Artykuł badawczy

Integracja wsparcia tłumaczeniowego wspomaganego sztuczną inteligencją w kursach języka angielskiego: wpływ na dokładność tłumaczeń, postrzegany stres i lęk

DOI:

10.3791/69987

⸱

9 czerwca 2026

1College of Humanities and Arts, Civil Aviation Flight University of China

W tym artykule

Podsumowanie

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

Niniejsze badanie analizuje, w jaki sposób strukturalizowane wsparcie dla tłumaczeń przy użyciu sztucznej inteligencji można włączyć do kursów języka angielskiego w celu poprawy dokładności tłumaczeń, jednocześnie zmniejszając postrzegany stres i lęk wśród studentów szkolnictwa wyższego.

Streszczenie

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

Kompetencja tłumaczeniowa w języku angielskim jest ważną umiejętnością akademicką na poziomie szkolnictwa wyższego, jednak wielu studentów doświadcza znacznych trudności językowych, obciążenia poznawczego i presji psychicznej podczas zadań tłumaczeniowych. Niniejsze badanie mieszane metod zbadała, czy zorganizowane wsparcie tłumaczeniowe wspierane sztuczną inteligencją, zintegrowane z kursami języka angielskiego, było związane ze zmianami w dokładności tłumaczenia, postrzeganiu stresu oraz lęku wśród studentów uczelni wyższych. Łącznie 525 studentów studiów licencjackich i magisterskich wzięło udział w ośmiotygodniowej interwencji edukacyjnej. Ocena wstępna i po interwencji obejmowała test dokładności tłumaczenia, Skala Postrzeganego Stresu oraz skalę Lęku Ogólnego Zespołu-7. Analizę ilościową przeprowadzono przy użyciu sparowanych porównań, analizy korelacji, analizy regresji oraz porównań grupowych, a uzupełniono ją jakościowymi wywiadami w celu zbadania doświadczeń edukacyjnych studentów. Po interwencji, uczestnicy wykazali lepszą dokładność tłumaczeń i niższe poziomy postrzeganego stresu i lęku. Wyższa częstotliwość korzystania z narzędzia była związana z lepszą wydajnością tłumaczeń, chociaż projekt badania nie wspiera silnych wniosków przyczynowych. Wyniki jakościowe wskazują ponadto, że zorganizowane ćwiczenia wspierane narzędziem pomogły zmniejszyć przeciążenie poznawcze, wsparły procesy rewizji i poprawiły zaangażowanie w zadania tłumaczeniowe. Te wyniki sugerują, że integracja wsparcia tłumaczeniowego wspartego sztuczną inteligencją w kursach języka angielskiego może oferować praktyczne podejście dydaktyczne do zwiększania wydajności tłumaczeń, jednocześnie wspierając dobre samopoczucie studentów. Badanie dostarcza dowodów empirycznych do obecnych dyskusji na temat technologicznie wzbogaconej pedagogiki tłumaczeń i dostarcza adaptacyjnego ram dydaktycznego dla kontekstów szkolnictwa wyższego.

Wprowadzenie

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

Kompetencja w zakresie tłumaczeń na język angielski stała się coraz ważniejsza w szkolnictwie wyższym, ponieważ uczelnie starają się przygotować studentów do globalnej wymiany akademickich, międzynarodowej komunikacji zawodowej i międzykulturowej produkcji wiedzy1. Jednak tłumaczenie nie jest czysto lingwistycznym ćwiczeniem. Wymaga również kontekstowego osądu, mediacji kulturowej i trwałego kontroli poznawczej, co czyni je wymagającą formą pracy akademickiej dla wielu uczniów2. W warunkach klasowych, te wymagania często generuje znaczny nacisk, szczególnie dla studentów z dziedzin takich jak lingwistyka, literatura i studia międzynarodowe, gdzie zadania tłumaczeniowe są ściśle związane z oceną wydajności i tożsamością akademicką3. Konwencjonalne nauczanie tłumaczenia, choć wartościowe z pedagogicznego punktu widzenia, może więc stać się czasochłonne, kognitywnie obciążające i psychicznie wymagające, gdy oczekuje się od studentów, że będą zarządzać złożonymi tekstami źródłowymi przy ograniczonej bezpośredniej pomocy4.

Ostatnie osiągnięcia w technologiach językowych wspomaganych sztuczną inteligencją stworzyły nowe możliwości dla radzenia sobie z tymi wyzwaniami dydaktycznymi5. W nauce tłumaczeń takie narzędzia mogą zapewnić szybkie wsparcie leksykalne, syntaktyczne i semantyczne, pomagając w ten sposób studentom zmniejszyć niepewność podczas szkicowania i poprawiania6. Niektóre badania w kontekście języka angielskiego jako obcego sugerują, że nauka wspierana technologicznie może poprawić wydajność językową, wzmocnić pewność siebie uczniów i wspierać regulację emocjonalną podczas wymagających zadań7,8. Jednocześnie istniejąca literatura podnosi również obawy dotyczące nadmiernej zależności od automatycznych wyników, zmniejszonego krytycznego zaangażowania i ciągłej potrzeby wskazówek od nauczyciela, gdy te narzędzia są wprowadzane do formalnego środowiska edukacyjnego9. W rezultacie edukacyjną wartość wsparcia tłumaczeniowego wspomaganego sztuczną inteligencją nie można rozumieć wyłącznie pod względem wydajności wyników. Musi być również badana w odniesieniu do tego, jak takie wsparcie jest strukturalizowane, jak uczniowie z nim współpracują i jak kształtuje zarówno wydajność, jak i doświadczenie psychologiczne podczas nauki.

Mimo rosnącego zainteresowania tłumaczeniem wspieranym sztuczną inteligencją, w obecnej literaturze pozostaje istotna luka. Dużo z istniejących badań koncentruje się albo na jakości tłumaczenia, albo na ogólnym nastawieniu do technologii edukacyjnej, podczas gdy stosunkowo niewiele badań bada zarówno wyniki akademickie, jak i psychologiczne w ramach jasno zstrukturyzowanej interwencji klasowej10. W szczególności dostępne są ograniczone dowody na to, czy sterowane używanie wsparcia tłumaczeniowego wspomaganego sztuczną inteligencją na uniwersyteckich kursach języka angielskiego wiąże się nie tylko z poprawą dokładności tłumaczeń, ale również ze zmniejszeniem postrzeganego stresu i lęku w ciągu dłuższego okresu instrukcji. Ta luka jest istotna, ponieważ pedagogiczna wartość takich narzędzi zależy nie tylko od tego, czy uczniowie wytwarzają lepsze tłumaczenia, ale również od tego, czy proces uczenia się staje się bardziej zarządzalny, pewny i zrównoważony edukacyjnie.

Zgodnie z tym, obecne badanie zbadał integrację strukturalizowanego wsparcia tłumaczeniowego wspomaganego sztuczną inteligencją na uniwersyteckich kursach języka angielskiego w okresie ośmiu tygodni. Badanie miało dwa cele: po pierwsze, zbadanie, czy dokładność tłumaczeń, postrzegany stres i niepokój uczniów zmieniły się po interwencji; a po drugie, zbadanie, czy wzorce użycia narzędzi były związane z wydajnością tłumaczeń i doświadczeniem studentów. Oczekiwano ponadto, że strukturalne wdrożenie, a nie niekierowane narażenie na narzędzia, będzie związane z lepszymi wynikami tłumaczeń i bardziej korzystnymi reakcjami psychologicznymi. Nowatorstwo badania polega na jego połączonej ocenie wymiarów poznawczych i psychologicznych w ramach jednego projektu dydaktycznego, wykorzystując zarówno ilną ocenę, jak i badania jakościowe, aby zbadać, jak wsparcie tłumaczeniowe wspierane sztuczną inteligencją funkcjonuje w praktyce klasowej.

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

Protokół

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

To badania przeprowadzono w ramach Wydziału Nauk Humanistycznych i Sztuk Uniwersytetu Lotnictwa Cywilnego w Chinach, wykorzystując anonimizowane dane edukacyjne zebrane w środowisku kursowym. W zbiorze danych analitycznych nie zawarto żadnych danych osobowych umożliwiających identyfikację. Wszyscy uczestnicy zostali poinformowani o celach i procedurach badania, a pisemna zgoda na udział w badaniu została uzyskana przed rozpoczęciem. Uczestnictwo było dobrowolne, a nieudział lub wycofanie się z komponentu badawczego nie miało wpływu na uczestnictwo w kursach, oceny czy dostęp do regularnej nauki. Zgodnie z obowiązującym w Uniwersytecie Lotnictwa Cywilnego w Chinach ramami praktyki badawczej, badania oparte na anonimizowanych danych edukacyjnych o minimalnym ryzyku mogą nie wymagać formalnej oceny etycznej. Wszystkie anonimizowane materiały były przechowywane w chronionych hasłem plikach, do których dostęp miał tylko zespół badawczy. Etyka i przepływ uczestników są przedstawione na Rysunek 1.

1. Rekrutacja uczestników i charakterystyka początkowa

Do badania zaproszono 525 studentów z kursów związanych z językiem angielskim lub tłumaczeniem. Uczestniczyli w nim studenci licencjacki i magisterscy z dziedzin takich jak językoznawstwo, literatura i studia międzynarodowe. Wszyscy ochotnicy byli przesłuchiwani przed zapisami. Dołączyli tylko studenci, którzy obecnie uczęszczali na kurs języka angielskiego lub tłumaczeń i mieli przynajmniej średni poziom znajomości języka angielskiego na podstawie instytucjonalnych wyników testów, poprzedniego kursu czy odpowiednich dowodów akademickich. Studenci z znacznym doświadczeniem zawodowym w tłumaczeniu profesjonalnym zostali wykluczeni. Zarejestrowane zostały wiek, płeć, poziom nauki, dziedzina studiów, wcześniejsze doświadczenie z wsparciem AI w tłumaczeniu oraz początkowa częstotliwość używania narzędzi. Charakterystyka uczestników jest przedstawiona w Tabeli 1.

2. Projekt nauczania i przepływ interwencji

Wdrożono ośmiotygodniową interwencję klasową, w której konwencjonalna nauka tłumaczeń pozostała głównym trybem nauczania, a wsparcie AI w tłumaczeniu było strukturalnym uzupełnieniem11. W tygodniu 0 zakończono ocenę początkową. Od tygodnia 1 do tygodnia 8 co tydzień przypisywano jedno zadanie tłumaczeniowe, a wszyscy uczestnicy musieli przestrzegać tej samej sekwencji nauczania. Na koniec tygodnia 8 ponownie zastosowano zestaw narzędzi użytych na początku. Po fazie ilościowej przeprowadzono wywiady półstrukturalne z podgrupy uczestników wybranej w celu osiągnięcia celów badania. Przepływ prac jest przedstawiony na Rysunek 2.

3. Ocena początkowa

Wszystkie pomiary początkowe przeprowadzono w nadzorowanym środowisku klasy pod jednakowymi instrukcjami i warunkami czasowymi. Zastosowano zadanie tłumaczeniowe oparte na tekście źródłowym liczącym około 300 słów. Wybrano fragment zawierający zarówno dosłowne, jak i kulturowo subtelne segmenty, aby wymagać od studentów wykazania słowniczej dokładności, kontroli składniowej, wierności znaczeniowej i zrozumienia kontekstu12. Zabroniono używania zewnętrznych narzędzi podczas testów początkowych. Wszystkie ukończone skrypty zostały anonimizowane przed oceną. Każdy skrypt był oceniany niezależnie przez dwóch wyszkolonych oceniających za pomocą kryteriów obejmujących dokładność słownictwa, właściwość gramatyczną i składniową, kompletność semantyczną i kontekstualizację kulturową. Jeśli różnica w wynikach przekroczyła wcześniej określony zakres tolerancji, wymagano dyskusji, aż do osiągnięcia zgody w ocenie.

Po zadaniu tłumaczeniowym przeprowadzono skalę 10-punktową postrzeganego stresu i wynikano zgodnie ze standardową procedurą, przy czym wyższe wyniki wskazywały na większy postrzegany stres13. Następnie zastosowano skalę 7-punktową uporczywej ogólnej niepokoju i wynikano zgodnie z opublikowaną metodą, przy czym wyższe wyniki wskazywały na większą poważność niepokoju14. Wreszcie zastosowano krótką skalę pewności siebie w tłumaczeniu za pomocą pięciopunktowej skali Likerta. Przedstawiono reprezentatywne pozycje, zakresy wyników i definicje zmiennych w Tabeli 2.

4. Standaryzowane tygodniowe integrowanie wsparcia AI w tłumaczeniu

Podczas każdego tygodnia interwencji przypisywano jedno zadanie tłumaczeniowe, które było jak najbardziej dopasowane pod względem gatunku i trudności do pozostałych zadań tygodniowych. Studenci musieli wykonać zadanie w tej samej kolejności co każdy tydzień. Po pierwsze, niezależnie przeczytano tekst źródłowy i zaznaczono trudne słownictwo, struktury składniowe lub wyrażenia obciążone kulturowo. Po drugie, przygotowano początkowy szkic lub krótką not

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

Wyniki

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

Wyniki podstawowe

Głównym celem tego badania było ustalenie, czy dokładność tłumaczeń, postrzegana presja, niepokój i pewność siebie w zakresie tłumaczeń uległy zmianie w okresie ośmiotygodniowej interwencji. Analizy oparte na 525 uczestnikach wykazały znaczące różnice przed i po interwencji dla wszystkich czterech zmiennych wyniku podstawowego. Jak pokazano w Tabeli 3, dokładność tłumaczeń wzrosła z 68,45 (SD = 8,12) na poziomie początkowym do 82,76 (SD = 6,9...

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

Dyskusja

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

Niniejsze badanie zbadał, czy strukturalne wykorzystanie narzędzi wsparcia w tłumaczeniu na uczelnianych kursach języka angielskiego wiąże się ze zmianami w wydajności tłumaczeń i efektach psychologicznych w okresie ośmiu tygodni. Wyniki wykazały znaczące różnice przed i po interwencji we wszystkich czterech głównych wynikach. Dokładność tłumaczeń wzrosła po interwencji, podczas gdy postrzegana presja i niepokój zmniejszyły się, a pewność siebie w tłumaczeniu wzrosła. Analizy wtórnej wykazały ponadto, że dokładność tłuma...

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

Podziękowania

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

Nie dotyczy.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AI-assisted translation and language support platformOpenAI (web)Usługa internetowa; dostępna według harmonogramu badańUżywana podczas cotygodniowych zadań związanych z szkicowaniem i rewizją do generowania sugestii tłumaczeniowych i opinii językowych
Komputery stacjonarne / laptopyWyposażenie dostępne w instytucjiRównoważne akceptowalneUżywane do zadań tłumaczeniowych, wprowadzania danych, kodowania i analizy statystycznej
Cyfrowe urządzenie nagrywająceWyposażenie dostępne w instytucjiRównoważne akceptowalneUżywane do nagrywania wywiadów, gdy jest to wymagane
Skala Ogólnej Ankiety Lęku (7-elementowa)Oryginalni twórcy: Spitzer i in.Standardowe narzędzieUżywane na etapie początkowym i po interwencji do oceny lęku
Słuczki do transkrypcji i sprawdzaniaWyposażenie dostępne w instytucjiRównoważne akceptowalneUżywane podczas transkrypcji i sprawdzania przez kodera
Internetowa platforma tłumaczeniowaGoogle LLC (web)Usługa internetowa; dostępna według harmonogramu badańUżywana jako dodatkowe źródło wsparcia tłumaczeniowego podczas interwencji
Skala Postrzeganego Stresu (10-elementowa)Oryginalni twórcy: Cohen i in.Standardowe narzędzieUżywane na etapie początkowym i po interwencji do oceny postrzeganego stresu
Oprogramowanie do kodowania jakościowegoQSR InternationalWersja 14Używane do organizacji tematycznej i wsparcia kodowania podczas analizy wywiadów
Oprogramowanie do analizy statystycznejIBM Corp.Wersja 31Używane do statystyk opisowych, testów parowanych, regresji, testów chi-kwadratowych i korelacji Pearsona
Źródło tekstów do oceny dokładności tłumaczeniaOpracowanie własne badaniaWersja 1.0Około 300-słowowe fragmenty dopasowane pod względem długości i trudności
Miara pewności tłumaczeniaOpracowanie własne badaniaWersja 1.0Trzy-elementowa miara samoopisowa używająca formatu Likerta 5-punktowego
Rubryka oceny tłumaczeniaOpracowanie własne badaniaWersja 1.0Cztery dziedziny analityczne: dokładność leksykalna, odpowiedniość gramatyczna/syntaktyczna, wierność semantyczna, kontekstualna kulturowa
Dziennik użycia tygodniowegoOpracowanie własne badaniaSzablon v1.0Używane do rejestrowania etapu zadania, częstotliwości i funkcji użycia narzędzia wsparcia

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Molnár, O. Evolving L2 translation competence in light of technological turn. Acta Universitatis Carolinae Philologica. 2025 (2), 57-73 (2025).
  2. Jia, J., Wei, Z., Cheng, H., Wang, X. Translation directionality and translator anxiety: Evidence from eye movements in L1-L2 translation. Front Psychol. 14, 1120140(2023).
  3. Chen, T. The interplay between psychological well-being, stress, and burnout: Implications for translators and interpreters. Heliyon. 9 (8), e18589(2023).
  4. Chmiel, A., Kajzer-Wietrzny, M., Koržinek, D., Jakubowski, D., Janikowski, P. Syntax, stress and cognitive load, or on syntactic processing in simultaneous interpreting. Transl Cogn Behav. 7 (1), 22-47 (2024).
  5. Kruk, M., Kałużna, A. Investigating the role of AI tools in enhancing translation skills, emotional experiences, and motivation in L2 learning. Eur J Educ. 60 (1), e12859(2025).
  6. Xu, S., Su, Y., Liu, K. Investigating student engagement with AI-driven feedback in translation revision: A mixed-methods study. Educ Inf Technol. 30 (12), 16969-16995 (2025).
  7. Du, J., Daniel, B. K. Transforming language education: A systematic review of AI-powered chatbots for English as a foreign language speaking practice. Comput Educ Artif Intell. 6, 100230(2024).
  8. Shao, S. The role of AI tools on EFL students’ motivation, self-efficacy, and anxiety: Through the lens of control-value theory. Learn Motiv. 91, 102154(2025).
  9. Pratiwi, H., Riwanda, A., Hasruddin, H., Sujarwo, S., Syamsudin, A. Transforming learning or creating dependency? Teachers' perspectives and barriers to AI integration in education. J Pedagog Res. 9 (2), 127-142 (2025).
  10. Abdallah, N., et al. Systematic review of ChatGPT in higher education: Navigating impact on learning, well-being, and collaboration. Soc Sci Humanit Open. 12, 101866(2025).
  11. Ren, X., Wang, R. Integrating human-AI collaboration into translation education: A comprehensive protocol for assessment, diagnosis, and strategy development. PLoS One. 20 (12), e0338089(2025).
  12. Mariana, V., Cox, T., Melby, A. The Multidimensional Quality Metrics (MQM) Framework: A new framework for translation quality assessment. J Spec Transl. 23, 137-161 (2015).
  13. Cohen, S., Williamson, G. Perceived stress in a probability sample of the United States. The Social Psychology of Health. Spacapan, S., Oskamp, S. , 31-67 (1988).
  14. Spitzer, R. L., et al. A brief measure for assessing generalized anxiety disorder: The GAD-7. Arch Intern Med. 166 (10), 1092-1097 (2006).
  15. Urlaub, P., Dessein, E. Machine translation and foreign language education. Front Artif Intell. 5, 936111(2022).
  16. Braun, V., Clarke, V. Using thematic analysis in psychology. Qual Res Psychol. 3 (2), 77-101 (2006).
  17. Fetters, M. D., Curry, L. A., Creswell, J. W. Achieving integration in mixed methods designs principles and practices. Health Serv Res. 48 (6 Pt 2), 2134-2156 (2013).
  18. Deng, R., et al. Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Comput Educ. 227, 105224(2025).
  19. Wang, S., et al. Artificial intelligence in education: A systematic literature review. Expert Syst Appl. 252, 124167(2024).
  20. Dos, I. A systematic review of research on ChatGPT in higher education. Eur Educ Res. 8 (2), 59-76 (2025).
  21. Li, Y., Zhou, X., Chiu, T. K. F. Systematics review on artificial intelligence chatbots and ChatGPT for language learning and research from self-determination theory (SDT): What are the roles of teachers? Interact Learn Environ. 33 (3), 1850-1864 (2025).
  22. Annamalai, N., Nasor, M. Exploring ChatGPT in education: Unveiling learners’ experiences through the lens of self-determination theory. Smart Learn Environ. 12 (1), 59(2025).
  23. Mogavi, R. H., et al. ChatGPT in education: A blessing or a curse? A qualitative study exploring early adopters’ utilization and perceptions. Comput Hum Behav Artif Humans. 2 (1), 100027(2024).
  24. Lin, H., Chen, Q. Does artificial intelligence-assisted learning positively affect college students’ motivation, emotion regulation, and academic uncertainty? Insight from situated learning theory. Learn Motiv. 92, 102202(2025).

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

Artificial Intelligence TranslationTranslation AccuracyPerceived StressStudent AnxietyEnglish CoursesTranslation SupportTechnology Enhanced PedagogyCognitive OverloadHigher EducationTranslation Performance

Powiązane artykuły