От цифровой грамотности к творчеству учащихся: мотивационный путь в изучении языков с помощью ИИ

Краткое содержание

Это исследование показывает, что ориентированное на ученика обучение, стратегическое использование ChatGPT и цифровая грамотность положительно связаны с мотивацией изучающих китайский английский язык. Эта высокая мотивация, в свою очередь, связана с меньшей тревожностью и большей креативностью, что указывает на посредничество. Результаты подтверждают подготовку учителей, интегрирующую педагогику, инструменты искусственного интеллекта и цифровые навыки.

Аннотация

В данном исследовании рассматривается, как стиль преподавания, использование ChatGPT и цифровая грамотность вместе влияют на мотивацию, тревогу и креативность у изучающих китайский английский язык, а также исследуется роль мотивации как посредника в этих отношениях. Используя количественный подход, данные были собраны у n =290 студентов бакалавриата с использованием валидированных шкал и проанализированы с помощью структурного моделирования уравнений. Результаты показывают, что обучение под давлением учеников, стратегическая интеграция ChatGPT и цифровая грамотность положительно связаны с повышенной мотивацией. Высокая мотивация, в свою очередь, связана с меньшей тревожностью, а низкая тревожность — с повышенной креативностью. Кроме того, мотивация полностью опосредует связи между тремя предшественниками (стиль преподавания, использование ChatGPT, цифровая грамотность) и тревогой, подчёркивая её центральную роль в эмоциональных результатах в тестируемой модели. Исследование вносит вклад в теорию самоопределения, демонстрируя, как педагогические и технологические факторы синергетически поддерживают психологические потребности учащихся, одновременно расширяя когнитивно-аффективную теорию обучения с помощью медиа, проясняя медиационную функцию мотивации. Практические последствия подчёркивают необходимость программ подготовки учителей, объединяющих инновационную педагогику, использование инструментов ИИ и развитие цифровой грамотности для оптимизации языкового опыта. Исследование подчёркивает важность подходов, ориентированных на мотивацию, в образовании EFL с технологическими возможностями, особенно в условиях обучения с высокими ставками.

Введение

Искусственный интеллект (ИИ) продвинул образовательные технологии, создав новые возможности для взаимодействия, персонализации и творчества в изучении^{языков 1}. ChatGPT, диалоговый инструмент на базе ИИ, предоставляет интерактивную и адаптивную обратную связь, поддерживающую развитие языка². Параллельно цифровая грамотность стала необходимым навыком для эффективного освоения и использования технологий в учебных^{условиях 3}. Несмотря на растущий интерес к изучению языков с поддержкой ИИ и всё более широкое использование ChatGPT в контекстах английского языка⁴, остаются несколько важных пробелов. Во-первых, существующие исследования в основном рассматривали стиль преподавания, использование инструментов ИИ и цифровую грамотность в изоляции; Ограниченные исследования объединили все три в единую^{мотивационную рамку 5}. Во-вторых, хотя мотивация широко признана ключевым фактором изучения языка, немногие исследования изучали её посредническую роль в связи педагогических и технологических факторов с эмоциональными результатами (например, тревога при изучении языка) и когнитивными результатами (например, ^{креативность).} Этот разрыв особенно заметен в контексте китайской английской литературы, где интеграция технологий всё ещё развивается. Кроме того, хотя тревога хорошо задокументирована как ингибитор в обучении^{EFL 7}, она редко изучается вместе с мотивационными и технологическими факторами. Аналогично, креативность, всё более ценная навык в изучении языков, не была тесно связана с учебными средами с помощью^{ИИ 8}. В отличие от предыдущих исследований, которые сосредоточены только на педагогике или технологиях, настоящее исследование объединяет обе области, чтобы изучить, как стиль преподавания, использование ChatGPT и цифровая грамотность взаимосвязаны с мотивацией, а в свою очередь — с тревогой и творчеством.

Это исследование опирается на три теоретические рамки, каждая из которых соответствует конкретным измеряемым конструкциям в нашей модели структурных уравнений. Во-первых, теория самоопределения (SDT⁾⁹ утверждает, что обучение, поддерживающее автономию, удовлетворяет базовые психологические потребности учащихся (автономия, компетентность, родственность), тем самым усиливая внутреннюю мотивацию. В нашей модели это реализуется через конструкцию студентоцентричного стиля преподавания, который, как предполагается, положительно связан с мотивацией. Во-вторых, модель принятия технологий (TAM)¹⁰ предполагает, что воспринимаемая полезность и простота использования влияют на внедрение технологий. Здесь цифровая грамотность рассматривается как предшественник, позволяющий учащимся воспринимать ChatGPT как полезный и простой в использовании, тем самым укрепляя его положительную связь с мотивацией. В-третьих, когнитивно-аффективная теория обучения с помощью медиа (CATLM)¹¹ подчёркивает, что аффективные факторы (например, тревога) опосредуют связь между медиа-особенностями и когнитивными результатами (например, креативностью). В нашей модели это проверяется через путь: мотивация → тревога → творчество. Важно, что хотя конструктивистская теория обучения формирует разработку педагогики, ориентированной на студента, она не операционализируется как отдельная измеряемая конструкция в нашей модели; Соответственно, мы рассматриваем его только как фон, а не как напрямую протестированную структуру.

Ранее применение SDT в контекстах английского языка (EFL) в основном сосредоточено на поддержке автономии, управляемой учителем, без изучения того, как инструменты ИИ, такие как ChatGPT, могут самостоятельно удовлетворять потребности учащихся в компетентности и^{автономии 12}. Аналогично, TAM объяснял внедрение технологий, но не учитывал мотивационные и эмоциональные последствия, такие как тревожность и^{креативность 13}. CATLM выделяет эмоциональную и когнитивную обработку, но отсутствует эмпирическое тестирование в условиях EFL с поддержкой^{ИИ 14}. Настоящее исследование устраняет эти пробелы, интегрируя три рамки в единую, эмпирически проверяемую модель, в которой стиль преподавания, использование ChatGPT и цифровая грамотность связаны с мотивацией, что, в свою очередь, связано с снижением тревожности и повышением креативности (через связь тревога и креативность).

ChatGPT — это генеративная языковая модель, способная к человекоподобному диалогу, мгновенной обратной связи и адаптивным ответам, что делает её потенциально мощным инструментом для обучения английскому языку¹⁵. Недавние исследования показывают, что ChatGPT способствует освоению словарного запаса, грамматической точности и беглости разговора через симулированные^{взаимодействия 16}. Однако остаются серьёзные пробелы относительно его психологического влияния на учащихся. С одной стороны, низкорисковая и доступная природа ChatGPT может снизить тревогу при изучении языка¹⁷. С другой стороны, его непредсказуемость (например, случайные неточности или непоследовательные ответы) может повысить стресс у менее уверенных в себе^{учащихся 18}. Кроме того, эффективность ChatGPT, вероятно, зависит от цифровой грамотности учащихся — не только технических навыков, но и от критической оценки и этической осведомлённости¹⁹. Эта роль модератора требует дополнительного экзамена в контекстах EFL, где технологическая готовность студентов^{варьируется на 20} градусов.

Методика преподавания признана важным аспектом, определяющим активность и результаты учащихся в изучении языка²¹. Исходя из конструктивистских и социокультурных вопросов, современные тенденции в педагогических исследованиях подчеркнули эффективность ориентированных на ученика практик преподавания, таких как преподавание коммуникативного языка и обучение на основе задач²², согласно некоторым практикам, ученики в практике, ориентированных на ученика, достигают более высоких оценок и лучших результатов, чем ученики, использующие стили, доминируемые^{учителем 23}. Такие парадигмы, ориентированные на учащихся сейчас, резонируют с теорией самоопределения, согласно которой преподавание поддерживает автономию, внушает внутреннюю мотивацию через удовлетворение психологических потребностей учащихся, необходимости компетентности, автономии и связности с^{потребностями 24}. Это дополнительно подтверждается эмпирическими исследованиями, которые показывают, что гибкие, интерактивные модели преподавания повышают вовлечённость изучающих язык и смягчают негативные последствия^{тревожности 25}. Но быстрая реализация ИИ, такого как ChatGPT, усложняет этот^{процесс 26}. Хотя некоторые исследователи утверждают, что технологии ИИ могут углубить положительные преимущества педагогики, ориентированной на ученика, внедрив индивидуализированные учебные^{пути 27}.

Мотивация занимает центральное место между опосредованием связей педагогических, технологических и аффективных переменных в изучении^{языка 28}. Различие между автономной и контролируемой мотивацией, описанное SDT, даёт обоснованное представление о вовлечённости учащихся с помощью ChatGPT и стилей преподавания²⁹. В ранних данных исследователи показали, что инструменты ИИ связаны с реализацией автономной мотивации через поддержку самостоятельного и ориентированного на интересы^{обучения 30}, хотя этот эффект зависел от того, смогут ли учителя комбинировать технологии, чтобы не отнимать у учащихся свободу^{действий 31}. В свою очередь, тревога, которая может казаться повсеместным препятствием в среде EFL, во многих случаях вызвана страхом перед негативной оценкой или тревогой коммуникативного поведения. Хотя интеграция ИИ в практику обучения показала себя способной снижать такую^{тревогу 32}, мало исследований, чтобы понять, как работает этот процесс, особенно с точки зрения медиации^{по мотивации 33}. Рисунок 1 — ключевые переменные исследования. Он иллюстрирует предлагаемые взаимосвязи между стилем преподавания учителя, использованием ChatGPT учениками и соответствующими влияниями на мотивацию, тревожность, креативность и цифровую грамотность учащихся в контексте EFL.

Рисунок 1. Исследовательская модель. Схематическое представление предлагаемых взаимосвязей между стилем преподавания, использованием ChatGPT, цифровой грамотностью студентов английского языка, мотивацией учеников английского языка, тревожностью студентов английского языка и креативностью учеников с английским языком. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

На основе теоретической базы выдвигаются следующие гипотезы (H1-H8):
H1: Стиль преподавания положительно связан с мотивацией учеников.
H2: Использование ChatGPT положительно связано с мотивацией студентов.
H3: Цифровая грамотность положительно связана с мотивацией учеников.
H4: Мотивация негативно связана с тревогой.
H5: Тревожность негативно связана с творчеством.
H6: Мотивация связана с взаимосвязью между стилем преподавания и тревожностью.
H7: Мотивация связана с связью между использованием ChatGPT и тревожностью.
H8: Мотивация связана с связью между цифровой грамотностью и тревожностью.

Протокол

Этическое заявление
Это исследование было проведено в соответствии с этическими стандартами Институционального обзорного совета (IRB) Университета Чэнду, Китай (No одобрения: 202509). Все участники предоставили письменное информированное согласие перед участием. Исследование соответствовало институциональным рекомендациям для исследований с участием людей, обеспечивая добровольное участие, конфиденциальность и право отказаться в любое время без наказаний.

Для сохранения конфиденциальности все собранные данные анонимизировались с помощью закодированных идентификаторов, а личная информация хранилась отдельно от исследовательских данных в защищённых паролем файлах, доступных только главным исследователям. Дизайн анкеты включал меры по минимизации психологического дискомфорта, особенно по вопросам тревоги, и участникам предоставлялась контактная информация университетских консультационных служб на случай участия в опросе. Чтобы устранить возможные дисбалансы сил в отношениях между учителем и студентом, набор и сбор данных проводились обученными научными ассистентами, а не преподавателями курса, и участников заверили, что их ответы не повлияют на их академический статус или отношения с преподавателями.

В этом исследовании использовался количественный, поперечный дизайн, с участием 290 китайских студентов бакалавриата по английскому языку (EFL) из государственного университета. Участники, представляющие разные академические годы и дисциплины, были набраны путём выборки с пропорциональным представительством и заполняли бумажные анкеты в контролируемых классах во время обычных занятий, занимая примерно 25 минут. В анкету входили проверенные шкалы, измеряющие стиль преподавания, цифровую грамотность, использование ChatGPT, мотивацию, тревогу и креативность. Чтобы минимизировать предвзятость, обученные научные ассистенты проводили анкеты с помощью процедурных контрмер, таких как психологическое разделение элементов. После сбора данных ответы анализировались с помощью статистического программного обеспечения и программного обеспечения Partial Least Squares Structural Equation Modeling (PLS-SEM), включая скрининг данных, оценку моделей измерений, тестирование структурных моделей и анализ медиации с использованием процедуры bootstrapping с 5 000 повторных выборок.

Дизайн исследований
В этом исследовании использовался количественный, поперечный дизайн исследования для изучения взаимосвязи между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, тревогой и креативностью среди учащихся по английскому и английскому языку. Для получения снимков этих переменных в определённый момент времени был признан подходящим подход с поперечным сечением, что позволило анализировать их взаимосвязи без временных требований продольных исследований. Дизайн способствовал тестированию гипотетической модели медиации, в которой мотивация служит механизмом, связывающим стиль преподавания, использование ChatGPT и цифровую грамотность с уменьшением тревожности и повышением креативности.

Данные и выборка
Выборочная система включала всех студентов бакалавриата, зачисленных на курсы английского как иностранного языка (EFL) в государственном университете Китая в 2024–2025 учебном году. Критерии отбора требовали, чтобы участники были (а) носителями китайского языка, (б) в настоящее время обучались хотя бы на одном обязательном курсе английского английского языка и (в) не имели предварительного формального обучения инструментам изучения языков на базе ИИ, выходящих за рамки обычных курсов. Использовался стратифицированный подход выборки по удобству, с пропорциональным распределением между учебными годами (первый, второкурсник, третий, четвертый) и дисциплинарными областями (гуманитарные науки, социальные науки, естественные науки, инженерия). Размер целевых страт был установлен на уровне 25% за учебный год и 25% по дисциплинарным направлениям, исходя из общего распределения студентов университета. Окончательная выборка включала 290 студентов бакалавриата по английскому языку (EFL). Из 328 студентов, к которым обращались во время обычных занятий, 11 отказались участвовать (уровень неучастия = 3,4%), а 27 предоставили неполные анкеты (процент неполных ответов = 8,2%), что дало итоговый допустимый уровень ответа 88,4% (290/328). Априорный расчёт размера выборки проводился с использованием G*Power 3.1 с семьёй тестов F, линейная множественная регрессия: фиксированная модель, отклонение R² от нуля в качестве теста. Входные параметры были: размер эффекта^{f 2} = 0,15 (обычный средний размер эффекта для поведенческих исследований), α err prob = 0,05, мощность (1-β err prob) = 0,95 и количество предикторов = 3 (стиль преподавания, использование ChatGPT, цифровая грамотность) для результата мотивации. Расчёт дал минимально необходимый размер выборки в 119 для обнаружения значимого^R2. Для дальнейшего учёта полной модели SEM (включая косвенные пути и дополнительные эндогенные переменные) мы применили более консервативное правило — 10 случаев на оценочный параметр. При 29 оценочных параметрах в нашей модели требуемый размер выборки составил 290, что точно соответствует итоговой выборке. Таким образом, полученный образец полностью подготовлен как для регрессионного, так и для SEM-анализов.

Участники и процедура
Участники были набраны через стратифицированную выборку по удобству, чтобы обеспечить соотношение между учебными годами (с первого и старшекурсника) и по дисциплинарным образованиям (гуманитарные науки, естественные науки и инженерия). Размеры страт в итоговой выборке были следующими: первокурсники (n = 72, 24,8%), второкурсники (n = 74, 25,5%), третьекурсники (n = 71, 24,5%), старшекурсники (n = 73, 25,2%); и гуманитарные науки (n = 76, 26,2%), социальные науки (n = 68, 23,4%), естественные науки (n = 72, 24,8%), инженерия (n = 74, 25,5%). Выборка состояла из 62% девочек и 38% мальчиков, со средним возрастом 20,3 года (SD = 1,7). Сбор данных происходил во время обычных занятий по английскому языку. Обученные научные ассистенты проводили бумажные анкеты в контролируемых классах для обеспечения стандартизации. До проведения опроса все подходящие студенты, присутствовавшие на занятиях, были информированы о целях исследования, добровольном характере и мерах конфиденциальности (анонимные ответы, безопасное хранение данных). Студенты, не соответствовавшие критериям допуска (n = 6, отсутствие зачисления на EFL) или отказавшиеся от участия (n = 11), были исключены; Причинами отклонения были временные ограничения (n = 7) и дискомфорт при самооценке использования технологий (n = 4). Заполнение анкеты занимало примерно 25 минут и включало валидированные гаммы для всех конструкций. Для снижения распространённой смещености методов применялись процедурные контрмеры (например, психологическое разделение элементов шкалы, анонимность ответов). Кроме того, распространённая смещённость методов оценивалась с помощью однофакторного теста Хармана, и первый фактор составлял менее 50% от общей дисперсии, что указывает на то, что распространённый метод не был серьёзной проблемой в данном исследовании.

Показатели исследования
Все гаммы были адаптированы к китайскому контексту английского языка (EFL) с помощью строгой процедуры перевода и адаптации. Два двуязычных исследователя независимо перевели оригинальные английские материалы на китайский, а третий исследователь примирил расхождения, чтобы создать предварительную версию. Эта версия была переведена на английский двумя разными переводчиками, и любые несоответствия были устранены путем обсуждения с исследовательской группой. Китайские версии затем были пилотно протестированы с участием 30 студентов бакалавриата по английскому языку (не входящих в основную выборку) для проверки ясности и понимания, что привело к незначительной корректировке в формулировках. Для каждой шкалы ответы собирались по 5-балльной шкале Ликерта от 1 (сильно не согласен) до 5 (полностью согласен). Для каждой конструкции использовались суммарные или усредненные баллы, при этом более высокие баллы указывали на более высокие уровни соответствующей переменной. Все адаптированные гаммы использовались с разрешения оригинальных авторов или на условиях открытой лицензии, где это было применимо. Из оригинальных весов не было удалено никакие элементы, за исключением случаев, указанных ниже; Удержание элементов основывалось на факторных нагрузках > 0,40 и теоретической значимости. Что касается использования ChatGPT, в исследовании оценивалось самосообщаемое взаимодействие студентов с бесплатной версией ChatGPT (GPT-3.5/4, доступной через веб- или мобильное приложение в 2024–2025 учебном году). Все участники имели равный доступ к инструменту, так как университет не ограничивал ChatGPT; однако фактическое использование варьировалось в зависимости от ситуации. Шкала измеряла частоту использования ChatGPT (от «никогда» до «ежедневно»), типы задач по изучению языка, для которых он применялся (например, наращивание словарного запаса, проверка грамматики, составление эссе, практика ведения беседы и исправление ошибок), а также воспринимаемое качество взаимодействия (например, полезность, ясность обратной связи). Шкала не различала конкретные версии ChatGPT, так как обновления версий происходили в период сбора данных; вместо этого участники сообщили о версии, которую использовали в первую очередь, при этом более 90% сообщили GPT-3.5 или GPT-4. Подробные примеры элементов и примечания к адаптации каждой конструкции приведены ниже.

В этом исследовании использовались строго проверенные шкалы, тщательно адаптированные к контексту образования английского и английского языка, для оценки ключевых переменных: методов преподавания, цифровой компетентности, интеграции ChatGPT, тревоги при изучении языка, мотивации учащихся и творческого мышления. Инструменты измерения были выбраны за их доказанную надёжность и способность комплексно оценивать каждую конструкцию. Для изучения методов обучения исследование использовало изменённую версию Инвентаря стиля^{преподавания Граши 34} , которая оценивает пять различных педагогических подходов: авторитетный, профессиональный, персональный образец учителя, фасилитативный и делегатский. Для оценки цифровой грамотности в исследовании была включена модифицированная версия шкалы, разработанной Родригес-де-Дуэньосом и ^др.35, включающая 29 пунктов в шести ключевых областях: (1) техническая грамотность, (2) грамотность в защите персональных данных, (3) критическая оценочная грамотность, (4) грамотность в области безопасности устройств, (5) грамотность в обработке информации и (6) цифровая коммуникационная грамотность. Эта многомерная структура предоставила тщательную оценку цифровых возможностей учащихся, необходимых для современного образования. Использование ChatGPT оценивалось с помощью 8-пунктной шкалы, адаптированной из Abbas et ^al.36, с акцентом на взаимодействие учащихся с инструментом ИИ для выполнения языковых задач. Эта шкала отражает воспринимаемое и самоотчётное использование ChatGPT студентами в заданиях по изучению языка, а не объективную частоту использования. Тревога в классе иностранных языков (FLCA) измерялась с помощью адаптированной шкалы, основанной на Брисмастере^{и Брисмастере 37}. Этот инструмент исследовал тревогу по трём ключевым измерениям: тревожность коммуникации, тревога перед тестом и страх отрицательной оценки, включая соответственно 10, 10 и 7 пунктов. Мотивация учащихся оценивалась с помощью шкалы, адаптированной из Каноксилапатхам и ^др.38, с тремя ключевыми измерениями: продвижение и предотвращение инструментальности, этноцентризм и интегративность, а также отношение к изучению английского языка. Шкала включала всего 20 предметов. Креативность студентов EFL измерялась с помощью шкалы, адаптированной из Говиндасами и ^др.39, которая оценивала четыре измерения: оригинальность, гибкость, беглость и проработка. Каждое измерение измерялось с помощью трёх элементов.

Методы анализа данных
Собранные данные анализировались с использованием двухэтапного аналитического подхода, сочетающего SPSS (версия 27) и моделирование структурных уравнений с частичными наименьшими квадратами (PLS-SEM) с помощью программного обеспечения SmartPL. Первичный скрининг данных и предварительные анализы проводились с использованием SPSS для оценки качества данных, включая проверку на отсутствие значений, выбросов и предположения нормальности. Менее 2% точек данных были полностью отсутствуют случайным образом (MCAR), что подтверждается тестом MCAR Литтла (χ² = 18,24, p = 0,212), и обрабатывались с использованием алгоритма максимизации ожидания для сохранения статистической мощности. Набор данных продемонстрировал приемлемую унивариантную нормальность (косость < |2|, куртоз < |7|) и многомерную нормальность (коэффициент Мардии = 18,37, p < 0,001), что оправдывает использование как параметрических тестов, так и PLS-SEM, устойчивого к ненормальности. Хотя одномерная нормальность была приемлема, коэффициент Мардии указывал на нарушение многомерной нормальности (p < 0,001). Однако это не вызывает беспокойства, так как PLS-SEM устойчив к ненормальным распределениям данных.

Анализ надёжности показал сильную внутреннюю согласованность для всех масштабов (α > Кронбаха 0,82, композитная надёжность > 0,85), а исследовательский факторный анализ подтвердил ожидаемые структуры факторов при чистой нагрузке всех элементов на соответствующие конструкции (нагрузки > 0,65, перекрёстные нагрузки < 0,40).

Для проверки гипотез PLS-SEM был выбран вместо ковариационного SEM благодаря его лучшей работе со сложными моделями с малыми и средними размерами выборок и способности максимизировать объяснённую дисперсию в эндогенных конструкциях. Анализ проводился по двухэтапной процедуре: сначала оценивалась модель измерения, затем оценивала структурную модель. Модель рефлективного измерения продемонстрировала адекватную сходимость (средняя дисперсия, извлеченная > 0,50 для всех конструкций) и дискриминантную валидность, подтверждённую как критерием Форнелля–Ларкера, так и соотношением гетеротрет-монопризнак (HTMT < 0,85). В структурной модели коэффициенты пути оценивались с помощью процедуры бутстрэппинга с 5 000 повторных выборок для получения стабильных оценок и доверительных интервалов. Предсказательная способность модели оценивалась через значения R² для эндогенных переменных (мотивация = 0,53, тревога = 0,41, креативность = 0,38) и прогностической релевантности (^{Q 2} > 0), при этом размеры эффектов (f²) рассчитывались для определения существенного воздействия. Медиационный анализ использовал метод bootstrap с коррекцией смещения для проверки косвенных эффектов, при этом значительная медиация устанавливалась при исключении 95% доверительных интервалов без нуля.

Все конструкции моделировались как рефлексивные (режим A) на основе теоретических соображений, поскольку предполагалось, что каждая латентная переменная вызывает свои наблюдаемые индикаторы. Ни один элемент не был исключён ни из одной шкалы, так как все элементы демонстрировали внешние нагрузки выше порога 0,50 (от 0,62 до 0,89), а все значения средней дисперсии (AVE) превышали 0,50, что подтверждает сходимость валидности. Для медиационного тестирования структурная модель включала прямые пути от трёх предшественников (стиль преподавания, использование ChatGPT, цифровая грамотность) к мотивации, от мотивации к тревоге и от тревоги к творчеству. Прямые пути от предшественников к тревоге и от предшественников к творчеству также оценивались для тестирования частичной и полной медиации. Полная медиация была определена на основе критериев, согласно которым: (а) косвенные эффекты (предварители → мотивацию → тревогу) были значимы (95% корректированный с ошибкой доверительного интервала без нуля), и (б) прямые эффекты от предшественников к тревоге становились незначительными после включения медиатора, тогда как прямые эффекты от предшественников на творчество никогда не были значимыми. Все анализы использовали алгоритм PLS-SEM в SmartPLS 4 с схемой взвешивания путей, максимальными итерациями на уровне 300 и критерием стопа 1.0e-7. Bootstrapping проводился с использованием 5 000 подвыборок, с интервалами доверия с коррекцией смещения и ускоренным (BCa) на уровне 95% и без изменения знаков. Соответствие модели оценивалось с использованием стандартизированного среднего квадратного остаточного остатка корня (SRMR = 0,061), который ниже рекомендуемого порога 0,08.

Результаты

Описательная статистика и корреляционный анализ
Описательная статистика для всех переменных в исследовании выявила нормально распределенные данные с приемлемыми диапазонами вариабельности, что подтверждается аскошенностью и значениями куртоза в пределах рекомендуемых порогов ± 2.

Таблица 1 показывает важные характеристики переменных в нашем выборке из 290 учащихся по английскому языку. Стиль преподавания (M = 4,32, SD = 0,7...

Обсуждение

Текущее исследование даёт полезное представление о взаимосвязях между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, тревожностью и креативностью среди учащихся, изучающих английский и английский язык. Результаты свидетельствуют о том, что ориентированный на ученика стиль преподавания, более широкое использование ChatGPT и повышение цифровой грамотности положительно связаны с мотивацией учащихся. В свою очередь, мотивация негативно связана с тревогой, а т...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Инструменты анкетирования (Шкалы)	Шкала стилей преподавания	Н/Д	Модифицированная версия Инвентаря стилей преподавания Граша (Grasha, 1996), оценивающая пять педагогических подходов: авторитетный, экспертный, персональный модель, поощрительный и делегированный. Номер каталога: Н/Д
	Шкала цифровой грамотности	Н/Д	29-балльная шкала, адаптированная от Rodríguez-de-Dueño et al. (2016), охватывающая шесть измерений: техническая компетентность, защита персональных данных, критическая оценка, управление безопасностью устройств, обработка информации и цифровое общение. Номер каталога: Н/Д
	Шкала использования ChatGPT	Н/Д	8-балльная шкала, адаптированная от Abbas et al. (2024), ориентированная на взаимодействие студентов с инструментом ИИ для задач обучения языку. Номер каталога: Н/Д
	Шкала тревожности в классе иностранного языка (FLCA)	Н/Д	Шкала, адаптированная от Briesmaster и Briesmaster (2015), с подшкалами для тревожности коммуникации (10 пунктов), тревожности тестирования (15 пунктов) и страха отрицательной оценки (7 пунктов). Номер каталога: Н/Д
	Шкала мотивации	Н/Д	20-балльная шкала, адаптированная от Kanoksilapatham et al. (2021), измеряющая три измерения: инструментальность (продвижение/предотвращение), этноцентризм/интегративность и отношение к изучению английского языка. Номер каталога: Н/Д
	Шкала креативности	Н/Д	12-балльная шкала, адаптированная от Govindasamy et al. (2024), измеряющая четыре подконструкта: оригинальность, гибкость, флюидность и элаборация. Номер каталога: Н/Д
Программное обеспечение	SPSS Statistics Version 27	IBM Corp.	Программное обеспечение для статистического анализа. Номер каталога: Н/Д
	SmartPLS Version 4	SmartPLS GmbH	Программное обеспечение для моделирования структурных уравнений. Номер каталога: Н/Д
Оборудование и другие материалы	Инструмент сбора данных	Н/Д	Анонимный, самозаполняемый опросник на бумажном носителе. Номер каталога: Н/Д
	Документы с информированным согласием	Н/Д	Письменное информационное письмо и форма согласия, описывающие цель исследования, процедуры, риски/выгоды и право на отказ. Номер каталога: Н/Д
	Система хранения данных	Н/Д	Защищенные паролем цифровые файлы с закодированными идентификаторами; персональная информация хранится отдельно от исследовательских данных. Номер каталога: Н/Д
Аналитические процедуры	Алгоритм PLS-SEM и бутстрэппинг	SmartPLS GmbH	Внутренние процедуры SmartPLS 4 (алгоритм PLS и коррекция предубеждений с бутстрэппингом на 5000 повторений). Номер каталога: Н/Д
	Проверки валидности и надежности	SmartPLS GmbH; IBM Corp.	Процедуры SmartPLS 4 и SPSS для оценки альфы Кронбаха, композитной надежности, средней вытянутой дисперсии (AVE), критерия Форнелла-Ларкера и отношения гетеротрат-монотрат (HTMT). Номер каталога: Н/Д
	Оценка предсказательной значимости	SmartPLS GmbH	Процедура слепого тестирования в SmartPLS 4 для расчета значения Q² по Stone-Geisser. Номер каталога: Н/Д
	Предварительное исследование данных	IBM Corp.	Процедуры SPSS для обработки пропущенных данных (алгоритм максимизации ожидания) и проверки нормальности, выбросов и факторной структуры (исследовательский факторный анализ). Номер каталога: Н/Д