Исследовательская статья
В данном исследовании рассматривается, как интеграция ИИ влияет на изучающих английский язык психологически и когнитивно. В ней установлено, что использование ИИ увеличивает тревожность (FoMO), нанося ущерб пониманию прочитанного, а цифровое выгорание ослабляет связь между пониманием и словарным запасом. Цель — подчеркнуть необходимость сбалансированного использования ИИ для поддержки обучения.
В данном исследовании рассматривается, как интеграция искусственного интеллекта (ИИ) в изучении языков влияет на психологические и когнитивные результаты среди изучающих английский как иностранный язык (EFL). В частности, он исследует влияние воспринимаемой зависимости от ИИ, этических вопросов и использования генеративного ИИ на страх пропустить что-то (FoMO), понимание прочитанного, измеряемое по шкале стратегий чтения, и усвоение словарного запаса, при этом учитывается модерирующая роль цифрового выгорания. Была использована конструкция поперечного опроса с n = 450 учащимися, изучающими английский английский язык, и данные анализировались с использованием моделирования структурных уравнений с частичными наименьшими квадратами (PLS-SEM) для оценки как прямых, так и опосредованных связей. Результаты показывают, что факторы, связанные с ИИ, существенно предсказывают более высокий FoMO, что, в свою очередь, негативно влияет на понимание прочитанного. В то время как понимание прочитанного сильно поддерживает освоение словарного запаса, цифровое выгорание ослабляет эту связь. Исследование подчёркивает двойственную природу ИИ в образовании, способствуя результатам обучения и одновременно способствуя психологическому напряжению. Эти результаты подчёркивают важность сбалансированной интеграции ИИ в изучении языков, подчёркивая необходимость стратегий, снижающих цифровую тревожность и выгорание. Теоретические последствия расширяют исследования обучения, опосредованного технологиями, определяя FoMO как критический аффективный путь в образовательных контекстах, основанных на ИИ. Практические рекомендации включают включение практик цифрового оздоровления с инструментами ИИ для оптимизации пользы обучения при минимизации негативных психологических эффектов.
Быстрая интеграция генеративного искусственного интеллекта (ИИ) в образование преобразила традиционные парадигмы изучения языков, особенно в контекстах английского как иностранного (EFL)1. Инструменты, такие как ассистенты словарного запаса на базе ИИ, автоматизированные системы обратной связи при письме и адаптивные образовательные платформы, обещают повышение эффективности и персонализированное обучение2. Однако этот технологический сдвиг также привёл к психологическим и педагогическим проблемам, включая воспринимаемую зависимость от ИИ, цифровое выгорание и этические вопросы, которые могут влиять на результатыобучения 3. Одно из недостаточно изученных, но критически важных явлений в этой области — страх упустить что-то (FoMO). В таком психологическом состоянии учащиеся чувствуют необходимость использовать инструменты ИИ из-за давления социального сравнения, потенциально за счёт глубокой когнитивнойвовлечённости 4. Хотя существующие исследования изучали роль ИИ в усвоенииязыка 5, немногие исследования изучали, как генеративный ИИ взаимодействует с воспринимаемой зависимостью и FoMO для формирования словарного запаса, оставляя значительный пробел в понимании двойственных факторов, как облегчающих, так и вредных для ИИ вобразовании 6,7.
Обзор литературы выявляет три ключевых пробела. Во-первых, исследования ИИ в обучении английскому языку (EFL) в основном сосредоточены на результатах эффективности (результаты тестов, улучшение беглости речи), а не на психологических механизмах, влияющих на внедрениеИИ 8. Например, хотя эффективность ИИ в запоминании словарного запаса хорошо задокументирована, мало что известно о том, как воспринимаемая зависимость, убеждение в том, что невозможно эффективно учиться без ИИ, влияет на мотивацию и долгосрочноезапоминание 9. Во-вторых, хотя FoMO был широко изучен в социальных сетях, его роль в образовательных средах, опосредованных ИИ, остаётся неизученной. Учитывая, что инструменты ИИ часто предоставляют социально видимую обратную связь в реальном времени (функции бенчмаркинга), учащиеся могут испытывать повышенную тревогу по поводу отставания, что усугубляет зависимость от AI10. В-третьих, хотя этические опасения по ИИ (конфиденциальность данных, алгоритмическая предвзятость) широкопризнаны 11, их умеренное влияние на зависимость и эффективность обучения не было эмпирически проверено в условиях EFL. Эти пробелы в совокупности подчёркивают необходимость целостного исследования, которое объединяет принятие технологий, мотивационную психологию и теории когнитивного обучения.
В этом исследовании рассматриваются эти пробелы, предлагая новую концептуальную модель, которая исследует, как использование генеративного ИИ, воспринимаемая зависимость от ИИ и воспринимаемая этическая проблема ИИ влияют на FoMO среди учащихся, посредничество FoMO в связи всех трёх независимых переменных с пониманием прочитанного студентами, а также умеряющий эффект цифрового выгорания между пониманием прочитанного и усвоением словарного запаса. Предлагаемые исследования способствуют разработке комплексной теоретической основы, которая может быть использована для изучения влияния зависимости ИИ на внутреннюю мотивацию и автономию учащегося через призму теории самоопределения (SDT)12, психологических механизмов FoMO в учебных средах, опосредованных ИИ, на основе теории социальногосравнения 13 , а также влияния инструментов зависимости ИИ на когнитивную нагрузку через теорию когнитивной нагрузки (CLT)14.
Теоретический вклад этого исследования тройный. Во-первых, он расширяет SDT, рассматривая зависимость от ИИ как потенциальную угрозу автономии учащихся, оспаривая предположение, что ИИ универсально повышает мотивацию. Во-вторых, она применяет теорию социального сравнения к обучению, опосредованному ИИ, показывая, как FoMO превращается из феномена социальных сетей в драйвер внедрения образовательныхинструментов 15. В-третьих, он уточняет CLT, демонстрируя, что когнитивные преимущества ИИ (уменьшение посторонней нагрузки) могут быть компенсированы зависимостью-индуцированной немецкойнагрузкой 16, предлагая тонкий взгляд на влияние ИИ на кодирование памяти. Эти теоретические достижения служат основой для будущих исследований психологии обучения с помощью ИИ.
Для обеспечения методологической строгости и практической применимости при проектировании были предусмотрены несколько ключевых факторов. Целевая группа студентов английского английского английского языка в Китае была выбрана из-за их высокого опыта и институциональной интеграции инструментов ИИ, что даёт релевантный контекст для изучения зависимости от ИИ. Границы конструкций чётко очерчены с помощью проверенных многоэлементных масштабов для каждой латентной переменной, что предотвращает концептуальное пересечение. Выбор этих конкретных шкал был оправдан их установленной надёжностью и прямым применением сложных психологических и поведенческих конструкций, исследуемых (многомерные этические вопросы, цифровое выгорание, специфическое для обучения). В планируемых анализах медиации и модерации мы признаём, что поперечные данные, хотя и достаточны для предиктивного моделирования с помощью PLS-SEM, ограничивают окончательный причинный вывод для опосредованного и модерируемого путей. Размер выборки 465 значительно превышает минимальные требования по статистической мощности как в регрессии, так и в PLS-SEM, соблюдая правило «10 раз» для максимального количества структурных путей, обеспечивая стабильные и обобщаемые оценки параметров для предлагаемой модели.
Основные конструкции исследования определяются следующим образом: воспринимаемая зависимость от ИИ — это вера учащегося в его зависимость от инструментов ИИ для повышения эффективности и выполнения задач. Воспринимаемые этические вопросы ИИ охватывают опасения по поводу алгоритмической прозрачности, справедливости, безопасности и подотчетности. Генеративное использование ИИ обозначает частоту и масштаб использования моделей ИИ для генерации текста или изображений. Страх пропустить что-то (FoMO) — это тревога, которую другие могут испытывать полезные переживания, которых они отсутствуют, здесь в контексте обучения, управляемого ИИ. Цифровое выгорание — это состояние эмоционального и психического истощения, возникающее в результате длительного цифрового взаимодействия. Наконец, результаты обучения отражаются благодаря пониманию прочитанного, способности понимать и применять стратегии с письменным материалом, а также усвоению словарного запаса — самовосприятием эффективности в изучении и использовании новых слов.
Структура этой статьи следующая. Раздел 1 посвящен фону, значимости, пробелам в исследованиях и вкладу настоящего исследования. Раздел 2 рассматривает предыдущие работы по ИИ в обучении английскому языку, зависимости и FoMO, синтезируя ключевые дебаты. Раздел 3 подробно описывает методологию, включающую дизайн исследований, сочетание опросов для измерения воспринимаемой зависимости/FoMO и экспериментальные задачи для оценки запоминания словарного запаса. В разделе 4 представлены результаты, включая анализы медиации/модерации. Раздел 5 рассматривает последствия для теории, педагогики и дизайна ИИ, а раздел 6 завершается ограничениями и будущими направлениями.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Это исследование было проведено в соответствии с этическими стандартами исследований на людях в Университете Янчжоу. Информированное согласие было получено от всех участников до их участия, что гарантирует, что они были полностью информированы о цели исследования, процедурах опроса, добровольном характере и их праве отказаться в любой момент без последствий. Все методы соответствовали этическим стандартам исследований на людях, обеспечивая конфиденциальность участников, анонимизацию данных и защиту на протяжении всего исследования. Исследование включало неинвазивный сбор данных на основе опросов с минимальным риском для участников. Исследование соответствует этическим нормам образовательных исследований, обеспечивая анонимность участников и добровольное участие. Информированное согласие получалось в электронном виде с чёткой информацией об использовании и хранении данных. Никакой личной идентификационной информации не собиралась, а ответы хранятся надёжно на серверах, защищённых паролем. Участники сохраняют право отказаться на любом этапе. Потенциальные риски (усталость от опросов) снижаются за счёт краткого составления анкеты, а результаты представляются в агрегированном виде для предотвращения индивидуальной идентификации.
Обзор литературы
Воспринимаемая зависимость от ИИ, воспринимаемые этические вопросы ИИ и страх упустить что-то (FoMo)
Динамичное внедрение искусственного интеллекта (ИИ) в образование придало новым взглядам изучению языков, особенно среди учащихся, изучающих английский как иностранный язык (EFL)17. Интеллектуальные системы репетиторства, автоматическая оценка письменных записей и адаптивные платформы обучения основаны на ИИ и обеспечивают эффективный и индивидуализированный опытобучения 18. Тем не менее, вместе с этим технологическим развитием возникли и психологические проблемы, такие как обострение страха пропустить что-то (FoMO), который является разновидностью социальной тревожности, потому что люди боятся, что их не включают в приятныезанятия 19. Согласно результатам исследования, воспринимаемая зависимость от ИИ и воспринимаемые этические опасения могут усилить уровень FoMO среди учащихся по английскому английскому языку и изменить их взаимодействие с образованием, основанным на ИИ, в будущем.
Кроме того, по мере того как ИИ занимает своё место в процессе преподавания языков, ученики могут стать зависимыми от этих инструментов для исправления грамматики и словарного запаса, а также для улучшения произношения. 20. Эта зависимость может вызвать психологическое давление, и студенты могут почувствовать, что им необходимо постоянно использовать инструменты ИИ, чтобы избежать академических отставаний. Результаты исследований цифровой зависимости привели к выводу, что чрезмерная зависимость от технологий вызывает тревогу из-за страха не иметь доступа к такимустройствам 21. В области обучения английскому языку (EFL) студенты, считающие необходимость ИИ, могут ощущать FoMO, потому что считают, что их однокурсники используют всё больше такихтехнологий 22. Это явление соответствует теории социальногосравнения 23, которая предполагает, что люди сравнивают свой прогресс с прогрессом других. Когда обучение с помощью ИИ воспринимается как конкурентный сигнал, студенты могут опасаться упустить академический успех, если не максимально вовлечься в использование такихинструментов 24. Кроме того, постоянная связь, созданная инструментами ИИ, может искажать различия между образованием и развлечениями, что ещё больше усиливает зависимое одомашнивающее поведение, которое ещё больше усиливаетFoMO 25.
H1: Воспринимаемая зависимость от ИИ положительно влияет на страх пропустить что-то (FoMO) среди учащихся на английском английском языке.
H2: Воспринимаемые этические вопросы ИИ положительно влияют на страх упустить что-то (FoMO) среди учащихся, изучающих английский язык.
Генеративный ИИ (использование ChatGPT) и страх упустить что-то (FoMo)
Текущий рост популярности генеративного ИИ (ChatGPT) в сфере образования привёл к новым условиям психологического опыта в процессе изучения языка 26,27. Недавно исследование показало, что использование таких высокотехнологичных инструментов ИИ может существенно изменить эмоциональное состояние учащихся, особенно страх упустить что-то (FoMO)28. Чем больше генеративный ИИ запрограммирован для мгновенной обратной связи, генерации учебного материала и имитации практики разговора, тем больше у студентов могут развиваться тревоги и беспокоиться, что они останутся позади, если не применят эти инструменты по максимуму. Этот процесс указывает на более широкую тенденцию цифрового обучения, при которой технологический прогресс не только позволяет делать больше действий в обучении, но и подвергает опыт обучения новым уровням тревожности30.
Психологические эффекты генеративных инструментов ИИ на изучающих язык можно объяснить, ссылаясь на теорию самоопределения, согласно которой компетентность, автономия и родственность являются базовыми психологическимипотребностями 14. В случаях, когда студенты считают, что их сверстники добиваются лучших результатов с помощью ИИ, что связано с тем, что FoMO нерешено 31, это также усугубляется угрозами их чувству компетентности. Это влияние особенно сильное в сложных учебных условиях, когда студенты сравнивают свой прогресс испособности 32. Более того, неограниченный доступ к инструментам генеративного ИИ может привести к проблеме постоянного использования, поскольку учащиеся опасаются, что отстанут и потеряют значительный прогресс.
FoMO также проявляется в виде социальной динамики внедрения ИИ в учебныхсообществах 33. Как только генеративный ИИ станет нормой в образовательной среде, он, вероятно, создаст ощущение социального давления, чтобы соответствовать новым цифровым практикам, поощряемым вобразовательной среде 34. Такое давление особенно сильное при изучении иностранного языка, где ИИ доступен для помощи с письмом, грамматикой и коммуникацией без видимых усилий со стороныученика 35. Идея быть исключённым из этой трансформации может быть мотивацией к принятию компульсивных стратегий использования, даже среди учащихся, которые иначе были бы склонны учиться более традиционнымиспособами 36. Новые исследования подчёркивают необходимость более детального понимания медиационного эффекта различных характеристик учащихся на связь между использованием генеративного ИИ и FoMO. Ответы на эти вопросы зависят от таких факторов, как уровень цифровой грамотности и навыков саморегуляции, а также мотивация к обучению, которые могут определить, являются ли инструменты ИИ ресурсами ресурсами или причинойтревожности 37. На основе вышеуказанной литературы выдвигается следующая гипотеза:
H3: Увеличение использования генеративного ИИ положительно влияет на страх пропустить что-то (FoMO) среди учащихся EFL.
Страх пропустить что-то (FoMo), понимание прочитанного и освоение словарного запаса
Психологическая концепция страха упустить что-то (FoMO) становится всё более влиятельной на онлайн-обучение, подчёркивая сложную связь с изучением второго языка и академическимирезультатами 38. Недавние исследования показывают, что FoMO, в зависимости от измерения изученияязыка 39, может оказывать дифференцированное влияние на изучение нескольких аспектов изучения языка, особенно на понимание прочитанного и усвоениесловарного запаса 40. Эта зависимость, по-видимому, мотивирована когнитивнойнагрузкой 41 и системами контроля внимания42, поскольку у людей с высоким FoMO наблюдается уникальный паттерн взаимодействия текстовых материалов.
Эмпирические исследования показывают, что умеренная степень FoMO повышает вовлечённость в чтение, когда учащиеся считают, что чтение является социально и академическиценным занятием 43. Однако чрезмерное употребление при FoMO связано с неполным чтением и низкой глубокой обработкой информации44, что может ухудшить понимание. Это ощущение, похоже, более выражено в цифровом пространстве чтения, где уведомления и ловушки в социальных сетях увеличивают нарушения внимания45. В рамках усвоения словарного запаса FoMO имеет более сложные отношения, хотя воздействие новых лексических элементов может быть усилено из-за увеличения вовлечённости(46,47), запоминание снижается из-за компульсивного учебного поведения.
Новые данные свидетельствуют о культурных и индивидуальных различиях в этих отношениях. Для сравнения, коллективистские учащиеся, по-видимому, более подвержены негативным последствиям FoMO для пониманияпрочитанного 48, что может быть связано с их повышенной склонностью к социальномусравнению 49. С другой стороны, опыт FoMO не влияет на понимание и изучение словарного запаса у учащихся с высокими стратегиями саморегуляции 50. На основе приведённой выше литературы предлагаются следующие гипотезы:
H4: Страх упустить что-то (FoMO) негативно влияет на понимание прочитанного.
H5: Понимание прочитанного положительно влияет на усвоение словарного запаса.
Смягчение эффекта цифрового выгорания в обучении
Цифровое выгорание — это недавняя проблема с психологическими и социальными последствиями, влияющими на процессы усвоения языка51,52. Эмоционально и когнитивно истощающе, но в то же время у меня не хватало мотивации из-за широкого спектра академического обучения, основанного на технологиях. Цифровое выгорание негативно повлияло на необходимые когнитивные способности, используемые для обработки языка53. Активные нейрокогнитивные исследования показывают, что профессиональное выгорание вызывает усталость, что мешает рабочей памяти54, которая является ключевым компонентом как словесной памяти, так ичтения 55. Эта умственная усталость может лежать в основе новых доказательств слабой семантической кодировки у цифрово выгоревших учащихся, когда их просят выполнить задачи по изучениюсловарного запаса 56.
Цифровое выгорание проявляется уникально в контекстах английского языка (EFL) из-за специфических когнитивных и эмоциональных требований к освоению языка. В отличие от общего академического выгорания, цифровое выгорание по английским языкам усугубляется постоянной когнитивной нагрузкой на обработку незнакомой фонологии, синтаксиса и семантики через цифровые интерфейсы, что может сильнее перегрузить рабочую память, чем обучение на основесодержания 57. Кроме того, аффективный фильтр усиливается перформативным характером языковой практики на платформах ИИ, где учащиеся могут испытывать тревогу из-за немедленных, алгоритмически управляемых коррекций и давление достичь уровня владения носителемязыка 58. Это сочетание усиленной когнитивной нагрузки и уникального социально-аффективного давления в цифровых языковых средах создаёт специфический профиль выгорания, который напрямую затрудняет тонкие процессы кодирования словарного запаса и пониманияпрочитанного 59.
Цифровое выгорание и понимание прочитанного показывают очень тонкие связи в развитии словарного запаса. Хотя знания случайного словарного запаса, вероятно, приобретаются через контекстуальные выводы, когда у студентов высокие навыкичтения 60, положительная корреляция между словарным запасом и успеваемостью по чтению снижается у учеников с высокимвыгоранием 61. Измерения отслеживания глаз показывают, что учащиеся вербального старения также отмечают сокращение времени фиксации на новых лексических объектах во времячтения 62, что указывает на снижение умственной концентрации фонов с насыщенным словарным запасом. Это похоже на теорию контроля внимания, согласно которой когнитивная усталость влияет на навыки исполнительных функций, участвующих в одновременном понимании и лексической обработке. Вполне возможно отметить, что модерирующая роль цифрового выгорания проявляется только в индивидуальных различиях в саморегуляции и проектировании учебных сред63. Устойчивость к негативным последствиям выгорания также проявляется у учащихся с высокоэффективными метакогнитивными стратегиями, поскольку они сохраняют преимущество в словарном запасе даже при возникновении трудностей с пониманием. На основе приведённой выше литературы предлагаются следующие гипотезы:
H6: Цифровое выгорание в обучении негативно влияет на усвоение словарного запаса.
H7: Цифровое выгорание в обучении негативно смягчает связь между пониманием прочитанного и усвоением словарного запаса, так что более высокий выгорание ослабляет положительный эффект понимания на приобретение словарного запаса.
Посредничество страха упустить что-то (FoMo)
Введение искусственного интеллекта в образование добавило сложные психологические системы, определяющие результаты пониманияпрочитанного 64. Новые данные показывают, что страх пропустить что-то (FoMO) является важным посредником связи между вовлечённостью учащихся в технологии ИИ и их достижениями вчтении 65. Роль этого эффекта медиации особенно заметна в условиях, где инструменты ИИ продвигаются как способ более эффективного обучения, что создаёт психологическое давление, которое может в итоге затруднять мышление высшегопорядка 66. Чтобы предотвратить возникновение тревог автономного обучения у учащихся, осознающих иррациональную зависимость от помощиИИ 67, недавние исследования сосредоточены на определении того, как воспринимаемые уровни зависимости ИИ влияют на развитие тревоги относительно возможностей автономногообучения 68. Эта тревога превращается в FoMO, когда студенты задумываются о том, чего они не могут сделать по сравнению с результатами, усиленными искусственныминтеллектом, 69, и проявляют тенденцию отводить когнитивные ресурсы от шагов глубокого понимания.
Этические вопросы, связанные с применением ИИ, соответствуют путям FoMO, а учащиеся, сталкивающиеся с моральным конфликтом из-за использования ИИ, проявляют повышенную внимательность к действиям своих сверстников, что помогает формировать различия между этикой и пониманиемпрочитанного 70. Это отражается в исследованиях с отслеживанием глаз, где читатель делает более регрессивные движения глаз причтении 65. Эффект медиации особенно заметен, когда этические вопросы не были прояснены, оставляя постоянную когнитивную нагрузку, нарушающуючтение 71. Инструменты генеративного ИИ создают новые виды медиации, позволяющие создавать результаты практически мгновенно. На основе приведённой выше литературы предлагаются следующие гипотезы:
H8: Страх упустить что-то (FoMO) опосредует связь между воспринимаемой зависимостью ИИ и пониманием прочитанного
H9: Страх упустить что-то (FoMO) опосредует связь между этическими проблемами восприятия ИИ и пониманием прочитанного
H10: Страх упустить что-то (FoMO) опосредует связь между использованием генеративного ИИ и пониманием прочитанного
Теоретическая основа
Это исследование в основном руководствуется Теорией самоопределения (SDT)12, которая предоставляет целостную основу для понимания того, как инструменты ИИ влияют на фундаментальные психологические потребности, лежащие в основе мотивации и когнитивного вовлечения учащихся. Согласно модели, воспринимаемая зависимость от ИИ напрямую ставит под угрозу основные потребности SDT в автономии и компетентности и может подрывать внутреннюю мотивацию к изучению языка, развивая чрезмерную зависимость от внешней регуляции достижения таких целей, как понимание прочитанного и усвоение словарного запаса. В этом контексте страх упустить что-то (FoMO) понимается в рамках родственности, которая описывается вторичной Теорией социальногосравнения 72. Социальная норма, сформировавшаяся среди сверстников благодаря широкому использованию ИИ, вызывает состояние FoMO, вызывая тревогу по поводу упущенного чего-то, что, в свою очередь, увеличивает зависимость и, соответственно, ещё больше снижает мотивацию к самостоятельному обучению.
Эта мотивационная динамика объясняется когнитивными результатами, описанными в теории когнитивной нагрузки (CLT)73. Хотя генеративный ИИ может усиливать обучение, минимизируя лишнюю когнитивную нагрузку (например, через мгновенное определение), чрезмерная зависимость от этого может быть контрпродуктивна для освоения словарного запаса, снижая необходимую когнитивную нагрузку, необходимую для глубокого кодирования лексикона и его хранения в долгосрочной памяти. Это усугубляется условием цифрового выгорания, которое приводит к истощению когнитивных ресурсов и подрывает связь между пониманием и обучением. В свою очередь, SDT предлагает общий анализ мотивационных путей, CLT раскрывает последующие когнитивные процессы, а теория социального сравнения описывает последующий социально-аффективный стимул (FoMO), которые объединяются в сложное объяснение двойного влияния ИИ на изучение языка.
Дизайн исследований
В данном исследовании применяется количественный эмпирический дизайн для изучения взаимосвязи между факторами, связанными с ИИ (воспринимаемая зависимость, этические вопросы, использование генеративного ИИ), страхом упустить что-то (FoMO), цифровым выгоранием и результатами изучения языка (понимание прочитанного и усвоение словарного запаса). Применяется подход на основе поперечного сечения, позволяющий собирать данные в один момент времени для оценки корреляций и эффектов медиации/модерации. Дизайн особенно подходит для тестирования предлагаемой теоретической модели, поскольку позволяет использовать структурное уравнение (SEM) для анализа сложных связей между латентными конструкциями.
Популяция и выборка
Целевая группа состоит из учащихся, изучающих английский язык (EFL) в китайских университетах, где инструменты изучения языков с помощью ИИ всё чаще интегрируются в учебные программы. Для привлечения 465 участников была использована техника удобной выборки, при этом размер выборки определялся с помощью априорного анализа мощности с использованием G*Power 3.174. Для планируемых множественных регрессионных анализов (α = 0,05, мощность = 0,95, средний размер эффекта f² = 0,15) анализ показал минимальный требуемый размер выборки в 166 участников, что подтверждает, что наша выборка из 465 человек обеспечивает достаточную статистическую мощность. Размер выборки также достаточно для проведения SEM-анализа и соответствует требованию PLS-SEM, согласно которому минимальное количество точек выборки должно быть в 10 раз больше максимального количества структурных путей к конструкции модели75. Выборки будут набираться с использованием выборочных единиц нескольких университетов, расположенных в различных географических регионах Китая, для получения высоких результатов в области обобщаемости. В отличие от этого, демографические переменные (возраст кандидата, пол, уровень владения английским языком и частота использования инструментов ИИ) будут фиксироваться и использоваться в качестве контрольных элементов в будущих исследованиях.
Для обеспечения аналитической целостности наших результатов на протяжении всего процесса сбора и подготовки данных было внедрено множество мер контроля качества. Первоначальное распределение опроса показало 87% ответов. После сбора данных применялись строгие процедуры отбора: неполные опросы с более чем 10% отсутствующих данных исключались по списку, а любые оставшиеся спорадические недостающие значения на уровне элемента устранялись с помощью алгоритма импутации Expectation-Maximization в SPSS для сохранения статистической мощности при минимизации смещения. Кроме того, встроенные вопросы проверки внимания выявляли и способствовали удалению невнимательных респондентов. Эти комплексные процедуры, в сочетании со скринингом многомерных выбросов, обеспечили соответствие итогового аналитического набора данных (N=450) высоким стандартам надёжности для последующего моделирования структурных уравнений.
Процедура сбора данных
Данные собирались в смешанном режиме, используя как онлайн, так и очные методы для максимизации участия и доступности. Исследовательская группа сотрудничала с преподавателями курсов в выбранных университетах, которые распространяли уникальную ссылку на опрос напрямую студентам через официальные группы WeChat. Этот метод использовал проверенные каналы для повышения уровня отклика. Для сбора данных на месте ведущий исследователь и обученные ассистенты посещали специальные классы во время запланированных занятий. После краткого введения в исследование они распространили бумажные пакеты опросов. Процедура получения информированного согласия была адаптирована к каждому режиму. В онлайн-версии участникам была представлена цифровая форма согласия на первой странице. Они должны были выбрать «Я прочитал и понял вышеуказанную информацию и добровольно соглашаюсь участвовать» перед активацией анкеты. Для участников на месте к пакету опроса прилагался подробный информационный лист, а письменное согласие получалось путём подписания физической формы согласия перед получением анкеты. Полная анкета была разработана так, чтобы заполняться в течение 15-20 минут, чтобы минимизировать усталость респондентов. Для обеспечения качества данных в опрос были включены два пункта проверки внимания («Пожалуйста, выберите «Категорически не согласен» для этого утверждения»). Неполные подачи с более чем 10% отсутствующих данных и те, что не проходили проверку внимания, автоматически отмечались системой и впоследствии исключались. Период сбора данных длился четыре недели, в течение которых через начальные каналы распространения были отправлены два напоминания. После сбора набор данных прошёл тщательный процесс очистки, включая проверку отсутствующих значений, одномерных и многомерных выбросов, а также нарушений предположений нормальности перед статистическим анализом.
Измерения и адаптация масштаба
Воспринимаемая зависимость от ИИ
Воспринимаемая зависимость ИИ измерялась с помощью 5-пунктной шкалы, адаптированной из Моралес-Гарсии и др.76. Шкала измеряет, насколько люди зависят от искусственного интеллекта в повседневной деятельности и процессе принятия решений. Эти элементы отражают несколько аспектов зависимости, включая воспринимаемую необходимость использования инструментов ИИ для повышения эффективности и невозможность работать без поддержки ИИ.
Воспринимаемые этические вопросы ИИ
Этические вопросы оценивались с помощью многомерной шкалы, разработанной Ким иКо 77. Для укрепления валидности и актуальности для популяции EFL четыре измерения шкалы были сформулированы в конкретном контексте изучения языка, основанного на ИИ. Эта шкала состоит из четырёх критических измерений: прозрачности (8 пунктов), справедливости (5 пунктов), безопасности (5 пунктов) и ответственности (8 пунктов). Каждое измерение оценивает различные этические вызовы, такие как ясность процессов принятия решений в области ИИ, предвзятость алгоритмов ИИ, риски, связанные с использованием ИИ, и ответственность при внедрении ИИ. Такая целенаправленная операционализация гарантирует, что задания напрямую соответствуют этическим проблемам, с которыми могут столкнуться учащиеся по английскому языку.
Использование генеративного ИИ
Использование генеративного ИИ было реализовано с использованием 8-пунктной шкалы по Abbas и др.78. Эта шкала измеряет уровень и регулярность использования генеративных моделей ИИ, включая устройства для создания текста и изображений. Продукты исследуют различные применения, такие как академические, профессиональные и личные, и помогают понять, как люди внедряют их в свою жизнь и используют. Такой комплексный подход позволяет нам охватить целостную интеграцию генеративного ИИ в экосистему обучающихся, что является необходимым условием для понимания его более широких психологических и когнитивных эффектов.
Страх упустить что-то (FoMO)
Страх пропустить испытание измерялся по шкале из 17 пунктов Мазлум иАталай 79. Эта шкала была выбрана за тонкую оценку тревоги, которую сверстники испытывают полезные переживания, которых они отсутствуют. Оно особенно уместно для этого исследования, поскольку охватывает элементы, наиболее актуальные для цифрово опосредованных образовательных сред, включая компульсивную потребность оставаться на связи онлайн и страх упустить лучшие стратегии обучения, ресурсы или достижения сверстников, обеспечиваемые ИИ, что напрямую связывает использование ИИ с психосоциальной тревожностью.
Понимание прочитанного
Понимание прочитанного измерялось с помощью стратегий чтения, адаптированных из Mokhtari и др.80, которые включают три измерения: Глобальные стратегии чтения — 5 пунктов, Стратегии решения проблем — 5 пунктов и Поддерживающие стратегии чтения — 5 пунктов. Эта шкала оценивает, как люди подходят к письменному материалу и понимают, с акцентом на их способность синтезировать информацию, решать трудности с пониманием и использовать внешние средства для улучшения понимания.
Цифровое выгорание в обучении
Цифровое выгорание в обучении измерялось с помощью шкалы, адаптированной из Эртена иОздемира 81, включающей три измерения: цифровое старение (12 пунктов), цифровое лишение (6 пунктов) и эмоциональное истощение (6 пунктов). Эта шкала оценивает негативные психологические последствия длительного цифрового взаимодействия, включая усталость от чрезмерного времени перед экраном, чувство отчуждения и умственное истощение из-за онлайн-обучения.
Освоение словарного запаса
Усвоение словарного запаса оценивалось с использованием четырёхпунктной шкалы Li и др.82. Шкала используется для оценки эффективности стратегий изучения словарного запаса в том, как люди воспринимают, запоминают и используют новые слова в различных контекстах. Материал оценивает самооценку компетентности и уверенности в использовании словарного запаса.
План анализа данных
Исследование использует комплексную двухфазную аналитическую стратегию для тщательного изучения гипотетических связей. Первоначальный скрининг данных и предварительные анализы проводятся с использованием SPSS 28, с акцентом на описательные статистические данные для оценки распределения данных, масштабный анализ надёжности (альфа Кронбаха) и бивариантные корреляции для изучения предварительных связей между ключевыми конструкциями. Все элементы по шкале Лайкерта кодировались по шкале с интервалом в 5 баллов (1=Категорически не согласен с 5=Полностью согласен). Этот фундаментальный анализ обеспечивает качество данных и даёт важную информацию о базовых характеристиках набора данных перед переходом к более сложному моделированию. Для первичного анализа SmartPLS 4 используется для реализации моделирования структурных уравнений с частными наименьшими квадратами (PLS-SEM), выбранного за надёжную работу со сложными предиктивными моделями, включающими латентныепеременные 83. Анализ начинается с тщательной оценки модели измерения, где подтверждающий факторный анализ устанавливает психометрические свойства шкалы. Ключевые оценки включают тесты на внутреннюю согласованность (композитную надёжность), сходимую валидность (извлекаемую среднюю дисперсию) и дискриминантную валидность (критерий Форнелля-Ларкера и отношение гетеротрейт-моночерт). Эти шаги гарантируют, что конструкции одновременно теоретически обоснованы и эмпирически отличаются.
Далее структурная модель исследуется для проверки гипотетических взаимосвязей между конструкциями. Коэффициенты пути анализируются по их величине, направлению и статистической значимости, а размеры эффектов (f²) рассчитываются для оценки существенного воздействия. Прогностическая значимость модели оценивается с помощью статистики Стоуна-Гейссера Q² с помощью процедур завязанности на глазах для проверки способности модели предсказывать эндогенные переменные. Для медиационного анализа в исследовании используется методПроичера и Хейса 84, который обеспечивает надёжные доверительные интервалы для косвенных эффектов при контроле потенциальных смешивающих переменных. Эффекты модерации тестируются с помощью терминов взаимодействия, созданных с использованием метода индикатора продукта PLS, с простым анализом наклона для интерпретации значимых эффектов взаимодействия. Все анализы используют 5 000 bootstrap образцов для получения стабильных оценок и обеспечения надёжности результатов.
Для первичного анализа SmartPLS 4 используется для реализации моделирования структурных уравнений с частными наименьшими квадратами (PLS-SEM), выбранного за надёжную работу со сложными предиктивными моделями, включающими латентныепеременные 83. Выбор PLS-SEM вместо ковариационно-основанного SEM (CB-SEM) оправдан основной целью исследования — прогнозированием эндогенных переменных (усвоение словарного запаса) и его сложной моделью, включающей механизмы посредничества и модерации85. Кроме того, PLS-SEM предпочтительнее множественной регрессии, поскольку он одновременно оценивает взаимосвязи между всеми латентными конструкциями всей модели, учитывая ошибку измерения. Хотя экспериментальные проекты дают сильные причинно-следственные выводы, поперечный характер исследования направлен на установление предсказательных связей в реальном контексте обучения, для чего PLS-SEM хорошо подходит86. Наконец, это исследование для анализа данных и его результаты можно увидеть в разделе «Результаты» ниже.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Описательная статистика
Описательная статистика даёт обзор важных переменных в данном исследовании, а именно воспринимаемой зависимости от ИИ, этических проблем, использования генеративного ИИ, страха пропустить что-то (FoMO), понимания прочитанного, цифрового выгорания и усвоения словарного запаса. Анализ покажет центральные тенденции, рассеянность и распределительные характеристики данных, обеспечивая понимание интереса участников к технологиям ИИ и их психологических и логических результатов. Норма...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Текущее исследование изучало сложное взаимодействие между факторами, связанными с ИИ, психологическими состояниями и результатами обучения среди учащихся по английскому языку и английскому языку, что дало несколько ключевых выводов. Наш методологический подход, в частности использование PLS-SEM, был критически важен для моделирования этих сложных отношений. В отличие от ковариационного SEM (CB-SEM), который лучше подходит для подтверждения теории, предиктивная ориентация PLS-SEM и способ...
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Все авторы заявляют, что не имеют конфликта интересов.
Это исследование финансируется Фондом социальных наук провинции Цзянсу, грант No (23YYB011). Эта работа была поддержана Университетом принца Султана в рамках Лаборатории исследований языка и коммуникации по гранту RL-CH-2019/9/1.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Ноутбук | Dell Technologies | Н/Д | Используется для обработки данных и документации |
| Статистическое программное обеспечение (SPSS) | IBM Corp. | Версия 26.0 | Используется для статистического анализа |
| Microsoft Excel | Microsoft | Office 365 | Ввод данных и основы обработки данных |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE
Запросить разрешение