Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Onderzoeksartikel

Hoe digitaal welzijn en generatieve AI academisch succes en duurzame ontwikkelingsdoelen van studenten bereiken

745 weergaven

⸱

DOI:

10.3791/70211

⸱

27 februari 2026

1Xuzhou Kindergarten Teachers College

In dit artikel

Samenvatting

Deze studie toont aan dat digitaal welzijn en generatieve AI het Engels als vreemde taal versterken, wat leidt tot betere academische prestaties. Hogere prestaties vergroten het bewustzijn van duurzame ontwikkelingsdoelen, waardoor onderwijstechnologie wordt gekoppeld aan zowel academische als duurzaamheidsresultaten.

Samenvatting

Deze studie onderzoekt hoe digitaal welzijn en generatieve AI-adoptie bijdragen aan het academische succes en de betrokkenheid van Engels als vreemde taal (EFL) studenten bij de Duurzame Ontwikkelingsdoelen (SDG's). Met behulp van een kwantitatief cross-sectioneel ontwerp werden gegevens verzameld van 440 deelnemers via gevalideerde schalen die digitaal welzijn, AI-gebruik, leerbetrokkenheid, academische prestaties en SDG-bewustzijn meten. Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) werd gebruikt om de relaties tussen deze constructen te analyseren en tegelijkertijd de voorspellende validiteit en robuustheid van het model te beoordelen. De bevindingen tonen aan dat zowel digitaal welzijn als generatieve AI de betrokkenheid bij EFL-leren aanzienlijk vergroten, wat op zijn beurt academisch succes stimuleert. Bovendien beïnvloedt academische prestaties het SDG-bewustzijn van studenten positief, wat de onderlinge verbondenheid van digitaal onderwijs en duurzaamheidsresultaten benadrukt. De studie identificeert leerbetrokkenheid als een cruciale bemiddelaar tussen technologie-ondersteund leren en academische prestaties. Deze resultaten benadrukken het belang van het integreren van digitale welzijnsstrategieën en AI-geletterdheid in onderwijskaders om zowel schoolprestaties als wereldburgerschap te bevorderen. Deze worden bereikt door curricula en pedagogieken te ontwerpen die studenten tegelijkertijd leren hun digitale leven te beheren voor effectief leren, en hen in staat stellen geavanceerde technologieën te benutten en te bekritiseren om de meest urgente uitdagingen van de wereld te begrijpen en eraan te handelen.

Inleiding

In een tijdperk dat wordt gekenmerkt door snelle technologische vooruitgang, is de integratie van digitaal welzijn en generatieve kunstmatige intelligentie (GAI) in het onderwijs uitgegroeid tot een transformerende kracht met verstrekkende gevolgen voor de academische prestaties van studenten en de Duurzame Ontwikkelingsdoelen (SDG's) van de Verenigde Naties. Terwijl digitaal welzijn zich richt op het bevorderen van gezond technologiegebruik om cognitief en emotioneel evenwicht te verbeteren, introduceert GAI ongekende mogelijkheden voor gepersonaliseerd leren2, toegankelijkheid en onderwijsefficiëntie3. Desalniettemin, hoewel er wereldwijd een groeiende interesse is in deze gebieden, is de bestaande kennisbasis verspreid, met weinig aandacht voor de toekomstige belofte in hun synergieën voor academisch succes en het bevorderen van wereldwijde duurzaamheidsmijlpalen4. Dit onderzoek helpt deze broodnodige kloof te vullen door specifiek te onderzoeken hoe verantwoord gebruik van GAI, geïnformeerd door principes van digitaal welzijn, leerresultaten kan maximaliseren maar tegelijkertijd belangrijke SDG's kan ondersteunen, met name SDG 4 (Kwaliteitsonderwijs), SDG 3 (Goede Gezondheid en Welzijn) en SDG 10 (Verminderde Ongelijkheden).

Een overzicht van de huidige literatuur onthult verschillende onderbelichte dimensies. Ten eerste, hoewel studies over digitaal welzijn de risico's van overmatige schermtijd, digitale afleiding en mentale gezondheidsproblemen onder studentenbenadrukken, hebben weinig onderzocht hoe gestructureerde digitale mindfulness-praktijken kunnen samenleven met AI-gedreven leermiddelen6. Ten tweede benadrukt onderzoek naar GAI in het onderwijs vooral de efficiëntie ervan in het automatiseren van toetsen, het genereren van inhoud en het mogelijk maken van adaptief leren7, maar negeert het de psychologische en gedragsmatige effecten op het welzijn van leerlingen8. Ten derde, hoewel het SDG-kader pleit voor inclusief en rechtvaardig onderwijs, is er minimale aandacht besteed aan hoe door AI verbeterde leeromgevingen, wanneer ontworpen met het oog op welzijn, onderwijsverschillen kunnen verminderen en duurzame leerpraktijken kunnen bevorderen9. Deze hiaten onderstrepen de noodzaak van een integratieve aanpak die technologische innovatie harmonieert met mensgerichte welzijnsstrategieën.

Deze studie pakt deze beperkingen aan door een nieuw kader voor te stellen dat principes van digitaal welzijn afstemt op GAI-toepassingen in het onderwijs. In tegenstelling tot een eerdere studie10, die deze begrippen onafhankelijk analyseerde, beschouwt onze studie hun dynamiek als zodanig, en presenteert daarmee empirisch bewijs van hoe dergelijke AI moreel kan worden geïmplementeerd om de focus van studenten, motivatie en langdurige academische prestaties te ondersteunen in plaats van te ondermijnen. Op deze manier zal het huidige manuscript bijdragen aan de verdere discussies op het gebied van onderwijstechnologie, psychologie en duurzaamheidswetenschap, en een huidige variant bieden die een groot aantal lezers, onderzoekers, beleidsmakers en docenten zal interesseren die op bewijs gebaseerde benaderingen willen vinden om de juiste balans te vinden tussen de focus op de integratie van technologieën en duurzaam, Holistische ontwikkeling van leerlingen en leerlingen.

De theoretische bijdragen van dit onderzoek zijn drievoudig. Ten eerste bevordert het het discours over digitaal welzijn door een nieuwe dimensie van door AI gemedieerd welzijn te introduceren, die onderzoekt hoe generatieve AI kan worden gekalibreerd om cognitieve overbelasting te minimaliseren en mindfulengagement te bevorderen. Ten tweede bouwt het voort op de literatuur over AI in het onderwijs, omdat het welzijn als essentieel ontwerpkenmerk integreert, waardoor de bestaande efficiëntie-gedreven discoursen worden verstoord12. Ten derde verbetert het de kwaliteit van de SDG-beurs door te laten zien hoe geüpdatete onderwijssystemen via AI drijfveren kunnen worden van duurzame ontwikkeling, vooral bij het dichten van digitale kloof en het waarborgen dat leerlingen mentaal veerkrachtig worden. Deze innovaties van de theoreticus plaatsten ons onderzoek in de avant-garde van interdisciplinaire studies en boden een perspectief op de huidige onderlinge afhankelijkheid van technologie, onderwijs en duurzaamheid op wereldschaal. Academisch gezien biedt de studie een holistisch kader van hoe het mogelijk is om het dubbele resultaat van GAI en digitaal welzijn op leerresultaten te beoordelen aan de hand van empirische gegevens13. Onder de beleidsmakers worden praktische aanbevelingen gegeven over hoe het gebruik van AI in het onderwijs op een ethische manier kan worden geregeld, waarbij de veiligheid van leerlingen14 wordt beschermd. Aan docenten toont het evidence-based methoden om het AI-instrument te implementeren die de effectiviteit van pedagogiek15 kunnen ondersteunen, maar niet schenden. Daarnaast geeft de verbinding tussen deze resultaten en de SDG's een groter beeld van de algehele implicaties van technologisch geavanceerd onderwijs in de samenleving, wat de reden is waarom digitale pioniersinitiatieven in lijn moeten zijn met duurzame menselijke ontwikkeling.

De opkomst van snel verspreidende digitale technologieën en generatieve kunstmatige intelligentie (AI) in het onderwijs wekte een enorme intellectuele interesse op hun gecombineerde effect op het academische prestatieniveau van studenten en het behalen van de hele reeks maatschappelijke doelstellingen, waaronder Duurzame Ontwikkelingsdoelstelling16. Hoewel deze technologische ontwikkelingen een revolutionair potentieel hebben, zijn de toepassingen van dergelijke technologieën in pedagogische omgevingen een rijk veld van polariteiten en controversiële logistiek, waar bestaande studies kritisch moeten worden gesynthetiseerd om de inzichten en beperkingen van de komende studies te definiëren17. Deze literatuurstudie zal de inzichten van drie gerelateerde vakgebieden bespreken: (1) digitaal welzijn en de educatieve implicaties daarvan, (2) generatieve AI en de invloed ervan op onderwijspraktijk, en (3) de compatibiliteit van de gegeven technologische interventies met SDG's, specifiek die welke betrekking hebben op kwaliteitsonderwijs, gezondheid en gelijkheid. Digitaal welzijn is uitgegroeid tot een cruciaal studiegebied in steeds meer technologie-onderdompelde leeromgevingen18. Hoewel onderzoek risico's benadrukt zoals cognitieve overbelasting, digitale afleiding en passief gebruik dat samenhangt met overmatig gebruik van schermen, groeit het besef van het potentieel om deze effecten te beperken19. Strategische interventies zoals digitale mindfulness, bewust gebruik van technologie en metacognitieve reflectie kunnen betekenisvolle betrokkenheid bevorderen en de mentale en emotionele gezondheid beschermen. Belangrijk is dat digitaal welzijn verder gaat dan het minimaliseren van schermtijd; Het houdt in dat je een evenwichtige, zelfbepaalde relatie met technologiecultivert. Dit perspectief is vooral relevant in AI-versterkte leercontexten, waar ethische uitdagingen zoals algoritmische vooringenomenheid en overmatige afhankelijkheid van automatisering direct invloed kunnen hebben op het gevoel van competentie, autonomievan studenten en verbondenheid, kernbehoeften die essentieel zijn voor motivatie enwelzijn. Het overbruggen van deze kloof vereist een kader dat niet alleen de risico's van digitale interactie aanpakt, maar ook proactief welzijnsprincipes integreert in het ontwerp en gebruik van generatieve AI-tools in het onderwijs.

Met de nieuwheid van generatieve AI, die mensachtige tekst, foto's en spellen creëert die reageren op acties, is ereen nieuw domein van mogelijkheden voor gepersonaliseerd en adaptief leren ontstaan. Onderzoek heeft bevestigd dat het effectief is in de automatisering van administratieve processen, het creëren van gepersonaliseerde leermiddelen, het geven van realtime feedback en het verbeteren van zowel efficiëntie als toegankelijkheid van instructies24. Als voorbeeld zijn AI-gebaseerde tools zoals Intelligent Tutoring Systems en ChatGPT aangetoond dat ze gedifferentieerde instructiemogelijk maken. Dat gezegd hebbende, zijn er ook ethische en psychologische implicaties van het pedagogisch gebruik van generatieve AI, zoals het probleem van academische integriteit, vooringenomenheid in het algoritme en de mogelijkheid dat studenten hun kritisch denkvermogen verliezen als ze te veel vertrouwen op AI-gegenereerde werken26. Hoewel het huidige onderzoek enorme hoeveelheden informatie biedt over de functionerende capaciteiten van AI in het onderwijs, wordt de psychologische en gedragsmatige gevolgen voor studenten niet onderzocht, vooral als het gaat om digitaal welzijn27. Deze tekortkoming wijst op de noodzaak van een nadere blik op de manieren waarop generatieve AI kan worden ingezet om het cognitieve en emotionele welzijn van studenten te bevorderen in plaats van hente schaden 28. De combinatie van digitaal welzijn en generatieve AI krijgt ook een nieuwe betekenis wanneer deze wordt gefilterd door de bril van de SDG's, waarmee de wereld een wereldwijde roeping voor rechtvaardige en duurzame ontwikkeling heeft ontwikkeld. SDG 4 (Kwaliteitsonderwijs) vereist op zijn beurt gelijke en inclusieve toegang tot leermogelijkheden29. Op dezelfde manier benadrukken SDG 3 (Goede Gezondheid en Welzijn) en SDG 10 (Verminderde Ongelijkheden) de noodzaak om voor geestelijke gezondheid te zorgen en sociale gelijkheid te bevorderen, die beide verband houden met digitale ervaringen vanstudenten van 30 jaar. AI en SDG's worden momenteel echter op een techno-positivistische manier besproken, waarbij de schaalbaarheid van AI-interventies wordt geprezen en psychosociale aspecten van technologiegebruik wordt genegeerd31. Ter illustratie: hoewel AI de leerervaring van achtergestelde bevolkingsgroepen kan personaliseren, ontbreekt de implementatie aan bescherming van het welzijn, wat digitale vermoeidheid kan vergroten en de ongelijkheidskloof tussen studenten met verschillende toegang tot technologie en zelfregulatie kan vergroten32. De spanning tussen innovatie en welzijn draagt eraan toe dat deze literatuurkloof van vitaal belang is, het bestaan van een consistent, coherent kader om AI-gedreven onderwijsvooruitgang te combineren met de humanistische idealen van de SDG's33.

Onderwijspsychologie, mens-computerinteractie en duurzaamheidsstudies zijn enkele van de theoretische benaderingen die nuttige lenzen kunnen bieden om deze twee verschillende onderzoekslijnen te overbruggen. Een voorbeeld van zo'n theorie is de zelfbepalingstheorie (SDT), volgens welke gezond leren en welzijn kunnen worden bereikt wanneer mensen de voldoening ervaren van autonomie, competentie en verbondenheid34. Wanneer toegepast op digitale omgevingen, impliceert SDT dat generatieve AI zowel de autonomie kan vergroten via op maat gemaakte leerprogramma's als competentie dankzij de aanpasbaarheid van feedback, maar ook moet worden ontworpen om verwantschap te ondersteunen door sociale ontheemding35 te overstijgen. Evenzo biedt het begrip digitale balans, de situatie waarin het gebruik van technologie zowel individueel als collectief welzijn overeenkomt, een normatieve basis voor het beoordelen van de rol van AI in het onderwijs36. Desalniettemin zijn deze theoretische constructies zelden verwerkt in empirische analyses van AI-ondersteunde leeromgevingen, wat vragen oproept over hoe het mogelijk is om AI-systemen te ontwerpen die inherent gericht zijn op digitaal welzijn37. Een kritische literatuuroverzicht toont aan dat er enkele onopgeloste spanningen en gebieden van toekomstige ontwikkelingzijn 38. Om te beginnen, hoewel het onderwerp van digitaal welzijn slim gericht is op terughoudendheid en mindfulness, is generatieve AI het onderwerp van betrokkenheid en onderdompeling, waarvan de paradox empirische oplossingen vereist39. Ten tweede is de ethische discussie over AI in het onderwijs sterk gebaseerd op gegevensprivacy en algoritmische transparantie, zonder veel aandacht te besteden aan de psychologische implicaties van de interactie met AI40. Ten derde is de focus op duurzaamheid en gelijkheid die door de SDG's wordt geboden niet volledig gerelateerd aan de technische en pedagogische aspecten van de daadwerkelijke implementatie van AI. Om deze beperking te overwinnen, is het belangrijk om disciplines te overstijgen en de inzichten uit cognitieve wetenschap, gedragseconomie en onderwijsbeleid te gebruiken om kaders te ontwikkelen die niet alleen technologisch stabiel zijn, maar ook menselijk. Figuur 1 toont het conceptuele kader van de huidige studie, waarin alle variabelen en hun padrelatie met elkaar zijn opgenomen. In dit model wordt de hypothetische relatie tussen studievariabelen gegeven in het conceptuele kader.

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

Protocol

Deze studie vereiste geen formele ethische goedkeuring van een Institutional Review Board (IRB), omdat het anonieme enquêtes en/of interviews betrof met deelnemers die geïnformeerde toestemming gaven. Er werden geen persoonlijke of gevoelige gegevens verzameld, en alle reacties werden vertrouwelijk behandeld uitsluitend voor onderzoeksdoeleinden. Deelname was vrijwillig en respondenten werden vooraf geïnformeerd over de doelstellingen van het onderzoek voordat ze hun input gaven.

De studie maakte gebruik van een kwantitatief, cross-sectioneel ontwerp om de relaties te onderzoeken tussen digitaal welzijn, het gebruik van generatieve AI en academische resultaten onder studenten Engels als vreemde taal (EFL). Gegevens werden verzameld via een online enquête van een doelbewust getoetste populatie van 440 bachelorstudenten EFL aan meerdere Chinese universiteiten die actief generatieve AI-tools gebruikten in hun leerproces. De gestructureerde vragenlijst maakte gebruik van gevalideerde schalen, waaronder een 12-items maat voor digitaal welzijn41, een 8-item schaal voor generatief AI-gebruik, een zelfervaren academisch successchaal42, en metingen voor SDG-bewustzijn en leerbetrokkenheid, allemaal met 5-punts Likert-antwoorden. Data-analyse volgde een tweefasenprotocol waarbij SPSS v.27 werd gebruikt voor beschrijvende statistiek en betrouwbaarheidscontroles, en SmartPLS v.4.0 voor Partial Least Squares Structural Equation Modeling (PLS-SEM) om de meet- en structurele modellen te evalueren, waarbij bootstrapping werd toegepast op de testpadsignificantie.

Onderzoeksontwerp
Het onderzoeksontwerp dat in deze studie wordt gebruikt is kwantitatief en dwarsdoorsnedend om te bepalen hoe digitaal welzijn, generatieve AI, academisch succes van studenten en SDG's zich tot elkaar verhouden onder EFL-studenten. Een dwarsdoorsnedontwerp stelt de onderzoeker in staat om op een bepaald moment data te verzamelen en geeft een beeld van de onderzochte variabelen. Het kwantitatieve onderzoeksontwerp maakt de resultaten gebaseerd op meetbare en statistisch analyseerbare informatie om de resultaten betrouwbaarder en algemenerer te maken. Dit patroon is vooral toepasbaar om de directe en indirecte effecten van digitaal welzijn en generatieve AI op academische prestaties en SDG's te analyseren, omdat het het gebruik van geavanceerde statistische procedures zoals structurele vergelijkingsmodellering mogelijk maakt.

Populatie en steekproef
De doelgroep voor deze studie bestond uit bachelorstudenten die waren ingeschreven in Engels als een vreemde taal (EFL) programma's aan instellingen voor hoger onderwijs in China. Om deel te nemen moesten studenten voldoen aan de volgende inclusiecriteria: momenteel ingeschreven zijn als bachelorstudent, actief gebruik maken van generatieve AI-tools (zoals ChatGPT, Copilot of vergelijkbare platforms voor schrijfhulp, onderzoek of contentgeneratie) als onderdeel van hun reguliere academische leerproces, en geïnformeerde toestemming geven. Uitsluitingscriteria waren het niet gebruiken van generatieve AI voor academische doeleinden, het zijn van een postgraduaat of niet-afgestudeerde student, en het geven van onvolledige enquête-antwoorden.

Er werd een doelgerichte steekproeftechniek gebruikt om deelnemers te werven die aan deze criteria voldeden, zodat de kernvariabele van het AI-gebruik zinvol werd gemeten. De uiteindelijke steekproef bestond uit N = 440 deelnemers, een grootte die voldoende werd geacht voor de statistische robuustheid die vereist is voor Partial Least Squares Structural Equation Modeling (PLS-SEM). Om representativiteit en generaliseerbaarheid te vergroten, besloeg de werving meerdere universiteiten en diverse academische disciplines (Geesteswetenschappen, Sociale Wetenschappen, STEM). De demografische gegevens voor de steekproef zijn als volgt: Leeftijd varieerde van 18 tot 24 jaar (M = 20,4, SD = 1,6); Het geslacht was verdeeld als 58% vrouw (n = 255) en 42% man (n = 185); Het studiejaar omvatte eerstejaars (22%, n = 97), tweedejaars (31%, n = 136), derdejaars (28%, n = 123) en vierdejaars (19%, n = 84) studenten. Informatie over gewicht werd niet verzameld omdat deze niet relevant was voor de constructies van de studie.

Gegevensverzamelingsprocedure
De gegevensverzameling vond plaats via een anonieme online enquête die werd gehost op een beveiligd platform (bijvoorbeeld Qualtrics). Potentiële deelnemers van de beoogde universiteiten werden uitgenodigd via e-maillijsten van de instelling, aankondigingen op Learning Management Systems (bijv. Moodle, Blackboard) en relevante sociale mediagroepen van studenten. De uitnodiging gaf duidelijk het doel van de studie, het vrijwillige karakter, de geschatte voltooiingstijd (15-20 minuten) en de vertrouwelijkheidsgaranties uiteen. De eerste pagina van de enquête bevatte een gedetailleerd formulier voor geïnformeerde toestemming; Alleen deelnemers die digitale toestemming gaven, gingen door naar de vragenlijst. Om orderbias te beperken, werden de enquêtesecties in een gerandomiseerde volgorde voor elke respondent gepresenteerd. Het dataverzamelingsvenster stond twee weken open. Een enkele herinnering werd via de oorspronkelijke kanalen een week na de eerste uitnodiging verstuurd om deelname te stimuleren en de responspercentages te verbeteren. Na de verzamelperiode werd de dataset gescreend op volledigheid, waarbij reacties die aanzienlijk onvolledig waren werden verwijderd (bijvoorbeeld >20% ontbrekende gegevens). Vervolgcontroles op univariate en multivariate uitschieters werden uitgevoerd voorafgaand aan de definitieve analyse om de datakwaliteit te waarborgen.

Instrumentatie en maten
De studie gebruikte een gestructureerde vragenlijst om belangrijke variabelen te meten, waaronder digitaal welzijn, het gebruik van generatieve AI, academisch succes van studenten, SDG-bewustzijn en de leerbetrokkenheid van EFL-studenten. Digitaal welzijn werd gemeten met Arslankara et al.41, een schaal van 12 items, inclusief subschalen voor verantwoordelijkheid (4 items), tevredenheid (4 items) en welzijn (4 items). Het gebruik van generatieve AI werd geoperationaliseerd via een schaalvan 43 met 8 items, gericht op de frequentie van ChatGPT-adoptie. In deze studie werd de academische prestatie geëvalueerd met behulp van een zelfperceptieschaal die is aangepast van Yu et al.42, zoals geciteerd in Mehrvarz et al.44. Dit instrument bestaat uit vier items. Het bewustzijn van SDG's werd gemeten met een gevalideerde schaal aangepast van Atmaca et al.45, bestaande uit drie hoofddimensies: economische duurzaamheid (12 items), sociale duurzaamheid (9 items) en milieuduurzaamheid (14 items), op basis van het bewustzijn en de participatie van studenten aan activiteiten. Ten slotte werd de betrokkenheid bij EFL-taalleren geëvalueerd met een schaal van 9 items van Eerdemutu et al.46. 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.

Plan voor gegevensanalyse
De verzamelde gegevens werden geanalyseerd met een combinatie van SPSS (v.27) en SmartPLS (v.4.0) via een tweefasen-analyse. Ten eerste werd SPSS gebruikt voor voorlopige analyses, waaronder beschrijvende statistieken (gemiddelden, standaarddeviaties), betrouwbaarheidstesten (Cronbach's alfa) en correlatiematrices om baseline-relaties tussen variabelen te onderzoeken. Ten tweede werd SmartPLS, een gedeeltelijke laagste kwadraten structurele vergelijkingsmodellering (PLS-SEM) software, gebruikt om het hypothetische model te testen. PLS-SEM werd gekozen vanwege zijn vermogen om complexe relaties tussen latente variabelen te verwerken en zijn robuustheid met niet-normaal verdeelde data. De analyse omvatte het beoordelen van de validiteit van het meetmodel (convergente en discriminerende validiteit) en de significantie van het structurele model (padcoëfficiënten, R²-waarden en voorspellende relevantie). Bootstrapping werd uitgevoerd om de statistische significantie van de paden te testen.

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

Resultaten

De resultaten bieden robuuste empirische ondersteuning voor de kernhypothesen van de studie en bevestigen een significant sequentiële traject waarbij digitaal welzijn en het gebruik van generatieve AI een positieve invloed hebben op EFL-leerbetrokkenheid, wat op zijn beurt academisch succes stimuleert en vervolgens een grotere betrokkenheid bij de Duurzame Ontwikkelingsdoelen (SDG's) bevordert. Specifiek hadden zowel digitaal welzijn (β=0,32, p<0,001) als het gebruik van generatieve AI (...

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

Discussie

Eerder onderzoek heeft vooral digitaal welzijn, AI in het onderwijs en Education for Sustainable Development (ESD) in isolatie onderzocht47. Er bestond een aanzienlijke kloof in het begrijpen van hoe persoonlijke digitale competenties samenkomen met opkomende technologieën om niet alleen academische resultaten te stimuleren, maar ook mondiaal burgerschap. Deze studie overbrugt deze domeinen op unieke wijze. We tonen aan dat digitaal welzijn (β = 0,32, p<0,001) en ...

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

Openbaarmakingen

Alle auteurs geven geen belangenconflicten op.

Dankbetuigingen

Dit onderzoek kreeg geen financiering.

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Academische Succes SchaalAangepast van Yu et al. (2010)N/AEnquête-instrument
Blindfolding Procedure (voor Q2)SmartPLSInterne RoutineAnalytische Procedure
Bootstrapping ProcedureSmartPLSInterne RoutineAnalytische Procedure
Composiet BetrouwbaarheidsbeoordelingSmartPLSInterne RoutineAnalytische Procedure
Correlatiematrix AnalyseIBM SPSS StatisticsInterne RoutineAnalytische Procedure
Cronbach's Alpha BetrouwbaarheidsanalyseIBM SPSS StatisticsInterne RoutineAnalytische Procedure
GegevensopslagsysteemInstitutionele ITSecure ServerUitrusting & Materiaal
Descriptieve Statistiek AnalyseIBM SPSS StatisticsInterne RoutineAnalytische Procedure
Digitale WelzijnsschaalArslankara et al. (2022)N/AEnquête-instrument
EFL LeerbetrokkenheidsschaalEerdemutu et al. (2024)N/AEnquête-instrument
Fornell-Larcker Criterium BeoordelingSmartPLSInterne RoutineAnalytische Procedure
Generative AI GebruiksschaalAangepast van Abbas et al. (2024)N/AEnquête-instrument
Heterotrait-Monotrait (HTMT) Ratio BeoordelingSmartPLSInterne RoutineAnalytische Procedure
IBM SPSS StatisticsIBMVersie 27Software
Geïnformeerde Toestemming DocumentatieOnderzoeksteamElektronisch FormulierUitrusting & Materiaal
Online VragenlijstOnderzoeksteamZelfbeheerdUitrusting & Materiaal
PLS AlgoritmeSmartPLSInterne RoutineAnalytische Procedure
PLS-SEM SoftwareSmartPLSVersie 4.0Software
SDG BewustwordingsschaalAangepast van Atmaca et al. (2019)N/AEnquête-instrument
SmartPLSSmartPLS GmbHVersie 4.0Software

Referenties

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. 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).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. 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. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. 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 Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. 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 Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. 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).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. 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. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

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

Herprints en machtigingen

Tags

EFL studentenleerbetrokkenheidAI geletterdheidtechnologie ondersteund lerenacademische prestatiesSDG bewustzijn

Dit artikel is gepubliceerd

Video binnenkort beschikbaar

Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.