Onderzoeksartikel
Deze studie onderzoekt hoe AI-integratie de Engelse leerlingen psychologisch en cognitief beïnvloedt. Er wordt vastgesteld dat het gebruik van AI de angst (FoMO) verhoogt, waardoor het leesbegrip wordt verminderd, terwijl digitale burn-out de link tussen begrip en woordenschat verzwakt. Het doel is om de noodzaak van een gebalanceerd gebruik van AI te benadrukken ter ondersteuning van leren.
Deze studie onderzoekt hoe de integratie van kunstmatige intelligentie (AI) in taalverwerving psychologische en cognitieve uitkomsten beïnvloedt bij leerlingen van Engels als vreemde taal (EFL). Specifiek onderzoekt het de effecten van waargenomen AI-afhankelijkheid, ethische zorgen en generatief AI-gebruik op angst om iets te missen (FoMO), leesbegrip gemeten door leesstrategieschaal en woordenschatverwerving, terwijl de matigende rol van digitale burn-out wordt meegenomen. Een dwarsdoorsnede-surveyontwerp werd toegepast met n = 450 EFL-leerlingen, en de gegevens werden geanalyseerd met behulp van gedeeltelijke kleinste-kwadraten structurele vergelijkingsmodellering (PLS-SEM) om zowel directe als gemedieerde relaties te beoordelen. De bevindingen tonen aan dat AI-gerelateerde factoren een hogere FoMO aanzienlijk voorspellen, wat op zijn beurt het leesbegrip negatief beïnvloedt. Hoewel leesbegrip het verwerven van woordenschat sterk ondersteunt, verzwakt digitale burnout deze relatie. De studie benadrukt de dubbele aard van AI in het onderwijs, waarbij het leerresultaten faciliteert en tegelijkertijd bijdraagt aan psychologische belasting. Deze resultaten benadrukken het belang van evenwichtige AI-integratie in taalverwerving, met nadruk op de noodzaak van strategieën die digitale angst en burn-out verminderen. Theoretische implicaties breiden het onderzoek naar technologie-gemedieerd leren uit door FoMO te identificeren als een kritisch affectief pad in AI-gedreven onderwijscontexten. Praktische aanbevelingen omvatten het integreren van digitale welzijnspraktijken naast AI-tools om de leervoordelen te optimaliseren en tegelijkertijd negatieve psychologische effecten te minimaliseren.
De snelle integratie van Generatieve Kunstmatige Intelligentie (AI) in het onderwijs heeft traditionele taalleerparadigma's getransformeerd, vooral in Engels als vreemde taal (EFL) contexten1. Tools zoals AI-gestuurde woordenschatassistenten, geautomatiseerde schrijffeedbacksystemen en adaptieve leerplatforms beloven verhoogde efficiëntie en persoonlijke instructie2. Deze technologische verschuiving heeft echter ook psychologische en pedagogische uitdagingen met zich meegebracht, waaronder waargenomen AI-afhankelijkheid, digitale burn-out en ethische zorgen, die leerresultaten kunnenbederven 3. Een onderbelicht maar kritisch fenomeen op dit gebied is de angst om iets te missen (FoMO). In deze psychologische toestand voelen leerlingen zich gedwongen AI-tools te adopteren vanwege sociale vergelijkingsdruk, mogelijk ten koste van diepe cognitieve betrokkenheid4. Hoewel bestaand onderzoek de rol van AI bij taalverwervingheeft onderzocht, hebben weinig studies onderzocht hoe generatieve AI samenwerkt met waargenomen afhankelijkheid en FoMO om woordenschat te vormgeven, waardoor er een aanzienlijke kloof ontstaat in het begrijpen van de dubbele krachten die AIin het onderwijs faciliteren en nadelig zijn.
Een literatuuroverzicht onthult drie belangrijke hiaten. Ten eerste hebben studies over AI in EFL-leren zich voornamelijk gericht op prestatieresultaten (testresultaten, verbeteringen in vloeiendheid) in plaats van op de psychologische mechanismen die AI-adoptieaansturen 8. Zo is de efficiëntie van AI bij het bewaren van woordenschat goed gedocumenteerd, maar is er weinig bekend over hoe waargenomen afhankelijkheid, het geloof dat men niet effectief kunt leren zonder AI, motivatie en langdurige retentie beïnvloedt. Ten tweede, hoewel FoMO uitgebreid is bestudeerd in sociale mediacontexten, blijft de rol ervan in AI-gemedieerde leeromgevingen onontgonnen. Aangezien AI-tools vaak realtime, sociaal zichtbare feedback bieden (peer benchmarking-functies), kunnen leerlingen verhoogde angst ervaren om achter te raken, wat de afhankelijkheid van AI10 verergert. Ten derde, hoewel ethische zorgen over AI (gegevensprivacy, algoritmische bias) algemeen wordenerkend, is hun matigende effect op afhankelijkheid en leereffectiviteit niet empirisch getest in EFL-omgevingen. Deze hiaten onderstrepen samen de noodzaak van een holistisch onderzoek dat technologieacceptatie, motivatiepsychologie en cognitieve leertheorieën met elkaar verbindt.
Deze studie pakt deze hiaten aan door een nieuw conceptueel model voor te stellen dat onderzoekt hoe het gebruik van generatieve AI, de waargenomen AI-afhankelijkheid en de vermeende AI-ethische zorg FoMO onder EFL-leerlingen beïnvloeden, de bemiddelende rol van FoMO bij het koppelen van alle drie de onafhankelijke variabelen aan het leesbegrip van EFL-leerlingen, en het matigende effect van digitale burnout tussen leesbegrip en woordenschatverwerving. Het voorgestelde onderzoek draagt bij aan de ontwikkeling van een uitgebreid theoretisch kader dat kan worden gebruikt om de effecten van AI-afhankelijkheid op intrinsieke motivatie en leerautonomie te bestuderen door de bril van Zelfbepalingstheorie (SDT)12, de psychologische mechanismen achter FoMO in leeromgevingen gemedieerd door AI op Social Comparison Theory13 en de effecten van AI-afhankelijkheidstools op cognitieve belasting via de Cognitive Load Theory (CLT)14.
De theoretische bijdragen van deze studie zijn drievoudig. Ten eerste wordt SDT uitgebreid door AI-afhankelijkheid te conceptualiseren als een potentiële bedreiging voor de autonomie van leren, waarmee de aanname wordt uitgedaagd dat AI de motivatie universeel verhoogt. Ten tweede past het de Social Comparison Theory toe op AI-gemedieerd leren, en laat zien hoe FoMO transformeert van een social-mediafenomeen in een drijfveer voor de adoptie van onderwijstools15. Ten derde verfijnt het CLT door aan te tonen dat de cognitieve voordelen van AI (verminderde externe belasting) kunnen worden tegengegaan door door afhankelijkheid veroorzaakte germane load16, wat een genuanceerd beeld biedt van de impact van AI op geheugencodering. Deze theoretische ontwikkelingen vormen een basis voor toekomstig onderzoek naar de psychologie van AI-ondersteund leren.
Om methodologische nauwkeurigheid en praktische toepasbaarheid te waarborgen, werden verschillende belangrijke overwegingen bij het ontwerp geleid. De doelgroep van Chinese universiteitsstudenten in EFL werd geselecteerd vanwege hun hoge blootstelling aan en institutionele integratie van AI-tools, wat een relevante context biedt voor het onderzoeken van AI-afhankelijkheid. Constructgrenzen worden duidelijk afgebakend met behulp van gevalideerde, multi-item schalen voor elke latente variabele, waardoor conceptuele overlap wordt voorkomen. De keuze van deze specifieke schalen werd gerechtvaardigd door hun vastgestelde betrouwbaarheid en hun directe operationalisering van de complexe psychologische en gedragsconstructen die onderzocht worden (multidimensionale ethische zorgen, leerspecifieke digitale burnout). Voor de geplande mediatie- en moderatieanalyses erkennen we dat de dwarsdoorsnedegegevens, hoewel voldoende voor voorspellende modellering via PLS-SEM, de definitieve causale inferentie voor de gemedieerde en gemodereerde routes beperken. De steekproefgrootte van 465 overschrijdt ruimschoots de minimale eisen voor statistische kracht in zowel regressie als PLS-SEM, en voldoet aan de '10-keer regel' voor het maximale aantal structurele paden, waardoor stabiele en generaliseerbare parameterschattingen voor het voorgestelde model worden gegarandeerd.
De kernconstructies van de studie worden als volgt gedefinieerd: Waargenomen AI-afhankelijkheid verwijst naar het geloof van een leerling in zijn of haar afhankelijkheid van AI-tools voor efficiëntie en taakuitvoering. Waargenomen AI-ethische zorgen omvatten zorgen over algoritmische transparantie, eerlijkheid, veiligheid en verantwoordelijkheid. Generatief AI-gebruik duidt de frequentie en omvang aan van het gebruik van AI-modellen voor het genereren van tekst of afbeeldingen. Angst om iets te missen (FoMO) is de angst dat anderen waardevolle ervaringen hebben waarbij iemand afwezig is, hier in context van AI-gestuurd leren. Digitale burn-out is de staat van emotionele en mentale uitputting als gevolg van langdurige digitale betrokkenheid. Tot slot worden de leerdoelen vastgelegd door Leesbegrip, het vermogen om geschreven materiaal te begrijpen en strategieën toe te passen, en Woordenschatverwerving, de zelfwaargenomen effectiviteit bij het leren en gebruiken van nieuwe woorden.
De structuur van dit artikel is als volgt. Sectie 1 behandelt achtergrond, betekenis, onderzoeksgaps en bijdrage van de huidige studie. Sectie 2 bespreekt eerder werk over AI in EFL-leren, afhankelijkheid en FoMO, en synthetiseert belangrijke debatten. Sectie 3 beschrijft de methodologie, waaronder onderzoeksontwerp, waarbij enquêtes worden gecombineerd om waargenomen afhankelijkheid/FoMO te meten en experimentele taken om woordenschat te beoordelen. Sectie 4 presenteert de bevindingen, inclusief mediatie-/moderatie-analyses. Sectie 5 bespreekt implicaties voor theorie, pedagogiek en AI-ontwerp, terwijl sectie 6 afsluit met beperkingen en toekomstige richtingen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Deze studie werd uitgevoerd in overeenstemming met ethische richtlijnen voor onderzoek naar menselijke proefpersonen aan de Universiteit van Yangzhou. 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. De studie houdt zich aan ethische richtlijnen voor onderwijsonderzoek, waarbij anonimiteit van deelnemers en vrijwillige deelname worden gegarandeerd. Geïnformeerde toestemming werd elektronisch verkregen, met duidelijke informatie over het gebruik en de opslag van gegevens. Er werd geen persoonlijk identificeerbare informatie verzameld en antwoorden worden veilig opgeslagen op met wachtwoorden beveiligde servers. Deelnemers behouden het recht om zich op elk moment terug te trekken. Potentiële risico's (enquêtemoeheid) worden beperkt door het ontwerp van de vragenlijst en de bevindingen worden in geaggregeerde vorm gerapporteerd om individuele identificatie te voorkomen.
Literatuuroverzicht
Waargenomen AI-afhankelijkheid, vermeende AI-ethische zorgen en angst om iets te missen (FoMo)
De dynamische integratie van het gebruik van Kunstmatige Intelligentie (AI) in het onderwijs heeft een dramatisch nieuwe draai gegeven aan taalverwerven, vooral onder studenten van het Engels als vreemde taal (EFL)17. Intelligente bijlessystemen, automatische schrijfevaluatie en adaptieve leerplatforms zijn AI-gebaseerd en bieden een efficiënte en individueleleerervaring. Toch zijn er, naast deze technologische ontwikkeling, ook psychologische problemen geweest, zoals de verhoogde angst om iets te missen (FoMO), een vorm van sociale angst omdat mensen bang zijn dat ze niet worden opgenomen in plezierige activiteiten19. Volgens de onderzoeksresultaten kunnen de waargenomen AI-afhankelijkheid en de vermeende AI-ethische zorgen de FoMO-niveaus onder EFL-leerlingen versterken en hun interacties met AI-gebaseerd onderwijs in de toekomst veranderen.
Bovendien kunnen leerlingen, naarmate AI zijn plaats vindt in het taalonderwijsproces, afhankelijk worden van deze tools om hun grammatica en woordenschat te verbeteren en hun uitspraak teverbeteren. Deze afhankelijkheid kan psychologische druk veroorzaken, en studenten kunnen het gevoel hebben dat ze consequent AI-tools moeten gebruiken om academische achterstand te voorkomen. Onderzoeksresultaten over digitale afhankelijkheid leidden tot de conclusie dat overafhankelijkheid van technologie angst veroorzaakt vanwege de angst om geen toegang tot dergelijke apparatente hebben 21. Binnen het domein van EFL-leren kunnen studenten die geloven dat AI noodzakelijk is, FoMO ervaren omdat ze denken dat medestudenten meer van dergelijke technologieën benutten22. Het fenomeen is consistent met de sociale vergelijkingstheorie23, die stelt dat mensen hun voortgang vergelijken met die van anderen. Wanneer AI-ondersteund leren wordt gezien als een competitief signaal, kunnen studenten bang zijn academisch succes te missen, tenzij ze hun betrokkenheid bij het gebruik van dergelijke toolsmaximaal benutten. Daarnaast kan de voortdurende verbinding die door AI-tools wordt bevorderd de verschillen tussen onderwijs en entertainment vervormen, wat verslavend domesticerend gedrag verder versterkt en FoMO25 verder versterkt.
H1: Waargenomen AI-afhankelijkheid beïnvloedt positief de angst om iets te missen (FoMO) onder EFL-leerlingen.
H2: Waargenomen ethische AI-zorgen beïnvloeden de angst om iets te missen (FoMO) onder EFL-leerlingen positief.
Generatieve AI (gebruik van ChatGPT) en angst om iets te missen (FoMo)
De huidige toename van de populariteit van generatieve AI (ChatGPT) in het onderwijs heeft geleid tot nieuwe omstandigheden van psychologische ervaringen tijdens het leren van een taal 26,27. De studie heeft recent vastgesteld dat het gebruik van dergelijke geavanceerde AI-tools de emotionele toestand van de leerlingen aanzienlijk kan transformeren, met name de angst om iets te missen (FoMO)28. Hoe meer generatieve AI is geprogrammeerd om directe feedback te geven, leermateriaal te genereren en een gesprek te simuleren, hoe meer studenten angsten kunnen ontwikkelen en zich zorgen maken dat ze achterblijven als ze deze tools niet optimaal inzetten. Het proces suggereert een bredere trend van digitaal leren, waarbij technologische vooruitgang het niet alleen mogelijk maakt om meer te leren, maar ook leerervaringen blootstelt aan nieuwe niveaus van angst30.
De psychologische effecten van de generatieve AI-tools op taalleerders kunnen worden verklaard door te verwijzen naar de zelfbepalingstheorie, volgens welke competentie, autonomie en verwantschap fundamentele psychologische behoeften zijn14. In gevallen waarin studenten geloven dat hun medestudenten betere resultaten behalen met behulp van AI, wat wordt toegeschreven aan het niet aanpakken van FoMO31, wordt dit ook verergerd door bedreigingen voor hun competentie. Deze impact kan vooral ernstig zijn in uitdagende academische omgevingen, wanneer studenten hun voortgang en vaardighedenvergelijken 32. Bovendien kan de onbeperkte toegang tot generatieve AI-tools ook leiden tot het probleem van constant gebruik, omdat leerlingen vrezen achter te raken en aanzienlijke vooruitgang te verliezen.
FoMO komt ook tot uiting in de sociale dynamiek van AI-implementatie in leergemeenschappen33. Zodra generatieve AI genormaliseerd wordt in de onderwijsomgeving, zal het waarschijnlijk een gevoel van sociale druk creëren om zich aan te sluiten bij de nieuwe digitale praktijken die in deonderwijsomgeving worden aangemoedigd. Deze druk kan vooral groot zijn bij het leren van een vreemde taal, waarbij AI beschikbaar is om te helpen met schrijven, grammatica en communicatie zonder duidelijke inspanning vande leerling. Het idee om buitengesloten te worden in deze transformatie kan een motivatie zijn om dwangmatige gebruiksstrategieën toe te passen, zelfs onder leerlingen die anders meer geneigd zouden zijn om op meer conventionele manieren te leren36. Nieuwe studies benadrukken de noodzaak om het mediatie-effect van verschillende leerlingkenmerken op de relatie tussen generatief AI-gebruik en FoMO in meer detail te begrijpen. De antwoorden op deze vragen hangen af van factoren zoals het niveau van digitale geletterdheid en zelfregulatievaardigheden, en leermotivatie, die kunnen bepalen of AI-tools krachtige middelen zijn of de oorzaak van angst37. Op basis van bovenstaande literatuur wordt de volgende hypothese voorgesteld:
H3: Verhoogd gebruik van generatieve AI beïnvloedt positief de angst om iets te missen (FoMO) onder EFL-leerlingen.
Angst om iets te missen (FoMo), leesbegrip en woordenschatverwerving
Het psychologische concept van Fear of Missing Out (FoMO) is steeds invloedrijker geworden op leergedrag online, wat een complexe relatie tussen tweedetaalleren en academische uitkomsten benadrukt38. Recent onderzoek toont aan dat FoMO, afhankelijk van de taalleerdimensie39, een gedifferentieerd effect kan hebben op het leren van verschillende dimensies van taalverwerving, vooral op leesbegripen woordenschatverwerving. Deze afhankelijkheid lijkt gemotiveerd te zijn door cognitieve belasting41 en aandachtscontrolesystemen42, omdat personen met een hoge FoMO een uniek patroon van tekstuele interacties vertonen.
De empirische studies geven aan dat een matige mate van FoMO de betrokkenheid bij leesmateriaal verhoogt wanneer leerlingen vinden dat leesmateriaal sociaal en academisch waardevol is43. Overmatige indulgentie in FoMO wordt echter geassocieerd met onvolledig lezen en lage informatiediepe verwerking44, wat het begrip kan verslechteren. De sensatie lijkt vooral aanwezig te zijn in de digitale leesruimte, waar meldingen en het vasthouden van sociale media de aandacht tot45 verhogen. Binnen woordenschat verwerven is FoMO een complexere relatie; hoewel de blootstelling aan nieuwe lexicale items mogelijk wordt versterkt door verhoogde betrokkenheid46,47, wordt het vasthouden benadeeld door dwangmatig leergedrag.
Nieuw bewijs suggereert dat er culturele en individuele variatie is in deze relaties. Ter vergelijking: collectivistische leerlingen lijken vatbaarder te zijn voor de negatieve gevolgen van FoMO op leesbegrip48, wat mogelijk verband houdt met hun verhoogde neiging om sociaal te vergelijken49. Aan de andere kant hebben FoMO-ervaringen geen invloed op begrip en woordenschat bij leerlingen met hoge zelfregulatiestrategieën. Op basis van bovenstaande literatuur worden de volgende hypothesen voorgesteld:
H4: Angst om iets te missen (FoMO) beïnvloedt het leesbegrip negatief.
H5: Leesbegrip beïnvloedt de woordenschatverwerving positief.
Modererend effect van digitale burn-out in het leren
Digitale burn-out is een recent probleem met psychologische en sociale implicaties die de processen van taalverwervingbeïnvloeden 51,52. Emotioneel en cognitief uitputtend, miste ik tegelijkertijd motivatie door een breed scala aan door technologie gemedieerd academisch leren. Digitale burn-out had een negatieve invloed op de noodzakelijke cognitieve capaciteiten die gebruikt worden om taal te verwerken53. Actieve neurocognitieve studies tonen aan dat beroepsmatige burn-out vermoeidheid veroorzaakt, wat de werkgeheugencapaciteitbelemmert 54, een belangrijk onderdeel van zowel woordgeheugen als lezen55. Deze mentale vermoeidheid kan de oorzaak zijn van het nieuwe bewijs van zwakke semantische codering bij digitaal opgebrande leerlingen wanneer zij worden gevraagd woordenschat leeropdrachten uit te voeren56.
Digitale burn-out manifesteert zich uniek in EFL-contexten vanwege de specifieke cognitieve en affectieve eisen van taalverwerving. In tegenstelling tot algemene academische burnout wordt digitale burnout in EFL verergerd door de constante cognitieve belasting van het verwerken van onbekende fonologie, syntaxis en semantiek via digitale interfaces, wat het werkgeheugen ernstiger kan overweldigen dan inhoudelijk leren57. Bovendien wordt het affectieve filter versterkt door het performatieve karakter van taaltraining op AI-platforms, waar leerlingen angst kunnen ervaren door directe, algoritmegestuurde correcties en de druk om native like proficiency58 te bereiken. Deze combinatie van verhoogde cognitieve belasting en unieke sociaal-affectieve druk in digitaal gemedieerde taalomgevingen creëert een specifiek burn-outprofiel dat direct de genuanceerde processen van woordenschat coderen en leesbegripbelemmert.
Digitale burn-out en leesbegrip tonen zeer subtiele relaties in de ontwikkeling van woordenschat. Hoewel incidentele woordenschat waarschijnlijk wordt verkregen door contextuele inferentie wanneer leerlingen sterke leesvaardigheden hebben60, neemt de positieve correlatie tussen woordenschat en leesprestaties af bij studenten met een hoge burn-out61. Oogvolgmetingen geven aan dat verbal senescence-leerlingen ook minder fixatietijden vertonen op nieuwe lexicale objecten tijdens reading62, wat wijst op een afname van mentale concentratie van woordenrijke achtergronden. Dit lijkt op de aandachtscontroletheorie, die stelt dat cognitieve vermoeidheid de vaardigheden van de executieve functies beïnvloedt die betrokken zijn bij gelijktijdig begrip en lexicale verwerking. Het is heel goed mogelijk op te merken dat de moderatieve rol van digitale burn-out alleen zichtbaar is bij individuele verschillen in zelfregulatie en het ontwerp van leeromgevingen63. Veerkrachtig zijn tegen de nadelige effecten van burn-out wordt ook geïllustreerd door leerlingen met hoogpresterende metacognitieve strategieën, omdat zij een voordeel in woordenschat behouden, zelfs bij begripsproblemen. Op basis van bovenstaande literatuur worden de volgende hypothesen voorgesteld:
H6: Digitale burn-out in leren beïnvloedt de woordenschatverwerving negatief.
H7: Digitale burnout in leren matigt de relatie tussen leesbegrip en woordenschatverwerving negatief, zodat een hogere burn-out het positieve effect van begrip op woordenschatwinst verzwakt.
Mediërend effect van angst om iets te missen (FoMo)
De introductie van kunstmatige intelligentie in het onderwijs heeft ingewikkelde psychologische systemen toegevoegd die de resultaten van leesbegripbepalen. De opkomende gegevens geven aan dat Fear of Missing Out (FoMO) een essentiële bemiddelaar is van het verband tussen de betrokkenheid van leerlingen bij AI-technologieën en hun leesprestatie65. De rol van dit bemiddelingseffect lijkt vooral prominent in omgevingen waar AI-tools worden gepromoot als middel om efficiënter leren mogelijk te maken, waardoor psychologische druk wordt veroorzaakt die hoger-ordedenken kan belemmeren. Om te waarborgen dat autonome leerangsten niet ontstaan doordat leerlingen een irrationele afhankelijkheid van AI-ondersteuninginzien, richten recente studies zich op het bepalen hoe waargenomen AI-afhankelijkheidsniveaus de ontwikkeling van angst over autonome leercapaciteitenbeïnvloeden. Deze angst wordt omgezet in FoMO wanneer studenten nadenken over wat ze niet kunnen doen in vergelijking met door kunstmatige intelligentie verbeterde resultaten69, en toont een neiging om cognitieve middelen weg te halen van diepgaande begripstappen.
Ethische kwesties met betrekking tot de toepassing van AI komen overeen met de FoMO-routes, en leerlingen die met morele conflicten te maken krijgen door het gebruik van AI tonen verhoogde waakzaamheid ten opzichte van de acties van hun leeftijdsgenoten, wat helpt om een aandachtsscheiding te vormen tussen ethiek en leesbegrip70. Dit komt tot uiting in oogvolgingsstudies waarbij de lezer meer regressieve oogbewegingen maakt bij het lezenvan 65. Het bemiddelingseffect lijkt vooral sterk te zijn wanneer de ethische kwesties niet zijn opgehelderd, waardoor er een aanhoudende cognitieve last ontstaat die het lezenbelemmert 71. Generatieve AI-tools creëren nieuwe soorten mediatie met de mogelijkheid om in vrijwel een oogwenk output te genereren. Op basis van bovenstaande literatuur worden de volgende hypothesen voorgesteld:
H8: Angst om iets te missen (FoMO) bemiddelt de relatie tussen waargenomen AI-afhankelijkheid en leesbegrip
H9: Angst om iets te missen (FoMO) bemiddelt de relatie tussen vermeende AI-ethische zorgen en leesbegrip
H10: Angst om iets te missen (FoMO) bemiddelt de relatie tussen het gebruik van generatieve AI en leesbegrip
Theoretisch kader
Deze studie wordt voornamelijk geleid door de Zelfbepalingstheorie (SDT)12, die een samenhangend kader biedt om te begrijpen hoe AI-tools de fundamentele psychologische behoeften beïnvloeden die ten grondslag liggen aan de motivatie en cognitieve betrokkenheid van leerlingen. Volgens het model brengt Waargenomen AI-afhankelijkheid direct het gevaar voor de primaire SDT-behoeften aan autonomie en competentie en kan het de intrinsieke motivatie om de taal te leren ondermijnen door overmatige afhankelijkheid van externe regulering van het bereiken van doelen zoals leesbegrip en woordenschatverwerving. In deze context wordt Angst om iets te missen (FoMO) begrepen binnen het kader van verwantschap, dat wordt beschreven door de secundaire Sociale Vergelijkingstheorie72. De sociale norm die onder leeftijdsgenoten is ontstaan door het uitgebreide gebruik van AI veroorzaakt een FoMO-toestand, wat leidt tot angst om iets te missen, wat vervolgens de afhankelijkheid vergroot en de motivatie om zelfstandig te leren nog verder verlaagt.
Deze motiverende dynamiek wordt verklaard door de cognitieve uitkomsten zoals beschreven in de Cognitive Load Theory (CLT)73. Hoewel generatieve AI het leren kan verbeteren door de overbodige cognitieve belasting te minimaliseren (bijvoorbeeld via directe definitie), kan te veel afhankelijkheid hiervan contraproductief zijn om woordenschat te verwerven door de relevante cognitieve belasting te verminderen die nodig is om het lexicon diep te coderen en op te slaan in het langetermijngeheugen. Dit wordt verder verergerd door de situatie van Digitale Burnout, die een uitputting van cognitieve middelen vormt en de koppeling tussen begrip en leren ondermijnt. SDT biedt op zijn beurt een algemene verklaring van de motiverende routes, CLT werkt de daaropvolgende cognitieve processen uit en beschrijft de Social Comparison Theory de daaropvolgende sociaal-affectieve stimulus (FoMO), die samen een samengestelde verklaring vormen van AI-duale invloed op taalverwerven.
Onderzoeksontwerp
Deze studie hanteert een kwantitatief empirisch onderzoeksontwerp om de relaties te onderzoeken tussen AI-gerelateerde factoren (waargenomen afhankelijkheid, ethische zorgen, generatief AI-gebruik), angst om iets te missen (FoMO), digitale burn-out en taalleerresultaten (leesbegrip en woordenschatverwerving). Er wordt een op dwarsdoorsnede, gebaseerd op enquêtes toegepast, waarmee gegevens op één moment verzameld kunnen worden om correlaties en effecten van bemiddeling/moderatie te beoordelen. Het ontwerp is bijzonder geschikt voor het testen van het voorgestelde theoretische model, omdat het het gebruik van structurele vergelijkingsmodellering (SEM) mogelijk maakt om complexe relaties tussen latente constructies te analyseren.
Populatie en steekproef
De doelgroep bestaat uit EFL-leerlingen aan Chinese universiteiten, een context waarin AI-ondersteunde taalleertools steeds meer worden geïntegreerd in het curriculum. Een gemakssteekproeftechniek werd gebruikt om 465 deelnemers te werven, waarbij de steekproefgrootte werd bepaald via a priori power-analyse met G*Power 3.174. Voor de geplande meervoudige regressieanalyses (α = 0,05, power = 0,95, medium effect size f² = 0,15) gaf de analyse een minimaal vereiste steekproefgrootte van 166 deelnemers aan, waarmee werd bevestigd dat onze steekproef van 465 voldoende statistische kracht biedt. De steekproefgrootte is ook voldoende om SEM-analyse uit te voeren, en volgt de eis van PLS-SEM, die aangeeft dat het minimale aantal steekproefpunten 10 keer het maximale aantal structurele paden naar een construct in model75 moet zijn. De steekproeven worden gerekruteerd met behulp van de steekproef-eenheden van verschillende universiteiten in diverse geografische regio's van China om hoge resultaten te behalen op het gebied van generaliseerbaarheid. Daarentegen zullen de demografische variabelen (leeftijd van de kandidaat, geslacht, het niveau van Engelse taalkunde en de frequentie van het gebruik van AI-tools) worden geregistreerd en gebruikt als controle-elementen in toekomstige studies.
Om de analytische integriteit van onze bevindingen te waarborgen, zijn er gedurende het hele dataverzamelings- en voorbereidingsproces meerdere kwaliteitscontrolemaatregelen ingevoerd. De eerste verdeling van de enquête leverde een responspercentage van 87% op. Na gegevensverzameling werden strenge screeningsprocedures toegepast: onvolledige enquêtes met meer dan 10% ontbrekende gegevens werden lijstelijk uitgesloten, en eventuele resterende sporadische ontbrekende waarden op itemniveau werden aangepakt met behulp van het Expectation-Maximization-imputatie-algoritme in SPSS om statistische kracht te behouden en bias te minimaliseren. Daarnaast identificeerden en faciliteerden ingebedde aandachtsvragen het verwijderen van onoplettende respondenten. Deze uitgebreide procedures, gecombineerd met screening op multivariate uitschieters, zorgden ervoor dat de uiteindelijke analytische dataset (N=450) voldeed aan hoge betrouwbaarheidsnormen voor latere structurele vergelijkingsmodellering.
Gegevensverzamelingsprocedure
De gegevens werden verzameld via een gemengde aanpak, waarbij zowel online als op locatie methoden werden gebruikt om deelname en toegankelijkheid te maximaliseren. Het onderzoeksteam werkte samen met cursusdocenten van de beoogde universiteiten, die de unieke enquêtelink rechtstreeks aan studenten verspreidden via officiële WeChat-klasgroepen. Deze methode maakte gebruik van vertrouwde kanalen om de responspercentages te verbeteren. Voor het verzamelen van gegevens ter plaatse bezochten de hoofdonderzoeker en getrainde assistenten tijdens geplande sessies aangewezen klaslokalen. Na een korte introductie van de studie verspreidden zij de papieren enquêtepakketten. De procedure voor het verkrijgen van geïnformeerde toestemming werd afgestemd op elke modus. In de online versie kregen deelnemers op de eerste pagina een digitaal toestemmingsformulier te zien. Ze moesten "Ik heb bovenstaande informatie gelezen en begrepen, en ik stem vrijwillig in om deel te nemen" selecteren voordat de vragenlijstitems werden geactiveerd. Voor deelnemers ter plaatse werd een gedetailleerd informatieblad aan het enquêtepakket toegevoegd, en schriftelijke toestemming werd verkregen door deelnemers een fysiek toestemmingsformulier te laten ondertekenen voordat de vragenlijst werd ontvangen. De volledige vragenlijst is ontworpen om binnen 15-20 minuten ingevuld te worden om vermoeidheid van respondenten te minimaliseren. Om de kwaliteit van de gegevens te waarborgen, werden twee aandachtscontrole-items ("Selecteer 'Sterk oneens' voor deze uitspraak") in de enquête opgenomen. Onvolledige inzendingen met meer dan 10% ontbrekende gegevens en die niet aan de aandachtscontroles voldoen, werden automatisch door het systeem gemarkeerd en vervolgens uitgesloten. De gegevensverzamelingsperiode besloeg vier weken, waarin twee herinneringsberichten via de eerste distributiekanalen werden verzonden. Na de verzameling onderging de dataset een rigoureus schoonmaakproces, inclusief controles op ontbrekende waarden, univariate en multivariate uitschieters en schendingen van normaliteitsaannames, voorafgaand aan statistische analyse.
Metingen en schaalaanpassing
Waargenomen AI-afhankelijkheid
De waargenomen AI-afhankelijkheid werd gemeten met een schaal van 5 items, aangepast van Morales-García et al.76. De schaal meet hoe afhankelijk mensen zijn van kunstmatige intelligentie in hun dagelijkse activiteiten en het besluitvormingsproces. De items weerspiegelen verschillende facetten van afhankelijkheid, waaronder de waargenomen noodzaak om AI-tools efficiënt te gebruiken en het onvermogen om zonder AI-ondersteuning te werken.
Waargenomen AI-ethische zorgen
Ethische zorgen werden beoordeeld met behulp van een multidimensionale schaal ontwikkeld door Kim en Ko77. Om de validiteit en relevantie voor een EFL-populatie te versterken, werden de vier dimensies van de schaal binnen de specifieke context van AI-gedreven taalverwerving. Deze schaal bestaat uit vier kritieke dimensies: transparantie (8 items), eerlijkheid (5 items), veiligheid (5 items) en verantwoordelijkheid (8 items). Elke dimensie evalueert verschillende ethische uitdagingen, zoals de duidelijkheid van AI-besluitvormingsprocessen, biases in AI-algoritmen, risico's die samenhangen met AI-gebruik en verantwoordelijkheid bij AI-implementatie. Deze gerichte operationalisering zorgt ervoor dat de items direct aansluiten bij de ethische dilemma's waarmee EFL-leerlingen waarschijnlijk te maken krijgen.
Gebruik van generatieve AI
Het gebruik van generatieve AI werd geoperationaliseerd met behulp van een schaal van 8 items uit Abbas et al.78. Deze schaal meet het niveau en de regelmaat van het gebruik van generatieve AI-modellen, waaronder tekst- en beeldverwerkingsapparaten. De producten onderzoeken verschillende toepassingen, zoals academische, professionele en persoonlijke toepassingen, en helpen te begrijpen hoe mensen ze in hun leven integreren en gebruiken. Deze allesomvattende aanpak stelt ons in staat de holistische integratie van generatieve AI in het ecosysteem van de lerenden vast te leggen, wat een vereiste is om de bredere psychologische en cognitieve effecten ervan te begrijpen.
Angst om iets te missen (FoMO)
Fear of Missing Out werd gemeten met de schaal van 17 items door Mazlum en Atalay79. Deze schaal werd gekozen vanwege de genuanceerde beoordeling van de angst die leeftijdsgenoten ervaren bij belonende ervaringen waarbij men afwezig is. Het is bijzonder geschikt voor deze studie omdat het elementen vastlegt die zeer relevant zijn voor digitaal gemedieerde leeromgevingen, waaronder de dwangmatige behoefte om online verbonden te blijven en de angst om superieure leerstrategieën, middelen of peer-ontwikkelingen te missen die door AI mogelijk worden gemaakt, waardoor AI-gebruik direct wordt gekoppeld aan psychosociale angst.
Leesbegrip
Leesbegrip werd gemeten met leesstrategieën aangepast van Mokhtari et al.80, die drie dimensies omvat: Global Reading Strategies 5 items, Problem-Solving Strategies 5 items en Support Reading Strategies 5 items. Deze schaal evalueert hoe individuen geschreven materiaal benaderen en begrijpen, met de nadruk op hun vermogen om informatie te synthetiseren, begripsproblemen op te lossen en externe hulpmiddelen te gebruiken om het begrip te vergroten.
Digitale burn-out in leren
Digitale burnout in leren werd gemeten met een schaal aangepast van Erten en Özdemir81, bestaande uit drie dimensies: Digitale Veroudering (12 items), Digitale Ontbering (6 items) en Emotionele Uitputting (6 items). Deze schaal beoordeelt de negatieve psychologische effecten van langdurige digitale betrokkenheid, waaronder vermoeidheid door overmatige schermtijd, gevoelens van ontkoppeling en mentale uitputting door online leerbehoeften.
Woordenschatverwerving
De woordenschat werd geëvalueerd met een schaal van 4 items van Li et al.82. De schaal wordt gebruikt om de effectiviteit van woordenschatleerstrategieën te meten in hoe mensen nieuwe woorden omarmen, onthouden en gebruiken in verschillende contexten. Het materiaal beoordeelt zelfgerapporteerde competentie en vertrouwen in het gebruik van woordenschat.
Plan voor gegevensanalyse
De studie hanteert een uitgebreide, tweefasige analytische strategie om de veronderstelde relaties grondig te onderzoeken. Initiële datascreening en voorlopige analyses worden uitgevoerd met SPSS 28, met de nadruk op beschrijvende statistieken om dataverdelingen te beoordelen, schaalbetrouwbaarheidsanalyses (Cronbach's alfa) en bivariate correlaties om voorlopige verbanden tussen belangrijke constructies te onderzoeken. Alle items op Likert-schaal werden gecodeerd op een 5-punts intervalschaal (1=Sterk Oneens tot 5=Sterk Eens). Deze fundamentele analyse zorgt voor datakwaliteit en biedt essentiële inzichten in de basiskenmerken van de dataset voordat wordt overgestapt op complexere modellering. Voor de primaire analyse wordt SmartPLS 4 gebruikt om Partial Least Squares Structural Equation Modeling (PLS-SEM) te implementeren, geselecteerd vanwege de robuuste omgang met complexe voorspellende modellen met latente variabelen83. De analyse begint met een grondige evaluatie van het meetmodel, waarbij bevestigende factoranalyse de psychometrische eigenschappen van de schalen vaststelt. Belangrijke beoordelingen omvatten tests van interne consistentie (samengestelde betrouwbaarheid), convergente validiteit (gemiddelde variantie extraherd) en discriminantvaliditeit (Fornell-Larcker-criterium en heterotrait-monotrait ratio). Deze stappen zorgen ervoor dat de constructen zowel theoretisch correct als empirisch verschillend zijn.
Vervolgens wordt het structurele model onderzocht om de veronderstelde relaties tussen constructen te testen. Padcoëfficiënten worden geanalyseerd op hun grootte, richting en statistische significantie, terwijl effectgroottes (f²) worden berekend om de substantiële impact te beoordelen. De voorspellende relevantie van het model wordt geëvalueerd met behulp van de Stone-Geisser Q²-statistiek, met blinddoekprocedures om het vermogen van het model om endogene variabelen te voorspellen te valideren. Voor mediatie-analyses maakt de studie gebruik van de Preacher andHayes 84, bootstrapping-benadering, die robuuste betrouwbaarheidsintervallen biedt voor indirecte effecten terwijl er rekening wordt gehouden met mogelijke verstorende variabelen. Moderatie-effecten worden getest aan de hand van interactietermen die zijn gemaakt met de PLS-productindicatormethode, waarbij eenvoudige hellingsanalyse wordt uitgevoerd om significante interactie-effecten te interpreteren. Alle analyses gebruiken 5.000 bootstrap-monsters om stabiele schattingen te genereren en de robuustheid van de bevindingen te waarborgen.
Voor de primaire analyse wordt SmartPLS 4 gebruikt om Partial Least Squares Structural Equation Modeling (PLS-SEM) te implementeren, geselecteerd vanwege de robuuste omgang met complexe voorspellende modellen met latente variabelen83. De keuze voor PLS-SEM boven covariantiegebaseerd SEM (CB-SEM) wordt gerechtvaardigd door het primaire doel van de studie om endogene variabelen te voorspellen (woordenschatverwerving) en het complexe model met mediaterende en modererende mechanismen85. Bovendien heeft PLS-SEM de voorkeur boven meervoudige regressie omdat het gelijktijdig de relaties tussen alle latente constructies binnen het gehele model schat, rekening houdend met meetfouten. Hoewel experimentele ontwerpen sterke causale inferentie bieden, is het dwarsdoorsnedekarakter van deze studie bedoeld om voorspellende relaties vast te stellen in een leercontext in de echte wereld, waarvoor PLS-SEM goed geschikt is86. Tot slot zijn deze studie voor de data-analyse en de bevindingen van deze studie te zien in de onderstaande sectie Resultaten.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Beschrijvende statistieken
De beschrijvende statistieken bieden een overzicht van de belangrijke variabelen in deze studie, namelijk waargenomen AI-afhankelijkheid, ethische zorgen en generatief AI-gebruik, angst om iets te missen (FoMO), leesbegrip, digitale burn-out en woordenschatverwerving. De analyse zal centrale tendensen, verspreiding en distributiekenmerken van de data laten zien, wat inzicht geeft in de interesse van deelnemers in AI-technologieën en de psychologische en redenerende resultate...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De huidige studie onderzocht de complexe wisselwerking tussen AI-gerelateerde factoren, psychologische toestanden en leerresultaten onder EFL-leerlingen, en leverde verschillende belangrijke bevindingen op. Onze methodologische benadering, met name het gebruik van PLS-SEM, was cruciaal voor het modelleren van deze complexe relaties. In tegenstelling tot covariantie-gebaseerde SEM (CB-SEM), dat beter geschikt is voor theoriebevestiging, maakten de voorspellende oriëntatie van PLS-SEM en h...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Alle auteurs geven geen belangenconflicten op.
Dit onderzoek wordt gefinancierd door het Jiangsu Provincial Social Science Fund, subsidienummer: (23YYB011). Dit werk werd ondersteund door de Prince Sultan University onder het Language and Communication Research Laboratory met subsidie RL-CH-2019/9/1.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Laptop Computer | Dell Technologies | N/A | Gebazig voor gegevensverwerking en documentatie |
| Statistisch Software (SPSS) | IBM Corp. | Versie 26.0 | Gebazig voor statistische analyse |
| Microsoft Excel | Microsoft | Office 365 | Gegevensinvoer en basisgegevensverwerking |
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken
Toestemming aanvragen