Van digitale geletterdheid tot creativiteit van studenten: het motiverende pad in AI-ondersteund taalleren

Samenvatting

Deze studie toont aan dat leerlinggericht onderwijs, strategisch gebruik van ChatGPT en digitale geletterdheid positief geassocieerd zijn met de motivatie van Chinese EFL-leerlingen. Deze hogere motivatie wordt op zijn beurt geassocieerd met minder angst en meer creativiteit, wat wijst op een bemiddelende rol. De bevindingen ondersteunen lerarentraining die pedagogiek, AI-tools en digitale vaardigheden integreert.

Samenvatting

Deze studie onderzoekt hoe lesstijl, ChatGPT-gebruik en digitale geletterdheid gezamenlijk motivatie, angst en creativiteit beïnvloeden bij Chinese EFL-leerlingen, terwijl de bemiddelende rol van motivatie in deze relaties wordt onderzocht. Met een kwantitatieve benadering werden gegevens verzameld van n = 290 bachelorstudenten met gevalideerde schalen en geanalyseerd via structurele vergelijkingsmodellering. De bevindingen geven aan dat student-gecanterd onderwijs, strategische ChatGPT-integratie en digitale geletterdheid positief geassocieerd zijn met hogere motivatie. Hogere motivatie wordt op zijn beurt geassocieerd met minder angst, en minder angst wordt geassocieerd met meer creativiteit. Bovendien bemiddelt motivatie volledig de verbanden tussen de drie voorgangers (lesstijl, ChatGPT-gebruik, digitale geletterdheid) en angst, waarmee de centrale rol ervan in emotionele uitkomsten binnen het geteste model wordt benadrukt. De studie draagt bij aan de zelfbepalingstheorie door aan te tonen hoe pedagogische en technologische factoren synergetisch de psychologische behoeften van leerlingen ondersteunen, terwijl de cognitief-affectieve leertheorie met media wordt uitgebreid door de meditatieve functie van motivatie te verduidelijken. Praktische implicaties benadrukken de noodzaak van lerarenopleidingen die innovatieve pedagogiek, het gebruik van AI-tools en de ontwikkeling van digitale geletterdheid combineren om taalleerervaringen te optimaliseren. Het onderzoek benadrukt het belang van motivatiegerichte benaderingen in technologie-ondersteund EFL-onderwijs, vooral in leeromgevingen met hoge inzet.

Inleiding

Kunstmatige intelligentie (AI) heeft onderwijstechnologie vooruit ontwikkeld door nieuwe mogelijkheden te creëren voor interactie, personalisatie en creativiteit in taalverwerving.¹. ChatGPT, een AI-gebaseerd conversatietool, biedt interactieve en adaptieve feedback die taalontwikkeling ondersteunt². Tegelijkertijd is digitale geletterdheid uitgegroeid tot een essentiële vaardigheid om technologie effectief te navigeren en te gebruiken in leeromgevingen³. Ondanks de groeiende interesse in door AI ondersteunde taalverwerving en het toenemende gebruik van ChatGPT in EFL-contexten⁴, blijven er verschillende belangrijke hiaten bestaan. Ten eerste hebben bestaande studies grotendeels lesstijl, gebruik van AI-tools en digitale geletterdheid in isolatie onderzocht; Beperkt onderzoek heeft alle drie geïntegreerd binnen één motiverend kader⁵. Ten tweede, hoewel motivatie algemeen wordt erkend als een belangrijke drijfveer van taalverwerven, hebben weinig studies de bemiddelende rol ervan onderzocht in het koppelen van pedagogische en technologische factoren aan emotionele uitkomsten (bijv. taalleerangst) en cognitieve uitkomsten (bijv. creativiteit)⁶. Deze kloof is vooral opvallend in Chinese EFL-contexten, waar technologische integratie nog steeds in ontwikkeling is. Bovendien, hoewel angst goed is gedocumenteerd als een remmer in EFL-leren⁷, wordt het zelden bestudeerd samen met motiverende en technologische variabelen. Evenzo is creativiteit, een steeds meer gewaardeerde vaardigheid in taalverwerving, niet sterk geassocieerd met AI-ondersteunde leeromgevingen⁸. In tegenstelling tot eerder onderzoek dat zich uitsluitend richt op pedagogiek of technologie, overbrugt deze studie beide domeinen om te onderzoeken hoe lesstijl, ChatGPT-gebruik en digitale geletterdheid samen samenhangen met motivatie, en daarmee met angst en creativiteit.

Deze studie maakt gebruik van drie theoretische kaders, die elk overeenkomen met specifieke gemeten constructen in ons structurele vergelijkingsmodel. Ten eerste stelt de zelfbestemingstheorie (SDT)⁹ dat autonomie-ondersteunend onderwijs voldoet aan de basispsychologische behoeften van leerlingen (autonomie, competentie, verbondenheid), en daarmee de intrinsieke motivatie versterkt. In ons model wordt dit geoperationaliseerd door het construct van een leerlinggerichte lesstijl, waarvan wordt aangenomen dat deze positief geassocieerd is met motivatie. Ten tweede suggereert het technology acceptance model (TAM)¹⁰ dat waargenomen bruikbaarheid en gebruiksgemak invloed hebben op de adoptie van technologie. Hier wordt digitale geletterdheid gezien als een voorloper die leerlingen in staat stelt ChatGPT als nuttig en gebruiksvriendelijk te zien, waardoor de positieve associatie met motivatie wordt versterkt. Ten derde benadrukt de cognitief-affectieve theorie van leren met media (CATLM)¹¹ dat affectieve factoren (bijv. angst) de relatie tussen mediakenmerken en cognitieve uitkomsten (bijv. creativiteit) bemiddelen. In ons model wordt dit getest via het pad: motivatie → angst → creativiteit. Belangrijk is dat, hoewel constructivistische leertheorie het ontwerp van leerlinggerichte pedagogiek informeert, deze niet wordt geoperationaliseerd als een afzonderlijk gemeten construct in ons model; Daarom bespreken we het alleen als achtergrond en niet als een direct getest kader.

Eerdere toepassingen van SDT in EFL-contexten richtten zich voornamelijk op door leraren gestuurde autonomieondersteuning, zonder te onderzoeken hoe AI-tools zoals ChatGPT zelfstandig kunnen voldoen aan de behoeften van leerlingen aan competentie en autonomie¹². Evenzo heeft TAM de adoptie van technologie verklaard, maar heeft het geen rekening gehouden met motiverende en emotionele uitkomsten zoals angst en creativiteit¹³. CATLM heeft emotionele en cognitieve verwerking benadrukt, maar mist empirische toetsing in AI-ondersteunde EFL-omgevingen¹⁴. De huidige studie pakt deze hiaten aan door de drie kaders te integreren in een uniform, empirisch testbaar model waarin lesstijl, ChatGPT-gebruik en digitale geletterdheid worden geassocieerd met motivatie, wat op zijn beurt weer samenhangt met minder angst en meer creativiteit (via de angst–creativiteit-koppeling).

ChatGPT is een generatief taalmodel dat mensachtige dialogen, directe feedback en adaptieve antwoorden kan uitvoeren, waardoor het een potentieel krachtig hulpmiddel is voor EFL-instructie¹⁵. Recente studies geven aan dat ChatGPT het verwerven van woordenschat, grammaticale nauwkeurigheid en conversatievloeiendheid bevordert door middel van gesimuleerde interacties¹⁶. Er blijven echter kritieke tekortkomingen bestaan wat betreft de psychologische effecten op leerlingen. Aan de ene kant kan de laag-inzettelijke, toegankelijke aard van ChatGPT taalleerangst^{met 17} verminderen. Aan de andere kant kan de onvoorspelbaarheid ervan (bijvoorbeeld incidentele onnauwkeurigheden of inconsistente antwoorden) de stress verhogen bij minder zelfverzekerde leerlingen^{van 18} jaar. Bovendien hangt de effectiviteit van ChatGPT waarschijnlijk af van de digitale geletterdheid van leerlingen, niet alleen van technische vaardigheden, maar ook van kritische evaluatie en ethisch bewustzijn¹⁹. Deze modererende rol vereist verdere analyse in EFL-contexten waar de technologische gereedheid van studenten²⁰ varieert.

Onderwijsmethodologie wordt erkend als een belangrijk aspect dat de activiteit en prestaties van studenten bij het leren van een taal^{bepaalt 21}. Op basis van constructivistische en socioculturele kwesties heeft de moderne trend in pedagogisch onderzoek de effectiviteit van leerlinggerichte onderwijsmethoden zoals communicatief taalonderwijs en takengebaseerd leren^{benadrukt 22}, volgens sommige praktijken dat studenten in leerlinggerichte praktijken hogere cijfers en betere resultaten behalen dan studenten die door leraren gedomineerde stijlen gebruiken²³. Dergelijke paradigma's die nu op leerlingen gericht zijn, sluiten aan bij de zelfbepalingstheorie, volgens welke onderwijs autonomie-ondersteunend is, wat intrinsieke motivatie stimuleert door te voldoen aan de psychologische behoeften van leerlingen, behoeftecompetentie, behoefteautonomie en behoefte-verwantschap²⁴. Dit wordt verder ondersteund door empirisch onderzoek dat aantoont dat flexibele, interactieve lespatronen de betrokkenheid van taalleerders verbeteren en de negatieve gevolgen van angst verlichten²⁵. Maar de snelle implementatie van AI zoals ChatGPT voegt complexiteit toe aan dit proces²⁶. Hoewel sommige onderzoekers beweren dat AI-technologie de positieve voordelen van leerlinggerichte pedagogiek kan verdiepen door individuele leerpaden te introduceren,²⁷.

Motivatie neemt de centrale positie in tussen het bemiddelen van de verbanden tussen pedagogische, technologische en affectieve variabelen in taalverwerving²⁸. Het verschil tussen autonome en gecontroleerde motivatie, beschreven door SDT, geeft een goed perspectief op het onderzoeken van de betrokkenheid van leerlingen via het gebruik van ChatGPT en de lesstijlen²⁹. Uit vroeg bewijs blijkt dat AI-tools gerelateerd zijn aan het uitleven van de autonome motivatie door zelfgestuurd en interessegericht leren te ondersteunen³⁰, hoewel dit effect afhankelijk was van het feit dat leraren de technologie konden combineren om de handelingsvrijheid van de leerlingen niet weg te nemen³¹. Op zijn beurt wordt angst, die in de EFL-omgeving een alomtegenwoordig obstakel kan lijken, in veel gevallen veroorzaakt door de angst voor negatieve beoordeling of communicatieangst. Hoewel is aangetoond dat de integratie van AI in leerpraktijk deze angst vermindert³², is er weinig onderzoek gedaan om te achterhalen hoe het proces werkt, vooral via het aspect van bemiddeling door motivatie³³. Figuur 1 : de belangrijkste variabelen van de studie. Het illustreert de voorgestelde relaties tussen de instructiestijl van een leraar, het gebruik van ChatGPT door leerlingen en de daaruit voortvloeiende effecten op de motivatie, angst, creativiteit en digitale geletterdheid van leerlingen in een EFL-context.

Figuur 1. Onderzoeksmodel. Schematische weergave van de voorgestelde relaties tussen lesstijl, gebruik van ChatGPT, digitale geletterdheid van EFL-leerlingen, motivatie van EFL-leerlingen, angst van EFL-leerlingen en creativiteit van EFL-leerlingen. Klik hier om een grotere versie van deze figuur te bekijken.

Op basis van het theoretische kader worden de volgende hypothesen (H1-H8) voorgesteld:
H1: Lesstijl is positief verbonden met de motivatie van studenten.
H2: Het gebruik van ChatGPT wordt positief geassocieerd met de motivatie van studenten.
H3: Digitale geletterdheid wordt positief geassocieerd met de motivatie van studenten.
H4: Motivatie wordt negatief geassocieerd met angst.
H5: Angst wordt negatief geassocieerd met creativiteit.
H6: Motivatie wordt geassocieerd met de relatie tussen lesstijl en angst.
H7: Motivatie wordt geassocieerd met de relatie tussen het gebruik van ChatGPT en angst.
H8: Motivatie wordt geassocieerd met de relatie tussen digitale geletterdheid en angst.

Protocol

Ethische verklaring
Deze studie werd uitgevoerd in overeenstemming met de ethische normen van de Institutional Review Board (IRB) van de Universiteit van Chengdu, China (Goedkeuringsnummer: 202509). Alle deelnemers gaven schriftelijke geïnformeerde toestemming voorafgaand aan de deelname. De studie hield zich aan institutionele richtlijnen voor onderzoek met menselijke proefpersonen, waarbij vrijwillige deelname, vertrouwelijkheid en het recht om zich op elk moment zonder straf terug te trekken, werd gegarandeerd.

Om de vertrouwelijkheid te waarborgen, werden alle verzamelde gegevens geanonimiseerd met gecodeerde identificatiegegevens, en persoonlijke informatie werd apart van onderzoeksgegevens opgeslagen in met een wachtwoord beveiligde bestanden die alleen toegankelijk waren voor de hoofdonderzoekers. Het ontwerp van de vragenlijst bevatte maatregelen om psychisch ongemak te minimaliseren, met name bij vragen over angst, en deelnemers kregen contactgegevens van universitaire counseling diensten als er stress ontstond door deelname aan de enquête. Om mogelijke machtsongelijkheden in de relatie tussen docent en student aan te pakken, werden werving en gegevensverzameling uitgevoerd door getrainde onderzoeksassistenten in plaats van cursusdocenten, en deelnemers kregen de verzekering dat hun antwoorden hun academische status of relatie met docenten niet zouden beïnvloeden.

Deze studie maakte gebruik van een kwantitatieve, dwarsdoorsnede-ontwerp waarbij 290 Chinese bachelorstudenten EFL van een openbare universiteit betrokken waren. Deelnemers uit diverse academische jaren en disciplines werden gerekruteerd via gemakssteekproeven met evenredige vertegenwoordiging en vulden papieren vragenlijsten in gecontroleerde klaslokalen tijdens reguliere sessies, wat ongeveer 25 minuten duurde. De vragenlijst bevatte gevalideerde schalen die lesstijl, digitale geletterdheid, ChatGPT-gebruik, motivatie, angst en creativiteit meten. Om vooringenomenheid te minimaliseren, dienden getrainde onderzoeksassistenten de vragenlijsten af met behulp van procedurele tegenmaatregelen zoals psychologische scheiding van items. Na gegevensverzameling werden de antwoorden geanalyseerd met statistische software en Partial Least Squares Structural Equation Modeling (PLS-SEM) software, waaronder datascreening, metingsmodelevaluatie, structureel modeltesten en bemiddelingsanalyse met een bootstrappingprocedure met 5.000 hermonsters.

Onderzoeksontwerp
Deze studie maakte gebruik van een kwantitatief, cross-sectioneel onderzoeksontwerp om de relaties te onderzoeken tussen lesstijl, ChatGPT-gebruik, digitale geletterdheid, motivatie, angst en creativiteit onder EFL-leerlingen. Een dwarsdoorsnedebenadering werd passend geacht om een momentopname van deze variabelen op een specifiek moment vast te leggen, waardoor hun onderlinge relaties kunnen worden geanalyseerd zonder de tijdsvereisten van longitudinaal onderzoek. Het ontwerp maakte het mogelijk om een hypothetisch bemiddelingsmodel te testen, waarbij motivatie dient als het mechanisme dat lesstijl, ChatGPT-gebruik en digitale geletterdheid verbindt met verminderde angst en verhoogde creativiteit.

Data en Steekproef
Het steekproefkader bestond uit alle bachelorstudenten die ingeschreven waren voor Engels als vreemde taal (EFL) cursussen aan een openbare universiteit in China tijdens het academisch jaar 2024–2025. De toelatingscriteria vereisten dat deelnemers (a) moedertaalsprekers Chinees waren, (b) momenteel ingeschreven waren in ten minste één verplichte EFL-cursus, en (c) geen voorafgaande formele training hadden in AI-gebaseerde taalleermiddelen naast het algemene vakgebied. Er werd een gestratificeerde convenience sampling-benadering gebruikt, met evenredige verdeling over academische jaren (eerstejaars, tweedejaars, derdejaars, vierdejaars) en disciplinaire gebieden (geesteswetenschappen, sociale wetenschappen, natuurwetenschappen, techniek). De streefgroottes van de strata's werden vastgesteld op 25% per academisch jaar en 25% per disciplinair gebied, gebaseerd op de algemene studentenverdeling van de universiteit. De uiteindelijke steekproef bestond uit 290 bachelorstudenten EFL. Van de 328 studenten die tijdens reguliere lessessies werden benaderd, weigerden 11 deel te nemen (niet-participatiepercentage = 3,4%) en 27 leverden onvolledige vragenlijsten (onvolledige responspercentage = 8,2%), wat resulteerde in een uiteindelijk bruikbaar responspercentage van 88,4% (290/328). De a priori steekproefgrootte-berekening werd uitgevoerd met G*Power 3.1 met de F-testfamilie, lineaire meervoudige regressie: vast model, R 2-afwijking van nul als test. Invoerparameters waren: effectgrootte f² = 0,15 (conventionele gemiddelde effectgrootte voor gedragsonderzoek), α err prob = 0,05, power (1-β err prob) = 0,95, en aantal voorspellers = 3 (lesstijl, ChatGPT-gebruik, digitale geletterdheid) voor het motivatieresultaat. De berekening leverde een minimaal vereiste steekproefgrootte van 119 op om een significante^R2 te detecteren. Om verder rekening te houden met het volledige SEM-model (inclusief indirecte paden en extra endogene variabelen), pasten we de meer conservatieve regel van 10 gevallen per geschatte parameter toe. Met 29 geschatte parameters in ons model was de vereiste steekproefgrootte 290, wat exact overeenkomt met de uiteindelijke steekproef. Daardoor is de verkregen steekproef volledig uitgerust voor zowel regressie-gebaseerde als SEM-analyses.

Deelnemers en procedure
Deelnemers werden gerekruteerd via gelaagde convenience sampling om proportionaliteit te waarborgen tussen academische jaren (eerstejaars tot vierjaars) en disciplinaire achtergronden (geesteswetenschappen, wetenschappen en techniek). De stratagroottes in de uiteindelijke steekproef waren: eerstejaars (n = 72, 24,8%), tweedejaars (n = 74, 25,5%), derdejaars (n = 71, 24,5%), vierdejaars (n = 73, 25,2%); en geesteswetenschappen (n = 76, 26,2%), sociale wetenschappen (n = 68, 23,4%), natuurwetenschappen (n = 72, 24,8%), techniek (n = 74, 25,5%). De steekproef bestond uit 62% vrouwelijke en 38% mannelijke studenten, met een gemiddelde leeftijd van 20,3 jaar (SD = 1,7). Gegevensverzameling vond plaats tijdens reguliere EFL-lessen. Getrainde onderzoeksassistenten namen papieren vragenlijsten af in gecontroleerde klaslokalen om standaardisatie te waarborgen. Voorafgaand aan de enquête werden alle in aanmerking komende studenten in de klas geïnformeerd over het doel van de studie, het vrijwillige karakter en de vertrouwelijkheidsmaatregelen (anonieme reacties, veilige gegevensopslag). Leerlingen die niet voldeden aan de toelatingscriteria (n = 6, geen EFL-inschrijving) of de deelname afkeurden (n = 11) werden uitgesloten; Redenen voor afslag waren onder andere tijdsdruk (n = 7) en ongemak bij zelfgerapporteerd technologiegebruik (n = 4). De vragenlijst duurde ongeveer 25 minuten om in te vullen en bevatte gevalideerde schalen voor alle constructen. Om veelvoorkomende methodevooroordelen te beperken, werden procedurele tegenmaatregelen toegepast (bijv. psychologische scheiding van schaalitems, anonimiteit van antwoorden). Daarnaast werd gemeenschappelijke methode-bias beoordeeld met Harmans single-factor test, en de eerste factor was verantwoordelijk voor minder dan 50% van de totale variantie, wat aangeeft dat common method bias geen grote zorg was in deze studie.

Studiemaatregelen
Alle schalen werden aangepast aan de Chinese EFL-context door een rigoureuze vertaal- en aanpassingsprocedure. Twee tweetalige onderzoekers vertaalden onafhankelijk de originele Engelse items in het Chinees, en een derde onderzoeker verzoende de tegenstrijdigheden om een voorlopige versie te maken. Deze versie werd door twee verschillende vertalers terugvertaald naar het Engels, en eventuele inconsistenties werden opgelost door overleg met het onderzoeksteam. De Chinese versies werden vervolgens getest met 30 bachelorstudenten EFL (niet onderdeel van de hoofdsteekproef) om de duidelijkheid en het begrip te controleren, wat resulteerde in kleine aanpassingen in de formulering. Voor elke schaal werden de antwoorden verzameld op een 5-punts Likert-schaal variërend van 1 (sterk oneens) tot 5 (helemaal mee eens). Voor elk construct werden opgetelde of gemiddelde scores gebruikt, waarbij hogere scores hogere niveaus van de betreffende variabele aangaven. Alle aangepaste toonladders werden gebruikt met toestemming van de oorspronkelijke auteurs of onder open-licentievoorwaarden waar van toepassing. Er werden geen items van de oorspronkelijke weegschaal verwijderd, behalve waar hieronder vermeld; Itembehoud was gebaseerd op factorbelastingen > 0,40 en theoretische relevantie. Wat betreft het gebruik van ChatGPT beoordeelde de studie de zelfgerapporteerde interactie van studenten met de gratis versie van ChatGPT (GPT-3.5/4 beschikbaar via web of mobiele app tijdens het academisch jaar 2024–2025). Alle deelnemers hadden gelijke toegang tot het hulpmiddel omdat de universiteit ChatGPT niet beperkte; echter, het daadwerkelijke gebruik verschilde per persoon. De schaal mat de frequentie van ChatGPT-gebruik (variërend van "nooit" tot "dagelijks"), de soorten taalleertaken waarvoor het werd gebruikt (bijvoorbeeld woordenschatopbouw, grammaticacontrole, essay opstellen, gespreksoefening en foutcorrectie), en de waargenomen kwaliteit van interactie (bijv. bruikbaarheid, duidelijkheid van feedback). De schaal maakte geen onderscheid tussen specifieke ChatGPT-versies, omdat versie-updates plaatsvonden tijdens de gegevensverzamelingsperiode; in plaats daarvan rapporteerden deelnemers de versie die ze voornamelijk gebruikten, waarbij meer dan 90% GPT-3.5 of GPT-4 aangaf. Gedetailleerde itemvoorbeelden en aanpassingsnotities voor elk construct worden hieronder gegeven.

Deze studie maakte gebruik van rigoureus gevalideerde schalen, zorgvuldig aangepast aan de EFL-onderwijscontext, om de belangrijkste variabelen te beoordelen: onderwijsmethoden, digitale competentie, ChatGPT-integratie, taalleerangst, leerlingmotivatie en creatief denken. De meetinstrumenten werden gekozen vanwege hun bewezen betrouwbaarheid en het vermogen om elk construct volledig te evalueren. Om onderwijsmethoden te onderzoeken, maakte het onderzoek gebruik van een aangepaste versie van Grasha's Teaching Style Inventory³⁴, die vijf verschillende pedagogische benaderingen evalueert: gezaghebbend, deskundig, persoonlijk model leraar, facilitatief en delegerend. Om digitale geletterdheid te beoordelen, nam de studie een aangepaste versie van de schaal van Rodríguez-de-Dueños et al.35 in, bestaande uit 29 items over zes kerndomeinen: (1) technische geletterdheid, (2) geletterdheid op het gebied van gegevensbescherming, (3) kritische evaluatie, (4) apparaatbeveiligingsgeletterdheid, (5) informatieverwerkingsvaardigheden en (6) digitale communicatiegeletterdheid. Dit multidimensionale kader bood een grondige evaluatie van de digitale capaciteiten van leerlingen die nodig zijn voor hedendaags onderwijs. Het gebruik van ChatGPT werd geëvalueerd met behulp van een schaal van 8 items, aangepast van Abbas et ^al.36, met de nadruk op de interactie van studenten met het AI-instrument voor taalleertaken. Deze schaal registreert het waargenomen en zelfgerapporteerde gebruik van ChatGPT door studenten bij taalleertaken in plaats van de objectieve gebruiksfrequentie. Vreemde talenklas angst (FLCA) werd gemeten met een aangepaste schaal gebaseerd op Briesmaster en Briesmaster³⁷. Dit instrument onderzocht angst op drie kritieke dimensies: communicatieangst, toetsangst en angst voor negatieve evaluatie, met respectievelijk 10, 10 en 7 items. De motivatie van studenten werd beoordeeld met een schaal aangepast van Kanoksilapatham et ^al.38, die drie belangrijke dimensies meet: Instrumentality Promotion and Prevention, Ethnocentrisme en Integrativiteit, en Houding ten opzichte van het leren van Engels. De schaal omvatte in totaal 20 items. De creativiteit van EFL-studenten werd gemeten met een schaal aangepast van Govindasamy et ^al.39, die vier dimensies beoordeelde: Originaliteit, Flexibiliteit, Vloeiendheid en Uitwerking. Elke dimensie werd gemeten met drie items.

Methoden voor data-analyse
De verzamelde gegevens werden geanalyseerd met een tweefasige analytische benadering die SPSS (Versie 27) combineert met Partial Least Squares Structural Equation Modeling (PLS-SEM) via SmartPL-software. Initiële gegevensscreening en voorlopige analyses werden uitgevoerd met SPSS om de datakwaliteit te onderzoeken, inclusief controles op ontbrekende waarden, uitschieters en normaliteitsaannames. Minder dan 2% van de datapunten ontbrak volledig willekeurig (MCAR), zoals bevestigd door Little's MCAR-test (χ² = 18,24, p = 0,212), en werden behandeld met het verwachtingsmaximatie-algoritme om statistische kracht te behouden. De dataset toonde acceptabele univariate normaliteit (scheefheid < |2|, kurtosis < |7|) en multivariate normaliteit (Mardia's coëfficiënt = 18,37, p < 0,001), wat het gebruik van zowel parametrische tests als PLS-SEM rechtvaardigde, dat robuust is tegen niet-normaliteit. Hoewel univariate normaliteit acceptabel was, gaf Mardia's coëfficiënt een schending van multivariate normaliteit aan (p < 0,001). Dit vormt echter geen zorg, aangezien PLS-SEM robuust is tegen niet-normale dataverdelingen.

Betrouwbaarheidsanalyse toonde sterke interne consistentie aan voor alle schalen (Cronbach's α > 0,82, samengestelde betrouwbaarheid > 0,85), terwijl verkennende factoranalyse de verwachte factorstructuren bevestigde waarbij alle items schoon belasten op hun respectievelijke constructies (belastingen > 0,65, kruisbelastingen < 0,40).

Voor hypothesetoetsing werd PLS-SEM gekozen boven covariantie-gebaseerde SEM vanwege de superieure omgang met complexe modellen met kleine tot middelgrote steekproefgroottes en het vermogen om verklaarde variantie in endogene constructen te maximaliseren. De analyse volgde de tweestappenprocedure: eerst het meetmodel evalueren en vervolgens het structurele model. Het reflectieve meetmodel toonde adequate convergente validiteit (gemiddelde variantie geëxtraheerd > 0,50 voor alle constructen) en discriminante validiteit, zoals bevestigd door zowel het Fornell-Larcker-criterium als de heterotrait-monotraitverhouding (HTMT < 0,85). In het structurele model werden padcoëfficiënten geschat met behulp van een bootstrappingprocedure met 5.000 resamples om stabiele schattingen en betrouwbaarheidsintervallen te genereren. De voorspellende kracht van het model werd geëvalueerd aan de hand van^R2-waarden voor endogene variabelen (motivatie = 0,53, angst = 0,41, creativiteit = 0,38) en voorspellende relevantie (Q² > 0), waarbij effectgroottes (f²) werden berekend om de substantiële impact te bepalen. Mediatieanalyses maakten gebruik van de bias-gecorrigeerde bootstrap-methode om indirecte effecten te testen, waarbij significante bemiddeling werd vastgesteld wanneer 95% betrouwbaarheidsintervallen nul uitsloten.

Alle constructen werden gemodelleerd als reflectief (modus A) op basis van theoretische overwegingen, aangezien werd aangenomen dat elke latente variabele de waargenomen indicatoren veroorzaakte. Geen enkele items werd van enige schaal verwijderd, aangezien alle items buitenste belastingen boven de 0,50-drempel vertoonden (variërend van 0,62 tot 0,89) en alle gemiddelde variantie-extractie (AVE)-waarden boven 0,50 uitkwamen, wat convergente validiteit bevestigde. Voor mediatietesten bevatte het structurele model directe paden van de drie voorgangers (lesstijl, ChatGPT-gebruik, digitale geletterdheid) naar motivatie, van motivatie naar angst, en van angst naar creativiteit. Directe paden van antecedenten naar angst en van antecedenten naar creativiteit werden ook geschat om te testen op gedeeltelijke versus volledige meditatie. Volledige bemiddeling werd bepaald op basis van de criteria dat (a) de indirecte effecten (antecedenten → motivatie → angst) significant waren (95% bias-gecorrigeerd bootstrap betrouwbaarheidsinterval exclusief nul), en (b) de directe effecten van antecedenten op angst niet significant werden na opname van de mediator, terwijl de directe effecten van antecedenten op creativiteit nooit significant waren. Alle analyses gebruikten het PLS-SEM-algoritme in SmartPLS 4 met padwegingsschema, maximale iteraties ingesteld op 300 en stopcriterium van 1.0e-7. Bootstrapping werd uitgevoerd met 5.000 substeekproeven, bias-gecorrigeerde en versnelde (BCa) betrouwbaarheidsintervallen bij 95%, en de optie zonder tekenveranderingen. Model fit werd beoordeeld met behulp van de gestandaardiseerde root mean square residual (SRMR = 0,061), die onder de aanbevolen drempel van 0,08 ligt.

Resultaten

Beschrijvende statistiek en correlatieanalyse
De beschrijvende statistieken voor alle studievariabelen toonden normaal verdeelde gegevens met acceptabele variabiliteitsbereiken, zoals blijkt uit scheefheid en kurtosiswaarden binnen de aanbevolen drempels van ± 2.

Tabel 1 toont belangrijke kenmerken van de studievariabelen in onze steekproef van 290 EFL-leerlingen. Lesstijl (M = 4,32, SD = 0,72), digitale geletterdheid (M = ...

Discussie

De huidige studie biedt nuttige inzichten in de verbanden tussen lesstijl, ChatGPT-gebruik, digitale geletterdheid, motivatie, angst en creativiteit onder EFL-studenten. De bevindingen suggereren dat leerlinggerichte lesstijl, meer gebruik van ChatGPT en hogere digitale geletterdheid positief samenhangen met de motivatie van studenten. Motivatie wordt op zijn beurt negatief geassocieerd met angst, terwijl angst negatief gerelateerd is aan creativiteit. Deze resultaten moeten worden geïnt...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Vragenlijstinstrumenten (Schalen)	Onderwijsstijl Schaal	NA	Aangepaste versie van Grasha's Teaching Style Inventory (Grasha, 1996), evaluatie van vijf pedagogische benaderingen: gezaghebbend, expert, persoonlijk model, faciliterend en delegatief. Catalogusnummer: NA
	Digitale Geletterdheid Schaal	NA	29-item schaal aangepast van Rodríguez-de-Dueñoset al. (2016), dekking van zes dimensies: Technische Vaardigheid, Persoonlijke Gegevensbescherming, Kritische Evaluatie, Apparaatbeveiligingsbeheer, Informatieverwerking en Digitale Communicatie. Catalogusnummer: NA
	ChatGPT Gebruik Schaal	NA	8-item schaal aangepast van Abbas et al. (2024), gericht op interactie van studenten met het AI-gereedschap voor taalonderwijstakken. Catalogusnummer: NA
	Vreemde Taal Klaslokaal Angst (FLCA) Schaal	NA	Schaal aangepast van Briesmaster en Briesmaster (2015), met subscales voor Communicatieangst (10 items), Testangst (15 items) en Angst voor Negatieve Evaluatie (7 items). Catalogusnummer: NA
	Motivatie Schaal	NA	20-item schaal aangepast van Kanoksilapathamet al. (2021), het meten van drie dimensies: Instrumentaliteit (Promotie/Preventie), Ethnocentrisme/Integratie en Instelling Ten Opzichte van het Leren van Engels. Catalogusnummer: NA
	Creativiteit Schaal	NA	12-item schaal aangepast van Govindasamy et al. (2024), meten van vier subconstructen: Originaliteit, Flexibiliteit, Vloeiendheid en Uitwerking. Catalogusnummer: NA
Software	SPSS Statistics Versie 27	IBM Corp.	Statistische analysesoftware. Catalogusnummer: NA
	SmartPLS Versie 4	SmartPLS GmbH	Structuurvergelijkingsmodelleringssoftware. Catalogusnummer: NA
Uitrusting & Andere Materialen	Gegevensverzamelingsinstrument	NA	Anonieme, zelftoegediende vragenlijst met pen en papier. Catalogusnummer: NA
	Ingelichte Toestemming Documenten	NA	Geschreven informatieblad en toestemmingsformulier met details over het doel van het onderzoek, procedures, risico's/voordelen en het recht om zich terug te trekken. Catalogusnummer: NA
	Gegevensopslagsysteem	NA	Wachtwoordbeveiligde digitale bestanden met gecodeerde identificatienummers; persoonlijke informatie gescheiden opgeslagen van onderzoeksgegevens. Catalogusnummer: NA
Analytische Procedures	PLS-SEM-algoritme en Bootstrapping	SmartPLS GmbH	SmartPLS 4 interne routines (PLS-algoritme en Bias-gecorrigeerde Bootstrapping met 5.000 hersteekproeven). Catalogusnummer: NA
	Geldigheid en Betrouwbaarheidscontroles	SmartPLS GmbH; IBM Corp.	SmartPLS 4 en SPSS routines voor Cronbach's alfa, samengestelde betrouwbaarheid, gemiddelde geëxtraheerde variantie (AVE), Fornell-Larcker criterium en heterotrait-monotrait (HTMT) ratio. Catalogusnummer: NA
	Beoordeling van Voorspellende Relevantie	SmartPLS GmbH	Blindfolding-procedure in SmartPLS 4 om de Stone-Geisser's Q² waarde te berekenen. Catalogusnummer: NA
	Voorlopige Gegevensscreening	IBM Corp.	SPSS procedures voor het verwerken van ontbrekende gegevens (Verwachting-Maximalisatie algoritme) en controles voor normaliteit, uitbijters en factorstructuur (exploratoire factoranalyse). Catalogusnummer: NA