Artykuł badawczy

Integracja Celów Zrównoważonego Rozwoju (SDGs) oraz generatywnej sztucznej inteligencji w celu zwiększenia cyfrowej umiejętności czytania i kreatywności językowej w środowiskach nauki EFL

DOI:

10.3791/69445

⸱

13 lutego 2026

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

W tym artykule

Podsumowanie

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

Łączenie SDG z generatywną AI, takim jak ChatGPT, zwiększa motywację, cyfrową kompetencję i kreatywność uczniów uczących się języka angielskiego. Wyższe zaangażowanie wzmacnia to powiązanie, dostarczając nauczycielom praktycznych strategii integracji AI w nauczaniu języków.

Streszczenie

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

Niniejsze badanie bada integrację Celów Zrównoważonego Rozwoju (SDGs) oraz generatywnej sztucznej inteligencji, w szczególności ChatGPT, w celu zwiększenia cyfrowej znajomości językowej, kreatywności i motywacji w środowiskach nauki języka obcego. Przyjmując kwantytatywny, przekrojowy projekt, dane do tego badania zostały zebrane od n = 420 studentów EFL na jednym publicznym uniwersytecie w Chinach, korzystając z walidowanych skal do pomiaru integracji SDG (SDG), wykorzystania generatywnej sztucznej inteligencji takiej jak ChatGPT (UCGPT), cyfrowej umiejętności czytania (DL), kreatywności uczniów EFL (SC), motywacji uczniów EFL (SM) oraz zaangażowania w naukę języków (LLE). Do analizy bezpośrednich, pośredniczących i moderujących efektów zastosowano modelowanie strukturalne metodą najmniejszych kwadratów cząstkowych (PLS-SEM). Wyniki wykazały, że integracja SDG i UCGPT były istotnie powiązane z SM, co z kolei przewidywało kompetencje cyfrowe i kreatywność uczniów EFL. Ponadto LLE moderowało relacje między DL a SC, podczas gdy SM pośredniczyło w wpływie integracji SDG i UCGPT na kompetencje cyfrowe. Wyniki te podkreślają transformacyjny potencjał integracji SDG i narzędzi AI w edukacji EFL, oferując skalowalne strategie rozwoju umiejętności XXI wieku. Ponadto badanie dostarcza konkretnych strategii dla nauczycieli EFL, takich jak zadanie uczniom korzystania z ChatGPT do przygotowania się do debat na tematy SDG, takich jak sprawiedliwość klimatyczna, lub współtworzenie wielojęzycznych kampanii w mediach społecznościowych na rzecz świadomości zrównoważonego rozwoju. Te zastosowania pokazują, jak zoperacyjnie wykorzystać integrację SDG i AI w codziennym planowaniu lekcji.

Wprowadzenie

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

Globalny krajobraz edukacji z języka angielskiego jako języka obcego (EFL) przechodzi głęboką transformację, napędzaną podwójnymi imperatywami innowacji technologicznych oraz Celami Zrównoważonego Rozwoju (SDGs) ONZ1. Podczas gdy zapotrzebowanie na biegłość języka angielskiego nadal rośnie w regionach nieanglojęzycznych, napędzane globalizacją, mobilnością akademicką i gospodarką cyfrową2, tradycyjne podejścia pedagogiczne często nie wyposażają uczniów w kluczowe kompetencje niezbędne do komunikacji XXI wieku3. Tradycyjne metody EFL, które kładą nacisk na pamięć i dokładność strukturalną zamiast kreatywnej ekspresji i zaangażowania cyfrowego, ryzykują pogłębianie różnic w dostępie do wysokiej jakości edukacji4. To niedopasowanie nie tylko utrudnia postęp w kierunku SDG 4 (inkluzywnej i równej jakości edukacji), ale także pomija transformacyjnypotencjał nowych technologii, zwłaszcza generatywnej sztucznej inteligencji (AI), w przekształcaniu ekosystemów nauczania języków6. Pomimo szybkiego rozwoju narzędzi opartych na AI, takich jak ChatGPT, ich integracja w kontekście EFL pozostaje niedostatecznie zbadana, szczególnie w kontekście frameworków zrównoważonego rozwoju7. Niniejsze badanie wypełnia tę kluczową lukę, analizując, jak strategiczne połączenie SDG i generatywnej AI może zwiększyć cyfrową kompetencję, kreatywność i motywację w środowiskach nauki EFL, wspierając innowacje pedagogiczne i globalne agendy zrównoważonego rozwoju. W istniejącej literaturze istniejące istniejące istnieją istotne luki dotyczące przecięcia nauki języków wspomaganej przez AI i edukacji zgodnej z SDG8. Chociaż wcześniejsze badania analizowały rolę AI w spersonalizowanej instrukcji językowej9, zautomatyzowanej ocenie10 oraz wirtualnych programach wymiany11, te badania rzadko mają w kontakcie z ramami zrównoważonego rozwoju. Z kolei literatura dotycząca EFL i zrównoważonego rozwoju koncentrowała się głównie na nauczaniu opartym na treści (tekstach środowiskowych), zamiast na wykorzystaniu technologii do restrukturyzacji paradygmatów pedagogicznych12. Ta rozbieżność jest szczególnie problematyczna w kontekście narastających podziałów cyfrowych w kontekstach Globalnego Południa, gdzie marginalizacja językowa przecina się z ograniczonym dostępem do najnowocześniejszych narzędzi edukacyjnych13. Co więcej, choć SDG 4.4 wyraźnie stawia na cyfrową kompetencję, większość programów nauczania EFL nie łączy kompetencji cyfrowych z wynikami zrównoważonego rozwoju, przez co uczniowie są nieprzygotowani na wymagania związane z zatrudnieniem, przedsiębiorczością i godną pracą14. Brak integrującego ram, które łączą pedagogikę opartą na AI z kompetencjami w zakresie zrównoważonego rozwoju, stanowi kluczowy błąd15. Ponadto ramy te są łatwo stosowane na kursach EFL na poziomie licencjackim, gdzie uczniowie posiadają podstawową kompetencję cyfrową w obsłudze generatywnych narzędzi AI, takich jak ChatGPT. Wdrożenie jest zaprojektowane dla standardowych klas zintegrowanych z technologią, wymagając od nauczycieli dostarczania uporządkowanych, zgodnych z SDG zadań, które skutecznie kierują współpracą AI.

Niniejsze badanie wypełnia te luki, proponując nowatorski, oparty na SDG generatywny framework AI dla edukacji EFL, oparty na teorii społeczno-kulturowej16 oraz krytycznych cyfrowych kompetencjach17. W przeciwieństwie do wcześniejszych badań, które traktowały AI jako narzędzie dydaktyczne, badacze pozycjonują ją jako partnera współpracującego w tworzeniu kreatywnego i krytycznego myślenia uczniów18. Ta zmiana jest zgodna z celami SDG dotyczącymi inkluzywnej, skoncentrowanej na uczniu edukacji. Empirycznie badacze stosują modelowanie strukturalne w systemie najmniejszych kwadratów (PLS-SEM) do analizy danych od n = 420 chińskich studentów EFL, badając, jak integracja SDG (SDG) i użycie ChatGPT (UCGPT) wspólnie wpływają na motywację (SM), umiejętności cyfrowe (DL), kreatywność uczniów (SC) oraz zaangażowanie w naukę języków (LLE). Teoretyczne osiągnięcia tego badania są trzystronne. Po pierwsze, badacze rozszerzają teorię samostanowienia (SDT), pokazując, jak narzędzia AI zgodne z SDG zaspokajają wewnętrzne potrzeby uczniów dotyczące autonomii, kompetencji i pokrewieństwa, zwiększając motywację. Po drugie, badacze udoskonalają teorię zaangażowania, ujawniając, jak cyfrowa umiejętność czytania i kreatywność dynamicznie współdziałają w środowiskach pośredniczonych przez AI, w zależności od poziomu zaangażowania uczniów. Po trzecie, badacze rozwijają kluczowe kompetencje cyfrowe, integrując etyczne wykorzystanie AI w dyskurs o zrównoważonym rozwoju, zachęcając uczniów do analizowania stronniczości danych, kosztów środowiskowych i praktyk pracy w systemach AI. Empirycznie wyniki dostarczają praktycznych wniosków dla nauczycieli i decydentów, ilustrując, jak ChatGPT może demokratyzować dostęp do zadań językowych związanych z SDG (debaty o zmianach klimatu, symulacje równości płci), jednocześnie wspierając wyższe umiejętności poznawcze. Artykuł ma następującą strukturę: Po pierwsze, wstęp omawiający znaczenie i oryginalność tych badań, istniejącą lukę w literaturze oraz wkład tego badania. Następnie przedstawiamy przeglądy literatury dotyczącej Celów Zrównoważonego Rozwoju w EFL, generatywnej sztucznej inteligencji oraz kompetencjach cyfrowych. Sekcja Protokół szczegółowo opisuje metodologię PLS-SEM, natomiast sekcja Wyniki przedstawia wyniki. Sekcja Dyskusja omawia kluczowe ustalenia oraz implikacje teoretyczne i praktyczne. Na koniec artykuł kończy się ograniczeniami i przyszłymi kierunkami.

Przegląd literatury i rozwój hipotez

Cel Zrównoważonego Rozwoju 4 i motywacja uczniów EFL
Podejście pedagogiczne, które integruje programy nauczania języka angielskiego jako języka obcego (EFL) z Celem Zrównoważonego Rozwoju 419, kładącego nacisk na inkluzywną i równą jakość edukacji oraz uczenie się przez całe życie dla wszystkich, stało się kluczową strategią zwiększania motywacji uczniów. Cele SDG 4, w szczególności 4.4 (umiejętności do zatrudnienia) i 4.7 (edukacja na rzecz zrównoważonego rozwoju), podkreślają znaczenie rozwijania uczących się językowo kompetentnych uczniów z krytycznym myśleniem, cyfrową i etycznym zaangażowaniem21. Zasady tych kompetencji są dodatkowo wspierane przez cele Odpowiedzialności za Ochronę oraz cele "Edukacji opartej na prawach" SDG 4.5. Kilka badań sugeruje, że gdy w nauce języków uwzględnione są działania na rzecz klimatu, równość płci i walka z ubóstwem, sprzyja to motywacji uczniów do przedmiotu22. Ta metoda wspiera Teorię Samostanowienia23,24, która uważa, że doświadczenie autonomii, opanowanie umiejętności i więzi społecznych utrzymują ludzi zmotywowanych25. Generatywna AI działa jeszcze lepiej jako narzędzie motywacyjne, gdy wykorzystywane są interaktywne treści związane z Celami Zrównoważonego Rozwoju26. AI z chatbotami symuluje szczyty i platformy w kilku językach, które koncentrują się na zrównoważonym rozwoju, umożliwiają uczniom naukę złożonych tematów poprzez ćwiczenia językowe27. Stosowanie scenariuszy wymagających od uczniów omawiania rozwiązań niedoboru wody po angielsku pomaga im się zainteresować. To wyostrza ich umiejętności rozwiązywania problemów i daje im większe poczucie kontroli i znaczenia28. Informacja zwrotna AI jest standaryzowana i przekazywana natychmiast (co zostało zwrócone na uwagę), pomaga zaspokajać różnorodne potrzeby edukacyjne i wspiera równość wyjaśnioną w SDG 429, co uspokaja uczniów i zapewnia równość. Eksperci edukacyjni powinni pójść o krok dalej, ponieważ powinni skupić się na rozwijaniu umiejętności pozwalających uczniom identyfikować systemowe nierówności30. Gdy istnieje luka między krajami rozwiniętymi a nierozwiniętymi, zwiększa to liczbę powodów, dla których uczniowie czują się zniechęceni, i wzywa się do wdrożenia inkluzywnego projektowania31. Na podstawie powyższej literatury proponuje się hipotezę: H1: Integracja Celów Zrównoważonego Rozwoju w lekcjach EFL zwiększa motywację uczniów do nauki angielskiego.

Wykorzystanie generatywnej AI i motywacja uczniów EFL
Narzędzia generatywnej AI, obejmujące modele językowe i chatboty, są coraz bardziej cenione za wspieranie motywacji w edukacji EFL poprzez zachęcanie do interakcji, zaspokajanie osobistych potrzeb oraz promowanie kreatywnych aktywności32. Takie podejścia pozwalają uczniom bezpośrednio współpracować ze sztuczną inteligencją, ćwiczyć komunikację w realistycznych sytuacjach oraz otrzymywać szybką i dostosowaną informację zwrotną, która jest znana z redukcji lęku i podtrzymywania zainteresowania33. Na przykład zasoby edukacyjne generowane przez AI, takie jak spersonalizowane teksty i scenariusze dostosowane do poziomu i zainteresowań ucznia, mogą zaspokoić jego psychologiczne potrzeby autonomii i poczucia kompetencji. Ponieważ generatywna AI może dostarczać zasoby w wielu językach i uwzględniać konteksty kulturowe, umożliwia uczniom eksplorowanie globalnych problemów w języku angielskim, skłaniając do głębokiego zastanowienia się nad decyzjami etycznymi34. Jednak eksperci sugerują, że zbyt duże poleganie na AI może ograniczać komunikację między ludźmi i uniemożliwiać im rozwijanie krytycznego myślenia, co jest kluczowe dla rozwoju dzieci. Ponadto niekorzystne aspekty dostępu do internetu oraz skutki stronniczych algorytmów mogą pogłębiać istniejące nierówności dla niektórych grup uczących się, jeszcze bardziej pogłębiając obecne różnice. Na podstawie powyższej literatury proponuje się następującą hipotezę: H2: Wykorzystanie ChatGPT w klasach EFL zwiększa motywację uczniów do nauki języków.

Motywacja uczniów EFL i kompetencje cyfrowe
Związek między umiejętnością cyfrową a motywacją EFL nie jest jedynie korelacyjny, ale synergiczny. Uczniowie z wyższą kompetencją cyfrową są lepiej przygotowani do poszukiwania i angażowania się w autentyczne, multimodalne treści zgodne z ich osobistymi zainteresowaniami i kontekstem społeczno-kulturowym35,36. Ta zdolność bezpośrednio napędza wewnętrzną motywację, wzmacniając poczucie autonomii i kompetencji uczniów, dzięki czemu mogą oni skuteczniej poruszać się po środowisku cyfrowym. Jednak ten pozytywny cykl nie jest automatyczny. Wpływ motywacyjny zależy od jakości zaangażowania cyfrowego; Samo korzystanie z technologii nie gwarantuje motywacji, chyba że zadania są znaczące i kulturowo odpowiadające37.

Co więcej, chociaż generatywna sztuczna inteligencja jest obecnie promowana jako mechanizm przyspieszający tę synergię dzięki spersonalizowanemu rusztowaniu38, krytyczne podejście ujawnia, że istnieje kilka czynników awaryjnych. Sukces technologii AI w ułatwianiu dialogu międzykulturowego i demistyfikowaniu uprzedzeń mediów39 opiera się na równym dostępie i podstawowej kompetencji cyfrowej, która często jest niewystarczająca w środowiskach o ograniczonych zasobach40. To prowadzi do luki motywacyjnej, gdzie cyfrowa analfabetyzm powoduje frustrację i poczucie oderwania, tym samym sabotując motywację, którą AI chce wygenerować41. Dlatego integracja AI powinna być wspierana rygorystycznymi modelami cyfrowej kompetencji, które zachęcają ucznia do zrozumienia etycznych konotacji, aby nie dochodziło do niezamierzonego propagowania obecnych nierównowag przy użyciu technologii42. Na podstawie powyższej literatury proponuje się następującą hipotezę: H3: Wyższa motywacja uczniów EFL prowadzi do poprawy umiejętności cyfrowych.

Cyfrowa Znajomość Uczniów EFL i Kreatywność uczniów EFL
W języku angielskim jako języku obcym (EFL) cyfrowa umiejętność czytania katalizuje kreatywność, dając uczniom techniczną i krytyczną zdolność do rekontekstualizacji użycia języka za pomocą innowacyjnych form cyfrowych43. Uczniowie doskonale korzystają z urządzeń takich jak generatywna sztuczna inteligencja, platformy multimedialne i wirtualne przestrzenie zespołowe, co pozwala im wyjść poza ćwiczenia tekstowe i wykorzystać je jako narzędzia do tworzenia projektów multimodalnych, takich jak cyfrowe historie, podcasty, a nawet narracje generowane przez AI44. Na przykład platformy oparte na AI do współtworzenia poezji wielojęzycznej lub symulowania scenariuszy wirtualnej rzeczywistości pomagają uczniom eksperymentować z hybrydowością językową i kulturową oraz łączyć przyswajanie języka z eksploracją artystyczną45.

Cyfrowa umiejętność czytania i pisania koreluje z kreatywnością poprzez równy dostęp i podejścia do nauczania o określonych celach46. Niektóre grupy marginalizowane nie mają równego dostępu do generatywnej sztucznej inteligencji i narzędzi cyfrowych, co skutkuje duszeniem twórczym i biernym uczeniem się zamiast aktywnego tworzenia47. Profesjonaliści edukacyjni powinni wybierać krytyczne metody skupiające się na zrównoważonych praktykach nauczania, aby pomóc uczniom przeanalizować zarówno etyczne podejście do generowania treści AI, jak i wpływ cyfrowego przepływu pracy na środowisko48. Studenci mogą rozwijać etyczne rzemiosło poprzez praktyczne działania cyfrowe w projektowaniu łączącym zrównoważony rozwój projektów z analizą algorytmicznych uprzedzeń, wzmacniając cele SDG 4.7 dotyczące zrównoważonego rozwoju i sprawiedliwości. Na podstawie powyższej literatury proponowane są następujące hipotezy: H4: Uczniowie EFL o silniejszych umiejętnościach cyfrowych wykazują większą kreatywność w zadaniach językowych. H5: Zaangażowanie uczniów EFL w naukę języków wykazuje większą kreatywność w zadaniach językowych.

Moderujący wpływ zaangażowania w naukę języków
W odniesieniu do kontekstów nauczania języka obcego (EFL), interwencje pedagogiczne integrujące Cele Zrównoważonego Rozwoju (SDGs) oraz generatywną AI są skuteczniejsze, gdy zaangażowanie w naukę języka, definiowane przez inwestycję poznawczą, behawioralną i emocjonalną w przyswajanie języka, jest wielostronnie kluczową zmienną moderującą49. Wdrażając treści związane z SDG, wysoki poziom zaangażowania zwiększa korzyści motywacyjne i poznawcze, ponieważ uczestnicy projektów zgodnych z SDG lub symulowanych przez AI są bardziej wytrwałi, zadają więcej pytań i przejmują większą odpowiedzialność za swoje ścieżki edukacyjne50. Na przykład współtworzenie przez uczniów kampanii zrównoważonego rozwoju sztucznej inteligencji (AI) lub dyskusje na temat globalnych problemów w języku angielskim wykazują jako wzmacniające zdolności językowe i kreatywność, biorąc pod uwagę emocjonalną więź uczniów z rzeczywistymi problemami51. Zaangażowanie to moderator decydujący, jak uczniowie radzą sobie z etycznymi i kulturowymi aspektami środowisk nauczania EFL napędzanych przez AI. Studenci, którzy wykazują brak zaangażowania, postrzegają AI jako system autorytarny, który potęguje ich obawy i prowadzi do biernego polegania na automatycznej informacjizwrotnej 52. Na podstawie powyższej literatury proponuje się następującą hipotezę: H6: Zaangażowanie w naukę języka moderuje związek między cyfrową kompetencją a kreatywnością.

Mediacyjny wpływ motywacji uczniów EFL w środowiskach EFL
Poziom motywacji uczniów EFL odgrywa kluczową rolę w tym, jak strategie pedagogiczne powiązane z SDG i wykorzystanie generatywnej AI wpływają na ich umiejętności cyfrowe i kreatywne, a także biegłość w języku angielskim53. Projekt nauczania łączy osiągnięcia ucznia poprzez motywację, wykorzystując Teorię Samostanowienia54, aby wzmocnić warunki psychologiczne głębokiego zaangażowania. Motywacja uczniów związana z autonomią (podejmowanie decyzji w tematach rzeczniczych), kompetencjami (nauka słownictwa zrównoważonego rozwoju) oraz pokrewieństwem (udział w działaniach globalnych) stanowi mechanizm, dzięki któremu treści związane z SDG determinują skuteczność krytycznego myślenia i rozwoju umiejętności cyfrowych uczniów. Zaangażowanie uczniów może wzrosnąć podczas pierwszego użycia narzędzi generatywnej AI ze względu na ich nowość, ale ciągłe postępy w umiejętności czytania i kreatywności wymagają od uczniów rozpoznawania interakcji AI jako istotnych dla tożsamości i promujących autonomię55.

Naukowcy ustalają motywację jako główny czynnik łączący różne środowiska na podstawie dowodów empirycznych. Projekty skoncentrowane na SDG, wystawione uczniom EFL, prowadziły do powiązanej kreatywności, ponieważ uczniowie doświadczali jednocześnie wyższego poziomu motywacji, co wynika z samoocen56. Wyniki pisania dzięki spersonalizowanej informacji zwrotnej generowanej przez AI wykazały maksymalne poprawy u uczniów, którzy wykazali silną motywację istniejącą,57,58. Badanie wykazało, że motywacja reguluje skuteczność interwencji technologicznych. Kolejnym czynnikiem utrudnionym jest ten proces kulturowy oraz elementy społeczno-ekonomiczne. Środowiska o ograniczonych zasobach zwykle priorytetowo traktują zewnętrzne zachęty, które odnoszą się do możliwości kariery wymienionych w SDG 4.4, co skutkuje zmienionymi relacjami między motywacją a dostarczaniem narzędzi cyfrowych59,60. Na podstawie powyższej literatury proponowane są następujące hipotezy: H7: Motywacja uczniów pośredniczy w zależności między używaniem ChatGPT a umiejętnościami cyfrowymi. H8: Motywacja uczniów pośredniczy w relacji między SDGs a umiejętnościami cyfrowymi. Rysunek 1 przedstawia model badawczy niniejszego badania, który obejmuje wszystkie zmienne oraz ich wzajemne relacje ścieżkowe. Co więcej, na podstawie zależności ścieżek między zmiennymi, wszystkie hipotezy są również wskazane w modelu badawczym.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Badanie to zostało przeprowadzone zgodnie z wytycznymi etycznymi dotyczącymi badań na ludziach. Przed udziałem wszyscy uczestnicy uzyskali świadomą zgodę, zapewniając im pełną wiedzę o celu badania, procedurach ankietowych, dobrowolnym charakterze oraz prawie do wycofania się w dowolnym momencie bez konsekwencji. Wszystkie metody przestrzegały standardów etycznych badań na ludziach, zapewniając poufność uczestników, anonimizację danych i ochronę przez cały okres badania. Badanie obejmowało nieinwazyjne, oparte na ankietach zbieranie danych z minimalnym ryzykiem dla uczestników.

1. Projektowanie badań

Badanie przyjęło ilościowy, przekrojowy projekt badawczy, aby zbadać zależności między integracją Celów Zrównoważonego Rozwoju (SDG), wykorzystaniem generatywnej AI, umiejętnościami cyfrowymi, kreatywnością, motywacją oraz zaangażowaniem w naukę języków w kontekstach EFL. Projekt priorytetowo traktował testowanie hipotez poprzez ustrukturyzowane ankiety, oparte na epistemologii pozytywistycznej, umożliwiając statystyczne uogólnianie wyników w podobnych środowiskach akademickich. Wybrano podejście do modelowania równań strukturalnych w metodzie najmniejszych kwadratów cząstkowych (PLS-SEM) do analizy efektów pośredniczenia i moderacji złożonych. PLS-SEM uwzględnia mniejsze rozmiary próbek i eksploracyjne struktury modeli, minimalizując jednocześnie założenia dotyczące normalności danych61. Projekt był zgodny z apelem SDG 4 o strategiach edukacyjnych opartych na danych, koncentrujących się na mierzalnych rezultatach mających na celu wspieranie skalowalnych innowacji pedagogicznych w nauczaniu języków wspieranych przez AI.

2. Dane i próbkowanie

Po pierwsze, aby stworzyć ramę próbkową, badacze zidentyfikowali i wybrali wszystkie nienaruszone, zintegrowane technologicznie klasy EFL z listy programów uczelni na semestr wiosenny 2024, co dało wygodową próbę 420 studentów studiów licencjackich. Po drugie, kwalifikacja uczestników została potwierdzona według kryteriów wieku 18-24 lat oraz zapisanych jako studenci pierwszego lub drugiego roku z poziomem średniozaawansowanym w zakresie znajomości języka angielskiego, zgodnie z rejestrami zatrudnienia na uczelni; ostatnia grupa składała się z 62% kobiet i 38% mężczyzn, z czego 95% pochodziło ze wschodnich Chin. Po trzecie, podczas zaplanowanej sesji zajęć, badacz przeprowadzał instrument ankietowy osobiście: po rozdaniu szczegółowej karty informacyjnej badacz czytał na głos scenariusz świadomej zgody, wyznaczał czas na pytania i zbierał podpisane formularze zgody przed rozdaniem kwestionariusza, który uczestnicy mieli 20 minut na anonimowe wypełnienie bez żadnych zachęt. Po czwarte, aby kontrolować zbędną zmienną wcześniejszego doświadczenia w AI, sam instrument ankietowy na początku zawierał dedykowaną sekcję filtra, która rejestrowała dane o znajomości uczestników z narzędziami AI do późniejszej kontroli statystycznej. Na koniec zebrane dane zostały przesiewane pod kątem kompletności, a wielkość próby n = 420 została zweryfikowana pod kątem statystycznej adekwatności poprzez zastosowanie zasady "10 razy" dla PLS-SEM, potwierdzając, że przekroczyła minimalny wymóg 10 przypadków na zmienną predykcyjną w najbardziej złożonym równaniu regresyjnym modelu.

  1. Praktyczna integracja SDG i ChatGPT
    Aby osadzić pomiary ankiety w konkretnym kontekście pedagogicznym, badanie przeprowadzono w ramach konkretnego modułu EFL, który wyraźnie integrował tematy SDG z pomocą ChatGPT. Uczniowie uczestniczyli w serii zadań opartych na zadaniach edukacyjnych przez cztery tygodnie. Na przykład jedno zadanie wymagało od uczniów korzystania z ChatGPT do zbadania konkretnego SDG (SDG 4 edukacja, SDG 13: Działania na rzecz klimatu lub SDG 5: Równość płci), stworzenia podsumowania kluczowych zagadnień i krytycznej oceny informacji dostarczanych przez AI pod kątem potencjalnych uprzedzeń. W innym zadaniu uczniowie wykorzystali ChatGPT jako narzędzie do współtworzenia eseju perswazyjnego lub scenariusza kampanii w mediach społecznościowych promujących lokalną inicjatywę zrównoważonego rozwoju, łącząc tym samym globalne cele z ich bezpośrednim kontekstem. Zadania te miały być multimodalne, często kończąc się wideoblogami lub prezentacjami, wymagającymi od uczniów syntezy informacji, ćwiczenia krytycznego myślenia i używania angielskiego do konkretnych celów. To praktyczne wdrożenie zapewniło, że odpowiedzi studentów na ankiety były oparte na bezpośrednim doświadczeniu z zintegrowanym podejściem do nauki SDG-AI.

3. Kwestie etyczne

Niniejsze badanie zostało przeprowadzone zgodnie z rygorystycznymi zasadami etycznymi. Wszyscy uczestnicy zostali szczegółowo poinformowani o celu i procedurach badania oraz swoich prawach zarówno pisemnie, jak i ustnie, a następnie wyrazili świadomą zgodę przed udziałem w badaniu. Umowa ta zapewniła anonimowość, pozwalając im wycofać się w dowolnym momencie bez represji i gwarantując poufność ich danych. Informacje były zbierane za pomocą zaszyfrowanych systemów cyfrowych i przechowywane bezpiecznie na serwerach chronionych hasłem. Wszystkie analizy przeprowadzono na podstawie danych zagregowanych, aby zapobiec identyfikacji jakiejkolwiek osoby. Zgodnie z zasadami SDG 4.7, badanie zawierało osobną sekcję debriefingową, która poruszyła kwestie etyczne charakterystyczne dla generatywnej AI, wyraźnie przedstawiając potencjalne obawy, takie jak możliwość uprzedzeń w odpowiedziach ChatGPT oraz jej wpływ na środowisko. Na koniec, ograniczenia badania, takie jak błędy samoraportujące oraz geograficzne położenie próby, zostały otwarcie uznane, aby promować integralność akademicką.

4. Miary

Konstrukty były operacjonalizowane przy użyciu zweryfikowanych skal dostosowanych do kontekstu EFL. Integracja SDG była mierzona za pomocą skali 36 pozycji z trzema podskalami: gospodarka (13 pozycji), społeczeństwo (9 pozycji) oraz środowisko (14 pozycji). Ta skala została wyprowadzona z Atmaca i in. 62, oceniających ekspozycję na tematy zrównoważonego rozwoju w zadaniach językowych. Cyfrowa umiejętność czytania była oceniana za pomocą 29-punktowej skali, rozszerzonej do sześciu wymiarów zaadaptowanych z Rodríguez-de-Dios i in.63, w tym Technologicznej Umiejętności Czytania (7 pozycji), Umiejętności Bezpieczeństwa Osobistego (5 pozycji), Krytycznej Umiejętności Czytania (5 pozycji), Umiejętności Bezpieczeństwa Urządzeń (4 pozycje), Informacyjnej Alfabetyzacji (5 pozycji) oraz Umiejętności Komunikacyjnych (3 pozycje). Ponadto Kreatywność uczniów EFL została uchwycona przez Govindasamy i in.64, instrument składający się z 12 elementów, obejmującego cztery podskale, z których każda zawiera trzy elementy: oryginalność, elastyczność, płynność i rozbudowa. Wykorzystanie ChatGPT zostało zmierzone za pomocą 8-pozycyjnej skali dostosowanej do Abbasa i in.65, skupiającej się na częstotliwości, celu i postrzeganej skuteczności w zadaniach językowych. Motywację oceniano za pomocą Obiosa66, w skali 05 pozycji. Na koniec zaangażowanie w naukę języka oceniono za pomocą 9-punktowej skali według Eerdemutu i in. 67. Wszystkie skale stosowały 5-punktowe odpowiedzi Likerta, z testami pilotażowymi (n=30) potwierdzającymi wiarygodność (α > Cronbacha 0,82) oraz analizą czynnikową potwierdzającą odrębność konstruktu. Analiza w niniejszym badaniu została przeprowadzona na podstawie konstrukcji refleksyjno-refleksyjnych pierwszego rzędu, ponieważ konstrukcje refleksyjno-refleksyjne drugiego rzędu nie są bezpośrednio testowane.

5. Analiza danych

Analiza danych została przeprowadzona za pomocą sekwencyjnej procedury dwufazowej z wykorzystaniem wersji SPSS 28 oraz SmartPLS wersji 4. Proces rozpoczął się w SPSS 28, gdzie badacze przeszli do analizy: Analizuj > statystyki opisowe > opisowe oraz Analizuj > korelować > bivariacie , aby obliczyć wstępne statystyki opisowe (średnie, odchylenia standardowe) oraz współczynniki korelacji Pearsona dla próby n = 420 przypadków. Następnie główna analiza przeniosła się na SmartPLS 4, aby przeprowadzić modelowanie równań strukturalnych metodą najmniejszych kwadratów cząstkowych (PLS-SEM). Pierwszym krokiem w SmartPLS było zweryfikowanie modelu pomiarowego poprzez uruchomienie wbudowanego algorytmu Calculate do oceny spójności wewnętrznej, wymagając, aby wartości niezawodności złożonej przekroczyły próg 0,70 oraz zgodności zbieżnej, potwierdzonej przez średnią wariancję wyekstrahowaną (AVE) większą niż 0,50 dla wszystkich konstrukcji. Następnie weryfikowano dyskryminującą poprawność za pomocą funkcji raportowych oprogramowania, aby zastosować kryterium Fornella-Larckera i upewnić się, że wszystkie stosunki heterotrait-monotrait (HTMT) były poniżej konserwatywnego benchmarku 0,85. Po tej walidacji model strukturalny został oceniony za pomocą rutyny Bootstrapping, skonfigurowanej z 5 000 podpróbek oraz testu dwustronnego na poziomie istotności 0,05, aby wygenerować korygowane przez stronniczość przedziały ufności dla wszystkich współczynników ścieżek (β) i efektów pośrednich, testując tym samym założone bezpośrednie, mediacyjne i moderujące relacje. Na koniec trafność predykcyjna modelu została potwierdzona poprzez analizę wartości Q² Stone-Geissera, uzyskanej metodą Blindfold, z wartościami powyżej zera wskazującymi na odpowiednią moc predykcyjną, a istotny wpływ predyktorów określono poprzez obliczenie rozmiarów efektu (f²) na podstawie wyników algorytmu PLS.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Statystyki opisowe
Analiza opisowa dostarcza ważnych informacji na temat wzorców zmiennych, centralnych lokalizacji i ich rozproszenia, umożliwiając badaczom weryfikację kondycji, normalności i teoretycznej zgodności danych początkowych. W tym badaniu wartości średnie służą do pomiaru poziomu kurtozy, natomiast parametry odchylenia standardowego do oceny poziomu skośności. Dodatkowo brane są pod uwagę skutki skośności. Sugeruje to, że 420 uczestników nadaje się do testów parametrycznych i wykazuje w...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Podsumowanie kluczowych ustaleń
Badanie to analizowało współzależność między Celami Zrównoważonego Rozwoju (SDGs), generatywną sztuczną inteligencją (ChatGPT) oraz kluczowymi wynikami edukacyjnymi: motywacją, kompetencjami cyfrowymi i kreatywnością w środowiskach nauki EFL. Wyniki potwierdziły wszystkie hipotezy o bezpośrednim wpływie (H1-H5), wykazując, że integracja SDG (β = 0,37) oraz użycie ChatGPT (β = 0,28) znacząco zwiększają motywację uczniów, co z kolei sprzyja cyfrowej kompetencji (β = 0,4...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Wszyscy autorzy deklarują brak konfliktu interesów.

Podziękowania

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

Badania te są wspierane przez Fundusz Nauk Społecznych Prowincji Jiangsu, grant nr (23YYB011). Prace te zostały wsparte przez Uniwersytet Księcia Sułtana w ramach Laboratorium Badań Języka i Komunikacji.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Skala użytkowania ChatGPTSkala 8-pozycjna zaadaptowana z Abbas i in. (2023).Abbas i in. (2023).
Skala kreatywnościSkala 12-punktowa zaadaptowana z Govindasamy i in. (2022), mierząca cztery podkonstrukty: oryginalność, elastyczność, płynność i rozbudowa.Govindasamy i in. (2022)
Instrument do zbierania danychAnonimowy, samodzielnie wypełniany kwestionariusz papierowo-ołówkowy.Nie do zastosowania / zaprojektowane na zamówienie
System przechowywania danychSerwery chronione hasłem z szyfrowanymi systemami cyfrowymi.Nieprzydatna / instytucjonalna infrastruktura IT
Skala Alfabetyzacji CyfrowejSkala 29 pozycji zaadaptowana z Rodrí guez-de-Dios i in. (2018), obejmujące sześć wymiarów: technologię, bezpieczeństwo osobiste, krytyczne, bezpieczeństwo urządzeń, informacje oraz kompetencje komunikacyjne.Rodrí guez-de-Dios i in. (2018)
Dokumenty świadomej zgodyPisemna karta informacyjna i formularz zgody.Nie do zastosowania / zaprojektowane na zamówienie
Skala zaangażowania w naukę językówSkala 9-pozycyjne zaadaptowana z Eerdemutu i in. (2023).Eerdemutu i in. (2023)
Skala motywacjiSkala 5-pozycyjna zaadaptowana z Obiosa (2023).Obiosa (2023).
Algorytm PLS-SEM & BootstrapowanieWewnętrzne procedury SmartPLS 4 (PLS Algorithm i Bootstrapping z 5 000 podpróbek).https://www.smartpls.com/documentation/algorithms-and-techniques
Predykcyjna ocena trafnościProcedura zaklejania oczu w SmartPLS 4 do obliczania Stone-Geissera s Q² wartości.https://www.smartpls.com/documentation/predictive-relevance-q2
Skala integracji SDGSkala 36 pozycji zaadaptowana z Atmaca i in. (2023), z podskalami dla Ekonomii (13 pozycji), Społeczeństwa (9 pozycji) oraz Środowiska (14 pozycji).Atmaca i in. (2023)
Oprogramowanie do analizy statystycznejIBM SPSS Statistics, wersja 28.-
Oprogramowanie do modelowania równań strukturalnychSmartPLS, wersja 4.https://www.smartpls.com
Ważność i Sprawdzenia wiarygodnościFunkcje raportowania SmartPLS 4 dla Composite Reliability, Average Variance Extracted (AVE), Criterion Fornell-Larcker oraz HTMT.https://www.smartpls.com/documentation/reporting

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Integracja z ChatGPTkreatywno j zykowamotywacja uczni wzaanga owanie w nauk j zykamodelowanie r wna strukturalnychkompetencje XXI wieku

Powiązane artykuły