Podwójne siły AI: Jak generatywna AI i postrzegana zależność od AI wpływają na strach przed przegapieniem (FoMO) oraz na przyswajanie słownictwa uczniów EFL

Podsumowanie

Badanie to analizuje, jak integracja AI wpływa na uczniów uczących się angielskiego psychologicznie i poznawczo. Stwierdzają, że korzystanie z AI zwiększa lęk (FoMO), co szkodzi rozumieniu tekstu, podczas gdy wypalenie cyfrowe osłabia związek między rozumieniem a słownictwem. Celem jest podkreślenie potrzeby zrównoważonego wykorzystania AI w celu wspierania nauki.

Streszczenie

Badanie to analizuje, jak integracja sztucznej inteligencji (AI) w nauce językowej wpływa na psychologiczne i poznawcze wyniki wśród uczniów języka angielskiego jako języka obcego (EFL). Konkretnie bada wpływ postrzeganej zależności od AI, kwestii etycznych oraz użycia generatywnej AI na lęk przed przegapieniem (FoMO), rozumienie tekstu mierzone skalą strategii czytania oraz przyswajanie słownictwa, przy jednoczesnym uwzględnieniu roli moderującej wypalenie cyfrowe. Zastosowano projekt przekroju przekrojowego z n = 450 uczniami EFL, a dane analizowano za pomocą modelowania strukturalnego metodą najmniejszych kwadratów (PLS-SEM) w celu oceny zarówno bezpośrednich, jak i pośredniczonych relacji. Wyniki pokazują, że czynniki związane z AI istotnie przewidują wyższy poziom FoMO, co z kolei negatywnie wpływa na rozumienie tekstu. Choć rozumienie tekstu mocno wspiera przyswajanie słownictwa, wypalenie cyfrowe osłabia tę relację. Badanie podkreśla podwójną naturę AI w edukacji, która ułatwia rozwój wyników nauki, a jednocześnie przyczynia się do obciążenia psychicznego. Wyniki te podkreślają znaczenie zrównoważonej integracji AI w nauce języków, podkreślając potrzebę strategii łagodzących cyfrowy lęk i wypalenie. Implikacje teoretyczne rozszerzają badania nad uczeniem się pośredniczonym przez technologię, wskazując FoMO jako kluczową ścieżkę afektywną w kontekstach edukacyjnych opartych na AI. Praktyczne zalecenia obejmują włączenie cyfrowych praktyk wellness z narzędziami AI, aby zoptymalizować korzyści edukacyjne przy jednoczesnym minimalizowaniu negatywnych skutków psychologicznych.

Wprowadzenie

Szybka integracja generatywnej sztucznej inteligencji (AI) w edukacji zrewolucjonizowała tradycyjne paradygmaty nauki języków, szczególnie w kontekstach języka angielskiego jako języka obcego (EFL)¹. Narzędzia takie jak asystenci słownictwa oparte na AI, zautomatyzowane systemy informacji zwrotnej przy pisaniu oraz adaptacyjne platformy edukacyjne obiecują większą efektywność i spersonalizowane nauczanie². Jednak ta zmiana technologiczna wprowadziła także wyzwania psychologiczne i pedagogiczne, w tym postrzeganą zależność od AI, cyfrowe wypalenie oraz kwestie etyczne, które mogą pośredniczyć w zakresie efektów nauki³. Jednym z niedostatecznie zbadanych, lecz kluczowych zjawisk w tej dziedzinie jest lęk przed przegapieniem (FoMO). W tym stanie psychologicznym uczący się czują się zobowiązani do korzystania z narzędzi AI ze względu na presję porównań społecznych, co może kosztem głębokiego zaangażowania poznawczego⁴. Chociaż istniejące badania analizowały rolę SI w przyswajaniu języka⁵, niewiele badań analizowało, jak generatywna SI oddziałuje z postrzeganą zależnością i FoMO, kształtując przyswajanie słownictwa, pozostawiając znaczącą lukę w zrozumieniu podwójnych sił – zarówno ułatwiających, jak i szkodliwych dla AI w edukacji ^6,7.

Przegląd literatury ujawnia trzy kluczowe luki. Po pierwsze, badania nad AI w nauce EFL koncentrowały się głównie na wynikach wydajnościowych (wyniki testów, poprawa płynności), a nie na mechanizmach psychologicznych napędzających adopcję AI⁸. Na przykład, choć efektywność SI w zatrzymywaniu słownictwa jest dobrze udokumentowana, niewiele wiadomo o tym, jak postrzegana zależność, czyli przekonanie, że nie da się skutecznie uczyć bez AI, wpływa na motywację i długoterminową pamięć⁹. Po drugie, choć FoMO było szeroko badane w kontekście mediów społecznościowych, jego rola w środowiskach nauki pośredniczonej przez AI pozostaje niezbadana. Ponieważ narzędzia AI często dostarczają społecznie widoczną informację zwrotną w czasie rzeczywistym (funkcje benchmarkingu rówieśników), uczniowie mogą odczuwać wzmożony lęk przed zostaniem w tyle, co potęguje uzależnienie od AI¹⁰. Po trzecie, choć kwestie etyczne dotyczące AI (prywatność danych, błędy algorytmiczne) są powszechnie uznawane¹¹, ich wpływ na zależność i skuteczność uczenia się nie został empirycznie przetestowany w środowiskach EFL. Te luki łącznie podkreślają potrzebę holistycznego badania, które łączy akceptację technologii, psychologię motywacyjną oraz teorie uczenia się poznawczego.

Niniejsze badanie rozwiązuje te luki, proponując nowy model koncepcyjny, który analizuje, jak wykorzystanie generatywnej AI, postrzegana zależność od AI oraz postrzegane obawy etyczne AI wpływają na FoMO wśród uczniów EFL, rolę pośredniczącą FoMO w łączeniu wszystkich trzech niezależnych zmiennych ze zrozumieniem tekstu uczniów EFL oraz łagodzący wpływ wypalenia cyfrowego między rozumieniem tekstu a przyswajanjem słownictwa. Proponowane badania przyczyniają się do opracowania kompleksowych ram teoretycznych, które mogą być wykorzystywane do badania wpływu zależności AI na motywację wewnętrzną i autonomię uczącego się przez pryzmat teorii samostanowienia (SDT)¹², mechanizmów psychologicznych stojących za FoMO w środowiskach uczących się pośredniczonych przez AI na Teorii Porównania Społecznego¹³ oraz wpływu narzędzi zależności AI na obciążenie poznawcze poprzez Teorię Obciążenia Poznawczego (CLT)¹⁴.

Teoretyczne osiągnięcia tego badania są trzystronne. Po pierwsze, rozszerza SDT, konceptualizując zależność od AI jako potencjalne zagrożenie dla autonomii ucznia, podważając założenie, że AI uniwersalnie zwiększa motywację. Po drugie, stosuje teorię porównania społecznego do nauki pośredniczonej przez AI, ujawniając, jak FoMO przekształca się z fenomenu mediów społecznościowych w czynnik napędzający adopcję narzędzi edukacyjnych¹⁵. Po trzecie, udoskonala CLT, wykazując, że korzyści poznawcze AI (zmniejszenie obciążenia zewnętrznego) mogą być zrównoważone przez zależność indukowaną przez obciążenie¹⁶, oferując zniuansowany obraz wpływu AI na kodowanie pamięci. Te teoretyczne postępy stanowią podstawę przyszłych badań nad psychologią uczenia się wspomaganego przez AI.

Aby zapewnić rzetelność metodologiczną i praktyczną zastosowalność, projekt kierował kilkoma kluczowymi względami. Docelowa grupa uczniów języka obcego języka angielskiego na chińskich uniwersytetach została wybrana ze względu na ich wysoką ekspozycję na narzędzia AI oraz integrację instytucjonalną, co stanowi istotny kontekst do analizy zależności od AI. Granice konstrukcji są wyraźnie wyznaczone za pomocą zweryfikowanych, wieloelementowych skal dla każdej zmiennej ukrytej, co zapobiega nakładaniu się pojęć. Wybór tych konkretnych skal był uzasadniony ich ugruntowaną wiarygodnością oraz bezpośrednią operacjonalizacją złożonych konstruktów psychologicznych i behawioralnych będących przedmiotem badania (wielowymiarowe kwestie etyczne, specyficzne wypalenie cyfrowe związane z uczeniem się). W analizach planowanej mediacji i moderacji przyznajemy, że dane przekrojowe wystarczające do modelowania predykcyjnego za pomocą PLS-SEM, ograniczają ostateczną wnioskowanie przyczynowe dla pośredniczonych i moderowanych szlaków. Wielkość próby 465 znacznie przekracza minimalne wymagania dotyczące mocy statystycznej zarówno w regresji, jak i PLS-SEM, przestrzegając zasady '10 razy' dla maksymalnej liczby ścieżek strukturalnych, co zapewnia stabilne i uogólniające oszacowania parametrów dla proponowanego modelu.

Główne konstrukcje badania są zdefiniowane następująco: Postrzegana zależność od AI odnosi się do przekonania ucznia o jego poleganiu na narzędziach AI dla efektywności i realizacji zadań. Postrzegane kwestie etyczne AI obejmują obawy dotyczące przejrzystości algorytmów, sprawiedliwości, bezpieczeństwa i odpowiedzialności. Generatywne wykorzystanie AI oznacza częstotliwość i zakres stosowania modeli AI do generowania tekstu lub obrazów. Strach przed przegapieniem (FoMO) to lęk, że inni mogą przeżywać satysfakcjonujące doświadczenia, których nikt nie ma, tutaj w kontekście nauki napędzanej przez AI. Wypalenie cyfrowe to stan wyczerpania emocjonalnego i psychicznego wynikający z długotrwałego zaangażowania cyfrowego. Wreszcie, efekty nauki są uchwycone przez Czytanie ze zrozumienim, czyli umiejętność rozumienia i stosowania strategii z materiałami pisanymi, oraz Przyswajanie słownictwa, czyli samopostrzeganą skuteczność w nauce i używaniu nowych słów.

Struktura tego artykułu jest następująca. Sekcja 1 dotyczy tła, znaczenia, luk badawczych oraz wkładu niniejszego badania. Sekcja 2 przegląda wcześniejsze prace nad AI w uczeniu się EFL, zależności i FoMO, syntetyzując kluczowe debaty. Sekcja 3 szczegółowo opisuje metodologię, która obejmuje projektowanie badań, łączenie ankiet do pomiaru postrzeganej zależności/FoMO oraz eksperymentalne zadania mające na celu ocenę zapamiętywania słownictwa. Sekcja 4 przedstawia ustalenia, w tym analizy mediacji i moderacji. Sekcja 5 omawia implikacje dla teorii, pedagogiki i projektowania AI, natomiast sekcja 6 kończy się ograniczeniami i przyszłymi kierunkami.

Protokół

Badanie to zostało przeprowadzone zgodnie z wytycznymi etycznymi dotyczącymi badań nad ludźmi na Uniwersytecie w Yangzhou. 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. Badanie przestrzega wytycznych etycznych dotyczących badań edukacyjnych, zapewniając anonimowość uczestników i dobrowolny udział. Świadoma zgoda została uzyskana elektronicznie, z jasnymi informacjami na temat wykorzystania i przechowywania danych. Nie zebrano żadnych danych osobowych, a odpowiedzi są przechowywane bezpiecznie na serwerach chronionych hasłem. Uczestnicy zachowują prawo do wycofania się na dowolnym etapie. Potencjalne ryzyka (zmęczenie ankietą) są ograniczane poprzez zwięzłe projektowanie kwestionariuszy, a wyniki są raportowane w formie zbiorczej, aby zapobiec identyfikacji indywidualnej.

Przegląd literatury

Postrzegana zależność od AI, postrzegane obawy etyczne dotyczące AI oraz strach przed przegapieniem (FoMo)
Dynamiczne włączenie sztucznej inteligencji (AI) do edukacji znacząco nadała nowy wymiar nauce języków, zwłaszcza wśród uczniów języka angielskiego jako języka obcego (EFL)¹⁷. Inteligentne systemy korepetycji, automatyczna ocena pisania oraz adaptacyjne platformy edukacyjne opierają się na AI i zapewniają efektywne oraz indywidualne doświadczenie nauki¹⁸. Niemniej jednak, wraz z tym rozwojem technologicznym, pojawiły się pewne problemy psychologiczne, takie jak nasilony lęk przed przegapieniem (FoMO), który jest rodzajem lęku społecznego, ponieważ ludzie obawiają się, że nie są włączani do przyjemnych aktywności¹⁹. Według wyników badań postrzegana zależność od AI oraz postrzegane obawy etyczne dotyczące AI mogą wzmacniać poziom FoMO wśród uczniów EFL i zmieniać ich relacje z edukacją opartą na AI w przyszłości.

Ponadto, gdy AI zacznie odgrywać rolę w procesie nauczania języków, uczniowie mogą stać się zależni od tych narzędzi, aby poprawić swoją gramatykę i słownictwo oraz poprawić wymowę²⁰. To uzależnienie może powodować presję psychologiczną, a studenci mogą czuć, że muszą konsekwentnie korzystać z narzędzi AI, aby zapobiegać opóźnieniom w nauce. Wyniki badań nad zależnością cyfrową doprowadziły do wniosku, że nadmierne uzależnienie od technologii powoduje lęk z powodu obawy przed brakiem dostępu do takich urządzeń²¹. W ramach nauki języka obcego (EFL) uczniowie, którzy uważają AI za konieczność, mogą odczuwać FoMO, ponieważ uważają, że inni uczniowie wykorzystują coraz więcej takich technologii²². Zjawisko to jest zgodne z teorią porównań społecznych²³, która zakłada, że ludzie porównują swoje postępy z postępami innych. Gdy uczenie wspomagane przez AI jest postrzegane jako sygnał konkurencyjny, uczniowie mogą obawiać się utraty sukcesu akademickiego, jeśli nie wykorzystają maksymalnego zaangażowania w korzystanie z takich narzędzi²⁴. Ponadto nieustanne powiązania budowane przez narzędzia AI mogą zniekształcać różnice między edukacją a rozrywką, co dodatkowo wzmacnia uzależniające zachowania udomowienia, które dodatkowo wzmacniają FoMO²⁵.

H1: Postrzegana zależność od AI pozytywnie wpływa na lęk przed przegapieniem (FoMO) wśród uczniów EFL.

H2: Postrzegane kwestie etyczne związane z AI pozytywnie wpływają na lęk przed przegapieniem (FoMO) wśród uczniów EFL.

Generatywna sztuczna inteligencja (wykorzystanie ChatGPT) i strach przed przegapieniem (FoMo)
Obecny wzrost popularności generatywnej sztucznej inteligencji (ChatGPT) w dziedzinie edukacji doprowadził do powstania nowych warunków doświadczeń psychologicznych w procesie nauki języka ^26,27. Badanie niedawno wykazało, że wykorzystanie takich zaawansowanych technologicznie narzędzi AI może znacząco zmienić stan emocjonalny uczniów, szczególnie w przypadku lęku przed przegapieniem (FoMO)²⁸. Im bardziej generatywna AI jest zaprogramowana do natychmiastowego przekazywania informacji zwrotnej, generowania materiałów edukacyjnych i symulowania praktyki konwersacyjnej, tym bardziej uczniowie mogą odczuwać lęki i obawiać się, że zostaną pominięci, jeśli nie wykorzystają tych narzędzi w pełni. Proces ten sugeruje szerszy trend nauczania cyfrowego, w którym postęp technologiczny nie tylko umożliwia realizację większej liczby rzeczy w nauce, ale także naraża doświadczenia edukacyjne na nowe poziomy lęku³⁰.

Psychologiczne efekty narzędzi generatywnej AI na uczących się języka można wyjaśnić, odwołując się do teorii samostanowienia, według której kompetencje, autonomia i pokrewieństwo są podstawowymi potrzebami psychologicznymi¹⁴. W przypadkach, gdy uczniowie uważają, że ich rówieśnicy osiągają lepsze wyniki dzięki AI, co przypisuje się temu, że FoMO nie zostało rozwiązane³¹, sytuację to dodatkowo potęgują zagrożenia dla ich poczucia kompetencji. Ten wpływ może być szczególnie dotkliwy w wymagających środowiskach akademickich, gdy uczniowie porównują swoje postępy i umiejętności³². Co więcej, nieograniczony dostęp do narzędzi generatywnej AI może prowadzić do problemu ciągłego użytkowania, ponieważ uczniowie obawiają się, że zostaną w tyle i stracą znaczne postępy.

FoMO przybiera także formę społecznej dynamiki wdrażania AI w społecznościach uczących^{się 33}. Gdy generatywna AI stanie się normalna w środowisku edukacyjnym, prawdopodobnie wywoła to poczucie presji społecznej, by dostosować się do nowoczesnych praktyk cyfrowych promowanych w środowisku edukacyjnym³⁴. Taka presja może być szczególnie silna przy nauce języka obcego, gdzie AI jest dostępna, by pomóc w pisaniu, gramatyce i komunikacji bez widocznego wysiłku ze^{strony ucznia}. Myśl o byciu wykluczonym w tej transformacji może być motywacją do przyjęcia strategii kompulsywnego używania, nawet wśród uczniów, którzy w innym przypadku byliby bardziej skłonni uczyć się w bardziej konwencjonalny sposób³⁶. Nowe badania podkreślają konieczność dokładniejszego zrozumienia efektu mediacji różnych cech uczących się na związek między generatywnym wykorzystaniem AI a FoMO. Odpowiedzi na te pytania zależą od takich czynników jak poziom umiejętności cyfrowej i samoregulacji oraz motywacja do nauki, które mogą określić, czy narzędzia AI wzmacniają zasoby, czy są przyczyną lęku³⁷. Na podstawie powyższej literatury proponuje się następującą hipotezę:

H3: Zwiększone wykorzystanie generatywnej AI pozytywnie wpływa na lęk przed przegapieniem (FoMO) wśród uczniów EFL.

Strach przed przegapieniem (FoMo), Czytanie ze zrozumieniem i przyswajanie słownictwa
Psychologiczna koncepcja lęku przed przegapieniem (FoMO) zyskuje coraz większy wpływ na zachowania uczenia się online, podkreślając złożoną relację z nauką języka obcego i wynikami akademickimi³⁸. Najnowsze badania pokazują, że FoMO, w zależności od wymiaru nauki języka³⁹, może mieć zróżnicowany wpływ na naukę kilku wymiarów nauki języka, zwłaszcza na rozumienie tekstu i przyswajanie słownictwa⁴⁰. To uzależnienie wydaje się być motywowane przez obciążenie poznawcze⁴¹ oraz systemy kontroli uwagi⁴², ponieważ osoby z wysokim FoMO wykazują unikalny wzorzec interakcji tekstowych materiałowych.

Badania empiryczne wskazują, że umiarkowany stopień FoMO zwiększa zaangażowanie w materiały do czytania, gdy uczniowie czują, że materiały są wartościowe społecznie i akademicko⁴³. Nadmierne pożarcie się FoMO wiąże się jednak z niepełnym czytaniem i niskim poziomem informacji w głębokim przetwarzaniu⁴⁴, co może pogorszyć zrozumienie. Wydaje się, że to uczucie jest bardziej widoczne w cyfrowej przestrzeni czytelniczej, gdzie powiadomienia i uwięzienie w mediach społecznościowych zwiększają zakłócenia uwagi⁴⁵. W zakresie przyswajania słownictwa FoMO ma bardziej skomplikowaną relację, choć ekspozycja na nowe elementy leksykalne może być zwiększona dzięki zwiększonej aktywności^46,47, zapamiętywanie jest utrudnione przez kompulsywne zachowania uczenia się.

Pojawiające się dowody sugerują, że w tych relacjach występują różnice kulturowe i indywidualne. Dla porównania, kolektywistyczni uczący się wydają się być bardziej podatni na negatywne konsekwencje FoMO dla czytania ze zrozumieniem⁴⁸, co może być związane z ich częstszym porównywaniem się społecznie⁴⁹. Z drugiej strony, doświadczenia FoMO nie mają wpływu na rozumienie i naukę słownictwa u uczniów o wysokich strategiach samoregulacji ⁵⁰. Na podstawie powyższej literatury proponowane są następujące hipotezy:

H4: Strach przed przegapieniem (FoMO) negatywnie wpływa na czytanie ze zrozumieniem.

H5: Czytanie ze zrozumieniem pozytywnie wpływa na przyswajanie słowactwa.

Łagodzący wpływ cyfrowego wypalenia w nauce
Wypalenie cyfrowe to niedawny problem o psychologicznych i społecznych implikacjach, które wpływają na procesy przyswajania języka^51,52. Emocjonalnie i poznawczo wyczerpujące, a jednocześnie brakowało mi motywacji z powodu szerokiego zakresu nauki akademickiej opartej na technologii. Wypalenie cyfrowe negatywnie wpłynęło na niezbędne zdolności poznawcze potrzebne do przetwarzania języka⁵³. Aktywne badania neurokognitywne wskazują, że wypalenie zawodowe powoduje zmęczenie, które zakłóca pojemność pamięci roboczej⁵⁴, będącą kluczowym elementem zarówno pamięci słów, jak i czytania⁵⁵. To zmęczenie umysłowe może stać za nowymi dowodami na słabe kodowanie semantyczne u uczniów wypalonych cyfrowo, gdy proszeni są o wykonywanie zadań związanych z nauką słownictwa⁵⁶.

Wypalenie cyfrowe objawia się wyjątkowo w kontekście EFL ze względu na specyficzne wymagania poznawcze i afektywne związane z nauką języka. W przeciwieństwie do ogólnego wypalenia akademickiego, cyfrowe wypalenie języka angielskiego jest nasilone przez ciągłe obciążenie poznawcze związane z przetwarzaniem nieznanej fonologii, składni i semantyki za pomocą interfejsów cyfrowych, co może bardziej obciążyć pamięć roboczą niż nauka oparta na treści⁵⁷. Ponadto filtr afektywny jest wzmacniany przez performatywny charakter praktyki językowej na platformach AI, gdzie uczniowie mogą odczuwać lęk z powodu natychmiastowych, algorytmicznych korekt oraz presji, by osiągnąć biegłość na poziomie native⁵⁸. To połączenie zwiększonego obciążenia poznawczego i unikalnej presji społeczno-afektywnej w cyfrowo pośredniczonych środowiskach językowych tworzy specyficzny profil wypalenia, który bezpośrednio utrudnia subtelne procesy kodowania słownictwa i rozumienia tekstu⁵⁹.

Wypalenie cyfrowe i rozumienie tekstu pokazują bardzo subtelne powiązania z rozwojem słownictwa. Chociaż wiedza o słownictwie przypadkowym prawdopodobnie jest zdobywana poprzez wnioskowanie kontekstowe, gdy uczniowie mają silne umiejętności czytania⁶⁰, dodatnia korelacja między słownictwem a wynikami w czytaniu maleje u uczniów z wysokim wypaleniem⁶¹. Pomiary śledzenia oczu wskazują, że uczący się werbalnej starości doświadczają także mniejszego czasu skupienia się na nowych obiektach leksykalnych podczas czytania⁶², co sugeruje spadek koncentracji umysłowej tła bogatego w słownictwo. Jest to podobne do teorii kontroli uwagi, która zakłada, że zmęczenie poznawcze wpływa na umiejętności funkcji wykonawczych zaangażowanych w jednoczesne rozumienie i przetwarzanie leksykalne. Można zauważyć, że moderująca rola wypalenia cyfrowego jest widoczna tylko w indywidualnych różnicach w samoregulacji i projektowaniu środowisk edukacyjnych⁶³. Odporność na negatywne skutki wypalenia zawodowego jest również przykładem uczniów z wysokowydajnymi strategiami metapoznawczymi, ponieważ utrzymują przewagę w słownictwie nawet w trudnościach w rozumieniu nauki. Na podstawie powyższej literatury proponowane są następujące hipotezy:

H6: Wypalenie cyfrowe w nauce negatywnie wpływa na przyswajanie słow.

H7: Wypalenie cyfrowe w nauce negatywnie wpływa na związek między rozumieniem tekstu a przyswajaniem słownictwa, tak że wyższe wypalenie osłabia pozytywny wpływ rozumienia na rozwój słownictwa.

Efekt mediacji lęku przed przegapieniem (FoMo)
Wprowadzenie sztucznej inteligencji do edukacji wprowadziło skomplikowane systemy psychologiczne, które determinują wyniki rozumienia tekstu⁶⁴. Pojawiające się dane wskazują, że lęk przed przegapieniem (FoMO) jest kluczowym mediatorem związku między zaangażowaniem uczniów w technologie AI a ich osiągnięciami w czytaniu⁶⁵. Rola tego efektu mediacji wydaje się szczególnie widoczna w sytuacjach, gdzie narzędzia AI są promowane jako sposób na ułatwianie efektywniejszego uczenia się, co napędza presję psychologiczną, która może ostatecznie utrudniać myślenie wyższego rzędu⁶⁶. Aby zapewnić, że lęki związane z autonomicznym uczeniem się nie powstają przez osoby uświadamiające sobie irracjonalne poleganie na AI-assistance⁶⁷, najnowsze badania koncentrują się na określeniu, jak postrzegany poziom zależności od AI wpływa na rozwój lęku dotyczącego autonomicznych zdolności uczenia^{się 68}. Ten lęk przekształca się w FoMO, gdy uczniowie myślą o tym, czego nie są w stanie zrobić w porównaniu do wyników wspomaganych sztuczną inteligencją⁶⁹, wykazując tendencję do oddalania zasobów poznawczych od kroków głębokiego zrozumienia.

Kwestie etyczne związane z zastosowaniem AI odpowiadają ścieżkom FoMO, a uczniowie mierzący się z moralnymi konfliktami wynikającymi z AI wykazują większą czujność wobec działań swoich rówieśników, co pomaga tworzyć różnice między etyką a rozumieniem tekstu⁷⁰. Odzwierciedla się to w badaniach z zakresem ruchu oczu, gdzie czytelnik wykonuje bardziej regresywne ruchy oczu podczas czytania⁶⁵. Efekt mediacji wydaje się szczególnie wyraźny, gdy kwestie etyczne nie zostały wyjaśnione, pozostawiając utrzymujący się obciążenie poznawcze utrudniające czytanie⁷¹. Narzędzia generatywnej AI tworzą nowe formy mediacji, umożliwiając tworzenie wyników praktycznie w mgnieniu oka. Na podstawie powyższej literatury proponowane są następujące hipotezy:

H8: Strach przed przegapieniem (FoMO) pośredniczy w relacji między postrzeganą zależnością od AI a rozumieniem tekstu

H9: Strach przed przegapieniem (FoMO) pośredniczy w relacji między postrzeganymi kwestiami etycznymi AI a rozumieniem tekstu

H10: Strach przed przegapieniem (FoMO) pośredniczy w relacji między użyciem generatywnej AI a rozumieniem tekstu

Ramy teoretyczne
Badanie to jest przede wszystkim prowadzone przez Teorię Samostanowienia (SDT)¹², która dostarcza spójnych ram do zrozumienia, jak narzędzia AI wpływają na podstawowe potrzeby psychologiczne leżące u podstaw motywacji uczniów i zaangażowania poznawczego. Według modelu postrzegana zależność od AI bezpośrednio zagraża podstawowym potrzebom SDT, jakim jest autonomia i kompetencja, oraz może podważać wewnętrzną motywację do nauki języka poprzez nadmierne uzależnienie od zewnętrznej regulacji w osiąganiu takich celów jak rozumienie tekstu i przyswajanie słownictwa. W tym kontekście lęk przed przegapieniem (FoMO) jest rozumiany w ramach pokrewieństwa, opisanego przez wtórną Teorię Porównania Społecznego^{nr 72}. Norma społeczna, która wykształciła się wśród rówieśników dzięki powszechnemu wykorzystaniu AI, powoduje stan FoMO, prowadzący do lęku przed przegapieniem, co z kolei zwiększa zależność i jeszcze bardziej obniża motywację do samodzielnej nauki.

Ta dynamika motywacyjna jest wyjaśniana przez wyniki poznawcze opisane przez Teorię Obciążenia Poznawczego (CLT)⁷³. Chociaż generatywna SI może usprawnić uczenie się, minimalizując zbędne obciążenie poznawcze (np. poprzez natychmiastową definicję), nadmierne poleganie na tym może być nieproduktywne w zdobywaniu słownictwa poprzez zmniejszenie odpowiedniego obciążenia poznawczego potrzebnego do głębokiego kodowania leksykonu i przechowywania go w pamięci długotrwałej. Sytuację dodatkowo pogarsza stan wypalenia cyfrowego, który oznacza wyczerpanie zasobów poznawczych, podważające związek między zrozumieniem a uczeniem się. Z kolei SDT przedstawia ogólne wyjaśnienie dróg motywacyjnych, CLT rozwija następujące procesy poznawcze, a Teoria Porównań Społecznych opisuje powstały bodziec społeczno-afektywny (FoMO), które łączą się w złożone wyjaśnienie dualnego wpływu AI na naukę języka.

Projektowanie badań
Badanie to przyjmuje ilościowy projekt badań empirycznych, aby zbadać zależności między czynnikami związanymi ze sztuczną inteligencją (postrzegana zależność, kwestie etyczne, użycie generatywnej AI), lękiem przed przegapieniem (FoMO), wypaleniem cyfrowym oraz wynikami nauki języka (rozumienie tekstu i przyswajanie słownictwa). Stosuje się przekrojowe podejście oparte na badaniach, pozwalające na zbieranie danych w jednym momencie w czasie w celu oceny korelacji oraz efektów mediacji/moderacji. Projekt ten jest szczególnie odpowiedni do testowania proponowanego modelu teoretycznego, ponieważ umożliwia wykorzystanie modelowania równań strukturalnych (SEM) do analizy złożonych relacji między ukrytymi konstrukcjami.

Populacja i próba
Docelową grupą są uczniowie EFL na chińskich uniwersytetach, w kontekście gdzie narzędzia wspomagane przez AI do nauki języków są coraz częściej integrowane z programami nauczania. Zastosowano technikę convenience sampling do rekrutacji 465 uczestników, a wielkość próby została określona za pomocą a priori analizy mocy przy użyciu G*Power 3.1⁷⁴. Dla planowanych analiz wielokrotnej regresji (α = 0,05, potęga = 0,95, średni rozmiar efektu f² = 0,15) analiza wskazała minimalną wymaganą wielkość próby 166 uczestników, potwierdzając, że nasza próba 465 stanowi wystarczającą moc statystyczną. Wielkość próby jest również wystarczająca do przeprowadzenia analizy SEM i spełnia wymagania PLS-SEM, które wskazują, że minimalna liczba punktów próbowania powinna być 10-krotnie większa niż maksymalna liczba ścieżek strukturalnych do konstrukcji w modelu⁷⁵. Próbki zostaną zrekrutowane przy użyciu jednostek próbnych kilku uniwersytetów zlokalizowanych w różnych regionach geograficznych Chin, aby uzyskać wysokie wyniki w aspekcie uogólnialności. Dla porównania, zmienne demograficzne (wiek kandydata, płeć, poziom znajomości języka angielskiego oraz częstotliwość korzystania z narzędzi AI) będą rejestrowane i wykorzystywane jako elementy kontrolne w przyszłych badaniach.

Aby zapewnić analityczną integralność naszych ustaleń, w trakcie procesu zbierania i przygotowywania danych wdrożono wiele środków kontroli jakości. Początkowy rozkład ankiety wykazał 87% wskaźnik odpowiedzi. Po zebraniu danych zastosowano rygorystyczne procedury selekcji: niepełne ankiety z ponad 10% brakującymi danymi były wykluczane według list, a wszelkie pozostałe sporadycznie brakujące wartości na poziomie pozycji zostały adresowane za pomocą algorytmu imputacji Expectation-Maximization w SPSS, aby zachować moc statystyczną przy jednoczesnym minimalizowaniu błędów. Dodatkowo, wbudowane pytania do sprawdzania uwagi identyfikowały i ułatwiały usuwanie nieuważnych respondentów. Te kompleksowe procedury, w połączeniu z wykrywaniem wielowariantowych wartości odstających, zapewniły, że końcowy zbiór analityczny (N=450) spełniał wysokie standardy wiarygodności dla kolejnych modelowania równań strukturalnych.

Procedura zbierania danych
Dane zbierano w trybie mieszanym, wykorzystując zarówno metody online, jak i na miejscu, aby zmaksymalizować udział i dostępność. Zespół badawczy współpracował z wykładowcami kursów z wybranych uczelni, którzy rozpowszechniali unikalny link do ankiety bezpośrednio do studentów za pośrednictwem oficjalnych grup klasowych na WeChat. Ta metoda wykorzystywała zaufane kanały do poprawy wskaźników odpowiedzi. W przypadku zbierania danych na miejscu główny badacz i przeszkoleni asystenci odwiedzali wyznaczone sale lekcyjne podczas zaplanowanych sesji. Po krótkim wprowadzeniu do badania rozdali papierowe pakiety ankietowe. Procedura uzyskania świadomej zgody była dostosowana do każdego trybu udziału. W wersji online uczestnicy otrzymali na pierwszej stronie cyfrowy formularz zgody. Przed aktywacją kwestionariusza musieli zaznaczyć "Przeczytałem i zrozumiałem powyższe informacje i dobrowolnie zgadzam się na udział". Dla uczestników na miejscu do pakietu ankietowego dołączano szczegółową kartę informacyjną, a pisemną zgodę uzyskiwano poprzez podpisanie fizycznej zgody przed otrzymaniem ankiety. Pełny kwestionariusz został zaprojektowany tak, aby można było go wypełnić w ciągu 15-20 minut, aby zminimalizować zmęczenie respondentów. Aby zapewnić jakość danych, w ankiecie umieszczono dwa punkty sprawdzania uwagi ("Proszę wybrać 'Zdecydowanie nie zgadzam się' dla tego stwierdzenia"). Niekompletne zgłoszenia z brakującymi ponad 10% danych oraz te, które nie przeszły kontroli uwagi, były automatycznie oznaczane przez system i następnie wykluczane. Okres zbierania danych trwał cztery tygodnie, podczas których wysłano dwie przypomnienia przez początkowe kanały dystrybucji. Po zebraniu danych zbiór danych przeszedł rygorystyczny proces czyszczenia, w tym sprawdzenie brakujących wartości, jednowymiarowych i wielowymiarowych wartości odstających oraz naruszeń założeń normalności, przed analizą statystyczną.

Pomiary i adaptacja skali

Postrzegana zależność od AI
Postrzegana zależność od AI była mierzona za pomocą skali 5-pozycyjnej zaadaptowanej z Morales-García i ^in.76. Skala ta mierzy, jak bardzo ludzie są zależni od sztucznej inteligencji w codziennych czynnościach i procesie decyzyjnym. Te elementy odzwierciedlają kilka aspektów zależności, w tym postrzeganą potrzebę korzystania z narzędzi AI dla efektywności oraz niemożność pracy bez wsparcia AI.

Postrzegane kwestie etyczne AI
Kwestie etyczne oceniano za pomocą wielowymiarowej skali opracowanej przez Kima i Ko⁷⁷. Aby wzmocnić ważność i znaczenie dla populacji EFL, cztery wymiary skali zostały ujęte w specyficznym kontekście nauki języków opartej na AI. Ta skala składa się z czterech kluczowych wymiarów: przejrzystości (8 pozycji), sprawiedliwości (5 pozycji), bezpieczeństwa (5 pozycji) oraz odpowiedzialności (8 pozycji). Każdy wymiar ocenia różne wyzwania etyczne, takie jak jasność procesów decyzyjnych w AI, uprzedzenia w algorytmach AI, ryzyka związane z wykorzystaniem AI oraz odpowiedzialność we wdrażaniu AI. Taka ukierunkowana operacjonalizacja sprawia, że elementy te bezpośrednio odpowiadają dylematom etycznym, z jakimi uczniowie EFL mogą się spotkać.

Wykorzystanie generatywnej AI
Wykorzystanie generatywnej AI zostało zorganizowane na podstawie 8-pozycyjnej skali z Abbas i ^in.78. Ta skala mierzy poziom i regularność korzystania z generatywnych modeli AI, w tym urządzeń do tworzenia tekstu i obrazów. Produkty te analizują różne zastosowania, takie jak akademickie, zawodowe i osobiste, i pomagają zrozumieć, jak ludzie włączają je do swojego życia i z których korzystają. To kompleksowe podejście pozwala nam uchwycić holistyczną integrację generatywnej AI z ekosystemem uczniów, co jest warunkiem wstępnym do zrozumienia jej szerszych efektów psychologicznych i poznawczych.

Strach przed przegapieniem (FoMO)
Fear of Missing Out został zmierzony według skali 17 pozycji według Mazlum i Atalay⁷⁹. Ta skala została wybrana ze względu na subtelną ocenę lęku związanego z doświadczeniami, których brakuje im wśród rówieśników. Jest to szczególnie trafne dla tego badania, ponieważ obejmuje elementy bardzo istotne dla cyfrowo mediowanych środowisk nauki, w tym kompulsywną potrzebę pozostawania w kontakcie online oraz strach przed utratą lepszych strategii nauczania, zasobów czy postępów rówieśniczych ułatwianych przez AI, co bezpośrednio łączy użycie AI z lękiem psychospołecznym.

Czytanie ze zrozumieniem
Rozumienie tekstu mierzono za pomocą strategii czytania zaadaptowanych z Mokhtari i in. ⁸⁰, które obejmują trzy wymiary: Globalne Strategie Czytania 5 pozycji, Strategie rozwiązywania problemów 5 pozycji oraz Strategie Wsparcia Czytania 5 pozycji. Ta skala ocenia, jak jednostka podchodzi do tego i rozumie materiały pisane, koncentrując się na ich zdolności syntezy informacji, rozwiązywania trudności ze zrozumieniem oraz wykorzystywania zewnętrznych pomocy do pogłębienia zrozumienia.

Wypalenie cyfrowe w nauce
Wypalenie cyfrowe w nauce mierzono skalą dostosowaną z Ertena i Özdemira⁸¹, obejmującą trzy wymiary: starzenie się cyfrowe (12 pozycji), deprywację cyfrową (6 pozycji) oraz wyczerpanie emocjonalne (6 pozycji). Ta skala ocenia negatywne psychologiczne skutki długotrwałego zaangażowania cyfrowego, w tym zmęczenie nadmiernym czasem spędzanym przed ekranem, poczucie odłączenia oraz wyczerpanie psychiczne wynikające z wymagań nauki online.

Przyswajanie słownictwa
Przyswajanie słownictwa oceniano za pomocą skali 4-pozycyjnej z Li i in. ⁸². Skala ta służy do mierzenia skuteczności strategii nauki słownictwa w tym, jak ludzie przyjmują, zapamiętują i używają nowych słów w różnych kontekstach. Materiał ocenia kompetencje i pewność siebie w używaniu słownictwa.

Plan analizy danych
Badanie stosuje kompleksową, dwufazową strategię analityczną, aby rygorystycznie zbadać hipotetyczne związki. Wstępne przesiewanie danych i analizy wstępne przeprowadzane są przy użyciu SPSS 28, koncentrując się na statystyce opisowej do oceny rozkładów danych, analizach wiarygodności skali (alfa Cronbacha) oraz korelacjach bivariacyjnych, aby zbadać wstępne powiązania między kluczowymi konstruktami. Wszystkie elementy w skali Likerta były kodowane w skali 5-punktowej (1=Zdecydowanie się nie zgadzam do 5=Zdecydowanie się zgadzam). Ta podstawowa analiza zapewnia jakość danych i dostarcza niezbędnych informacji o podstawowych cechach zbioru danych, zanim przejdzie się do bardziej złożonego modelowania. Do analizy podstawowej stosuje się SmartPLS 4 do implementacji modelowania strukturalnych (PLS-SEM), wybranego ze względu na solidne obsługę złożonych modeli predykcyjnych z ukrytymi zmiennymi⁸³. Analiza rozpoczyna się od gruntownej oceny modelu pomiarowego, gdzie analiza czynnikowa potwierdzająca ustala właściwości psychometryczne skal. Kluczowe oceny obejmują testy spójności wewnętrznej (złożona wiarygodność), zgodności zbieżnej (wyodrębniona średnia wariancja) oraz dyskryminacyjnej ważności (kryterium Fornella-Larckera oraz stosunek heterocech do monocech). Te kroki zapewniają, że konstrukcje są zarówno teoretycznie solidne, jak i empirycznie odrębne.

Następnie bada się model strukturalny, aby przetestować założone relacje między konstruktami. Współczynniki ścieżek są analizowane pod kątem ich wielkości, kierunku i istotności statystycznej, natomiast rozmiary efektów (f²) obliczane są w celu oceny istotnego wpływu. Trafność predykcyjna modelu ocenia się za pomocą statystyki Stone-Geisser Q², z procedurami zaklejającymi oczy potwierdzającymi zdolność modelu do przewidywania zmiennych endogennych. W analizach mediacyjnych badanie wykorzystuje podejście Preacher i Hayes⁸⁴, bootstrapping, które zapewnia solidne przedziały ufności dla efektów pośrednich, jednocześnie kontrolując potencjalne zmienne zakłócające. Efekty moderacji testuje się za pomocą terminów interakcji tworzonych metodą wskaźników produktu PLS, przy czym przeprowadza się prostą analizę nachylenia w celu interpretacji istotnych efektów interakcji. Wszystkie analizy wykorzystują 5 000 próbek bootstrap, aby uzyskać stabilne szacunki i zapewnić wiarygodność wyników.

Do analizy podstawowej stosuje się SmartPLS 4 do implementacji modelowania strukturalnych (PLS-SEM), wybranego ze względu na solidne obsługę złożonych modeli predykcyjnych z ukrytymi zmiennymi⁸³. Wybór PLS-SEM zamiast SEM OPARTEGO NA KOWARIANCJI (CB-SEM) jest uzasadniony głównym celem badania, jakim jest przewidywanie zmiennych endogennych (przyswajanie słownictwa) oraz jego złożonym modelem wykorzystującym mechanizmy mediujące i moderujące⁸⁵. Ponadto PLS-SEM jest preferowany przed regresją wielokrotną, ponieważ jednocześnie szacuje relacje między wszystkimi utajonymi konstrukcjami w całym modelu, uwzględniając błąd pomiaru. Chociaż projekty eksperymentalne oferują silne wnioskowanie przyczynowe, przekrojowy charakter tego badania ma na celu ustalenie relacji predykcyjnych w rzeczywistym kontekście uczenia się, do czego PLS-SEM jest dobrze przystosowany⁸⁶. Wreszcie, to badanie dotyczące analizy danych oraz jego wyniki można zobaczyć w sekcji Wyniki poniżej.

Wyniki

Statystyki opisowe
Statystyki opisowe przedstawiają przegląd istotnych zmiennych w badaniu, tj. postrzeganej zależności od AI, kwestii etycznych oraz wykorzystania generatywnej AI, lęku przed przegapieniem (FoMO), rozumienia tekstu, wypalenia cyfrowego oraz przyswajania słownictwa. Analiza pokaże kluczowe tendencje, rozproszenie i cechy dystrybucyjne danych, dostarczając zrozumienia zainteresowania uczestników technologiami AI oraz ich psychologicznych i rozumowych rezultatów. Normalność i zmienność m...

Dyskusja

Obecne badanie analizowało złożone współdziałania czynników związanych z AI, stanów psychologicznych oraz wyników uczenia się wśród uczniów EFL, co przyniosło kilka kluczowych wniosków. Nasze podejście metodologiczne, a konkretnie wykorzystanie PLS-SEM, było kluczowe dla modelowania tych złożonych relacji. W przeciwieństwie do SEM OPARTEGO NA KOWARIANCJI (CB-SEM), który lepiej nadaje się do potwierdzania teorii, predykcyjna orientacja PLS-SEM oraz zdolność do obsługi złożonych modeli z pośredniczącymi i moderującymi zmie...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Laptop Computer	Dell Technologies	Nie ma	Wykorzystywane do przetwarzania danych i dokumentacji
Oprogramowanie statystyczne (SPSS)	IBM Corp.	Wersja 26.0	Wykorzystywane do analizy statystycznej
Microsoft Excel	Microsoft	Office 365	Wprowadzanie danych i podstawowa obsługa danych