사우디아라비아 외국어로서의 영어(EFL) 강의실 내 생성형 인공지능, 동기, 불안 및 창의성: 단면 조사 연구

요약

본 단면 조사 연구는 사우디아라비아의 영어 외국어(EFL) 학부생들을 대상으로 생성형 인공지능 사용, 교수 스타일, 디지털 리터러시, 동기, 불안 및 창의성 사이의 연관성을 조사하였으며, 관찰된 관계에서 동기가 중요한 매개 변수임을 확인하였습니다.

초록

ChatGPT와 같은 인공지능(AI) 도구가 외국어로서의 영어(EFL) 교육에 점점 더 많이 도입되고 있으나, 사우디아라비아 상황에서 이러한 도구의 사용이 교수법, 디지털 리터러시, 동기 부여, 외국어 교실 불안(FLCA) 및 창의성과 어떤 관련이 있는지에 대한 근거는 제한적인 실정입니다. 본 연구는 통합된 개념적 틀 내에서 이러한 구성 요소들 간의 연관성을 조사하고 동기 부여의 매개 역할을 분석하였습니다. 검증된 설문 도구를 사용하여 사우디아라비아 공립대학교에 재학 중인 280명의 학부 EFL 학생들을 대상으로 정량적 단면 조사를 실시하였습니다. 제안된 관계들은 부분최소제곱 구조방정식 모델링(PLS-SEM)을 통해 분석되었습니다. 연구 결과, ChatGPT 사용, 교수법 및 디지털 리터러시는 학생들의 동기 부여와 정(+)의 상관관계가 있는 것으로 나타났습니다. 높은 동기 부여는 낮은 수준의 FLCA 및 높은 수준의 창의성과 연관되었습니다. 또한 동기 부여는 ChatGPT 사용, 교수법, 디지털 리터러시와 FLCA 사이의 관계를 매개하는 것으로 나타났습니다. 이러한 결과는 학생들의 동기 부여 경험이 교수법, 기술 활용 및 언어 학습 결과 사이의 관계와 밀접하게 연관되어 있음을 시사합니다. 본 연구는 영어 교육 내에서 적절한 교수 전략, 생성형 AI 도구 및 디지털 리터러시 통합을 뒷받침하는 근거를 제공하며, 기술 지원 학습 환경을 구현할 때 학생들의 동기적 및 정서적 경험을 고려하는 것이 중요함을 강조합니다.

서론

사우디아라비아 왕국은 모든 교육 단계에서 21세기 핵심 역량, 디지털 역량 및 혁신적인 교수법 개발을 우선시하는 비전 2030(Vision 2030)에 따라 변혁적인 교육 개혁 과제를 추진하고 있습니다¹. 이러한 국가적 상황 속에서 외국어로서의 영어(EFL) 교육은 의사소통 능력보다 암기식 학습과 시험 성적을 강조하는 시험 중심 문화 등 지속적인 어려움에 직면해 있습니다^2,3. 교실 밖에서 실제적인 영어 상호작용 기회가 제한적이라는 점과 높은 수준의 외국어 교실 불안(FLCA)은 학생들이 목표 언어로 의미 있게 소통하고 참여하려는 의지를 더욱 저해합니다⁴. 이러한 과제들로 인해 교육자와 정책 입안자들은 동기 부여 결핍, 정서적 장벽 및 창의적인 언어 사용 문제를 해결할 수 있는 혁신적인 접근 방식을 모색하게 되었습니다. 인공지능(AI)은 언어 학습을 지원하고 교수법을 변혁하기 위한 유망한 방안으로 떠올랐습니다⁵. 영어 교육(ELT) 분야의 AI 애플리케이션 중 대화형 생성 AI 모델인 ChatGPT는 실시간 대화 맥락에서 상호작용 가능한 언어 연습과 즉각적인 개별 맞춤형 피드백을 제공한다는 점에서 상당한 주목을 받아왔습니다⁶. 이러한 특징들은 교사 중심의 수업과 제한적인 학생 상호작용으로 인해 창의적인 언어 생성이 계속해서 제약받고 있는 사우디 EFL 교실 상황에 특히 유용합니다⁷. ChatGPT는 AI 대화 상대와 함께 실제적이면서도 불안감이 낮은 언어 연습 기회를 제공함으로써 이러한 한계점을 해결하는 데 도움이 될 수 있습니다⁸.

최근 사우디아라비아의 교육 개혁은 학습자 중심 교수법으로의 전환을 촉진하였으며, 이는 능동적 참여, 비판적 사고 및 자기주도적 학습을 증진하는 AI 기술을 통합할 수 있는 기회를 창출했습니다^9,10. 적절하게 구현될 경우, ChatGPT는 전통적인 강의실 활동을 넘어 언어 연습을 확장함으로써 이러한 전환을 지원할 수 있습니다¹¹. 하지만 AI 통합의 효과는 부분적으로 학습을 위해 디지털 기술을 효과적으로 평가, 사용 및 활용하는 능력으로 정의되는 학생들의 디지털 리터러시에 달려 있습니다¹². 디지털 리터러시를 통해 학습자는 과도한 의존 및 오정보를 포함한 잠재적 위험을 최소화하면서 AI 도구를 생산적으로 활용할 수 있습니다¹³. 이러한 역량은 Vision 2030에 따라 디지털 전환이 가속화된 사우디 고등 교육 분야에서 특히 중요합니다¹⁴.

기존 연구들이 AI 도구, 교수 스타일, 디지털 리터러시, 동기, 불안 및 창의성을 개별적으로 조사해 왔으나, 사우디아라비아와 같은 비서구권 EFL 환경에서 이러한 구성 요소들이 하나의 통합된 틀 안에서 어떻게 상호작용하는지에 대한 증거는 제한적이었습니다. 동기는 교수법과 학습 결과(낮은 불안감, 더 높은 창의성 및 지속적인 참여 포함)를 연결하는 중요한 메커니즘으로 일관되게 확인되어 왔습니다¹⁵. 하지만 사우디 EFL 환경에서 ChatGPT 사용, 교수 스타일, 디지털 리터러시, 동기, FLCA 및 창의성 간의 관계는 종합적으로 검토되지 않았습니다¹⁶. 이러한 공백을 메우는 것은 학생들의 동기적, 정서적, 창의적 발달을 지원하는 기술 강화 언어 학습 환경을 설계하는 데 있어 이론적 및 실무적 통찰력을 제공할 수 있습니다. 이에 따라 본 연구는 사우디 EFL 학부생들을 대상으로 ChatGPT 사용, 교수 스타일, 디지털 리터러시, 동기, FLCA 및 창의성 간의 관계를 조사합니다. 구체적으로, (1) ChatGPT 사용, 교수 스타일 및 디지털 리터러시와 학생들의 동기 사이의 관계, (2) 동기와 FLCA 및 창의성 사이의 관계, 그리고 (3) ChatGPT 사용, 교수 스타일, 디지털 리터러시와 결과 변수인 불안 및 창의성 사이의 관계에서 동기의 매개 효과를 분석합니다.

본 연구는 기존의 동기 부여 및 언어 학습 모델에 AI 도구 활용을 통합함으로써 EFL 교육과 기술 강화 학습에 기여하며, 이를 통해 현대 교육 환경에서의 기술 지원 언어 학습에 대한 이해를 확장합니다. 또한, 사우디아라비아의 EFL 교수법에 AI 도구를 통합하고자 하는 교육자, 커리큘럼 설계자 및 정책 입안자들에게 유용한 근거를 제공합니다. 기술 사용 및 교수법과 외국어 의사소통 불안(FLCA) 및 창의성을 연결하는 매개 변수로서 동기를 조사함으로써, 본 연구는 사우디아라비아의 교육 개혁 목표에 부합하는 학습자 중심 언어 교육의 발전을 뒷받침하는 맥락 특이적 근거를 제시합니다.

자기결정성 이론(Self-Determination Theory, SDT)은 교육 환경에서 교수법과 학생 동기 부여 사이의 관계를 이해하기 위한 이론적 틀을 제공합니다¹⁷. SDT에 따르면, 학습 환경 내에서 학습자의 세 가지 기본 심리적 욕구인 자율성(autonomy), 유능성(competence), 관계성(relatedness)이 충족될 때 내재적 동기와 자율적 형태의 외재적 동기가 지원됩니다¹⁸. 따라서 교수 스타일은 학생의 동기 부여와 참여에 영향을 미치는 핵심적인 맥락적 요인입니다¹⁹. 의미 있는 선택지를 제공하고 학생의 관점을 인정하며 학습 활동을 설명하는 자율성 지지적 교수법은 내재적 동기와 자기결정적 참여를 촉진합니다²⁰. EFL 환경에서 촉진자 및 위임자 교수 스타일을 포함한 학습자 중심 접근법은 언어 학습에 대한 학생의 더 높은 헌신, 참여 및 흥미와 관련이 있는 것으로 나타났습니다^21,22. 반대로, 교사 중심의 수업은 내재적 흥미보다 외재적 보상을 강조하면서 학생의 참여와 자율성을 제한하여 동기를 감소시킬 수 있습니다^23,24. 역사적으로 암기와 교사 중심의 전달을 강조해 온 사우디아라비아의 EFL 환경에서²⁵, 보다 학습자 중심적인 교수 접근법을 채택하는 것은 학생들의 동기 부여를 지원할 수 있습니다²⁶. 이러한 이론적 및 실증적 토대를 바탕으로 다음과 같은 가설을 제시합니다: H1: 교수 스타일은 EFL 학생의 동기 부여에 긍정적인 영향을 미친다.

교육 기술과 학습자 동기 사이의 관계는 널리 연구되어 왔습니다^27,28. 기술수용모델(TAM)에 따르면, 교육 기술을 활용하려는 학습자의 동기는 인지된 유용성과 인지된 용이성에 의해 영향을 받으며, 이는 행동 의도와 기술 사용으로 이어집니다²⁹. 이를 ChatGPT에 적용하면, 이 도구가 유용하고 사용하기 쉽다고 인식하는 학생일수록 언어 학습을 위해 이를 활용할 가능성이 높음을 시사합니다³⁰. 실증적 연구들은 AI 지원 언어 학습과 학생 동기 사이의 긍정적인 상관관계를 보고했으며, 특히 상호작용 기능, 즉각적인 피드백, 개인 맞춤형 연습이 지속적인 참여에 기여하는 것으로 나타났습니다^31,32. 또한 ChatGPT는 부담이 적은 언어 연습 기회를 제공함으로써 언어 불안과 관련된 장벽을 낮춰 지속적인 언어 사용을 독려할 수 있습니다³³. 이러한 가능성은 외국어 학습 불안(FLCA)이 동기 부여와 언어 성취의 중요한 장벽으로 확인된 사우디아라비아의 상황에서 특히 유의미합니다³⁴. 이러한 이론적 및 실증적 결과에 근거하여 다음과 같은 가설을 제안합니다: H2: ChatGPT의 사용은 EFL 학생들의 동기에 긍정적인 영향을 미친다.

디지털 리터러시는 현대의 EFL 학습 환경에서 학생들의 동기를 결정하는 중요한 요인이 되었습니다³⁵. 이는 학습을 위해 디지털 기술과 미디어를 효과적으로 검색, 평가 및 활용하는 능력을 의미합니다³⁶. EFL 맥락에서 디지털 리터러시는 학습자가 ChatGPT, 학습 관리 시스템, 멀티미디어 도구를 포함한 디지털 리소스를 효과적으로 활용하여 언어 학습과 동기를 지원할 수 있게 합니다³⁷. 디지털 리터러시 수준이 높은 학생일수록 학습 기술을 자신 있게 사용할 가능성이 높으며, 이는 내적 동기와 연관된 유능감과 자율성을 촉진합니다³⁸. 또한 이들은 독립적인 언어 연습, 피드백 및 학습에 대한 지속적인 참여를 위해 디지털 도구를 사용하는 데 더 효율적인 역량을 갖추고 있습니다³⁹. 이러한 문헌을 바탕으로 다음과 같은 가설을 제안합니다: H3: EFL 학생의 디지털 리터러시는 EFL 학생의 동기에 긍정적인 영향을 미칠 것이다.

FLCA와 창의성은 EFL 교육에서 밀접하게 연관된 개념이지만, 그 관계는 여전히 복잡합니다⁴⁰. 불안은 창의성, 인지적 유연성, 확산적 사고 및 자기표현이 요구되는 과제에서 학습자의 수행 능력을 제한할 수 있습니다⁴¹. FLCA는 실수에 대한 두려움, 부정적인 평가, 낮은 자신감을 반영하며, 이 모든 요소는 창의적인 언어 생성에 방해가 될 수 있습니다⁴². 그러나 창의성은 상황에 적절하고 혁신적인 언어 사용을 지원하기 때문에 EFL 학습에서 중요한 역량입니다³¹. 선행 연구들에 따르면, 불안 수준이 높은 학습자일수록 창의적 글쓰기 및 구어 의사소통 활동에 참여할 가능성이 낮은 것으로 보고되었습니다^43,44. 이러한 문헌을 바탕으로 다음과 같은 가설을 제안합니다: 1) H4: EFL 학생의 동기는 불안과 음의 상관관계가 있으며, 2) H5: EFL 학생의 불안은 창의성에 부정적인 영향을 미칠 것이다.

동기 부여는 교수법, ChatGPT 사용 및 디지털 리터러시가 FLCA와 관련될 수 있는 이론적 메커니즘을 제공합니다⁴⁵. 동기가 부여된 학습자는 더 적극적으로 참여하고, 어려움 속에서도 끈기 있게 노력하며, 의사소통 불안을 덜 느끼는 경향이 있습니다⁴⁶. 지원적인 교수법, AI 지원 언어 학습 및 더 강한 디지털 리터러시는 각각 EFL 환경에서 더 높은 동기 부여와 낮은 불안감과 관련이 있는 것으로 나타났습니다^47,48,49. 또한 이전 연구들은 더 높은 동기 부여가 교실 내 불안감 감소 및 창의성 증가와 관련이 있음을 시사하며, 이는 동기 부여가 교수법 및 기술 사용을 학습 결과와 연결하는 잠재적 매개체임을 뒷받침합니다^50,51,52. 이러한 문헌을 바탕으로 다음과 같은 가설을 제시합니다: 1) H6: 동기 부여는 교수법과 EFL 학생의 불안감 사이의 관계를 매개한다; 2) H7: 동기 부여는 ChatGPT 사용과 EFL 학생의 불안감 사이의 관계를 매개한다; 3) H8: 동기 부여는 EFL 학생의 디지털 리터러시와 불안감 사이의 관계를 매개한다. 그림 1은 교수법, ChatGPT 사용 및 디지털 리터러시가 EFL 학생의 동기 부여와 관련이 있으며, 이것이 다시 FLCA 및 창의성과의 관계를 매개한다는 가설 모델을 보여줍니다.

그림 1가설 연구 모델. 본 모델은 외국어로서의 영어(EFL) 학습자의 ChatGPT 사용, 교수법, 디지털 리터러시, 동기, 외국어 교실 불안 및 창의성 간의 가설적 관계를 보여줍니다. 그림에 표시된 바와 같이, 실선은 가설적인 직접 관계를 나타내며 점선은 매개 관계를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭하십시오.

프로토콜

본 연구는 물리적 개입, 조작 또는 참여자에 대한 기만이 없는 비실험적 익명 설문 조사 설계였으므로 기관 생명윤리위원회(IRB)의 공식적인 윤리 승인을 필요로 하지 않았으나, 모든 절차는 헬싱키 선언의 윤리 원칙과 인간 참여자 연구에 관한 미국심리학회(APA)의 지침에 따라 수행되었습니다. 데이터 수집 전 모든 참여자로부터 고지된 동의를 얻었습니다. 해당 기관은 이러한 유형의 연구에 대해 공식적인 윤리 승인이나 면제 승인을 요구하거나 발행하지 않았습니다. 모든 응답자에게는 연구 목적, 참여의 자발성, 불이익 없이 언제든지 철회할 수 있는 권리, 그리고 데이터에 적용되는 엄격한 비밀 유지 조치에 대해 명시적으로 안내하였습니다. 개인 식별 정보는 수집 또는 보고되지 않았으며, 모든 데이터는 오직 종합적인 학술 분석 목적으로만 사용되었습니다. 설문 조사가 참여자의 학술 활동이나 심리적 안녕을 방해하지 않도록 비침해적이고 정중한 표현을 사용하는 데 특별한 주의를 기울였습니다. 고지된 동의서 양식은 Supplementary File 1을 참조하십시오. 또한, 본 연구에 사용된 재료는 Table of Materials에 나열되어 있습니다.

연구 설계

본 섹션에서는 EFL 학생들의 교수법, ChatGPT 사용, 디지털 리터러시, 동기, 불안 및 창의성 간의 관계를 조사하기 위해 연구에서 사용된 연구 설계, 데이터 수집 절차 및 표본 세부 사항에 대해 설명합니다. 본 연구는 EFL 학생들의 교수법, ChatGPT 사용, 디지털 리터러시 및 불안 간의 관계에서 동기의 매개 역할과 이러한 변수들이 집합적으로 창의성과 어떻게 연관되는지 살펴보기 위해 양적 횡단적 연구 설계를 채택하였습니다. 구성 개념 측정의 표준화와 신뢰성을 보장하기 위해 일차 데이터 수집 방법으로 구조화된 설문 조사법을 적용하였습니다. 또한 교수법, ChatGPT 사용, 디지털 리터러시, 동기, FLCA 및 창의성을 포함한 모든 변수를 평가하기 위해 검증된 척도를 활용하였습니다.

데이터 및 시료

본 연구의 데이터는 언어 교육과 교수법 내 기술 통합을 강조하는 것으로 알려진 사우디아라비아의 국립대학교인 제다 대학교(University of Jeddah)에 재학 중인 EFL 학생들을 대상으로 수집되었습니다. 참여자는 유의 표집법(purposive sampling technique)을 통해 선정되었으며, 이는 학습 환경에서 ChatGPT와 같은 AI 도구를 사용한 실제 경험이 있어야 한다는 구체적인 선정 기준을 고려할 때 본 연구에 적합한 방식이라고 판단되었습니다. 본 연구의 연구 질문이 전통적인 학습 방식과 기술 지원 학습 방식 모두를 경험한 EFL 학생이라는 특정 집단에 집중되어 있었기에, 무작위 표집으로는 이러한 기준을 충족하는 참여자의 포함을 보장할 수 없었으므로 이러한 비확률 표집 접근 방식이 필요했습니다. 유의 표집은 연구 결과를 더 넓은 모집단으로 일반화하는 데 제한이 있지만, 참여자가 연구 목적을 달성하는 데 필요한 관련 경험과 관점을 갖추도록 보장해야 하는 본 탐색적 연구에서는 정당한 선택이었습니다. 유의 표집의 한계를 완화하기 위해 다양한 학문적 배경과 각기 다른 기술적 숙련도를 가진 참여자들을 포함시키려 노력하였으며, 이를 통해 대상 모집단 내에서 표본의 대표성을 높였습니다. 최종 표본은 280명의 학부 EFL 학생으로 구성되었으며, 이는 사용된 통계 기법을 적용하기에 충분한 규모로 판단되었습니다.

표본 크기의 적절성 결정은 구조 방정식 모델링(SEM)의 확립된 가이드라인을 기반으로 하였습니다. 연구자들은 SEM의 경우 추정 매개변수당 최소 10개의 케이스를 권장하며, 부분 최소 제곱 구조 방정식 모델링(PLS-SEM)의 경우 매개변수당 20개의 케이스를 권장하는 더 보수적인 가이드라인을 제시합니다. 측정 모델은 디지털 리터러시 29개 항목, 교수법 25개 항목, FLCA 32개 항목과 더불어 ChatGPT 사용, 동기 부여 및 창의성에 대한 추가 항목들로 구성되었습니다. 또한 PLS-SEM 가이드라인은 형성적 지표의 최대 개수 또는 특정 구성 개념으로 향하는 구조적 경로의 최대 개수의 10배에 해당하는 최소 표본 크기를 권장합니다. 따라서 280명의 참가자로 구성된 표본은 이러한 최소 요구 사항을 충족하였습니다. 나아가 G*Power⁵³를 이용한 사후 검정력 분석 결과, 280명의 표본은 α = 0.05에서 중간 효과 크기(f² = 0.15)를 검출하는 데 있어 일반적으로 권장되는 임계값인 0.80을 상회하는 0.95 이상의 통계적 검정력을 제공하는 것으로 나타났습니다. 이러한 표본 크기는 제안된 측정 및 구조 모델의 복잡성을 수용하면서, 연구 변수 간의 유의미한 관계를 검출하기 위한 충분한 통계적 검정력과 신뢰할 수 있는 매개변수 추정치를 제공합니다.

참가자 및 절차

참가자는 18세에서 25세 사이의 EFL 학생들로, 대다수는 영어 과정에 등록된 1, 2학년 학부생이었다. 설문 조사는 2025년 9월에서 10월 사이에 실시되었으며, 학생들은 자발적으로 참여하도록 요청받았다. 모집 과정은 이메일 및 강의실 공지사항을 포함한 대학 공식 채널을 통한 홍보로 진행되었다. 참가자는 영어 과정에 1학년 또는 2학년 학부생으로 등록된 18–25세의 EFL 학생이었다. 적격성은 사전 정의된 선정 및 제외 기준을 사용하여 결정되었다. 참가자 선정 기준은 (a) 제다 대학교의 학부 영어 과정에 공식적으로 등록되어 있고, (b) 연령이 18–25세이며, (c) 1학년 또는 2학년 학생으로 등록된 경우였다. 제외 기준은 (a) 대학원생이거나 기초 과정 시퀀스 이외의 상급 학부생인 경우, (b) 지정된 연령 범위를 벗어난 경우, 또는 (c) 설문지 사전 테스트 단계에 참여한 경우였다. 고지된 동의를 보장하기 위해 참가자들에게 연구 목적, 참여의 자발성, 응답의 비밀 유지에 대해 설명하였다. 데이터 수집 도구는 보안 온라인 플랫폼을 사용하여 오프라인과 온라인으로 배포된 구조화된 자기 기입식 설문지였다. 교수 스타일, ChatGPT 사용, 디지털 리터러시, 학생 동기, FLCA 및 창의성을 측정하기 위해 검증된 척도를 수정하여 사용하였다. 참가자들은 1(매우 동의하지 않음)부터 5(매우 동의함)까지의 5점 리커트 척도로 응답하도록 요청받았다. 설문지의 명확성과 신뢰성을 보장하기 위해 30명의 소규모 학생 집단을 대상으로 사전 테스트를 실시하였다. 사전 테스트 결과를 바탕으로 문항의 이해도를 높이기 위해 약간의 문구 수정이 이루어졌으며, 척도의 신뢰성이나 타당성에서 유의미한 문제는 발견되지 않았다. 데이터 무결성을 유지하고 정직한 응답을 유도하기 위해 익명성이 보장되었으며, 참가자들에게 수집된 데이터는 연구 목적으로만 사용될 것임을 확신시켰다. 수집된 초기 300개의 응답 중 불완전하거나 일관되지 않은 데이터를 스크리닝한 후 280개가 유효한 것으로 간주되어 93%의 유지율을 보였다. 데이터 스크리닝 절차에는 일직선 응답 패턴, 과도한 결측치(10% 이상), 그리고 마할라노비스 거리를 이용한 다변량 이상치 검토가 포함되었다. 이러한 방법론적 접근은 연구 변수 간의 관계를 분석하기 위한 견고한 기초를 제공하며, EFL 학생들의 동기, 불안 및 창의성을 형성하는 데 있어 교수 스타일, AI 도구 및 디지털 리터러시의 역할에 대한 가치 있는 통찰력을 제공한다.

데이터 수집 후, 사전 정의된 기준에 따라 초기 300건의 응답 중 20건이 제외되었습니다. 구체적으로, 설문 항목의 10%를 초과하는 과도한 결측값이 있는 응답 12건이 제거되었으며, 모든 항목에 동일하게 응답하여 성실히 참여하지 않은 것으로 판단되는 일직선 응답 패턴(straight-lining response patterns) 5건이 제외되었습니다. 또한, Mahalanobis 거리를 이용하여 다변량 이상치(p < 0.001)로 식별된 3건을 제거함으로써 SEM 결과의 왜곡을 방지하였습니다. 유지된 사례의 결측값은 사례당 결측 데이터가 5% 미만으로 매우 적은 경우 평균 대치법(mean imputation)을 사용하여 처리하였으며, 이는 대규모 설문 조사 연구에서 결측 비율이 낮을 때 허용되는 방식입니다. 최종 유지율 93%(수집된 설문지 300건 중 유효 응답 280건)는 전체 수집된 설문지 중 사용 가능한 응답의 비율을 나타냅니다. 다만, 대학 공식 채널을 통한 오프라인 및 온라인 배포 방식이 혼용되어 총 초대 인원을 정확히 추적할 수 없었으므로, 이를 실제 응답률로 해석해서는 안 됩니다. 이러한 한계점을 인정하며, 따라서 93%라는 수치는 총 초대 인원 대비 응답률이 아니라 수집된 설문지 중 유지된 유효 응답의 비율로 보고합니다.

도구 및 측정

본 연구에서는 핵심 구성 개념인 교수 스타일, 디지털 리터러시, ChatGPT 사용, FLCA, 동기 및 창의성을 측정하기 위해 EFL 교육 상황에 맞게 세심하게 수정된, 이미 확립되고 검증된 척도들을 활용하였다. 각 척도는 조사 대상 변수의 해당 차원을 포착하는 데 있어 관련성과 포괄성을 기준으로 선정되었다. 디지털 리터러시는 Rodríguez-de-Dios 등⁵⁴의 연구를 기반으로 수정된 척도를 사용하여 측정하였으며, 이는 29개 문항으로 구성된 6개 차원을 포함한다. 이러한 차원에는 기술적 기술, 개인 보안 기술, 비판적 기술, 기기 보안 기술, 정보 기술 및 커뮤니케이션 기술이 포함되어, 현대 교육 환경에 필수적인 디지털 기술에 대한 학생들의 숙련도를 종합적으로 평가할 수 있도록 하였다. ChatGPT 사용은 Abbas 등⁵⁵의 연구에서 수정된 8개 문항 척도를 사용하여 언어 학습 과제를 위한 학생들의 AI 도구 상호작용에 초점을 맞춰 평가하였다. 교수 스타일은 Grasha의 교수 스타일 인벤토리(Teaching Style Inventory)⁵⁶의 수정 버전을 사용하여 평가하였다. 이 도구는 권위자, 전문가, 개인적 모델, 촉진자, 위임자라는 교수 스타일의 5가지 차원을 측정한다. 이러한 차원들은 EFL 학생들의 학습 경험에 영향을 미치는 다양한 교수법을 반영한다. FLCA는 Briesmaster와 Briesmaster⁵⁷의 연구를 기반으로 수정된 척도를 사용하여 측정하였다. 이 도구는 의사소통 불안(10개 문항), 시험 불안(10개 문항), 부정적 평가에 대한 두려움(7개 문항)의 세 가지 차원에 걸쳐 불안을 조사하였다. 학생들의 동기는 Kanoksilapatham 등⁵⁸의 연구에서 수정된 척도를 사용하여 도구적 촉진 및 예방, 자국 중심주의 및 통합성, 영어 학습 태도의 세 가지 차원을 측정하였다. 이 척도는 총 20개 문항으로 구성되었다. EFL 학생들의 창의성은 Govindasamy 등⁵⁹의 연구에서 수정된 척도를 사용하여 측정하였으며, 이는 독창성, 유연성, 유창성, 정교함의 네 가지 차원을 평가하였다. 각 차원은 3개 문항으로 측정되었다. EFL 환경에 대한 도구의 문화적 및 상황적 적합성을 보장하기 위해 체계적인 수정 절차가 적용되었다. 원본 척도들이 영어로 개발되었기 때문에, 두 명의 이중 언어 EFL 전문가가 각 구성 개념의 원래 의미를 유지하면서 중급 수준의 학부생들이 명확하게 이해할 수 있도록 언어를 검토하고 단순화하였다. 그 후, 언어적 및 개념적 동등성을 검증하기 위해 독립적인 번역가가 수정된 버전을 참가자들의 모국어로 역번역하였으며, 불일치하는 부분은 연구팀 간의 논의를 통해 해결하였다. 이어서, 세 명의 숙련된 EFL 강사가 내용 관련성, 문화적 적절성 및 문항 명확성을 기준으로 수정된 도구를 평가하였으며, 그 결과 일부 문구 수정과 문화적으로 생소한 예시의 적절한 교체가 이루어졌다. 마지막으로, 수정된 도구를 30명의 학생을 대상으로 예비 테스트(Procedure 섹션 참조)하였으며, 참가자의 피드백을 바탕으로 이해도를 높이기 위해 추가적인 미세 문구 수정을 진행하였다. 이러한 다단계 과정을 통해 수정된 도구들이 원래의 심리측정적 특성을 유지하면서 대상 EFL 집단에 적합하도록 보장하였다. 수정된 설문지 전체 내용은 Supplementary File 2를 참조하시오.

데이터 분석 방법

본 연구를 위해 수집된 데이터는 사회과학 통계 패키지(SPSS 26)와 SmartPLS 4를 사용하여 분석되었으며, PLS-SEM이 적용되었습니다. 이러한 이중 방법론적 접근 방식은 기술적 및 추론적 측면을 모두 다루는 동시에, 연구 모델 내 가설 관계와 매개 효과를 검증함으로써 데이터의 포괄적인 분석을 보장했습니다. 우선, SPSS를 사용하여 데이터 정제, 기술 통계 및 신뢰도 검증을 포함한 예비 데이터 분석을 수행했습니다. 데이터 스크리닝 단계에서는 데이터 세트의 품질과 무결성을 확보하기 위해 결측값, 이상치 및 정규성을 확인했습니다. 표본 특성을 요약하기 위해 평균, 표준 편차 및 빈도 분포를 포함한 기술 통계를 산출했습니다. 주 분석은 SmartPLS 4를 사용하여 수행되었습니다. PLS-SEM은 여러 구성 개념이 포함된 복잡한 모델 분석에 적합하며 소규모 및 중규모 표본 크기에서도 강건하기 때문에 선택되었습니다. 분석은 측정 모델 평가와 구조 모델 평가의 두 단계로 진행되었습니다. 측정 모델 평가에서는 지표 신뢰도, 내부 일관성 신뢰도(합성 신뢰도[CR] 사용), 수렴 타당성(평균 분산 추출값[AVE] 사용) 및 판별 타당성(HTMT 비율[HTMT] 사용)을 평가했습니다.

측정 모델의 타당성 검증 후, 교수 스타일, ChatGPT 사용, 디지털 리터러시, 동기, 불안 및 창의성 사이의 가설된 관계를 평가하기 위해 구조 모델을 분석하였습니다. 경로 계수를 분석하여 직접 및 간접 효과의 강도와 유의성을 결정하였으며, 유의성은 5,000회의 재표집을 통한 부트스트래핑을 사용하여 평가하였습니다. 직접, 간접 및 매개 효과의 유의성을 평가하기 위해, 95% 신뢰 수준에서 5,000회의 부트스트랩 재표집을 사용하여 편향 수정(BC) 부트스트랩 신뢰 구간을 구축하였습니다. 교수 스타일, ChatGPT 사용, 디지털 리터러시 및 불안 사이의 관계에서 동기의 매개 효과 또한 부트스트랩 신뢰 구간을 사용하여 평가하였습니다. 모델 적합도와 예측력은 결정계수(R²), 예측 관련성(Q²) 및 표준화 잔차 평균 제곱근(SRMR)을 사용하여 평가하였습니다.

결과

기술 통계

기술 통계는 표본 특성과 연구 변수의 분포, 중심 경향성 및 변동성에 대한 개요를 제공합니다. 본 연구에서는 구조 분석을 수행하기 전, 참가자 표본의 특성을 정의하고 주요 변수를 요약하기 위해 기술 분석을 실시하였습니다.

표 1은 280명의 학부 EFL 참여자의 인구통계학적 특성을 요약하여 보여줍니다. 여성 참여자는 표본의 54.3% (n = 152)를 차지했으며, 남성 참여자는 45.7% (n = 128)였습니다. 대부분의 참여자는 21~23세(52.1%)였으며, 18~20세(36.4%)와 24~25세(11.4%)가 그 뒤를 이었습니다. 학년별로는 2학년 학생이 가장 큰 비중(42.1%)을 차지했으며, 1학년(34.3%)과 3학년(23.6%) 순이었습니다. 대부분의 참여자가 ChatGPT에 대해 보통 수준의 경험(47.1%)이 있다고 응답했으며, 36.8%는 많은 경험이 있다고, 16.1%는 제한적인 경험이 있다고 응답했습니다. 모든 참여자는 연구 선정 기준에 따라 ChatGPT를 사전에 접한 적이 있었으며, "제한적 경험" 범주는 전혀 사용하지 않은 것이 아니라 최소한으로 사용했음을 의미합니다. 참여자들은 주로 보통 수준의 디지털 리터러시(54.6%)를 보고했으며, 높은 수준(30.4%)과 낮은 수준(15.0%)이 그 뒤를 이었습니다. 대부분의 참여자는 중급 영어 숙달도(62.5%)를 보였으며, 22.9%는 기초 숙달도를, 14.6%는 고급 숙달도를 보고했습니다. 전반적으로, 인구통계학적 특성은 표본에 다양한 학문적 배경, 디지털 리터러시 수준, 영어 숙달도 및 ChatGPT 경험을 가진 참여자들이 포함되었음을 나타냅니다 (표 1, 그림 2).

변수	범주	빈도, n	백분율, %
성별	남성	128	45.7
	여성	152	54.3
연령대	18–20세	102	36.4
	21–23세	146	52.1
	24–25세	32	11.4
학년	1학년	96	34.3
	2학년	118	42.1
	3학년	66	23.6
ChatGPT 사용 경험	제한적 경험	45	16.1
	보통의 경험	132	47.1
	풍부한 경험	103	36.8
디지털 리터러시 수준	낮음	42	15
	보통	153	54.6
	높음	85	30.4
영어 능숙도 수준	기초	64	22.9
	중급	175	62.5
	고급	41	14.6

표 1: 연구 응답자의 인구통계학적 특성. 이 표는 연구에 포함된 280명의 외국어로서의 영어(EFL) 학습자의 인구통계학적 특성을 요약한 것입니다. 성별, 연령대, 학년, ChatGPT 사용 경험, 디지털 리터러시 수준 및 영어 숙달도에 대한 빈도와 백분율이 보고되었습니다.

그림 2. 연구 응답자의 인구통계학적 특성. 여기를 클릭하여 이 그림의 더 큰 버전을 확인하십시오.

그림 2는 성별, 연령대, 학년, AI 도구 사용 경험, 디지털 리터러시 수준 및 영어 숙련도에 따른 연구 참여자의 인구통계학적 분포를 보여줍니다. 분포를 보면 남성보다 여성 참여자의 비율이 약간 더 높으며, 응답자의 대부분은 21~23세였습니다. 중간 수준의 디지털 리터러시와 중급의 영어 숙련도가 가장 빈번하게 보고된 범주였습니다(그림 2).

표 2는 연구 변수에 대한 기술 통계량을 보여줍니다. 25개 항목으로 측정한 교수법의 평균 점수는 3.84 (SD = 0.76)였으며, 점수 범위는 2.1에서 4.8까지였습니다. 8개 항목으로 평가한 ChatGPT 사용도의 평균 점수는 3.67 (SD = 0.81)였으며, 응답 범위는 1.5에서 5.0까지였습니다. 29개 항목으로 측정한 디지털 리터러시의 평균 점수는 3.72 (SD = 0.73)였으며, 점수 범위는 2.2에서 4.9까지였습니다. 20개 항목으로 평가한 동기 부여는 가장 높은 평균 점수(3.92, SD = 0.68)를 기록했으며, 값의 범위는 2.4에서 5.0까지였습니다. 27개 항목으로 측정한 불안의 평균 점수는 3.41 (SD = 0.89)였습니다. 12개 항목으로 평가한 창의성의 평균 점수는 3.78 (SD = 0.74)였으며, 점수 범위는 2.0에서 5.0까지였습니다. 이러한 기술 통계량은 측정된 구성 개념 전반에 걸친 변동성을 나타내며, 참여자 응답의 전반적인 요약을 제공합니다.

변수	항목 수	평균 (M)	표준편차 (SD)	최솟값	최댓값
불안	27	3.41	0.89	1.8	5
ChatGPT 사용량	8	3.67	0.81	1.5	5
창의성	12	3.78	0.74	2	5
디지털 리터러시	29	3.72	0.73	2.2	4.9
동기 부여	20	3.92	0.68	2.4	5
교수법	25	3.84	0.76	2.1	4.8

표 2: 연구 구성 개념의 기술 통계. 이 표는 280명의 참여자 응답을 바탕으로 교수 스타일, ChatGPT 사용, 디지털 리터러시, 동기, 외국어 교실 불안 및 창의성에 대한 설문 항목 수, 평균(M), 표준편차(SD), 관찰된 최소값 및 최대값을 나타냅니다.

공통 방법 분산 편향

공통 방법 분산(common method variance, CMV) 편향은 측정하고자 하는 구성 개념이 아니라 측정 방법에 기인하여 변수들 사이에 나타나는 가공의 공분산을 의미합니다. 본 연구에서는 자기기입식 설문조사를 사용했으므로, CMV 편향의 잠재적 영향을 평가하기 위해 절차적 방법과 통계적 방법을 모두 채택하였습니다. 절차적으로는, 사회적 바람직성 편향을 최소화하고 솔직한 응답을 유도하기 위해 참여자들에게 익명성과 비밀 보장을 확신시켰습니다. 또한, CMV 편향을 인위적으로 높일 수 있는 응답 패턴을 줄이기 위해 기존 도구에서 수정된 설문 항목들을 무작위 순서로 제시하였습니다. 통계적으로는, 회전 없이 모든 측정 변수를 탐색적 요인 분석(EFA)에 투입하여 Harman의 단일 요인 검정을 실시하였습니다. 분석 결과, 회전되지 않은 첫 번째 요인이 전체 분산의 32.7%를 설명하는 것으로 나타났으며, 이는 권장 임계값인 50%보다 낮으므로 CMV 편향이 연구 결과에 실질적인 영향을 미쳤을 가능성이 낮음을 시사합니다(표 3).

통계량		값	임계값	해석
추출된 총 요인 수		7	N/A	다수의 요인이 추출되었으며, 이는 측정 항목들이 서로 다른 구성 개념을 나타냄을 의미합니다.
첫 번째 요인에 의해 설명된 분산		32.70%	<50%	일반적으로 인정되는 임계값보다 낮으며, 이는 공통 방법 분산(CMV)이 심각한 문제가 될 가능성이 낮음을 나타냅니다.
누적 설명 분산 (상위 3개 요인)		62.10%	N/A	상위 3개 요인이 전체 분산의 상당 부분을 설명하고 있음을 나타냅니다.
Kaiser–Meyer–Olkin (KMO) 표본 적절성 측정치		0.89	>0.80	요인 분석을 위한 표본 적절성이 매우 우수함을 나타냅니다.
Bartlett의 구형성 검정 (p 값)		<0.001	p < 0.05	상관 행렬이 요인 분석에 적합함을 나타내는 유의미한 결과입니다.

표 3: Harman의 단일 요인 테스트 및 표본 적절성 결과. 이 표는 Harman의 단일 요인 테스트, 표본 적절성의 Kaiser–Meyer–Olkin (KMO) 측정값 및 Bartlett의 구형성 검정 결과를 요약한 것입니다. 일반 방법 분산(CMV)의 잠재적 영향을 평가하기 위해 Harman의 단일 요인 테스트를 수행하였습니다. 데이터 세트가 요인 분석에 적합한지 평가하기 위해 KMO 통계량과 Bartlett 검정을 사용하였습니다.

표 3은 Harman의 단일 요인 분석 결과이며, 회전 전 첫 번째 요인이 전체 분산의 32.7%를 차지하는 것으로 나타났습니다. 이는 권장 임계값인 50%보다 낮으므로 본 연구에서 공통 방법 편향(common method bias)이 심각한 문제가 아님을 시사합니다. 표본 적합도를 나타내는 Kaiser–Meyer–Olkin (KMO) 값은 0.89로, 데이터가 요인 분석에 적합함을 보여주었습니다. 또한, Bartlett의 구형성 검정 결과가 통계적으로 유의미하였으며(p < 0.001), 이는 상관관계 행렬이 요인 분석에 적절함을 확인해 줍니다. 종합적으로 이러한 결과들은 해당 데이터 세트가 후속 구조 방정식 모델링 분석에 적합함을 뒷받침합니다.

측정 모델

SmartPLS 4에서 구현된 PLS-SEM을 사용하여 Hair 등이 제안한 권고 사항⁶⁰에 따라 연구 구성 개념의 신뢰도와 타당성을 평가하기 위해 측정 모델을 분석하였습니다. 지표 신뢰도, 내부 일관성 신뢰도, 수렴 타당도 및 판별 타당도를 평가하였습니다. 지표 신뢰도는 외적 적재치(outer loadings)를 사용하여 평가하였으며, 적재치가 0.70보다 큰 항목을 각 구성 개념의 신뢰할 수 있는 지표로 유지하였습니다. 적재치가 0.60에서 0.70 사이인 항목은 해당 항목을 제거했을 때 해당 구성 개념의 내부 일관성이 개선되지 않는 경우에만 유지하였습니다. 내부 일관성 신뢰도는 Cronbach’s alpha와 CR을 사용하여 평가하였습니다. 수렴 타당도는 AVE를 사용하여 평가하였으며, 모든 구성 개념의 AVE 값이 0.50보다 크게 나타나 각 구성 개념이 지표 분산의 절반 이상을 설명함을 확인하였습니다. 판별 타당도는 HTMT 비율을 사용하여 평가하였으며, 모든 HTMT 값이 권장 임계치인 0.85 미만으로 나타나 연구 구성 개념의 경험적 차별성을 입증하였습니다(표 4 및 5).

구성 개념		요인 적재량	합성 신뢰도 (CR)	평균 분산 추출값 (AVE)	외부 분산 팽창 지수 (VIF)
교수법 (권위형)		0.87	0.91	0.66	1.38
교수법 (전문가형)		0.89	0.92	0.68	1.45
교수법 (개인 모델형)		0.86	0.9	0.65	1.4
교수법 (조력자형)		0.88	0.93	0.69	1.43
교수법 (위임형)		0.85	0.89	0.62	1.39
ChatGPT 활용도		0.92	0.94	0.72	1.47
외국어 교실 불안 (의사소통 불안)		0.86	0.9	0.64	1.35
외국어 교실 불안 (시험 불안)		0.88	0.92	0.67	1.41
외국어 교실 불안 (부정적 평가에 대한 두려움)		0.83	0.88	0.6	1.32
동기 (도구적 동기)		0.84	0.89	0.61	1.34
동기 (자문화 중심주의 및 통합성)		0.86	0.9	0.63	1.36
동기 (영어 학습 태도)		0.89	0.93	0.7	1.44
창의성 (독창성)		0.88	0.92	0.67	1.41
창의성 (유연성)		0.87	0.91	0.66	1.38
창의성 (유창성)		0.89	0.93	0.68	1.42
창의성 (정교성)		0.85	0.9	0.63	1.37
디지털 리터러시		0.93	0.95	0.75	1.49

표 4: 측정 모델 평가. 이 표는 부분 최소 제곱 구조 방정식 모델링(PLS-SEM) 측정 모델에 포함된 각 구성 개념 및 하위 차원에 대한 요인 적재량, 합성 신뢰도(CR), 평균 분산 추출값(AVE) 및 외부 분산 팽창 요인(VIF)을 나타냅니다. 이 통계치들은 지표 신뢰도, 내부 일관성 신뢰도, 수렴 타당성 및 다공선성을 평가하는 데 사용되었습니다.

구성 요소		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. 교수 스타일 (권위형)		—
2. 교수 스타일 (전문가형)		0.702	—
3. 교수 스타일 (개인 모델형)		0.743	0.581	—
4. 교수 스타일 (촉진자형)		0.629	0.735	0.702	—
5. 교수 스타일 (위임자형)		0.754	0.549	0.802	0.692	—
6. ChatGPT 사용량		0.52	0.643	0.743	0.536	0.693	—
7. 외국어 교실 불안 (의사소통 불안)		0.665	0.521	0.649	0.559	0.73	0.827	—
8. 외국어 교실 불안 (시험 불안)		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. 외국어 교실 불안 (부정적 평가에 대한 두려움)		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. 동기 부여 (도구적 동기)		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. 동기 부여 (자문화 중심주의 및 통합적 동기)		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. 동기 부여 (영어 학습 태도)		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. 창의성 (독창성)		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. 창의성 (유연성)		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. 창의성 (유창성)		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. 창의성 (정교성)		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. 디지털 리터러시		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	—

표 5: 이질특성-동질특성 비율(HTMT)을 사용하여 평가한 판별 타당성. 이 표는 측정 모델에 포함된 모든 구성 개념 및 하위 차원 쌍에 대한 HTMT 값을 나타냅니다. 잠재 구성 개념의 경험적 구별성을 평가함으로써 판별 타당성을 검증하기 위해 HTMT를 사용하였습니다. 사전 지정된 임계값인 0.85 미만의 값은 판별 타당성이 수용 가능한 수준임을 나타냅니다.

표 4는 측정 모델 평가 결과를 요약한 것입니다. 요인 적재량은 0.83에서 0.93 범위로 나타나 권장 임계값인 0.70을 초과하였으며, 이는 지표 신뢰도가 만족스러움을 나타냅니다. 합성 신뢰도 값은 0.88에서 0.95 범위로, 모든 구성 개념에 걸쳐 높은 내부 일관성을 보였습니다. AVE 값은 0.60에서 0.75 범위로 권장 최소값인 0.50을 초과하여 수렴 타당성을 입증하였습니다. 또한, 모든 외부 분산 팽창 요인(VIF) 값이 1.50 미만으로 나타나 지표 간 다중공선성 증거가 없음을 확인하였습니다. 종합적으로, 이러한 결과는 이후의 구조 모델 평가를 위한 측정 모델의 신뢰도와 타당성을 뒷받침합니다.

그림 3은 잠재 구성 개념, 그에 상응하는 차원 및 지표, 그리고 본 연구에서 평가한 변수 간의 관계를 포함하는 측정 모델을 보여줍니다.

그림 3. 부분 최소 제곱 구조 방정식 측정 모델. 부분 최소 제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 생성된 측정 모델은 잠재 구성 개념, 해당 차원 및 관찰된 지표 간의 관계를 보여줍니다. 연결 경로에 표시된 값은 해당되는 경우 추정된 외적 적재량 또는 경로 계수를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 5는 판별 타당성을 평가하는 데 사용된 HTMT 결과입니다. 모든 HTMT 값은 보수적 임계값인 0.85 미만으로 나타나, 17개 구성 개념 간의 판별 타당성이 만족스러운 수준임을 보여주었습니다. 가장 높은 HTMT 값은 창의성(유연성)과 교수법(개인 모델) 간(0.8437), 창의성(정교성)과 불안(시험 불안) 간(0.8422), 그리고 창의성(독창성)과 불안(의사소통 공포) 간(0.8394)에서 관찰되었습니다. 이러한 수치들은 권장 임계값에 근접했으나 0.85 미만을 유지하여, 구성 개념들의 경험적 구별성을 뒷받침했습니다. 나머지 HTMT 값들은 더 낮게 나타났으며, 이는 측정 모델 전반의 판별 타당성을 더욱 강화합니다.

가설 검정 결과 (구조 모델)

교수법, ChatGPT 사용, 디지털 리터러시, 동기, 외국어 학습 불안(FLCA) 및 창의성 사이의 가설적 관계를 조사하기 위해 구조 모델을 평가하였습니다. 분석 결과, 제안된 모든 직접 및 매개 가설이 지지되었습니다. 교수법, ChatGPT 사용 및 디지털 리터러시는 동기와 정(+)의 상관관계를 보였습니다. 동기는 FLCA와 부(-)의 상관관계를 보인 반면, FLCA는 창의성과 부(-)의 상관관계를 보였습니다. 또한, 동기는 교수법, ChatGPT 사용, 디지털 리터러시와 FLCA 간의 관계를 매개하는 것으로 나타났습니다(표 6 및 7).

가설		표준화 경로 계수 (β)	t 값	p 값	지지 여부	95% 신뢰 구간 (CI)	하한값 (LLCI)	상한값 (ULCI)
H1. 교수법 → EFL 학생의 동기 부여		0.36	5.45	<0.001	예	[0.26, 0.46]	0.26	0.46
H2. ChatGPT 사용 → EFL 학생의 동기 부여		0.4	6.27	<0.001	예	[0.30, 0.50]	0.3	0.5
H3. 디지털 리터러시 → EFL 학생의 동기 부여		0.33	4.95	<0.001	예	[0.23, 0.43]	0.23	0.43
H4. EFL 학생의 동기 부여 → 외국어 교실 불안		–0.27	–4.81	<0.001	예	[–0.37, –0.17]	–0.37	–0.17
H5. 외국어 교실 불안 → EFL 학생의 창의성		–0.26	–4.01	<0.001	예	[–0.36, –0.16]	–0.36	–0.16

표 6: 직접 효과 가설 검정. 이 표는 부분 최소 제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 수행한 직접 효과 분석 결과를 나타냅니다. 보고된 통계량에는 표준화 경로 계수(β), t 값, p 값, 95% 부트스트랩 신뢰 구간(CI), 신뢰 구간 하한(LLCI), 신뢰 구간 상한(ULCI) 및 가설 지지 여부에 대한 결정이 포함됩니다. 통계적 유의성은 5,000회의 재표본 추출을 통한 부트스트래핑을 사용하여 평가되었습니다.

가설	매개 경로		표준화된 간접 효과 (β)	t 값	p 값	지지 여부	95% 신뢰 구간 (CI)	하한값 (LLCI)	상한값 (ULCI)
H6	교수 스타일 → 동기 부여 → 외국어 교실 불안		0.28	4.56	<0.001	예	[0.18, 0.38]	0.18	0.38
H7	ChatGPT 사용 → 동기 부여 → 외국어 교실 불안		0.34	5.02	<0.001	예	[0.24, 0.44]	0.24	0.44
H8	디지털 리터러시 → 동기 부여 → 외국어 교실 불안		0.3	4.68	<0.001	예	[0.20, 0.40]	0.20	0.40

표 7: 매개 분석. 이 표는 부분 최소 제곱 구조 방정식 모델링(PLS-SEM)을 사용하여 추정된 간접 효과를 요약합니다. 보고된 통계치에는 표준화된 간접 효과(β), t 값, p 값, 95% 부트스트랩 신뢰 구간(CI), 신뢰 구간 하한값(LLCI), 신뢰 구간 상한값(ULCI) 및 가설 지지 여부에 대한 결정이 포함됩니다. 통계적 유의성은 5,000회의 재표본 추출을 통한 부트스트래핑을 사용하여 평가되었습니다.

표 6은 직접 효과 분석 결과를 나타냅니다. 가설로 설정된 5가지의 직접적 관계는 모두 통계적으로 유의미하였으며(p < 0.001), 이는 가설 H1–H5를 뒷받침합니다. 교수법(β = 0.36), ChatGPT 사용(β = 0.40), 디지털 리터러시(β = 0.33)는 EFL 학생들의 학습 동기와 정적 상관관계가 있었으며, 세 가지 예측 변수 중 ChatGPT 사용이 가장 큰 표준화 경로 계수를 보였습니다. 학습 동기는 FLCA와 부적 상관관계(β = –0.27)를 보였으며, 이는 학습 동기가 높을수록 불안 수준이 낮음을 나타냅니다. 결과적으로 FLCA는 창의성과 부적 상관관계(β = –0.26)를 보였습니다. 모든 직접 효과에 대한 95% 부트스트랩 신뢰 구간에서 0이 제외되었으며, 이는 가설로 설정된 관계의 통계적 유의성을 뒷받침합니다. 표 7은 학습 동기가 교수법, ChatGPT 사용, 디지털 리터러시와 FLCA 간의 관계를 매개하는지 검토한 매개 분석 결과를 나타냅니다. 세 가지 경로 모두에서 간접 효과가 통계적으로 유의미하게 나타났습니다(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). 모든 간접 효과의 95% 부트스트랩 신뢰 구간에서 0이 제외되어 매개 경로의 통계적 유의성이 입증되었습니다. 정적인 간접 계수는 학습 동기를 통한 간접 효과의 전반적인 크기를 반영하는 반면, 구조 모델에서 보고된 바와 같이 학습 동기와 FLCA 간의 직접적인 관계는 부적 관계였습니다. 결과적으로 교수법, ChatGPT 사용, 디지털 리터러시 수준이 높을수록 학습 동기가 높아졌으며, 이는 다시 낮은 FLCA와 연관되었습니다(표 6 및 7). 전반적으로 구조 모델은 가설로 설정된 모든 직접(H1–H5) 및 간접(H6–H8) 관계를 뒷받침하였습니다. 이러한 결과는 교수법, ChatGPT 사용, 디지털 리터러시, 학습 동기, FLCA 및 창의성 사이에 통계적으로 유의미한 연관성이 있음을 나타내며, 학습 동기가 구조 모델에서 평가된 중요한 매개 변수로 작용함을 보여줍니다.

교수법 스타일의 차원 분석

다섯 가지 교수법 차원과 EFL 학생들의 동기, 외국어 교실 불안(FLCA) 및 창의성 사이의 관계를 조사하기 위해 차원 분석을 수행하였습니다. 교수법 차원에는 권위자(Authority), 전문가(Expert), 개인적 모델(Personal Model), 촉진자(Facilitator), 위임자(Delegator)가 포함되었습니다. 구조 모델을 통해 각 교수법 차원이 세 가지 결과 변수에 미치는 직접적인 영향을 추정하여, 관찰된 관계가 교수 접근 방식에 따라 차이가 있는지 확인하였습니다(표 8).

교수 스타일 차원	결과 변수	표준화 경로 계수 (β)	t 값	p 값	95% 신뢰구간 하한값 (LLCI)	95% 신뢰구간 상한값 (ULCI)	지지 여부
권위자	동기 부여	0.12	1.85	0.065	–0.02	0.26	아니오
권위자	외국어 강의실 불안	0.35	5.12	<0.001	0.22	0.48	예
권위자	창의성	–0.28	–4.02	<0.001	–0.42	–0.14	예
전문가	동기 부여	0.3	4.89	<0.001	0.18	0.42	예
전문가	외국어 강의실 불안	–0.18	–2.95	0.003	–0.30	–0.06	예
전문가	창의성	0.22	3.56	<0.001	0.1	0.34	예
개인적 모델	동기 부여	0.25	4.02	<0.001	0.13	0.37	예
개인적 모델	외국어 강의실 불안	–0.22	–3.45	0.001	–0.35	–0.09	예
개인적 모델	창의성	0.24	3.78	<0.001	0.12	0.36	예
조력자	동기 부여	0.34	5.5	<0.001	0.22	0.46	예
조력자	외국어 강의실 불안	–0.28	–4.45	<0.001	–0.40	–0.16	예
조력자	창의성	0.31	4.95	<0.001	0.19	0.43	예
위임자	동기 부여	0.29	4.62	<0.001	0.17	0.41	예
위임자	외국어 강의실 불안	–0.24	–3.85	<0.001	–0.37	–0.11	예
위임자	창의성	0.27	4.25	<0.001	0.15	0.39	예

표 8: 교수법 스타일의 차원 분석. 이 표는 권위자(Authority), 전문가(Expert), 개인적 모델(Personal Model), 촉진자(Facilitator) 및 위임자(Delegator) 교수법 스타일 차원과 동기 부여, 외국어 교실 불안 및 창의성이라는 결과 변수 간의 직접적인 관계를 나타냅니다. 보고된 통계 수치에는 표준화 경로 계수(β), t 값, p 값, 95% 부트스트랩 신뢰 구간의 하한값(LLCI), 95% 부트스트랩 신뢰 구간의 상한값(ULCI) 및 가설 지지 여부에 대한 결정이 포함됩니다.

표 8은 교수법의 차원 분석 결과를 보여줍니다. 조력자(Facilitator) 교수법은 동기 부여(β = 0.34, p < 0.001) 및 창의성(β = 0.31, p < 0.001)과 가장 강한 정적 상관관계를 보였으며, 동시에 FLCA와 가장 강한 부적 상관관계(β = –0.28, p < 0.001)를 나타냈습니다. 전문가(Expert), 개인적 모델(Personal Model), 위임자(Delegator) 교수법 또한 동기 부여(각각 β = 0.30, 0.25, 0.29) 및 창의성(각각 β = 0.22, 0.24, 0.27)과 정적 상관관계를 보인 반면, FLCA와는 부적 상관관계(각각 β = –0.18, –0.22, –0.24)를 나타냈습니다. 이러한 모든 관계는 통계적으로 유의미했습니다. 이와 대조적으로, 권위적(Authority) 교수법은 동기 부여와 유의미한 상관관계가 없었습니다(β = 0.12, p = 0.065). 그러나 FLCA와는 유의미한 정적 상관관계(β = 0.35, p < 0.001)를, 창의성과는 유의미한 부적 상관관계(β = –0.28, p < 0.001)를 보였습니다. 전반적으로, 차원 분석 결과 개별 교수법 차원과 측정된 학습 결과 사이에 뚜렷한 상관관계 패턴이 있음이 입증되었습니다. 종합하면, 차원 분석을 통해 교수법과 학생 성과 사이의 상관관계가 교수법 차원에 따라 다양하다는 점을 알 수 있습니다. 대부분의 교수법 차원에서 통계적으로 유의미한 관계가 관찰된 반면, 권위적 교수법은 동기 부여와 통계적으로 유의미한 상관관계를 보이지 않았습니다.

PLS Predict를 이용한 내적 모델의 예측 타당성

구조 모델의 예측 타당성은 모델의 표본 외 예측 성능을 평가하기 위해 PLS Predict 절차를 사용하여 평가되었습니다. 예측 관련성은 RMSE(root mean square error) 및 MAE(mean absolute error)를 포함한 예측 오차 측정값과 함께 Q² Predict 통계량을 사용하여 평가되었습니다. 내생 구성 개념 전반에 걸쳐 Q² Predict 값은 0.32에서 0.48 범위로 나타나 긍정적인 예측 관련성을 보였습니다. 동기 부여와 창의성이 가장 높은 Q² Predict 값(각각 0.42 및 0.48)을 나타냈습니다. 예측 오차 값 또한 검토되었으며, 내생 구성 개념 전반에서 RMSE는 0.54에서 0.63, MAE는 0.41에서 0.49 범위로 나타났습니다(표 9).

구성 요소	결정 계수 (R²)	예측 관련성 (Q² Predict)	평균 제곱근 오차 (RMSE)	평균 절대 오차 (MAE)
동기 부여	0.45	0.42	0.61	0.48
외국어 교실 불안	0.38	0.32	0.63	0.49
창의성	0.42	0.48	0.54	0.41

표 9: 구조 모델의 예측 성능. 이 표는 부분최소제곱 구조방정식 모델링(PLS-SEM)을 사용하여 평가한 내생 구성 개념의 예측 성능을 요약한 것입니다. 보고된 통계량에는 결정계수(R²), 예측 관련성(Q² Predict), 평균 제곱근 오차(RMSE) 및 평균 절대 오차(MAE)가 포함됩니다. R² 및 Q² Predict 값이 높을수록 설명 및 예측 성능이 더 우수함을 나타내며, RMSE 및 MAE 값이 낮을수록 예측 오차가 더 낮음을 나타냅니다.

표 9는 구조 모델의 예측 성능을 요약한 것입니다. 결정계수(R²)는 모델이 동기 부여 분산의 45%, FLCA 분산의 38%, 그리고 창의성 분산의 42%를 설명함을 나타냈습니다. 동기 부여(0.42), FLCA(0.32), 창의성(0.48)에 대한 Q² Predict 값은 모두 0보다 커서 모델의 예측 타당성을 뒷받침하였습니다. RMSE 값은 0.54에서 0.63 사이였으며, MAE 값은 0.41에서 0.49 사이로 나타나 내생 변수들에 대한 예측 오차를 보여주었습니다. 전반적으로, 예측 성능 측정치들은 구조 모델의 예측 능력을 뒷받침합니다.

그림 4는 결정 계수(R²), 예측 관련성(Q² Predict) 및 예측 오차 측정값(RMSE 및 MAE)을 통해 내생적 구성 개념의 예측 성능을 보여줍니다. 내생적 구성 개념 중 창의성은 가장 높은 Q² Predict 값(0.48)과 가장 낮은 예측 오차(RMSE = 0.54; MAE = 0.41)를 보인 반면, 동기 부여는 가장 높은 설명 분산(R² = 0.45)을 나타냈습니다 (그림 4). 전반적으로 PLS Predict 분석 결과, 모든 내생적 구성 개념에서 긍정적인 예측 관련성이 입증되었습니다. R², Q² Predict, RMSE 및 MAE 결과는 종합적으로 동기 부여, FLCA 및 창의성에 대한 구조 모델의 예측 성능을 뒷받침합니다 (표 9; 그림 4).

그림 4. 구조 모델의 예측 성능. 그래프는 결정계수($R^2$)를 보여줍니다.²), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE) 및 Q² 동기, 불안 및 창의성의 내생적 구성 개념에 대한 예측값을 나타냅니다. 막대는 R^2를 나타냅니다.², RMSE 및 MAE 값이며, 원형 마커가 있는 선은 Q를 나타냅니다.² 값을 예측합니다. R값이 더 높을수록² 및 Q² 예측값은 각각 더 높은 설명력과 예측 성능을 나타내며, RMSE 및 MAE 값은 더 낮을수록 예측 오차가 낮음을 의미합니다. 이 그림의 확대 버전을 보시려면 여기를 클릭하십시오.

데이터 가용성:

본 연구의 결과를 뒷받침하는 익명화된 참여자 수준의 데이터셋은 부록 표 1로 제공됩니다. 참여자 정보 안내서와 고지된 동의서는 부록 파일 1에서 확인할 수 있으며, 데이터 수집에 사용된 설문지는 부록 파일 2에 제공되어 있습니다.

보충 표 1. 통계 분석에 사용된 참여자 원시 데이터 세트. 이 표에는 통계 분석에 사용된 익명화된 참여자 수준의 데이터 세트가 포함되어 있습니다. 변수에는 인구통계학적 정보와 교수법, ChatGPT 사용, 디지털 리터러시, 동기 부여, 외국어 교실 불안 및 창의성에 대한 항목별 응답이 포함됩니다. 항목 레이블(예: TL1, CHATGPT1, DL1, M1, FLCA1, CR1)은 '도구 및 측정' 섹션에 설명된 설문지 항목에 대응합니다. 개인 식별 정보는 포함되지 않았습니다.여기를 클릭하여 파일을 다운로드하십시오.

보충 파일 1. 참여자 정보 시트 및 고지된 동의서. 이 보충 파일에는 참여자 모집에 사용된 참여자 정보 시트와 고지된 동의서가 포함되어 있습니다. 여기에는 설문지 작성 전 참여자에게 제공된 연구 목적, 자격 요건, 연구 절차, 자발적 참여, 잠재적 위험 및 이득, 비밀 유지, 데이터 보호 및 연락처 정보가 설명되어 있습니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2. 데이터 수집에 사용된 설문지. 이 보충 파일에는 참여자들에게 실시한 전체 설문지가 포함되어 있습니다. 설문 도구에는 인구통계학적 질문과 교수 스타일, ChatGPT 사용량, 디지털 리터러시, 동기, 외국어 교실 불안 및 창의성을 평가하는 항목별 측정 지표가 포함되어 있습니다. 응답은 1(매우 그렇지 않다)부터 5(매우 그렇다)까지의 5점 리커트 척도를 사용하여 기록되었습니다. 설문 항목은 원고의 도구 및 측정 섹션에 기술된 측정 도구와 일치합니다.이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

본 연구는 사우디아라비아의 EFL 학부생들을 대상으로 교수 스타일, ChatGPT 사용, 디지털 리터러시, 동기, FLCA 및 창의성 사이의 관계를 조사하였으며, 특히 동기의 매개 역할에 주목하였습니다. 연구 결과는 기술 강화 언어 학습(TELL)에서 교수법적 실천, 기술 사용 및 학습자 특성 간의 관계에 대한 증거를 제공합니다. 교수 스타일과 EFL 학생의 동기 사이의 정적 상관관계(H1 지지됨)는 자기결정성 이론(SDT)과 일치하며, 이 이론은 자율성을 지원하는 교수 실천이 자율성, 유능감, 관계성에 대한 학생들의 기본 심리적 욕구를 충족시켜 내재적 동기를 촉진한다고 제안합니다⁶¹. 관찰된 결과는 촉진자(Facilitator) 및 위임자(Delegator) 스타일과 같은 학습자 중심의 교수법이 더 높은 수준의 학생 참여 및 언어 학습에 대한 지속적인 관심과 관련이 있음을 시사합니다. 이러한 결과는 유연성, 반응성 및 학생 참여 기회를 특징으로 하는 교수 스타일이 교사 중심의 접근 방식보다 더 큰 동기 부여적 참여와 관련이 있다는 이전 연구 결과와 일치합니다⁶². Vision 2030에 따른 교육 개혁이 학습자 중심의 교수법을 장려하는 사우디아라비아의 상황에서, 관찰된 정적 상관관계는 EFL 교실 내 이러한 교수법의 구현을 반영하는 것일 수 있습니다⁶³. ChatGPT 사용과 동기 사이의 유의미한 정적 상관관계(H2 지지됨) 또한 기존의 이론적 틀 내에서 해석될 수 있습니다. SDT 관점에서 ChatGPT는 자기 주도적인 언어 연습을 가능하게 함으로써 학습자의 자율성을 지원하고, 즉각적이고 개인화된 피드백을 통해 유능감을 배양할 수 있습니다⁶⁴. 또한, 대화형 인터페이스는 교실 밖에서 실제적인 언어 연습 기회를 제공하여 영어 학습에 대한 학습자의 참여를 높일 수 있습니다⁶⁵. 이러한 관찰 결과는 ChatGPT가 교실 수업을 보완하는 지원적인 학습 자원으로 기능할 수 있음을 시사합니다. 기술수용모델(TAM)은 ChatGPT를 유용하고 사용하기 쉽다고 인식하는 학습자가 해당 기술을 더 많이 사용할 가능성이 높으며, 이를 통해 지속적인 학습이 지원된다고 제안함으로써 이 관계에 대한 이론적 설명을 추가로 제공합니다. 마찬가지로, 디지털 리터러시와 동기 사이의 정적 상관관계(H3 지지됨)는 디지털 학습 기술을 효과적으로 사용하는 학생의 능력의 중요성을 강조합니다. 디지털 리터러시 수준이 높은 학생들은 AI 지원 학습 도구를 더 효율적으로 활용하고, 기술적 장벽을 적게 경험하며, 기술 통합의 교육적 가치를 더 잘 인식할 가능성이 큽니다⁶⁶. 디지털 인프라와 교육 기술에 상당한 투자가 이루어진 사우디아라비아의 상황에서⁶⁷, 이러한 결과는 기술 강화 언어 학습에 있어 디지털 리터러시의 잠재적 기여도를 강조합니다.

본 연구의 핵심적인 기여는 동기가 교수법, ChatGPT 활용, 디지털 리터러시와 FLCA 간의 관계에서 유의미한 매개 변수임을 확인한 것입니다(H6–H8 지지됨). 동기와 FLCA 사이의 부정적 상관관계(H4 지지됨)는 내재적 동기가 학습자로 하여금 언어 습득과 관련된 정서적 어려움을 극복하도록 돕는 심리적 자원 역할을 한다는 이론적 관점과 일치합니다⁶⁸. 동기 부여가 된 학생들은 언어적 어려움에 직면했을 때 더 끈기 있게 대처하고, 오류를 학습의 기회로 여기며, 구두 발표나 시험과 같은 도전적인 언어 과업 수행 중에 자기 효능감을 유지할 가능성이 더 높습니다. FLCA와 창의성 사이의 부정적 상관관계(H5 지지됨) 또한 불안이 새로운 언어 형태를 실험하려는 학습자의 의지와 창의적인 언어 사용 참여를 제한할 수 있음을 나타내는 이전 연구 결과와 일치합니다⁶⁹. FLCA가 언어 학습의 장벽으로 확인된 사우디아라비아의 EFL 환경에서, 이러한 결과는 참여에 대한 정서적 장벽을 낮추는 동시에 학생의 동기를 지원하는 학습 환경의 중요성을 강조합니다. 매개 분석은 나아가 지원적인 교수법, ChatGPT 활용 및 디지털 리터러시가 더 낮은 수준의 FLCA와 연관되는 중요한 기제로 동기가 작용함을 시사합니다. 이러한 발견은 사우디아라비아 EFL 교실 내에서 교수법 및 기술적 요인과 학습자 성과를 연결하는 동기의 잠재적 역할을 조명함으로써 이전 연구들을 확장하였습니다.

교수법의 차원 분석(표 8) 결과, 5가지 교수법 차원에 걸쳐 뚜렷한 패턴이 나타났다. 권위적(Authority) 교수법은 더 높은 수준의 FLCA 및 더 낮은 창의성과 관련이 있었으며, 동기 부여와의 연관성은 통계적으로 유의하지 않았다. 이와 대조적으로 촉진자(Facilitator), 전문가(Expert), 개인적 모델(Personal Model), 위임자(Delegator) 교수법은 동기 부여 및 창의성과 정적 상관관계가 있었으며, 외국어 교실 불안과는 부적 상관관계가 있었다. 이러한 결과는 교수법에 따라 학습자의 동기적, 정서적, 창의적 결과와의 관계가 다를 수 있음을 시사한다. 한 가지 가능한 설명은 SDT에서 찾을 수 있는데, SDT는 학습자 자율성을 지원하는 교수법이 내재적 동기를 더 잘 촉진하는 반면, 매우 지시적인 교수법은 구조는 제공할 수 있으나 자율적 참여의 기회는 적게 제공할 가능성이 높다고 제안한다. 사우디 교육 환경에서는 구조화된 교수법이 명확한 기대치와 지침을 제공함으로써 일부 학습자의 불확실성을 줄여줄 수 있다. 동시에, 교사의 통제가 강해지면 독립적인 학습과 창의적인 언어 사용의 기회가 감소할 수 있다. 이러한 결과는 명확한 지침과 학습자 자율성 기회의 균형을 맞춘 교수법이 긍정적인 교육적 결과를 뒷받침할 수 있음을 시사한다. 향후 종단적 또는 실험적 설계를 이용한 연구를 통해 이러한 관계를 명확히 하고, 다양한 교수법이 시간이 지남에 따라 동기 부여, 외국어 교실 불안 및 창의성에 어떤 영향을 미치는지 조사하는 것이 필요할 것이다.

본 연구는 자기결정성 이론(SDT)과 기술수용모델(TAM)을 통합하여 교수법 및 AI 지원 학습이 동기 부여를 통해 학습 성과와 어떻게 연관되는지 분석함으로써 EFL 학습에 대한 이론적 이해에 기여한다. 연구 결과에 따르면 교수 스타일, ChatGPT 사용 및 디지털 리터러시는 동기와 관련이 있으며, 이는 다시 외국어 교실 불안과 연관되는 것으로 나타났다. 또한, ChatGPT가 제공하는 자기주도적 연습 및 맞춤형 피드백 기회가 학습자의 자율성과 유능감에 대한 심리적 욕구를 충족시킬 수 있음을 보여줌으로써 기술 강화 언어 학습 내에서 SDT의 적용을 뒷받침한다. 아울러 교수 스타일에 대한 차원 분석 결과, 서로 다른 교수 접근 방식이 각기 다른 학습 성과와 연관되어 있어, 교수 스타일의 효과는 교육적 맥락과 고려되는 특정 성과에 따라 달라질 수 있음을 시사한다. 이러한 결과는 사우디아라비아의 EFL 교육 및 교육 정책에 실질적인 시사점을 제공한다. 교사 전문성 개발 프로그램은 명확한 가이드라인과 학습자 자율성 기회 사이의 균형을 맞춘 교수 접근 방식을 강조함으로써, 학생의 동기를 부여하는 동시에 외국어 교실 불안을 감소시키는 방향으로 추진될 수 있다. ChatGPT와 같은 AI 지원 도구를 언어 교육에 통합하는 것은 적절한 교수학적 안내가 병행될 때 브레인스토밍, 초안 작성 및 회화 연습을 위한 추가적인 기회를 제공할 수 있다. 마찬가지로, 디지털 리터러시 이니셔티브는 학생들이 정보 평가, 윤리적 기술 사용, AI 도구의 전략적 활용 등 AI 지원 학습 기술을 효과적으로 사용하는 데 필요한 기술을 개발하도록 도울 수 있다. 기관 차원에서는 디지털 인프라에 대한 지속적인 투자, 기술 강화 학습 활동을 포함하는 커리큘럼 개발, 의미 있는 언어 사용을 장려하는 평가 관행 등이 학생 학습을 더욱 지원할 수 있다. 또한, 부담이 적은 학습 기회, 건설적인 피드백, 동료 협업 및 창의적인 언어 사용에 대한 인정을 통해 정서적 지원을 제공하는 학습 환경은 동기 부여 향상과 외국어 교실 불안 감소에 기여할 수 있다. 종합적으로, 이러한 발견은 Saudi Vision 2030의 광범위한 목표 내에서 기술 강화 언어 학습을 지원하는 교육 실습 및 정책 이니셔티브에 유용한 정보를 제공할 수 있다.

본 연구는 사우디아라비아의 EFL 대학생들을 대상으로 교수 스타일, ChatGPT 사용, 디지털 리터러시, 동기, 외국어 교실 불안 및 창의성 사이의 관계를 조사하였으며, 특히 동기의 매개 역할에 주목하였습니다. 연구 결과, 교수 스타일, ChatGPT 사용 및 디지털 리터러시는 학생들의 동기와 정적인 상관관계가 있는 것으로 나타났습니다. 결과적으로 동기는 외국어 교실 불안과 부적인 상관관계를 보였으며, 외국어 교실 불안은 창의성과 부적인 상관관계를 보였습니다. 이러한 결과는 동기가 사우디 EFL 교실에서 교수법적 및 기술적 요인과 학습자 성과를 연결하는 중요한 기제임을 시사합니다. 또한, 본 결과는 학생들의 동기적 및 정서적 욕구를 모두 지원하는 학습 환경의 중요성을 강조합니다. 교수 스타일에 대한 차원 분석 결과, 권위자(Authority) 교수 스타일은 더 높은 수준의 외국어 교실 불안 및 더 낮은 창의성과 연관된 반면, 조력자(Facilitator), 전문가(Expert), 개인적 모델(Personal Model) 및 위임자(Delegator) 교수 스타일은 더 높은 동기와 창의성, 그리고 더 낮은 불안과 연관되었습니다. 이러한 결과는 명확한 지침과 학습자 자율성을 위한 기회의 균형을 맞춘 교수법적 접근 방식이 긍정적인 학습 경험과 언어 발달을 지원할 수 있음을 시사합니다. 사우디 비전 2030의 맥락에서, 본 연구 결과는 언어 교육에 실질적인 시사점을 제공합니다. 학습자 중심의 교수 전략, ChatGPT와 같은 AI 지원 학습 도구 및 디지털 리터러시 개발의 통합은 학생의 동기를 지원하고 외국어 교실 불안을 감소시키면서 기술 강화 언어 학습에 기여할 수 있습니다. 종합적으로, 본 연구는 EFL 교육에서 교수법적 관행, AI 지원 학습 및 디지털 역량의 역할을 뒷받침하는 증거를 제공하며, 다양한 교육 환경에서 이러한 관계를 조사하는 향후 종단적 및 중재 기반 연구를 위한 토대를 마련합니다.

본 연구의 몇 가지 한계점을 인정해야 합니다. 첫째, 단면 연구 설계로 인해 연구 변수 간의 관계에 대한 인과적 추론을 도출하는 능력에 제한이 있습니다. 이론적 틀에서는 방향성 있는 관계를 제안하고 있으나, 연구 결과는 인과 관계의 증거라기보다 상관관계로 해석되어야 합니다. 향후 연구에서는 시간 경과에 따른 동기, 외국어 교실 불안 및 창의성의 변화를 조사하기 위해 종단적 설계를 채택하고, 제안된 관계를 더 엄격하게 평가하기 위해 실험적 또는 중재 기반 설계를 활용해야 합니다. 이러한 연구를 통해 학습자 자율성을 강조하는 교수법이 이후의 동기, 외국어 교실 불안 및 창의성의 변화와 연관이 있는지 조사할 수 있을 것입니다. 둘째, 표본이 사우디아라비아의 단일 국립대학교에서 추출되었으므로, 연구 결과를 다른 교육적 및 문화적 맥락으로 일반화하는 데 제한이 있을 수 있습니다. 평가 관행, 진행 중인 교육 개혁, 교사 권위에 대한 문화적 관점을 포함한 사우디 고등교육의 특성이 관찰된 관계에 영향을 미쳤을 수 있습니다. 향후 연구에서는 다양한 교육 환경에서 결과의 일관성을 확인하기 위해 사우디아라비아 내의 여러 기관과 지역, 그리고 다른 국가들을 대상으로 이러한 관계를 조사해야 합니다. 셋째, 본 연구는 자기 보고식 데이터에 의존하였으며, 이는 사회적 바람직성 편향, 회상 편향 및 공통 방법 분산의 영향을 받았을 수 있습니다. 검증된 측정 도구와 사전 테스트 절차를 적용하였으나, 향후 연구에서는 보완적인 증거를 제공하기 위해 교실 관찰, 학습 분석, AI 사용 기록 또는 언어 능숙도 및 창의성에 대한 수행 기반 평가와 같은 추가적인 데이터 소스를 통합할 수 있습니다. 다중 방법 및 혼합 방법 접근법은 본 연구에서 확인된 관계에 대한 이해를 더욱 강화할 수 있을 것입니다. 마지막으로, 교수법의 차원 분석을 통해 권위적(Authority) 교수법과 학습자 성과 사이의 뚜렷한 연관성이 확인되었습니다. 인터뷰, 초점 집단 면접 및 교실 관찰을 포함한 향후 질적 연구는 특히 사우디 EFL 맥락에서 서로 다른 교수법이 학생의 동기, 외국어 교실 불안 및 창의성에 어떻게 영향을 미치는지에 대해 더 깊은 통찰력을 제공할 수 있을 것입니다. 이러한 연구는 본 연구의 결과를 보완하고 기술 강화 언어 학습에 대한 보다 종합적인 이해에 기여할 것입니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
ChatGPT 이용 척도 (수정됨)	저자; Abbas et al.에서 수정됨	N/A	언어 학습을 위한 학생들의 ChatGPT 이용 정도를 평가하는 8개 항목의 설문지.
창의성 척도 (수정됨)	저자; Govindasamy et al.에서 수정됨	N/A	독창성, 유연성, 유창성 및 정교성을 평가하는 12개 항목의 설문지.
디지털 리터러시 척도 (수정됨)	저자; Rodríguez-de-Dios et al.에서 수정됨	N/A	디지털 리터러시의 6가지 차원을 측정하는 29개 항목의 설문지.
외국어 교실 불안 (FLCA) 척도 (수정됨)	저자; Briesmaster & Briesmaster에서 수정됨	N/A	의사소통 불안, 시험 불안 및 부정적 평가에 대한 두려움을 측정하는 27개 항목의 설문지.
G*Power	Heinrich Heine University Düsseldorf	Version 3.1.9.7; RRID: SCR_013726	사후 통계적 검정력 분석에 사용된 소프트웨어.
IBM SPSS Statistics	IBM Corp.	Version 26; RRID: SCR_002865	데이터 정제, 기술 통계, 신뢰도 분석 및 예비 분석에 사용된 통계 소프트웨어.
마할라노비스 거리 분석	IBM SPSS Statistics	Version 26; RRID: SCR_002865	다변량 이상치를 식별하기 위해 IBM SPSS Statistics에서 구현된 통계 절차.
동기 척도 (수정됨)	저자; Kanoksilapatham et al.에서 수정됨	N/A	학습자 동기를 평가하는 20개 항목의 설문지.
지면 설문지	저자	N/A	대면 데이터 수집에 사용된 구조화된 자기기입식 설문지의 인쇄본.
보안 온라인 설문 플랫폼	Google LLC	N/A	전자 설문지 배포에 사용된 Google Forms 플랫폼.
SmartPLS	SmartPLS GmbH	Version 4; RRID: SCR_036419	측정 모델 평가, 구조 모델 분석, 부트스트래핑 (5,000회 재표본 추출) 및 매개 분석을 포함한 부분최소제곱 구조방정식 모델링 (PLS-SEM)에 사용된 소프트웨어.
구조화된 자기기입식 설문지	저자	N/A	5점 리커트 척도 (1 = 매우 그렇지 않다 ~ 5 = 매우 그렇다)를 사용하여 지면 및 전자 형식으로 실시된 설문지.
교수 스타일 인벤토리 (수정됨)	저자; Grasha의 교수 스타일 인벤토리에서 수정됨	N/A	권위자, 전문가, 개인적 모델, 촉진자 및 위임자 교수 스타일을 측정하는 설문지.
대학교 소통 채널	University of Jeddah	N/A	참가자 모집에 사용된 공식 이메일 및 강의실 공지사항.