的な定着にどのように影響するかについてはほとんど知られ^{ていません。}第二に、FoMOはソーシャルメディアの文脈で広く研究されていますが、AI媒介学習環境におけるその役割はまだ十分に探求されていません。AIツールはしばしばリアルタイムで社会的に見えるフィードバック(ピアベンチマーキング機能)を提供するため、学習者は遅れを取ることへの不安が高まり、AI¹⁰への依存がさらに強まることがあります。第三に、AIに関する倫理的懸念(データプライバシー、アルゴリズムバイアス)は広く認められ^{ていますが、}依存や学習効果に対する調整効果はEFLの環境で実証的に検証されていません。これらのギャップは、テクノロジーの受容、動機付け心理学、認知学習理論を橋渡しする包括的な調査の必要性を強調しています。

本研究は、生成AIの使用、AI依存の認識、AI倫理的懸念がEFL学習者のFoMOにどのように影響するか、FoMOが3つの独立変数すべてをEFL学習者の読解力に結びつける媒介的役割、そして読解力と語彙習得の間のデジタル燃え尽きの調節効果を検証する新しい概念モデルを提案することでこれらのギャップを埋めています。本研究は、自己決定理論(SDT)¹²の視点からAI依存が内発的動機付けと学習者の自律性に与える影響を研究するための包括的な理論的枠組みの構築に貢献します。社会比較理論¹³ ではAIが媒介する学習環境におけるFoMOの心理的メカニズム、認知負荷理論(CLT)¹⁴によるAI依存ツールの認知負荷への影響などを研究しています。

本研究の理論的貢献は三つあります。第一に、AI依存を学習者の自律性に対する潜在的な脅威として概念化することでSDTを拡張し、AIが普遍的に動機付けを高めるという前提に挑戦します。次に、社会比較理論をAI媒介学習に適用し、FoMOがソーシャルメディア現象から教育^{ツール普及の}原動力へと変貌する様子を明らかにしています。第三に、CLTを洗練させ、AIの認知的利益(余計な負荷の減少)が依存性による関連負荷¹⁶によって相殺される可能性を示し、記憶符号化に対するAIの影響を微妙に理解しています。これらの理論的進歩は、AI支援学習の心理学に関する将来の研究の基盤を提供します。

方法論的厳密さと実用的応用を確保するために、いくつかの重要な考慮点が設計を導きました。中国の大学EFL学習者を対象とした対象集団は、AIツールへの高い曝露と制度的統合が評価されており、AI依存性の検証に関連性の高い文脈を提供している。構成要素の境界は、各潜在変数に対して検証済みの多項目尺度を用いて明確に示され、概念の重複を防ぎます。これらの特定の尺度の選択は、確立された信頼性と、調査対象となる複雑な心理的・行動的構造(多次元的な倫理的懸念、学習特有のデジタル燃え尽き)を直接的に操作化していることによって正当化されました。計画された媒介およびモデレーション解析において、断面データはPLS-SEM による 予測モデリングには十分であるものの、媒介された経路および緩和経路の決定的な因果推論を制限することを認めます。465のサンプルサイズは回帰分析およびPLS-SEMの両方における統計的検出力の最低要件を大きく上回っており、構造経路の最大数に関する「10倍のルール」に従っており、提案モデルの安定かつ一般化可能なパラメータ推定を保証します。

研究の中心的な構成要素は以下の通りです:認識されたAI依存とは、学習者が効率化やタスク完了のためにAIツールに依存していると信じていることを指します。認識されるAI倫理的懸念は、アルゴリズムの透明性、公平性、安全性、説明責任に関する懸念を含みます。生成AIの使用とは、テキストや画像を生成するためにAIモデルを活用する頻度と範囲を指します。「見逃すことへの恐怖(FoMO)」とは、他者が自分が欠けているやりがいのある経験をしているのではないかという不安であり、ここではAI駆動の学習に文脈化されています。デジタルバーンアウトとは、長期にわたるデジタルエンゲージメントによって生じる感情的・精神的な疲労の状態を指します。最後に、学習成果は読解力(Reading Comprehension)という、書かれた教材を活用して戦略を理解し活用する能力と、語彙習得(Vocabulary Acquisition)という新しい単語の学習や使用における自己認識の効果によって表されます。

この記事の構成は以下の通りです。第1章は背景、重要性、研究のギャップおよび本研究の貢献を扱います。第2章では、EFL学習、依存関係、FoMOにおけるAIに関する過去の研究を振り返り、重要な議論を統合しています。第3節では、研究設計、依存性/FoMOの認識を測定する調査、語彙保持を評価する実験課題を組み合わせた方法論を詳述しています。第4節では、調停・調整分析を含む所見を提示します。第5章は理論、教育法、AI設計への示唆を論じ、第6章は制限事項と今後の方向性について締めくくります。

プロトコル

本研究は揚州大学における人間被験者研究の倫理ガイドラインに準拠して実施されました。参加者全員から事前のインフォームドコンセントが得られ、研究の目的、調査に基づく手続き、任意性、そしていつでも取り下げられる権利について十分に説明されていました。すべての方法は人間研究の倫理基準を遵守し、参加者の機密保持、データの匿名化、そして研究全体を通じて保護が確保されました。この研究は、参加者へのリスクを最小限に抑えた非侵襲的かつ調査ベースのデータ収集を含みました。本研究は教育研究の倫理ガイドラインを遵守しており、参加者の匿名性と自主参加を確保しています。データ使用と保存に関する明確な情報とともに、インフォームドコンセントは電子的に取得されました。個人を特定できる情報は収集されておらず、回答はパスワード保護されたサーバーに安全に保存されています。参加者はいつでも辞退する権利を保持します。潜在的なリスク(調査疲労)は簡潔なアンケート設計によって軽減され、個別の特定を防ぐために結果は集約形式で報告されます。

文献レビュー

AI依存の認識、AIの倫理的懸念、そして取り残されることへの恐怖(FoMo)
人工知能(AI)の教育への活用が積極的に取り入れられたことで、特に英語を外国語として学ぶ学生の間で、言語学習に新たなひねりがもたらされています¹⁷。インテリジェントなチュータリングシステム、自動作文評価、適応型学習プラットフォームはAIベースで、効率的かつ個別化された学習体験を提供します¹⁸。しかし、この技術の進歩とともに、心理的な問題もいくつかありました。例えば、エスカレートした「見逃すことへの恐怖(FoMO)」という、人々が^{楽しい活動に参加}できないことを恐れる社会不安の一種です。研究結果によると、AI依存の認識やAI倫理的懸念は、EFL学習者のFoMO(不満)レベルを強化し、将来的にAI教育との関わり方を変える可能性があります。

さらに、AIが言語教育の過程でその役割を果たすにつれて、生徒は文法や語彙の修正や発音向上のためにこれらのツールに依存するようになる^{でしょう。}この依存は心理的なプレッシャーを引き起こす可能性があり、学生は学業の遅れを防ぐためにAIツールを継続的に使わなければならないと感じることがあります。デジタル依存に関する研究結果は、テクノロジーへの過度依存が、そのようなデバイスにアクセスできないことへの恐怖から不安を生み出すという結論に至りました²¹。EFL学習の分野では、AIが必要だと信じる学生は、他の学生がこう^{した技術をより}多く活用していると感じてFoMO(不満)を感じるかもしれません。この現象は、人々が自分の進歩を他者と比較するという社会比較理論²³と一致しています。AI強化学習が競争のシグナルと見なされると、学生はこれらのツールの活用に最大限に関わらなければ学業の成功を逃すことを恐れます²⁴。さらに、AIツールによって育まれる永続的なつながりは、教育と娯楽の違いを歪め、依存性のある家畜化行動をさらに強化し、FoMO²⁵をさらに強化しています。

H1: AI依存の認識はEFL学習者の「見逃すことへの恐怖(FoMO)」に良い影響を与えます。

H2: AI倫理的懸念がEFL学習者の見逃し恐怖(FoMO)に良い影響を与える。

生成AI(ChatGPTの活用)と取り残されることへの恐怖(FoMo)
教育分野で生成AI(ChatGPT)の人気が高まっていることで^{、言語学習}過程における新たな心理的体験の条件が生まれ^{ています。}最近の研究では、こうしたハイテクAIツールの利用が学習者の感情状態、特に「見逃すことへの恐怖(FoMO^)」を大きく変える可能性があることが明らかになりました。生成AIが即時フィードバックを提供し、学習資料を生成し、会話の練習をシミュレートするようプログラムされるほど、学生は不安を抱き、これらのツールを最大限に活用しなければ置いていかれてしまうのではない^かと不安を抱くことになります。このプロセスは、技術の進歩によって学習でより多くのことができるだけでなく、学習体験に新たなレベルの不安をさらすという、より広範なデジタル学習の傾向を示唆^{しています。}

生成AIツールが言語学習者に与える心理的影響は、自己決定理論を参照することで説明できる。この理論によれば、能力、自律性、関連性が基本的な心理的ニーズである。¹⁴。学生が仲間がAIの助けを借りてより良い結果を出していると信じている場合、これはFoMOが対処されていないことに起因するもの^{でもありますが}、その状況は彼らの能力感への脅威によってさらに悪化しています。この影響は、学生が進捗と能力を比較する困難な学術環境で特に深刻になることがあります。さらに、生成AIツールへの無制限の利用は、学習者が遅れを取って大きな進歩を失うことを恐れ、継続的な使用の問題にもつながる可能性があります。

FoMOは学習コミュニティにおけるAI導入の社会的ダイナミクスの形でも現れ^ます。生成AIが教育現場で当たり前になると、^{教育環境で}推奨されている新しいデジタル手法に合わせるよう社会的圧力が生まれる可能性が高いです。このようなプレッシャーは、学習者の努力なしにAIが文章、文法、コミュニケーションを助けるため、特に強く感じ^{られます。}この変革の中で仲間外れになるという考えは、より^{伝統的な方法で学ぶ}傾向のある学習者であっても、強迫的な使用戦略を採用する動機となる可能性があります。新たな研究では、生成AI利用とFoMOの関係に対する学習者の特性の媒介効果をより詳しく理解する必要性が強調されています。これらの質問への答えは、デジタルリテラシーや自己調整スキルのレベル、学習動機などの要因に依存し、AIツールが資源を力づけるのか不安の原因なのかを決定づける³⁷。上記の文献に基づき、以下の仮説が提案されます。

H3:生成AIの利用増加は、EFL学習者の「見逃すことへの恐怖(FoMO)」に良い影響を与える。

取り残すことへの恐怖(FoMo)、読解力と語彙習得
「見逃すことへの恐怖(FoMO)」という心理学的概念は、オンライン学習行動にますます影響を与えており、第二言語学習と学業成果との複雑な関係を浮き彫りにしています。³⁸。最近の研究では、言語学習次元³⁹によってFoMOが言語学習の複数の側面、特に読解力や語彙習得に差異化した効果をもたらす^{可能性があることが示}されています。この依存は認知負荷⁴¹と注意制御システム⁴²に動機づけられているようで、高いFoMOを持つ個人はテキストと素材の相互作用に独特のパターンを示します。

実証研究は、学習者が読書教材を社会的・学術的に価値あるものと感じる場合、適度なFoMOが読書教材への関与を高めること^{を示しています。}しかし、FoMOへの過剰な浸透は不完全な読解や情報の低下を伴う(⁴⁴)。これは理解力を低下させる可能性があります。この感覚はデジタル読書空間でより顕著で、通知やソーシャルメディアの罠が注意の乱れを増やすように思^えます。語彙習得においては、FoMOはより複雑な関係にあります。新しい語彙項目への露出は関与の増加によって増加する可能性がありますが^、強迫的な学習行動によって定着は損なわれます。

新たな証拠は、これらの関係に文化的および個人的な差異があることを示唆しています。比較すると、集団主義的な学習者はFoMOが読解力に与える悪影響により敏感^{であり、これは社会的に比較}する傾向が高まる傾向と関連している可能性があります。一方で、FoMOの経験は、自己調整戦略が高い学習者の理解力や語彙学習に影響を与えません。上記の文献に基づき、以下の仮説が提案されています。

H4:見逃すことへの恐怖(FoMO)は読解力に悪影響を及ぼします。

H5:読解力は語彙習得に良い影響を与える。

学習におけるデジタル燃え尽きの緩和効果
デジタル燃え尽き症候群は、言語習得の過程に影響を与える心理的・社会的な影響を持つ最近の問題です^51,52。感情的にも認知的にも消耗し、同時に、技術を媒介した学問的な学習の幅広さのためにやる気を失っていました。デジタル燃え尽き^{は言語を処理する}ために必要な認知能力に悪影響を及ぼしました。積極的な神経認知研究では、職業燃え尽き症候群が疲労を引き起こし、それがワーキングメモリー能力⁵⁴に干渉していることが示^{されています。これは}単語記憶と読解の両方の重要な要素です。この精神的疲労が、デジタルで燃え尽きた学習者が語彙学習課題を行った際に弱い意味符号化の新たな証拠の背景にある可能性があります⁵⁶。

デジタルバーンアウトは、言語習得に伴う認知的および感情的な要求が異なるため、EFLの文脈で独特に現れます。一般的な学術的燃え尽きとは異なり、EFLのデジタル燃え尽きは、デジタルインターフェースを通じて慣れない音韻、構文、意味論を処理するための絶え間ない認知的負荷によって悪化し、内容ベースの学習よりも作業記憶を圧倒してしまうことがあります⁵⁷。さらに、AIプラットフォーム上の言語練習のパフォーマティブな性質によって、学習者は即時のアルゴリズム駆動の修正やネイティブに近い習熟度を求めるプレッシャーから不安を感じることがあります⁵⁸。デジタル媒介された言語環境における認知負荷の強化と独特の社会情動的圧力の組み合わせは、語彙の符号化や読解の微妙なプロセスを直接妨げる特定の燃え尽き症候群のプロファイルを生み出します⁵⁹。

デジタル燃え尽き症候群と読解力は語彙発達において非常に微妙な関係を示しています。生徒が強い読解力を持つ場合、偶発的な語彙知識は文脈的推論によって得られる可能性が高いですが(⁶⁰)、高い燃え尽き症候群の生徒では語彙と読解力の正の相関が減少します。⁶¹。視線追跡測定によると、言語老化学習者は⁶²の読書中に新しい語彙対象への集中時間が減少し、語彙密度の高い背景での精神集中力の低下を示唆しています。これは注意制御理論に似ており、認知疲労は同時理解や語彙処理に関わる実行機能のスキルに影響を与えると考えます。デジタル燃え尽き症候群の調節的な役割は、自己調整や学習環境の設計における個人差でのみ明らかであることは十分に指摘できます(⁶³)。燃え尽き症候群の悪影響に対する耐性は、理解力の障害に直面しても語彙で優位を保つことを示す高パフォーマンスのメタ認知戦略を持つ学習者にも表れています。上記の文献に基づき、以下の仮説が提案されています。

H6: 学習におけるデジタル燃え尽きは語彙習得に悪影響を及ぼします。

H7: 学習におけるデジタル燃え尽きは、読解力と語彙習得の関係を負の調和し、燃え尽きが高いほど語彙向上に対する理解力の正の効果を弱めます。

見逃すことへの恐怖(FoMo)の媒介効果
教育における人工知能の導入により、読解力の結果を決定する複雑な心理システムが加わり^ました。新たなデータによると、見逃すことへの恐怖(FoMO)は、学習者のAI技術への関与と読解力との関連を介した重要な媒介者であることが示^{されています。}この媒介効果の役割は、AIツールがより効率的な学習を促進する手段として推進されている環境で特に顕著であり、その結果、高^{次の思考を}妨げる心理的圧力を生み出している場合に見られます。学習者がAI支援に不合理に依存していることに気づき、自律的学習不安が生まれないように^{するため、最近}の研究はAI依存度が自律^{学習能力に関する}不安の発生にどのように影響するかを明らかにすることに焦点を当てています。この不安は、学生が人工知能^{強化の結果と}比較して自分にできないことを考えることでFoMO(不満の不安)に変換され、深い理解のステップから認知資源を遠ざける傾向を示します。

AIの応用に関する倫理的問題はFoMO経路に対応しており、AIの使用によって道徳的葛藤に直面した学習者は仲間の行動に対して警戒心を高めることが多く、倫理と読解力の間に注意の区別を形成する助け^{となっています。}これは、⁶⁵を読むときに読者がより後退的な眼球運動を行う眼球追跡研究にも反映されています。特に倫理的問題が明確化されていない場合、その仲介効果は顕著であり、読書⁷¹を妨げる持続的な認知的負担が残るようです。生成AIツールは、ほぼ瞬時に出力を生み出す新しいタイプの調停を生み出します。上記の文献に基づき、以下の仮説が提案されています。

H8: 見逃すことへの恐怖(FoMO)は、認識されたAI依存性と読解力の関係を媒介します

H9: 見逃すことへの恐怖(FoMO)は、認識されたAIの倫理的懸念と読解力との関係を媒介しています

H10:見逃すことへの恐怖(FoMO)は生成AIの使用と読解力の関係を媒介しています

理論的枠組み
本研究は主に自己決定理論(SDT)¹²に基づき、AIツールが学習者の動機付けや認知的関与を支える根本的な心理的ニーズにどのように影響するかを理解するための一貫した枠組みを提供します。モデルによれば、知覚されたAI依存は自律性と能力というSDTの主要なニーズを直接的に危険にさらし、読解や語彙習得などの目標達成に対する外部からの過度な依存を生み出し、言語学習への内発的動機を損なう可能性があります。この文脈で、見逃すことへの恐怖(FoMO)は関連性の枠組みで理解され、これは二次的な社会比較理論⁷²によって説明されます。AIの広範な利用によって同年代の間に形成された社会的規範は、FoMO(離脱意識)状態を引き起こし、取り残されることへの不安を生み、それが依存を増大させ、結果的に自立学習の動機をさらに低下させます。

この動機付けのダイナミクスは、認知負荷理論(CLT)⁷³で説明される認知的結果によって説明されます。生成AIは余計な認知負荷を最小限に抑える(例えば即時定義を通じて)学習を強化できますが、これに過度に依存しすぎると、語彙を深く符号化し長期記憶に保存するために必要な重要な認知負荷を減らし、語彙習得に逆効果になる可能性があります。さらに、デジタル・バーンアウトという状態によってさらに悪化し、認知資源が枯渇し、理解と学習の関連性が損なわれます。一方、SDTは動機付けの一般的な経路を説明し、CLTはその後の認知過程を詳述し、社会比較理論はその後の社会情動刺激(FoMO)を記述し、これらが組み合わさってAIの二重の言語学習への影響を複合的に説明しています。

研究デザイン
本研究は定量的実証研究デザインを採用し、AI関連要因(依存の認識、倫理的懸念、生成AIの利用)、見逃すことへの恐怖(FoMO)、デジタル燃え尽き、言語学習成果(読解力と語彙習得)との関係を調査します。横断的調査ベースのアプローチが用いられており、単一の時点でデータを収集して相関関係や媒介・調整効果を評価することができます。この設計は、構造方程式モデリング(SEM)を用いて潜在構造間の複雑な関係を解析できるため、提案された理論モデルの検証に特に適しています。

人口とサンプリング
対象対象は中国の大学でEFL学習者であり、AI支援言語学習ツールがますますカリキュラムに統合されている状況です。利便性の高いサンプリング手法を用いて465名の参加者を募集し、サンプル数はG*パワー3.1⁷⁴を用いた事前検出力分析で決定されました。計画された多重回帰分析(α = 0.05、パワー= 0.95、中効果量f² = 0.15)では、分析では最低サンプルサイズが166名であることが示され、465名のサンプルが十分な統計的パワーを提供することが確認されました。サンプルサイズもSEM解析に十分であり、PLS-SEMの要件に従い、モデル⁷⁵の構造経路の最大サンプル数の10倍が最小サンプルポイント数であるべきです。サンプルは中国各地の複数の大学のサンプルユニットを用いて募集され、一般化可能性の面で高い結果を得ます。一方、人口統計学的変数(応募者の年齢、性別、英語能力レベル、AIツール使用頻度)は記録され、今後の研究で対照要素として用いられます。

調査結果の分析的完全性を確保するため、データ収集および準備プロセス全体で複数の品質管理措置が実施されました。最初の調査分布では87%の回答率が出ました。データ収集後、厳格なスクリーニング手順が適用されました。10%を超える欠損データを含む不完全な調査はリストごとに除外し、項目レベルで残る残る欠落値はSPSSの期待最大化補完アルゴリズムを用いて統計的検出力を保ちバイアスを最小限に抑えました。さらに、組み込み型の注意チェック問題は、不注意回答者の特定と削除を促進しました。これらの包括的な手順と多変量外れ値のスクリーニングにより、最終的な解析データセット(N=450)はその後の構造方程式モデリングにおいて高い信頼性基準を満たしました。

データ収集手順
データはオンラインと現地の両方の方法を組み合わせた混合方式で収集され、参加とアクセスのしやすさを最大化しました。研究チームは対象大学の講師と協力し、公式のWeChatクラスグループを通じて独自のアンケートリンクを学生に直接配布しました。この方法は信頼できるチャネルを活用し、応答率を向上させました。現地データ収集のために、主任研究者と訓練を受けた助手が予定されたセッション中に指定された教室を訪問しました。研究の簡単な紹介の後、紙ベースの調査パケットを配布しました。インフォームドコンセントを取得する手続きは、各モードに合わせて調整されていました。オンライン版では、参加者には最初のページにデジタル同意書が提示されました。質問票の項目が有効化される前に、「上記の情報を読み理解し、自発的に参加することに同意します」を選択する必要がありました。現地参加者には詳細な情報シートがアンケートパケットに添付され、参加者はアンケートを受け取る前に物理的な同意書に署名して書面による同意を得ることができました。回答者の疲労を最小限に抑えるため、完全なアンケートは15〜20分以内に完了するよう設計されました。データの質を確保するために、調査内に2つの注意チェック項目(「この文に『強く異議を唱える』を選択してください」)が組み込まれました。10%以上のデータ不足を含む不完全な提出や注意チェックに失敗した投稿は、システムによって自動的にフラグが立てられ、その後除外されました。データ収集期間は4週間にわたり、その間に初期の配信チャネルを通じて2回のリマインダーメッセージが送信されました。収集後、データセットは統計解析の前に、欠損値、単変量および多変量の外れ値、正規性仮定の違反などの厳格なクレンジングプロセスが行われました。

測定とスケール適応

AI依存の認識
知覚AI依存はMorales-Garcíaら⁷⁶に基づく5項目尺度を用いて測定されました。この尺度は、人々が日常生活や意思決定過程で人工知能にどれだけ依存しているかを測定します。これらのアイテムは、効率的にAIツールを使う必要があると感じることや、AIサポートなしでは作業できないことなど、依存関係のいくつかの側面を反映しています。

認識されるAI倫理的懸念
倫理的懸念は、キムとコ⁷⁷によって開発された多次元尺度を用いて評価されました。EFL集団の妥当性と関連性を高めるために、この尺度の4つの次元はAI駆動の言語学習という特定の文脈の中で枠組みづけられました。この尺度は、透明性(8項目)、公平性(5項目)、安全性(5項目)、責任(8項目)の4つの重要な次元で構成されています。それぞれの次元は、AIの意思決定プロセスの明確さ、AIアルゴリズムのバイアス、AI利用に伴うリスク、AI導入における説明責任など、異なる倫理的課題を評価します。この集中した運用化により、項目はEFL学習者が直面しそうな倫理的ジレンマに直接結びつくことが保証されます。

生成AIの利用
生成AIの利用はAbbasらの8項目スケールを用いて運用化^{されました。}この尺度は、テキストや画像作成デバイスを含む生成AIモデルの使用頻度と頻度を測定します。これらの製品は学術的、専門的、個人的なさまざまな用途を検証し、人々がそれらを生活にどのように取り入れ、活用しているかを理解するのに役立ちます。この包括的なアプローチにより、生成AIが学習者のエコシステムに包括的に統合されている様子を捉えることができ、そのより広範な心理的・認知的影響を理解するための前提条件となっています。

見逃すことへの恐怖(FoMO)
見逃すことへの恐怖は、MazlumとAtalay⁷⁹による17項目スケールで測定されました。この尺度は、仲間が自分が欠けているにもかかわらず、報酬ある体験をしているという不安を微妙に評価したために選ばれました。この研究は、デジタル媒介学習環境に非常に関連した要素、すなわちオンラインでつながり続けたいという強迫的な欲求や、AIによって促進される優れた学習戦略やリソース、仲間間の進歩を見逃すことへの恐怖を捉えており、AIの使用と心理社会不安を直接結びつけています。

読解力
読解力はMokhtariら⁸⁰から応用した読書戦略を用いて測定され、これにはグローバル読解戦略5項目、問題解決戦略5項目、サポート読解戦略5項目の3つの次元が含まれます。この尺度は、個人が書かれた資料にどのようにアプローチし理解するかを評価し、情報を統合し、理解の困難を解決し、外部の支援を活用して理解を深める能力に焦点を当てます。

学習におけるデジタル燃え尽き
学習におけるデジタル燃え尽きは、ErtenとÖzdemir⁸¹から応用された尺度を用いて測定されました。この尺度は、デジタルエイジング(12項目)、デジタル剥奪(6項目)、感情的疲労(6項目)の3つの次元から成りました。この尺度は、過度のスクリーンタイムによる疲労、断絶感、オンライン学習による精神的疲労など、長期間のデジタルエンゲージによる悪影響を評価します。

語彙習得
語彙習得はLiら⁸²の4項目尺度を用いて評価されました。この尺度は、人々が新しい単語をどのように受け入れ、記憶し、さまざまな文脈で使うかにおいて、語彙学習戦略の効果を測定するために用いられます。教材は自己申告の語彙使用能力と自信を評価します。

データ分析計画
本研究は、仮説上の関係を厳密に検証するために包括的かつ二段階の分析戦略を採用しています。初期のデータスクリーニングと予備解析はSPSS 28を用いて行われ、記述統計によるデータ分布の評価、スケール信頼性分析(クロンバックのアルファ)、および主要構成要素間の予備的関連を検証するための二変量相関に重点を置いています。すべてのリッカート尺度の項目は5点間隔スケール(1=強く反対 から 5=強く同意)でコーディングされました。この基礎分析はデータの品質を確保し、より複雑なモデリングに進む前にデータセットの基本特性に関する重要な洞察を提供します。一次解析では、SmartPLS 4を用いて部分最小二乗構造方程式モデリング(PLS-SEM)を実装し、潜在変数⁸³を含む複雑な予測モデルの堅牢な扱いが評価されています。分析は測定モデルの徹底的な評価から始まり、確認的因子分析によって尺度の心理測定的特性が確立されます。主要な評価には、内部整合性(複合信頼性)、収束妥当性(平均分散抽出)、判別妥当性(Fornell-Larkker基準および異質性-単一性比)の検証が含まれます。これらのステップにより、構成要素は理論的に妥当でありながら経験的にも区別されます。

その後、構造モデルを検証し、構成概念間の仮説的な関係を検証します。経路係数はその大きさ、方向、統計的有意性を分析し、効果量(f²)は実質的影響を評価するために計算されます。モデルの予測関連性は、Stone-Geisser Q²統計量を用いて評価され、内因変数の予測能力を検証するための盲目処理が行われます。媒介分析には、Preacher and Hayes⁸⁴のブートストラップ手法を用いており、間接効果に対して堅牢な信頼区間を提供しつつ、交絡変数の制御も行っています。減速効果はPLS積指標法を用いて作成された相互作用項を通じて検証され、単純な傾き解析で有意な相互作用効果を解釈します。すべての解析では5,000のブートストラップサンプルを用いて安定した推定値を作成し、結果の堅牢性を確保します。

一次解析では、SmartPLS 4を用いて部分最小二乗構造方程式モデリング(PLS-SEM)を実装し、潜在変数⁸³を含む複雑な予測モデルの堅牢な扱いが評価されています。共分散に基づくSEM(CB-SEM)よりもPLS-SEMを選んだのは、内因変数(語彙習得)を予測するという本研究の主な目的と、媒介および調節メカニズムを備えた複雑なモデルによって正当化されます(⁸⁵)。さらに、PLS-SEMはモデル全体の潜在的な構成要素間の関係を同時に推定し、測定誤差を考慮できるため、多重回帰よりも好まれます。実験デザインは強い因果推論を提供しますが、本研究の横断的な性質は、PLS-SEMが適している実世界の学習文脈における予測関係の確立を目指し^{ています。}最後に、この研究のデータ分析と研究結果は以下の結果セクションでご覧いただけます。

結果

記述統計
記述的統計は、本研究における重要な変数、すなわちAI依存の認識、倫理的懸念、生成AIの使用、見逃すことへの恐怖(FoMO)、読解力、デジタル燃え尽き、語彙習得の重要性を概観しています。分析では、データの中心的傾向、分散、分布特性を示し、AI技術への関心や心理的・推論的結果の理解を提供します。構成概念間の正規性と変動は、平均、標準偏差、歪度、尖峰などの指標を用いて測定されました。これらの発見は、AI統合の度合い、倫理的懸念、学習に関連する問題の異なる度合いを明らかにし、それが後の推論分析に役立っています。

表1は 、本論文で分析された最も重要な変数、例えば中心傾向、変動性、分布、信頼性測定の詳細な説明を示しています。調査結果によると、回答者はAI依存の認識レベル(M = 3.72、SD = 0.91)およびAI倫理的懸念(M = 4.05、SD = 0.76)と評価し、その中で最も高いレベルは公平性のサブスケール(M = 4.12)でした。生成AIの使用は中程度(M = 3.45、SD = 1.02)...

ディスカッション

本研究では、EFL学習者のAI関連要因、心理状態、学習成果の複雑な相互作用を検証し、いくつかの重要な発見を導き出しました。私たちの方法論的アプローチ、特にPLS-SEMの活用は、これらの複雑な関係をモデル化する上で極めて重要でした。理論の確認により適した共分散ベースのSEM(CB-SEM)とは異なり、PLS-SEMは予測指向性と媒介・減速変数を持つ複雑なモデルを扱う能力により、この探索的研究に最適な選択肢となり^ました。再現性を高める重要な方法論的ステップは、SmartPLS 4における厳格な2段階解析プロトコルであり、測定モデルの検証から始まりました。これにより、「生成AI利用」や「リーディング戦略」といった構成要素が、構造的経路を検証する前に実証的に明確かつ信頼できるものとなり、特定された関係の妥当性が強化されました。

分析の結果、AI依存の認識、倫理的懸念、生成AIの使用がいずれも見逃し恐怖(FoMO)の重要な予測因子であり、生成AIの使用が最も顕著な影響を示しま...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ノートパソコン	デル・テクノロジーズ	該当なし	データ処理および文書化に使用されます
統計ソフトウェア(SPSS)	IBM社	バージョン26.0	統計解析に使用
Microsoft Excel	マイクロソフト	Office 365	データ入力と基本的なデータ処理