Jak dobrostan cyfrowy i generatywna sztuczna inteligencja osiągają sukcesy akademickie uczniów oraz cele zrównoważonego rozwoju

Podsumowanie

Badanie wykazało, że dobrostan cyfrowy i generatywna sztuczna inteligencja zwiększają zaangażowanie w naukę języka angielskiego jako języka obcego, co prowadzi do lepszych wyników w nauce. Wyższe osiągnięcia zwiększają świadomość celów zrównoważonego rozwoju, łącząc technologię edukacyjną zarówno z efektami akademickimi, jak i zrównoważonymi.

Streszczenie

Badanie to analizuje, jak dobrostan cyfrowy oraz wdrażanie generatywnej AI przyczyniają się do sukcesów akademickich uczniów z języka angielskiego jako języka obcego (EFL) oraz ich zaangażowania w realizację Celów Zrównoważonego Rozwoju (SDGs). Korzystając z ilościowego wzoru przekroju, zebrano dane od 440 uczestników za pomocą zweryfikowanych skal mierzących dobrostan cyfrowy, korzystanie z AI, zaangażowanie w naukę, wyniki akademickie oraz świadomość celów SDG. Do analizy zależności między tymi konstrukcjami przy jednoczesnej ocenie trafności i odporności modelu na podstawie najmniejszych kwadratów cząstkowych (PLS-SEM) zastosowano modelowanie strukturalne metodą najmniejszych kwadratów (PLS-SEM). Wyniki pokazują, że zarówno dobrostan cyfrowy, jak i generatywna sztuczna inteligencja znacząco zwiększają zaangażowanie w naukę EFL, co z kolei napędza sukcesy akademickie. Ponadto osiągnięcia akademickie pozytywnie wpływają na świadomość uczniów dotyczących SDG, podkreślając powiązania edukacji cyfrowej z wynikami zrównoważonego rozwoju. Badanie wskazuje, że zaangażowanie w naukę jest kluczowym pośrednikiem między technologią wspieraną nauką a wynikami akademickimi. Wyniki te podkreślają znaczenie integracji strategii wellness cyfrowych oraz umiejętności AI w ramach edukacji, aby wspierać zarówno osiągnięcia naukowe, jak i globalne obywatelstwo. Osiąga się je poprzez projektowanie programów nauczania i metod nauczania, które jednocześnie uczą uczniów zarządzać swoim cyfrowym życiem dla efektywnej nauki oraz wyposażają ich w wykorzystywanie i krytyczną analizę zaawansowanych technologii w celu zrozumienia i reagowania na najpilniejsze wyzwania świata.

Wprowadzenie

W erze naznaczonej szybkim postępem technologicznym, integracja cyfrowego dobrostanu i generatywnej sztucznej inteligencji (GAI) z edukacją stała się siłą transformacyjną o dalekosiężnych konsekwencjach dla osiągnięć akademickich uczniów oraz dla Celów Zrównoważonego Rozwoju Organizacji Narodów Zjednoczonych (^SDGs)1. Podczas gdy dobrostan cyfrowy koncentruje się na promowaniu zdrowego korzystania z technologii w celu poprawy równowagi poznawczej i emocjonalnej, GAI wprowadza bezprecedensowe możliwości w zakresie spersonalizowanego uczenia^{się 2}, dostępności oraz efektywności edukacyjnej³. Niemniej jednak, mimo że na całym świecie rośnie zainteresowanie tymi obszarami, istniejąca wiedza jest rozproszona, z niewielkim naciskiem na przyszłe obietnice synergii w rozwoju sukcesów akademickich i promowaniu globalnych kamieni milowych w zakresie zrównoważonego rozwoju⁴. Badania te pomagają wypełnić tę bardzo potrzebną lukę, analizując konkretnie, jak odpowiedzialne stosowanie GAI, oparte na zasadach cyfrowego dobrostanu, może maksymalizować efekty nauki, a jednocześnie wspierać kluczowe cele SDG, zwłaszcza SDG 4 (Edukacja Jakości), SDG 3 (Dobre Zdrowie i Dobrostan) oraz SDG 10 (Zmniejszenie nierówności).

Przegląd współczesnej literatury ujawnia kilka niedostatecznie zbadanych wymiarów. Po pierwsze, podczas gdy badania dotyczące dobrostanu cyfrowego podkreślają ryzyko nadmiernego czasu spędzanego przed ekranem, rozproszenia cyfrowego i problemów ze zdrowiem psychicznym wśród uczniów⁵, niewiele z nich badało, jak ustrukturyzowane praktyki uważności cyfrowej mogą współistnieć z narzędziami nauczania opartymi na AI⁶. Po drugie, badania nad GAI w edukacji przede wszystkim podkreślają jego skuteczność w automatyzacji ocen, generowaniu treści i umożliwianiu adaptacyjnego uczenia^{się 7}, jednocześnie pomijając jego psychologiczny i behawioralny wpływ na dobrostan uczniów⁸. Po trzecie, chociaż ramy SDG promują edukację inkluzywną i sprawiedliwą, poświęcono minimalną uwagę temu, jak środowiska edukacyjne wspierane przez AI, zaprojektowane z myślą o dobrostanie, mogą zmniejszyć nierówności edukacyjne i promować zrównoważone praktyki uczenia^{się 9}. Te luki podkreślają potrzebę integracyjnego podejścia, które harmonizuje innowacje technologiczne ze strategiami dobrostanu skoncentrowanymi na człowieku.

Niniejsze badanie odpowiada na te ograniczenia, proponując nowatorskie ramy, które dostosowują zasady dobrostanu cyfrowego do zastosowań GAI w edukacji. W przeciwieństwie do poprzedniego badania¹⁰, które analizowało te pojęcia niezależnie, nasze badanie rozważa ich dynamikę jako takie, przedstawiając empiryczne dowody na to, jak taka AI może być moralnie wdrażana w celu wspierania, a nie osłabiania, skupienia uczniów, motywacji i długoterminowych osiągnięć akademickich. W ten sposób obecny manuskrypt wzbogaci dalsze dyskusje w dziedzinach technologii edukacyjnej, psychologii i nauk o zrównoważonym rozwoju, dostarczając aktualną odmianę, która zainteresuje dużą liczbę czytelników, badaczy, decydentów i edukatorów zainteresowanych znalezieniem opartych na dowodach podejść do znalezienia właściwej równowagi między integracją technologii a zrównoważonym rozwojem, Wszechstronny rozwój uczniów i uczniów.

Teoretyczne osiągnięcia tych badań są potrójne. Po pierwsze, rozwija dyskurs na temat dobrostanu cyfrowego, wprowadzając nowy wymiar dobrostanu pośredniczonego przez AI, który bada, jak generatywna AI może być skalibrowana tak, by minimalizować przeciążenie poznawcze i promować uważne zaangażowanie¹¹. Po drugie, opiera się na literaturze dotyczącej AI w edukacji, integrując kwestie dobrostanu jako kluczowego elementu projektowego, zakłócając istniejące dyskursy napędzane efektywnością¹². Po trzecie, podnosi jakość badań nad SDGs, pokazując, jak nowoczesne systemy edukacyjne dzięki AI mogą stać się motorem zrównoważonego rozwoju, zwłaszcza w zmniejszaniu cyfrowych podziałów i zapewnianiu odporności psychicznej uczniów. Te innowacje teoretyka plasują nasze badania wśród awangardy interdyscyplinarnych studiów, oferując perspektywę na obecną współzależność technologii, edukacji i zrównoważonego rozwoju na skalę globalną. Pod względem akademickim badanie przedstawia holistyczne ramy dotyczące tego, jak można ocenić podwójny efekt GAI i dobrostanu cyfrowego na podstawie wyników nauki na podstawie danych empirycznych¹³. Wśród decydentów przedstawia praktyczne rekomendacje, jak można etyczne zarządzanie wykorzystaniem AI w edukacji, chroniąc bezpieczeństwo uczniów¹⁴. Dla nauczycieli pokazuje ona oparte na dowodach metody wdrażania narzędzia AI, które mogą wspierać, ale nie naruszać skuteczności pedagogiki¹⁵. Ponadto powiązanie tych wyników z Celami Zrównoważonego Rozwoju daje szerszy obraz ogólnych implikacji technologicznie zaawansowanej edukacji w społeczeństwie, stąd powody, dla których cyfrowe pionierstwo powinno być zgodne ze zrównoważonym rozwojem człowieka.

Pojawienie się szybko rozprzestrzeniających się technologii cyfrowych i generatywnej sztucznej inteligencji (AI) w edukacji wywołało ogromne zainteresowanie intelektualne ich łącznym wpływem na poziom wyników akademickich uczniów oraz realizację całego szeregu celów społecznych, w tym Celu Zrównoważonego Rozwoju¹⁶. Chociaż te osiągnięcia technologiczne mają rewolucyjny potencjał, zastosowania takich technologii w środowisku pedagogicznym to bogata dziedzina polaryzacji i kontrowersyjnej logistyki, gdzie istniejące badania powinny być krytycznie syntetyzowane, aby określić wnioski i ograniczenia nadchodzących badań¹⁷. Niniejszy przegląd literatury omówi spostrzeżenia z trzech powiązanych dziedzin: (1) dobrostanu cyfrowego i jego implikacji edukacyjnych, (2) generatywnej AI i jej wpływu na praktykę edukacyjną oraz (3) zgodności danych interwencji technologicznych z celami SDG, zwłaszcza tymi odnoszącymi się do wysokiej jakości edukacji, zdrowia i równości. Dobrostan cyfrowy stał się kluczowym obszarem badań w coraz bardziej technologicznie zanurzonych środowiskach edukacyjnych¹⁸. Chociaż badania podkreślają ryzyka takie jak przeciążenie poznawcze, rozproszenia cyfrowe i bierne konsumowanie związane z nadmiernym używaniem ekranu, rośnie świadomość potencjału do łagodzenia tych skutków¹⁹. Strategiczne interwencje, takie jak cyfrowa uważność, świadome korzystanie z technologii oraz refleksja metapoznawcza, mogą sprzyjać znaczącemu zaangażowaniu i chronić zdrowie psychiczne i emocjonalne. Co ważne, dobrostan cyfrowy wykracza poza ograniczanie czasu przed ekranem; Polega na budowaniu zrównoważonej, samodzielnej relacji z technologią²⁰. Ta perspektywa jest szczególnie istotna w kontekstach nauczania wspieranych przez AI, gdzie wyzwania etyczne, takie jak algorytmiczne uprzedzenia i nadmierne poleganie na automatyzacji, mogą bezpośrednio wpływać na poczucie kompetencji, autonomii²¹ oraz pokrewieństwa uczniów, czyli podstawowe potrzeby psychologiczne niezbędne do motywacji i dobrostanu²². Zniwelowanie tej luki wymaga ram, które nie tylko przeciwdziałają ryzykom związanym z interakcją cyfrową, ale także proaktywnie integrują zasady dobrostanu w projektowaniu i wykorzystaniu narzędzi generatywnej AI w edukacji.

Dzięki nowości generatywnej sztucznej inteligencji, która tworzy teksty, zdjęcia i gry przypominające człowieka reagujące na działania, otworzyła się nowa sfera możliwości spersonalizowanego i adaptacyjnego uczenia się²³. Badania potwierdziły, że jest skuteczny w automatyzacji procesów administracyjnych, tworzeniu spersonalizowanych zasobów edukacyjnych, udzielaniu informacji zwrotnej w czasie rzeczywistym oraz zwiększaniu zarówno efektywności, jak i dostępności instrukcji²⁴. Na przykład narzędzia oparte na AI, takie jak Intelligent Tutoring Systems i ChatGPT, zostały wykazane jako ułatwiające zróżnicowane instrukcje²⁵. Niemniej jednak, istnieją również etyczne i psychologiczne implikacje pedagogicznego wykorzystania generatywnej AI, takie jak problem integralności akademickiej, uprzedzenia algorytmu oraz możliwość utraty zdolności krytycznego myślenia przez uczniów przy zbyt dużym poleganiu na pracach generowanych przez AI²⁶. Chociaż obecne badania dostarczają ogromnych ilości informacji na temat możliwości działania AI w edukacji, pomijają one psychologiczne i behawioralne konsekwencje dla uczniów, zwłaszcza w kontekście dobrostanu cyfrowego²⁷. To pominięcie wskazuje na konieczność bliższego rozważenia sposobów, w jakie generatywna AI może być wykorzystywana do poprawy zdrowia poznawczego i emocjonalnego u uczniów^{, zamiast} im szkodzić. Połączenie dobrostanu cyfrowego i generatywnej AI zyskuje nowe znaczenie, gdy jest filtrowane przez pryzmat Celów Zrównoważonego Rozwoju, dzięki którym świat wykształcił globalne wezwanie do sprawiedliwego i zrównoważonego rozwoju. Z kolei SDG 4 (Edukacja Jakościowa) wymaga sprawiedliwego i inkluzywnego dostępu do możliwości nauki²⁹. Podobnie SDG 3 (Dobre zdrowie i dobrostan) oraz SDG 10 (Zmniejszenie nierówności) podkreślają potrzebę dbania o zdrowie psychiczne i promowania sprawiedliwości społecznej, które są związane z cyfrowymi doświadczeniami uczniów³⁰. Obecnie jednak SI i SDG są omawiane w sposób techno-pozytywny, chwaląc skalowalność interwencji AI i ignorując psychospołeczne aspekty wykorzystania technologii³¹. Dla zobrazowania, chociaż AI może personalizować doświadczenie edukacyjne niedostatecznie obsługiwanych grup, jej wdrożenie nie zapewnia ochrony dobrostanu, co może zwiększyć zmęczenie cyfrowe i pogłębić różnicę między uczniami mającymi różny dostęp do technologii i zdolności samoregulacji³². Napięcie między innowacją a dobrostanem podkreśla fakt, że ta luka w literaturze jest kluczowa, a istnienie spójnych, spójnych ram łączących postęp edukacyjny napędzany przez AI z humanistycznymi ideałami SDGs³³.

Psychologia edukacyjna, interakcja człowiek-komputer oraz badania nad zrównoważonym rozwojem stanowią niektóre z teoretycznych podejść, które mogą stanowić użyteczne spojrzenia na te dwa różne nurty badań. Przykładem takiej teorii jest teoria samostanowienia (SDT), według której zdrowe uczenie się i dobrostan można osiągnąć, gdy ludzie doświadczają satysfakcji autonomii, kompetencji i pokrewieństwa³⁴. W przypadku zastosowania w środowiskach cyfrowych SDT sugeruje, że generatywna AI może zwiększyć zarówno autonomię poprzez dostosowane programy nauczania, jak i kompetencje dzięki adaptacji informacji zwrotnej, ale także musi być zaprojektowana tak, by wspierać pokrewieństwo poprzez przekraczanie społecznego przesiedlenia³⁵. Podobnie pojęcie cyfrowej równowagi, czyli warunki, w którym wykorzystanie technologii odpowiada zarówno indywidualnemu, jak i zbiorowemu dobrostanowi, stanowi normatywną podstawę do oceny roli AI w edukacji³⁶. Niemniej jednak te teoretyczne konstrukty rzadko były wcielane w empiryczną analizę środowisk edukacyjnych wspieranych przez AI, co rodzi pytania, jak możliwe jest zaprojektowanie systemów AI z natury ukierunkowanych na dobrostan cyfrowy³⁷. Krytyczny przegląd literatury pokazuje, że istnieją pewne nierozwiązane napięcia i obszary rozwoju w przyszłości³⁸. Na początek, chociaż kwestia dobrostanu cyfrowego mądrze skupia się na powściągliwości i uważności, generatywna AI to kwestia zaangażowania i zanurzenia, czego paradoks wymaga rozwiązań empirycznych³⁹. Po drugie, etyczna dyskusja wokół AI w edukacji opiera się w dużej mierze na prywatności danych i przejrzystości algorytmów, nie poświęcając większego uwagi psychologicznym konsekwencjom interakcji z AI⁴⁰. Po trzecie, skupienie na zrównoważonym rozwoju i równości zapewniane przez SDG nie odnosi się w pełni do technicznych i pedagogicznych aspektów faktycznego wdrażania AI. Aby przezwyciężyć tę niepełnosprawność, ważne jest łączenie dyscyplin i wykorzystanie wiedzy z nauk kognitywnych, ekonomii behawioralnej oraz polityki edukacyjnej, aby opracować ramy, które są nie tylko stabilne technologicznie, ale także humanitarne. Rysunek 1 przedstawia ramy koncepcyjne niniejszego badania, które obejmują wszystkie zmienne oraz ich wzajemne relacje ścieżkowe. W tym modelu hipotetyczna relacja między zmiennymi badania jest przedstawiona w ramach koncepcji.

Protokół

Badanie to nie wymagało formalnej zgody etycznej ze strony Instytucjonalnej Rady Przeglądowej (IRB), ponieważ obejmowało anonimowe ankiety i/lub wywiady z uczestnikami, którzy wyrazili świadomą zgodę. Nie zbierano żadnych danych osobowych ani wrażliwych, a wszystkie odpowiedzi traktowano poufnie wyłącznie w celach badawczych. Udział był dobrowolny, a respondenci byli informowani o celach badania przed przekazaniem swoich uwag.

Badanie zastosowało ilościowy, przekrojowy projekt, aby zbadać zależności między dobrostanem cyfrowym, generatywnym wykorzystaniem AI oraz wynikami akademickimi wśród uczniów języka angielskiego jako języka obcego (EFL). Dane zostały zebrane w ramach ankiety online z celowej próbki 440 studentów EFL z wielu chińskich uniwersytetów, którzy aktywnie korzystali z narzędzi generatywnej AI w swojej nauce. Ustrukturyzowany kwestionariusz wykorzystywał zweryfikowane skale, w tym 12-punktową miarę dla dobrostanu cyfrowego⁴¹, 8-punktową skalę wykorzystania generatywnej AI, samopostrzeganą skalę sukcesu^{akademickiego 42} oraz miary świadomości SDG i zaangażowania w naukę, wszystkie z 5-punktowymi odpowiedziami Likerta. Analiza danych opierała się na protokole dwufazowym wykorzystującym SPSS v.27 do statystyki opisowej i kontroli wiarygodności oraz SmartPLS v.4.0 do modelowania równań strukturalnych na podstawie najmniejszych kwadratów cząstkowych (PLS-SEM) do oceny modeli pomiarowych i strukturalnych, z zastosowaniem bootstrappingu do istotności ścieżki testowej.

Projekt badań
Projekt badawczy wykorzystany w tym badaniu jest ilościowy i przekrojowy, aby określić, jak dobrostan cyfrowy, generatywna AI, sukces akademicki uczniów oraz cele zrównoważonego rozwoju (SDG) współgrają ze sobą wśród uczniów EFL. Projekt przekrojowy pozwala badaczowi zbierać dane w jednym momencie i daje obraz badanych zmiennych. Projekt badań ilościowych opiera się na mierzalnych i statystycznie analizowalnych danych, co czyni wyniki bardziej wiarygodnymi i uogólnionymi. Ten wzorzec jest szczególnie przydatny do analizy bezpośrednich i pośrednich wpływów dobrostanu cyfrowego oraz generatywnej AI na osiągnięcia akademickie i SDGs, ponieważ umożliwi stosowanie zaawansowanych procedur statystycznych, takich jak modelowanie równań strukturalnych.

Populacja i próba
Docelową grupą badawczą stanowili studenci studiów licencjackich na studiach English as a Foreign Language (EFL) w instytucjach szkolnictwa wyższego w Chinach. Aby uczestniczyć, studenci musieli spełnić następujące kryteria włączenia: być obecnie zapisanymi na studia licencjackie, aktywnie korzystać z narzędzi generatywnej AI (takich jak ChatGPT, Copilot lub podobne platformy do pomocy przy pisaniu, badaniach lub generowaniu treści) w ramach regularnego procesu nauki oraz udzielać świadomej zgody. Kryteria wykluczenia obejmowały brak korzystania z generatywnej AI do celów akademickich, bycie studentem podyplomowym lub bez dyplomu oraz dostarczanie niepełnych odpowiedzi w ankietach.

Zastosowano technikę celowego próbkowania, aby rekrutować uczestników spełniających te kryteria, zapewniając istotny pomiar podstawowej zmiennej wykorzystania AI. Ostateczna próba obejmowała N = 440 uczestników, co jest odpowiednim rozmiarem uznanym za odpowiedni dla statystycznej odporności wymaganej do modelowania równań strukturalnych metodą najmniejszych kwadratów cząstkowych (PLS-SEM). Aby zwiększyć reprezentatywność i uogólnialność, rekrutacja obejmowała wiele uniwersytetów i różnorodnych dziedzin akademickich (nauki humanistyczne, nauki społeczne, STEM). Dane demograficzne dla próby przedstawiają się następująco: wiek od 18 do 24 lat (M = 20,4, SD = 1,6); Płeć rozkładała się następująco: 58% kobiet (n = 255) i 42% mężczyzn (n = 185); Rok nauki obejmował studentów pierwszego roku (22%, n = 97), drugiego roku (31%, n = 136), trzeciego roku (28%, n = 123) oraz czwartego roku (19%, n = 84). Nie zebrano informacji o masie, ponieważ nie były istotne dla konstrukcji badania.

Procedura zbierania danych
Zbieranie danych odbywało się za pomocą anonimowej ankiety online hostowanej na bezpiecznej platformie (np. Qualtrics). Potencjalni uczestnicy z wybranych uczelni byli zapraszani poprzez instytucjonalne listy mailingowe, ogłoszenia na Learning Management Systems (np. Moodle, Blackboard) oraz odpowiednie grupy studentów w mediach społecznościowych. Zaproszenie jasno określało cel badania, dobrowolny charakter, szacowany czas zakończenia (15-20 minut) oraz zapewnienie poufności. Pierwsza strona ankiety przedstawiała szczegółowy formularz świadomej zgody; Do ankiety przechodzili tylko uczestnicy, którzy udzielili cyfrowej zgody. Aby zminimalizować błędy kolejności, sekcje ankiety zostały przedstawione w losowej kolejności dla każdego respondenta. Okno zbierania danych było otwarte przez dwa tygodnie. Tydzień po pierwszym zaproszeniu wysłano jedno przypomnienie przez oryginalne kanały, aby zachęcić do udziału i poprawić wskaźniki odpowiedzi. Po okresie zbierania danych zbiór danych był weryfikowany pod kątem kompletności, usuwając odpowiedzi, które były w dużej mierze niekompletne (np. brakujące dane >20%). Przed ostateczną analizą przeprowadzono kolejne kontrole jednowymiarowych i wielowymiarowych odstających, aby zapewnić jakość danych.

Instrumentacja i miary
Badanie wykorzystało ustrukturyzowany kwestionariusz do mierzenia kluczowych zmiennych, w tym dobrostanu cyfrowego, wykorzystania generatywnej AI, sukcesów akademickich uczniów, świadomości SDG oraz zaangażowania uczniów EFL w naukę. Dobrostan cyfrowy mierzono za pomocą skali Arslankara i ^in.41, 12 pozycji, w tym podskali odpowiedzialności (4 pozycje), satysfakcji (4 pozycje) i dobrostanu (4 pozycje). Wykorzystanie generatywnej AI zostało zorganizowane poprzez 8-punktową skalę⁴³, koncentrującą się na częstotliwości adopcji ChatGPT. W niniejszym badaniu wyniki akademickie oceniano za pomocą skali samopostrzegania zaadaptowanej z Yu i ^in.42, cytowanej w Mehrvarz i ^in.44. Instrument ten składa się z czterech elementów. Świadomość SDG była mierzona za pomocą zweryfikowanej skali dostosowanej z Atmaca i ^in.45, obejmującej trzy kluczowe wymiary: zrównoważony rozwój ekonomiczny (12 pozycji), zrównoważony społeczny (9 pozycji) oraz zrównoważony rozwój środowiskowy (14 pozycji), poprzez świadomość i udział uczniów w działaniach. Na koniec zaangażowanie w naukę języków EFL oceniono za pomocą 9-pozycyjnej skali z Eerdemutu i ^in.46. Wszystkie skale stosowały 5-punktowe odpowiedzi Likerta, z testami pilotażowymi (n=30) potwierdzającymi wiarygodność (α > Cronbacha 0,82) oraz analizą czynnikową potwierdzającą odrębność konstruktu.

Plan analizy danych
Zebrane dane zostały przeanalizowane za pomocą kombinacji SPSS (v.27) i SmartPLS (v.4.0) w dwufazowym podejściu analitycznym. Po pierwsze, SPSS został wykorzystany do analiz wstępnych, w tym statystyki opisowej (średnie, odchylenia standardowe), testów wiarygodności (alfa Cronbacha) oraz macierzy korelacji do badania zależności bazowych między zmiennymi. Po drugie, do testowania hipotezowanego modelu zastosowano SmartPLS, oprogramowanie do modelowania strukturalnego metodą najmniejszych kwadratów (PLS-SEM). PLS-SEM został wybrany ze względu na zdolność do obsługi złożonych relacji między zmiennymi utajonymi oraz odporność na dane nierozkładane normalnie. Analiza obejmowała ocenę trafności modelu pomiarowego (konwergentna i dyskryminująca trafność) oraz istotności modelu strukturalnego (współczynniki ścieżki, wartości R² i trafność predykcyjna). Przeprowadzono bootstrapping, aby sprawdzić istotność statystyczną ścieżek.

Wyniki

Wyniki stanowią solidne empiryczne wsparcie dla podstawowych hipotez badania, potwierdzając istotną sekwencyjną ścieżkę, w której dobrostan cyfrowy i generatywne wykorzystanie AI pozytywnie wpływają na zaangażowanie w naukę EFL, co z kolei napędza sukcesy akademickie i w konsekwencji zwiększa zaangażowanie w Cele Zrównoważonego Rozwoju (SDGs). Konkretnie, zarówno dobrostan cyfrowy (β=0,32, s<0,001), jak i wykorzystanie generatywnej AI (β=0,28, s<0,001) miały silny bezpośredni wpływ na zaangażowanie w naukę, tłumacząc 41%...

Dyskusja

Wcześniejsze badania w dużej mierze analizowały dobrostan cyfrowy, sztuczną inteligencję w edukacji oraz edukację na rzecz zrównoważonego rozwoju (ESD) w izolacji⁴⁷. Istniała znacząca luka w zrozumieniu, jak osobiste kompetencje cyfrowe przecina się z nowymi technologiami, aby napędzać nie tylko wyniki naukowe, ale także globalne obywatelstwo. To badanie wyjątkowo łączy te dziedziny. Wykazujemy, że dobrostan cyfrowy (β = 0,32, s<0,001) oraz adopcja GAI (β = 0,28, s<0,001) są istotnymi, komplementa...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Skala sukcesu akademickiego	Adaptacja z Yu i in. (2010)	Nie ma	Instrument pomiarowy
Procedura Blindfold (dla Q2)	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
Procedura bootstrappingu	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
Ocena Złożonej Wiarygodności	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
Analiza macierzy korelacji	Statystyki IBM SPSS	Rutyna wewnętrzna	Procedura analityczna
Analiza niezawodności alfa Cronbacha	Statystyki IBM SPSS	Rutyna wewnętrzna	Procedura analityczna
System przechowywania danych	Informatyka instytucjonalna	Serwer zabezpieczony	Wyposażenie i Materiał
Analiza statystyki opisowej	Statystyki IBM SPSS	Rutyna wewnętrzna	Procedura analityczna
Skala dobrostanu cyfrowego	Arslankara i in. (2022)	Nie ma	Instrument pomiarowy
Skala zaangażowania w naukę w języku obcym	Eerdemutu i in. (2024)	Nie ma	Instrument pomiarowy
Ocena kryterium Fornella-Larckera	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
Skala wykorzystania generatywnej AI	Adaptacja z Abbas i in. (2024)	Nie ma	Instrument pomiarowy
Ocena stosunku heterocech-monotrait (HTMT)	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
Statystyki IBM SPSS	IBM	Wersja 27	Oprogramowanie
Dokumentacja Świadomej Zgody	Zespół badawczy	Forma elektroniczna	Wyposażenie i Materiał
Kwestionariusz online	Zespół badawczy	Samorządne	Wyposażenie i Materiał
Algorytm PLS	SmartPLS	Rutyna wewnętrzna	Procedura analityczna
PLS-SEM Software	SmartPLS	Wersja 4.0	Oprogramowanie
Skala Świadomości SDG	Adaptacja z Atmaca i in. (2019)	Nie ma	Instrument pomiarowy
SmartPLS	SmartPLS GmbH	Wersja 4.0	Oprogramowanie