Onderzoeksartikel

Integratie van Duurzame Ontwikkelingsdoelen (SDG's) en generatieve AI om taaltaal, digitale geletterdheid en creativiteit in EFL-leeromgevingen te verbeteren

DOI:

10.3791/69445

⸱

13 februari 2026

 ,  ,  ,  , 
1College of International Studies, Yangzhou University, 2UNITAR International University, 3COMSATS University, 4College of Sciences and Humanities, Prince Sultan University

In dit artikel

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het combineren van SDG's met generatieve AI zoals ChatGPT versterkt de motivatie, digitale geletterdheid en creativiteit van Engelse leerlingen. Hogere betrokkenheid versterkt deze link en biedt leraren praktische strategieën om AI in taalonderwijs te integreren.

Samenvatting

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie onderzoekt de integratie van Duurzame Ontwikkelingsdoelen (SDG's) en generatieve AI, specifiek ChatGPT, om de taalgeletterdheid, creativiteit en motivatie in EFL-leeromgevingen te verbeteren. Met een kwantitatief, cross-sectioneel ontwerp werden de gegevens voor deze studie verzameld van n = 420 bachelorstudenten EFL aan een openbare universiteit in China, met behulp van gevalideerde schalen om SDG-integratie (SDG) te meten, Generatieve AI zoals ChatGPT (UCGPT), digitale geletterdheid (DL), creativiteit van EFL-studenten (SC), motivatie (SM) en taalleerbetrokkenheid (LLE) van EFL-studenten. Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) werd gebruikt om directe, mediaterende en modererende effecten te analyseren. De bevindingen toonden aan dat SDG-integratie en UCGPT significant geassocieerd waren met SM, wat op zijn beurt digitale geletterdheid en de creativiteit van EFL-leerlingen voorspelde. Bovendien matigde LLE de relatie tussen DL en SC, terwijl SM de effecten van SDG-integratie en UCGPT op digitale geletterdheid bemiddelde. Deze resultaten benadrukken het transformerende potentieel van het integreren van SDG's en AI-tools in EFL-onderwijs, en bieden schaalbare strategieën om vaardigheden voor de 21e eeuw te ontwikkelen. Daarnaast biedt de studie concrete strategieën voor EFL-docenten, zoals het inzetten van leerlingen om ChatGPT te gebruiken ter voorbereiding op debatten over SDG-onderwerpen, zoals klimaatrechtvaardigheid, of het co-creëren van meertalige socialmediacampagnes voor duurzaamheidsbewustwording. Deze toepassingen tonen aan hoe SDG-AI-integratie in dagelijkse lesplanning operationeel kan worden gemaakt.

Inleiding

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het wereldwijde landschap van Engels als vreemde taal (EFL) onderwijs ondergaat een ingrijpende transformatie, gedreven door de dubbele noodzaak van technologische innovatie en de Duurzame Ontwikkelingsdoelen (SDG's) van de Verenigde Naties. Hoewel de vraag naar Engelse taalkunde in niet-Engelstalige regio's blijft toenemen, aangewakkerd door globalisering, academische mobiliteit en digitale economieën2, slagen traditionele pedagogische benaderingen er vaak niet in om leerlingen uit te rusten met de essentiële competenties die nodig zijnvoor communicatie in de 21e eeuw. Conventionele EFL-methodologieën, die de nadruk leggen op uit het hoofd leren en structurele nauwkeurigheid boven creatieve expressie en digitale betrokkenheid, lopen het risico ongelijkheden in toegang tot kwalitatief goed onderwijs te verergeren4. Deze misalignment belemmert niet alleen de vooruitgang richting SDG 4 (inclusief en rechtvaardig kwaliteitsonderwijs), maar negeert ook het transformerende potentieel van opkomende technologieën5, met name generatieve kunstmatige intelligentie (AI), bij het hervormen van taalleerecosystemen6. Ondanks de snelle uitbreiding van AI-gedreven tools zoals ChatGPT, blijft hun integratie binnen EFL-contexten onderbelicht, vooral op het gebied van duurzaamheidskaders7. Deze studie overbrugt deze cruciale kloof door te onderzoeken hoe de strategische convergentie van SDG's en generatieve AI digitale geletterdheid, creativiteit en motivatie in EFL-leeromgevingen kan versterken, wat pedagogische innovatie en wereldwijde duurzaamheidsagenda's kan bevorderen. Er blijven aanzienlijke hiaten bestaan in de bestaande literatuur over de kruising van AI-ondersteund taalverwerving en SDG-georiënteerd onderwijs8. Hoewel eerder onderzoek de rol van AI in gepersonaliseerde taalinstructie9, geautomatiseerde beoordeling10 en virtuele uitwisselingsprogramma's11 heeft onderzocht, houden deze studies zelden gebruik van duurzaamheidskaders. Daarentegen heeft de literatuur over EFL en duurzaamheid zich voornamelijk gericht op inhoudelijk onderwijs (omgevingsteksten) in plaats van technologie te gebruiken om pedagogischeparadigma's te herstructureren. Deze kloof is vooral problematisch gezien de toenemende digitale kloof in contexten van het mondiale Zuiden, waar taalkundige marginalisatie samenvalt met beperkte toegang tot geavanceerde onderwijsmiddelen13. Bovendien geeft SDG 4.4 expliciet prioriteit aan digitale geletterdheid, maar de meeste EFL-curricula slagen er niet in digitale competentie te koppelen aan duurzaamheidsresultaten, waardoor leerlingen slecht voorbereid zijn op de eisen van werkgelegenheid, ondernemerschap en fatsoenlijk werk14. Het ontbreken van een integratief kader dat AI-gedreven pedagogiek afstemt op duurzaamheidscompetenties vormt een cruciale vergissing15. Bovendien is het kader gemakkelijk toepasbaar in bacheloropleidingen als EFL, waar studenten beschikken over basis digitale geletterdheid voor het bedienen van generatieve AI-tools zoals ChatGPT. De implementatie is ontworpen voor standaard technologie-geïntegreerde klaslokalen, waarbij docenten gestructureerde, SDG-afgestemde taakopdrachten moeten leveren om de AI-samenwerking effectief te sturen.

Deze studie vult deze hiaten op door een nieuw, SDG-geïnformeerd generatief AI-kader voor EFL-onderwijs voor te stellen, gebaseerd op socioculturele theorie16 en kritische digitale geletterdheid17. In tegenstelling tot eerder werk dat AI als een instructiemiddel behandelt, positioneren onderzoekers het als een samenwerkingspartner in het ondersteunen van het creatieve en kritische denken van leerlingen18. Deze verschuiving sluit aan bij SDG-doelstellingen voor inclusief, leerlinggericht onderwijs. Empirisch maken onderzoekers gebruik van gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) om gegevens te analyseren van n = 420 Chinese bachelorstudenten in EFL, waarbij wordt onderzocht hoe SDG-integratie (SDG) en ChatGPT-gebruik (UCGPT) gezamenlijk motivatie (SM), digitale geletterdheid (DL), creativiteit van studenten (SC) en taalleerbetrokkenheid (LLE) beïnvloeden. De theoretische bijdragen van deze studie zijn drievoudig. Ten eerste breiden onderzoekers de zelfbepalingstheorie (SDT) uit door aan te tonen hoe SDG-georiënteerde AI-tools voldoen aan de intrinsieke behoeften van leerlingen aan autonomie, competentie en verbondenheid, wat de motivatie verhoogt. Ten tweede verfijnen onderzoekers de betrokkenheidstheorie door te laten zien hoe digitale geletterdheid en creativiteit dynamisch samenwerken in door AI gemedieerde omgevingen, afhankelijk van het engagementniveau van leerlingen. Ten derde bevorderen onderzoekers cruciale digitale geletterdheid door ethisch gebruik van AI in het duurzaamheidsdiscours te integreren, waarbij leerlingen worden aangespoord om databiases, milieukosten en arbeidspraktijken in AI-systemen te onderzoeken. Empirisch bieden de bevindingen bruikbare inzichten voor docenten en beleidsmakers, waarmee ze illustreren hoe ChatGPT de toegang tot SDG-gerelateerde taaltaken (klimaatdebatten, gendergelijkheidssimulaties) kan democratiseren en tegelijkertijd hogere cognitieve vaardigheden kan bevorderen. Dit artikel is als volgt opgebouwd: Ten eerste de inleiding die de betekenis/originaliteit van dit onderzoek bespreekt, de bestaande leemte in de literatuur en de bijdrage van deze studie. Vervolgens zijn er overzichten van de literatuur over SDG's in EFL, generatieve AI en digitale geletterdheid. De sectie Protocol beschrijft de PLS-SEM-methodologie, terwijl de sectie Resultaten de bevindingen presenteert. De discussiesectie werkt de belangrijkste bevindingen en de theoretische en praktische implicaties uit. Tot slot sluit het artikel af met beperkingen en toekomstige richtingen.

Literatuuroverzicht en ontwikkeling van hypothesen

Duurzame Ontwikkelingsdoel 4 en motivatie van EFL-leerlingen
Een pedagogische benadering die het curriculum Engels als vreemde taal (EFL) integreert met Duurzame Ontwikkelingsdoelstelling 419, die de nadruk legt op inclusief en rechtvaardig kwaliteitsonderwijs en levenslang leren voor iedereen, is uitgegroeid tot een belangrijke strategie om de motivatie van leerlingente vergroten 20. De doelstellingen van SDG 4, specifiek 4.4 (vaardigheden voor werkgelegenheid) en 4.7 (onderwijs voor duurzame ontwikkeling), benadrukken het belang van het ontwikkelen van taalkundig bekwame leerlingen met vaardigheden in kritisch denken, digitale geletterdheid en ethische betrokkenheid21. De principes van deze competenties worden bovendien ondersteund door de Responsibility to Protect en de SDG 4.5 doelstellingen 'Rights-Based Education'. Verschillende studies suggereren dat wanneer klimaatactie, gendergelijkheid en armoedebestrijding worden behandeld in taalverwerving, dit de motivatie van studenten voor het vak22 bevordert. Deze methode ondersteunt de Zelfbepalingstheorie23,24, die gelooft dat de ervaring van autonomie, het beheersen van vaardigheden en sociale verbinding mensen gemotiveerd houdt25. Generatieve AI werkt nog beter als motivatietool wanneer interactieve content gerelateerd aan de Duurzame Ontwikkelingsdoelen wordt gebruikt26. AI met chatbot-gesimuleerde topontmoetingen en platforms in verschillende talen die zich richten op duurzaamheid maken het mogelijk voor studenten om complexe onderwerpen te leren via taaloefeningen27. Het toepassen van scenario's waarbij leerlingen waterschaarste-oplossingen in het Engels bespreken, helpt hen geïnteresseerd te raken. Het scherpt hun probleemoplossend vermogen aan en geeft hen een groter gevoel van verantwoordelijkheid en belangrijkheid28. AI-feedback wordt gestandaardiseerd en direct gegeven (wat werd benadrukt, helpt om aan de diverse onderwijsbehoeften te voldoen, en het ondersteunt gelijkheid zoals uitgelegd in SDG 429, wat studenten kalmeert en gelijkheid waarborgt. Onderwijsexperts moeten SDG-verbindingen een stap verder doorzetten omdat ze zich moeten richten op het ontwikkelen van vaardigheden waarmee studenten systemische ongelijkheden kunnen identificeren. Wanneer er een AI-kloof is tussen ontwikkelde en onderontwikkelde landen, neemt dit het aantal redenen toe waarom studenten zich ontmoedigd voelen en roept dit op tot het invoeren van inclusief ontwerp31. Op basis van bovenstaande literatuur wordt deze hypothese voorgesteld: H1: Het integreren van SDG's in EFL-lessen verhoogt de motivatie van studenten om Engels te leren.

Gebruik van generatieve AI en motivatie van EFL-leerlingen
Generatieve AI-tools, waaronder taalmodellen en chatbots, worden steeds meer gewaardeerd omdat ze de motivatie in EFL-onderwijs stimuleren door interactie te stimuleren, persoonlijke behoeften aan te pakken en creatieve activiteitente stimuleren 32. Deze benaderingen stellen leerlingen in staat direct met AI te communiceren, te oefenen met communiceren in realistische situaties en snelle en aanpasbare feedback te ontvangen, waarvan bekend is dat het angst vermindert enhun interesse vasthoudt. Zo kunnen door AI gegenereerde educatieve materialen, zoals gepersonaliseerde teksten en scenario's die zijn afgestemd op het niveau en de interesses van een leerling, voldoen aan hun psychologische behoeften aan autonomie en een gevoel van bekwaamheid. Omdat generatieve AI bronnen in meerdere talen kan bieden en culturele contexten kan meenemen, stelt het leerlingen in staat om wereldwijde kwesties in het Engels te verkennen, wat hen aanzet tot diep nadenken over ethische beslissingen34. Deskundigen adviseren echter dat te veel vertrouwen op AI de communicatie tussen mensen kan beperken en hen kan belemmeren in het ontwikkelen van kritisch denken, wat beide essentieel is voor de groei van kinderen. Daarnaast kunnen nadelen in internettoegang en de effecten van bevooroordeelde algoritmen bestaande ongelijkheden voor bepaalde leergroepen verergeren, waardoor de huidige ongelijkheden verder worden verdiept. Op basis van bovenstaande literatuur wordt de volgende hypothese voorgesteld: H2: Het gebruik van ChatGPT in EFL-klaslokalen verhoogt de motivatie van studenten om deel te nemen aan taalonderwijs.

Motivatie en digitale geletterdheid van EFL-leerlingen
De relatie tussen digitale geletterdheid en EFL-motivatie is niet alleen correlationeel, maar synergetisch. Studenten met een hogere digitale geletterdheid zijn beter toegerust om authentieke, multimodale inhoud op te zoeken en ermee bezig te zijn die aansluit bij hun persoonlijke interesses en sociaal-culturele contexten35,36. Deze capaciteit voedt direct de intrinsieke motivatie door het gevoel van autonomie en competentie van leerlingen te vergroten, omdat zij zich effectiever kunnen bewegen in digitale omgevingen. Deze positieve cyclus is echter niet automatisch. De motiverende impact hangt af van de kwaliteit van digitale betrokkenheid; Alleen technologie gebruiken garandeert geen motivatie tenzij de taken betekenisvol en cultureelresponsief zijn.

Bovendien, hoewel generatieve AI momenteel wordt gepromoot als een mechanisme om deze synergie te versnellen met behulp van gepersonaliseerde scaffolding38, toont een kritische aanpak aan dat er verschillende contingenties zijn. Het succes van AI-technologieën in het faciliteren van interculturele dialoog en het ontrafelen van mediabiasis gebaseerd op gelijke toegang en onderliggende digitale competentie, wat vaak ontbreekt in onderbedeelde omgevingen40. Dit resulteert in een motivatiekloof, waarbij digitale analfabetisme frustratie en een gevoel van afstand veroorzaakt, waardoor de motivatie die AI wil genereren saboteert. Daarom moet AI-integratie gepaard gaan met rigoureuze digitale geletterdheidsmodellen die de leerling aanmoedigen ethische connotaties te begrijpen, zodat onbedoelde verspreiding van huidige onevenwichtigheden niet plaatsvindt bij het gebruik van technologieën42. Op basis van bovenstaande literatuur wordt de volgende hypothese voorgesteld: H3: Hogere motivatie bij EFL-leerlingen leidt tot verbeterde digitale geletterdheidsvaardigheden.

Digitale geletterdheid van EFL-leerlingen en creativiteit van EFL-leerlingen
In English as a Foreign Language (EFL) stimuleert digitale geletterdheid creativiteit door leerlingen te versterken met het technische en kritische vermogen om taalgebruik te hercontextualiseren met innovatieve digitale modi43. Studenten worden bedreven in het gebruik van apparaten zoals generatieve AI, multimediaplatforms en samenwerkende virtuele ruimtes, waardoor ze verder kunnen gaan dan tekstgebaseerde oefeningen en deze kunnen gebruiken als hulpmiddel voor het creëren van multimodale projecten zoals digitale verhalen, podcasts of zelfs door AI geproduceerde verhalen44. Zo helpen AI-gebaseerde platforms voor het co-creëren van meertalige poëzie of het simuleren van virtual reality-scenario's leerlingen om te experimenteren met taalkundige en culturele hybriditeit en om taalverwerving en artistieke verkenning te combineren45.

Digitale geletterdheid correleert met creativiteit via gelijke toegang en onderwijsmethoden met gedefinieerde doelen46. Sommige gemarginaliseerde groepen hebben geen gelijke toegang tot generatieve AI en digitale tools, wat resulteert in creatieve onderdrukking en passief leren in plaats van actieve creatie47. Onderwijsprofessionals zouden kritische methoden moeten kiezen die zich richten op duurzame onderwijspraktijken om hun studenten te helpen zowel de ethische benadering van AI-contentgeneratie als de digitale workflow-impact op het milieu te onderzoeken48. Studenten kunnen ethisch vakmanschap ontwikkelen door praktische digitale ontwerpactiviteiten die duurzame projectontwikkeling combineren met algoritmische bias-onderzoek, waardoor de duurzaamheids- en rechtvaardigheidsdoelstellingen van SDG 4.7 worden versterkt. Op basis van bovenstaande literatuur worden de volgende hypothesen voorgesteld: H4: EFL-leerlingen met sterkere digitale geletterdheidsvaardigheden tonen grotere creativiteit bij taaltaken. H5: De betrokkenheid van EFL-leerlingen bij het leren van de taal toont een grotere creativiteit bij taaltaken.

Modererend effect van betrokkenheid bij taalleren
Specifiek met betrekking tot EFL-leercontexten zijn pedagogische interventies die de Duurzame Ontwikkelingsdoelen (SDG's) en generatieve AI integreren effectiever wanneer taalleerbetrokkenheid, zoals gedefinieerd door de cognitieve, gedragsmatige en emotionele investering in taalverwerving, een multipaal cruciale modererende variabele49 is. Bij het implementeren van SDG-gerelateerde content verhogen hoge niveaus van betrokkenheid de motiverende en cognitieve winst, omdat deelnemers aan SDG-georiënteerde projectgebaseerde taken of AI-gesimuleerde taken volhardender zijn, meer vragen stellen en meer eigenaarschap claimen over hun leertrajecten. Zo blijkt dat het co-creëren van duurzaamheidscampagnes voor kunstmatige intelligentie (AI) door studenten of discussies over wereldwijde kwesties in het Engels de taalkundige vaardigheden en creativiteit verbeteren, gezien de emotionele band van de studenten met echte problemen51. Engagement is een moderator die bepaalt hoe leerlingen omgaan met ethische en culturele aspecten van EFL-leeromgevingen die door AI worden aangestuurd. Studenten die afstand tonen, zien AI als een autoritair systeem dat hun zorgen versterkt en hen ertoe brengt passief te vertrouwen op geautomatiseerde feedback52. Op basis van bovenstaande literatuur wordt de volgende hypothese voorgesteld: H6: Taalleerbetrokkenheid moderateert de relatie tussen digitale geletterdheid en creativiteit.

Mediërend effect van de motivatie van EFL-studenten in EFL-omgevingen
Het motiverende niveau van EFL-leerlingen speelt een cruciale rol in hoe pedagogische strategieën die aansluiten bij SDG's en het gebruik van generatieve AI hun digitale vaardigheden en creatieve vaardigheden beïnvloeden, evenals hun vaardigheid in de Engelse taal53. Instructional design ontmoet de prestatie van leerlingen via motivatie, waarbij Zelfbepalingstheorie54 wordt gebruikt om psychologische voorwaarden voor diepe betrokkenheid te versterken. Studentenmotivatie gerelateerd aan autonomie (besluitvorming over belangenbehartigingsonderwerpen), competentie (leerduurzaamheidsvocabulaire) en verwantschap (deelname aan wereldwijde activiteiten) dient als het mechanisme waarmee SDG-gerelateerde inhoud de effectiviteit van het kritisch denken en de ontwikkeling van digitale vaardigheden van studenten bepaalt. De betrokkenheid van leerlingen kan stijgen bij het eerste gebruik van generatieve AI-tools vanwege hun nieuwheid, maar voortdurende verbeteringen in geletterdheid en creativiteit vereisen dat leerlingen AI-interacties herkennen als zowel identiteitsrelevant als autonomiebevorderend55.

Onderzoekers stellen motivatie vast als de primaire factor die verschillende situaties verbindt via empirisch bewijs. SDG-gerichte projecten die aan EFL-leerlingen werden blootgesteld, leidden tot bijbehorende creativiteit omdat de leerlingen tegelijkertijd verhoogde motivatieniveaus ervaarden, zoals gerapporteerd in zelfbeoordelingen56. Schrijfresultaten van AI-gegenereerde gepersonaliseerde feedback toonden maximale verbeteringen bij studenten die sterke bestaande motivatie toonden:57,58. De studie bewees dat motivatie de effectiviteit van technologische interventies reguleert. Een andere factor die dit proces belemmert is culturele, evenals sociaaleconomische elementen. Omgevingen met beperkte middelen geven vaak prioriteit aan externe prikkels, die betrekking hebben op carrièrekansen genoemd in SDG 4.4, wat resulteert in veranderde relaties tussen motivatie en levering van digitale tools59,60. Op basis van bovenstaande literatuur worden de volgende hypothesen voorgesteld: H7: De motivatie van studenten bemiddelt de relatie tussen ChatGPT-gebruik en digitale geletterdheidsvaardigheden. H8: De motivatie van studenten bemiddelt de relatie tussen SDG's en digitale geletterdheidsvaardigheden. Figuur 1 toont het onderzoeksmodel van de huidige studie, waarin alle variabelen en hun padrelaties met elkaar zijn opgenomen. Bovendien worden op basis van de padrelaties tussen variabelen alle hypothesen ook aangegeven in het onderzoeksmodel.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deze studie werd uitgevoerd in overeenstemming met ethische richtlijnen voor onderzoek bij menselijke proefpersonen. Geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan hun betrokkenheid, zodat zij volledig geïnformeerd waren over het doel van de studie, de op enquêtes gebaseerde procedures, het vrijwillige karakter en hun recht om zich op elk moment zonder gevolgen terug te trekken. Alle methoden hielden zich aan ethische normen voor menselijk onderzoek, waarbij consequentie, gegevensanonimisatie en bescherming van deelnemers gedurende het hele onderzoek werden gewaarborgd. De studie omvatte niet-invasieve gegevensverzameling op basis van enquêtes met minimaal risico voor de deelnemers.

1. Onderzoeksontwerp

Deze studie hanteerde een kwantitatief, cross-sectioneel onderzoeksontwerp om de relaties te onderzoeken tussen integratie van de Duurzame Ontwikkelingsdoelen (SDG), het gebruik van generatieve AI, digitale geletterdheid, creativiteit, motivatie en taalleerbetrokkenheid in EFL-contexten. Het ontwerp gaf prioriteit aan hypothesetesten via gestructureerde enquêtes, gebaseerd op positivistische epistemologie, waardoor bevindingen statistisch gegeneraliseerd konden worden over vergelijkbare academische omgevingen. Een gedeeltelijke kleinste-kwadraten structurele vergelijkingsmodellering (PLS-SEM) benadering werd gekozen om complexe mediatie- en moderatie-effecten te analyseren. PLS-SEM biedt ruimte voor kleinere steekproefgroottes en verkennende modelstructuren, terwijl aannames over datanormaliteit61 worden geminimaliseerd. Het ontwerp sloot aan bij SDG 4's oproep voor datagedreven onderwijsstrategieën, met de nadruk op meetbare resultaten om schaalbare pedagogische innovaties in AI-versterkt taalleren te ondersteunen.

2. Data en steekproefneming

Ten eerste identificeerden en selecteerden onderzoekers om het steekproefkader alle intacte, technologie-geïntegreerde EFL-klassen uit het programmabestand van de universiteit voor het lentesemester van 2024, wat resulteerde in een gemakssteekproef van 420 bachelorstudenten. Ten tweede werd de geschiktheid van deelnemers bevestigd aan de hand van het criteria van 18-24 jaar en ingeschreven als eerste- of tweedejaars bachelorstudenten met een gemiddeld niveau van Engelse taalvaardigheid, volgens de plaatsingsgegevens van de universiteit; de laatste cohort bestond uit 62% vrouwelijke en 38% mannelijke deelnemers, waarvan 95% afkomstig was uit Oost-China. Ten derde nam de onderzoeker tijdens een geplande lessessie het enquête-instrument persoonlijk af: na het uitdelen van een gedetailleerd informatieblad las de onderzoeker het script voor geïnformeerde toestemming hardop voor, gaf tijd voor vragen en verzamelde ondertekende toestemmingsformulieren voordat de vragenlijst werd verspreid, die deelnemers 20 minuten hadden om anoniem in te vullen zonder enige stimulans. Ten vierde, om rekening te houden met de extra variabele van eerdere AI-ervaring, bevatte het enquête-instrument zelf aan het begin een speciale filtersectie, die gegevens vastlegde over de vertrouwdheid van deelnemers met AI-tools voor latere statistische controle. Ten slotte werden de verzamelde gegevens gescreend op volledigheid, en werd de steekproefgrootte van n = 420 geverifieerd op statistische toereikendheid door toepassing van de "10-keer regel" voor PLS-SEM, waarmee werd bevestigd dat deze de minimale vereiste van 10 gevallen per voorspellervariabele in de meest complexe regressievergelijking van het model overschreed.

  1. Praktische integratie van SDG's en ChatGPT
    Om de enquête-metingen in een concrete pedagogische context te plaatsen, werd de studie uitgevoerd binnen een specifieke EFL-module die expliciet SDG-thema's integreerde met ChatGPT-ondersteuning. Leerlingen namen deel aan een reeks taakgerichte leeractiviteiten gedurende een periode van vier weken. Zo vereiste een taak dat studenten ChatGPT gebruikten om een specifiek SDG te onderzoeken (SDG 4 onderwijs, SDG 13: Klimaatactie, of SDG 5: Gendergelijkheid), een samenvatting van kernkwesties te genereren en vervolgens de door AI geleverde informatie kritisch te evalueren op mogelijke vooringenomenheid. In een andere opdracht gebruikten studenten ChatGPT als een samenwerkingsmiddel om samen een overtuigend essay of een script voor een social media-campagne te schrijven dat pleitte voor een lokaal duurzaamheidsinitiatief, waardoor wereldwijde doelen werden gekoppeld aan hun directe context. Deze taken waren multimodaal ontworpen en culmineerden vaak in videoblogs of presentaties, waarbij studenten informatie moesten synthetiseren, kritisch denken oefenden en Engels voor een tastbaar doel gebruikten. Deze praktische implementatie zorgde ervoor dat de antwoorden van studenten op enquêtes werden geïnformeerd door directe ervaring met de geïntegreerde SDG-AI leermethode.

3. Ethische overwegingen

De huidige studie is uitgevoerd volgens strenge ethische overwegingen. Alle deelnemers werden geïnformeerd over het doel en de procedures van de studie, evenals hun rechten, zowel schriftelijk als mondeling, en gaven vervolgens geïnformeerde toestemming voordat ze aan de studie deelnamen. Deze overeenkomst garandeerde anonimiteit, waardoor zij zich op elk moment konden terugtrekken zonder represailles en de vertrouwelijkheid van hun gegevens garandeerden. De informatie werd verzameld via versleutelde digitale systemen en veilig opgeslagen op met wachtwoorden beveiligde servers. Alle analyses werden uitgevoerd op geaggregeerde gegevens om identificatie van individuen te voorkomen. In overeenstemming met de SDG 4.7-principes bevatte de studie een aparte debriefingsectie om ethische kwesties die uniek zijn voor generatieve AI aan te pakken, waarbij mogelijke zorgen duidelijk werden gepresenteerd zoals de mogelijkheid van vooroordelen in ChatGPT-reacties en de milieueffecten. Tot slot werden de beperkingen van de studie, zoals zelfrapportage-biases en de geografische locatie van de steekproef, openlijk erkend om academische integriteit te bevorderen.

4. Maatregelen

Constructen werden geoperationaliseerd met gevalideerde schalen die zijn aangepast aan de EFL-context. SDG-integratie werd gemeten met een schaal van 36 items en drie subschalen: economie (13 items), samenleving (9 items) en milieu (14 items). Deze schaal is afgeleid van Atmaca et al.62, die blootstelling aan duurzaamheidsthema's in taaltaken beoordeelden. Digitale geletterdheid werd geëvalueerd met een schaal van 29 items, uitgebreid naar zes dimensies aangepast van Rodríguez-de-Dios et al.63, waaronder Technologische Geletterdheid (7 items), Persoonlijke Beveiligingsgeletterdheid (5 items), Kritische Geletterdheid (5 items), Device Security Literacy (4 items), Informatiegeletterdheid (5 items) en Communicatiegeletterdheid (3 items). Bovendien werd EFL Students' Creativiteit vastgelegd via Govindasamy et al.64, een instrument met 12 items, dat vier subschalen beslaat, elk met drie elementen: originaliteit, flexibiliteit, vloeiendheid en uitwerking. Het gebruik van ChatGPT werd gekwantificeerd via een schaal van 8 items, aangepast van Abbas et al.65, met focus op frequentie, doel en waargenomen effectiviteit in taaltaken. De motivatie werd beoordeeld met behulp van Obiosa66, met een 05-item schaal. Ten slotte werd de betrokkenheid bij taalverwerving geëvalueerd met een schaal van 9 items van Eerdemutu et al.67. Alle schalen maakten gebruik van 5-punts Likert-reacties, waarbij pilottests (n=30) de betrouwbaarheid bevestigden (Cronbach's α > 0,82) en bevestigende factoranalyse de onderscheidende struct valideerde. De analyse voor deze studie is uitgevoerd op basis van eerste-orde reflectief-reflectief-reflectieve constructen, aangezien tweedegraads reflectief-reflectief-constructies niet direct worden getest.

5. Data-analyse

De data-analyse werd uitgevoerd via een sequentiële tweefasige procedure met SPSS versie 28 en SmartPLS versie 4. Het proces begon in SPSS 28, waar onderzoekers navigeerden naar Analyze > Descriptive Statistics > Descriptives en Analyze > Correlate > Bivariate om respectievelijk voorlopige beschrijvende statistieken (gemiddelden, standaarddeviaties) en Pearson-correlatiecoëfficiënten te berekenen voor de steekproef van n = 420 gevallen. Vervolgens verschoof de primaire analyse naar SmartPLS 4 om Partial Least Squares Structural Equation Modeling (PLS-SEM) uit te voeren. De eerste stap in SmartPLS was het valideren van het meetmodel door het ingebouwde berekeningsalgoritme uit te voeren om interne consistentie te beoordelen, waarbij samengestelde betrouwbaarheidswaarden boven de drempel van 0,70 moesten uitkomen, en convergente validiteit, bevestigd door een Average Variance Extracted (AVE) groter dan 0,50 voor alle constructen. Discriminantvaliditeit werd vervolgens geverifieerd met behulp van de rapportagefuncties van de software om het Fornell-Larcker-criterium toe te passen en ervoor te zorgen dat alle heterotrait-monotrait (HTMT) ratio's onder de conservatieve norm van 0,85 lagen. Na deze validatie werd het structurele model geëvalueerd met behulp van de Bootstrapping-routine die was geconfigureerd met 5.000 subsamples en een tweezijdige test op het significantieniveau van 0,05 om bias-gecorrigeerde betrouwbaarheidsintervallen te genereren voor alle padcoëfficiënten (β) en indirecte effecten, waarmee de veronderstelde directe, mediaterende en modererende relaties werden getest. Ten slotte werd de voorspellende relevantie van het model vastgesteld door de Q²-waarde van Stone-Geisser te onderzoeken, verkregen via de Blindfolding-procedure, waarbij waarden boven nul voldoende voorspellende kracht aangaven, en de substantiële impact van voorspellers werd bepaald door effectgroottes (f²) te berekenen op basis van de resultaten van het PLS-algoritme.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beschrijvende statistieken
Een beschrijvende analyse biedt belangrijke inzichten in patronen van variabelen, centrale locaties en hun verspreiding, waardoor onderzoekers de gezondheid, normaliteit en theoretische congruentie van de oorspronkelijke gegevens kunnen verifiëren. In deze studie worden de gemiddelde waarden gebruikt om het niveau van kurtosis te meten, terwijl de parameters van standaarddeviatie worden gebruikt om het niveau van scheefheid te beoordelen. Da...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Samenvatting van de belangrijkste bevindingen
Deze studie onderzocht de wisselwerking tussen Duurzame Ontwikkelingsdoelen (SDG's), generatieve AI (ChatGPT) en belangrijke onderwijsresultaten: motivatie, digitale geletterdheid en creativiteit in EFL-leeromgevingen. De resultaten bevestigden alle direct-effect hypothesen (H1-H5) en toonden aan dat SDG-integratie (β = 0,37) en ChatGPT-gebruik (β = 0,28) de motivatie van studenten significant verhogen, wat op zijn beurt d...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Alle auteurs geven geen belangenconflicten op.

Dankbetuigingen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit onderzoek wordt ondersteund door het Jiangsu Provincial Social Science Fund, subsidienummer (23YYB011). Dit werk werd ondersteund door de Prince Sultan Universiteit onder het Language and Communication Research Laboratory.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

```html

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
ChatGPT Usage Scale8-item schaal aangepast van Abbas et al. (2023).Abbas et al. (2023).
Creativity Scale12-item schaal aangepast van Govindasamy et al. (2022), die vier subconstructen meet: Originaliteit, Flexibiliteit, Vloeiendheid en Uitwerking.Govindasamy et al. (2022)
Data Collection InstrumentAnonieme, zelf-toegediende vragenlijst op papier.Niet van toepassing / op maat ontworpen
Data Storage SystemMet wachtwoord beveiligde servers met gecodeerde digitale systemen.Niet van toepassing / institutionele IT-infrastructuur
Digital Literacy Scale29-item schaal aangepast van Rodríguez-de-Dios et al. (2018), die zes dimensies beslaat: Technologisch, Persoonlijke Veiligheid, Kritisch, Apparaatveiligheid, Informatie en Communicatie Geletterdheid.Rodríguez-de-Dios et al. (2018)
Informed Consent DocumentsGeschreven informatieblad en toestemmingsformulier.Niet van toepassing / op maat ontworpen
Language Learning Engagement Scale9-item schaal aangepast van Eerdemutu et al. (2023).Eerdemutu et al. (2023)
Motivation Scale5-item schaal aangepast van Obiosa (2023).Obiosa (2023).
PLS-SEM Algorithm & BootstrappingSmartPLS 4 interne routines (PLS-algoritme en Bootstrapping met 5.000 subsamples).https://www.smartpls.com/documentation/algorithms-and-techniques
Predictive Relevance AssessmentBlindfolding procedure in SmartPLS 4 om de Stone-Geisser's Q² waarde te berekenen.https://www.smartpls.com/documentation/predictive-relevance-q2
SDG Integration Scale36-item schaal aangepast van Atmaca et al. (2023), met subschalen voor Economie (13 items), Maatschappij (9 items) en Milieu (14 items).Atmaca et al. (2023)
Statistical Analysis SoftwareIBM SPSS Statistics, Versie 28.-
Structural Equation Modeling SoftwareSmartPLS, Versie 4.https://www.smartpls.com
Validity & Reliability ChecksSmartPLS 4 rapportagefuncties voor Composite Reliability, Average Variance Extracted (AVE), Fornell-Larcker Criterium, en HTMT-ratios.https://www.smartpls.com/documentation/reporting
```

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Aftinia, F., Munir, A., Nugroho, H. M. A. The use of gamification in English learning for Sustainable Development Goals (SDGs): A case study in a junior High School English club. J Lifestyle SDGs Rev. 5 (3), e04941-e04941 (2025).
  2. Kong, X., Liu, C. A comparative genre analysis of AI-generated and scholar-written abstracts for English review articles in international journals. J Engl Acad Purp. 71, 101432(2024).
  3. Weng, X., Chiu, T. K. Instructional design and learning outcomes of intelligent computer assisted language learning: Systematic review in the field. Comput Educ Artif Intell. 4, 100117(2023).
  4. Huang, J., Mizumoto, A. Examining the effect of generative AI on students' motivation and writing self-efficacy. Digital Digit Appl Linguist. 1, 102324-102324 (2024).
  5. Mo, Z., Crosthwaite, P. Exploring the affordances of generative AI large language models for stance and engagement in academic writing. J Engl Acad Purp. 75, 101499(2025).
  6. Jiao, S., Liang, F. Sustainable development of high school English learners in China: Motivation and its impact on their English achievement. Sustainability. 14 (19), 12619(2022).
  7. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The dual forces of AI: How generative AI and perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  8. Arslan, S., Curle, S. Institutionalising English as a foreign language teachers for global sustainability: Perceptions of education for sustainable development in Turkey. Int J Educ Res. 125, 102353(2024).
  9. Al-Nofaie, H., Alwerthan, T. A. Appreciative inquiry into implementing artificial intelligence for the development of language student teachers. Sustainability. 16 (21), 9361(2024).
  10. Oriakhi,, et al. Generative artificial intelligence in education: ChatGPT-4 experiences to anticipated ChatGPT-5. HAFED Poly J Sci Manag Technol. 6 (1), 149-169 (2024).
  11. Uğraş, H., Uğraş, M., Papadakis, S., Kalogiannakis, M. ChatGPT-supported education in primary schools: The potential of ChatGPT for sustainable practices. Sustainability. 16 (22), 9855(2024).
  12. Wang, X., et al. What matters in AI-supported learning: A study of human-AI interactions in language learning using cluster analysis and epistemic network analysis. Comput Educ. 194, 104703(2023).
  13. Gayed, J. M., Carlon, M. K. J., Oriola, A. M., Cross, J. S. Exploring an AI-based writing Assistant's impact on English language learners. Comput Edu Artif Intell. 3, 100055(2022).
  14. Bravo-Adasme, N., Cataldo, A. Understanding techno-distress and its influence on educational communities: A two-wave study with multiple data samples. Tec in Soc. 70, 102045(2022).
  15. Noor, U., Younas, M., Saleh Aldayel, H., Menhas, R., Qingyu, X. Learning behavior, digital platforms for learning and its impact on university student's motivations and knowledge development. Front in Psyc. 13, 933974(2022).
  16. Vygotsky, L. S. Mind in society. Cole, M., John-Steiner, V., Scribner, S., Souberman, E. , (1978).
  17. Pangrazio, L. Reconceptualising critical digital literacy. Discourse: Stud Cult Polit Educ. 37 (2), 163-174 (2016).
  18. Lo, C. K., et al. Exploring the application of ChatGPT in ESL/EFL education and related research issues: A systematic review of empirical studies. Smart Learn Environ. 11 (1), 50(2024).
  19. Ben Abida, S. Towards enhancing E-learning: Using Digital Literacy, YouTube, and Facebook, to Encourage EFL students' Learning Autonomy. DIDASKEIN. 2 (1), 189-204 (2021).
  20. Adams, K., Nakano, S. Connecting student interest and motivation in English to the Sustainable Development Goals. IAFOR J Educ. 12 (1), 243-262 (2024).
  21. Kwee, C. T. T. I want to teach sustainable development in my English classroom: A case study of incorporating sustainable development goals in English teaching. Sustainability. 13 (8), 4195(2021).
  22. Younas, M., et al. Unveiling digital transformation and teaching prowess in English education during COVID-19 with structural equation modelling. Eur J Educ. 60 (1), e12818(2024).
  23. Putri, N. L. P. N. S., Santosa, M. H., Artini, L. P., Nitiasih, P. K. Sustainable development goals in EFL Students' learning: A systematic review. Pegem J Educ Instr. 14 (2), 1-11 (2024).
  24. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  25. Dörnyei, Z. The L2 motivational self system. Motivation, language identity and the L2. 36 (3), 9-11 (2009).
  26. Younas, M., et al. COVID-19, students' satisfaction about e-learning and academic achievement: Mediating analysis of online influencing factors. Front Psychol. 13, 948061(2022).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chines EFL students' language learning experience. Comput. Hum Behav Rep. 18, 100627(2025).
  28. Manurung, R. T., et al. Improving students' awareness about Sustainable Development Goals (SDGs) through literary text: A case on language teaching. Lib Prog Lib Sci Inf Technol Comput. 44 (2), 493-500 (2024).
  29. Sağlam, M. An investigation of pre-service English language teaching students' opinions about their practicum at schools on the basis of sustainable development goals (SDGS). 5 (2), 02544(2025).
  30. Trucano, M. SABER-ICT framework paper for policy analysis. , (2016).
  31. Naing, W. K. K., Mar, A. A. English language teachers' knowledge of SDGs and their Attitudes towards Incorporating SDGs in ELT in Myanmar. J Engl Lang Linguist. 4 (1), 18-29 (2023).
  32. Selwyn, N., Facer, K. Beyond digital divide: Toward an agenda for change. In Digital literacy: Concepts, methodologies, tools, and applications. , 1678-1696 (2013).
  33. Zheng, Y., Wang, Y., Liu, K. S. X., Jiang, M. Y. C. Examining the moderating effect of motivation on technology acceptance of generative AI for English as a foreign language learning. Educ Inf Technol. 29, 1-29 (2024).
  34. Al-Smadi,, et al. Artificial intelligence for English language learning and teaching: Advancing sustainable development goals. J Lang Teach Res. 15 (6), 1835-1844 (2024).
  35. Huang, F., Wang, Y., Zhang, H. Modelling generative AI acceptance, perceived teachers' enthusiasm and self-efficacy to english as a foreign language learners' well-being in the digital era. Eur J Educ. 59 (4), e12770(2024).
  36. Frima, R. N. Students' digital literacy and their motivation to read narrative text at Islamic Junior High School Al-Hafit Pekanbaru. [Doctoral dissertation]. , UNIVERSITAS ISLAM NEGERI (UIN) SULTAN SYARIF KASIM RIAU. (2023).
  37. Nguyen, L. A. T., Habók, A. Digital literacy of EFL students: An empirical study in Vietnamese universities. Libri. 72 (1), 53-66 (2022).
  38. Pertiwi, I., Siti, R. R. Digital literacy in EFL learning: University students' perspectives. J Engl Educ Soc. 7 (2), 197-204 (2022).
  39. Rinekso, A. B., Rodliyah, R. S., Pertiwi, I. Digital literacy practices in tertiary education: A case of EFL postgraduate students. Stud Engl Lang Educ. 8 (2), 622-641 (2021).
  40. Yang, P., Huang, W., Shen, H. Z., Yang, H., Gao, C. Chinese university students' self-regulated strategic learning in English medium instruction from a sociocultural perspective. J Engl Acad Purp. 75, 101510(2025).
  41. Dashtestani, R., Hojatpanah, S. Digital literacy of EFL students in a junior high school in Iran: voices of teachers, students and Ministry Directors. Comput Assist Lang Learn. 35 (4), 635-665 (2022).
  42. Bacalja, A., Aguilera, E., Castrillón-Ángel, E. F. Critical digital literacy. The handbook of critical literacies. , Routledge. 373-380 (2021).
  43. Ngo, T. N., Hastie, D. Artificial Intelligence for Academic Purposes (AIAP): Integrating AI literacy into an EAP module. Engl Specif Purp. 77, 20-38 (2025).
  44. Ponte, D. C. The application of Artificial Intelligence in EFL learning and teaching: Considerations, challenges and practical examples for educators. English linguistics meets the 21st century. , 118-137 (2024).
  45. Indah, R. N., Toyyibah, T., Budhiningrum, A. S., Afifi, N. The research competence, critical thinking skills and digital literacy of Indonesian EFL students. J Lang Teach Res. 13 (2), 315-324 (2022).
  46. Klein, D. The relevance of digital literacy for distance learning in EFL classrooms in Austrian lower-secondary schools. , https://unipub.uni-graz.at/obvugrhs/content/titleinfo/8653259/full.pdf (2023).
  47. Cui, X., Gardiner, I. A. Investigating students' academic language-related challenges and their interplay with English proficiency and self-efficacy on EMI success in Transnational Education (TNE) programs in China. Engl Specif Purp. 78, 53-69 (2025).
  48. Belda-Medina, J. Promoting inclusiveness, creativity, and critical thinking through digital storytelling among EFL teacher candidates. Int J Incl Educ. 26 (2), 109-123 (2022).
  49. Özcan, E. N. Enhancing language skills and environmental literacy: An eco-pedagogical approach to teaching English to young learners. , (2025).
  50. Zhang, Q. Mediation/moderation effects of engagement, foreign language enjoyment, and ambiguity tolerance in metaverse-based foreign language learning. Int J Educ Technol. High. Educ. 21 (1), 54(2024).
  51. Liu, M. Exploring the motivation-engagement link: The moderating role of positive emotion. J Psychol Lang Learn. 4 (1), e415022(2022).
  52. Jeffcoat, J. L. Digital Literacy Integrated Into Academic Content Through the Collaboration of a Librarian and a Core Content Teacher. [Doctoral dissertation]. , University of South Carolina. (2023).
  53. Wu, Y., Kang, X. A moderated mediation model of expectancy-value interactions, engagement, and foreign language performance. Sage Open. 11 (4), 21582440211059176(2021).
  54. Peng, R., Fu, R. The effect of Chinese EFL students' learning motivation on learning outcomes within a blended learning environment. Australas J Educ Technol. 37 (6), 61-74 (2021).
  55. Bailey, D., Almusharraf, N., Bennett, F. Mediating effect of competitiveness on motivation and evaluation anxiety: a structural equation model for learning within videoconference EFL courses. Educ Inf Technol. 29 (3), 3729-3752 (2024).
  56. Feng, L., Mohd Rawian, R. The mediating role of motivation and language anxiety in increasing EFL learners' working memory. Lang Relat Res. 14 (1), 335-358 (2023).
  57. Derakhshan, A. EFL students' perceptions about the role of generative artificial intelligence (GAI)-mediated instruction in their emotional engagement and goal orientation: A motivational climate theory (MCT) perspective in focus. Learn Motiv. 90, 102114(2025).
  58. Yang, Y., Du, C. The predictive effect of perceived teacher support on college EFL learners' online learning engagement: Autonomous and controlled motivation as mediators. J Multiling Multicult. Dev. 46, 1-15 (2023).
  59. Liu, Q., Du, X., Lu, H. Teacher support and learning engagement of EFL learners: The mediating role of self-efficacy and achievement goal orientation. Curr Psychol. 42 (4), 2619-2635 (2023).
  60. Sadoughi, M., Hejazi, S. Y. The effect of teacher support on academic engagement: The serial mediation of learning experience and motivated learning behavior. Curr Psychol. 42 (22), 18858-18869 (2023).
  61. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  62. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J AssessTools Educ. 6 (1), 80-91 (2019).
  63. Rodríguez-de-Dios, I., Igartua, J. J., González-Vázquez, A. Development and validation of a digital literacy scale for teenagers. Proceedings of the fourth international conference on technological ecosystems for enhancing multiculturality. , 1067-1072 (2016).
  64. Govindasamy, P., Cumming, T. M., Abdullah, N. Validity and reliability of a needs analysis questionnaire for the development of a creativity module. J Res Spec Educ. Needs. 24 (3), 637-652 (2024).
  65. Obiosa, N. Effects of students' motivation and engagement on students' satisfaction in a lecture: Empirical analysis. Int J Instr. 13 (3), 861-876 (2020).
  66. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 21 (1), 10(2024).
  67. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  68. Bravo Luque, M., Alcantud-Díaz, M. Implementing Inquiry-based Learning through Sustainable Development Goals: A didactic Approach to Foster Learning-to-learn and Citizenship Competencies in EFL. Pap Rev Fac Educ Univ Antonio Nariño. 16 (32), 1970(2024).
  69. Dodigovic, M. Artificial intelligence and second language learning: An efficient approach to error remediation. Lang Aware. 16 (2), 99-113 (2007).
  70. Doshi, R., Dadhich, M., Poddar, S. Integrating generative AI in education to achieve sustainable development goals. IGI global. Hiran, K. K. , (2024).
  71. Hutson, J. Multimodal GAI in arts-based multiliteracies: Fostering interdisciplinary creativity. Arts-Based Multiliteracies for Teaching and Learning. , 209-244 (2025).
  72. Kang, X., Wu, Y. Academic enjoyment, behavioral engagement, self-concept, organizational strategy and achievement in EFL setting: A multiple mediation analysis. PLoS One. 17 (4), e0267405(2022).
  73. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: A TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. , (2025).
  74. Nguyen, T. H., Hoang, T. N. H. Investigating the promises and perils of generative AI in EFL learning in higher education: A literature review. AsiaCALL Online J. 16 (1), 1-15 (2025).
  75. Mentesoglu-Karaderi, I., Osam, ÜV., Al-Turjman, F. Integrating generative artificial intelligence in English language teaching: An overview in the IoT era. International Conference on Artificial Intelligence Of Things For Smart Societies. , Springer Nature. Cham. 43-50 (2024).
  76. Young, D. Leveraging assistive technology to promote inclusive English language teaching and digital literacy. digital literacy at the intersection of equity, inclusion, and technology. , 49-64 (2024).
  77. Nitzl, C., Roldan, J. L., Cepeda, G. Mediation analysis in partial least squares path modeling: Helping researchers discuss more sophisticated models. Ind Manag Data Syst. 116 (9), 1849-1864 (2016).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

ChatGPT integratietalige creativiteitstudentmotivatiebetrokkenheid bij talenonderwijsstructurele vergelijkingsmodellenvaardigheden voor de 21ste eeuw

Gerelateerde artikelen