サウジアラビアの英語外部言語（EFL）教室における生成人工知能、モチベーション、不安、および創造性：横断的調査

サマリー

この横断的調査では、サウジアラビアの英語を外国語として学ぶ大学生を対象に、生成AIの利用、指導スタイル、デジタルリテラシー、モチベーション、不安、および創造性の間の関連性を検討し、観察された関係においてモチベーションが重要な媒介変数であることを明らかにしました。

要約

ChatGPTなどの人工知能（AI）ツールは、外国語としての英語（EFL）教育にますます取り入れられていますが、サウジアラビアの文脈において、それらの利用が指導スタイル、デジタルリテラシー、モチベーション、外国語教室不安（FLCA）、および創造性とどのように関連しているかについての根拠は限られています。本研究では、統合的な概念枠組みの中で、これらの構成概念間の関連性を調査し、モチベーションの媒介的な役割を検討しました。検証済みの質問票を用い、サウジアラビアの公立大学に在籍する学部生280名のEFL学習者を対象に、量的横断的調査を実施しました。提案された関係性は、部分的最小二乗法構造方程式モデリング（PLS-SEM）を用いて分析されました。その結果、ChatGPTの利用、指導スタイル、およびデジタルリテラシーは、学生のモチベーションと正の相関があることが示されました。また、高いモチベーションは、FLCAのレベルの低下および創造性のレベルの上昇と関連していました。さらに、モチベーションは、ChatGPTの利用、指導スタイル、デジタルリテラシーとFLCAとの間の関連性を媒介していました。これらの知見は、学生のモチベーション体験が、指導実践、テクノロジーの利用、および言語学習成果の間の関係と密接に関連していることを示唆しています。本研究は、英語教育において適切な指導戦略、生成AIツール、およびデジタルリテラシーを統合することを支持する根拠を提供すると同時に、テクノロジー支援型の学習環境を構築する際に、学生のモチベーションおよび感情的な体験を考慮することの重要性を強調しています。

概要

サウジアラビア王国では、Vision 2030の下で変革的な教育改革アジェンダが進められており、あらゆる教育レベルにおいて21世紀型スキルの育成、デジタルコンピテンシー、および革新的な教育アプローチの開発が優先されています¹。この国家的背景の中において、外国語としての英語（EFL）教育は、コミュニケーション能力よりも暗記学習や試験成績を重視する試験主導の文化など、根深い課題に直面し続けています^2,3。教室内外での真正な英語による相互作用の機会が限られていることや、外国語教室不安（FLCA）の水準が高いことが、学生のコミュニケーションへの意欲や、目標言語を用いた有意義な関わりをさらに制限しています⁴。これらの課題により、教育者や政策立案者は、モチベーションの欠如、感情的な障壁、および創造的な言語使用に対処するための革新的なアプローチを模索するようになりました。人工知能（AI）は、言語学習を支援し、指導実践を変革するための有望な手段として浮上しています⁵。英語教育（ELT）におけるAIアプリケーションの中でも、対話型生成AIモデルであるChatGPTは、リアルタイムの会話コンテキストにおいてインタラクティブな言語演習と即時の個別フィードバックを提供できるとして、大きな注目を集めています⁶。これらの機能は、教師中心の指導と限定的な学生間の相互作用が創造的な言語産出を制限し続けているサウジアラビアのEFL教室において、特に重要です⁷。ChatGPTは、AIの対話相手との真正で不安の少ない言語演習の機会を提供することで、これらの制限の解消に寄与する可能性があります⁸。

サウジアラビアにおける近年の教育改革により、学習者中心のペダゴジーへの移行が推進されており、能動的な参加、批判的思考、および自律的学習を促進するAI技術を統合する機会が生まれています^9,10。適切に導入されれば、ChatGPTは言語学習の実践を従来の教室活動以外にまで拡張し、この移行を支援することができます¹¹。しかし、AI統合の有効性は、学習のためにデジタル技術を効果的に評価し、利用し、活用する能力と定義される、学生のデジタルリテラシーに一部依存しています¹²。デジタルリテラシーがあれば、学習者は過度な依存や誤情報などの潜在的なリスクを最小限に抑えつつ、AIツールを生産的に活用することが可能になります¹³。この能力は、Vision 2030の下でデジタルトランスフォーメーションが加速しているサウジアラビアの高等教育において、特に重要です¹⁴。

これまでの研究では、AIツール、教授法、デジタルリテラシー、モチベーション、不安、および創造性が個別に検討されてきましたが、サウジアラビアのような非西洋のEFL（外国語としての英語）環境において、これらの構成概念が統合的な枠組みの中でどのように相互作用するかを調査したエビデンスは限られています。モチベーションは、教授法と、不安の軽減、創造性の向上、持続的なエンゲージメントを含む学習成果を結びつける重要なメカニズムであると一貫して特定されています¹⁵。しかし、サウジアラビアのEFL環境において、ChatGPTの使用、教授法、デジタルリテラシー、モチベーション、FLCA（外国語学習不安）、および創造性の間の関係は包括的に検討されていません¹⁶。このギャップを埋めることは、学生の動機付け、感情的および創造的な発達を支援するテクノロジー活用型言語学習環境を設計するための理論的および実践的な洞察を提供することにつながる可能性があります。したがって、本研究では、サウジアラビアのEFL学部生におけるChatGPTの使用、教授法、デジタルリテラシー、モチベーション、FLCA、および創造性の間の関係を調査します。具体的には、(1) ChatGPTの使用、教授法、およびデジタルリテラシーと学生のモチベーションとの関係、(2) モチベーションとFLCAおよび創造性との関係、そして (3) ChatGPTの使用、教授法、デジタルリテラシーと、結果変数である不安および創造性との関係におけるモチベーションの媒介的な役割を検討します。

本研究は、AIツールの利用を既存のモチベーションおよび言語学習モデルに組み込むことで、EFL教育およびテクノロジー強化学習に寄与し、現代の教育環境におけるテクノロジー支援型言語学習への理解を深めるものです。また、サウジアラビアのEFL指導にAIツールを統合しようとする教育者、カリキュラム設計者、および政策立案者に資するエビデンスを提供します。テクノロジーの利用と指導法をFLCAおよび創造性と結びつける媒介変数としてモチベーションを検証することで、本研究は、サウジアラビアの教育改革目標に沿った学習者中心の言語教育の開発を支援する、文脈特有のエビデンスを提示します。

自己決定理論（Self-Determination Theory: SDT）は、教育現場における指導実践と学生のモチベーションとの関係を理解するための理論的枠組みを提供する¹⁷。SDTによれば、学習環境において、自律性、有能感、関係性という3つの基本的心理的欲求が満たされるとき、内発的動機付けおよび自律的な形式の外発的動機付けが促進される¹⁸。したがって、指導スタイルは学生のモチベーションとエンゲージメントに影響を与える重要な文脈的要因となる¹⁹。有意義な選択肢を提示し、学生の視点を認め、学習活動の内容を説明する自律性支援的な指導実践は、内発的動機付けと自己決定的なエンゲージメントを促進する²⁰。EFL（外国語としての英語）の文脈において、ファシリテーター型やデリゲーター型の指導スタイルを含む学習者中心のアプローチは、言語学習に対する学生のより強いコミットメント、参加、および関心と関連している^21,22。逆に、教師中心の指導は、学生の参加や自律性を制限し、内発的な関心よりも外発的な報酬を強調するため、モチベーションを低下させる可能性がある^23,24。伝統的に暗記や教師中心の教授法が強調されてきたサウジアラビアのEFL環境において²⁵、より学習者中心の指導アプローチを採用することは、学生のモチベーションを支援する可能性がある²⁶。これらの理論的および実証的な根拠に基づき、以下の仮説を提案する：H1： 指導スタイルはEFL学生のモチベーションに正の影響を与える。

教育テクノロジーと学習者のモチベーションとの関係については、広く研究されてきました^27,28。テクノロジー受容モデル（TAM）では、教育テクノロジーを利用しようとする学習者のモチベーションは、「知覚された有用性」と「知覚された使いやすさ」によって影響を受け、それが行動意図とテクノロジーの使用を決定づけるとされています²⁹。この枠組みをChatGPTに適用すると、このツールを有用で使いやすいと感じる学生ほど、言語学習のためにChatGPTを利用する可能性が高くなることが示唆されます³⁰。実証研究では、AI支援による言語学習と学生のモチベーションとの間に正の相関があることが報告されており、インタラクティブな機能、即時のフィードバック、そしてパーソナライズされた練習が、継続的なエンゲージメントに寄与しています^31,32。また、ChatGPTは、プレッシャーの少ない言語練習の機会を提供することで、言語不安に関連する障壁を軽減し、継続的な言語使用を促進する可能性があります³³。この可能性は、FLCAがモチベーションと言語習得における重要な障壁として特定されているサウジアラビアの文脈において、特に重要です³⁴。以上の理論的および実証的な知見に基づき、以下の仮説を提案します：H2：ChatGPTの使用は、EFL学生のモチベーションに正の影響を与える。

現代のEFL学習環境において、デジタルリテラシーは学生のモチベーションを決定付ける重要な要因となっています³⁵。これは、学習のためにデジタル技術やメディアを効果的に検索、評価、および活用できる能力を指します³⁶。EFLの文脈において、デジタルリテラシーがあれば、学習者はChatGPT、学習管理システム、マルチメディアツールなどのデジタルリソースを効果的に利用して、言語学習とモチベーションを向上させることができます³⁷。デジタルリテラシーが高い学生は、学習テクノロジーを自信を持って利用する傾向があり、それが内発的動機付けに関連する能力と自律性を育みます³⁸。また、自立した言語練習、フィードバックの活用、および継続的な学習への取り組みにデジタルツールを用いる能力にも長けています³⁹。これらの先行研究に基づき、以下の仮説を提案します。H3：EFL学生のデジタルリテラシーは、EFL学生のモチベーションに正の影響を与える。

FLCA（外国語学習不安）と創造性は、EFL教育において密接に関連する構成概念ですが、その関係性は依然として複雑です⁴⁰。不安は、創造性、認知的柔軟性、拡散的思考、および自己表現を必要とするタスクにおける学習者のパフォーマンスを制限する可能性があります⁴¹。FLCAは、間違いを犯すことへの恐怖、否定的な評価、および自信のなさを反映しており、これらすべてが創造的な言語産出を妨げる可能性があります⁴²。しかし、創造性は、文脈に即した適切かつ革新的な言語使用を促進するため、EFL学習において重要な能力となります³¹。先行研究では、不安が高い学習者ほど、創造的なライティングや口頭コミュニケーション活動に参加しにくいことが報告されています^43,44。これらの文献に基づき、以下の仮説を提案します：1) H4: EFL学生のモチベーションは不安と負の相関がある、および 2) H5: EFL学生の不安は創造性に負の影響を及ぼす。

モチベーションは、教授スタイル、ChatGPTの利用、およびデジタルリテラシーがFLCAに関連しうる理論的なメカニズムを提供します⁴⁵。意欲の高い学習者は、より積極的に参加し、困難に直面しても根気強く取り組み、コミュニケーション不安を低く経験する傾向があります⁴⁶。支援的な教授実践、AIを用いた言語学習、および高度なデジタルリテラシーは、それぞれEFL環境におけるモチベーションの向上と不安の軽減に関連しています^47,48,49。また、先行研究では、モチベーションが高まることでクラスルーム不安が軽減し、創造性が向上することが示唆されており、指導実践やテクノロジーの利用と学習成果を結びつける潜在的な媒介変数としてのモチベーションを支持しています^50,51,52。これらの文献に基づき、以下の仮説を提案します。1) H6: モチベーションは、教授スタイルとEFL学生の不安との関係を媒介する。2) H7: モチベーションは、ChatGPTの利用とEFL学生の不安との関係を媒介する。3) H8: モチベーションは、EFL学生のデジタルリテラシーと不安との関係を媒介する。図1は、教授スタイル、ChatGPTの利用、およびデジタルリテラシーがEFL学生のモチベーションに関連し、それがさらにFLCAおよび創造性との関係を媒介するという仮説モデルを示しています。

図1仮説研究モデル。 このモデルは、英語を外国語として学習する（EFL）学生における、ChatGPTの利用、教授法、デジタルリテラシー、モチベーション、外国語教室不安、および創造性の間の仮説的な関係を示している。図に示されている通り、実線は直接的な仮説関係を、破線は媒介関係を表している。 この図の拡大版を表示するには、ここをクリックしてください。

プロトコル

本研究は、身体的な介入、操作、または参加者への欺瞞を伴わない非実験的な匿名アンケート形式の設計であるため、機関審査委員会（IRB）による正式な倫理承認は不要でしたが、すべての手順はヘルシンキ宣言の倫理原則およびアメリカ心理学会（APA）の人間を対象とした研究に関するガイドラインに従って実施されました。データ収集に先立ち、すべての参加者からインフォームド・コンセントを得ました。本機関では、この種の研究に対して正式な倫理承認または免除の申請および発行を求めていません。すべての回答者に対し、研究目的、参加が自発的であること、不利益なくいつでも撤回できる権利があること、およびデータに適用される厳格な機密保持措置について明確に説明しました。個人を特定できる情報は収集および報告されておらず、すべてのデータは集計された学術的分析のみに使用されました。アンケートが参加者の学術活動や心理的ウェルビーイングを妨げないよう、非侵入的で敬意を払った文言選びに特に配慮しました。インフォームド・コンセントフォームについては、Supplementary File 1をご参照ください。また、本研究で使用した材料はTable of Materialsに記載されています。

研究デザイン

このセクションでは、EFL学生における教授スタイル、ChatGPTの利用、デジタルリテラシー、モチベーション、不安、および創造性の相互関係を調査するために本研究で用いられたリサーチデザイン、データ収集手順、およびサンプルの詳細について概説します。本研究では、定量的かつ横断的なリサーチデザインを採用し、EFL学生における教授スタイル、ChatGPTの利用、デジタルリテラシー、および不安の間の関係におけるモチベーションの媒介的役割と、これらの変数が集団として創造性にどのように関連しているかを検討しました。一次データを収集するために構造化されたアンケート手法を採用し、各構成概念の測定における標準化と信頼性を確保しました。また、教授スタイル、ChatGPTの利用、デジタルリテラシー、モチベーション、FLCA、および創造性を含むすべての変数を評価するために、妥当性が確認された尺度を使用しました。

データおよびサンプル

本研究のデータは、言語教育への重点的な取り組みと教育へのテクノロジー統合で知られるサウジアラビアの公立大学であるジェッダ大学に在籍するEFL（外国語としての英語）学習者から収集されました。参加者は目的的サンプリング法を用いて選出されました。学習環境においてChatGPTなどのAIツールを積極的に利用した経験があるという特定の組み入れ基準を設けたため、本研究にはこの手法が適切であると判断されました。本研究の問いは、伝統的な学習法とテクノロジー支援型の学習法の両方を経験したEFL学習者という特定の集団に焦点を当てていたため、無作為抽出ではこれらの基準を満たす参加者の確保が保証されず、このような非確率抽出アプローチが必要となりました。目的的サンプリングは、得られた知見の広範な集団への一般化可能性を制限しますが、研究目的に対処するために必要な関連経験と視点を持つ参加者を確実に確保するという点において、本探索的研究では正当化されました。目的的サンプリングの限界を軽減するため、多様な学術的背景と様々なレベルのテクノロジー習熟度を持つ参加者を組み入れるよう努め、これによりターゲット集団内におけるサンプルの代表性を高めました。最終的なサンプルは280名のEFL学部生で構成され、このサンプルサイズは採用した統計手法に対して十分であると判断されました。

サンプルサイズの妥当性の判定は、構造方程式モデリング（SEM）の確立されたガイドラインに基づいた。SEMでは、推定パラメータ1つにつき最低10ケースの比率が推奨されており、より保守的なガイドラインでは、部分最小二乗法SEM（PLS-SEM）に対してパラメータ1つにつき20ケースが推奨されている。本研究の測定モデルは、デジタルリテラシーの29項目、教授スタイルの25項目、FLCAの32項目のほか、ChatGPTの利用状況、モチベーション、創造性に関する追加項目で構成されていた。また、PLS-SEMのガイドラインでは、形成的に定義された指標の最大数、または特定の構成概念に向けられた構造パスの最大数の10倍に等しい最小サンプルサイズが推奨されている。したがって、280名の参加者からなる本サンプルは、これらの最小要件を満たしていた。さらに、G*Power⁵³を用いた事後パワー分析の結果、280名のサンプルサイズは、α = 0.05、中程度の効果量（f² = 0.15）を検出するための統計的検定力が0.95を超えており、一般的に推奨される閾値である0.80を上回ることが示された。このサンプルサイズは、提案された測定モデルおよび構造モデルの複雑さに対応しつつ、信頼性の高いパラメータ推定を可能にし、研究変数間の有意な関係を検出するために十分な統計的検定力を提供するものである。

参加者および手順

参加者は18歳から25歳までのEFL（英語を外国語として学ぶ）学生であり、その大半は英語コースに在籍する学部1、2年生であった。調査は2025年9月から10月にかけて実施され、学生には自発的な参加を依頼した。リクルートプロセスでは、メールや授業内での告知など、大学の公式チャネルを通じてアウトリーチを行った。参加者は、英語コースに学部1、2年生として在籍する18～25歳のEFL学生とした。適格性は、あらかじめ定義された組み入れ基準および除外基準を用いて決定した。参加者の適格条件は、(a) ジェッダ大学の学部英語コースに正式に在籍していること、(b) 年齢が18～25歳であること、(c) 1、2年生として登録されていることとした。一方で、(a) 大学院生、または基礎コース・シーケンス以外の学部上級生である場合、(b) 指定された年齢範囲外である場合、または (c) 質問票の事前テスト段階に関与していた場合は、除外対象とした。インフォームド・コンセントを確実にするため、参加者には研究目的、参加の自発性、および回答の機密保持について説明した。データ収集ツールには、物理的な配布およびセキュアなオンラインプラットフォームを用いた電子的な配布による、構造化された自記式質問票を使用した。教授法、ChatGPTの使用状況、デジタルリテラシー、学生のモチベーション、FLCA（外国語学習不安）、および創造性を測定するために、検証済みの尺度を適応させた。参加者は、1（全く同意しない）から5（強く同意する）までの5段階のリッカート尺度で回答を評価した。質問票の明確さと信頼性を確保するため、30人の学生からなる小グループで事前テストを実施した。事前テストの結果に基づき、項目の理解度を高めるために軽微な表現の調整を行い、尺度の信頼性や妥当性に関する重大な問題は認められなかった。データの整合性を維持し、正直な回答を促すため、匿名性を保証し、データは研究目的のみに使用することを参加者に確約した。収集された当初の300件の回答のうち、不完全または矛盾したデータのスクリーニング後、280件が有効であると判断され、保持率は93%となった。データスクリーニングの手順には、ストレートライニング（一貫した回答パターン）の有無、過剰な欠損データ（10%超）、およびマハラノビス距離を用いた多変量外れ値の確認が含まれた。この方法論的アプローチにより、研究変数間の関係を分析するための強固な基盤が提供され、EFL学生のモチベーション、不安、および創造性の形成における教授法、AIツール、およびデジタルリテラシーの役割に関する貴重な知見が得られる。

データ収集後、事前に定義された基準に基づき、当初の300件の回答から20件を除外した。具体的には、質問項目における欠損データが10%を超えていた12件の回答を削除し、ストレートライニング（すべての項目に同一の回答をするなど、不誠実な回答パターン）が認められた5件を除外した。また、マハラノビス距離（p < 0.001）を用いて多変量外れ値として特定された3件を、SEM（構造方程式モデリング）の結果への歪みを防ぐために削除した。保持されたケースの欠損値については、欠損データが極めて少ない場合（1ケースあたり5%未満）は平均値代入法を用いて処理した。この手法は、大規模なアンケート調査において欠損率が低い場合に許容される。最終的な保持率は93%（回収された300件の質問票のうち280件の有効回答）であり、これは回収された全質問票のうち利用可能な回答の割合を示している。ただし、大学の公式チャネルを通じた物理的および電子的な配布方法を併用したため、招待した参加者の正確な総数を算出できず、正確な追跡が不可能であったことから、これを真の回答率として解釈すべきではない。この制限を認め、したがって93%という数値は、招待人口全体に対する回答率ではなく、回収された質問票から保持された有効回答の割合として報告する。

器具および測定法

本研究では、指導スタイル、デジタルリテラシー、ChatGPTの利用状況、FLCA（外国語不安）、モチベーション、および創造性という中核的な構成概念を測定するため、EFL（外国語としての英語）教育の文脈に合わせて慎重に調整された、確立済みで検証済みの尺度を用いました。各尺度は、調査対象となる変数の各次元を捉える上での関連性と包括性に基づいて選定されました。デジタルリテラシーは、Rodríguez-de-Diosら⁵⁴に基づき調整された尺度を用いて測定され、6つの次元と29の項目で構成されました。これらの次元には、技術的スキル、個人セキュリティスキル、批判的スキル、デバイスセキュリティスキル、情報スキル、およびコミュニケーションスキルが含まれており、現代の教育現場で不可欠なデジタルスキルにおける学生の習熟度を包括的に評価することが可能となりました。ChatGPTの利用状況は、Abbasら⁵⁵から調整した8項目の尺度を用いて、言語学習タスクにおけるAIツールと学生との相互作用に焦点を当てて評価しました。指導スタイルは、Grashaの指導スタイルインベントリ⁵⁶の調整版を用いて評価されました。このツールは、権威型、専門家型、パーソナルモデル型、促進型、および委任型という、指導スタイルの5つの次元を測定します。これらの次元は、EFL学生の学習体験に影響を与えるさまざまな指導アプローチを反映しています。FLCAは、BriesmasterおよびBriesmaster⁵⁷に基づき調整された尺度を用いて測定されました。このツールでは、コミュニケーション不安（10項目）、テスト不安（10項目）、および否定的評価への恐怖（7項目）の3つの次元にわたって不安を調査しました。学生のモチベーションは、Kanoksilapathamら⁵⁸から調整した尺度を用い、道具的促進および予防、自民族中心主義および統合性、および英語学習への態度の3つの次元を測定しました。この尺度は合計20項目で構成されていました。EFL学生の創造性は、Govindasamyら⁵⁹から調整した尺度を用いて測定され、独創性、柔軟性、流暢性、および精緻性の4つの次元を評価しました。各次元は3つの項目で測定されました。EFL環境におけるツールの文化的および文脈的な適合性を確保するため、体系的な調整手順が適用されました。元の尺度は英語で開発されていたため、2名のバイリンガルのEFL専門家が、各構成概念の元の意味を保持しつつ、中級レベルの学部生のわかりやすさを向上させるために言語の検討と簡略化を行いました。その後、言語的および概念的な等価性を検証するため、独立した翻訳者が調整版を参加者の母国語に逆翻訳し、不一致がある場合は研究チーム間の議論を通じて解決しました。続いて、3名の経験豊富なEFL講師が、内容の関連性、文化的適切性、および項目の明快さについて調整後のツールを評価し、その結果、軽微な語句の修正および、必要に応じて文化的に馴染みのない例の差し替えが行われました。最終的に、修正されたツールを30名の学生でパイロットテストし（「手順」セクションを参照）、参加者のフィードバックを用いて、理解度を高めるためのさらなる軽微な語句の調整を行いました。この多段階のプロセスにより、調整後のツールが元の心理計量的特性を維持しつつ、対象となるEFL集団に適していることが保証されました。調整済みの質問票の全文については、補足ファイル2を参照してください。

データ解析方法

本研究で収集されたデータは、Statistical Package for the Social Sciences (SPSS 26) および SmartPLS 4 を使用し、PLS-SEMを用いて分析した。この二つの手法を組み合わせたアプローチにより、研究モデルにおける仮説関係と媒介効果を検証しつつ、記述的および推論的な側面の双方に対処し、データの包括的な分析を確実にした。まず、SPSSを用いて、データクリーニング、記述統計、信頼性テストを含む予備的なデータ分析を行った。データスクリーニングでは、データセットの品質と整合性を確保するため、欠損値、外れ値、および正規性の確認を行った。サンプル特性を要約するために、平均、標準偏差、および頻度分布を含む記述統計を算出した。メインの分析は SmartPLS 4 を用いて実施した。複数の構成概念を持つ複雑なモデルの分析に適しており、小規模から中規模のサンプルサイズに対しても堅牢であるため、PLS-SEMを選択した。分析は、測定モデルの評価と構造モデルの評価の2段階で実施した。測定モデルの評価では、指標信頼性、内部一貫性信頼性（複合信頼性 [CR] を使用）、収束妥当性（平均分散抽出量 [AVE] を使用）、および判別妥当性（HTMT比 [HTMT] を使用）を評価した。

測定モデルの妥当性確認の後、教授法、ChatGPTの利用、デジタルリテラシー、モチベーション、不安、および創造性の間の仮説上の関係を評価するために、構造モデルを検討しました。パス係数を分析して直接的および間接的な影響の強さと有意性を判断し、有意性は5,000回の再サンプリングによるブートストラップ法を用いて評価しました。直接的影響、間接的影響、および媒介効果の有意性を評価するため、信頼水準95%で5,000回のブートストラップ再サンプリングを用いたバイアス補正（BC）ブートストラップ信頼区間を構築しました。また、教授法、ChatGPTの利用、デジタルリテラシー、および不安の間の関係に対するモチベーションの媒介効果についても、ブートストラップ信頼区間を用いて評価しました。モデルの適合度と予測能は、決定係数（R²）、予測適合度（Q²）、および標準化ルート平均二乗残差（SRMR）を用いて評価しました。

結果

記述統計

記述統計は、サンプルの特性、および研究変数の分布、代表値、変動性の概要を示すものです。本研究では、構造分析を行う前に、参加者サンプルの特性を明らかにし、主要な変数を要約するために記述分析を実施しました。

表1に、学部生のEFL参加者280名の人口統計学的特性をまとめる。サンプルにおける女性参加者の割合は54.3% (n = 152)であり、男性参加者は45.7% (n = 128)であった。年齢層は21～23歳が最も多く（52.1%）、次いで18～20歳（36.4%）、24～25歳（11.4%）の順であった。学年に関しては、2年生が最大のグループ（42.1%）であり、次いで1年生（34.3%）、3年生（23.6%）であった。ChatGPTの利用経験については、大多数の参加者が「中程度」と回答し（47.1%）、36.8%が「豊富」、16.1%が「限定的」と回答した。研究の組み入れ基準に従い、すべての参加者がChatGPTに触れた経験を有しており、「限定的な経験」カテゴリーは、経験が全くないのではなく、利用頻度が極めて低いことを示している。デジタルリテラシーについては、主に「中程度」であると報告し（54.6%）、次いで「高い」（30.4%）、「低い」（15.0%）であった。英語能力については、大多数の参加者が「中級」であり（62.5%）、22.9%が「初級」、14.6%が「上級」であった。全体として、これらの人口統計学的特性は、本サンプルに多様な学術的背景、デジタルリテラシーレベル、英語能力、およびChatGPTの利用経験を持つ参加者が含まれていることを示している（表1、図2）。

変数	カテゴリー	頻度, n	割合, %
性別	男性	128	45.7
	女性	152	54.3
年齢層	18–20 歳	102	36.4
	21–23 歳	146	52.1
	24–25 歳	32	11.4
学年	1年次	96	34.3
	2年次	118	42.1
	3年次	66	23.6
ChatGPTの利用経験	経験が少ない	45	16.1
	経験が中程度	132	47.1
	経験が豊富	103	36.8
デジタルリテラシーレベル	低	42	15
	中	153	54.6
	高	85	30.4
英語習熟度レベル	初級	64	22.9
	中級	175	62.5
	上級	41	14.6

表 1: 研究回答者の人口統計学的特性。 この表は、本研究に含まれた280名の英語を外国語として学ぶ（EFL）学生の人口統計学的特性をまとめたものである。性別、年齢層、学年、ChatGPTの利用経験、デジタルリテラシーレベル、および英語習熟度について、頻度と割合を報告している。

図2. 研究回答者の人口統計学的特性。 ここをクリックして、この図の拡大版を表示してください。

図2に、性別、年齢層、学年、AIツールの利用経験、デジタルリテラシーレベル、および英語習熟度別の研究参加者の人口統計学的分布を示す。分布からは、男性よりも女性の割合がわずかに高く、回答者の多くが21〜23歳であることがわかる。また、デジタルリテラシーは「中程度」、英語習熟度は「中級」であるカテゴリーが最も多く報告された（図2）。

表2に、研究変数の記述統計量を示す。25項目で測定した指導スタイルは、平均スコアが3.84（SD = 0.76）であり、スコアの範囲は2.1から4.8であった。8項目で評価したChatGPTの利用状況は、平均スコアが3.67（SD = 0.81）であり、回答の範囲は1.5から5.0であった。29項目で測定したデジタルリテラシーは、平均スコアが3.72（SD = 0.73）であり、スコアの範囲は2.2から4.9であった。20項目で評価したモチベーションは、最も高い平均スコア（3.92, SD = 0.68）を示し、値の範囲は2.4から5.0であった。27項目で測定した不安は、平均スコアが3.41（SD = 0.89）であった。12項目で評価した創造性は、平均スコアが3.78（SD = 0.74）であり、スコアの範囲は2.0から5.0であった。これらの記述統計は、参加者の回答の全体的な要約を提供すると同時に、測定された各構成概念間に変動があることを示している。

変数	項目数	平均値 (M)	標準偏差 (SD)	最小限	最大値
不安	27	3.41	0.89	1.8	5
ChatGPTの利用	8	3.67	0.81	1.5	5
創造性	12	3.78	0.74	2	5
デジタルリテラシー	29	3.72	0.73	2.2	4.9
動機	20	3.92	0.68	2.4	5
指導スタイル	25	3.84	0.76	2.1	4.8

表 2: 研究構成概念の記述統計。本表は、280名の参加者からの回答に基づいた、指導スタイル、ChatGPTの利用状況、デジタルリテラシー、モチベーション、外国語教室不安、および創造性に関する質問項目数、平均値 (M)、標準偏差 (SD)、観測最小値、および観測最大値を示す。

共通メソッド分散バイアス

共通メソッド分散（CMV）バイアスとは、測定対象の構成概念ではなく、測定方法に起因して変数間に生じる偽りの共分散を指します。本研究では自己報告式アンケートを用いたため、CMVバイアスの潜在的な影響を評価するために、手続き的アプローチと統計的アプローチの両方を採用しました。手続き面では、社会的望ましさバイアスを最小限に抑え、正直な回答を促すために、参加者に匿名性と機密性を保証しました。さらに、既存の尺度から改変した質問項目をランダムな順序で提示し、CMVバイアスを人為的に増大させる可能性のある回答パターンを低減させました。統計面では、すべての測定変数を回転なしの探索的因子分析（EFA）に投入し、ハーマンの単一因子テストを実施しました。分析の結果、回転前の第1因子が全分散の32.7%を説明しており、これは推奨される閾値である50%を下回っていたため、CMVバイアスが本研究の結果に実質的な影響を及ぼす可能性は低いことが示されました（表 3）。

統計量		値	しきい値	解釈
抽出された因子の総数		7	N/A	複数の因子が抽出されており、測定項目が異なる構成概念を表していることを示している。
第1因子による説明分散		32.70%	<50%	一般的に認められているしきい値を下回っており、共通方法分散（CMV）が深刻な懸念事項となる可能性は低いことを示している。
累積説明分散（上位3因子）		62.10%	N/A	上位3つの因子が全分散の相当な割合を占めていることを示している。
Kaiser–Meyer–Olkin (KMO)標本妥当性指標		0.89	>0.80	因子分析における標本妥当性が極めて高いことを示している。
Bartlettの球面性検定（p値）		<0.001	p < 0.05	有意な結果であり、相関行列が因子分析に適していることを示している。

表 3: ハーマンの単一因子テストおよびサンプリング妥当性の結果。 本表は、ハーマンの単一因子テスト、カイザー・マイヤー・オルキン（KMO）サンプリング妥当性尺度、およびバートレットの球面性検定の結果をまとめたものである。共通方法分散（CMV）の潜在的な影響を評価するために、ハーマンの単一因子テストを実施した。データセットが因子分析に適しているかを評価するために、KMO統計量およびバートレット検定を用いた。

表3にハーマンの単一因子テストの結果を示す。回転前の第1因子が全分散の32.7%を占めており、これは推奨される閾値の50%を下回っていることから、本研究において共通メソッドバイアスは大きな懸念事項ではないことが示唆された。カイザー・メイヤー・オルキン（KMO）標本妥当性指標は0.89であり、データが因子分析に適していることが示された。さらに、バートレットの球形度検定は統計的に有意であり（p < 0.001）、相関行列が因子分析に適していることが確認された。以上の結果から、本データセットは後続の構造方程式モデリング分析に適していることが支持される。

測定モデル

Hairら⁶⁰の推奨に従い、SmartPLS 4で実装されたPLS-SEMを用いて、研究構成概念の信頼性と妥当性を評価するために測定モデルの検証を行った。指標信頼性、内部一貫性信頼性、収束妥当性、および判別妥当性を評価した。指標信頼性は外負荷量を用いて評価し、負荷量が0.70を超える項目を、それぞれの構成概念の信頼できる指標として保持した。負荷量が0.60から0.70の間の項目については、その削除によって対応する構成概念の内部一貫性が向上しない場合にのみ保持した。内部一貫性信頼性は、Cronbachのα係数およびCRを用いて評価した。収束妥当性はAVEを用いて評価し、すべての構成概念で0.50を超えるAVE値が示されたため、各構成概念がその指標の分散の半分以上を説明していることが示された。判別妥当性はHTMT比を用いて評価し、すべてのHTMT値が推奨しきい値である0.85を下回ったため、本研究の構成概念の経験的な特異性が支持された（表4および5）。

構成概念		因子負荷量	複合信頼性 (CR)	平均分散抽出量 (AVE)	外因分散拡大係数 (VIF)
指導スタイル（権威型）		0.87	0.91	0.66	1.38
指導スタイル（エキスパート型）		0.89	0.92	0.68	1.45
指導スタイル（パーソナルモデル型）		0.86	0.9	0.65	1.4
指導スタイル（ファシリテーター型）		0.88	0.93	0.69	1.43
指導スタイル（デリゲーター型）		0.85	0.89	0.62	1.39
ChatGPT利用状況		0.92	0.94	0.72	1.47
外国語教室不安（コミュニケーション懸念）		0.86	0.9	0.64	1.35
外国語教室不安（テスト不安）		0.88	0.92	0.67	1.41
外国語教室不安（否定的評価への恐怖）		0.83	0.88	0.6	1.32
モチベーション（道具的動機）		0.84	0.89	0.61	1.34
モチベーション（自民族中心主義および統合性）		0.86	0.9	0.63	1.36
モチベーション（英語学習への態度）		0.89	0.93	0.7	1.44
創造性（独創性）		0.88	0.92	0.67	1.41
創造性（柔軟性）		0.87	0.91	0.66	1.38
創造性（流暢性）		0.89	0.93	0.68	1.42
創造性（精緻性）		0.85	0.9	0.63	1.37
デジタルリテラシー		0.93	0.95	0.75	1.49

表4: 測定モデルの評価。 部分最小二乗構造方程式モデリング（PLS-SEM）の測定モデルに含まれる各構成概念およびサブディメンションの因子負荷量、合成信頼性（CR）、平均分散抽出量（AVE）、および外部分散拡大係数（VIF）を本表に示す。これらの統計量は、指標信頼性、内部一貫性信頼性、収束妥当性、および多共線性を評価するために使用された。

構成概念		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. 指導スタイル（権威型）		—
2. 指導スタイル（エキスパート型）		0.702	—
3. 指導スタイル（パーソナルモデル型）		0.743	0.581	—
4. 指導スタイル（ファシリテーター型）		0.629	0.735	0.702	—
5. 指導スタイル（委任型）		0.754	0.549	0.802	0.692	—
6. ChatGPTの使用状況		0.52	0.643	0.743	0.536	0.693	—
7. 外国語教室不安（コミュニケーション不安）		0.665	0.521	0.649	0.559	0.73	0.827	—
8. 外国語教室不安（テスト不安）		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. 外国語教室不安（否定的評価への恐れ）		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. モチベーション（道具的動機づけ）		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. モチベーション（自民族中心主義と統合的動機づけ）		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. モチベーション（英語学習への態度）		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. 創造性（独創性）		0.626	0.678	0.501	0.732	0.538	0.678	0.839	0.543	0.523	0.577	0.668	0.719	—
14. 創造性（柔軟性）		0.726	0.669	0.844	0.528	0.654	0.579	0.517	0.775	0.644	0.667	0.679	0.82	0.697	—
15. 創造性（流暢性）		0.711	0.692	0.815	0.635	0.629	0.505	0.792	0.817	0.604	0.55	0.518	0.604	0.59	0.626	—
16. 創造性（精緻性）		0.749	0.761	0.783	0.69	0.811	0.55	0.503	0.842	0.732	0.714	0.659	0.744	0.543	0.606	0.634	—
17. デジタルリテラシー		0.606	0.641	0.593	0.742	0.727	0.628	0.631	0.648	0.742	0.688	0.806	0.578	0.673	0.549	0.7	0.529	—

表 5: 異質特性－単一特性比（HTMT）を用いた判別妥当性の評価。 本表は、測定モデルに含まれるすべての構成概念および下位次元のペアに対するHTMT値を示している。潜在構成概念の実証的な区別性を評価することで、判別妥当性の検証にHTMTを用いた。あらかじめ設定した閾値である0.85を下回る値は、判別妥当性が許容範囲であることを示す。

表4に測定モデルの評価結果をまとめる。因子負荷量は0.83から0.93の範囲であり、推奨される閾値の0.70を上回ったことから、指標の信頼性は十分であることが示された。複合信頼性の値は0.88から0.95の範囲であり、すべての構成概念において高い内部一貫性が実証された。AVE値は0.60から0.75の範囲で、推奨される最小値の0.50を上回り、収束妥当性が支持された。さらに、すべての外生的分散拡大係数（VIF）は1.50未満であり、指標間に多重共線性の証拠は見られなかった。全体として、これらの結果は、その後の構造モデル評価に向けた測定モデルの信頼性と妥当性を支持するものである。

図 3は、潜在構成概念、それらに対応する次元および指標、そして本研究で評価した変数間の関係を含む測定モデルを示しています。

図3部分的最小二乗構造方程式測定モデル。 部分的最小二乗法構造方程式モデリング（PLS-SEM）を用いて生成された測定モデルは、潜在構成概念、その次元、および観測指標の間の関係を示している。接続パスに表示されている数値は、適宜、推定された外生負荷量またはパス係数を表している。 この図の拡大版を表示するには、ここをクリックしてください。

表 5に、判別妥当性の評価に使用したHTMTの結果を示します。すべてのHTMT値が保守的な閾値である 0.85 を下回っており、17 個の構成概念間において十分な判別妥当性が認められました。最も高いHTMT値は、Creativity (Flexibility) と Teaching Style (Personal Model) 間 (0.8437)、Creativity (Elaboration) と Anxiety (Test Anxiety) 間 (0.8422)、および Creativity (Originality) と Anxiety (Communication Apprehension) 間 (0.8394) で観察されました。これらの値は推奨される閾値に近いものの、0.85 を下回っており、構成概念の経験的な区別が支持されました。その他のHTMT値はさらに低く、測定モデル全体における判別妥当性がさらに裏付けられました。

仮説検証の結果（構造モデル）

教授法、ChatGPTの利用、デジタルリテラシー、モチベーション、FLCA、および創造性の間の仮定された関係を検討するために、構造モデルの評価を行った。その結果、提案されたすべての直接的および媒介的な仮説が支持された。教授法、ChatGPTの利用、およびデジタルリテラシーは、モチベーションと正の相関があった。モチベーションはFLCAと負の相関があり、一方でFLCAは創造性と負の相関があった。さらに、モチベーションは教授法、ChatGPTの利用、およびデジタルリテラシーとFLCAとの間の関係を媒介していた（表6および7）。

仮説		標準化パス係数（β)	t 値	p 値	サポート済み	95%信頼区間 (CI)	下限信頼限界 (LLCI)	信頼区間上限 (ULCI)
# 教授法 → EFL学習者のモチベーション		0.36	5.45	<0.001	はい	[0.26, 0.46]	0.26	0.46
H2. ChatGPTの使用 → EFL学習者のモチベーション		0.4	6.27	<0.001	はい	[0.30, 0.50]	0.3	0.5
H3. デジタルリテラシー → EFL学習者のモチベーション		0.33	4.95	<0.001	はい	[0.23, 0.43]	0.23	0.43
H4. EFL学習者のモチベーション → 外国語教室不安		–0.27	–4.81	<0.001	はい	[–0.37, –0.17]	–0.37	–0.17
H5. 外国語学習不安 → EFL学習者の創造性		–0.26	–4.01	<0.001	はい	[–0.36, –0.16]	–0.36	–0.16

表6：直接効果の仮説検定。本表は、部分最小二乗構造方程式モデリング（PLS-SEM）を用いて実施された直接効果分析の結果を示す。報告された統計量には、標準化パス係数（β）、t値、p値、95%ブートストラップ信頼区間（CI）、信頼区間下限（LLCI）、信頼区間上限（ULCI）、および仮説支持に関する判定が含まれる。統計的有意性は、5,000回の再サンプリングによるブートストラップ法を用いて評価した。

仮説	媒介経路		標準化間接効果（β)	t 値	p 値	サポート済み	95%信頼区間 (CI)	下限信頼限界 (LLCI)	上限信頼限界 (ULCI)
H6	指導スタイル → 動機 → 外国語学習不安		0.28	4.56	<0.001	はい	[0.18, 0.38]	0.18	0.38
H7	ChatGPTの利用 → 目的 → 外国語教室不安		0.34	5.02	<0.001	はい	[0.24, 0.44]	0.24	0.44
H8	デジタルリテラシー → 目的 → 外国語学習不安		0.3	4.68	<0.001	はい	[0.20, 0.40]	0.20	0.40

表7：媒介分析。 本表は、部分的最小二乗構造方程式モデリング（PLS-SEM）を用いて推定された間接効果をまとめたものである。報告されている統計量には、標準化間接効果（β）、t値、p値、95%ブートストラップ信頼区間（CI）、信頼区間下限（LLCI）、信頼区間上限（ULCI）、および仮説支持に関する判定が含まれる。統計的有意性は、5,000回の再サンプリングによるブートストラップ法を用いて評価した。

表6に直接効果分析の結果を示す。仮説として立てた5つの直接的関係はすべて統計的に有意であり（p < 0.001）、仮説H1～H5が支持された。指導スタイル（β = 0.36）、ChatGPTの利用（β = 0.40）、およびデジタルリテラシー（β = 0.33）は、EFL学生の学習意欲と正の相関があり、3つの予測因数のうちChatGPTの利用が最大の標準化パス係数を示した。学習意欲はFLCAと負の相関があり（β = –0.27）、意欲が高いほど不安レベルが低いことが示された。さらに、FLCAは創造性と負の相関があった（β = –0.26）。すべての直接効果における95%ブートストラップ信頼区間は0を含まず、仮説として立てた関係の統計的有意性が支持された。表7に、指導スタイル、ChatGPTの利用、デジタルリテラシーとFLCAとの関係を学習意欲が媒介しているかどうかを検討した媒介分析の結果を示す。3つの経路すべてにおいて間接効果は統計的に有意であった（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）。すべての間接効果における95%ブートストラップ信頼区間は0を含まず、媒介経路の統計的有意性が支持された。正の間接係数は学習意欲を介した間接効果の全体的な大きさを反映しているが、構造モデルで報告された通り、学習意欲とFLCAの直接的な関係は負であった。したがって、指導スタイル、ChatGPTの利用、およびデジタルリテラシーの水準が高いほど学習意欲が高まり、それが結果としてFLCAの低下に関連していた（表6および7）。総合的に見て、構造モデルは仮説として立てたすべての直接的関係（H1～H5）および間接的関係（H6～H8）を支持した。これらの結果は、指導スタイル、ChatGPTの利用、デジタルリテラシー、学習意欲、FLCA、および創造性の間に統計的に有意な関連があることを示しており、構造モデルで評価された学習意欲が重要な媒介因子として機能していることが明らかになった。

教授スタイルの次元分析

5つの教授スタイル次元と、EFL学生のモチベーション、FLCA、および創造性の間の関係を調べるために、次元分析を実施した。教授スタイル次元には、権威的（Authority）、専門家（Expert）、パーソナルモデル（Personal Model）、促進者（Facilitator）、および委任者（Delegator）が含まれる。観察された関係が教授アプローチによって異なるかどうかを判断するため、構造モデルを用いて、各教授スタイル次元が3つのアウトカム変数に及ぼす直接的な影響を推定した（表8）。

教授スタイルの次元	アウトカム変数	標準化パス係数 (β)	t値	p値	95%信頼区間の下限 (LLCI)	95%信頼区間の上限 (ULCI)	支持
権威型	モチベーション	0.12	1.85	0.065	–0.02	0.26	いいえ
権威型	外国語教室不安	0.35	5.12	<0.001	0.22	0.48	はい
権威型	創造性	–0.28	–4.02	<0.001	–0.42	–0.14	はい
エキスパート型	モチベーション	0.3	4.89	<0.001	0.18	0.42	はい
エキスパート型	外国語教室不安	–0.18	–2.95	0.003	–0.30	–0.06	はい
エキスパート型	創造性	0.22	3.56	<0.001	0.1	0.34	はい
パーソナルモデル型	モチベーション	0.25	4.02	<0.001	0.13	0.37	はい
パーソナルモデル型	外国語教室不安	–0.22	–3.45	0.001	–0.35	–0.09	はい
パーソナルモデル型	創造性	0.24	3.78	<0.001	0.12	0.36	はい
ファシリテーター型	モチベーション	0.34	5.5	<0.001	0.22	0.46	はい
ファシリテーター型	外国語教室不安	–0.28	–4.45	<0.001	–0.40	–0.16	はい
ファシリテーター型	創造性	0.31	4.95	<0.001	0.19	0.43	はい
デリゲーター型	モチベーション	0.29	4.62	<0.001	0.17	0.41	はい
デリゲーター型	外国語教室不安	–0.24	–3.85	<0.001	–0.37	–0.11	はい
デリゲーター型	創造性	0.27	4.25	<0.001	0.15	0.39	はい

表8：指導スタイルの次元分析。 この表は、「権威的（Authority）」、「専門家的（Expert）」、「パーソナルモデル（Personal Model）」、「促進者的（Facilitator）」、および「委任者的（Delegator）」の指導スタイルの各次元と、モチベーション、外国語教室不安、および創造性という結果変数との間の直接的な関係を示している。報告されている統計量には、標準化パス係数（β）、t値、p値、95%ブートストラップ信頼区間の下限（LLCI）、95%ブートストラップ信頼区間の上限（ULCI）、および仮説支持に関する判定が含まれる。

表8は、教授スタイルの次元分析の結果を示している。ファシリテーター型の教授スタイルは、モチベーション（β = 0.34, p < 0.001）および創造性（β = 0.31, p < 0.001）と最も強い正の相関を示し、同時にFLCA（β = –0.28, p < 0.001）と最も強い負の相関を示した。エキスパート型、パーソナルモデル型、およびデリゲーター型の教授スタイルも、モチベーション（それぞれ β = 0.30, 0.25, 0.29）および創造性（それぞれ β = 0.22, 0.24, 0.27）と正の相関があり、一方でFLCAとは負の相関（それぞれ β = –0.18, –0.22, –0.24）を示した。これらの関係はすべて統計的に有意であった。対照的に、オーソリティ型の教授スタイルは、モチベーションと有意な相関を示さなかった（β = 0.12, p = 0.065）。しかし、FLCAとは有意な正の相関（β = 0.35, p < 0.001）を、創造性とは有意な負の相関（β = –0.28, p < 0.001）を示した。全体として、この次元分析は、個々の教授スタイルの次元と測定された学習成果との間に明確な相関パターンがあることを示している。総合すると、次元分析の結果、教授スタイルと学生の成果との相関は、教授スタイルの次元によって異なることが示唆された。ほとんどの教授スタイルの次元で統計的に有意な関係が観察された一方で、オーソリティ型の教授スタイルはモチベーションとの統計的に有意な相関を示さなかった。

PLS Predictを用いた内部モデルの予測妥当性

構造モデルの予測妥当性は、モデルのサンプル外予測性能を評価するためにPLS Predict法を用いて検証された。予測妥当性は、Q² Predict統計量および、平均平方二乗誤差（RMSE）と平均絶対誤差（MAE）を含む予測誤差指標を用いて評価した。内生構成概念におけるQ² Predict値は0.32から0.48の範囲であり、正の予測妥当性が示された。モチベーションと創造性が最も高いQ² Predict値（それぞれ0.42および0.48）を示した。また予測誤差値についても検討し、内生構成概念におけるRMSEは0.54から0.63、MAEは0.41から0.49の範囲であった（表9）。

構成概念	決定係数 (R²)	予測妥当性 (Q² Predict)	平均二乗誤差平方根 (RMSE)	平均絶対誤差 (MAE)
モチベーション	0.45	0.42	0.61	0.48
外国語教室不安	0.38	0.32	0.63	0.49
創造性	0.42	0.48	0.54	0.41

表9：構造モデルの予測性能。 本表は、部分最小二乗法構造方程式モデリング（PLS-SEM）を用いて評価した内生構成概念の予測性能をまとめたものである。報告されている統計量には、決定係数（R²）、予測適合度（Q² Predict）、平均二乗誤差の平方根（RMSE）、および平均絶対誤差（MAE）が含まれる。R²およびQ² Predictの値が高いほど、説明性能および予測性能が高いことを示し、RMSEおよびMAEの値が低いほど、予測誤差が小さいことを示す。

表9に構造モデルの予測性能をまとめる。決定係数（R²）は、本モデルがモチベーションの分散の45%、FLCAの分散の38%、および創造性の分散の42%を説明していることを示した。モチベーション（0.42）、FLCA（0.32）、創造性（0.48）のQ² Predict値はいずれも0より大きく、モデルの予測妥当性が支持された。RMSE値は0.54から0.63の範囲であり、MAE値は0.41から0.49の範囲であった。これは内生構成概念に対する予測誤差を示している。全体として、予測性能の指標は構造モデルの予測能力を支持するものである。

図4は、決定係数（R²）、予測適合度（Q² Predict）、および予測誤差指標（RMSEおよびMAE）を示すことで、内生構成概念の予測性能を例示しています。内生構成概念の中で、創造性は最も高いQ² Predict値（0.48）と最も低い予測誤差（RMSE = 0.54; MAE = 0.41）を示した一方、モチベーションは最も高い説明分散（R² = 0.45）を示しました（図4）。全体として、PLS Predict分析により、すべての内生構成概念において正の予測適合性が実証されました。R²、Q² Predict、RMSE、およびMAEの結果は、まとめてモチベーション、FLCA、および創造性に関する構造モデルの予測性能を裏付けています（表9; 図4）。

図4構造モデルの予測性能。 このグラフは決定係数（R²）を示しています。²）、平方根平均二乗誤差（RMSE）、平均絶対誤差（MAE）、およびQ² モチベーション、不安、および創造性の内在的構成概念の値を予測する。バーはRを表す。²、RMSE、およびMAEの値を示し、円形マーカーの付いた線はQを表している² 値を予測する。R値が高いほど² およびQ² 予測値はそれぞれ、より高い説明能および予測能を示す一方で、RMSEおよびMAEの値が低いほど、予測誤差が小さいことを示します。 この図の拡大版を表示するには、ここをクリックしてください。

データの利用可能性：

本研究の結果を裏付ける匿名化された参加者レベルのデータセットは、Supplementary Table 1として提供されています。参加者向け情報シートおよびインフォームドコンセントフォームはSupplementary File 1で、データ収集に使用されたアンケート調査票はSupplementary File 2でご確認いただけます。

補足表1. 統計解析に使用した参加者の生データセット。 この表には、統計解析に使用された匿名化済みの参加者レベルのデータセットが含まれています。変数には、人口統計学的情報、および教授法、ChatGPTの利用状況、デジタルリテラシー、モチベーション、外国語教室不安、創造性に関する項目レベルの回答が含まれます。項目ラベル（例：TL1、CHATGPT1、DL1、M1、FLCA1、CR1）は、「ツールおよび測定方法」セクションで説明されているアンケート項目に対応しています。個人を特定できる情報は含まれていません。こちらをクリックしてファイルをダウンロードしてください。

補足ファイル1. 参加者向け説明書およびインフォームド・コンセント形式書。 この補足ファイルには、参加者の募集に使用された参加者向け説明書およびインフォームド・コンセント形式書が含まれています。ここには、アンケートへの回答前に参加者に提供された、研究目的、適格性、研究手順、参加の自発性、潜在的なリスクと利益、機密保持、データ保護、および連絡先情報が記載されています。こちらのリンクからファイルをダウンロードしてください。

補足ファイル 2. データ収集に使用したアンケート調査票。 この補足ファイルには、参加者に実施された完全なアンケート調査票が含まれています。この調査票には、人口統計学的質問および、指導スタイル、ChatGPTの利用状況、デジタルリテラシー、モチベーション、外国語教室不安、および創造性を評価するための項目別尺度が含まれています。回答は、1（強く同意しない）から5（強く同意する）までの5段階のリッカート尺度を用いて記録されました。アンケート項目は、論文の「ツールおよび測定方法」セクションで説明されている測定尺度に対応しています。こちらをクリックしてファイルをダウンロードしてください。

ディスカッション

本研究では、サウジアラビアのEFL（外国語としての英語）学部生を対象に、指導スタイル、ChatGPTの利用、デジタルリテラシー、モチベーション、FLCA（外国語学習不安）、および創造性の間の関係を調査し、特にモチベーションの媒介的な役割に注目しました。得られた知見は、テクノロジーを活用した言語学習における、教育実践、テクノロジー利用、および学習者特性の間の関係に関する根拠を示すものです。指導スタイルとEFL学生のモチベーションとの間の正の相関（H1支持）は、自律性支持的な指導実践が、自律性、有能感、および関係性という学生の基本的心理的欲求を満たすことで内発的動機付けを促進するというSDT（自己決定理論）と一致しています⁶¹。観察された結果は、「ファシリテーター」や「デレゲーター」スタイルのような学習者中心の指導アプローチが、より高いレベルの学生のエンゲージメントや言語学習への持続的な関心に関連していることを示唆しています。これらの知見は、柔軟性、応答性、および学生の参加機会を特徴とする指導スタイルが、より教師中心のアプローチよりも高い動機付けによるエンゲージメントに関連するという先行研究の結果と一致しています⁶²。Vision 2030の下での教育改革により学習者中心のペダゴジーが推奨されているサウジアラビアの文脈において、観察された正の相関は、EFL教室におけるこれらの指導アプローチの導入を反映している可能性があります⁶³。ChatGPTの利用とモチベーションとの間の有意な正の相関（H2支持）についても、確立された理論的枠組みの中で解釈することが可能です。SDTの観点からは、ChatGPTは自律的な言語練習を可能にすることで学習者の自律性をサポートし、即時的かつ個別化されたフィードバックを通じて有能感を育成する可能性があります⁶⁴。加えて、その対話型インターフェースは、教室外での真正な言語練習の機会を提供し、それが英語学習に対する学習者のエンゲージメントを高める可能性があります⁶⁵。これらの観察結果は、ChatGPTが教室での指導を補完する支援的な学習リソースとして機能し得ることを示唆しています。テクノロジー受容モデル（TAM）は、ChatGPTを有益で使いやすいと認識する学習者ほど、そのテクノロジーを活用する可能性が高く、それによって継続的な学習がサポートされると提案することで、この関係にさらなる理論的説明を与えています。同様に、デジタルリテラシーとモチベーションとの間の正の相関（H3支持）は、デジタル学習テクノロジーを効果的に活用する学生の能力の重要性を強調しています。デジタルリテラシーの高い学生は、AI支援学習ツールを効率的に活用し、テクノロジー的な障壁を少なく経験し、テクノロジー統合の教育的価値を認識しやすい立場にあると考えられます⁶⁶。デジタルインフラと教育テクノロジーに多大な投資が行われてきたサウジアラビアの文脈において⁶⁷、これらの知見は、テクノロジーを活用した言語学習に対するデジタルリテラシーの潜在的な貢献を強調するものです。

本研究の主要な貢献は、教授スタイル、ChatGPTの利用、デジタルリテラシー、およびFLCAの間の関係において、モチベーションが重要な媒介変数であることを特定した点にあります（H6–H8が支持された）。モチベーションとFLCAの間の負の相関（H4が支持された）は、内発的モチベーションが、学習者が言語習得に伴う感情的な課題に対処するための心理的リソースとして機能するという理論的な視点と一致しています⁶⁸。モチベーションの高い学生は、言語的な困難に直面した際により粘り強く取り組み、間違いを学習の機会として捉え、口頭発表や試験などの困難な言語タスクにおいても自己効力感を維持しやすいと考えられます。FLCAと創造性の間の負の相関（H5が支持された）も、不安が学習者の新しい言語形式への試行や創造的な言語使用への意欲を制限する可能性があることを示した先行研究と一致しています⁶⁹。FLCAが言語学習の障壁であると特定されているサウジアラビアのEFLコンテキストにおいて、これらの知見は、参加への感情的な障壁を軽減しつつ、学生のモチベーションをサポートする学習環境の重要性を強調しています。媒介分析はさらに、支援的な教授実践、ChatGPTの利用、およびデジタルリテラシーがFLCAのレベル低下に関連する重要なメカニズムとして、モチベーションが機能していることを示唆しています。これらの結果は、サウジアラビアのEFL教室において、指導的・技術的要因と学習者の成果を結びつけるモチベーションの潜在的な役割を明らかにすることで、先行研究を拡張するものです。

教授スタイルの次元分析（表8）により、5つの教授スタイルの次元にわたって明確なパターンが明らかになった。「権威型（Authority）」の教授スタイルは、高いレベルのFLCAおよび低い創造性と関連していたが、モチベーションとの関連は統計的に有意ではなかった。対照的に、「促進型（Facilitator）」、「専門家型（Expert）」、「パーソナルモデル型（Personal Model）」、および「委任型（Delegator）」の教授スタイルは、モチベーションおよび創造性と正の相関があり、外国語教室不安とは負の相関があった。これらの知見は、教授スタイルによって、学習者のモチベーション、感情的および創造的な成果との関係が異なる可能性を示唆している。考えられる一つの説明としてSDTが挙げられ、同理論では、学習者の自律性を支援する教授アプローチは内発的モチベーションを促進しやすい一方で、高度に指示的な指導アプローチは構造を提供するものの、自律的な関与の機会を少なくすることが提案されている。サウジアラビアの教育的文脈においては、構造化された指導アプローチは、明確な期待とガイダンスを提供することで、一部の学習者の不確実性を軽減させる可能性がある。同時に、教師による制御が強すぎると、独立した学習や創造的な言語使用の機会が減少する可能性がある。これらの結果は、明確なガイダンスと学習者の自律性の機会をバランスよく組み合わせた指導アプローチが、肯定的な教育成果を支援する可能性を示唆している。縦断的または実験的な設計を用いた今後の研究により、これらの関係をより明確にし、異なる教授スタイルが時間の経過とともにモチベーション、外国語教室不安、および創造性にどのように影響するかを検証することが有用であると考えられる。

本研究は、自己決定理論（SDT）と技術受容モデルを統合し、教育的アプローチとAI支援学習が、モチベーションを通じて学習成果とどのように関連しているかを検証することで、EFL学習の理論的理解に寄与するものである。分析の結果、教授スタイル、ChatGPTの利用、およびデジタルリテラシーがモチベーションに関連しており、それがさらに外国語教室不安に関連していることが示唆された。また、ChatGPTによって提供される自律的な練習や個別化されたフィードバックの機会が、自律性と有能感という学習者の心理的欲求をサポートする可能性があることを示しており、テクノロジーを活用した言語学習におけるSDTの適用を支持する結果となった。さらに、教授スタイルの次元分析により、異なる指導アプローチがそれぞれ異なる学習成果に関連していることが明らかになり、教授スタイルの有効性は教育的コンテキストや検討される特定の成果によって異なる可能性が示唆された。これらの知見は、サウジアラビアにおけるEFL教育および教育政策に対しても実務的な示唆を与えるものである。教師の専門性開発プログラムにおいて、明確な指導と学習者の自律性の機会をバランスよく組み合わせた指導アプローチを重視することで、外国語教室不安を軽減しつつ、学生のモチベーションを向上させることができると考えられる。ChatGPTなどのAI支援ツールの言語指導への導入は、適切な教育的ガイダンスを伴えば、ブレインストーミング、ドラフティング、および会話練習のさらなる機会を提供し得る。同様に、デジタルリテラシー向上への取り組みは、情報の評価、技術の倫理的利用、AIツールの戦略的活用など、AI支援学習テクノロジーを効果的に使用するために必要なスキルの習得に役立つと考えられる。機関レベルでは、デジタルインフラへの継続的な投資、テクノロジーを活用した学習活動を取り入れたカリキュラム開発、および有意義な言語使用を促進する評価方法の導入が、学生の学習をさらに支援する可能性がある。加えて、低リスクの学習機会、建設的なフィードバック、ピアコラボレーション、および創造的な言語使用の承認を通じて情緒的サポートを提供する学習環境は、モチベーションの改善と外国語教室不安の軽減に寄与すると考えられる。総じて、これらの知見は、「サウジ・ビジョン2030」の広範な目標の下で、テクノロジーを活用した言語学習を支援する教育実践および政策イニシアチブに有益な情報を提供するものである。

本研究では、サウジアラビアのEFL（英語を外国語として学ぶ）学部生を対象に、教授法、ChatGPTの利用、デジタルリテラシー、モチベーション、外国語教室不安（FLCA）、および創造性の間の関係を調査し、特にモチベーションの媒介的役割に注目しました。分析の結果、教授法、ChatGPTの利用、およびデジタルリテラシーは、学生のモチベーションと正の相関があることが示されました。一方で、モチベーションは外国語教室不安と負の相関があり、FLCAは創造性と負の相関がありました。これらの結果は、サウジアラビアのEFL教室において、モチベーションが教育的・技術的要因と学習成果を結びつける重要なメカニズムであることを示唆しています。また、学生の動機付け的なニーズと情緒的なニーズの両方をサポートする学習環境の重要性も浮き彫りになりました。教授法の次元分析では、「権威的（Authority）」な教授法は、より高いレベルのFLCAおよび低い創造性と関連していたのに対し、「促進的（Facilitator）」、「専門的（Expert）」、「個人的モデル（Personal Model）」、および「委任的（Delegator）」な教授法は、高いモチベーションと創造性、および低い不安と関連していました。これらの結果は、明確なガイダンスと学習者の自律性の機会をバランスよく組み合わせた指導アプローチが、肯定的な学習体験と言語の発達を支援する可能性があることを示唆しています。サウジ・ビジョン2030の文脈において、本知見は言語教育に対する実践的な示唆を含んでいます。学習者中心の指導戦略、ChatGPTのようなAI支援学習ツール、およびデジタルリテラシーの開発を統合することは、学生のモチベーションを維持し、外国語教室不安を軽減させながら、テクノロジーを活用した言語学習に寄与すると考えられます。総じて、本研究は、EFL教育における教育実践、AI支援学習、およびデジタルコンピテンスの役割を支持する根拠を提示し、多様な教育環境におけるこれらの関係を検証する今後の縦断的研究や介入研究の基礎を提供するものです。

本研究にはいくつかの限界があることを認める必要がある。第一に、横断的研究デザインであるため、研究変数間の関係について因果推論を行う能力に制限がある。理論的枠組みでは方向性のある関係を提案しているが、得られた知見は因果関係の証拠ではなく、関連性として解釈されるべきである。今後の研究では、縦断的デザインを採用して、動機付け、外国語教室不安、および創造性の経時的変化を検討することや、実験的または介入ベースのデザインを用いて、提案された関係をより厳密に評価することが求められる。そのような研究により、学習者の自律性を重視した指導アプローチが、その後の動機付け、外国語教室不安、および創造性の変化に関連しているか否かを調査できる可能性がある。第二に、サンプルをサウジアラビアの単一の公立大学から抽出したため、得られた知見を他の教育的・文化的背景に一般化することに制限がある可能性がある。評価方法、進行中の教育改革、教師の権威に関する文化的視点など、サウジアラビアの高等教育の特徴が、観察された関係に影響を与えている可能性がある。今後の研究では、多様な教育環境において知見の一貫性を判断するため、サウジアラビア国内の複数の機関や地域、および他国においてこれらの関係を検討すべきである。第三に、本研究は自己報告データに依存しており、社会的望ましい回答バイアス、想起バイアス、および共通メソッド分散の影響を受けている可能性がある。妥当性が確認された測定尺度と事前テストの手順を採用したが、今後の研究では、補完的な証拠を提供するために、教室観察、ラーニングアナリティクス、AI利用記録、または言語能力や創造性のパフォーマンスベースの評価などの追加のデータソースを組み込むことができる。マルチメソッドおよび混合研究法のアプローチにより、本研究で特定された関係についての理解をさらに深めることができるかもしれない。最後に、教授スタイルの次元分析により、「権威型」の教授スタイルと学習成果との間に明確な関連性が特定された。インタビュー、フォーカスグループ、教室観察を含む今後の質的研究により、特にサウジアラビアのEFLコンテキストにおいて、異なる教授スタイルが学生の動機付け、外国語教室不安、および創造性にどのように影響を与えるかについて、さらなる洞察が得られる可能性がある。そのような取り組みは、本研究の知見を補完し、テクノロジーを活用した言語学習のより包括的な理解に寄与するであろう。

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
ChatGPT利用尺度（改変）	著者；Abbas et al.より改変	N/A	言語学習における学生のChatGPT利用状況を評価する8項目の質問票。
創造性尺度（改変）	著者；Govindasamy et al.より改変	N/A	独創性、柔軟性、流暢性、および精緻さを評価する12項目の質問票。
デジタルリテラシー尺度（改変）	著者；Rodríguez-de-Dios et al.より改変	N/A	デジタルリテラシーの6つの次元を測定する29項目の質問票。
外国語教室不安（FLCA）尺度（改変）	著者；Briesmaster & Briesmasterより改変	N/A	コミュニケーション不安、テスト不安、および否定的評価への恐れを測定する27項目の質問票。
G*Power	Heinrich Heine University Düsseldorf	Version 3.1.9.7; RRID: SCR_013726	事後統計的検定力分析に使用したソフトウェア。
IBM SPSS Statistics	IBM Corp.	Version 26; RRID: SCR_002865	データクリーニング、記述統計、信頼性分析、および予備分析に使用した統計ソフトウェア。
マハラノビス距離分析	IBM SPSS Statistics	Version 26; RRID: SCR_002865	多変量外れ値を特定するためにIBM SPSS Statisticsで実施した統計的手法。
モチベーション尺度（改変）	著者；Kanoksilapatham et al.より改変	N/A	学習者のモチベーションを評価する20項目の質問票。
紙質問票	著者	N/A	対面でのデータ収集に使用した、構造化自記式質問票の印刷版。
安全なオンライン調査プラットフォーム	Google LLC	N/A	電子質問票の配布に使用したGoogle フォームプラットフォーム。
SmartPLS	SmartPLS GmbH	Version 4; RRID: SCR_036419	測定モデルの評価、構造モデル分析、ブートストラッピング（5,000回リサンプル）、および媒介分析を含む、部分最小二乗法構造方程式モデリング（PLS-SEM）に使用したソフトウェア。
構造化自記式質問票	著者	N/A	5件法のリッカート尺度（1 = 全く同意しない ～ 5 = 非常に同意する）を用いて、紙および電子形式で実施された質問票。
教授スタイル・インベントリ（改変）	著者；Grasha's Teaching Style Inventoryより改変	N/A	権威的、専門家的、パーソナルモデル的、促進者的、および委任者的教授スタイルを測定する質問票。
大学の連絡手段	University of Jeddah	N/A	参加者募集に使用した公式メールおよび教室での告知。