Generatywna sztuczna inteligencja, motywacja, lęk i kreatywność w saudyjskich klasach języka angielskiego jako obcego: badanie przekrojowe

Podsumowanie

Niniejsze badanie przekrojowe analizowało powiązania między wykorzystaniem generatywnej sztucznej inteligencji, stylem nauczania, biegłością cyfrową, motywacją, lękiem a kreatywnością u studentów kierunków języka angielskiego jako obcego w Arabii Saudyjskiej, wskazując motywację jako istotny mediator obserwowanych zależności.

Streszczenie

Narzędzia sztucznej inteligencji (AI), takie jak ChatGPT, są coraz częściej włączane do nauczania języka angielskiego jako obcego (EFL); brakuje jednak wystarczających dowodów na to, w jaki sposób ich wykorzystanie wiąże się ze stylem nauczania, kompetencjami cyfrowymi, motywacją, lękiem przed mówieniem w obcym języku (FLCA) oraz kreatywnością w kontekście Arabii Saudyjskiej. Niniejsze badanie miało na celu zbadanie powiązań między tymi konstruktami oraz analizę mediacyjnej roli motywacji w ramach jednolitego modelu koncepcyjnego. Przeprowadzono ilościowe badanie przekrojowe wśród 280 studentów studiów licencjackich EFL na publicznym uniwersytecie w Arabii Saudyjskiej, wykorzystując zwalidowane kwestionariusze. Proponowane zależności przeanalizowano za pomocą modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). Wyniki wykazały, że korzystanie z ChatGPT, styl nauczania oraz kompetencje cyfrowe były dodatnio skorelowane z motywacją studentów. Wyższa motywacja wiązała się z niższym poziomem FLCA i wyższym poziomem kreatywności. Motywacja pełniła również rolę mediatora w relacjach między korzystaniem z ChatGPT, stylem nauczania, kompetencjami cyfrowymi a FLCA. Wyniki te sugerują, że doświadczenia motywacyjne studentów są ściśle powiązane z zależnościami między praktykami dydaktycznymi, wykorzystaniem technologii a efektami nauki języka. Badanie dostarcza dowodów wspierających integrację odpowiednich strategii nauczania, generatywnych narzędzi AI oraz kompetencji cyfrowych w edukacji językowej, podkreślając jednocześnie znaczenie uwzględnienia motywacyjnych i emocjonalnych doświadczeń studentów podczas wdrażania środowisk uczenia się wspieranych technologicznie.

Wprowadzenie

Królestwo Arabii Saudyjskiej przechodzi transformacyjną reformę edukacyjną w ramach programu Vision 2030, który priorytetowo traktuje rozwój umiejętności XXI wieku, kompetencji cyfrowych oraz innowacyjnych podejść pedagogicznych na wszystkich poziomach edukacji¹. W tym kontekście krajowym nauczanie języka angielskiego jako obcego (EFL) wciąż boryka się z uporczywymi wyzwaniami, w tym z kulturą zorientowaną na egzaminy, która kładzie większy nacisk na naukę pamięciową i wyniki testów niż na kompetencje komunikacyjne^2,3. Ograniczone możliwości autentycznej interakcji w języku angielskim poza klasą, wraz z wysokim poziomem lęku przed wystąpieniami w języku obcym (FLCA), dodatkowo ograniczają chęć uczniów do komunikowania się i znaczącego angażowania się w język docelowy⁴. Wyzwania te skłoniły pedagogów i decydentów do poszukiwania innowacyjnych podejść, które rozwiązują deficyty motywacyjne, bariery emocjonalne oraz kwestie kreatywnego wykorzystania języka. Sztuczna inteligencja (AI) wyłoniła się jako obiecująca droga wspierania nauki języka i przekształcania praktyk dydaktycznych⁵. Wśród zastosowań AI w nauczaniu języka angielskiego (ELT), ChatGPT, konwersacyjny generatywny model AI, przyciągnął znaczną uwagę ze względu na zapewnianie interaktywnego ćwiczenia języka oraz natychmiastowej, indywidualnej informacji zwrotnej w kontekstach konwersacyjnych w czasie rzeczywistym⁶. Funkcje te są szczególnie istotne w saudyjskich klasach EFL, gdzie nauczanie skoncentrowane na nauczycielu i ograniczona interakcja uczniów wciąż ograniczają kreatywną produkcję językową⁷. ChatGPT może pomóc w przezwyciężeniu tych ograniczeń, zapewniając możliwości autentycznego, niskostresowego ćwiczenia języka z rozmówcą AI⁸.

Ostatnie reformy edukacyjne w Arabii Saudyjskiej zachęciły do przejścia w stronę pedagogiki skoncentrowanej na uczniu, tworząc możliwości integracji technologii AI, które promują aktywne uczestnictwo, krytyczne myślenie i uczenie się kierowane samodzielnie^9,10. Przy odpowiednim wdrożeniu ChatGPT może wspierać tę transformację, rozszerzając praktykę językową poza tradycyjne zajęcia lekcyjne¹¹. Jednakże skuteczność integracji AI zależy częściowo od kompetencji cyfrowych studentów, definiowanych jako ich zdolność do efektywnej oceny, wykorzystywania i angażowania się w technologie cyfrowe w celu nauki¹². Kompetencje cyfrowe umożliwiają uczącym się produktywne wykorzystanie narzędzi AI przy jednoczesnym minimalizowaniu potencjalnych ryzyk, w tym nadmiernego polegania na nich oraz dezinformacji¹³. Kompetencja ta jest szczególnie ważna w saudyjskiej edukacji wyższej, gdzie transformacja cyfrowa przyspieszyła w ramach programu Vision 2030¹⁴.

Choć wcześniejsze badania analizowały narzędzia AI, styl nauczania, biegłość cyfrową, motywację, lęk oraz kreatywność w sposób oddzielny, ograniczono dowody na to, jak te konstrukty współoddziałują w ramach zunifikowanego modelu w niezachodnich kontekstach EFL, takich jak Arabia Saudyjska. Motywację konsekwentnie identyfikuje się jako istotny mechanizm łączący praktyki dydaktyczne z efektami uczenia się, w tym z niższym poziomem lęku, większą kreatywnością i trwałym zaangażowaniem¹⁵. Jednak zależności między użytkowaniem ChatGPT, stylem nauczania, biegłością cyfrową, motywacją, FLCA a kreatywnością nie zostały kompleksowo zbadane w saudyjskim kontekście EFL¹⁶. Wypełnienie tej luki może dostarczyć teoretycznych i praktycznych spostrzeżeń niezbędnych do projektowania wspomaganych technologicznie środowisk nauki języka, które wspierają rozwój motywacyjny, emocjonalny i twórczy studentów. W związku z tym niniejsze badanie analizuje relacje między użytkowaniem ChatGPT, stylem nauczania, biegłością cyfrową, motywacją, FLCA a kreatywnością wśród saudyjskich studentów studiów licencjackich EFL. W szczególności badane są: (1) zależności między użytkowaniem ChatGPT, stylem nauczania a biegłością cyfrową a motywacją studentów; (2) zależności motywacji z FLCA i kreatywnością; oraz (3) mediacyjna rola motywacji w relacjach między użytkowaniem ChatGPT, stylem nauczania, biegłością cyfrową a zmiennymi wynikowymi, takimi jak lęk i kreatywność.

Niniejsze badanie wnosi wkład w edukację EFL oraz naukę wspomaganą technologicznie poprzez włączenie wykorzystania narzędzi AI do istniejących modeli motywacji i nauki języków, rozszerzając tym samym rozumienie nauki języków wspieranej technologicznie we współczesnych środowiskach edukacyjnych. Dostarcza ono również dowodów, które mogą być pomocne dla pedagogów, projektantów programów nauczania i decydentów dążących do zintegrowania narzędzi AI z nauczaniem EFL w Arabii Saudyjskiej. Poprzez zbadanie motywacji jako mediatora łączącego wykorzystanie technologii i praktyki dydaktyczne z FLCA oraz kreatywnością, badanie oferuje specyficzne dla danego kontekstu dowody wspierające rozwój zorientowanej na ucznia edukacji językowej, zgodnej z celami reformy edukacyjnej Arabii Saudyjskiej.

Teoria Autodeterminacji (SDT) dostarcza ram teoretycznych do zrozumienia związku między praktykami nauczania a motywacją uczniów w kontekstach edukacyjnych¹⁷. Zgodnie z SDT, motywacja wewnętrzna oraz autonomiczne formy motywacji zewnętrznej są wspierane, gdy trzy podstawowe potrzeby psychologiczne uczniów – autonomia, kompetencja i relacyjność – zostaną zaspokojone w środowisku uczenia się¹⁸. Styl nauczania jest zatem kluczowym czynnikiem kontekstowym wpływającym na motywację i zaangażowanie uczniów¹⁹. Praktyki nauczania wspierające autonomię, które zapewniają znaczące możliwości wyboru, uznają perspektywę uczniów i wyjaśniają cele działań edukacyjnych, promują motywację wewnętrzną oraz samodzielne zaangażowanie²⁰. W kontekstach nauczania języka angielskiego jako obcego (EFL), podejścia zorientowane na ucznia, w tym style nauczania oparte na roli facylitatora i delegatora, były wiązane z większym zaangażowaniem, uczestnictwem i zainteresowaniem uczniów nauką języka^21,22. Przeciwnie, nauczanie zorientowane na nauczyciela może obniżać motywację poprzez ograniczanie uczestnictwa i autonomii uczniów przy jednoczesnym kładzeniu większego nacisku na nagrody zewnętrzne niż na zainteresowanie wewnętrzne^23,24. W saudyjskim kontekście EFL, gdzie nauczanie tradycyjne historycznie kładło nacisk na zapamiętywanie i przekaz zorientowany na nauczyciela²⁵, przyjęcie bardziej zorientowanych na ucznia podejść do nauczania może wspierać motywację uczniów²⁶. W oparciu o te podstawy teoretyczne i empiryczne sformułowano następującą hipotezę: H1: Styl nauczania pozytywnie wpływa na motywację uczniów EFL.

Zależność między technologią edukacyjną a motywacją uczących się była szeroko badana^27,28. Model Akceptacji Technologii (TAM) sugeruje, że motywacja uczniów do korzystania z technologii edukacyjnych jest kształtowana przez postrzeganą użyteczność oraz postrzeganą łatwość obsługi, które wpływają na intencje behawioralne i wykorzystanie technologii²⁹. W odniesieniu do ChatGPT model ten sugeruje, że studenci, którzy postrzegają to narzędzie jako użyteczne i łatwe w obsłudze, chętniej wykorzystują je do nauki języka³⁰. Badania empiryczne wykazały pozytywne korelacje między nauką języka wspomaganą przez AI a motywacją studentów, przy czym funkcje interaktywne, natychmiastowa informacja zwrotna oraz spersonalizowane ćwiczenia przyczyniają się do utrzymania zaangażowania^31,32. ChatGPT może również redukować bariery związane z lękiem językowym, oferując możliwość ćwiczenia języka w warunkach niskiej presji, co może zachęcać do dalszego posługiwania się językiem³³. Potencjał ten jest szczególnie istotny w kontekście saudyjskim, gdzie FLCA został zidentyfikowany jako ważna bariera dla motywacji i osiągnięć językowych³⁴. Na podstawie tych wniosków teoretycznych i empirycznych sformułowano następującą hipotezę: H2: Stosowanie ChatGPT pozytywnie wpływa na motywację studentów EFL.

Alfabetyzacja cyfrowa stała się ważnym determinantem motywacji uczniów we współczesnych środowiskach nauczania języka angielskiego jako obcego (EFL)³⁵. Odnosi się ona do zdolności skutecznego wyszukiwania, oceniania i wykorzystywania technologii cyfrowych oraz mediów w procesie uczenia się³⁶. W kontekście EFL alfabetyzacja cyfrowa umożliwia uczącym się efektywne korzystanie z zasobów cyfrowych, w tym z ChatGPT, systemów zarządzania uczeniem się oraz narzędzi multimedialnych, w celu wspierania nauki języka i motywacji³⁷. Uczniowie o wyższym poziomie alfabetyzacji cyfrowej chętniej i pewniej korzystają z technologii edukacyjnych, co sprzyja budowaniu kompetencji i autonomii, które są powiązane z motywacją wewnętrzną³⁸. Są oni również lepiej przygotowani do wykorzystywania narzędzi cyfrowych do samodzielnej praktyki językowej, otrzymywania informacji zwrotnych i utrzymywania zaangażowania w naukę³⁹. Na podstawie tej literatury sformułowano następującą hipotezę: H3: Alfabetyzacja cyfrowa uczniów EFL pozytywnie wpływa na ich motywację do nauki EFL.

FLCA i kreatywność są ściśle powiązanymi konstruktami w edukacji EFL, choć ich relacja pozostaje złożona⁴⁰. Lęk może ograniczać wyniki uczniów w zadaniach wymagających kreatywności, elastyczności poznawczej, myślenia dywergencyjnego i ekspresji własnej⁴¹. FLCA odzwierciedla lęk uczniów przed popełnianiem błędów, negatywną oceną oraz niską pewność siebie, co może utrudniać kreatywną produkcję językową⁴². Kreatywność jest jednak istotną kompetencją w nauce EFL, ponieważ wspiera innowacyjne i odpowiednie kontekstowo posługiwanie się językiem³¹. Wcześniejsze badania wykazały, że uczniowie z wyższym poziomem lęku rzadziej uczestniczą w zajęciach z kreatywnego pisania i komunikacji ustnej^43,44. Na podstawie tej literatury sformułowano następujące hipotezy: 1) H4: motywacja studentów EFL jest ujemnie skorelowana z ich lękiem oraz 2) H5: lęk studentów EFL negatywnie wpływa na ich kreatywność.

Motywacja dostarcza teoretycznego mechanizmu, poprzez który styl nauczania, korzystanie z ChatGPT oraz kompetencje cyfrowe mogą wiązać się z FLCA⁴⁵. Uczniowie zmotywowani z większym prawdopodobieństwem wykazują aktywny udział, wytrwałość w obliczu trudności oraz niższy poziom lęku komunikacyjnego⁴⁶. Wspierające praktyki nauczania, nauka języka wspomagana przez AI oraz wyższe kompetencje cyfrowe były wiązane z wyższą motywacją i niższym poziomem lęku w środowiskach EFL^47,48,49. Poprzednie badania sugerują również, że większa motywacja wiąże się z niższym lękiem w klasie i zwiększoną kreatywnością, co wspiera uznanie motywacji za potencjalny mediator łączący praktyki dydaktyczne i wykorzystanie technologii z efektami uczenia się^50,51,52. Na podstawie tej literatury zaproponowano następujące hipotezy: 1) H6: Motywacja mediuje związek między stylem nauczania a lękiem studentów EFL; 2) H7: Motywacja mediuje związek między korzystaniem z ChatGPT a lękiem studentów EFL; oraz 3) H8: Motywacja mediuje związek między kompetencjami cyfrowymi studentów EFL a ich lękiem. Rysunek 1 ilustruje hipotetyczny model, w którym styl nauczania, korzystanie z ChatGPT i kompetencje cyfrowe wiążą się z motywacją studentów EFL, która z kolei mediuje ich relacje z FLCA i kreatywnością.

Rycina 1. Hipotetyczny model badawczy. Model przedstawia hipotetyczne zależności między korzystaniem z ChatGPT, stylem nauczania, biegłością cyfrową, motywacją, lękiem w klasie języka obcego a kreatywnością studentów uczących się języka angielskiego jako obcego (EFL). Linie ciągłe reprezentują bezpośrednie hipotetyczne zależności, a linie przerywane reprezentują zależności pośrednie, zgodnie z oznaczeniami na rycinie. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Protokół

Chociaż badanie nie wymagało formalnej zgody komisji etycznej ze względu na nieeksperymentalny projekt anonimowej ankiety, która nie obejmowała interwencji fizycznych, manipulacji ani wprowadzania uczestników w błąd, wszystkie procedury zostały przeprowadzone zgodnie z zasadami etycznymi Deklaracji Helsińskiej oraz wytycznymi Amerykańskiego Towarzystwa Psychologicznego dotyczącymi badań z udziałem ludzi. Przed rozpoczęciem gromadzenia danych uzyskano świadomą zgodę od wszystkich uczestników. Instytucja nie wymagała ani nie wystawiła formalnej zgody etycznej lub zwolnienia z niej dla tego typu badania. Wszyscy respondenci zostali wyraźnie poinformowani o celu badania, dobrowolności ich udziału, prawie do wycofania się w dowolnym momencie bez żadnych konsekwencji oraz o rygorystycznych środkach poufności zastosowanych w odniesieniu do ich danych. Nie gromadzono ani nie raportowano żadnych danych umożliwiających identyfikację osób, a wszystkie dane zostały wykorzystane wyłącznie do zagregowanej analizy akademickiej. Szczególną uwagę zwrócono na nienarzucające się, pełne szacunku sformułowania, aby upewnić się, że ankieta nie koliduje z działalnością akademicką ani dobrostanem psychologicznym uczestników. Formularz świadomej zgody znajduje się w Supplementary File 1. Ponadto materiały wykorzystane w tym badaniu są wymienione w Table of Materials.

Projekt badawczy

W tej sekcji opisano plan badania, procedury gromadzenia danych oraz szczegóły dotyczące próby wykorzystanej w badaniu mającym na celu analizę zależności między stylem nauczania, korzystaniem z ChatGPT, kompetencjami cyfrowymi, motywacją, lękiem a kreatywnością uczniów uczących się angielskiego jako języka obcego (EFL). W badaniu zastosowano ilościowy, przekrojowy plan badawczy, aby zbadać mediacyjną rolę motywacji w relacjach między stylem nauczania, korzystaniem z ChatGPT, kompetencjami cyfrowymi i lękiem wśród uczniów EFL oraz sprawdzić, w jaki sposób zmienne te wspólnie wiążą się z kreatywnością. W celu zgromadzenia danych pierwotnych przyjęto ustrukturyzowaną metodologię ankietową, co zapewniło standaryzację i niezawodność pomiaru konstruktów. Do oceny wszystkich zmiennych, w tym stylu nauczania, korzystania z ChatGPT, kompetencji cyfrowych, motywacji, FLCA i kreatywności, wykorzystano zwalidowane skale.

Dane i próbka

Dane do niniejszego badania zostały zebrane od studentów EFL (angielskiego jako języka obcego) zapisanych na Uniwersytecie w Dżudzie, uczelni publicznej w Arabii Saudyjskiej, znanej z nacisku na edukację językową oraz integrację technologii w nauczaniu. Uczestników wybrano przy użyciu techniki celowego doboru próby, która uznana została za odpowiednią dla tego badania ze względu na specyficzne kryteria włączenia, wymagające od uczestników posiadania aktywnego doświadczenia w korzystaniu z narzędzi AI, takich jak ChatGPT, w ich środowisku uczenia się. To nieprobabilistyczne podejście do doboru próby było konieczne, ponieważ pytania badawcze koncentrowały się na konkretnej populacji — studentach EFL, którzy mieli styczność zarówno z tradycyjnymi, jak i wspomaganymi technologicznie metodami nauczania, a dobór losowy nie gwarantowałby włączenia uczestników spełniających te kryteria. Chociaż dobór celowy ogranicza możliwość generalizacji wyników na szerszą populację, był on uzasadniony w tym badaniu eksploracyjnym, aby zapewnić, że uczestnicy posiadają odpowiednie doświadczenia i perspektywy niezbędne do realizacji celów badawczych. Aby zminimalizować ograniczenia wynikające z celowego doboru próby, podjęto wysiłki w celu włączenia uczestników o zróżnicowanym wykształceniu akademickim i różnym stopniu biegłości technologicznej, co zwiększyło reprezentatywność próby w ramach populacji docelowej. Ostateczna próba składała się z 280 studentów EFL studiujących na poziomie licencjackim, co uznano za liczebność wystarczającą dla zastosowanych technik statystycznych.

Określenie adekwatności wielkości próby oparto na uznanych wytycznych dla modelowania równań strukturalnych (SEM). Badacze zalecają minimalny stosunek 10 przypadków na każdy szacowany parametr dla SEM, przy czym bardziej konserwatywne wytyczne sugerują 20 przypadków na parametr dla SEM metodą najmniejszych kwadratów częściowych (PLS-SEM). Model pomiarowy obejmował 29 pozycji dla biegłości cyfrowej, 25 pozycji dla stylu nauczania i 32 pozycji dla FLCA, a także dodatkowe pozycje dotyczące użytkowania ChatGPT, motywacji i kreatywności. Wytyczne PLS-SEM zalecają również, aby minimalna wielkość próby była równa 10-krotności największej liczby wskaźników formatywnych lub największej liczby ścieżek strukturalnych skierowanych do konkretnego konstruktu; w związku z tym próba 280 uczestników przekroczyła te minimalne wymagania. Ponadto analiza mocy post hoc z wykorzystaniem programu G*Power⁵³ wykazała, że próba 280 uczestników zapewniła moc statystyczną przekraczającą 0,95 dla wykrywania średnich wielkości efektu (f² = 0,15) przy α = 0,05, co przekracza powszechnie zalecany próg 0,80. Taka wielkość próby zapewnia wiarygodne szacunki parametrów i wystarczającą moc statystyczną do wykrycia istotnych zależności między zmiennymi badania, uwzględniając jednocześnie złożoność proponowanych modeli pomiarowych i strukturalnych.

Uczestnicy i procedura

Uczestnikami byli studenci EFL w wieku od 18 do 25 lat, z czego większość stanowili studenci pierwszego i drugiego roku studiów licencjackich zapisani na kursy języka angielskiego. Badanie przeprowadzono między wrześniem a październikiem 2025 roku, podczas którego zaproszono studentów do dobrowolnego udziału. Proces rekrutacji obejmował działania informacyjne za pośrednictwem oficjalnych kanałów uniwersyteckich, w tym wiadomości e-mail i ogłoszenia na zajęciach. Uczestnikami byli studenci EFL w wieku 18–25 lat, zapisani na pierwszy lub drugi rok studiów licencjackich na kursach języka angielskiego. Kwalifikowalność określono na podstawie zdefiniowanych kryteriów włączenia i wyłączenia. Kwalifikowali się uczestnicy, którzy (a) byli oficjalnie zapisani na studia licencjackie z języka angielskiego na Uniwersytecie w Dżudzie, (b) byli w wieku 18–25 lat oraz (c) byli zarejestrowani jako studenci pierwszego lub drugiego roku. Wykluczono studentów, którzy (a) byli studentami studiów magisterskich lub studentami wyższych lat poza podstawowym cyklem kursów, (b) znajdowali się poza określonym zakresem wiekowym lub (c) brali udział w fazie wstępnego testowania kwestionariusza. Aby zapewnić świadomą zgodę, uczestnicy zostali poinformowani o celu badania, dobrowolności ich udziału oraz poufności udzielonych odpowiedzi. Narzędziem gromadzenia danych był ustrukturyzowany kwestionariusz samoopisowy, rozprowadzony fizycznie oraz elektronicznie za pomocą bezpiecznej platformy internetowej. Zaadaptowano zwalidowane skale do pomiaru stylu nauczania, użytkowania ChatGPT, umiejętności cyfrowych, motywacji studentów, FLCA oraz kreatywności. Uczestników poproszono o ocenę odpowiedzi w 5-stopniowej skali Likerta, gdzie 1 oznaczało „Zdecydowanie się nie zgadzam”, a 5 „Zdecydowanie się zgadzam”. Wstępne testowanie kwestionariusza przeprowadzono na małej grupie 30 studentów w celu zapewnienia przejrzystości i rzetelności. Na podstawie wyników wstępnych testów wprowadzono niewielkie korekty sformułowań w celu poprawy zrozumiałości pozycji, a nie zidentyfikowano istotnych problemów z rzetelnością lub trafnością skali. Aby zachować integralność danych i zachęcić do szczerych odpowiedzi, zagwarantowano anonimowość i zapewniono uczestników, że ich dane zostaną wykorzystane wyłącznie do celów badawczych. Z początkowych 300 zebranych odpowiedzi, 280 uznano za poprawne po przesiewowym badaniu danych niekompletnych lub niespójnych, co przełożyło się na wskaźnik retencji wynoszący 93%. Procedury przesiewowe danych obejmowały analizę wzorców odpowiedzi pod kątem tzw. straight-liningu, nadmiernej liczby brakujących danych (powyżej 10%) oraz wielowymiarowych wartości odstających z wykorzystaniem odległości Mahalanobisa. Podejście metodologiczne to stanowi solidną podstawę do analizy relacji między zmiennymi badania i dostarcza cennych informacji na temat roli stylu nauczania, narzędzi AI i umiejętności cyfrowych w kształtowaniu motywacji, lęku i kreatywności studentów EFL.

Po zebraniu danych 20 odpowiedzi z początkowej puli 300 wykluczono na podstawie zdefiniowanych wcześniej kryteriów: 12 odpowiedzi usunięto z powodu nadmiernej liczby brakujących danych przekraczającej 10% pozycji kwestionariusza, 5 wyeliminowano ze względu na występowanie schematu odpowiedzi liniowej (jednakowe odpowiedzi we wszystkich pozycjach świadczące o braku zaangażowania), a 3 zidentyfikowano jako wielowymiarowe wartości odstające przy użyciu odległości Mahalanobisa (p < 0,001) i następnie usunięto, aby zapobiec zniekształceniu wyników SEM. Braki w danych dla zachowanych przypadków uzupełniono za pomocą imputacji średnią w sytuacjach, gdy brakujące dane były minimalne (mniej niż 5% na przypadek), ponieważ podejście to jest dopuszczalne przy niewielkim udziale braków w wielkoskalowych badaniach ankietowych. Końcowy wskaźnik retencji wynoszący 93% (280 poprawnych odpowiedzi z 300 zebranych kwestionariuszy) reprezentuje proporcję użytecznych odpowiedzi zachowanych z całkowitej liczby zebranych kwestionariuszy; nie należy jednak interpretować tego jako rzeczywistego wskaźnika odpowiedzi, ponieważ nie można było obliczyć dokładnej liczby zaproszonych uczestników, gdyż łączone metody dystrybucji fizycznej i elektronicznej poprzez oficjalne kanały uniwersyteckie uniemożliwiły precyzyjne śledzenie całkowitej liczby zaproszeń. Ograniczenie to zostało uwzględnione, w związku z czym wartość 93% raportowana jest jako proporcja poprawnych odpowiedzi zachowanych z zebranych kwestionariuszy, a nie jako wskaźnik odpowiedzi w stosunku do całej zaproszonej populacji.

Narzędzia i miary

W badaniu tym wykorzystano ugruntowane i zwalidowane skale, starannie dostosowane do kontekstu nauczania języka angielskiego jako obcego (EFL), aby zmierzyć kluczowe konstrukty: styl nauczania, kompetencje cyfrowe, wykorzystanie ChatGPT, FLCA, motywację oraz kreatywność. Każda skala została wybrana ze względu na jej trafność i kompleksowość w uchwyceniu odpowiednich wymiarów badanych zmiennych. Kompetencje cyfrowe mierzono za pomocą dostosowanej skali opracowanej na podstawie pracy Rodríguez-de-Dios et al.⁵⁴, obejmującej sześć wymiarów i 29 pozycji. Wymiary te obejmowały: umiejętności technologiczne, umiejętności bezpieczeństwa osobistego, umiejętności krytyczne, umiejętności bezpieczeństwa urządzeń, umiejętności informacyjne oraz umiejętności komunikacyjne, co pozwoliło na kompleksową ocenę biegłości studentów w zakresie kompetencji cyfrowych niezbędnych w nowoczesnym kontekście edukacyjnym. Wykorzystanie ChatGPT oceniano za pomocą 8-pozycyjnej skali dostosowanej z pracy Abbas et al.⁵⁵, koncentrującej się na interakcji studentów z narzędziem AI w zadaniach nauki języka. Styl nauczania oceniano za pomocą dostosowanej wersji Kwestionariusza Stylu Nauczania Grashy (Grasha’s Teaching Style Inventory)⁵⁶. Instrument ten mierzy pięć wymiarów stylów nauczania: autorytarny, ekspercki, osobisty model, facylitatora oraz delegatora. Wymiary te odzwierciedlają różne podejścia dydaktyczne wpływające na doświadczenia edukacyjne studentów EFL. FLCA mierzono za pomocą dostosowanej skali opracowanej na podstawie pracy Briesmaster i Briesmaster⁵⁷. Instrument ten badał lęk w trzech wymiarach: lęk komunikacyjny (10 pozycji), lęk przed testami (10 pozycji) oraz lęk przed negatywną oceną (7 pozycji). Motywację studentów oceniano za pomocą skali dostosowanej z pracy Kanoksilapatham et al.⁵⁸, mierzącej trzy wymiary: promocję i zapobieganie instrumentalne, etnocentryzm i integratywność oraz nastawienie do nauki języka angielskiego. Skala obejmowała łącznie 20 pozycji. Kreatywność studentów EFL mierzono za pomocą skali dostosowanej z pracy Govindasamy et al.⁵⁹, która oceniała cztery wymiary: oryginalność, elastyczność, biegłość i szczegółowość. Każdy wymiar mierzono za pomocą trzech pozycji. Aby zapewnić kulturowe i kontekstowe dopasowanie instrumentów do środowiska EFL, zastosowano systemową procedurę adaptacji. Ponieważ oryginalne skale zostały opracowane w języku angielskim, dwóch dwujęzycznych ekspertów EFL przeanalizowało i uprościło język, aby zwiększyć klarowność dla studentów studiów licencjackich na poziomie średniozaawansowanym, zachowując jednocześnie oryginalne znaczenie każdego konstruktu. Dostosowane wersje zostały następnie przetłumaczone zwrotnie na język ojczysty uczestników przez niezależnego tłumacza w celu weryfikacji równoważności lingwistycznej i pojęciowej, a wszelkie rozbieżności rozstrzygnięto w drodze dyskusji w zespole badawczym. Następnie trzech doświadczonych wykładowców EFL oceniło dostosowane instrumenty pod kątem merytorycznej istotności, adekwatności kulturowej oraz przejrzystości pozycji, co zaowocowało niewielkimi korektami sformułowań i zastąpieniem kulturowo nieznanych przykładów tam, gdzie było to stosowne. Na koniec zrewidowane instrumenty poddano testom pilotażowym z udziałem 30 studentów (patrz sekcja Procedura), a opinie uczestników wykorzystano do wprowadzenia dodatkowych drobnych poprawek w sformułowaniach w celu poprawy zrozumiałości. Ten wieloetapowy proces zapewnił, że dostosowane instrumenty zachowały swoje oryginalne właściwości psychometryczne, będąc jednocześnie odpowiednimi dla docelowej populacji studentów EFL. Pełny kwestionariusz po adaptacji znajduje się w Pliku uzupełniającym 2 (Supplementary File 2).

Metody analizy danych

Dane zebrane na potrzeby niniejszego badania zostały poddane analizie przy użyciu pakietu Statistical Package for the Social Sciences (SPSS 26) oraz programu SmartPLS 4 z zastosowaniem metody PLS-SEM. To dualne podejście metodologiczne zapewniło kompleksową analizę danych, obejmującą zarówno aspekty opisowe, jak i weryfikacyjne, przy jednoczesnym testowaniu hipotetycznych zależności oraz efektów mediacji w modelu badawczym. Początkowo program SPSS został wykorzystany do przeprowadzenia wstępnej analizy danych, w tym oczyszczania danych, obliczenia statystyk opisowych oraz testów rzetelności. Przesiew danych obejmował sprawdzenie brakujących wartości, wartości odstających oraz normalności rozkładu w celu zapewnienia jakości i spójności zbioru danych. Obliczono statystyki opisowe, w tym średnią, odchylenie standardowe i rozkłady częstotliwości, aby podsumować charakterystykę próby. Główna analiza została przeprowadzona w programie SmartPLS 4. Wybrano metodę PLS-SEM ze względu na jej przydatność w analizie złożonych modeli z wieloma konstruktami oraz wysoką odporność przy małych i średnich licznościach próby. Analiza została przeprowadzona w dwóch etapach: ocenie modelu pomiarowego oraz ocenie modelu strukturalnego. W ramach oceny modelu pomiarowego zweryfikowano rzetelność wskaźników, rzetelność spójności wewnętrznej (przy użyciu rzetelności złożonej [CR]), trafność zbieżną (przy użyciu średniej wariancji wyekstrahowanej [AVE]) oraz trafność różnicową (przy użyciu wskaźnika heterotrait–monotrait [HTMT]).

Po walidacji modelu pomiarowego oceniono model strukturalny w celu zweryfikowania hipotetycznych zależności między stylem nauczania, korzystaniem z ChatGPT, kompetencjami cyfrowymi, motywacją, lękiem a kreatywnością. Przeanalizowano współczynniki ścieżek, aby określić siłę i istotność efektów bezpośrednich i pośrednich, a istotność oceniono za pomocą metody bootstrappingu z 5 000 prób wielokrotnych. Aby ocenić istotność efektów bezpośrednich, pośrednich i mediacyjnych, skonstruowano skorygowane pod kątem obciążenia (BC) przedziały ufności bootstrap dla 5 000 prób z poziomem ufności 95%. Za pomocą bootstrapowych przedziałów ufności oceniono również efekty mediacyjne motywacji w relacjach między stylem nauczania, korzystaniem z ChatGPT, kompetencjami cyfrowymi a lękiem. Dopasowanie modelu i jego moc predykcyjną oceniono za pomocą współczynnika determinacji (R²), istotności predykcyjnej (Q²) oraz zestandaryzowanego pierwiastka średniokwadratowego reszt (SRMR).

Wyniki

Statystyka opisowa

Statystyka opisowa zapewnia przegląd charakterystyki próby oraz rozkładu, tendencji centralnej i zmienności zmiennych badanych. W niniejszym badaniu przeprowadzono analizy opisowe w celu scharakteryzowania próby uczestników i podsumowania kluczowych zmiennych przed wykonaniem analiz strukturalnych.

Tabela 1 podsumowuje charakterystykę demograficzną 280 studentów studiów licencjackich uczących się języka angielskiego jako obcego (EFL). Kobiety stanowiły 54,3% (n = 152) próby, natomiast mężczyźni 45,7% (n = 128). Większość uczestników była w wieku 21–23 lat (52,1%), następnie osoby w wieku 18–20 lat (36,4%) oraz 24–25 lat (11,4%). Pod względem roku studiów najliczniejszą grupę stanowili studenci drugiego roku (42,1%), a następnie pierwszego (34,3%) i trzeciego roku (23,6%). Większość uczestników zadeklarowała umiarkowane doświadczenie w korzystaniu z ChatGPT (47,1%), podczas gdy 36,8% wskazało na duże doświadczenie, a 16,1% na ograniczone doświadczenie. Wszyscy uczestnicy mieli wcześniejszy kontakt z ChatGPT, zgodnie z kryteriami włączenia do badania, przy czym kategoria „ograniczone doświadczenie” oznaczała minimalne użytkowanie, a nie całkowity brak doświadczenia. Uczestnicy zgłaszali głównie umiarkowany poziom kompetencji cyfrowych (54,6%), następnie wysoki (30,4%) i niski (15,0%). Większość uczestników wykazała średni poziom biegłości w języku angielskim (62,5%), podczas gdy 22,9% zadeklarowało poziom podstawowy, a 14,6% poziom zaawansowany. Ogólnie rzecz biorąc, charakterystyka demograficzna wskazuje, że próba obejmowała uczestników o zróżnicowanym wykształceniu akademickim, różnym poziomie kompetencji cyfrowych, biegłości w języku angielskim oraz różnym stopniu doświadczenia w korzystaniu z ChatGPT (Tabela 1, Rysunek 2).

Zmienna	Kategoria	Częstotliwość, n	Procent, %
Płeć	Mężczyzna	128	45.7
	Kobieta	152	54.3
Grupa wiekowa	18–20 lat	102	36.4
	21–23 lata	146	52.1
	24–25 lat	32	11.4
Rok studiów	Pierwszy rok	96	34.3
	Drugi rok	118	42.1
	Trzeci rok	66	23.6
Doświadczenie z ChatGPT	Ograniczone doświadczenie	45	16.1
	Umiarkowane doświadczenie	132	47.1
	Szerokie doświadczenie	103	36.8
Poziom kompetencji cyfrowych	Niski	42	15
	Umiarkowany	153	54.6
	Wysoki	85	30.4
Poziom biegłości w języku angielskim	Podstawowy	64	22.9
	Średni	175	62.5
	Zaawansowany	41	14.6

Tabela 1: Charakterystyka demograficzna respondentów badania. Tabela podsumowuje cechy demograficzne 280 studentów uczących się języka angielskiego jako obcego (EFL) objętych badaniem. Przedstawiono liczebności i wartości procentowe dla płci, grupy wiekowej, roku studiów, doświadczenia w korzystaniu z ChatGPT, poziomu kompetencji cyfrowych oraz poziomu biegłości w języku angielskim.

Rysunek 2. Charakterystyka demograficzna respondentów badania. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Rycina 2 przedstawia rozkład demograficzny uczestników badania według płci, grupy wiekowej, roku studiów, doświadczenia w korzystaniu z narzędzi AI, poziomu kompetencji cyfrowych oraz poziomu znajomości języka angielskiego. Rozkład wykazuje nieco większą proporcję kobiet niż mężczyzn wśród uczestników, przy czym większość respondentów znajduje się w przedziale wiekowym 21–23 lata. Najczęściej zgłaszanymi kategoriami były umiarkowane kompetencje cyfrowe oraz średniozaawansowana znajomość języka angielskiego (Rycina 2).

Tabela 2 przedstawia statystyki opisowe dla zmiennych badania. Styl nauczania, mierzony za pomocą 25 pozycji, uzyskał średni wynik 3,84 (SD = 0,76), przy czym wyniki mieściły się w przedziale od 2,1 do 4,8. Korzystanie z ChatGPT, oceniane za pomocą ośmiu pozycji, uzyskało średni wynik 3,67 (SD = 0,81), a odpowiedzi mieściły się w przedziale od 1,5 do 5,0. Piśmienność cyfrowa, mierzona za pomocą 29 pozycji, uzyskała średni wynik 3,72 (SD = 0,73), przy czym wyniki mieściły się w przedziale od 2,2 do 4,9. Motywacja, oceniana za pomocą 20 pozycji, uzyskała najwyższy średni wynik (3,92, SD = 0,68), a wartości mieściły się w przedziale od 2,4 do 5,0. Lęk, mierzony za pomocą 27 pozycji, uzyskał średni wynik 3,41 (SD = 0,89). Kreatywność, oceniana za pomocą 12 pozycji, uzyskała średni wynik 3,78 (SD = 0,74), a wyniki mieściły się w przedziale od 2,0 do 5,0. Przedstawione statystyki opisowe wskazują na zmienność w obrębie mierzonych konstruktów, zapewniając jednocześnie ogólne podsumowanie odpowiedzi uczestników.

Zmienna	Liczba elementów	Średnia (M)	Odchylenie standardowe (SD)	Minimum	Maximum
Lęk	27	3,41	0,89	1,8	5
Korzystanie z ChatGPT	8	3,67	0,81	1,5	5
Kreatywność	12	3,78	0,74	2	5
Piśmienność cyfrowa	29	3,72	0,73	2,2	4,9
Motywacja	20	3,92	0,68	2,4	5
Styl nauczania	25	3,84	0,76	2,1	4,8

Tabela 2: Statystyki opisowe dla konstruktów badania. Tabela przedstawia liczbę pytań w kwestionariuszu, średnią (M), odchylenie standardowe (SD), minimalną i maksymalną wartość obserwowaną dla stylu nauczania, użytkowania ChatGPT, kompetencji cyfrowych, motywacji, lęku w klasie języka obcego oraz kreatywności na podstawie odpowiedzi 280 uczestników.

Błąd wariancji metody wspólnej

Błąd wspólnej wariancji metody (CMV) odnosi się do pozornej współzmienności między zmiennymi, która wynika z zastosowanej metody pomiaru, a nie z mierzonych konstruktów. Ponieważ w badaniu wykorzystano ankietę opartą na samoopisie, zastosowano zarówno podejścia proceduralne, jak i statystyczne, aby ocenić potencjalny wpływ błędu CMV. Proceduralnie zapewniono uczestnikom anonimowość i poufność, aby zminimalizować błąd pożądania społecznego i zachęcić do szczerych odpowiedzi. Dodatkowo pytania kwestionariusza, zaadaptowane z uznanych narzędzi, przedstawiono w losowej kolejności, aby ograniczyć powtarzalność odpowiedzi, która mogłaby sztucznie zwiększyć błąd CMV. Statystycznie przeprowadzono test jednoczynnikowy Harmana, wprowadzając wszystkie zmierzone zmienne do eksploracyjnej analizy czynnikowej (EFA) bez rotacji. Analiza wykazała, że pierwszy czynnik nierotowany wyjaśnił 32,7% całkowitej wariancji, co znajduje się poniżej zalecanego progu 50%, wskazując, że błąd CMV prawdopodobnie nie miał istotnego wpływu na wyniki badania (Tabela 3).

Statystyka		Wartość	Próg	Interpretacja
Całkowita liczba wyekstrahowanych czynników		7	Tekst źródłowy nie został dostarczony. Proszę o przesłanie treści do tłumaczenia.	Wyekstrahowano wiele czynników, co wskazuje, że mierzone elementy reprezentują odrębne konstrukty.
Wariancja wyjaśniona przez pierwszy czynnik		32.70%	<50%	Poniżej powszechnie akceptowanego progu, co wskazuje, że wariancja metody wspólnej (CMV) prawdopodobnie nie stanowi poważnego problemu.
Skumulowana wariancja wyjaśniona (pierwsze trzy czynniki)		62.10%	N/A	Wskazuje to, że trzy pierwsze czynniki wyjaśniają znaczną część całkowitej wariancji.
Miara adekwatności próby Kaisera-Meyer-Olkina (KMO)		0.89	>0.80	Wskazuje na doskonałą adekwatność próby dla analizy czynnikowej.
test sferyczności Bartletta (p wartość)		<0.001	p < 0.05	Istotny wynik wskazujący, że macierz korelacji nadaje się do analizy czynnikowej.

Tabela 3: Wyniki testu jednoczynnikowego Harmana oraz miary adekwatności próby. Tabela podsumowuje wyniki testu jednoczynnikowego Harmana, miary adekwatności próby Kaisera–Meyer–Olkina (KMO) oraz testu sferyczności Bartletta. Test jednoczynnikowy Harmana przeprowadzono w celu oceny potencjalnego wpływu wspólnej wariancji metodologicznej (CMV). Statystyka KMO oraz test Bartletta zostały wykorzystane do oceny przydatności zbioru danych do analizy czynnikowej.

Tabela 3 przedstawia wyniki jednoczynnikowego testu Harman’a, wskazując, że pierwszy czynnik nieobrócony odpowiadał za 32,7% całkowitej wariancji, co znajduje się poniżej zalecanego progu 50% i sugeruje, że błąd wspólnej metody nie stanowi istotnego problemu w niniejszym badaniu. Miara adekwatności próbkowania Kaisera-Mayera-Olkina (KMO) wyniosła 0,89, co wskazuje, że dane były odpowiednie do analizy czynnikowej. Ponadto test sferyczności Bartletta był statystycznie istotny (p < 0,001), co potwierdza, że macierz korelacji była właściwa do przeprowadzenia analizy czynnikowej. Wspólnie wyniki te potwierdzają przydatność zbioru danych do późniejszych analiz z wykorzystaniem modelowania równań strukturalnych.

Model pomiarowy

Model pomiarowy został poddany ocenie w celu zweryfikowania niezawodności i trafności konstruktów badania przy użyciu metody PLS-SEM zaimplementowanej w programie SmartPLS 4, zgodnie z zaleceniami Haira i wsp.⁶⁰ Oceniono niezawodność wskaźników, niezawodność spójności wewnętrznej, trafność zbieżną oraz trafność różnicową. Niezawodność wskaźników oceniano na podstawie ładunków zewnętrznych, przyjmując elementy z ładunkami powyżej 0,70 jako niezawodne wskaźniki dla ich odpowiednich konstruktów. Elementy z ładunkami w przedziale od 0,60 do 0,70 zachowano tylko wtedy, gdy ich usunięcie nie poprawiało spójności wewnętrznej odpowiadającego im konstruktu. Niezawodność spójności wewnętrznej oceniano za pomocą alfa Cronbacha oraz CR. Trafność zbieżną oceniano za pomocą AVE; wszystkie konstrukty wykazały wartości AVE powyżej 0,50, co wskazuje, że każdy konstrukt wyjaśniał więcej niż połowę wariancji swoich wskaźników. Trafność różnicową oceniono za pomocą współczynnika HTMT, a wszystkie wartości HTMT znajdowały się poniżej zalecanego progu 0,85, co potwierdza empiryczną odrębność konstruktów badania (Tabele 4 i 5).

Konstrukt		Ładunek czynnikowy	Niezawodność złożona (CR)	Średnia wariancja wyodrębniona (AVE)	Zewnętrzny współczynnik inflacji wariancji (VIF)
Styl nauczania (Autorytet)		0.87	0.91	0.66	1.38
Styl nauczania (Ekspert)		0.89	0.92	0.68	1.45
Styl nauczania (Wzór osobisty)		0.86	0.9	0.65	1.4
Styl nauczania (Facylitator)		0.88	0.93	0.69	1.43
Styl nauczania (Delegator)		0.85	0.89	0.62	1.39
Korzystanie z ChatGPT		0.92	0.94	0.72	1.47
Lęk w klasie języka obcego (Lęk komunikacyjny)		0.86	0.9	0.64	1.35
Lęk w klasie języka obcego (Lęk przed testami)		0.88	0.92	0.67	1.41
Lęk w klasie języka obcego (Lęk przed negatywną oceną)		0.83	0.88	0.6	1.32
Motywacja (Instrumentalność)		0.84	0.89	0.61	1.34
Motywacja (Etnocentryzm i integratywność)		0.86	0.9	0.63	1.36
Motywacja (Postawa wobec nauki języka angielskiego)		0.89	0.93	0.7	1.44
Kreatywność (Oryginalność)		0.88	0.92	0.67	1.41
Kreatywność (Elastyczność)		0.87	0.91	0.66	1.38
Kreatywność (Płynność)		0.89	0.93	0.68	1.42
Kreatywność (Opracowanie)		0.85	0.9	0.63	1.37
Alfabetyzm cyfrowy		0.93	0.95	0.75	1.49

Tabela 4: Ocena modelu pomiarowego. W tabeli przedstawiono ładunki czynnikowe, rzetelność złożoną (CR), średnią wariancję wyodrębnioną (AVE) oraz zewnętrzny współczynnik inflacji wariancji (VIF) dla każdego konstruktu i wymiaru szczegółowego ujętego w modelu pomiarowym modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). Statystyki te wykorzystano do oceny rzetelności wskaźników, rzetelności spójności wewnętrznej, trafności zbieżnej oraz współliniowości.

Konstrukt		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. Styl nauczania (Autorytet)		—
2. Styl nauczania (Ekspert)		0.702	—
3. Styl nauczania (Wzorzec osobisty)		0.743	0.581	—
4. Styl nauczania (Facylitator)		0.629	0.735	0.702	—
5. Styl nauczania (Delegator)		0.754	0.549	0.802	0.692	—
6. Korzystanie z ChatGPT		0.52	0.643	0.743	0.536	0.693	—
7. Lęk w klasie języka obcego (Lęk przed komunikacją)		0.665	0.521	0.649	0.559	0.73	0.827	—
8. Lęk w klasie języka obcego (Lęk przed testami)		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. Lęk w klasie języka obcego (Lęk przed negatywną oceną)		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. Motywacja (Instrumentalność)		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. Motywacja (Etnocentryzm i integratywność)		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. Motywacja (Stosunek do nauki języka angielskiego)		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. Kreatywność (Oryginalność)		0.626	0.678	0.501	0.732	0.538	0.678	0.839	0.543	0.523	0.577	0.668	0.719	—
14. Kreatywność (Elastyczność)		0.726	0.669	0.844	0.528	0.654	0.579	0.517	0.775	0.644	0.667	0.679	0.82	0.697	—
15. Kreatywność (Płynność)		0.711	0.692	0.815	0.635	0.629	0.505	0.792	0.817	0.604	0.55	0.518	0.604	0.59	0.626	—
16. Kreatywność (Opracowanie)		0.749	0.761	0.783	0.69	0.811	0.55	0.503	0.842	0.732	0.714	0.659	0.744	0.543	0.606	0.634	—
17. Alfabetyzm cyfrowy		0.606	0.641	0.593	0.742	0.727	0.628	0.631	0.648	0.742	0.688	0.806	0.578	0.673	0.549	0.7	0.529	—

Tabela 5: Trafność różnicująca oceniana za pomocą wskaźnika heterotrait–monotrait (HTMT). Tabela przedstawia wartości HTMT dla wszystkich par konstruktów i podwymiarów uwzględnionych w modelu pomiarowym. Wskaźnik HTMT został wykorzystany do oceny trafności różnicującej poprzez analizę empirycznej odrębności konstruktów latentnych. Wartości poniżej określonego progu 0,85 wskazują na akceptowalną trafność różnicującą.

Tabela 4 podsumowuje ocenę modelu pomiarowego. Obciążenia czynnikowe mieściły się w zakresie od 0,83 do 0,93, przekraczając zalecany próg 0,70, co wskazuje na satysfakcjonującą rzetelność wskaźników. Wartości rzetelności złożonej (composite reliability) mieściły się w zakresie od 0,88 do 0,95, wykazując wysoką spójność wewnętrzną wszystkich konstruktów. Wartości AVE mieściły się w zakresie od 0,60 do 0,75, przekraczając zalecaną wartość minimalną 0,50 i potwierdzając trafność zbieżną. Ponadto wszystkie wartości zewnętrznego czynnika inflacji wariancji (VIF) były niższe niż 1,50, co wskazuje na brak dowodów na współliniowość wskaźników. Ogólnie wyniki te potwierdzają rzetelność i trafność modelu pomiarowego dla późniejszej oceny modelu strukturalnego.

Rycina 3 przedstawia model pomiarowy, w tym konstrukty latentne, odpowiadające im wymiary i wskaźniki oraz relacje między zmiennymi ocenianymi w badaniu.

Rysunek 3. Model pomiarowy równań strukturalnych metodą najmniejszych kwadratów częściowych. Model pomiarowy wygenerowany przy użyciu modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM) przedstawia zależności między konstruktami ukrytymi, ich wymiarami a wskaźnikami obserwowalnymi. Wartości wyświetlane na ścieżkach łączących reprezentują oszacowane ładunki zewnętrzne lub współczynniki ścieżkowe, w zależności od kontekstu. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 5 przedstawia wyniki HTMT wykorzystane do oceny trafności dyskryminacyjnej. Wszystkie wartości HTMT znajdowały się poniżej konserwatywnego progu 0,85, co wskazuje na satysfakcjonującą trafność dyskryminacyjną pomiędzy 17 konstruktami. Najwyższe wartości HTMT zaobserwowano pomiędzy Kreatywnością (Elastyczność) a Stylem Nauczania (Model Osobisty) (0,8437), Kreatywnością (Opracowanie) a Lękiem (Lęk przed Testami) (0,8422) oraz Kreatywnością (Oryginalność) a Lękiem (Lęk przed Komunikacją) (0,8394). Chociaż wartości te zbliżyły się do zalecanego progu, pozostały poniżej 0,85, co potwierdza empiryczną odrębność konstruktów. Pozostałe wartości HTMT były niższe, co dodatkowo potwierdza trafność dyskryminacyjną w całym modelu pomiarowym.

Wyniki testowania hipotez (model strukturalny)

Przeanalizowano model strukturalny, aby zbadać hipotetyczne zależności między stylem nauczania, wykorzystaniem ChatGPT, biegłością cyfrową, motywacją, FLCA a kreatywnością. Wyniki potwierdziły wszystkie zaproponowane hipotezy dotyczące bezpośrednich i pośrednich zależności. Styl nauczania, wykorzystanie ChatGPT oraz biegłość cyfrowa były dodatnio skorelowane z motywacją. Motywacja była ujemnie skorelowana z FLCA, natomiast FLCA była ujemnie skorelowana z kreatywnością. Ponadto motywacja pośredniczyła w relacjach między stylem nauczania, wykorzystaniem ChatGPT oraz biegłością cyfrową a FLCA (Tabele 6 i 7).

Hipoteza		Standaryzowany współczynnik ścieżkowy (β)	t Wartość	p Wartość	Wspierane	95% przedział ufności (CI)	dolna granica przedziału ufności (LLCI)	Górna granica (ULCI)
H1. Styl nauczania → Motywacja studentów uczących się języka angielskiego jako obcego (EFL)		0.36	5.45	<0.001	Tak	[0.26, 0.46]	0.26	0.46
H2. Wykorzystanie ChatGPT → Motywacja uczniów uczących się angielskiego jako języka obcego (EFL)		0.4	6.27	<0.001	Tak	[0.30, 0.50]	0.3	0.5
H3. Piśmienność cyfrowa → Motywacja uczniów uczących się angielskiego jako języka obcego (EFL)		0.33	4.95	<0.001	Tak	[0.23, 0.43]	0.23	0.43
H4. Motywacja studentów uczących się angielskiego jako języka obcego (EFL) → lęk w klasie języka obcego		–0.27	–4.81	<0.001	Tak	[–0.37, –0.17]	–0.37	–0.17
H5. Lęk przed nauką języka obcego → Kreatywność uczniów uczących się języka angielskiego jako obcego (EFL)		–0.26	–4.01	<0.001	Tak	[–0.36, –0.16]	–0.36	–0.16

Tabela 6: Testowanie hipotez dotyczących efektów bezpośrednich. Tabela przedstawia wyniki analiz efektów bezpośrednich przeprowadzonych przy użyciu modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). Raportowane statystyki obejmują standaryzowany współczynnik ścieżki (β), wartość t, wartość p, 95% przedział ufności (CI) wyznaczony metodą bootstrapowania, dolną granicę przedziału ufności (LLCI), górną granicę przedziału ufności (ULCI) oraz decyzję dotyczącą potwierdzenia hipotezy. Istotność statystyczną oceniono za pomocą bootstrapowania z wykorzystaniem 5 000 prób wielokrotnych.

Hipoteza	Ścieżka mediacji		Ustandaryzowany efekt pośredni (β)	t Wartość	p Wartość	Wspierany	95% przedział ufności (CI)	dolna granica przedziału ufności (LLCI)	Górna granica (ULCI)
H6	Styl nauczania → Uzasadnienie → Lęk w klasie języka obcego		0.28	4.56	<0.001	Tak	[0.18, 0.38]	0.18	0.38
H7	korzystanie z ChatGPT → Uzasadnienie → Lęk w klasie języka obcego		0.34	5.02	<0.001	Tak	[0.24, 0.44]	0.24	0.44
H8	Alfabetyzm cyfrowy → Uzasadnienie → Lęk przed nauką języka obcego		0.3	4.68	<0.001	Tak	[0.20, 0.40]	0.20	0.40

Tabela 7: Analiza mediacji. Tabela podsumowuje efekty pośrednie oszacowane przy użyciu modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). Raportowane statystyki obejmują standaryzowany efekt pośredni (β), wartość t, wartość p, 95% przedział ufności (CI) bootstrapowy, dolną granicę przedziału ufności (LLCI), górną granicę przedziału ufności (ULCI) oraz decyzję dotyczącą potwierdzenia hipotezy. Istotność statystyczną oceniono za pomocą metody bootstrapowania z 5 000 próbami ponownych.

Tabela 6 przedstawia wyniki analiz efektów bezpośrednich. Wszystkie pięć hipotetycznych zależności bezpośrednich było istotnych statystycznie (p < 0.001), co potwierdza hipotezy H1–H5. Styl nauczania (β = 0.36), korzystanie z ChatGPT (β = 0.40) oraz kompetencje cyfrowe (β = 0.33) były dodatnio skorelowane z motywacją studentów EFL, przy czym korzystanie z ChatGPT wykazało najwyższy standaryzowany współczynnik ścieżki spośród trzech predyktorów. Motywacja była ujemnie skorelowana z FLCA (β = –0.27), co wskazuje, że wyższa motywacja odpowiadała niższemu poziomowi lęku. Z kolei FLCA była ujemnie skorelowana z kreatywnością (β = –0.26). 95% przedziały ufności bootstrap dla wszystkich efektów bezpośrednich nie obejmowały zera, co potwierdza istotność statystyczną hipotetycznych zależności. Tabela 7 przedstawia analizy mediacji badające, czy motywacja mediowała zależności między stylem nauczania, korzystaniem z ChatGPT i kompetencjami cyfrowymi a FLCA. Efekty pośrednie były istotne statystycznie dla wszystkich trzech ścieżek (H6: β = 0.28, t = 4.56, p < 0.001; H7: β = 0.34, t = 5.02, p < 0.001; H8: β = 0.30, t = 4.68, p < 0.001). 95% przedziały ufności bootstrap nie obejmowały zera dla wszystkich efektów pośrednich, potwierdzając istotność statystyczną ścieżek mediacji. Dodatnie współczynniki pośrednie odzwierciedlają całkowitą wielkość efektów pośrednich poprzez motywację, podczas gdy bezpośrednia zależność między motywacją a FLCA była ujemna, zgodnie z raportem z modelu strukturalnego. W konsekwencji, wyższe poziomy stylu nauczania, korzystania z ChatGPT i kompetencji cyfrowych wiązały się z wyższą motywacją, która z kolei wiązała się z niższym FLCA (Tabele 6 i 7). Ogólnie model strukturalny potwierdził wszystkie hipotetyczne zależności bezpośrednie (H1–H5) i pośrednie (H6–H8). Wyniki wskazują na statystycznie istotne powiązania między stylem nauczania, korzystaniem z ChatGPT, kompetencjami cyfrowymi, motywacją, FLCA i kreatywnością, przy czym motywacja pełniła rolę istotnego mediatora ocenianego w modelu strukturalnym.

Analiza wymiarowa stylu nauczania

Przeprowadzono analizę wymiarową w celu zbadania zależności między pięcioma wymiarami stylu nauczania a motywacją studentów EFL, lękiem przed mówieniem w języku obcym (FLCA) oraz kreatywnością. Wymiary stylu nauczania obejmowały: Autorytet, Ekspert, Model Osobisty, Facylitator oraz Delegator. Model strukturalny oszacował bezpośrednie efekty każdego wymiaru stylu nauczania na trzy zmienne wynikowe, aby ustalić, czy zaobserwowane zależności różniły się w zależności od podejścia do nauczania (Tabela 8).

Wymiar stylu nauczania	Zmienna wynikowa	Zstandaryzowany współczynnik ścieżkowy (β)	Wartość t	Wartość p	Dolna granica 95% przedziału ufności (LLCI)	Górna granica 95% przedziału ufności (ULCI)	Potwierdzone
Autorytet	Motywacja	0.12	1.85	0.065	–0.02	0.26	Nie
Autorytet	Lęk przed nauką języka obcego w klasie	0.35	5.12	<0.001	0.22	0.48	Tak
Autorytet	Kreatywność	–0.28	–4.02	<0.001	–0.42	–0.14	Tak
Ekspert	Motywacja	0.3	4.89	<0.001	0.18	0.42	Tak
Ekspert	Lęk przed nauką języka obcego w klasie	–0.18	–2.95	0.003	–0.30	–0.06	Tak
Ekspert	Kreatywność	0.22	3.56	<0.001	0.1	0.34	Tak
Wzorzec osobisty	Motywacja	0.25	4.02	<0.001	0.13	0.37	Tak
Wzorzec osobisty	Lęk przed nauką języka obcego w klasie	–0.22	–3.45	0.001	–0.35	–0.09	Tak
Wzorzec osobisty	Kreatywność	0.24	3.78	<0.001	0.12	0.36	Tak
Facylitator	Motywacja	0.34	5.5	<0.001	0.22	0.46	Tak
Facylitator	Lęk przed nauką języka obcego w klasie	–0.28	–4.45	<0.001	–0.40	–0.16	Tak
Facylitator	Kreatywność	0.31	4.95	<0.001	0.19	0.43	Tak
Delegator	Motywacja	0.29	4.62	<0.001	0.17	0.41	Tak
Delegator	Lęk przed nauką języka obcego w klasie	–0.24	–3.85	<0.001	–0.37	–0.11	Tak
Delegator	Kreatywność	0.27	4.25	<0.001	0.15	0.39	Tak

Tabela 8: Analiza wymiarowa stylu nauczania. Tabela przedstawia bezpośrednie zależności między wymiarami stylu nauczania takimi jak Autorytet, Ekspert, Model Osobisty, Facylitator i Delegator a zmiennymi wynikowymi: motywacją, lękiem w klasie języka obcego oraz kreatywnością. Raportowane statystyki obejmują standaryzowany współczynnik ścieżki (β), wartość t, wartość p, dolną granicę 95% przedziału ufności bootstrap (LLCI), górną granicę 95% przedziału ufności bootstrap (ULCI) oraz decyzję dotyczącą potwierdzenia hipotezy.

Tabela 8 przedstawia wyniki analizy wymiarowej stylów nauczania. Styl nauczania Facilitator (Facylitator) wykazał najsilniejsze pozytywne korelacje z motywacją (β = 0.34, p < 0.001) i kreatywnością (β = 0.31, p < 0.001), a jednocześnie najsilniejszą negatywną korelację z FLCA (β = –0.28, p < 0.001). Style nauczania Expert (Ekspert), Personal Model (Model Osobisty) i Delegator (Delegujący) również były pozytywnie skorelowane z motywacją (odpowiednio β = 0.30, 0.25 i 0.29) oraz kreatywnością (odpowiednio β = 0.22, 0.24 i 0.27), wykazując jednocześnie negatywne korelacje z FLCA (odpowiednio β = –0.18, –0.22 i –0.24). Wszystkie te zależności były istotne statystycznie. W przeciwieństwie do nich, styl nauczania Authority (Autorytatywny) nie był istotnie skorelowany z motywacją (β = 0.12, p = 0.065). Wykazał on jednak istotną pozytywną korelację z FLCA (β = 0.35, p < 0.001) oraz istotną negatywną korelację z kreatywnością (β = –0.28, p < 0.001). Ogólnie rzecz biorąc, analiza wymiarowa wykazuje wyraźne wzorce powiązań między poszczególnymi wymiarami stylu nauczania a zmierzonymi efektami uczenia się. Wspólnie analiza wymiarowa wskazuje, że zależności między stylem nauczania a efektami osiągniętymi przez studentów różnią się w zależności od wymiaru stylu nauczania. Statystycznie istotne zależności zaobserwowano dla większości wymiarów stylu nauczania, podczas gdy styl nauczania Authority nie wykazał statystycznie istotnej korelacji z motywacją.

Trafność prognostyczna modelu wewnętrznego z wykorzystaniem PLS Predict

Ważność prognostyczną modelu strukturalnego oceniono za pomocą procedury PLS Predict, aby przeanalizować zdolność predykcyjną modelu poza próbą. Istotność prognostyczną oceniono przy użyciu statystyki Q² Predict wraz z miarami błędu prognozy, w tym pierwiastkiem błędu średnio kwadratowego (RMSE) oraz średnim błędem bezwzględnym (MAE). Wartości Q² Predict dla konstruktów endogenicznych mieściły się w zakresie od 0,32 do 0,48, co wskazuje na pozytywną istotność prognostyczną. Najwyższe wartości Q² Predict wykazano dla motywacji i kreatywności (odpowiednio 0,42 i 0,48). Przeanalizowano również wartości błędu prognozy, w których RMSE mieścił się w zakresie od 0,54 do 0,63, a MAE od 0,41 do 0,49 dla konstruktów endogenicznych (Tabela 9).

Konstrukt	Współczynnik determinacji (R²)	Istotność predykcyjna (Q² Predict)	Średniokwadratowy błąd prognozy (RMSE)	Średni błąd bezwzględny (MAE)
Motywacja	0.45	0.42	0.61	0.48
Lęk w klasie języka obcego	0.38	0.32	0.63	0.49
Kreatywność	0.42	0.48	0.54	0.41

Tabela 9: Wydajność prognostyczna modelu strukturalnego. Tabela podsumowuje wydajność prognostyczną konstruktów endogenicznych ocenianych za pomocą modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM). Raportowane statystyki obejmują współczynnik determinacji (R²), istotność prognostyczną (Q² Predict), pierwiastek błędu średniokwadratowego (RMSE) oraz średni błąd bezwzględny (MAE). Wyższe wartości R² i Q² Predict wskazują na większą zdolność wyjaśniającą i prognostyczną, natomiast niższe wartości RMSE i MAE wskazują na mniejszy błąd prognozy.

Tabela 9 podsumowuje wydajność predykcyjną modelu strukturalnego. Współczynnik determinacji (R²) wskazał, że model wyjaśnił 45% wariancji motywacji, 38% wariancji FLCA oraz 42% wariancji kreatywności. Wartości Q² Predict dla motywacji (0,42), FLCA (0,32) i kreatywności (0,48) były wszystkie większe od zera, co potwierdza istotność predykcyjną modelu. Wartości RMSE mieściły się w zakresie od 0,54 do 0,63, natomiast wartości MAE w zakresie od 0,41 do 0,49, co wskazuje na błędy predykcji dla konstruktów endogenicznych. Ogólnie miary wydajności predykcyjnej potwierdzają zdolność predykcyjną modelu strukturalnego.

Rysunek 4 ilustruje zdolność predykcyjną konstruktów endogenicznych, przedstawiając współczynnik determinacji (R²), istotność predykcyjną (Q² Predict) oraz miary błędu prognozy (RMSE i MAE). Wśród konstruktów endogenicznych kreatywność wykazała najwyższą wartość Q² Predict (0,48) przy najniższych błędach prognozy (RMSE = 0,54; MAE = 0,41), podczas gdy motywacja wykazała najwyższą wyjaśnioną wariancję (R² = 0,45) (Rysunek 4). Ogólnie analiza PLS Predict wykazała pozytywną istotność predykcyjną dla wszystkich konstruktów endogenicznych. Wyniki R², Q² Predict, RMSE i MAE wspólnie potwierdzają zdolność predykcyjną modelu strukturalnego dla motywacji, FLCA i kreatywności (Tabela 9; Rysunek 4).

Rysunek 4. Wydajność predykcyjna modelu strukturalnego. Wykres przedstawia wartości współczynnika determinacji (R²), pierwiastka błędu średniokwadratowego (RMSE), średniego błędu bezwzględnego (MAE) oraz Q² predict dla konstruktów endogenicznych motywacji, lęku i kreatywności. Słupki reprezentują wartości R², RMSE oraz MAE, a linia z okrągłymi znacznikami reprezentuje wartości Q² predict. Wyższe wartości R² i Q² predict wskazują odpowiednio na wyższą wydajność wyjaśniającą i predykcyjną, natomiast niższe wartości RMSE i MAE wskazują na niższy błąd predykcji. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dostępność danych:

Zanonimizowany zestaw danych na poziomie uczestników wspierający wyniki niniejszego badania został przedstawiony w Tabeli uzupełniającej 1. Arkusz informacyjny dla uczestnika oraz formularz świadomej zgody są dostępne w Pliku uzupełniającym 1, a kwestionariusz ankiety wykorzystany do gromadzenia danych został zamieszczony w Pliku uzupełniającym 2.

Tabela uzupełniająca 1. Surowy zbiór danych uczestników wykorzystany do analiz statystycznych. Tabela ta zawiera zanonimizowany zbiór danych na poziomie uczestników, który posłużył do przeprowadzenia analiz statystycznych. Zmienne obejmują informacje demograficzne oraz odpowiedzi na poszczególne pytania dotyczące stylu nauczania, korzystania z ChatGPT, kompetencji cyfrowych, motywacji, lęku w klasie języka obcego oraz kreatywności. Etykiety pozycji (np. TL1, CHATGPT1, DL1, M1, FLCA1, CR1) odpowiadają pytaniom z kwestionariusza opisanym w sekcji Narzędzia i pomiary. Dane nie zawierają żadnych informacji umożliwiających identyfikację osób.Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1. Arkusz informacji dla uczestnika i formularz świadomej zgody. Ten plik uzupełniający zawiera arkusz informacji dla uczestnika oraz formularz świadomej zgody wykorzystywane podczas rekrutacji uczestników. Opisuje on cele badania, kryteria kwalifikacji, procedury badania, dobrowolność udziału, potencjalne ryzyka i korzyści, poufność, ochronę danych oraz dane kontaktowe przekazane uczestnikom przed wypełnieniem kwestionariusza.Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 2. Kwestionariusz ankiety wykorzystany do zbierania danych. Ten plik uzupełniający zawiera pełny kwestionariusz przeprowadzony wśród uczestników. Narzędzie obejmuje pytania demograficzne oraz pomiary na poziomie pozycji oceniające styl nauczania, użytkowanie ChatGPT, kompetencje cyfrowe, motywację, lęk w klasie języka obcego oraz kreatywność. Odpowiedzi zapisano przy użyciu 5-stopniowej skali Likerta w zakresie od 1 (Zdecydowanie się nie zgadzam) do 5 (Zdecydowanie się zgadzam). Pozycje kwestionariusza odpowiadają instrumentom pomiarowym opisanym w sekcji Narzędzia i pomiary rękopisu.Proszę kliknąć tutaj, aby pobrać ten plik.

Dyskusja

W niniejszym badaniu zanalizowano zależności między stylem nauczania, wykorzystaniem ChatGPT, biegłością cyfrową, motywacją, FLCA a kreatywnością wśród saudyjskich studentów studiów licencjackich kierunków EFL, ze szczególnym uwzględnieniem mediacyjnej roli motywacji. Wyniki dostarczają dowodów dotyczących relacji między praktykami pedagogicznymi, wykorzystaniem technologii a charakterystyką ucznia w procesie nauki języka wspomaganej technologicznie. Pozytywny związek między stylem nauczania a motywacją studentów EFL (potwierdzenie H1) jest zgodny z teorią autodeterminacji (SDT), która zakłada, że praktyki nauczania wspierające autonomię ułatwiają motywację wewnętrzną poprzez zaspokajanie podstawowych potrzeb psychologicznych studentów w zakresie autonomii, kompetencji i przynależności⁶¹. Zaobserwowane wyniki sugerują, że podejścia skoncentrowane na uczniu, takie jak style facylitatora i delegatora, wiążą się z wyższym poziomem zaangażowania studentów i trwałym zainteresowaniem nauką języka. Wyniki te są zgodne z wcześniejszymi badaniami wskazującymi, że style nauczania charakteryzujące się elastycznością, responsywnością i możliwością uczestnictwa studentów wiążą się z większym zaangażowaniem motywacyjnym niż podejścia bardziej skoncentrowane na nauczycielu⁶². W kontekście saudyjskim, gdzie reformy edukacyjne w ramach Vision 2030 promują pedagogikę skoncentrowaną na uczniu, zaobserwowany pozytywny związek może odzwierciedlać wdrażanie tych podejść dydaktycznych w klasach EFL⁶³. Istotny pozytywny związek między wykorzystaniem ChatGPT a motywacją (potwierdzenie H2) można również interpretować w ramach ustalonych ram teoretycznych. Z perspektywy SDT, ChatGPT może wspierać autonomię uczniów, umożliwiając samodzielną praktykę językową, oraz sprzyjać poczuciu kompetencji dzięki natychmiastowej i spersonalizowanej informacji zwrotnej⁶⁴. Ponadto jego konwersacyjny interfejs może stwarzać możliwości autentycznej praktyki językowej poza klasą, co może zwiększyć zaangażowanie uczniów w naukę języka angielskiego⁶⁵. Obserwacje te sugerują, że ChatGPT może funkcjonować jako wspomagający zasób edukacyjny, który uzupełnia nauczanie klasowe. Model Akceptacji Technologii (TAM) dostarcza dalszego teoretycznego wyjaśnienia tej zależności, sugerując, że uczniowie, którzy postrzegają ChatGPT jako użyteczny i łatwy w obsłudze, chętniej korzystają z tej technologii, co wspiera ciągłą naukę. Podobnie, pozytywny związek między biegłością cyfrową a motywacją (potwierdzenie H3) podkreśla znaczenie umiejętności efektywnego korzystania z cyfrowych technologii uczenia się. Studenci o wyższym poziomie biegłości cyfrowej mogą być lepiej przygotowani do efektywnego wykorzystywania narzędzi edukacyjnych wspieranych przez AI, napotykać mniej barier technologicznych i dostrzegać wartość edukacyjną integracji technologii⁶⁶. W kontekście saudyjskim, gdzie dokonano znacznych inwestycji w infrastrukturę cyfrową i technologie edukacyjne⁶⁷, wyniki te podkreślają potencjalny wkład biegłości cyfrowej w naukę języka wspomaganą technologicznie.

Kluczowym wkładem niniejszego badania jest zidentyfikowanie motywacji jako istotnego mediatora relacji między stylem nauczania, wykorzystaniem ChatGPT, kompetencjami cyfrowymi a FLCA (potwierdzenie H6–H8). Negatywna korelacja między motywacją a FLCA (potwierdzenie H4) jest zgodna z perspektywami teoretycznymi sugerującymi, że motywacja wewnętrzna stanowi zasób psychologiczny, który pomaga uczącym się radzić sobie z wyzwaniami emocjonalnymi związanymi z akwizycją języka⁶⁸. Zmotywowani studenci mogą z większym prawdopodobieństwem wytrwale dążyć do celu w obliczu trudności językowych, postrzegać błędy jako okazje do nauki oraz zachowywać poczucie własnej skuteczności podczas wymagających zadań językowych, takich jak prezentacje ustne i egzaminy. Negatywna korelacja między FLCA a kreatywnością (potwierdzenie H5) jest również zgodna z wcześniejszymi badaniami wskazującymi, że lęk może ograniczać chęć uczniów do eksperymentowania z nowymi formami językowymi i twórczego posługiwania się językiem⁶⁹. W saudyjskim kontekście nauczania EFL, w którym FLCA zostało zidentyfikowane jako bariera w nauce języka, wyniki te podkreślają znaczenie środowisk uczenia się, które wspierają motywację studentów, jednocześnie redukując bariery emocjonalne utrudniające uczestnictwo. Analizy mediacyjne sugerują ponadto, że motywacja stanowi istotny mechanizm, poprzez który wspierające praktyki nauczania, wykorzystanie ChatGPT oraz kompetencje cyfrowe wiążą się z niższym poziomem FLCA. Wyniki te rozszerzają dotychczasowe badania, wskazując na potencjalną rolę motywacji w łączeniu czynników dydaktycznych i technologicznych z efektami nauczania w saudyjskich klasach EFL.

Analiza wymiarowa stylu nauczania (Tabela 8) wykazała wyraźne wzorce w pięciu wymiarach stylu nauczania. Styl nauczania oparty na autorytecie (Authority) wiązał się z wyższym poziomem FLCA i niższą kreatywnością, natomiast jego związek z motywacją nie był istotny statystycznie. W przeciwieństwie do tego, style nauczania takie jak facylitator (Facilitator), ekspert (Expert), osobisty wzorzec (Personal Model) i delegator (Delegator) wykazały pozytywną korelację z motywacją oraz kreatywnością i negatywną korelację z lękiem w obcojęzycznej sali lekcyjnej. Wyniki te sugerują, że style nauczania mogą różnić się w zakresie ich związku z motywacyjnymi, emocjonalnymi i twórczymi efektami u uczniów. Możliwe wyjaśnienie dostarcza teoria autodeterminacji (SDT), zgodnie z którą podejścia dydaktyczne wspierające autonomię ucznia z większą prawdopodobieństwem sprzyjają motywacji wewnętrznej, podczas gdy wysoce dyrektywne podejścia instruktażowe mogą zapewniać strukturę, ale oferują mniej możliwości autonomicznego zaangażowania. W kontekście edukacyjnym Arabii Saudyjskiej ustrukturyzowane podejścia instruktażowe mogą zmniejszać niepewność u niektórych uczniów poprzez zapewnienie jasnych oczekiwań i wskazówek. Jednocześnie większa kontrola nauczyciela może ograniczać możliwości samodzielnej nauki i kreatywnego wykorzystania języka. Wyniki te sugerują, że podejścia instruktażowe równoważące jasne wytyczne z możliwościami autonomii ucznia mogą wspierać pozytywne efekty edukacyjne. Przyszłe badania z wykorzystaniem projektów podłużnych lub eksperymentalnych pomogłyby wyjaśnić te zależności i zbadać, w jaki sposób różne style nauczania wpływają na motywację, lęk w obcojęzycznej sali lekcyjnej oraz kreatywność w czasie.

Niniejsze badanie przyczynia się do teoretycznego zrozumienia nauki języka angielskiego jako obcego (EFL), integrując teorię autodeterminacji (SDT) oraz model akceptacji technologii (TAM) w celu zbadania, w jaki sposób podejścia pedagogiczne i uczenie się wspomagane przez AI wiążą się z wynikami uczniów poprzez motywację. Wyniki sugerują, że styl nauczania, korzystanie z ChatGPT oraz kompetencje cyfrowe są powiązane z motywacją, która z kolei wiąże się z lękiem w klasie języka obcego. Wyniki wspierają również zastosowanie SDT w nauce języków wspomaganej technologicznie, wskazując, że możliwości samodzielnych ćwiczeń i spersonalizowanej informacji zwrotnej zapewnianej przez ChatGPT mogą wspierać psychologiczne potrzeby autonomii i kompetencji uczniów. Ponadto analiza wymiarowa stylów nauczania podkreśla, że różne podejścia dydaktyczne wiążą się z odmiennymi wynikami uczniów, co sugeruje, że skuteczność stylów nauczania może zależeć od kontekstu edukacyjnego oraz rozważanych konkretnych wyników. Wyniki mają również praktyczne znaczenie dla nauczania EFL i polityki oświatowej w Arabii Saudyjskiej. Programy rozwoju zawodowego nauczycieli mogą odnieść korzyści z kładzenia nacisku na podejścia dydaktyczne, które równoważą jasne wytyczne z możliwościami autonomii ucznia, wspierając tym samym motywację studentów przy jednoczesnym zmniejszeniu lęku w klasie języka obcego. Integracja narzędzi wspomaganych przez AI, takich jak ChatGPT, w nauczaniu języka może stwarzać dodatkowe możliwości do burzy mózgów, tworzenia szkiców i ćwiczeń konwersacyjnych, jeśli towarzyszy im odpowiednie wsparcie pedagogiczne. Podobnie inicjatywy w zakresie kompetencji cyfrowych mogą pomóc studentom rozwinąć umiejętności niezbędne do efektywnego korzystania z technologii uczenia się wspomaganych przez AI, w tym ewaluację informacji, etyczne wykorzystanie technologii oraz strategiczne zastosowanie narzędzi AI. Na poziomie instytucjonalnym dalsze inwestycje w infrastrukturę cyfrową, rozwój programów nauczania uwzględniający aktywności edukacyjne wspomagane technologicznie oraz praktyki oceniania zachęcające do znaczącego wykorzystania języka mogą dodatkowo wspierać naukę studentów. Ponadto środowiska uczenia się zapewniające wsparcie emocjonalne poprzez niskooceniające możliwości nauki, konstruktywną informację zwrotną, współpracę rówieśniczą i uznanie dla kreatywnego posługiwania się językiem mogą przyczynić się do poprawy motywacji i zmniejszenia lęku w klasie języka obcego. Wspólnie wyniki te mogą posłużyć do kształtowania praktyk edukacyjnych i inicjatyw politycznych wspierających naukę języków wspomaganą technologicznie w ramach szerszych celów Saudi Vision 2030.

Niniejsze badanie analizowało zależności między stylem nauczania, korzystaniem z ChatGPT, alfabetyzmem cyfrowym, motywacją, lękiem w klasie języka obcego a kreatywnością wśród saudyjskich studentów studiów licencjackich kierunków EFL, ze szczególnym uwzględnieniem mediacyjnej roli motywacji. Wyniki wskazują, że styl nauczania, korzystanie z ChatGPT oraz alfabetyzm cyfrowy były pozytywnie powiązane z motywacją studentów. Z kolei motywacja była negatywnie powiązana z lękiem w klasie języka obcego, natomiast lęk ten był negatywnie powiązany z kreatywnością. Wyniki te sugerują, że motywacja jest istotnym mechanizmem łączącym czynniki pedagogiczne i technologiczne z efektami uczenia się w saudyjskich klasach EFL. Wyniki podkreślają również znaczenie środowisk uczenia się, które wspierają zarówno potrzeby motywacyjne, jak i emocjonalne studentów. Analiza wymiarowa stylów nauczania wykazała, że styl autorytarny był powiązany z wyższym poziomem lęku w klasie języka obcego i niższą kreatywnością, podczas gdy style facylitatora, eksperta, osobistego modelu i delegata były powiązane z wyższą motywacją i kreatywnością oraz niższym lękiem. Wyniki te sugerują, że podejścia dydaktyczne balansujące jasne wytyczne z możliwościami autonomii ucznia mogą wspierać pozytywne doświadczenia edukacyjne i rozwój językowy. W kontekście programu Saudi Vision 2030 wyniki te mają praktyczne znaczenie dla edukacji językowej. Integracja strategii nauczania zorientowanych na ucznia, narzędzi wspomagających naukę opartych na AI, takich jak ChatGPT, oraz rozwój alfabetyzmu cyfrowego mogą przyczynić się do nauki języka wspomaganej technologią, wspierając jednocześnie motywację studentów i redukując lęk w klasie języka obcego. Podsumowując, badanie to dostarcza dowodów wspierających rolę praktyk pedagogicznych, nauki wspomaganej przez AI oraz kompetencji cyfrowych w edukacji EFL i stanowi podstawę dla przyszłych badań podłużnych oraz interwencyjnych badających te zależności w różnych środowiskach edukacyjnych.

Należy odnieść się do kilku ograniczeń niniejszego badania. Po pierwsze, przekrojowy charakter badania ogranicza możliwość wyciągania wniosków przyczynowo-skutkowych dotyczących zależności między badanymi zmiennymi. Chociaż ramy teoretyczne zakładają relacje kierunkowe, wyniki należy interpretować jako asocjacje, a nie dowody na przyczynowość. W przyszłych badaniach należy zastosować projekty podłużne, aby zbadać zmiany w motywacji, lęku w klasie języka obcego oraz kreatywności w czasie, a także projekty eksperymentalne lub oparte na interwencjach, aby rygorystycznie ocenić proponowane zależności. Takie badania mogłyby sprawdzić, czy podejścia dydaktyczne kładące nacisk na autonomię ucznia wiążą się z późniejszymi zmianami w motywacji, lęku w klasie języka obcego i kreatywności. Po drugie, próba została pobrana z jednego publicznego uniwersytetu w Arabii Saudyjskiej, co może ograniczać możliwość generalizacji wyników na inne konteksty edukacyjne i kulturowe. Cechy saudyjskiego szkolnictwa wyższego, w tym praktyki oceniania, trwające reformy edukacyjne oraz kulturowe spojrzenie na autorytet nauczyciela, mogą wpływać na zaobserwowane zależności. Przyszłe badania powinny analizować te relacje w wielu instytucjach i regionach Arabii Saudyjskiej oraz w innych krajach, aby określić spójność wyników w różnych środowiskach edukacyjnych. Po trzecie, badanie opierało się na danych z samoopisów, które mogą być obarczone błędem pożądalności społecznej, błędem retrospektywnym oraz wspólną wariancją metodyczną. Mimo zastosowania zwalidowanych narzędzi pomiarowych i procedur wstępnych, przyszłe badania mogłyby włączyć dodatkowe źródła danych, takie jak obserwacje lekcyjne, analityka uczenia się, rejestry korzystania z AI lub oceny biegłości językowej i kreatywności oparte na osiągnięciach, aby dostarczyć uzupełniających dowodów. Podejścia wielometodowe i mieszane mogą dodatkowo wzmocnić zrozumienie zależności zidentyfikowanych w niniejszym badaniu. Wreszcie, analiza wymiarowa stylów nauczania wykazała wyraźne powiązania między stylem nauczania autorytarnego a wynikami uczniów. Przyszłe badania jakościowe, w tym wywiady, grupy fokusowe i obserwacje w klasach, mogłyby dostarczyć dalszego wglądu w to, jak różne style nauczania wpływają na motywację uczniów, lęk w klasie języka obcego i kreatywność, szczególnie w saudyjskim kontekście EFL. Taka praca uzupełniłaby obecne wyniki i przyczyniła się do bardziej kompleksowego zrozumienia nauki języków wspieranej technologicznie.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Skala użytkowania ChatGPT (zaadaptowana)	Autorzy; zaadaptowana z Abbas et al.	N/A	Kwestionariusz składający się z ośmiu pytań, oceniający wykorzystanie ChatGPT przez studentów do nauki języka.
Skala kreatywności (zaadaptowana)	Autorzy; zaadaptowana z Govindasamy et al.	N/A	Kwestionariusz składający się z dwunastu pytań, oceniający oryginalność, elastyczność, płynność i szczegółowość.
Skala kompetencji cyfrowych (zaadaptowana)	Autorzy; zaadaptowana z Rodríguez-de-Dios et al.	N/A	Kwestionariusz składający się z dwudziestu dziewięciu pytań, mierzący sześć wymiarów kompetencji cyfrowych.
Skala lęku w klasie języka obcego (FLCA) (zaadaptowana)	Autorzy; zaadaptowana z Briesmaster & Briesmaster	N/A	Kwestionariusz składający się z dwudziestu siedmiu pytań, mierzący lęk komunikacyjny, lęk przed testami oraz strach przed negatywną oceną.
G*Power	Heinrich Heine University Düsseldorf	Wersja 3.1.9.7; RRID: SCR_013726	Oprogramowanie użyte do analizy mocy statystycznej post hoc.
IBM SPSS Statistics	IBM Corp.	Wersja 26; RRID: SCR_002865	Oprogramowanie statystyczne użyte do czyszczenia danych, statystyki opisowej, analiz rzetelności oraz analiz wstępnych.
Analiza dystansu Mahalanobisa	IBM SPSS Statistics	Wersja 26; RRID: SCR_002865	Procedura statystyczna zaimplementowana w IBM SPSS Statistics w celu identyfikacji wielowymiarowych wartości odstających.
Skala motywacji (zaadaptowana)	Autorzy; zaadaptowana z Kanoksilapatham et al.	N/A	Kwestionariusz składający się z dwudziestu pytań, oceniający motywację uczącego się.
Kwestionariusz papierowy	Autorzy	N/A	Drukowana wersja ustrukturywowanego kwestionariusza samoopisowego, użyta do osobistego zbierania danych.
Bezpieczna internetowa platforma ankietowa	Google LLC	N/A	Platforma Google Forms użyta do elektronicznej dystrybucji kwestionariusza.
SmartPLS	SmartPLS GmbH	Wersja 4; RRID: SCR_036419	Oprogramowanie użyte do modelowania równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM), obejmujące ocenę modelu pomiarowego, analizę modelu strukturalnego, bootstrapping (5 000 prób) oraz analizę mediacji.
Ustrukturyzowany kwestionariusz samoopisowy	Autorzy	N/A	Kwestionariusz przeprowadzony w formie papierowej i elektronicznej z wykorzystaniem 5-stopniowej skali Likerta (1 = zdecydowanie się nie zgadzam do 5 = zdecydowanie się zgadzam).
Inwentarz Stylów Nauczania (zaadaptowany)	Autorzy; zaadaptowany z Inwentarza Stylów Nauczania Grashy	N/A	Kwestionariusz mierzący style nauczania: autorytarny, ekspercki, osobisty wzorzec, facylitator i delegujący.
Uniwersyteckie kanały komunikacji	University of Jeddah	N/A	Oficjalna poczta e-mail i ogłoszenia klasowe użyte do rekrutacji uczestników.