この研究は、デジタルウェルビーイングと生成AIが英語を外国語として学ぶことへの関与を促進し、学業成績の向上につながることを示しています。高い成果は持続可能な開発目標への意識を高め、教育技術を学業と持続可能性の成果の両方に結びつけます。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
この研究は、デジタルウェルビーイングと生成AIが英語を外国語として学ぶことへの関与を促進し、学業成績の向上につながることを示しています。高い成果は持続可能な開発目標への意識を高め、教育技術を学業と持続可能性の成果の両方に結びつけます。
本研究は、デジタルウェルビーイングと生成AIの導入が、英語を外国語(EFL)とする学生の学業成功と持続可能な開発目標(SDGs)への関与にどのように寄与しているかを検証します。定量的な横断設計を用いて、デジタルウェルビーイング、AI利用、学習参加、学業成績、SDG認識を測定する検証済み尺度を通じて440名の参加者からデータを収集しました。部分最小二乗構造方程式モデリング(PLS-SEM)を用いて、これらの構成要素間の関係を分析し、モデルの予測妥当性と堅牢性を評価しました。この研究結果は、デジタルウェルビーイングと生成AIの両方がEFL学習への関与を大幅に高め、それが学業の成功を後押ししていることを示しています。さらに、学業成績は学生のSDG意識に良い影響を与え、デジタル教育と持続可能性の成果の相互関連性を強調しています。本研究は、学習エンゲージメントがテクノロジー強化学習と学業成績の間の重要な仲介者であることを特定しています。これらの結果は、デジタルウェルネス戦略とAIリテラシーを教育枠組みに統合し、学業成績と国際市民意識の両方を促進する重要性を強調しています。これらは、学生がデジタル生活を効果的に管理し、先進的な技術を活用し批評して世界で最も差し迫った課題を理解し行動できるように同時にカリキュラムと教育法を設計することで達成されます。
急速な技術進歩が続く時代において、デジタルウェルビーイングと生成型人工知能(GAI)の教育への統合は、学生の学業成績や国連の持続可能な開発目標(SDGs)に広範な影響をもたらす変革的な力として浮上しています。デジタルウェルビーイングが認知的・感情的バランスを高めるための健康的なテクノロジー利用を促進する一方で、GAIはパーソナライズされた学習2、アクセシビリティ、教育効率3の前例のない機会を提供します。それにもかかわらず、世界中でこれらの分野への関心が高まっているものの、既存の知識は散在しており、学術的成功の発展やグローバルな持続可能性の推進における相乗効果の将来的な可能性にはほとんど焦点が当てられていません。この研究は、デジタルウェルビーイングの原則に基づく責任あるGAIの利用が学習成果を最大化しつつ、特にSDG4(質の高い教育)、SDG3(良好な健康と福祉)、SDG10(格差削減)など主要なSDGsをどのように支援できるかを具体的に検証することで、この必要不可欠なギャップを埋める助けとなっています。
現在の文献をレビューすると、いくつかの未検証の側面が明らかになります。まず、デジタルウェルビーイングに関する研究は、学生の過剰なスクリーンタイム、デジタルの気晴らし、メンタルヘルスの問題のリスクを強調していますが、構造化されたデジタルマインドフルネス実践がAI駆動の学習ツールと共存できるかを検証した研究はほとんどありません。6。第二に、教育におけるGAIの研究は主に評価の自動化、コンテンツ生成、適応学習の実現における効率性を強調していますが、学生のウェルビーイングに対する心理的・行動的影響を見落としています。第三に、SDGsの枠組みは包摂的かつ公平な教育を提唱していますが、AI強化学習環境がウェルビーイングを念頭に置いて設計された場合、教育格差を縮小し持続可能な学習実践を促進する方法についてはほとんど注目されていません。これらのギャップは、技術革新と人間中心のウェルビーイング戦略を調和させる統合的アプローチの必要性を強調しています。
本研究は、デジタルウェルビーイングの原則を教育におけるGAI応用と整合させる新しい枠組みを提案することで、これらの制約に対応します。これらの概念を独立して分析した以前の研究10とは異なり、本研究ではそれらのダイナミクスをそのように考え、こうしたAIが学生の集中力、モチベーション、長期的な学業達成を損なうのではなく、むしろ支援するために道徳的にどのように活用できるかの実証的証拠を提示しています。このようにして、本稿は教育技術、心理学、持続可能性科学の分野でのさらなる議論を補足し、技術の統合と持続可能性のバランスを取るために証拠に基づくアプローチを模索する多くの読者、研究者、政策立案者、教育者にとって興味深い現在の変種を提供します。 学習者と生徒の全人的な発展。
この研究の理論的貢献は三つあります。まず、AIを媒介したウェルビーイングの新たな次元を導入し、生成AIがどのように調整されて認知的過負荷を最小限に抑え、マインドフルな関与を促進するかを探ることで、デジタルウェルビーイングに関する議論を前進させています。第二に、教育におけるAIに関する文献を基盤とし、ウェルビーイングを重要な設計要素として統合し、従来の効率重視の議論を変革しています。第三に、AIを活用した最新の教育システムが持続可能な開発の原動力となり、特にデジタル格差の解消や学習者の精神的な強靭さの確保に役立ち、SDGsの学術研究の質を高めています。理論家のこれらの革新は、私たちの研究を学際的研究の前衛の一つに押し上げ、技術、教育、持続可能性の現在のグローバルな相互依存性についての視点を提供しています。学術的には、この研究はGAIとデジタルのウェルビーイングが学習成果に与える二重の成果を実証データを通じて評価する方法を包括的に示しています。政策立案者の間では、教育におけるAI利用を倫理的に管理し、生徒の安全を守るための実践的な提言を提示しています。教育者にとっては、教育法の効果を支援しつつも侵害しないAIツールの導入方法を示すエビデンスに基づく方法を示しています。さらに、これらの成果とSDGsとの関連は、技術的に進んだ教育が社会に与える全体的な影響をより大きな視点で示しており、デジタルの先駆けが持続可能な人間開発と結びつくべき理由です。
急速に普及するデジタル技術と生成型人工知能(AI)の教育分野の登場は、それらが学生の学業成績レベルや持続可能な開発目標16を含む多くの社会目標の達成に与える影響に対する大きな知的関心を引き起こしました。これらの技術的進歩は革命的な可能性を秘めていますが、教育環境への応用は対立と物流の多い分野であり、既存の研究を批判的に統合し、今後の研究の洞察と限界を定義する必要があります。本文献レビューでは、(1) デジタルウェルビーイングとその教育的影響、(2) 生成AIが教育実践に与える影響、(3) 与えられた技術的介入とSDGs、特に質の高い教育、健康、公平性に関するものとの適合性について、3つの関連分野の洞察をレビューします。デジタルウェルビーイングは、ますますテクノロジーに没頭する学習環境において重要な研究分野として浮上しています。研究では認知過負荷、デジタルの気を散らす、画面の過剰使用に伴う受動的な消費といったリスクが指摘されていますが、これらの影響を緩和する可能性が認識されつつあります19。デジタルマインドフルネス、意図的なテクノロジー使用、メタ認知的内省などの戦略的介入は、意味のある関与を促進し、精神的・感情的健康を守ることができます。重要なのは、デジタルのウェルビーイングはスクリーンタイムの最小化を超えたということです。それは、テクノロジーとバランスの取れた自己決定的な関係を育むことを含みます。この視点は特にAI強化学習の文脈で関連性が高く、アルゴリズムバイアスや自動化への過度な依存といった倫理的課題が、学生の能力感、自律性21、関連性に直接影響を及ぼす可能性があります。これらは動機付けや幸福感に不可欠な中核的な心理的ニーズです。このギャップを埋めるには、デジタルインタラクションのリスクに対処するだけでなく、教育における生成AIツールの設計と利用にウェルビーイングの原則を積極的に統合する枠組みが必要です。
生成AIの新しさにより、人間のようなテキストや写真、アクションに反応するゲームが生成され、パーソナライズされ適応型学習の新たな可能性の領域が開かれました。研究により、管理プロセスの自動化、パーソナライズされた学習リソースの作成、リアルタイムのフィードバック提供、そして指示の効率性とアクセスのしやすさの向上に効果的であることが確認されています。例えば、インテリジェント・チュータリング・システムやChatGPTのようなAIベースのツールは、差別化された指導を促進することが実証されています。とはいえ、生成AIの教育的利用には倫理的・心理的な影響も存在します。例えば、学術的誠実性の問題、アルゴリズムのバイアス、AI生成作品に過度に依存しすぎると学生が批判的思考能力を失う可能性などです。現在の研究は教育におけるAIの機能に関する膨大な情報を提供していますが、特にデジタルウェルビーイングに関して学生の心理的・行動的影響については十分に掘り下げていません。この見落としは、生成AIが学生の認知的・感情的健康を向上させるためにどのように活用されるかをより慎重に検討する必要性を示しています。デジタルウェルビーイングと生成AIの組み合わせは、SDGsの視点を通して世界が公平かつ持続可能な開発のグローバルな呼びかけを発展させたことで、新たな重要性を帯びています。一方、SDG4(質の高い教育)は、公平かつ包括的な学習機会へのアクセスを求めています。同様に、SDG3(良好な健康と福祉)とSDG10(格差の削減)は、メンタルヘルスのケアと社会的公平の促進の必要性を強調しており、これらはいずれも学生のデジタル体験に関連しています。しかし、AIやSDGsは現在、技術実証主義的な視点で議論されており、AI介入のスケーラビリティを称賛し、技術利用の心理社会的側面は無視されています。例として、AIはサービスが行き届いていない人々の学習体験をパーソナライズできますが、その実装には福祉保護が不足しており、それがデジタル疲労を増大させ、技術へのアクセスや自己調整能力が異なる学生間の格差を拡大する可能性があります。イノベーションと福祉の間の緊張関係は、この文献のギャップが極めて重要であることをさらに強調しています。すなわち、AI主導の教育進歩をSDGs33の人文的理想に結びつける一貫した一貫した枠組みの存在です。
教育心理学、人間とコンピュータの相互作用、持続可能性研究は、これら二つの異なる研究分野を橋渡しする有用なレンズを提供する理論的アプローチの一部を代表しています。そのような理論の例として自己決定理論(SDT)があり、自律性、能力、関連性の満足感を経験することで健全な学習と幸福が達成されるとされています。デジタル環境に適用すると、生成AIはフィードバックの適応性により、カスタマイズされた学習プログラムによる自律性と能力の両方を高める可能性があるが、社会的置換を超越して関連性を支援する設計も必要としている。同様に、デジタルバランスという概念、すなわちテクノロジーの使用が個人および集団の健康に一致する状態は、教育におけるAIの役割を評価する規範的基盤を提供します。しかしながら、これらの理論的構造はAI駆動学習環境の実証的分析にほとんど反映されておらず、デジタルウェルビーイングを本質的に志向したAIシステムをどう設計するかという疑問を残しています。文献の批判的レビューによると、未解決の緊張や将来の発展の領域がいくつか存在することが示されています。まず第一に、デジタルウェルビーイングの問題は抑制とマインドフルネスに焦点を当てていますが、生成AIはエンゲージメントと没入の問題であり、その矛盾は実証的な解決策を必要としています。第二に、教育におけるAIに関する倫理的議論は、データプライバシーやアルゴリズムの透明性に大きく基づき、AI40との相互作用がもたらす心理的影響についてあまり考慮していませんでした。第三に、SDGsが示す持続可能性と公平性への焦点は、AIの実際の実装における技術的・教育的側面に包括的に関連していません。この障害を克服するためには、学問分野を横断し、認知科学、行動経済学、教育政策の洞察を活用して、技術的に安定しつつ人間的な枠組みを考案することが重要です。 図1 は本研究の概念的枠組みを示しており、すべての変数とその経路関係を含んでいます。このモデルでは、研究変数間の仮説的関係が概念的枠組みの中で示されています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
この研究は、匿名の調査やインフォームドコンセントを提供した参加者へのインタビューを含んでいたため、倫理審査委員会(IRB)の正式な倫理承認を必要としませんでした。個人情報や機密データは収集されず、すべての回答は研究目的のみで機密扱いにされました。参加は任意であり、回答者は研究の目的を事前に知らされていました。
本研究は、英語を外国語(EFL)とする学生におけるデジタル福祉、生成AIの利用、学業成果の関係を定量的かつ横断的に調査しました。データは、複数の中国の大学にまたがる440人の学部EFL学生を対象に、生成AIツールを積極的に学習に活用したオンライン調査によって収集されました。構造化されたアンケートは、デジタルウェルビーイングの12項目の指標41、生成AI利用の8項目スケール、自己認識の学業成功スケール42、SDGの意識と学習参加の指標など、検証済みの尺度を用い、すべて5ポイントリッカート回答を用いました。データ解析は、記述統計と信頼性チェックにSPSS v.27、部分最小二乗構造方程式モデリング(PLS-SEM)用にSmartPLS v.4.0を用いた2段階プロトコルに従い、測定モデルと構造モデルの評価を行い、テスト経路の重要性にはブートストラップを適用しました。
研究デザイン
本研究で用いられた研究デザインは、デジタル・ウェルビーイング、生成AI、学生の学業成功、SDGsがEFL学生の間でどのように関連しているかを定量的かつ横断的に明らかにしています。断面設計は、研究者がある時点でデータを収集し、研究対象の変数の全体像を示せます。定量的な研究設計により、結果は測定可能かつ統計的に分析可能な情報に基づいており、結果をより信頼性が高く一般化しています。このパターンは、デジタルウェルビーイングや生成AIが学業成績やSDGsに与える直接的・間接的な影響を分析する際に特に適用可能であり、構造方程式モデリングのような高度な統計手法の活用を可能にします。
人口とサンプリング
本研究の対象対象は、中国の高等教育機関における英語外国語(EFL)プログラムに在籍する学部生でした。参加するには、学生は以下の参加要件を満たす必要がありました:現在学部生として在籍していること、ChatGPTやCopilotなどの生成AIツール(執筆支援、研究、コンテンツ生成など)を通常の学術学習の一環として積極的に使用していること、そしてインフォームドコンセントを提供すること。除外基準は、学術目的で生成AIを使用していないこと、大学院生または非学位生であること、調査回答が不完全なであることでした。
目的抽出技術を用いてこれらの基準を満たす参加者を募集し、コアAI利用変数の意味のある測定が確保されました。最終サンプルはN = 440名の参加者で構成され、これは偏最小二乗構造方程式モデリング(PLS-SEM)に必要な統計的堅牢性に十分な規模と判断されました。代表性と一般化の可能性を高めるため、採用は複数の大学や多様な学術分野(人文科学、社会科学、STEM)にまたがって行われました。サンプルの人口統計データは以下の通りです:年齢は18歳から24歳(M = 20.4、SD = 1.6);性別は女性58%(n=255)、男性42%(n=185)と分布していました。学年には1年生(22%、n = 97)、2年生(31%、n = 136)、3年生(28%、n = 123)、4年生(19%、n = 84)が含まれていました。体重に関する情報は研究の構成要素に関連しなかったため収集されませんでした。
データ収集手順
データ収集は、安全なプラットフォーム(例:Qualtrics)でホストされた匿名のオンライン調査を通じて行われました。対象大学の潜在的な参加者は、機関のメールリスト、学習管理システム(例:Moodle、Blackboard)に関する告知、関連する学生ソーシャルメディアグループを通じて招待されました。招待状には、研究の目的、自主的な性質、完了までの推定時間(15〜20分)、機密保持の保証が明確に記されていました。調査の最初のページには詳細なインフォームドコンセントフォームが掲載されていました。デジタル同意を提供した参加者のみがアンケートに進みました。順序バイアスを軽減するため、各回答者ごとにランダム化された順序で調査セクションを提示しました。データ収集の期間は2週間開かれていました。最初の招待から1週間後に、参加を促し回答率を向上させるために、元のチャンネルを通じて1回だけリマインダーが送られました。収集期間終了後、データセットは完全性をスクリーニングし、著しく不完全な回答(例:>20%欠損データ)は削除されました。最終解析の前に、単変量および多変量の外れ値の後続チェックが行われ、データの質を確保しました。
計測と測定
この研究では、デジタルウェルビーイング、生成AIの利用、学生の学業成功、SDGsの認知度、EFL学生の学習参加などの主要変数を測定するために構造化されたアンケートを用いました。デジタルウェルビーイングはArslankaraら41の12項目スケールを用いて測定され、責任(4項目)、満足度(4項目)、ウェルネス(4項目)のサブスケールが含まれていました。生成AIの利用は、ChatGPTの採用頻度に焦点を当てた8項目スケール43で運用化されました。本研究では、Mehrvarzら44に引用されたYuら42号に適用された自己知覚尺度を用いて学業成績を評価しました。この楽器は4つの項目で構成されています。SDGsの意識度は、Atmacaら45から適用された検証済み尺度を用いて測定されました。この尺度は、経済的持続可能性(12項目)、社会的持続可能性(9項目)、環境持続可能性(14項目)の3つの主要次元から構成され、学生の活動への意識と参加によって測定されました。最後に、Eerdemutuらの9項目スケールを用いてEFL言語学習の関与を評価しました。46。すべての尺度は5点リッカート回答を用い、パイロットテスト(n=30)で信頼性が確認され(クロンバックα > 0.82)、確認的因子分析で構成概念の独自性が検証されました。
データ分析計画
収集されたデータは、SPSS(v.27)とSmartPLS(v.4.0)を組み合わせて、2段階の解析アプローチで解析されました。まず、SPSSは記述統計(平均、標準偏差)、信頼性検定(クロンバックα法)、相関行列を含む予備分析に用いられ、変数間の基準値関係を調べました。次に、仮説モデルの検証に部分最小二乗構造方程式モデリング(PLS-SEM)ソフトウェアであるSmartPLSが使用されました。PLS-SEMは、潜在変数間の複雑な関係を扱う能力と、正規分布でないデータに対しても堅牢であることから選ばれました。分析には、測定モデルの妥当性(収束妥当性と判別妥当性)および構造モデルの有意性(経路係数、R²値、予測的関連性)の評価が含まれていました。経路の統計的有意性を検証するためにブートストラップが行われました。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
この結果は、本研究のコア仮説を強固な実証的裏付けとし、デジタルウェルビーイングと生成AIの利用がEFL学習への関与に良い影響を与え、それが学業成功を促進し、持続可能な開発目標(SDGs)への関与をさらに促進する重要な連続的な経路を確認しています。具体的には、デジタルウェルビーイング(β=0.32, p<0.001)と生成AIの利用(β=0.28, p<0.001)が学習エンゲージメントに強い直接的な影響を与え、その分散の41%を説明しています。この強化されたエンゲージメントは強力な媒介者となり、デジタル要素から学業成功への間接的な効果を伝達しました(β=0.45, p<0.001)、最終的にはSDGエンゲージメント(β=0.39, p<0.001)。このモデルは強い予測妥当性と優れた適合性を示し、ポジティブなデジタル状態の促進とAIツールの効果的な統合が、学業成績と持続可能性意識の向上をもたらす好循環を生み出せることを示しました。
記述統計
記述統計は、データセットの基礎的特...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
これまでの研究は主にデジタルウェルビーイング、教育におけるAI、持続可能な開発のための教育(ESD)を単独で検証してきました。個人のデジタル能力が新興技術とどのように交差し、単なる学業成果だけでなくグローバル市民意識も促進するという理解には大きなギャップがありました。本研究はこれらの領域を独自に橋渡しします。デジタルウェルビーイング(β = 0.32, p<0.001)とGAI採用(β = 0.28, p<0.001)がEFL学習への関与の重要かつ補完的な前例であることを示しました。この関係は統合モデルではあまり探求されていません。特に、この関与が学業成功を促します(β = 0.45, p<0.001)。これが学生レベルのSDG認識の向上を予測します(β = 0.39, p<0.001)。制度的なESDプログラムから学習者中心の成果へ焦点を移すことで、このモデルは教育体験が持続可能性意識を自然に育む方法を説明し、これまでの政策重視の研究で指摘されたギャップに対処しています。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
すべての著者は利益相反を一切認めていません。
この研究は資金提供を受けていません。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| 学業成功尺度 | Yuら(2010年)より改編 | 該当なし | 測量機器 |
| 目隠し手順(Q2用) | スマートPLS | 内部ルーチン | 解析手順 |
| ブートストラップ手順 | スマートPLS | 内部ルーチン | 解析手順 |
| 複合信頼性評価 | スマートPLS | 内部ルーチン | 解析手順 |
| 相関行列解析 | IBM SPSS統計 | 内部ルーチン | 解析手順 |
| クロンバックのアルファ信頼性分析 | IBM SPSS統計 | 内部ルーチン | 解析手順 |
| データストレージシステム | 機関向けIT | セキュアサーバー | 装備・装備素材 |
| 記述統計分析 | IBM SPSS統計 | 内部ルーチン | 解析手順 |
| デジタルウェルビーイングスケール | Arslankara ら(2022) | 該当なし | 測量機器 |
| EFL学習エンゲージメントスケール | Eerdemutu ら(2024) | 該当なし | 測量機器 |
| フォーネル・ラーカー基準評価 | スマートPLS | 内部ルーチン | 解析手順 |
| 生成AI利用スケール | アッバスら(2024年)より改編 | 該当なし | 測量機器 |
| 異形質-単一形質(HTMT)比率評価 | スマートPLS | 内部ルーチン | 解析手順 |
| IBM SPSS統計 | IBM | バージョン27 | ソフトウェア |
| インフォームドコンセント文書 | 研究チーム | 電子フォーム | 装備・装備素材 |
| オンラインアンケート | 研究チーム | 自己管理 | 装備・装備素材 |
| PLSアルゴリズム | スマートPLS | 内部ルーチン | 解析手順 |
| PLS-SEMソフトウェア | スマートPLS | バージョン4.0 | ソフトウェア |
| SDG認識度尺度 | Atmacaら(2019年)より改編 | 該当なし | 測量機器 |
| スマートPLS | スマートPLS GmbH | バージョン4.0 | ソフトウェア |
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
この記事は公開されました
動画は近日公開