디지털 리터러시에서 학생의 창의성까지: AI 지원 언어 학습에서의 동기 부여 경로

요약

이 연구는 학생 중심 교수, 전략적 ChatGPT 사용, 디지털 문해력이 중국어 EFL 학습자의 동기 부여와 긍정적인 연관성을 보인다는 것을 발견했습니다. 이러한 높은 동기 부여는 불안 감소와 창의성 증가와 연관되어 중재 역할을 시사합니다. 이 연구 결과는 교수법, AI 도구, 디지털 기술을 통합한 교사 교육을 뒷받침합니다.

초록

본 연구는 교수 스타일, ChatGPT 사용, 디지털 문해력이 중국어 EFL 학습자들 사이에서 동기, 불안, 창의성에 어떤 영향을 미치는지 살펴보며, 동기가 이러한 관계에서 매개 역할을 하는 역할을 조사합니다. 정량적 접근법을 채택하여, 검증된 척도를 사용해 n=290명의 학부생으로부터 데이터를 수집하고 구조 방정식 모델링을 통해 분석하였습니다. 연구 결과는 학생 주도형 교수, 전략적 ChatGPT 통합, 디지털 리터러시가 동기 부여 향상과 긍정적 연관관계를 보인다는 것을 보여줍니다. 높은 동기는 불안이 낮아지고, 불안이 낮을수록 창의성이 높아집니다. 더 나아가, 동기는 세 가지 선행 요인(교수법, ChatGPT 사용, 디지털 리터러시)과 불안 간의 연관성을 완전히 매개하며, 테스트 모델에서 정서적 결과에서 중심적 역할을 강조합니다. 이 연구는 교육적 요인과 기술적 요인이 학습자의 심리적 요구를 어떻게 시너지적으로 지원하는지 보여주며, 동기의 매개 기능을 명확히 하여 미디어를 통한 학습의 인지-정서 이론을 확장함으로써 자기결정 이론에 기여합니다. 실질적인 시사점은 혁신적인 교수법, AI 도구 활용, 디지털 리터러시 개발을 결합하여 언어 학습 경험을 최적화하는 교사 연수 프로그램의 필요성을 부각시킵니다. 이 연구는 특히 고위험 학습 환경에서 기술 기반 EFL 교육에서 동기 중심 접근법의 중요성을 강조합니다.

서론

인공지능(AI)은 언어 학습에서 상호작용, 개인화, 창의성을 위한 새로운 기회를 창출함으로써 교육 기술을 발전시켰습니다^. ChatGPT AI 기반 대화 도구는 언어 개발을 지원하는 상호작용적이고 적응적인 피드백을 제공합니다². 동시에 디지털 리터러시는 학습 환경에서 기술을 효과적으로 활용하고 탐색하는 데 필수적인 기술로 부상^{했습니다.} AI 지원 언어 학습에 대한 관심이 높아지고 EFL 맥락에서 ChatGPT의 사용이 증가하고 있음에도 불구하고,⁴ 4 중대한 격차가 여전히 남아 있습니다. 첫째, 기존 연구들은 주로 교수법, AI 도구 사용, 디지털 문해력을 단독으로 조사해 왔습니다; 제한된 연구는 이 세 가지를 하나의 동기 부여 체계 안에 통합^{했습니다.} 둘째, 동기가 언어 학습의 핵심 동인으로 널리 인정받고 있지만, 교육 및 기술적 요인이 정서적 결과(예: 언어 학습 불안)와 인지 결과(예: 창의성)와 연관되는 매개 역할을 조사한 연구는 거의 ^{없습니다6.} 이 격차는 기술 통합이 아직 진화 중인 중국 EFL 맥락에서 특히 두드러집니다. 더불어, EFL 학습⁷에서 불안이 억제 요인으로 잘 문서화되어 있지만, 동기 및 기술적 변수와 함께 연구되는 경우는 드뭅니다. 마찬가지로, 언어 학습에서 점점 더 중요해지는 창의성은 AI 지원 학습 환경과는 강하게 연관되어 있지^{않습니다.} 이전 연구들이 교수법이나 기술에만 집중하는 것과 달리, 이번 연구는 두 영역을 모두 연결하여 교수법, ChatGPT 활용, 디지털 리터러시가 동기 부여, 그리고 불안과 창의성에 어떻게 연관되는지 살펴보았습니다.

이 연구는 구조 방정식 모델에서 측정된 구체에 대응하는 세 가지 이론적 틀을 바탕으로 합니다. 첫째, 자기결정 이론(SDT)⁹ 은 자율성 지원 교수가 학습자의 기본적인 심리적 필요(자율성, 역량, 관련성)를 충족시켜 내적 동기를 증진시킨다고 주장한다. 우리 모델에서는 이것이 학생 중심 교수법이라는 개념을 통해 실질화되며, 이는 동기와 긍정적으로 연관된다고 가정합니다. 둘째, 기술 수용 모델(TAM)¹⁰ 은 인지된 유용성과 사용 편의성이 기술 채택에 영향을 미친다고 제안합니다. 여기서 디지털 리터러시는 학습자가 ChatGPT를 유용하고 사용하기 쉬운 것으로 인식할 수 있게 하는 전구자로 개념화되어, 그 긍정적인 동기와의 연관성을 강화합니다. 셋째, 미디어를 이용한 학습의 인지정서적 이론(CATLM)¹¹은 정서적 요인(예: 불안)이 미디어 특징과 인지 결과(예: 창의성) 간의 관계를 매개한다고 강조합니다. 우리 모델에서는 동기 부여→ 불안→ 창의성 경로를 통해 이를 검증합니다. 중요하게도, 구성주의 학습 이론은 학생 중심 교수법 설계에 영향을 주지만, 우리 모델에서 별도의 측정된 개념으로 운영화되지는 않는다; 따라서 우리는 이를 직접적으로 검증된 프레임워크가 아닌 배경으로만 논의합니다.

EFL 맥락에서 SDT의 이전 적용은 주로 교사 주도 자율성 지원에 집중되어 있었으며, ChatGPT 같은 AI 도구가 학습자의 역량과 자^{율성 요구}를 독립적으로 충족시킬 수 있는 방법을 검토하지 않았습니다. 마찬가지로 TAM은 기술 도입에 대해 설명했으나 불안과 창의성과 같은 동기 부여 및 정서적 결과는 반영하지 않았습니다¹³. CATLM은 감정 및 인지 처리를 강조했으나, AI 지원 EFL 환경에서의 실증적 테스트는 부족하다¹⁴. 본 연구는 세 가지 프레임워크를 통합하여 통합되고 실증적으로 검증 가능한 모델을 만들고, 교수형 스타일, ChatGPT 사용, 디지털 리터러시가 동기와 연관되어 동기 부여가 불안과 창의성 향상(불안-창의성 연관성 참조)과 연관되어 있음을 보답합니다.

ChatGPT는 인간과 유사한 대화, 즉각적인 피드백, 적응형 응답이 가능한 생성 언어 모델로, EFL¹⁵ 수업에 잠재적으로 강력한 도구가 될 수 있습니다. 최근 연구에 따르면 ChatGPT는 시뮬레이션된 상호작용을 통해 어휘 습득, 문법 정확성, 대화 유창성을 돕는다고 합니다^. 하지만 학습자에 대한 심리적 영향에 대해서는 여전히 중요한 공백이 남아 있습니다. 한편으로는 ChatGPT의 부담 없고 접근하기 쉬운 특성이 언어 학습 불안을 줄일 수^{있습니다.} 반면, 예측 불가능성(예: 가끔 발생하는 부정확성이나 일관성 없는 답변)은 자신감이 부족한^{학습자에게는} 스트레스를 증가시킬 수 있습니다. 더불어, ChatGPT의 효과는 학습자들의 디지털 리터러시뿐만 아니라 비판적 평가와 윤리적 인식에도 달려 있을 가능성이 큽니다^. 이러한 조정 역할은 학생들의 기술적 준비도가²⁰ 변동하는 EFL 맥락에서 추가 검토가 필요합니다.

교수법은 학생의 활동성과 언어 학습 수행을 정의하는 중요한 측면으로 인정받고 있습니다²¹. 구성주의 및 사회문화적 문제에 근거해, 현대 교육 연구의 경향은 의사소통 언어 교수법과 과제 기반 학습과 같은 학생 중심 교수법의 효과성을 강조했습니다.^일부 관행에 따르면, 학생 중심 교수법을 사용하는 학생들이 교사 주도 스타일을 사용하는 학생들보다 더 높은 성적과 더 나은 성과를 거둔다는^{것입니다.}. 이러한 학습자 중심 패러다임은 자율성 지지적 교육이 학습자의 심리적 필요, 필요 역량, 필요 자율성, 필요 필요 관련성을 충족시켜 내적 동기를 심어준다는 자기결정 이론과 공명한다²⁴. 이는 유연하고 상호작용적인 교수 패턴이 언어 학습자의 참여를 향상시키고 불안의 부정적 결과를 완화한다는 경험적 연구 결과에 의해 더욱 뒷받침됩니다²⁵. 하지만 ChatGPT와 같은 AI의 빠른 구현은 이 과정에 복잡성을 더합니다²⁶. 일부 연구자들은 AI 기술이 개별화된 학습 경로를 도입함으로써 학생 중심 교수법의 긍정적 이점을 심화할 수 있다고 주장하지만,²⁷.

동기는 언어 학습에서 교육적, 기술적, 정서적 변수들의 연결 고리를 중재하는 중심 역할을 합니다²⁸. SDT가 설명하는 자율적 동기와 통제된 동기의 차이는 ChatGPT와 교수법을 활용한 학습자 참여를 분석하는 데 타당한 관점을 제공합니다²⁹. 초기 증거에서 연구자들은 AI 도구가 자율적이고 관심사 기반 학습을 지원함으로써 자율적 동기를 실현하는 것과 관련이 있다고 밝혔습니다³⁰, 다만 이러한 효과는 교사가 기술을 결합해 학습자의 주체성을 빼앗지 않는 데 의존했습니다³¹. 반면, EFL 환경에서 만연한 장애물처럼 보이는 불안은 많은 경우 부정적인 평가나 의사소통 불안에 대한 두려움에서 비롯됩니다. 학습 실천에 AI를 통합함으로써 이러한 불안을 완화하는 것으로 밝혀^졌지만, 특히 동기 매개라는 측면을 통해 이 과정이 어떻게 작동하는지에 대한 연구는 거의 이루어지지 않았습니다³³. 그림 1 : 연구의 주요 변수들. 이 연구는 교사의 수업 스타일, 학생들의 ChatGPT 사용, 그리고 EFL 맥락에서 학습자의 동기, 불안, 창의성, 디지털 문해력에 미치는 영향 간의 제안된 관계를 보여줍니다.

그림 1. 연구 모델. 교수법, ChatGPT 사용, EFL 학생의 디지털 리터러시, 동기 부여, 불안, 창의성 간의 제안된 관계를 도식적으로 표현합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이론적 틀을 바탕으로 다음과 같은 가설들(H1-H8)이 제안된다:
H1: 교수법은 학생들의 동기와 긍정적으로 연관되어 있습니다.
H2: ChatGPT 사용은 학생들의 동기 부여와 긍정적으로 연관되어 있습니다.
H3: 디지털 리터러시는 학생들의 동기 부여와 긍정적으로 연관되어 있습니다.
H4: 동기 부여는 불안과 부정적인 관련이 있습니다.
H5: 불안은 창의성과 부정적인 연관이 있습니다.
H6: 동기부여는 교수법과 불안 사이의 관계와 연관되어 있습니다.
H7: 동기부여는 ChatGPT 사용과 불안 사이의 관계와 연관되어 있습니다.
H8: 동기는 디지털 리터러시와 불안 사이의 관계와 연관되어 있습니다.

프로토콜

윤리 선언
이 연구는 중국 청두대학교 기관심사위원회(IRB)의 윤리 기준(승인 번호: 202509)에 따라 수행되었습니다. 모든 참가자는 참여 전에 서면 동의서를 제공했습니다. 이 연구는 인간 대상 연구에 대한 기관 지침을 준수하여 자발적 참여, 기밀성, 그리고 언제든 처벌 없이 철회할 수 있는 권리를 보장했습니다.

기밀성을 유지하기 위해 수집된 모든 데이터는 암호화된 식별자로 익명화되었고, 개인 정보는 연구 데이터와 별도로 비밀번호로 보호된 파일에 보관되어 주요 연구자만 접근할 수 있었습니다. 설문지 설계에는 특히 불안에 관한 질문에 대해 심리적 불편함을 최소화하기 위한 조치가 포함되었으며, 설문 참여로 인한 고통이 발생할 경우 대학 상담 서비스 연락처 정보를 제공받았습니다. 교사-학생 관계에서 발생할 수 있는 권력 불균형을 해결하기 위해, 강의가 아닌 훈련된 연구 조교가 모집과 데이터 수집을 수행했으며, 참가자들은 자신의 답변이 학업적 지위나 교수진과의 관계에 영향을 미치지 않을 것이라는 보장을 받았습니다.

이 연구는 한 공립대학의 중국인 학부생 EFL 학생 290명을 대상으로 정량적이고 횡단면적인 설계를 수행했습니다. 다양한 학년과 전공을 대표하는 참가자들이 비례대표제를 이용한 편의 표본 추출과 정규 수업 중 통제된 교실 환경에서 종이 기반 설문지를 작성하여 모집되었으며, 약 25분이 소요되었습니다. 설문지 연합에는 교수법, 디지털 리터러시, ChatGPT 사용, 동기, 불안, 창의성을 측정하는 검증된 척도가 포함되었습니다. 편향을 최소화하기 위해 훈련된 연구 조교들이 심리적 문항 분리와 같은 절차적 대응책을 사용하여 설문지를 실시했습니다. 데이터 수집 후, 응답은 통계 소프트웨어와 부분최소제곱 구조 방정식 모델링(PLS-SEM) 소프트웨어를 사용하여 분석되었으며, 여기에는 데이터 스크리닝, 측정 모델 평가, 구조 모델 테스트, 그리고 5,000개의 재샘플을 이용한 부트스트래핑 절차를 통한 매개 분석이 포함되었습니다.

연구 설계
이 연구는 정량적이고 횡단적인 연구 설계를 사용하여 EFL 학습자들의 교수법, ChatGPT 사용, 디지털 리터러시, 동기, 불안, 창의성 간의 관계를 조사하였습니다. 횡단면적 접근법이 특정 시점의 변수들의 스냅샷을 포착하는 데 적합하다고 판단되어, 종단 연구의 시간적 요구 없이 이들의 상호관계를 분석할 수 있게 되었습니다. 이 설계는 동기가 교수 스타일, ChatGPT 사용, 디지털 리터러시를 불안 감소와 창의성 증진에 연결하는 메커니즘으로 작용하는 가설적 매개 모델을 검증하는 데 도움을 주었습니다.

데이터 및 샘플
표본 대상은 2024-2025 학년도에 중국 공립대학에서 영어외국어(EFL) 과정을 수강한 모든 학부생으로 구성되었습니다. 자격 기준은 참가자가 (a) 중국어가 모국어인 것, (b) 현재 최소 한 개의 필수 EFL 과정을 수료 중이어야 하며, (c) 일반 강의 외에 AI 기반 언어 학습 도구에 대한 정식 교육을 받은 적이 없어야 했습니다. 층층화된 편의 표본 추출 방식을 사용했으며, 학년(1학년, 2학년, 3학년, 4학년)과 학문 분야(인문학, 사회과학, 자연과학, 공학)에 비례적으로 배분했습니다. 목표 계층 규모는 대학의 전체 학생 분포를 기준으로 학년도별 25%, 학문 분야별 25%로 설정되었습니다. 최종 표본은 290명의 학부 EFL 학생으로 구성되었습니다. 정규 수업 시간에 접근한 328명 중 11명은 참여를 거부했고(비참여율 = 3.4%), 27명은 불완전한 설문지를 제출했으며(불완전 응답률 = 8.2%), 최종 사용 가능한 응답률은 88.4%(290/328)였습니다. 사전 표본 크기 계산은 G*Power 3.1을 사용해 F 검정 계열, 선형 다중 회귀: 고정 모델, R² 0에서의 편차를 검정으로 수행했습니다. 입력 매개변수는 효과 크기 f² = 0.15(행동 연구의 일반 중간 효과 크기), α err 확률 = 0.05, 검정값(1-β 오류 확률) = 0.95, 그리고 동기 결과에 대한 예측 변수 수 = 3(교수법, ChatGPT 사용, 디지털 리터러시)였습니다. 계산 결과 유의미한 R²를 감지하기 위한 최소 샘플 크기는 119개로 제시되었습니다. 전체 SEM 모델(간접 경로 및 추가 내인성 변수 포함)을 추가로 고려하기 위해, 추정 매개변수당 10건이라는 보다 보수적인 규칙을 적용했습니다. 모델에 29개의 추정 매개변수가 포함되어 있어 필요한 표본 크기는 290개로, 최종 표본과 정확히 일치합니다. 따라서 얻은 샘플은 회귀 기반 분석과 SEM 분석 모두에서 완전한 파워를 갖추게 됩니다.

참가자 및 절차
참가자들은 학년(신입생부터 4학년까지) 및 학문 배경(인문학, 과학, 공학) 간의 비례성을 보장하기 위해 계층화된 편의 표본추출을 통해 모집되었습니다. 최종 표본의 층별 규모는 다음과 같습니다: 신입생(n = 72, 24.8%), 2학년(n = 74, 25.5%), 3학년(n = 71, 24.5%), 4학년(n = 73, 25.2%); 인문학(n = 76, 26.2%), 사회과학(n = 68, 23.4%), 자연과학(n = 72, 24.8%), 공학(n = 74, 25.5%). 표본 학생은 여성 62%, 남성 학생 38%로 구성되었으며, 평균 연령은 20.3세(SD = 1.7)였습니다. 데이터 수집은 정기적인 EFL 수업 세션 중에 이루어졌습니다. 훈련된 연구 조교들이 표준화를 보장하기 위해 통제된 교실 환경에서 종이 기반 설문지를 실시했습니다. 설문 실시 전에 수업에 참석한 모든 자격 있는 학생들에게 연구의 목적, 자발적 성격, 그리고 기밀 유지 조치(익명 응답, 안전한 데이터 저장)에 대해 안내받았습니다. 자격을 충족하지 못한 학생들(n = 6, EFL 등록 없음) 또는 참여를 거부한 학생들(n = 11명)은 제외되었고; 적위 감소 원인으로는 시간 제약(n = 7)과 자기보고된 기술 사용에 대한 불편함(n = 4)이 포함되었습니다. 설문지 작성 과정은 약 25분 동안 완료되었으며, 모든 구성에 대해 검증된 척도가 포함되어 있었습니다. 일반적인 방법 편향을 완화하기 위해 절차적 대응책(예: 심리적 척도 항목 분리, 응답의 익명성 등)이 적용되었습니다. 또한, 하먼의 단일 요인 검정을 사용해 공통 방법 편향을 평가했으며, 첫 번째 요인은 전체 분산의 50% 미만을 차지하여 공통 방법 편향이 이 연구에서 주요 우려가 되지 않았음을 나타냈다.

연구 측정 방법
모든 척도는 엄격한 번역 및 적응 절차를 거쳐 중국어 EFL 맥락에 맞게 조정되었습니다. 두 명의 이중언어 연구자가 독립적으로 원본 영어 문헌을 중국어로 번역했고, 세 번째 연구자는 불일치를 조정하여 예비 버전을 만들었습니다. 이 버전은 두 명의 다른 번역가에 의해 영어로 역번역되었고, 불일치는 연구팀과의 논의를 통해 해결되었습니다. 중국어 버전은 30명의 학부 EFL 학생(주 표본에 포함되지 않음)을 대상으로 시범 테스트를 통해 명료성과 이해도를 점검했고, 그 결과 약간의 문구 수정이 이루어졌습니다. 각 척도별로 응답은 1(강하게 반대)에서 5(강하게 동의)까지 5점 리커트 척도로 수집되었습니다. 각 구성물에 대해 합산 또는 평균화된 점수가 사용되었으며, 점수가 높을수록 해당 변수의 수준이 높음을 나타냈다. 모든 적응된 척도는 원저자의 허가를 받거나 해당되는 경우 오픈 라이선스 조건 하에 사용되었습니다. 아래에 명시된 경우를 제외하고는 원래 저울에서 어떤 항목도 제거되지 않았습니다; 문항 유지율은 인자 부하 > 0.40과 이론적 관련성을 기준으로 하였다. ChatGPT 사용과 관련해, 연구는 2024-2025 학년도 동안 학생들이 무료 ChatGPT(GPT-3.5/4, 웹 또는 모바일 앱을 통해 이용 가능)과 자기보고한 상호작용을 평가했습니다. 모든 참가자는 대학이 ChatGPT를 제한하지 않았기 때문에 도구에 동등하게 접근할 수 있었습니다; 실제 사용법은 개인마다 달랐습니다. 이 척도는 ChatGPT 사용 빈도('절대'에서 '매일'까지), 사용된 언어 학습 과제의 유형(예: 어휘 구축, 문법 검사, 에세이 작성, 대화 연습, 오류 수정), 그리고 상호작용의 인지된 질(예: 유용성, 피드백의 명확성)을 측정했습니다. 이 척도는 데이터 수집 기간 동안 버전 업데이트가 이루어졌기 때문에 특정 ChatGPT 버전을 구분하지 않았습니다; 대신 참가자들은 주로 사용하는 버전을 보고했으며, 90% 이상이 GPT-3.5 또는 GPT-4를 보고했습니다. 각 구성물에 대한 상세한 아이템 예시와 적응 노트는 아래에 제공되어 있습니다.

이 연구는 EFL 교육 맥락에 신중하게 조정된 엄격하게 검증된 척도를 사용하여 교수법, 디지털 역량, ChatGPT 통합, 언어 학습 불안, 학습자 동기, 창의적 사고 등 주요 변수를 평가했습니다. 측정 도구들은 신뢰성과 각 구성체를 포괄적으로 평가할 수 있는 능력이 입증된 점으로 선택되었습니다. 교수법을 검토하기 위해 연구는 Grasha의 교수법 스타일 목록³⁴ 의 수정본을 사용했으며, 이 자료는 권위적, 전문가적, 개인 모범 교사, 촉진형, 위임형 다섯 가지 교수법을 평가했습니다. 디지털 문해력 평가를 위해 연구는 Rodríguez-de-Dueños 등이 개발한 척도의 수정된 버전을 포함하^였으며, 이 척도는 6개 핵심 영역에 걸쳐 29개 항목으로 구성되었습니다: (1) 기술 문해력, (2) 개인 데이터 보호 문해력, (3) 비판적 평가 문해력, (4) 기기 보안 문해력, (5) 정보 처리 문해력, (6) 디지털 커뮤니케이션 문해력. 이 다차원적 틀은 현대 교육에 필요한 학습자의 디지털 역량을 철저히 평가할 수 있게 했습니다. ChatGPT 사용은 Abbas 등에서 채택한 8개 문항 척도를 ^{사용해 평가}되었으며, 언어 학습 과제를 위한 학생들의 AI 도구와의 상호작용에 초점을 맞췄습니다. 이 척도는 객관적 사용 빈도가 아니라 학생들이 언어 학습 과제에서 ChatGPT를 인지하고 자기보고한 사용을 포착합니다. 외국어 교실 불안(FLCA)은 Briesmaster와^{Briesmaster 37}을 기반으로 한 조정된 척도로 측정되었습니다. 이 도구는 의사소통 불안, 시험 불안, 부정적 평가에 대한 두려움이라는 세 가지 중요한 차원에서 불안을 각각 10, 10, 7문항으로 분석했습니다. 학생들의 동기 부여는 Kanoksilapatham 등에서 채택한 척도를 사용하여 평가^{되었으며, 도구}성 촉진 및 예방, 민족중심주의 및 통합성, 영어 학습에 대한 태도라는 세 가지 주요 차원을 측정했습니다. 이 척도에는 총 20개의 항목이 포함되었습니다. EFL 학생들의 창의성은 Govindasamy 등⁽Govindasamy) 등에서 채택한 척도를 사용해 측정되었으며, 독창성, 유연성, 유창성, 상세화의 네 가지 차원을 평가했습니다. 각 차원은 세 가지 항목을 사용해 측정되었습니다.

데이터 분석 방법
수집된 데이터는 SPSS(버전 27)와 부분 최소제곱 구조 방정식 모델링(PLS-SEM)을 결합한 2단계 분석 접근법을 사용하여 SmartPL 소프트웨어를 통해 분석되었습니다. 초기 데이터 스크리닝과 예비 분석은 SPSS를 사용하여 누락값, 이상치, 정규성 가정 등 데이터 품질을 검토하였습니다. Little의 MCAR 검정(χ² = 18.24, p = 0.212)에서 확인된 결과, 2% 미만의 데이터 포인트가 완전히 무작위로 결손된 경우(MCAR)는 통계적 검정력을 보존하기 위해 기대-최대화 알고리즘을 사용해 처리되었습니다. 데이터셋은 허용 가능한 단변량 정규성(왜도< |2|, 굽도< |7|)과 다변량 정규성(마르디아 계수 = 18.37, p < 0.001)을 입증하여, 비정규성에 강인한 모수 검정과 PLS-SEM 모두의 사용을 정당화했습니다. 단변량 정규성은 허용되었으나, 마르디아의 계수는 다변량 정규성 위반을 나타냈다(p < 0.001). 하지만 PLS-SEM은 비정규 데이터 분포에 강인하므로 이는 우려가 되지 않습니다.

신뢰성 분석 결과 모든 척도에서 강한 내부 일관성이 확인되었으며(Cronbach의 α > 0.82, 복합 신뢰도> 0.85), 탐색적 요인 분석에서는 모든 항목이 각자의 구성에 깔끔하게 하중된 상태에서 예상되는 요인 구조가 확인되었습니다(하중> 0.65, 교차 하중< 0.40).

가설 검정 측면에서, PLS-SEM은 소규모에서 중간 표본 크기의 복잡한 모델을 우수한 처리와 내생적 구성체에서 설명 분산을 극대화할 수 있는 능력 때문에 공분산 기반 SEM보다 선택되었습니다. 분석은 두 단계 절차를 따랐는데, 먼저 측정 모델을 평가한 후 구조 모델을 평가하는 것이었습니다. 반사 측정 모델은 충분한 수렴 타당성(모든 구성에 대해 평균 분산 > 0.50 도출)과 판별적 타당도를 포넬-라커 기준과 이성형질-단일 특성 비율(HTMT < 0.85)으로 확인되었습니다. 구조 모델에서는 5,000개의 재샘플을 이용한 부트스트래핑 절차를 사용하여 경로 계수를 추정하여 안정적인 추정치와 신뢰구간을 산출했습니다. 모델의 예측력은 내인성 변수(동기 = 0.53, 불안 = 0.41, 창의성 = 0.38)와 예측 관련성(Q² > 0)에 대한 R² 값으로 평가되었으며, 효과 크기(f²)를 계산하여 실질적 영향을 결정하였습니다. 매개 분석에서는 편향 보정 부트스트랩 방법을 사용하여 간접 효과를 검증했으며, 95% 신뢰구간이 0을 제외했을 때 유의미한 매개 효과가 입증되었습니다.

모든 구성은 이론적 고려에 기반해 반사적(모드 A)으로 모델링되었으며, 각 잠재 변수가 관찰된 지표를 유발한다고 가정했습니다. 모든 항목이 0.50 임계값(0.62에서 0.89 범위)을 초과했고, 모든 평균 분산(AVE) 값이 0.50을 초과하여 수렴 타당성을 확인해 어떤 척도에서도 항목이 제외되지 않았습니다. 중재 테스트의 경우, 구조 모델은 세 가지 선행 요인(교수법, ChatGPT 사용, 디지털 리터러시)에서 동기, 동기에서 불안으로, 그리고 불안에서 창의성으로의 직접적인 경로를 포함했습니다. 선행 요인에서 불안으로, 그리고 선행 요인에서 창의성으로의 직접적인 경로도 부분 중재 대비 완전 중재 중 어느 때인지 평가되었다. 완전한 매개는 (a) 간접 효과(동기 →→ 불안의 선행 요인)가 유의미한(95% 편향 보정 부트스트랩 신뢰구간 제로 제외), (b) 매개체를 포함한 후 불안으로 인한 직접적 효과가 유의미하지 않다는 기준에 따라 결정되었으며, 창의성에 대한 직접적 효과는 유의미하지 않았다. 모든 분석은 SmartPLS 4의 PLS-SEM 알고리즘을 사용했으며, 경로 가중치 체계, 최대 반복 횟수는 300회로 설정, 정지 기준은 1.0e-7이었습니다. 부트스트래핑은 5,000개의 하위 표본, 95%의 편향 보정 및 가속(BCa) 신뢰구간, 그리고 부호 변경 없음 옵션으로 수행되었습니다. 모델 적합은 권장 0.08 임계값 이하인 표준화된 평균제곱근 잔차(SRMR = 0.061)를 사용하여 평가되었습니다.

결과

기술 통계 및 상관분석
모든 연구 변수에 대한 기술적 통계는 권장 임계값인 ± 2 내에서 편도와 염도 값으로 입증되는 허용 가능한 변동성 범위를 가진 정규분포 데이터를 보여주었다.

표 1은 290명의 EFL 학습자 표본에서 연구 변수의 중요한 특징을 보여줍니다. 교수법(M = 4.32, SD = 0.72), 디지털 리터러시(M = 4.15, SD = 0.68), 동기 부여(M = 4.21, SD = 0.79)는 5점 척도에서 가장 높은 평균 점수를 보였으며, 이는 이들 요인에 대해 대체로 긍정적인 인식을 보였고, 표준편차가 더 작은 변동성으로 비교적 낮은 편차를 보였습니다. ChatGPT 사용은 약간 낮지만 여전히 긍정적인 평가를 보였고(M = 3.89, SD = 0.91), 창의성은 중간 수준에 더 큰 분산을 보였으며(M = 3.95, SD = 1.02...

토론

이번 연구는 EFL 학생들 사이에서 교수법, ChatGPT 사용, 디지털 리터러시, 동기 부여, 불안, 창의성 간의 연관성에 대한 유용한 통찰을 제공합니다. 연구 결과는 학생 중심의 교수법, ChatGPT 활용 증가, 디지털 리터러시 향상이 학생들의 동기 부여와 긍정적 연관이 있음을 시사합니다. 반대로 동기는 불안과 부정적인 연관성을 보이고, 불안은 창의성과도 부정적인 관계를 맺습니다. 이 결과들은 단면적이고 자기보고된 설계를 사용했기 때문에 인과관계보다는 모델 지원 연관성으로 해석되어야 합니다. 그럼에도 불구하고, 관계의 양상은 자기결정 이론의 중요성을 뒷받침하는데, 교수법, 기술 사용, 디지털 역량이 학습자의 자율성, 역량, 연관성과 연관성이 있다고 인식될 수 있으며, 이는 동기 부여 발달의 핵심이다. VAF 값이 72%에서 78%에 이르는 강력한 중개 결과는 동기가 교육적·기술적 변수들이 불안과 통계적으로 연관되는 중요한 심리적 경로임을 나타냅니다.

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
설문 도구 (척도)	교수 스타일 척도	NA	Grasha의 교수 스타일 인벤토리 (Grasha, 1996)의 수정된 버전으로, 권위적, 전문가, 개인 모델, 촉진, 위임 등 5가지 교육적 접근법을 평가합니다. 카탈로그 번호: NA
	디지털 리터러시 척도	NA	Rodríguez-de-Dueños 등 (2016)에서 적응한 29개 항목의 척도로, 기술적 숙련도, 개인 데이터 보호, 비판적 평가, 기기 보안 관리, 정보 처리, 디지털 커뮤니케이션 등 6가지 차원을 포함합니다. 카탈로그 번호: NA
	ChatGPT 사용 척도	NA	Abbas 등 (2024)에서 적응한 8개 항목의 척도로, 언어 학습 과제를 위한 AI 도구와 학생들의 상호작용에 초점을 맞춥니다. 카탈로그 번호: NA
	외국어 교실 불안 (FLCA) 척도	NA	Briesmaster와 Briesmaster (2015)에서 적응한 척도로, 의사소통 긴장감 (10개 항목), 시험 불안 (15개 항목), 부정적인 평가에 대한 두려움 (7개 항목) 등의 하위 척도를 포함합니다. 카탈로그 번호: NA
	동기 척도	NA	Kanoksilapatham 등 (2021)에서 적응한 20개 항목의 척도로, 계기성 (촉진/예방), 민족주의/통합성, 영어 학습에 대한 태도 등 3가지 차원을 측정합니다. 카탈로그 번호: NA
	창의성 척도	NA	Govindasamy 등 (2024)에서 적응한 12개 항목의 척도로, 독창성, 유연성, 유창성, 세부화 등 4가지 하위 구성 요소를 측정합니다. 카탈로그 번호: NA
소프트웨어	SPSS Statistics 버전 27	IBM Corp.	통계 분석 소프트웨어. 카탈로그 번호: NA
	SmartPLS 버전 4	SmartPLS GmbH	구조 방정식 모델링 소프트웨어. 카탈로그 번호: NA
장비 & 기타 자료	데이터 수집 도구	NA	익명의 자기 응답식 종이-연필 설문지 배터리. 카탈로그 번호: NA
	동의서 문서	NA	연구 목적, 절차, 위험/혜택, 철회 권리 등을 상세히 설명한 서면 정보 시트 및 동의서. 카탈로그 번호: NA
	데이터 저장 시스템	NA	암호로 보호된 디지털 파일과 코드화된 식별자; 개인 정보는 연구 데이터와 별도로 저장됩니다. 카탈로그 번호: NA
분석 절차	PLS-SEM 알고리즘 및 부트스트래핑	SmartPLS GmbH	SmartPLS 4의 내부 루틴 (PLS 알고리즘 및 5,000회 재샘플링을 사용한 바이어스 수정 부트스트래핑). 카탈로그 번호: NA
	타당성 및 신뢰성 검사	SmartPLS GmbH; IBM Corp.	Cronbach의 알파, 복합 신뢰도, 추출된 평균 분산 (AVE), Fornell-Larcker 기준 및 이질적 모노트레이트 (HTMT) 비율에 대한 SmartPLS 4 및 SPSS 루틴. 카탈로그 번호: NA
	예측 관련성 평가	SmartPLS GmbH	Stone-Geisser의 Q² 값을 계산하기 위한 SmartPLS 4의 블라인드폴딩 절차. 카탈로그 번호: NA
	예비 데이터 스크리닝	IBM Corp.	누락된 데이터 처리 (기대 최대화 알고리즘) 및 정규성, 이상치, 요인 구조 (탐색적 요인 분석) 검사에 대한 SPSS 절차. 카탈로그 번호: NA

```