Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
To badanie wykazało, że nauka ukierunkowana na studenta, strategiczne korzystanie z ChatGPT i piśmienność cyfrowa są pozytywnie związane z motywacją chińskich uczniów nauki języka angielskiego jako obcego. Ta wyższa motywacja z kolei wiąże się z mniejszym niepokojem i większą kreatywnością, co sugeruje rolę mediatora. Wyniki badań wspierają szkolenia dla nauczycieli, które integrują pedagogikę, narzędzia AI i umiejętności cyfrowe.
To badanie bada, jak styl nauczania, użycie ChatGPT i piśmienność cyfrowa wpływają łącznie na motywację, lęk i kreatywność wśród chińskich uczniów języka angielskiego jako obcego, jednocześnie badając rolę motywacji jako mediatora w tych relacjach. Przyjęto podejście ilościowe, dane zebrano od n =290 studentów studiów licencjackich za pomocą zweryfikowanych skal i przeanalizowano za pomocą modelowania równań strukturalnych. Wyniki wskazują, że naukę ukierunkowaną na studenta, strategiczną integrację ChatGPT i piśmienność cyfrową pozytywnie korelują z wyższą motywacją. Wyższa motywacja z kolei wiąże się z niższym lękiem, a niższy lęk wiąże się z wyższą kreatywnością. Co więcej, motywacja w pełni mediuje powiązania między trzema czynnikami predysponującymi (styl nauczania, użycie ChatGPT, piśmienność cyfrowa) a lękiem, podkreślając jej centralną rolę w wynikach emocjonalnych w przetestowanym modelu. Badanie przyczynia się do teorii samoregulacji poprzez wykazanie, jak czynniki pedagogiczne i technologiczne synergicznie wspierają potrzeby psychologiczne uczniów, jednocześnie rozszerzając poznawczo-afektywną teorię uczenia się z mediami poprzez wyjaśnienie funkcji mediacyjnej motywacji. Praktyczne zastosowania podkreślają potrzebę programów szkoleń dla nauczycieli, które łączą innowacyjną pedagogikę, wykorzystanie narzędzi AI i rozwój piśmienności cyfrowej, aby zoptymalizować doświadczenia z nauki języków. Badanie podkreśla znaczenie podejść opartych na motywacji w nauczaniu języka angielskiego wzbogaconym o technologie, szczególnie w środowiskach nauki o wysokim ryzyku.
Inteligencja sztucznna (AI) poszerzyła technologie edukacyjne, stwarzając nowe możliwości interakcji, personalizacji i kreatywności w nauce języków1. ChatGPT, narzędziom konwersacyjnym opartemu na AI, zapewnia interaktywną i adaptacyjną informację zwrotną, która wspiera rozwój językowy2. Równolegle, kompetencja cyfrowa stała się istotną umiejętnością do efektywnego nawigowania i korzystania z technologii w środowiskach edukacyjnych3. Pomimo rosnącego zainteresowania nauką języków wspomaganą AI i coraz częstszym użyciem ChatGPT w kontekstach nauki języka angielskiego jako obcego (EFL)4, nadal istnieją ważne luki. Po pierwsze, istniejące badania w dużej mierze badały styl nauczania, użycie narzędzi AI i kompetencję cyfrową osobno; ograniczona liczba badań zintegrowała wszystkie trzy w jednym motywacyjnym modelu5. Po drugie, chociaż motywacja jest powszechnie uważana za kluczowy czynnik uczenia się języków, niewiele badań zbadano jej pośredniczącą rolę w łączeniu czynników pedagogicznych i technologicznych z emocjonalnymi wynikami (np. niepokojem związanym z nauką języka) i poznawczymi (np. kreatywnością)6. Ta luka jest szczególnie widoczna w chińskich kontekstach nauki języka angielskiego jako obcego, gdzie integracja technologii wciąż się rozwija. Co więcej, chociaż niepokój jest dobrze udokumentowanym inhibitorem w nauce języka angielskiego7, rzadko badano go w połączeniu z motywacyjnymi i technologicznymi zmiennymi. Podobnie, kreatywność, coraz bardziej ceniona umiejętność w nauce języków, nie została mocno powiązana z środowiskami uczenia się wspomaganego AI8. W przeciwieństwie do wcześniejszych badań, które koncentrują się albo na pedagogice, albo na technologii, niniejsze badanie łączy oba te obszary, aby zbadać, jak styl nauczania, użycie ChatGPT i kompetencja cyfrowa wspólnie wiążą się z motywacją, a następnie z niepokojem i kreatywnością.
Niniejsze badanie opiera się na trzech ramach teoretycznych, z których każdy odpowiada określonym zmierzonym konstrukcjom w naszym modelu równań strukturalnych. Po pierwsze, teoria samoodznaczania (SDT)9 zakłada, że nauczanie wspierające autonomię zaspokaja podstawowe potrzeby psychologiczne uczniów (autonomia, kompetencja, powiązanie), tym samym zwiększając motywację wewnętrzną. W naszym modelu jest to operacjonalizowane poprzez konstrukt stylu nauczania ukierunkowanego na studenta, który jest założony jako pozytywnie związany z motywacją. Po drugie, model akceptacji technologii (TAM)10 sugeruje, że postrzegana przydatność i łatwość użycia wpływają na przyjęcie technologii. Tutaj kompetencja cyfrowa jest pojmowana jako prekursor, który umożliwia uczniom postrzeganie ChatGPT jako przydatnego i łatwego w użyciu, tym samym wzmacniając jego pozytywne powiązanie z motywacją. Po trzecie, kognitywno-afektywna teoria uczenia się z mediami (CATLM)11, podkreśla, że czynniki afektywne (np. niepokój) pośredniczą w relacji między cechami mediów a wynikami poznawczymi (np. kreatywność). W naszym modelu jest to testowane poprzez ścieżkę: motywacja → niepokój → kreatywność. Ważne jest, że chociaż teoria konstruktywistycznego uczenia się informuje projektowanie pedagogiki ukierunkowanej na studenta, nie jest ona operacjonalizowana jako odrębny zmierzony konstrukt w naszym modelu; odpowiednio, omawiamy ją tylko jako tło, a nie jako bezpośrednio przetestowany framework.
Poprzednie zastosowania SDT w kontekstach nauki języka angielskiego jako obcego koncentrowały się głównie na wspieraniu autonomii przez nauczyciela, nie badając, w jaki sposób narzędzia AI, takie jak ChatGPT, mogą niezależnie zaspokajać potrzeby uczniów w zakresie kompetencji i autonomii12. Podobnie, TAM wyjaśnił przyjęcie technologii, ale nie uwzględnił motywacyjnych i emocjonalnych wyników, takich jak niepokój i kreatywność13. CATLM podkreślił przetwarzanie emocjonalne i poznawcze, ale brakuje empirycznych badań w kontekstach nauki języka angielskiego wspomaganego AI14. Niniejsze badanie uzupełnia te luki, integrując trzy frameworki w zjednoczony, empirycznie przetestowalny model, w którym styl nauczania, użycie ChatGPT i kompetencja cyfrowa są związane z motywacją, która z kolei jest związana z niższym niepokojem i wyższą kreatywnością (poprzez łącze niepokój–kreatywność).
ChatGPT to generatywny model językowy zdolny do ludzkiej konwersacji, natychmiastowej opinii i adaptacyjnych odpowiedzi, co czyni go potencjalnie potężnym narzędziem do nauczania języka angielskiego15. Ostatnie badania wskazują, że ChatGPT wspiera nabywanie słownictwa, dokładność gramatyczną i płynność rozmów przez symulowane interakcje16. Jednakże, istnieją wciąż krytyczne luki dotyczące jego psychologicznych efektów na uczniów. Z jednej strony, niskostresowy i dostępny charakter ChatGPT może zmniejszać niepokój związany z nauką języka17
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Deklaracja etyki
Niniejsze badanie przeprowadzono zgodnie z normami etycznymi Instytutu Recenzji Instytucjonalnej (IRB) Uniwersytetu w Chengdu, Chiny (Numer zgody: 202509). Wszyscy uczestnicy przed udziałem w badaniu złożyli pisemną zgodę na udział w badaniu. Badanie przestrzega instytucjonalnych wytycznych dotyczących badań z udziałem ludzi, zapewniając dobrowolny udział, poufność i prawo do wycofania się z badania w dowolnym momencie bez kar.
Aby zachować poufność, wszystkie zebrane dane zostały sprecyzowane za pomocą szyfrowanych identyfikatorów, a informacje osobiste były przechowywane oddzielnie od danych badawczych w plikach chronionych hasłem, dostępnych tylko dla głównych badaczy. W projektowaniu kwestionariusza zastosowane zostały środki mające na celu minimalizowanie dyskomfortu psychicznego, szczególnie w kwestii pytań dotyczących lęku, a uczestnikom udostępniono informacje kontaktowe do usług doradczych uczelni w przypadku wystąpienia jakiegokolwiek dystresu związanego z udziałem w ankiecie. Aby zminimalizować potencjalne nierównowagi w relacji nauczyciel-uczeń, rekrutację i zbieranie danych przeprowadzali wyszkoleni asystenci badaczy, a nie instruktorzy kursów, a uczestnikom zapewniono, że ich odpowiedzi nie wpłyną na ich status akademickiego ani relację z wykładowcami.
W badaniu zastosowano projekt ilościowy, przekrojowy z udziałem 290 chińskich studentów studiów licencjackich EFL z publicznego uniwersytetu. Uczestnicy reprezentujący różne lata studiów i dziedziny byli rekrutowani metodą wygody z proporcjonalnym reprezentowaniem i wypełniali papierowe kwestionariusze w kontrolowanych klasach w trakcie regularnych sesji, co zajęło około 25 minut. Zestaw kwestionariuszy zawierał zweryfikowane skale mierzące styl nauczania, kompetencje cyfrowe, użycie ChatGPT, motywację, lęk i kreatywność. Aby zminimalizować uprzedzenia, wyszkoleni asystenci badaczy administrowali kwestionariuszami za pomocą proceduralnych środków przeciwdziałających, takich jak psychologiczna separacja pozycji. Po zebraniu danych odpowiedzi analizowano za pomocą oprogramowania statystycznego i oprogramowania Partial Least Squares Structural Equation Modeling (PLS-SEM), w tym przesiewanie danych, ocena modelu pomiarowego, testowanie modelu strukturalnego i analizę mediacji przy użyciu procedury bootstrap z 5000 ponownymi próbami.
Projekt badania
Niniejsze badanie zastosowało ilościowy projekt badania przekrojowego w celu zbadania relacji między stylem nauczania, użyciem ChatGPT, kompetencjami cyfrowymi, motywacją, lękiem i kreatywnością wśród studentów EFL. Podejście przekrojowe zostało uznane za odpowiednie do uchwycenia przekroju tych zmiennych w określonym momencie, pozwalając na analizę ich wzajemnych relacji bez wymagań czasowych badań longitudinalnych. Projekt umożliwił przetestowanie hipotetycznego modelu mediacyjnego, w którym motywacja służy jako mechanizm łączący styl nauczania, użycie ChatGPT i kompetencje cyfrowe ze zmniejszoną niepokojem i zwiększoną kreatywnością.
Dane i próba
Ramka próbna obejmowała wszystkich studentów licencjackich zapisanych na kursy języka angielskiego jako obcego (EFL) na publicznym uniwersytecie w Chinach w roku akademickim 2024–2025. Kryteria kwalifikacyjne wymagały, aby uczestnicy byli (a) rdzennymi mówcami języka chińskiego, (b) obecnie zapisanymi na co najmniej jeden wymagany kurs EFL i (c) bez wcześniejszego formalnego szkolenia w narzędziach uczenia się języka na bazie AI poza ogólnymi zajęciami. Zastosowano warstwowe wygodne próbowanie z proporcjonalnym przydziałem wśród lat studiów (pierwszoroczniacy, drugoroczniacy, trzyroczniacy, czwartoroczniacy) i obszarów dyscyplinarnych (humanistyka, nauki społeczne, nauki przyrodnicze, inżynieria). Docelowe wielkości warstw ustalono na 25% na rok studiów i 25% na obszar dyscyplinarny, na podstawie ogólnego rozkładu studentów na uczelni. Ostateczna próba składała się z 290 studentów studiów licencjackich EFL. Z 328 studentów kontaktowanych podczas regularnych zajęć, 11 odmówiło udziału (wskaźnik nieudziału = 3,4%), a 27 przesłało niekompletne kwestionariusze (wskaźnik niekompletnych odpowiedzi = 8,2%), co dało ostateczny wskaźnik przydatnych odpowiedzi na poziomie 88,4% (290/328). Obliczenia wielkości próby a priori wykonano za pomocą G*Power 3.1 z rodziną testów F, regresja wielokrotna linearna: mocny model, odchylenie R2 od zera jako test. Parametry wejściowe to: wielkość efektu f2 = 0,15 (konwencjonalna średnia wielkość efektu w badaniach behawioralnych), α err prob = 0,05, moc (1‑β err prob) = 0,95 i liczba predyktorów = 3 (styl nauczania, użycie ChatGPT, kompetencje cyfrowe) dla wyniku motywacji. Obliczenie dało minimalną wymaganą wielkość próby 119 dla wykrycia istotnego R2. Aby dodatkowo uwzględnić pełny model SEM (w tym ścieżki pośrednie i dodatkowe zmienne endogenne), zastosowaliśmy bardziej konserwatywną zasadę 10 przypadków na estymowany parametr. Z 29 estymowanymi parametrami w naszym modelu, wymagana wielkość próby wynosiła 290, co dokładnie pasuje do ostatecznej próby. W ten sposób, uzyskana próba jest w pełni uzbrojona zarówno do analiz opartych na regresji
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Descriptive Statistics and Correlation Analysis
The descriptive statistics for all study variables revealed normally distributed data with acceptable ranges of variability, as evidenced by skewness and kurtosis values within the recommended thresholds of ± 2.
Table 1 reveal important characteristics of the study variables across our sample of 290 EFL learners. Teaching style (M = 4.32, SD = 0.72), digital literacy (M = 4.15, SD = 0.68), and motivation (M...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Obecne badanie dostarcza przydatnych informacji na temat związków między stylem nauczania, użytkowaniem systemu ChatGPT, piśmiennością cyfrową, motywacją, lękiem i kreatywnością wśród studentów języka angielskiego. Wyniki sugerują, że styl nauczania zorientowany na studenta, większe używanie systemu ChatGPT i wyższa piśmienność cyfrowa są pozytywnie związane z motywacją uczniów. Z kolei motywacja jest negatywnie związana z lękiem, podczas gdy lęk jest negatywnie związany z kreatywnością. Te wyniki należy interpretować ja...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wszyscy autorzy deklarują brak konfliktów interesów.
To badanie nie otrzymało finansowania.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Narzędzia ankietowe (skale) | Skala stylu nauczania | BRAK | Zmodyfikowana wersja spisu stylów nauczania Grasha (Grasha, 1996), ocenia pięć podejść pedagogicznych: autorytarne, eksperckie, model osobisty, ułatwiające i delegacyjne. Numer katalogowy: BRAK |
| Skala kompetencji cyfrowych | BRAK | 29-elementowa skala zaadaptowana z Rodríguez-de-Dueños i in. (2016), obejmująca sześć wymiarów: sprawność techniczna, ochrona danych osobowych, krytyczna ocena, zarządzanie bezpieczeństwem urządzeń, przetwarzanie informacji i komunikacja cyfrowa. Numer katalogowy: BRAK | |
| Skala użycia ChatGP | BRAK | 8-elementowa skala zaadaptowana z Abbas i in. (2024), skupiająca się na interakcji studentów z narzędziem AI w zakresie zadań związanych z nauką języka. Numer katalogowy: BRAK | |
| Skala niepokoju w klasie języka obcego (FLCA) | BRAK | Skala zaadaptowana z Briesmaster i Briesmaster (2015), z podskalami niepokoju komunikacyjnego (10 pozycji), niepokoju testowego (15 pozycji) i strachu przed negatywną oceną (7 pozycji). Numer katalogowy: BRAK | |
| Skala motywacji | BRAK | 20-elementowa skala zaadaptowana z Kanoksilapatham i in. (2021), mierząca trzy wymiary: instrumentalność (promocja/zapobieganie), etnocentrizm/integracyjność i stosunek do nauki angielskiego. Numer katalogowy: BRAK | |
| Skala kreatywności | BRAK | 12-elementowa skala zaadaptowana z Govindasamy i in. (2024), mierząca cztery podkonstrukty: oryginalność, elastyczność, płynność i elaborację. Numer katalogowy: BRAK | |
| Oprogramowanie | SPSS Statistics Wersja 27 | IBM Corp. | Oprogramowanie do analizy statystycznej. Numer katalogowy: BRAK |
| SmartPLS Wersja 4 | SmartPLS GmbH | Oprogramowanie do modelowania równań strukturalnych. Numer katalogowy: BRAK | |
| Wyposażenie & pozostałe materiały | Narzędzie do zbierania danych | BRAK | Anonimowy, samodzielnie realizowany kwestionariusz papierowy. Numer katalogowy: BRAK |
| Dokumenty z pisemną zgodą | BRAK | Pisemny arkusz informacyjny i formularz zgody szczegółowo opisujący cel badania, procedury, ryzyko/korzyści i prawo do wycofania się. Numer katalogowy: BRAK | |
| System przechowywania danych | BRAK | Hasłochronione pliki cyfrowe z zakodowanymi identyfikatorami; informacje osobiste przechowywane oddzielnie od danych badawczych. Numer katalogowy: BRAK | |
| Procedury analityczne | Algorytm PLS-SEM i Bootstrapping | SmartPLS GmbH | Procedury SmartPLS 4 (algorytm PLS i poprawka na zaburzenie z 5 000 ponownymi próbami). Numer katalogowy: BRAK |
| Sprawdzanie ważności i wiarygodności | SmartPLS GmbH; IBM Corp. | Procedury SmartPLS 4 i SPSS na alfa Cronbacha, wiarygodność złożoną, średnią wariancję wyciągniętą (AVE), kryterium Fornella-Larcker i stosunek heterotrait-monotrait (HTMT). Numer katalogowy: BRAK | |
| Ocena trafności predykcyjnej | SmartPLS GmbH | Procedura blindfolding w SmartPLS 4 do obliczenia wartości Q2 Stone'a-Geisser'a. Numer katalogowy: BRAK | |
| Wstępne sprawdzanie danych | IBM Corp. | Procedury SPSS do obsługi brakujących danych (algorytm Expectation-Maximization) i sprawdzania normalności, wartości skrajnych i struktury czynnikowej (eksploracyjna analiza czynnikowa). Numer katalogowy: BRAK |