Генеративный искусственный интеллект, мотивация, тревожность и креативность в аудиториях по изучению английского языка как иностранного в Саудовской Аравии: одномоментное исследование

Краткое содержание

В данном одномоментном исследовании изучались взаимосвязи между использованием генеративного искусственного интеллекта, стилем преподавания, цифровой грамотностью, мотивацией, тревожностью и креативностью студентов бакалавриата из Саудовской Аравии, изучающих английский язык как иностранный; при этом мотивация была определена как важный медиатор наблюдаемых взаимосвязей.

Аннотация

Инструменты искусственного интеллекта (ИИ), такие как ChatGPT, все чаще внедряются в обучение английскому языку как иностранному (EFL); однако в контексте Саудовской Аравии имеется ограниченное количество данных о том, как их использование связано со стилем преподавания, цифровой грамотностью, мотивацией, тревожностью при изучении иностранного языка (FLCA) и креативностью. В данном исследовании изучались взаимосвязи между этими конструктами и анализировалась опосредующая роль мотивации в рамках единой концептуальной модели. Был проведен количественный одномоментный опрос среди 280 студентов бакалавриата, изучающих EFL в государственном университете Саудовской Аравии, с использованием валидированных опросников. Предполагаемые взаимосвязи анализировались с помощью моделирования структурными уравнениями методом частичных наименьших квадратов (PLS-SEM). Результаты показали, что использование ChatGPT, стиль преподавания и цифровая грамотность положительно коррелируют с мотивацией студентов. Более высокая мотивация была связана с более низким уровнем FLCA и более высоким уровнем креативности. Мотивация также выступала посредником во взаимосвязях между использованием ChatGPT, стилем преподавания, цифровой грамотностью и FLCA. Эти результаты свидетельствуют о том, что мотивационный опыт студентов тесно связан с взаимодействием между методиками обучения, использованием технологий и результатами изучения языка. Исследование предоставляет доказательства в пользу интеграции соответствующих стратегий преподавания, инструментов генеративного ИИ и цифровой грамотности в систему образования по английскому языку, подчеркивая при этом важность учета мотивационного и эмоционального состояния студентов при внедрении технологически поддерживаемых сред обучения.

Введение

Королевство Саудовская Аравия осуществляет программу масштабных образовательных реформ в рамках стратегии «Видение 2030» (Vision 2030), в которой приоритетное внимание уделяется развитию навыков XXI века, цифровой компетенции и инновационных педагогических подходов на всех уровнях образования¹. В этом национальном контексте обучение английскому языку как иностранному (EFL) по-прежнему сталкивается с серьезными проблемами, включая культуру, ориентированную на экзамены, где механическое заучивание и успеваемость при тестировании ценятся выше коммуникативной компетенции^2,3. Ограниченные возможности для аутентичного взаимодействия на английском языке вне аудитории в сочетании с высоким уровнем тревожности при изучении иностранного языка (FLCA) дополнительно снижают готовность студентов общаться и осмысленно использовать целевой язык⁴. Эти трудности побудили педагогов и политиков искать инновационные подходы для преодоления дефицита мотивации, эмоциональных барьеров и развития творческого использования языка. Искусственный интеллект (ИИ) стал перспективным направлением для поддержки изучения языков и трансформации методов обучения⁵. Среди приложений ИИ в преподавании английского языка (ELT) значительное внимание привлек ChatGPT — генеративная диалоговая модель ИИ, обеспечивающая интерактивную языковую практику и мгновенную индивидуальную обратную связь в контексте общения в режиме реального времени⁶. Эти особенности особенно актуальны для классов EFL в Саудовской Аравии, где 以-центричное обучение и ограниченное взаимодействие между студентами продолжают сдерживать творческое владение языком⁷. ChatGPT может помочь преодолеть эти ограничения, предоставляя возможности для аутентичной языковой практики с собеседником-ИИ в условиях низкого уровня тревожности⁸.

Недавние образовательные реформы в Саудовской Аравии способствовали переходу к личностно-ориентированной педагогике, что создало возможности для интеграции технологий ИИ, стимулирующих активное участие, критическое мышление и самостоятельное обучение^9,10. При надлежащем внедрении ChatGPT может поддержать этот переход, расширяя практику изучения языка за пределы традиционных классных занятий¹¹. Однако эффективность интеграции ИИ частично зависит от цифровой грамотности студентов, определяемой как их способность эффективно оценивать, использовать и взаимодействовать с цифровыми технологиями в процессе обучения¹². Цифровая грамотность позволяет учащимся продуктивно использовать инструменты ИИ, сводя к минимуму потенциальные риски, включая чрезмерную зависимость и дезинформацию¹³. Эта компетенция особенно важна в системе высшего образования Саудовской Аравии, где цифровая трансформация ускорилась в рамках программы Vision 2030¹⁴.

Несмотря на то что в предыдущих исследованиях инструменты ИИ, стиль преподавания, цифровая грамотность, мотивация, тревожность и креативность изучались по отдельности, имелись ограниченные данные о том, как эти конструкты взаимодействуют в рамках единой системы в незападных контекстах изучения английского языка как иностранного (EFL), например, в Саудовской Аравии. Мотивация последовательно определялась как важный механизм, связывающий методы обучения с результатами обучения, включая снижение тревожности, повышение креативности и устойчивую вовлеченность¹⁵. Однако взаимосвязи между использованием ChatGPT, стилем преподавания, цифровой грамотностью, мотивацией, тревожностью при изучении иностранного языка (FLCA) и креативностью не были всесторонне изучены в контексте EFL в Саудовской Аравии¹⁶. Устранение этого пробела может дать теоретические и практические сведения для разработки технологически усиленных сред языкового обучения, поддерживающих мотивационное, эмоциональное и творческое развитие студентов. Соответственно, в данном исследовании изучаются взаимосвязи между использованием ChatGPT, стилем преподавания, цифровой грамотностью, мотивацией, FLCA и креативностью среди студентов бакалавриата Саудовской Аравии, изучающих английский язык как иностранный. В частности, рассматриваются (1) взаимосвязи использования ChatGPT, стиля преподавания и цифровой грамотности с мотивацией студентов; (2) взаимосвязи мотивации с FLCA и креативностью; и (3) опосредующая роль мотивации во взаимосвязи между использованием ChatGPT, стилем преподавания, цифровой грамотностью и такими результирующими переменными, как тревожность и креативность.

Данное исследование вносит вклад в обучение английскому языку как иностранному (EFL) и технологически усиленное обучение, интегрируя использование инструментов ИИ в существующие модели мотивации и изучения языков, тем самым расширяя понимание процесса изучения языка с поддержкой технологий в современных образовательных условиях. Оно также предоставляет данные, которые могут быть полезны педагогам, разработчикам учебных программ и политикам, стремящимся интегрировать инструменты ИИ в преподавание EFL в Саудовской Аравии. Рассматривая мотивацию как посредник, связывающий использование технологий и методики обучения с тревожностью при изучении иностранного языка (FLCA) и креативностью, исследование предлагает специфические для данного контекста доказательства в поддержку развития личностно-ориентированного языкового образования, согласованного с целями образовательной реформы Саудовской Аравии.

Теория самодетерминации (SDT) предоставляет теоретическую базу для понимания взаимосвязи между методами преподавания и мотивацией учащихся в образовательном контексте¹⁷. Согласно SDT, внутренняя мотивация и автономные формы внешней мотивации поддерживаются, когда в учебной среде удовлетворяются три базовые психологические потребности учащихся: потребность в автономии, компетентности и связанности с другими¹⁸. Таким образом, стиль преподавания является ключевым контекстуальным фактором, влияющим на мотивацию и вовлеченность студентов¹⁹. Практики преподавания, поддерживающие автономию, которые предоставляют значимый выбор, учитывают точку зрения студентов и разъясняют суть учебных мероприятий, способствуют развитию внутренней мотивации и самодетерминированной вовлеченности²⁰. В контексте изучения английского языка как иностранного (EFL) личностно-ориентированные подходы, включая стили преподавания «фасилитатор» и «делегат», связывают с более высокой приверженностью, активностью и интересом студентов к изучению языка^21,22. Напротив, обучение, ориентированное на преподавателя, может снизить мотивацию, ограничивая участие и автономию студентов и отдавая приоритет внешнему вознаграждению перед внутренним интересом^23,24. В саудовском контексте EFL, где традиционное обучение исторически основывалось на заучивании и доминирующей роли преподавателя²⁵, внедрение более личностно-ориентированных подходов к преподаванию может поддержать мотивацию студентов²⁶. На основе этого теоретического и эмпирического фундамента предлагается следующая гипотеза: H1: Стиль преподавания положительно влияет на мотивацию студентов, изучающих английский язык как иностранный.

Взаимосвязь между образовательными технологиями и мотивацией учащихся была широко исследована^27,28. Модель принятия технологий (TAM) предполагает, что на мотивацию учащихся взаимодействовать с образовательными технологиями влияют воспринимаемая полезность и воспринимаемая простота использования, которые определяют поведенческие намерения и использование технологий²⁹. Применительно к ChatGPT эта концепция указывает на то, что студенты, которые воспринимают инструмент как полезный и простой в использовании, с большей вероятностью будут применять его для изучения языка³⁰. В эмпирических исследованиях сообщалось о положительной корреляции между обучением языку с поддержкой ИИ и мотивацией студентов, при этом интерактивные функции, мгновенная обратная связь и персонализированная практика способствуют устойчивому вовлечению^31,32. ChatGPT также может снизить барьеры, связанные с языковой тревожностью, предоставляя возможности для практики языка в условиях низкого психологического давления, что может стимулировать дальнейшее использование языка³³. Этот потенциал особенно актуален в контексте Саудовской Аравии, где FLCA была определена как важный барьер для мотивации и успеваемости в изучении языка³⁴. На основании этих теоретических и эмпирических данных предлагается следующая гипотеза: H2: Использование ChatGPT положительно влияет на мотивацию студентов, изучающих английский язык как иностранный (EFL).

Цифровая грамотность стала важным определяющим фактором мотивации студентов в современных условиях обучения английскому языку как иностранному (EFL)³⁵. Она представляет собой способность эффективно искать, оценивать и использовать цифровые технологии и средства массовой информации для обучения³⁶. В контексте EFL цифровая грамотность позволяет учащимся эффективно использовать цифровые ресурсы, включая ChatGPT, системы управления обучением и мультимедийные инструменты, для поддержки изучения языка и повышения мотивации³⁷. Студенты с более высоким уровнем цифровой грамотности с большей вероятностью уверенно используют образовательные технологии, что способствует развитию компетентности и автономности, которые связаны с внутренней мотивацией³⁸. Они также лучше подготовлены к использованию цифровых инструментов для самостоятельной языковой практики, получения обратной связи и поддержания вовлеченности в процесс обучения³⁹. На основании этого обзора литературы выдвигается следующая гипотеза: H3: цифровая грамотность студентов EFL положительно влияет на их мотивацию к изучению языка.

Иностранная языковая тревожность (FLCA) и креативность являются тесно связанными конструктами в обучении английскому языку как иностранному (EFL), хотя их взаимосвязь остается сложной⁴⁰. Тревожность может ограничивать успеваемость учащихся при выполнении заданий, требующих креативности, когнитивной гибкости, дивергентного мышления и самовыражения⁴¹. FLCA отражает страх учащихся совершить ошибки, опасения перед негативной оценкой и низкую уверенность в себе, что может препятствовать творческому использованию языка⁴². Тем не менее, креативность является важной компетенцией при изучении EFL, так как она способствует контекстуально appropriate и инновационному использованию языка³¹. В предыдущих исследованиях сообщалось, что учащиеся с более высоким уровнем тревожности реже участвуют в занятиях по творческому письму и устной коммуникации^43,44. На основании данного обзора литературы предлагаются следующие гипотезы: 1) H4: мотивация студентов, изучающих EFL, отрицательно связана с их тревожностью, и 2) H5: тревожность студентов, изучающих EFL, отрицательно влияет на их креативность.

Мотивация обеспечивает теоретический механизм, посредством которого стиль преподавания, использование ChatGPT и цифровая грамотность могут быть связаны с FLCA⁴⁵. Мотивированные учащиеся с большей вероятностью принимают активное участие в обучении, проявляют настойчивость при столкновении с трудностями и испытывают более низкий уровень коммуникативной тревожности⁴⁶. Поддерживающие методы преподавания, изучение языка с помощью ИИ и более высокий уровень цифровой грамотности в условиях EFL ассоциировались с повышением мотивации и снижением тревожности^47,48,49. Предыдущие исследования также показывают, что более высокая мотивация связана с более низкой тревожностью в аудитории и повышенным уровнем креативности, что подтверждает роль мотивации как потенциального медиатора, связывающего методы обучения и использование технологий с результатами обучения^50,51,52. На основании данной литературы предлагаются следующие гипотезы: 1) H6: мотивация выступает медиатором в связи между стилем преподавания и тревожностью студентов EFL; 2) H7: мотивация выступает медиатором в связи между использованием ChatGPT и тревожностью студентов EFL; и 3) H8: мотивация выступает медиатором в связи между цифровой грамотностью студентов EFL и их тревожностью. На рисунке 1 представлена гипотетическая модель, в которой стиль преподавания, использование ChatGPT и цифровая грамотность связаны с мотивацией студентов EFL, которая, в свою очередь, опосредует их взаимосвязь с FLCA и креативностью.

Рисунок 1. Гипотетическая исследовательская модель. Модель отображает предполагаемые взаимосвязи между использованием ChatGPT, стилем преподавания, цифровой грамотностью, мотивацией, тревожностью в аудитории при изучении иностранного языка и креативностью студентов, изучающих английский язык как иностранный (EFL). Сплошные линии обозначают прямые гипотетические связи, а пунктирные линии — опосредованные связи, как указано на рисунке. Пожалуйста, нажмите здесь, чтобы просмотреть этот рисунок в большем размере.

Протокол

Несмотря на то, что исследование не требовало официального этического одобрения институциональным наблюдательным советом в связи с его неэкспериментальным дизайном в виде анонимного опроса, не предполагавшего физического вмешательства, манипуляций или обмана участников, все процедуры проводились в соответствии с этическими принципами Хельсинкской декларации и руководствами Американской психологической ассоциации по проведению исследований с участием людей. Информированное согласие было получено от всех участников до начала сбора данных. Учреждение не требовало и не выдавало официального этического одобрения или освобождения от него для данного типа исследования. Все респонденты были четко проинформированы о целях исследования, добровольном характере их участия, праве отказаться от участия в любое время без каких-либо последствий, а также о строгих мерах конфиденциальности, применяемых к их данным. Лично идентифицирующая информация не собиралась и не раскрывалась, а все данные использовались исключительно для агрегированного академического анализа. Особое внимание уделялось ненавязчивым и уважительным формулировкам, чтобы опрос не мешал академической деятельности или психологическому благополучию участников. Форма информированного согласия представлена в Дополнительном файле 1. Кроме того, материалы, использованные в данном исследовании, перечислены в Таблице материалов.

Дизайн исследования

В данном разделе описываются план исследования, процедуры сбора данных и характеристики выборки, использованные в работе для изучения взаимосвязей между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, тревожностью и креативностью студентов, изучающих английский язык как иностранный (EFL). В исследовании применялся количественный кросс-секционный дизайн для изучения опосредующей роли мотивации во взаимосвязях между стилем преподавания, использованием ChatGPT, цифровой грамотностью и тревожностью у студентов EFL, а также того, как эти переменные в совокупности влияют на креативность. Для сбора первичных данных была принята методика структурированного опроса, что обеспечило стандартизацию и надежность измерения конструктов. В исследовании использовались валидированные шкалы для оценки всех переменных, включая стиль преподавания, использование ChatGPT, цифровую грамотность, мотивацию, FLCA и креативность.

Данные и образцы

Данные для этого исследования были собраны среди студентов, изучающих английский язык как иностранный (EFL), в Университете Джидды — государственном университете Саудовской Аравии, известном своим вниманием к языковому образованию и интеграции технологий в процесс обучения. Участники были отобраны с использованием метода целевой выборки, который был признан подходящим для данного исследования ввиду специфических критериев включения, требовавших от участников наличия активного опыта использования инструментов ИИ, таких как ChatGPT, в их образовательной среде. Этот метод невероятностной выборки был необходим, так как исследовательские вопросы были сосредоточены на определенной группе населения — студентах EFL, которые имели опыт как традиционного, так и технологически поддерживаемого обучения, и рандомизированная выборка не гарантировала бы включение участников, соответствующих этим критериям. Несмотря на то, что целевая выборка ограничивает возможность обобщения результатов на всю популяцию, она была оправдана для данного поискового исследования, чтобы гарантировать наличие у участников соответствующего опыта и взглядов, необходимых для достижения целей исследования. Для смягчения ограничений целевой выборки были предприняты усилия по включению участников с различным академическим бэкграундом и разным уровнем технологической компетенции, что позволило повысить репрезентативность выборки внутри целевой популяции. Итоговая выборка состояла из 280 студентов бакалавриата EFL, что было признано достаточным объемом для применяемых статистических методов.

Определение адекватности размера выборки основывалось на установленных рекомендациях для моделирования структурными уравнениями (SEM). Исследователи рекомендуют минимальное соотношение 10 случаев на один оцениваемый параметр для SEM, при этом более консервативные рекомендации предполагают 20 случаев на параметр для метода частичных наименьших квадратов в SEM (PLS-SEM). Модель измерения включала 29 пунктов для цифровой грамотности, 25 пунктов для стиля преподавания и 32 пункта для FLCA, а также дополнительные пункты для использования ChatGPT, мотивации и креативности. Рекомендации PLS-SEM также предполагают, что минимальный размер выборки должен быть в 10 раз больше максимального количества формирующих индикаторов или максимального количества структурных путей, направленных на конкретный конструкт; таким образом, выборка из 280 участников превысила эти минимальные требования. Кроме того, апостериорный анализ мощности с использованием G*Power⁵³ показал, что выборка из 280 участников обеспечила статистическую мощность более 0,95 для обнаружения средних величин эффекта (f² = 0.15) при α = 0.05, что превышает общепринятый порог 0,80. Данный размер выборки обеспечивает надежные оценки параметров и достаточную статистическую мощность для выявления значимых взаимосвязей между переменными исследования при учете сложности предлагаемых измерительной и структурной моделей.

Участники и процедура

Участниками исследования были студенты, изучающие английский язык как иностранный (EFL), в возрасте от 18 до 25 лет, большинство из которых были студентами первого и второго курсов бакалавриата, зачисленными на курсы английского языка. Опрос проводился в период с сентября по октябрь 2025 года, в течение которого студентам предлагалось принять участие на добровольной основе. Процесс набора включал информирование через официальные университетские каналы, включая электронную почту и объявления на занятиях. Участниками были студенты EFL в возрасте 18–25 лет, зачисленные на первый или второй курс бакалавриата на курсы английского языка. Соответствие требованиям определялось с помощью заранее установленных критериев включения и исключения. Участники допускались к исследованию, если они (а) были официально зачислены на программы бакалавриата по английскому языку в Университете Джидды, (б) находились в возрасте 18–25 лет и (в) были зарегистрированы как студенты первого или второго курса. Студенты исключались, если они (а) были аспирантами или студентами старших курсов бакалавриата вне базовой последовательности курсов, (б) находились вне указанного возрастного диапазона или (в) участвовали в фазе предварительного тестирования анкеты. Для обеспечения информированного согласия участникам был дан инструктаж о целях исследования, добровольном характере их участия и конфиденциальности их ответов. Инструментом сбора данных была структурированная анкета для самостоятельного заполнения, распространяемая в физическом и электронном виде с использованием защищенной онлайн-платформы. Для измерения стиля преподавания, использования ChatGPT, цифровой грамотности, мотивации студентов, FLCA (тревожности при изучении иностранного языка) и креативности были адаптированы валидированные шкалы. Участников просили оценить свои ответы по 5-балльной шкале Лайкерта, где 1 означало «полностью не согласен», а 5 — «полностью согласен». Предварительное тестирование анкеты было проведено с небольшой группой из 30 студентов для обеспечения ясности и надежности. На основании результатов предварительного тестирования были внесены незначительные корректировки в формулировки для повышения понятности пунктов; существенных проблем с надежностью или валидностью шкал выявлено не было. Для обеспечения целостности данных и стимулирования честных ответов была гарантирована анонимность, и участники были уверены, что их данные будут использованы только в исследовательских целях. Из 300 первоначально собранных ответов 280 были признаны валидными после проверки на наличие неполных или противоречивых данных, что обеспечило коэффициент удержания 93%. Процедуры скрининга данных включали изучение паттернов ответов на предмет однотипных ответов (straight-lining), избыточного отсутствия данных (более 10%) и многомерных выбросов с использованием расстояния Махаланобиса. Данный методологический подход создает надежную основу для анализа взаимосвязей между переменными исследования и дает ценную информацию о роли стиля преподавания, инструментов ИИ и цифровой грамотности в формировании мотивации, тревожности и креативности студентов EFL.

После сбора данных из первоначального пула из 300 ответов были исключены 20 на основании заранее определенных критериев: 12 ответов были удалены из-за чрезмерного количества пропусков, превышающего 10% пунктов анкеты, 5 были исключены из-за однообразных шаблонов ответов (одинаковые ответы по всем пунктам, что указывает на отсутствие вовлеченности), и 3 были определены как многомерные выбросы с использованием расстояния Махаланобиса (p < 0.001) и впоследствии удалены, чтобы предотвратить искажение результатов SEM. Пропущенные значения для оставшихся случаев обрабатывались с помощью импутации средним значением в тех случаях, когда количество пропусков было минимальным (менее 5% на случай), так как такой подход приемлем для небольших долей пропусков в крупномасштабных опросах. Итоговый коэффициент сохранения 93% (280 валидных ответов из 300 собранных анкет) представляет собой долю пригодных ответов, сохраненных из общего числа собранных анкет; однако это не следует интерпретировать как истинный уровень отклика, поскольку точное количество приглашенных участников рассчитать не удалось, так как комбинированные физические и электронные методы распространения через официальные университетские каналы исключали точное отслеживание общего числа приглашений. Данное ограничение признается, и поэтому показатель 93% приводится как доля валидных ответов, сохраненных из собранных анкет, а не как уровень отклика относительно всей приглашенной популяции.

Инструменты и меры

В данном исследовании использовались общепринятые и валидированные шкалы, тщательно адаптированные к контексту обучения английскому языку как иностранному (EFL), для измерения основных конструктов: стиля преподавания, цифровой грамотности, использования ChatGPT, тревожности при изучении иностранного языка (FLCA), мотивации и креативности. Каждая шкала была выбрана исходя из ее релевантности и полноты охвата соответствующих измерений исследуемых переменных. Цифровая грамотность измерялась с помощью адаптированной шкалы на основе работы Rodríguez-de-Dios et al.⁵⁴, включающей шесть измерений и 29 пунктов. Эти измерения включали технологические навыки, навыки личной безопасности, критические навыки, навыки безопасности устройств, информационные навыки и коммуникативные навыки, что позволило провести комплексную оценку компетенций студентов в области цифровых навыков, необходимых в современном образовательном контексте. Использование ChatGPT оценивалось с помощью шкалы из 8 пунктов, адаптированной из работы Abbas et al.⁵⁵, с упором на взаимодействие студентов с инструментом ИИ при выполнении заданий по изучению языка. Стиль преподавания оценивался с помощью адаптированной версии опросника стилей преподавания Граши (Grasha’s Teaching Style Inventory)⁵⁶. Этот инструмент измеряет пять измерений стилей преподавания: авторитет, эксперт, личностная модель, фасилитатор и делегирующий стиль. Эти измерения отражают различные педагогические подходы, влияющие на процесс обучения студентов EFL. FLCA измерялась с помощью адаптированной шкалы на основе работы Briesmaster and Briesmaster⁵⁷. Данный инструмент анализировал тревожность по трем измерениям: коммуникативная тревожность (10 пунктов), тестовая тревожность (10 пунктов) и страх негативной оценки (7 пунктов). Мотивация студентов оценивалась с помощью шкалы, адаптированной из работы Kanoksilapatham et al.⁵⁸, измеряющей три измерения: инструментальное продвижение и предотвращение, этноцентризм и интегративность, а также отношение к изучению английского языка. Шкала включала в общей сложности 20 пунктов. Креативность студентов EFL измерялась с помощью шкалы, адаптированной из работы Govindasamy et al.⁵⁹, которая оценивала четыре измерения: оригинальность, гибкость, беглость и детальность. Каждое измерение оценивалось с помощью трех пунктов. Для обеспечения культурного и контекстуального соответствия инструментов условиям обучения EFL была применена систематическая процедура адаптации. Поскольку оригинальные шкалы были разработаны на английском языке, два двуязычных эксперта по EFL проверили и упростили язык для повышения ясности понимания студентами бакалавриата среднего уровня, сохранив при этом исходный смысл каждого конструкта. Затем адаптированные версии были переведены обратно на родной язык участников независимым переводчиком для проверки лингвистической и концептуальной эквивалентности, а любые расхождения были разрешены в ходе обсуждения членами исследовательской группы. Впоследствии три опытных преподавателя EFL оценили адаптированные инструменты на предмет релевантности содержания, культурного соответствия и ясности формулировок пунктов, что привело к незначительным правкам в формулировках и замене культурно незнакомых примеров там, где это было уместно. Наконец, пересмотренные инструменты были апробированы на группе из 30 студентов (см. раздел «Процедура»), и отзывы участников были использованы для внесения дополнительных незначительных правок в формулировки с целью улучшения понятности. Этот многоэтапный процесс гарантировал, что адаптированные инструменты сохранили свои исходные психометрические свойства, оставаясь при этом подходящими для целевой популяции студентов EFL. Полный текст адаптированного опросника представлен в Дополнительном файле 2.

Методы анализа данных

Данные, собранные для данного исследования, были проанализированы с помощью Statistical Package for the Social Sciences (SPSS 26) и SmartPLS 4 с применением метода PLS-SEM. Этот двухэтапный подход обеспечил всесторонний анализ данных, охватив как дескриптивные, так и инференциальные аспекты, при одновременной проверке гипотетических взаимосвязей и эффектов медиации в исследовательской модели. На начальном этапе SPSS использовался для предварительного анализа данных, включая очистку данных, расчет дескриптивной статистики и проверку надежности. Скрининг данных включал проверку на наличие пропусков, выбросов и анализ нормальности распределения для обеспечения качества и целостности набора данных. Для обобщения характеристик выборки были рассчитаны показатели дескриптивной статистики, включая среднее значение, стандартное отклонение и частотные распределения. Основной анализ проводился с помощью SmartPLS 4. Метод PLS-SEM был выбран ввиду его пригодности для анализа сложных моделей с множеством конструктов и его устойчивости при работе с выборками малого и среднего размера. Анализ проводился в два этапа: оценка измерительной модели и оценка структурной модели. При оценке измерительной модели анализировались надежность индикаторов, внутренняя согласованность (с использованием композитной надежности [CR]), конвергентная валидность (с использованием средней извлеченной дисперсии [AVE]) и дискриминантная валидность (с использованием коэффициента гетеротрайт-монотрайт [HTMT]).

После валидации измерительной модели была проведена оценка структурной модели для анализа гипотетических взаимосвязей между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, тревожностью и креативностью. Для определения силы и значимости прямых и косвенных эффектов были проанализированы коэффициенты путей; значимость оценивали методом бутстрэппинга с использованием 5 000 ресемплов. Для оценки значимости прямых, косвенных и медиативных эффектов были построены скорректированные по смещению (BC) бутстрэп-доверительные интервалы с использованием 5 000 бутстрэп-ресемплов при уровне доверия 95%. Медиативные эффекты мотивации на взаимосвязи между стилем преподавания, использованием ChatGPT, цифровой грамотностью и тревожностью также оценивали с помощью бутстрэп-доверительных интервалов. Соответствие модели данным и ее прогностическая способность оценивались с помощью коэффициента детерминации (R²), прогностической релевантности (Q²) и стандартизированного среднеквадратичного остатка (SRMR).

Результаты

Описательная статистика

Описательная статистика дает общее представление о характеристиках выборки, а также о распределении, центральной тенденции и вариабельности исследуемых переменных. В данной работе был проведен описательный анализ для характеристики выборки участников и обобщения ключевых переменных перед выполнением структурного анализа.

В таблице 1 обобщены демографические характеристики 280 студентов бакалавриата, изучающих английский язык как иностранный (EFL). Женщины составили 54,3% (n = 152) выборки, в то время как мужчины составили 45,7% (n = 128). Большинство участников были в возрасте 21–23 лет (52,1%), за ними следовали участники в возрасте 18–20 лет (36,4%) и 24–25 лет (11,4%). Что касается курса обучения, самую большую группу составили студенты второго курса (42,1%), далее следовали студенты первого курса (34,3%) и третьего курса (23,6%). Большинство участников сообщили об умеренном опыте работы с ChatGPT (47,1%), в то время как 36,8% сообщили об обширном опыте и 16,1% — об ограниченном опыте. Все участники ранее сталкивались с ChatGPT, что соответствует критериям включения в исследование, при этом категория «ограниченный опыт» указывает на минимальное использование, а не на полное отсутствие опыта. Участники преимущественно отметили умеренный уровень цифровой грамотности (54,6%), далее следовали высокий (30,4%) и низкий (15,0%) уровни цифровой грамотности. Большинство участников продемонстрировали средний уровень владения английским языком (62,5%), в то время как 22,9% сообщили о базовом уровне и 14,6% — о продвинутом уровне. В целом, демографические характеристики указывают на то, что выборка включала участников с различным академическим бэкграундом, уровнями цифровой грамотности, владением английским языком и опытом работы с ChatGPT (Таблица 1, Рисунок 2).

Переменная	Категория	Частота, n	Процент, %
Пол	Мужской	128	45.7
	Женский	152	54.3
Возрастная группа	18–20 лет	102	36.4
	21–23 года	146	52.1
	24–25 лет	32	11.4
Курс обучения	Первый курс	96	34.3
	Второй курс	118	42.1
	Третий курс	66	23.6
Опыт работы с ChatGPT	Ограниченный опыт	45	16.1
	Средний опыт	132	47.1
	Обширный опыт	103	36.8
Уровень цифровой грамотности	Низкий	42	15
	Средний	153	54.6
	Высокий	85	30.4
Уровень владения английским языком	Базовый	64	22.9
	Средний	175	62.5
	Продвинутый	41	14.6

Таблица 1: Демографические характеристики респондентов исследования. В таблице обобщены демографические характеристики 280 студентов, изучающих английский язык как иностранный (EFL) и принявших участие в исследовании. Приведены частоты и проценты для таких показателей, как пол, возрастная группа, курс обучения, опыт использования ChatGPT, уровень цифровой грамотности и уровень владения английским языком.

Рисунок 2. Демографические характеристики респондентов исследования. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Рисунок 2 представляет демографическое распределение участников исследования по полу, возрастной группе, курсу обучения, опыту использования инструментов ИИ, уровню цифровой грамотности и уровню владения английским языком. Распределение показывает несколько большую долю женщин по сравнению с мужчинами, при этом большинству респондентов от 21 до 23 лет. Наиболее часто отмечаемыми категориями были средний уровень цифровой грамотности и средний уровень владения английским языком (Рисунок 2).

В таблице 2 представлены показатели описательной статистики для исследуемых переменных. Стиль преподавания, оцениваемый по 25 пунктам, имел средний балл 3,84 (SD = 0,76) при диапазоне значений от 2,1 до 4,8. Использование ChatGPT, оцениваемое по восьми пунктам, имело средний балл 3,67 (SD = 0,81) при диапазоне ответов от 1,5 до 5,0. Цифровая грамотность, оцениваемая по 29 пунктам, имела средний балл 3,72 (SD = 0,73) при диапазоне значений от 2,2 до 4,9. Мотивация, оцениваемая по 20 пунктам, имела самый высокий средний балл (3,92, SD = 0,68) при значениях от 2,4 до 5,0. Тревожность, оцениваемая по 27 пунктам, имела средний балл 3,41 (SD = 0,89). Креативность, оцениваемая по 12 пунктам, имела средний балл 3,78 (SD = 0,74) при диапазоне значений от 2,0 до 5,0. Эти данные описательной статистики указывают на вариативность измеряемых конструктов, предоставляя общую сводку ответов участников.

Переменная	Количество пунктов	Среднее значение (M)	Стандартное отклонение (SD)	Минимум	Максимум
Тревожность	27	3.41	0.89	1.8	5
Использование ChatGPT	8	3.67	0.81	1.5	5
Креативность	12	3.78	0.74	2	5
Цифровая грамотность	29	3.72	0.73	2.2	4.9
Мотивация	20	3.92	0.68	2.4	5
Стиль преподавания	25	3.84	0.76	2.1	4.8

Таблица 2: Описательная статистика конструктов исследования. В таблице представлены количество пунктов опросника, среднее значение (M), стандартное отклонение (SD), минимальное и максимальное наблюдаемые значения для стиля преподавания, использования ChatGPT, цифровой грамотности, мотивации, тревожности в аудитории при изучении иностранного языка и креативности на основе ответов 280 участников.

Смещение из-за общности метода вариации

Смещение вследствие общей вариативности метода (CMV) представляет собой ложную ковариацию между переменными, которая обусловлена методом измерения, а не измеряемыми конструктами. Поскольку в данном исследовании использовался опрос на основе самоотчетов, для оценки потенциального влияния смещения CMV применялись как процедурные, так и статистические подходы. С процедурной точки зрения участникам была гарантирована анонимность и конфиденциальность, чтобы минимизировать влияние эффекта социальной желательности и стимулировать честные ответы. Кроме того, пункты опросника, адаптированные из общепринятых инструментов, представлялись в рандомизированном порядке, чтобы сократить количество однообразных паттернов ответов, которые могли бы искусственно увеличить смещение CMV. Статистически был проведен однофакторный тест Хармана путем ввода всех измеряемых переменных в эксплораторный факторный анализ (EFA) без ротации. Анализ показал, что первый неротированный фактор объясняет 32,7% общей дисперсии, что ниже рекомендуемого порога в 50%, указывая на то, что смещение CMV вряд ли оказало существенное влияние на результаты исследования (Таблица 3).

Статистика		Значение	Порог	Интерпретация
Общее количество извлеченных факторов		7	Данные отсутствуют	Было извлечено несколько факторов, что указывает на то, что измеряемые показатели представляют собой отдельные конструкты.
Доля дисперсии, объяснимая первым фактором		32.70%	<50%	Ниже общепринятого порогового значения, что указывает на малую вероятность того, что общая вариативность метода (CMV) станет серьезной проблемой.
Кумулятивная объясненная дисперсия (первые три фактора)		62.10%	Н/П	Это указывает на то, что первые три фактора объясняют значительную долю общей дисперсии.
Мера адекватности выборки Кайзера–Мейера–Олкина (KMO)		0.89	>0.80	Указывает на отличную достаточность выборки для факторного анализа.
критерий сферичности Бартлетта (p значение)		<0.001	p < 0.05	Значимый результат, указывающий на пригодность корреляционной матрицы для факторного анализа.

Таблица 3: Результаты однофакторного теста Хармана и показатели адекватности выборки. В таблице обобщены результаты однофакторного теста Хармана, показатель адекватности выборки Кайзера–Мейера–Олкина (KMO) и тест сферичности Бартлетта. Однофакторный тест Хармана проводился для оценки потенциального влияния общности дисперсии метода (CMV). Статистика KMO и тест Бартлетта использовались для оценки пригодности набора данных для факторного анализа.

Таблица 3 представляет результаты однофакторного теста Хармана, согласно которым на первый неротированный фактор пришлось 32,7% общей дисперсии; это значение ниже рекомендуемого порога в 50%, что свидетельствует о том, что систематическая ошибка общего метода не является существенной проблемой в данном исследовании. Показатель меры адекватности выборки Кайзера-Мейера-Олкина (KMO) составил 0,89, что указывает на пригодность данных для факторного анализа. Кроме того, тест сферичности Бартлетта оказался статистически значимым (p < 0.001), что подтверждает пригодность корреляционной матрицы для факторного анализа. В совокупности эти результаты подтверждают пригодность набора данных для последующего анализа с помощью моделирования структурными уравнениями.

Модель измерения

Модель измерения была оценена для анализа надежности и валидности конструктов исследования с использованием метода PLS-SEM, реализованного в SmartPLS 4, в соответствии с рекомендациями Hair et al.⁶⁰. Были оценены надежность индикаторов, внутренняя согласованность, конвергентная и дискриминантная валидность. Надежность индикаторов оценивали по внешним нагрузкам; пункты с нагрузками более 0.70 были оставлены как надежные индикаторы соответствующих конструктов. Пункты с нагрузками от 0.60 до 0.70 сохранялись только в том случае, если их удаление не приводило к повышению внутренней согласованности соответствующего конструкта. Надежность внутренней согласованности оценивали с помощью альфа Кохрена и CR. Конвергентная валидность оценивалась с использованием AVE; для всех конструктов значения AVE превысили 0.50, что указывает на то, что каждый конструкт объясняет более половины дисперсии своих индикаторов. Дискриминантная валидность оценивалась с помощью коэффициента HTMT, и все значения HTMT оказались ниже рекомендуемого порога 0.85, что подтверждает эмпирическую различиев исследуемых конструктов (Таблицы 4 и 5).

Конструкт		Факторная нагрузка	Композитная надежность (CR)	Средняя извлеченная дисперсия (AVE)	Внешний коэффициент инфляции дисперсии (VIF)
Стиль преподавания (Авторитарный)		0.87	0.91	0.66	1.38
Стиль преподавания (Экспертный)		0.89	0.92	0.68	1.45
Стиль преподавания (Личный пример)		0.86	0.9	0.65	1.4
Стиль преподавания (Фасилитатор)		0.88	0.93	0.69	1.43
Стиль преподавания (Делегирующий)		0.85	0.89	0.62	1.39
Использование ChatGPT		0.92	0.94	0.72	1.47
Тревожность в классе при изучении иностранного языка (Коммуникативное опасение)		0.86	0.9	0.64	1.35
Тревожность в классе при изучении иностранного языка (Тестовая тревожность)		0.88	0.92	0.67	1.41
Тревожность в классе при изучении иностранного языка (Страх негативной оценки)		0.83	0.88	0.6	1.32
Мотивация (Инструментальность)		0.84	0.89	0.61	1.34
Мотивация (Этноцентризм и интегративность)		0.86	0.9	0.63	1.36
Мотивация (Отношение к изучению английского языка)		0.89	0.93	0.7	1.44
Креативность (Оригинальность)		0.88	0.92	0.67	1.41
Креативность (Гибкость)		0.87	0.91	0.66	1.38
Креативность (Беглость)		0.89	0.93	0.68	1.42
Креативность (Разработанность)		0.85	0.9	0.63	1.37
Цифровая грамотность		0.93	0.95	0.75	1.49

Таблица 4: Оценка измерительной модели. В таблице представлены факторные нагрузки, композитная надежность (CR), средняя извлеченная дисперсия (AVE) и внешний коэффициент инфляции дисперсии (VIF) для каждого конструкта и подразмера, включенных в измерительную модель структурного моделирования методом наименьших квадратов (PLS-SEM). Эти статистические показатели использовались для оценки надежности индикаторов, внутренней согласованности, конвергентной валидности и мультиколлинеарности.

Конструкт		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. Стиль преподавания (авторитарный)		—
2. Стиль преподавания (экспертный)		0.702	—
3. Стиль преподавания (личностная модель)		0.743	0.581	—
4. Стиль преподавания (фасилитирующий)		0.629	0.735	0.702	—
5. Стиль преподавания (делегирующий)		0.754	0.549	0.802	0.692	—
6. Использование ChatGPT		0.52	0.643	0.743	0.536	0.693	—
7. Тревожность в классе при изучении иностранного языка (коммуникативная тревожность)		0.665	0.521	0.649	0.559	0.73	0.827	—
8. Тревожность в классе при изучении иностранного языка (тревожность перед тестами)		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. Тревожность в классе при изучении иностранного языка (страх негативной оценки)		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. Мотивация (инструментальность)		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. Мотивация (этноцентризм и интегративность)		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. Мотивация (отношение к изучению английского языка)		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. Креативность (оригинальность)		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. Креативность (гибкость)		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. Креативность (беглость)		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. Креативность (проработанность)		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. Цифровая грамотность		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	—

Таблица 5: Оценка дискриминантной валидности с использованием соотношения гетеротрайт-монотрайт (HTMT). В таблице представлены значения HTMT для всех пар конструктов и субдискриминант, включенных в измерительную модель. HTMT использовался для оценки дискриминантной валидности путем анализа эмпирической различимости латентных конструктов. Значения ниже заранее установленного порога 0.85 указывают на приемлемую дискриминантную валидность.

В таблице 4 представлены результаты оценки измерительной модели. Факторные нагрузки варьировались от 0,83 до 0,93, что превышает рекомендуемый порог 0,70 и свидетельствует об удовлетворительной надежности индикаторов. Значения композитной надежности составили от 0,88 до 0,95, что демонстрирует высокую внутреннюю согласованность всех конструктов. Значения AVE находились в диапазоне от 0,60 до 0,75, превышая рекомендуемое минимальное значение 0,50 и подтверждая конвергентную валидность. Кроме того, все значения внешнего коэффициента инфляции дисперсии (VIF) были ниже 1,50, что указывает на отсутствие мультиколлинеарности между индикаторами. В целом, эти результаты подтверждают надежность и валидность измерительной модели для последующей оценки структурной модели.

Рисунок 3 иллюстрирует модель измерения, включая латентные конструкты, соответствующие им измерения и индикаторы, а также взаимосвязи между переменными, оцениваемыми в данном исследовании.

Рисунок 3. Измерительная модель структурного уравнения методом частичных наименьших квадратов. Измерительная модель, созданная с помощью моделирования структурных уравнений методом частичных наименьших квадратов (PLS-SEM), демонстрирует взаимосвязи между латентными конструктами, их измерениями и наблюдаемыми индикаторами. Значения, указанные на соединительных путях, представляют собой расчетные внешние нагрузки или коэффициенты путей, в зависимости от контекста. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Таблица 5 содержит результаты анализа HTMT, использованного для оценки дискриминантной валидности. Все значения HTMT оказались ниже консервативного порога 0,85, что свидетельствует об удовлетворительной дискриминантной валидности 17 конструктов. Наивысшие значения HTMT наблюдались между Creativity (Flexibility) и Teaching Style (Personal Model) (0,8437), Creativity (Elaboration) и Anxiety (Test Anxiety) (0,8422), а также Creativity (Originality) и Anxiety (Communication Apprehension) (0,8394). Несмотря на то, что эти значения приблизились к рекомендуемому порогу, они остались ниже 0,85, что подтверждает эмпирическую обособленность конструктов. Остальные значения HTMT были ниже, что дополнительно подтверждает дискриминантную валидность измерительной модели.

Результаты проверки гипотез (структурная модель)

Структурная модель была проанализирована для изучения гипотетических взаимосвязей между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, FLCA и креативностью. Результаты подтвердили все предложенные гипотезы о прямых связях и медиации. Стиль преподавания, использование ChatGPT и цифровая грамотность были положительно связаны с мотивацией. Мотивация была отрицательно связана с FLCA, в то время как FLCA была отрицательно связана с креативностью. Кроме того, мотивация выступала медиатором в отношениях между стилем преподавания, использованием ChatGPT, цифровой грамотностью и FLCA (Таблицы 6 и 7).

Гипотеза		Стандартизированный путевой коэффициент (β)	Значение t	Значение p	Подтверждена	95% доверительный интервал (ДИ)	Нижняя граница (НДИ)	Верхняя граница (ВДИ)
H1. Стиль преподавания → мотивация студентов, изучающих английский язык как иностранный (EFL)		0.36	5.45	<0.001	Да	[0.26, 0.46]	0.26	0.46
H2. Использование ChatGPT → мотивация студентов, изучающих английский язык как иностранный (EFL)		0.4	6.27	<0.001	Да	[0.30, 0.50]	0.3	0.5
H3. Цифровая грамотность → мотивация студентов, изучающих английский язык как иностранный (EFL)		0.33	4.95	<0.001	Да	[0.23, 0.43]	0.23	0.43
H4. Мотивация студентов, изучающих английский язык как иностранный (EFL) → тревожность в аудитории при изучении иностранного языка		–0.27	–4.81	<0.001	Да	[–0.37, –0.17]	–0.37	–0.17
H5. Тревожность в аудитории при изучении иностранного языка → креативность студентов, изучающих английский язык как иностранный (EFL)		–0.26	–4.01	<0.001	Да	[–0.36, –0.16]	–0.36	–0.16

Таблица 6: Проверка гипотез о прямых эффектах. В таблице представлены результаты анализа прямых эффектов, выполненного с помощью моделирования структурными уравнениями методом частичных наименьших квадратов (PLS-SEM). Представленные статистические показатели включают стандартизированный путь-коэффициент (β), значение t, значение p, 95% бутстреп-доверительный интервал (CI), нижнюю границу доверительного интервала (LLCI), верхнюю границу доверительного интервала (ULCI) и решение о поддержке гипотезы. Статистическая значимость оценивалась с использованием бутстреппинга с 5 000 повторных выборок.

Гипотеза	Путь медиации		Стандартизированный косвенный эффект (β)	t-значение	p-значение	Подтверждено	95% доверительный интервал (ДИ)	Нижняя граница (НДИ)	Верхняя граница (ВДИ)
H6	Стиль преподавания → Мотивация → Тревожность в классе при изучении иностранного языка		0.28	4.56	<0.001	Да	[0.18, 0.38]	0.18	0.38
H7	Использование ChatGPT → Мотивация → Тревожность в классе при изучении иностранного языка		0.34	5.02	<0.001	Да	[0.24, 0.44]	0.24	0.44
H8	Цифровая грамотность → Мотивация → Тревожность в классе при изучении иностранного языка		0.3	4.68	<0.001	Да	[0.20, 0.40]	0.20	0.40

Таблица 7: Медиационный анализ. В таблице обобщены косвенные эффекты, рассчитанные с помощью моделирования структурными уравнениями методом частичных наименьших квадратов (PLS-SEM). Приведенные статистические показатели включают стандартизированный косвенный эффект (β), значение t, значение p, 95% бутстрэп-доверительный интервал (CI), нижнюю границу доверительного интервала (LLCI), верхнюю границу доверительного интервала (ULCI) и решение о поддержке гипотезы. Статистическая значимость оценивалась с помощью бутстрэппинга с 5 000 повторных выборок.

Таблица 6 представляет результаты анализа прямых эффектов. Все пять гипотетических прямых взаимосвязей были статистически значимыми (p < 0.001), что подтверждает гипотезы H1–H5. Стиль преподавания (β = 0.36), использование ChatGPT (β = 0.40) и цифровая грамотность (β = 0.33) положительно коррелировали с мотивацией студентов, изучающих английский язык как иностранный (EFL), при этом использование ChatGPT продемонстрировало наибольший стандартизированный путьный коэффициент среди трех предикторов. Мотивация была отрицательно связана с FLCA (β = –0.27), что указывает на то, что более высокая мотивация соответствовала более низкому уровню тревожности. В свою очередь, FLCA была отрицательно связана с креативностью (β = –0.26). 95% бутстрэп-доверительные интервалы для всех прямых эффектов не включали ноль, что подтверждает статистическую значимость гипотетических взаимосвязей. Таблица 7 представляет результаты медиационного анализа, в ходе которого изучалось, выступает ли мотивация медиатором в отношениях между стилем преподавания, использованием ChatGPT, цифровой грамотностью и FLCA. Косвенные эффекты были статистически значимыми для всех трех путей (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% бутстрэп-доверительные интервалы для всех косвенных эффектов не включали ноль, что подтверждает статистическую значимость путей медиации. Положительные косвенные коэффициенты отражают общую величину косвенных эффектов через мотивацию, в то время как прямая связь между мотивацией и FLCA была отрицательной, как указано в структурной модели. Следовательно, более высокий уровень стиля преподавания, интенсивность использования ChatGPT и уровень цифровой грамотности были связаны с более высокой мотивацией, которая, в свою очередь, была связана с более низким уровнем FLCA (Таблицы 6 и 7). В целом, структурная модель подтвердила все гипотетические прямые (H1–H5) и косвенные (H6–H8) взаимосвязи. Полученные результаты указывают на статистически значимые связи между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, FLCA и креативностью, при этом мотивация выступает в качестве значимого медиатора, оцененного в структурной модели.

Дименсиональный анализ стиля преподавания

Был проведен факторный анализ для изучения взаимосвязей между пятью аспектами стиля преподавания, мотивацией студентов, изучающих английский как иностранный язык (EFL), их уровнем тревожности при изучении иностранного языка (FLCA) и креативностью. Аспекты стиля преподавания включали: авторитарный, экспертный, личностно-ориентированный, фасилитирующий и делегирующий. С помощью структурной модели были оценены прямые эффекты каждого аспекта стиля преподавания на три итоговые переменные, чтобы определить, различались ли наблюдаемые взаимосвязи в зависимости от подходов к преподаванию (Таблица 8).

Измерение стиля преподавания	Результативная переменная	Стандартизированный путевой коэффициент (β)	Значение t	Значение p	Нижняя граница 95% доверительного интервала (LLCI)	Верхняя граница 95% доверительного интервала (ULCI)	Подтверждено
Авторитарный	Мотивация	0.12	1.85	0.065	–0.02	0.26	Нет
Авторитарный	Тревожность в аудитории при изучении иностранного языка	0.35	5.12	<0.001	0.22	0.48	Да
Авторитарный	Креативность	–0.28	–4.02	<0.001	–0.42	–0.14	Да
Экспертный	Мотивация	0.3	4.89	<0.001	0.18	0.42	Да
Экспертный	Тревожность в аудитории при изучении иностранного языка	–0.18	–2.95	0.003	–0.30	–0.06	Да
Экспертный	Креативность	0.22	3.56	<0.001	0.1	0.34	Да
Личный пример	Мотивация	0.25	4.02	<0.001	0.13	0.37	Да
Личный пример	Тревожность в аудитории при изучении иностранного языка	–0.22	–3.45	0.001	–0.35	–0.09	Да
Личный пример	Креативность	0.24	3.78	<0.001	0.12	0.36	Да
Фасилитирующий	Мотивация	0.34	5.5	<0.001	0.22	0.46	Да
Фасилитирующий	Тревожность в аудитории при изучении иностранного языка	–0.28	–4.45	<0.001	–0.40	–0.16	Да
Фасилитирующий	Креативность	0.31	4.95	<0.001	0.19	0.43	Да
Делегирующий	Мотивация	0.29	4.62	<0.001	0.17	0.41	Да
Делегирующий	Тревожность в аудитории при изучении иностранного языка	–0.24	–3.85	<0.001	–0.37	–0.11	Да
Делегирующий	Креативность	0.27	4.25	<0.001	0.15	0.39	Да

Таблица 8: Дименсиональный анализ стиля преподавания. В таблице представлены прямые взаимосвязи между измерениями стиля преподавания (Авторитет, Эксперт, Личный пример, Фасилитатор и Делегат) и итоговыми переменными: мотивацией, тревожностью в классе при изучении иностранного языка и креативностью. Приведены следующие статистические показатели: стандартизированный путь (β), значение t, значение p, нижняя граница 95%-го бутстреп-доверительного интервала (LLCI), верхняя граница 95%-го бутстреп-доверительного интервала (ULCI) и решение о подтверждении гипотезы.

В таблице 8 представлены результаты размерного анализа стилей обучения. Стиль обучения «Фасилитатор» продемонстрировал наиболее сильную положительную связь с мотивацией (β = 0.34, p < 0.001) и креативностью (β = 0.31, p < 0.001), а также наиболее сильную отрицательную связь с FLCA (β = –0.28, p < 0.001). Стили обучения «Эксперт», «Личный пример» и «Делегат» также были положительно связаны с мотивацией (β = 0.30, 0.25 и 0.29 соответственно) и креативностью (β = 0.22, 0.24 и 0.27 соответственно), при этом демонстрируя отрицательную связь с FLCA (β = –0.18, –0.22 и –0.24 соответственно). Все эти взаимосвязи были статистически значимыми. Напротив, стиль обучения «Авторитарный» не был значимо связан с мотивацией (β = 0.12, p = 0.065). Однако он показал значимую положительную связь с FLCA (β = 0.35, p < 0.001) и значимую отрицательную связь с креативностью (β = –0.28, p < 0.001). В целом, размерный анализ демонстрирует отчетливые закономерности связи между отдельными измерениями стиля обучения и измеряемыми результатами обучения. В совокупности размерный анализ указывает на то, что связи между стилем обучения и результатами учащихся варьируются в зависимости от измерения стиля обучения. Статистически значимые взаимосвязи наблюдались для большинства измерений стиля обучения, тогда как авторитарный стиль обучения не продемонстрировал статистически значимой связи с мотивацией.

Прогностическая валидность внутренней модели с использованием PLS Predict

Прогностическая валидность структурной модели была оценена с помощью процедуры PLS Predict для анализа прогностической способности модели вневыборочных данных. Прогностическая значимость оценивалась с использованием статистики Q² Predict вместе с показателями ошибки прогнозирования, включая среднеквадратичную ошибку (RMSE) и среднюю абсолютную ошибку (MAE). Значения Q² Predict для эндогенных конструктов варьировались от 0,32 до 0,48, что указывает на положительную прогностическую значимость. Наиболее высокие значения Q² Predict продемонстрировали мотивация и креативность (0,42 и 0,48 соответственно). Также были изучены значения ошибки прогнозирования: для эндогенных конструктов RMSE варьировалась от 0,54 до 0,63, а MAE — от 0,41 до 0,49 (Таблица 9).

Конструкт	Коэффициент детерминации (R²)	Прогностическая значимость (Q² Predict)	Среднеквадратическая ошибка (RMSE)	Средняя абсолютная ошибка (MAE)
Мотивация	0.45	0.42	0.61	0.48
Тревожность в классе при изучении иностранного языка	0.38	0.32	0.63	0.49
Креативность	0.42	0.48	0.54	0.41

Таблица 9: Прогностическая эффективность структурной модели. В таблице обобщены показатели прогностической эффективности эндогенных конструктов, оцененных с помощью моделирования структурными уравнениями методом частичных наименьших квадратов (PLS-SEM). Приведенные статистические данные включают коэффициент детерминации (R²), прогностическую значимость (Q² Predict), среднеквадратичную ошибку (RMSE) и среднюю абсолютную ошибку (MAE). Более высокие значения R² и Q² Predict указывают на более высокую объясняющую и прогностическую способность, в то время как более низкие значения RMSE и MAE свидетельствуют о меньшей ошибке прогнозирования.

В таблице 9 обобщены показатели прогностической эффективности структурной модели. Коэффициент детерминации (R²) показал, что модель объясняет 45% дисперсии мотивации, 38% дисперсии FLCA и 42% дисперсии креативности. Значения Q² Predict для мотивации (0,42), FLCA (0,32) и креативности (0,48) были больше нуля, что подтверждает прогностическую значимость модели. Значения RMSE варьировались от 0,54 до 0,63, а значения MAE — от 0,41 до 0,49, что указывает на ошибки прогнозирования для эндогенных конструктов. В целом, показатели прогностической эффективности подтверждают предсказательную способность структурной модели.

На рисунке 4 представлена прогностическая эффективность эндогенных конструктов, выраженная через коэффициент детерминации (R²), прогностическую релевантность (Q² Predict) и показатели ошибки прогнозирования (RMSE и MAE). Среди эндогенных конструктов креативность продемонстрировала наивысшее значение Q² Predict (0,48) вместе с наименьшими ошибками прогнозирования (RMSE = 0,54; MAE = 0,41), в то время как мотивация показала наибольшую объясненную дисперсию (R² = 0,45) (Рисунок 4). В целом, анализ PLS Predict продемонстрировал положительную прогностическую релевантность для всех эндогенных конструктов. Результаты R², Q² Predict, RMSE и MAE в совокупности подтверждают прогностическую эффективность структурной модели для мотивации, FLCA и креативности (Таблица 9; Рисунок 4).

Рисунок 4. Прогностическая способность структурной модели. На графике представлены значения коэффициента детерминации (R²), среднеквадратической ошибки (RMSE), средней абсолютной ошибки (MAE) и Q² predict для эндогенных конструктов мотивации, тревожности и креативности. Столбцы отображают значения R², RMSE и MAE, а линия с круглыми маркерами — значения Q² predict. Более высокие значения R² и Q² predict указывают на более высокую объяснительную и прогностическую способность соответственно, в то время как более низкие значения RMSE и MAE свидетельствуют о меньшей ошибке прогноза. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Доступность данных:

Анонимизированный набор данных на уровне участников, подтверждающий результаты данного исследования, представлен в Дополнительной таблице 1. Информационный листок участника и форма информированного согласия доступны в Дополнительном файле 1, а опросник, использованный для сбора данных, представлен в Дополнительном файле 2.

Дополнительная таблица 1. Необработанный набор данных участников, использованный для статистического анализа. В этой таблице представлен анонимизированный набор данных на уровне участников, использованный для статистического анализа. Переменные включают демографическую информацию и ответы по каждому пункту для стиля преподавания, использования ChatGPT, цифровой грамотности, мотивации, тревожности в классе при изучении иностранного языка и креативности. Метки пунктов (например, TL1, CHATGPT1, DL1, M1, FLCA1, CR1) соответствуют пунктам опросника, описанным в разделе «Инструменты и методы измерения». Лично идентифицирующая информация отсутствует.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1. Информационный листок участника и форма информированного согласия. Данный дополнительный файл содержит информационный листок участника и форму информированного согласия, которые использовались при наборе участников. В нем описаны цели исследования, критерии соответствия, процедуры исследования, добровольный характер участия, потенциальные риски и преимущества, конфиденциальность, защита данных, а также контактная информация, предоставленная участникам перед заполнением анкеты.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2. Опросник, использованный для сбора данных. Данный дополнительный файл содержит полный текст опросника, который заполняли участники. Инструмент включает демографические вопросы и показатели по отдельным пунктам для оценки стиля преподавания, использования ChatGPT, цифровой грамотности, мотивации, тревожности в аудиториях по изучению иностранных языков и креативности. Ответы фиксировались по 5-балльной шкале Лайкерта от 1 (полностью не согласен) до 5 (полностью согласен). Пункты опросника соответствуют измерительным инструментам, описанным в разделе «Инструменты и методы измерения» рукописи.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В данном исследовании изучались взаимосвязи между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, FLCA (тревогой при изучении иностранного языка) и креативностью среди студентов бакалавриата Саудовской Аравии, изучающих английский язык как иностранный (EFL), с особым вниманием к медиативной роли мотивации. Полученные результаты предоставляют данные о взаимосвязи между педагогическими практиками, использованием технологий и характеристиками учащихся в процессе обучения языку с применением технологических средств. Положительная связь между стилем преподавания и мотивацией студентов EFL (гипотеза H1 подтверждена) согласуется с теорией самодетерминации (SDT), согласно которой поддерживающие автономию методы преподавания способствуют развитию внутренней мотивации, удовлетворяя базовые психологические потребности учащихся в автономии, компетентности и причастности⁶¹. Наблюдаемые результаты позволяют предположить, что личностно-ориентированные подходы к обучению, такие как стили «фасилитатора» и «делегирующего», связаны с более высоким уровнем вовлеченности студентов и устойчивым интересом к изучению языка. Эти выводы согласуются с предыдущими исследованиями, в которых сообщалось, что стили преподавания, характеризующиеся гибкостью, отзывчивостью и возможностями для участия студентов, связаны с более высокой мотивационной вовлеченностью, чем более ориентированные на преподавателя подходы⁶². В контексте Саудовской Аравии, где образовательные реформы в рамках программы «Vision 2030» стимулируют внедрение личностно-ориентированной педагогики, наблюдаемая положительная связь может отражать применение этих методов обучения в классах EFL⁶³. Значимая положительная связь между использованием ChatGPT и мотивацией (гипотеза H2 подтверждена) также может быть интерпретирована в рамках установленных теоретических концепций. С точки зрения SDT, ChatGPT может поддерживать автономию учащихся, позволяя осуществлять самостоятельную языковую практику, и способствовать развитию компетентности за счет немедленной и персонализированной обратной связи⁶⁴. Кроме того, его разговорный интерфейс может предоставить возможности для аутентичной языковой практики вне класса, что может усилить вовлеченность учащихся в изучение английского языка⁶⁵. Эти наблюдения позволяют предположить, что ChatGPT может функционировать как вспомогательный образовательный ресурс, дополняющий классное обучение. Модель принятия технологии (TAM) дополнительно дает теоретическое объяснение этой связи, предполагая, что учащиеся, воспринимающие ChatGPT как полезный и простой в использовании инструмент, с большей вероятностью будут взаимодействовать с этой технологией, тем самым поддерживая непрерывное обучение. Аналогично, положительная связь между цифровой грамотностью и мотивацией (гипотеза H3 подтверждена) подчеркивает важность способности студентов эффективно использовать цифровые технологии обучения. Студенты с более высоким уровнем цифровой грамотности могут быть лучше подготовлены к эффективному использованию инструментов обучения с поддержкой ИИ, сталкиваться с меньшим количеством технологических барьеров и осознавать образовательную ценность интеграции технологий⁶⁶. В контексте Саудовской Аравии, где были сделаны значительные инвестиции в цифровую инфраструктуру и образовательные технологии⁶⁷, эти результаты подчеркивают потенциальный вклад цифровой грамотности в процесс обучения языку с применением технологических средств.

Основным вкладом данного исследования является определение мотивации как значимого медиатора в отношениях между стилем преподавания, использованием ChatGPT, цифровой грамотностью и FLCA (гипотезы H6–H8 подтверждены). Отрицательная взаимосвязь между мотивацией и FLCA (гипотеза H4 подтверждена) согласуется с теоретическими взглядами, согласно которым внутренняя мотивация служит психологическим ресурсом, помогающим учащимся справляться с эмоциональными трудностями, связанными с изучением языка⁶⁸. Мотивированные студенты с большей вероятностью проявляют настойчивость при возникновении языковых трудностей, рассматривают ошибки как возможности для обучения и сохраняют веру в собственные силы при выполнении сложных языковых заданий, таких как устные презентации и экзамены. Отрицательная взаимосвязь между FLCA и креативностью (гипотеза H5 подтверждена) также согласуется с предыдущими исследованиями, указывающими на то, что тревожность может ограничивать готовность учащихся экспериментировать с новыми лингвистическими формами и творчески использовать язык⁶⁹. В контексте изучения английского языка как иностранного (EFL) в Саудовской Аравии, где FLCA была определена как барьер в изучении языка, эти результаты подчеркивают важность создания такой образовательной среды, которая поддерживала бы мотивацию студентов, одновременно снижая эмоциональные барьеры для их участия в процессе. Анализ медиации дополнительно указывает на то, что мотивация представляет собой важный механизм, посредством которого поддерживающие методы преподавания, использование ChatGPT и цифровая грамотность связаны с более низким уровнем FLCA. Эти выводы расширяют результаты предыдущих исследований, подчеркивая потенциальную роль мотивации в связи между методическими и технологическими факторами и результатами обучения в классах EFL в Саудовской Аравии.

Дискриминантный анализ стилей преподавания (Таблица 8) выявил отчетливые закономерности по пяти измерениям стиля преподавания. Стиль преподавания «Авторитарный» был связан с более высоким уровнем FLCA и более низким уровнем креативности, в то время как его связь с мотивацией не была статистически значимой. Напротив, стили преподавания «Фасилитатор», «Эксперт», «Личный пример» и «Делегат» были положительно связаны с мотивацией и креативностью и отрицательно связаны с тревожностью в иноязычном классе. Эти результаты позволяют предположить, что различные стили преподавания могут по-разному влиять на мотивационные, эмоциональные и творческие результаты учащихся. Одно из возможных объяснений дает теория самодетерминации (SDT), согласно которой подходы к преподаванию, поддерживающие автономность учащихся, с большей вероятностью способствуют развитию внутренней мотивации, тогда как строго директивные методы обучения могут обеспечить структуру, но предоставляют меньше возможностей для автономного участия. В контексте системы образования Саудовской Аравии структурированные методы обучения могут снизить неопределенность для некоторых учащихся за счет четких ожиданий и руководства. В то же время усиление контроля со стороны преподавателя может сократить возможности для самостоятельного обучения и творческого использования языка. Полученные данные свидетельствуют о том, что образовательные подходы, сочетающие четкое руководство с возможностями для автономности учащихся, могут способствовать достижению положительных образовательных результатов. Будущие исследования с использованием лонгитюдных или экспериментальных методов помогут прояснить эти взаимосвязи и изучить, как различные стили преподавания влияют на мотивацию, тревожность в иноязычном классе и креативность с течением времени.

Данное исследование вносит вклад в теоретическое понимание изучения английского языка как иностранного (EFL), интегрируя теорию самодетерминации (SDT) и модель принятия технологий для изучения того, как педагогические подходы и обучение с поддержкой ИИ связаны с результатами учащихся через мотивацию. Результаты показывают, что стиль преподавания, использование ChatGPT и цифровая грамотность связаны с мотивацией, которая, в свою очередь, связана с тревожностью в классе при изучении иностранного языка. Полученные данные также подтверждают применимость SDT в контексте обучения языку с использованием технологий, указывая на то, что возможности для самостоятельной практики и персонализированной обратной связи, предоставляемые ChatGPT, могут удовлетворять психологические потребности учащихся в автономии и компетентности. Кроме того, размерный анализ стилей преподавания подчеркивает, что различные подходы к обучению связаны с определенными результатами учащихся, что позволяет предположить, что эффективность стилей преподавания может зависеть от образовательного контекста и конкретных рассматриваемых результатов. Результаты также имеют практическое значение для преподавания EFL и образовательной политики в Саудовской Аравии. Программы профессионального развития учителей могут извлечь выгоду, сделав акцент на таких подходаных к обучению, которые сочетают четкое руководство с возможностями для автономии учащихся, поддерживая тем самым их мотивацию и одновременно снижая тревожность в классе при изучении иностранного языка. Интеграция инструментов с поддержкой ИИ, таких как ChatGPT, в языковое обучение может предоставить дополнительные возможности для мозгового штурма, подготовки черновиков и разговорной практики при наличии соответствующего педагогического руководства. Аналогичным образом, инициативы по развитию цифровой грамотности могут помочь студентам развить навыки, необходимые для эффективного использования технологий обучения с поддержкой ИИ, включая оценку информации, этичное использование технологий и стратегическое применение инструментов ИИ. На институциональном уровне дальнейшие инвестиции в цифровую инфраструктуру, разработка учебных планов, включающих мероприятия по обучению с применением технологий, и методы оценки, поощряющие осмысленное использование языка, могут дополнительно поддержать процесс обучения студентов. Кроме того, образовательная среда, обеспечивающая эмоциональную поддержку через возможности обучения с низкими ставками, конструктивную обратную связь, сотрудничество со сверстниками и признание творческого использования языка, может способствовать повышению мотивации и снижению тревожности в классе при изучении иностранного языка. В совокупности эти результаты могут лечь в основу образовательных практик и политических инициатив, поддерживающих обучение языкам с применением технологий в рамках более широких целей программы «Видение Саудовской Аравии 2030» (Saudi Vision 2030).

В данном исследовании изучались взаимосвязи между стилем преподавания, использованием ChatGPT, цифровой грамотностью, мотивацией, тревожностью в аудитории при изучении иностранного языка и креативностью среди студентов бакалавриата Саудовской Аравии, изучающих английский язык как иностранный (EFL), с особым вниманием к посреднической роли мотивации. Результаты показывают, что стиль преподавания, использование ChatGPT и цифровая грамотность положительно коррелируют с мотивацией студентов. В свою очередь, мотивация была отрицательно связана с тревожностью в аудитории при изучении иностранного языка, в то время как эта тревожность отрицательно коррелировала с креативностью. Эти данные свидетельствуют о том, что мотивация является важным механизмом, связывающим педагогические и технологические факторы с результатами обучения в классах EFL в Саудовской Аравии. Результаты также подчеркивают важность образовательной среды, поддерживающей как мотивационные, так и эмоциональные потребности студентов. Димерсионный анализ стилей преподавания показал, что стиль «Авторитет» связан с более высоким уровнем тревожности и более низкой креативностью, тогда как стили «Фасилитатор», «Эксперт», «Личная модель» и «Делегат» ассоциировались с более высокой мотивацией и креативностью, а также с более низким уровнем тревожности. Эти результаты позволяют предположить, что методы обучения, сочетающие четкое руководство с возможностями для автономности учащихся, могут способствовать позитивному опыту обучения и развитию языка. В контексте программы Saudi Vision 2030 полученные данные имеют практическое значение для языкового образования. Интеграция личностно-ориентированных стратегий обучения, инструментов обучения с поддержкой ИИ, таких как ChatGPT, и развитие цифровой грамотности могут способствовать изучению языка с применением технологий, одновременно поддерживая мотивацию студентов и снижая тревожность в аудитории. В целом, данное исследование предоставляет доказательства, подтверждающие роль педагогических практик, обучения с помощью ИИ и цифровых компетенций в образовании EFL, и закладывает основу для будущих лонгитюдных и интервенционных исследований этих взаимосвязей в различных образовательных условиях.

Следует признать ряд ограничений данного исследования. Во-первых, дизайн одномоментного исследования ограничивает возможность делать причинно-следственные выводы о взаимосвязях между изучаемыми переменными. Хотя теоретическая база предполагает направленные взаимосвязи, полученные результаты следует интерпретировать как ассоциации, а не как доказательства причинно-следственной связи. В будущих исследованиях следует использовать лонгитюдные дизайны для изучения изменений мотивации, тревожности в аудитории при изучении иностранного языка и креативности с течением времени, а также экспериментальные дизайны или дизайны на основе вмешательства для более строгой оценки предполагаемых взаимосвязей. Такие исследования могли бы выяснить, связаны ли обучающие подходы, ориентированные на автономность учащихся, с последующими изменениями в мотивации, тревожности в аудитории при изучении иностранного языка и креативности. Во-вторых, выборка была сформирована в одном государственном университете Саудовской Аравии, что может ограничить обобщаемость полученных результатов на другие образовательные и культурные контексты. Особенности высшего образования в Саудовской Аравии, включая методы оценки, текущие образовательные реформы и культурные представления об авторитете преподавателя, могут влиять на наблюдаемые взаимосвязи. В будущих исследованиях следует изучить эти связи в нескольких учебных заведениях и регионах Саудовской Аравии, а также в других странах, чтобы определить согласованность результатов в различных образовательных условиях. В-третьих, данное исследование опиралось на данные самоотчетов, на которые могли повлиять предвзятость социальной желательности, ошибки памяти и общая вариативность метода. Несмотря на использование валидированных инструментов измерения и процедур предварительного тестирования, в будущих работах можно включить дополнительные источники данных, такие как наблюдения в классе, аналитику обучения, записи использования ИИ или оценки уровня владения языком и креативности на основе выполнения заданий для получения дополнительных доказательств. Мультиметодические и смешанные подходы могут способствовать более глубокому пониманию взаимосвязей, выявленных в данном исследовании. Наконец, размерный анализ стилей преподавания выявил отчетливые связи между авторитарным стилем преподавания и результатами учащихся. Будущие качественные исследования, включая интервью, фокус-группы и наблюдения в классах, могли бы дать более детальное представление о том, как различные стили преподавания влияют на мотивацию студентов, их тревожность в аудитории при изучении иностранного языка и креативность, особенно в контексте изучения английского языка как иностранного (EFL) в Саудовской Аравии. Такая работа дополнила бы настоящие результаты и способствовала бы более всестороннему пониманию обучения языкам с использованием технологий.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Шкала использования ChatGPT (адаптированная)	Авторы; адаптировано по Abbas et al.	Н/Д	Опросник из восьми пунктов для оценки использования студентами ChatGPT при изучении языка.
Шкала креативности (адаптированная)	Авторы; адаптировано по Govindasamy et al.	Н/Д	Опросник из двенадцати пунктов для оценки оригинальности, гибкости, беглости и детальности мышления.
Шкала цифровой грамотности (адаптированная)	Авторы; адаптировано по Rodríguez-de-Dios et al.	Н/Д	Опросник из двадцати девяти пунктов для измерения шести аспектов цифровой грамотности.
Шкала тревожности в классе при изучении иностранного языка (FLCA) (адаптированная)	Авторы; адаптировано по Briesmaster & Briesmaster	Н/Д	Опросник из двадцати семи пунктов для измерения коммуникативной тревожности, тревожности перед тестами и страха негативной оценки.
G*Power	Heinrich Heine University Düsseldorf	Версия 3.1.9.7; RRID: SCR_013726	Программное обеспечение, использованное для апостериорного анализа статистической мощности.
IBM SPSS Statistics	IBM Corp.	Версия 26; RRID: SCR_002865	Статистическое программное обеспечение, использованное для очистки данных, расчета описательной статистики, анализа надежности и предварительного анализа.
Анализ расстояния Махаланобиса	IBM SPSS Statistics	Версия 26; RRID: SCR_002865	Статистическая процедура, реализованная в IBM SPSS Statistics для выявления многомерных выбросов.
Шкала мотивации (адаптированная)	Авторы; адаптировано по Kanoksilapatham et al.	Н/Д	Опросник из двадцати пунктов для оценки мотивации учащихся.
Бумажный опросник	Авторы	Н/Д	Печатная версия структурированного опросника для самозаполнения, использованная при очном сборе данных.
Защищенная платформа для онлайн-опросов	Google LLC	Н/Д	Платформа Google Forms, использованная для электронного распространения опросника.
SmartPLS	SmartPLS GmbH	Версия 4; RRID: SCR_036419	Программное обеспечение, использованное для моделирования структурными уравнениями методом частичных наименьших квадратов (PLS-SEM), включая оценку измерительной модели, анализ структурной модели, бутстрэпинг (5,000 повторных выборок) и анализ медиации.
Структурированный опросник для самозаполнения	Авторы	Н/Д	Опросник, проведенный в бумажном и электронном форматах с использованием 5-балльной шкалы Лайкерта (1 = «полностью не согласен» до 5 = «полностью согласен»).
Инвентарь стилей преподавания (адаптированный)	Авторы; адаптировано по Инвентарю стилей преподавания Граши	Н/Д	Опросник для измерения таких стилей преподавания, как «авторитетный», «экспертный», «личный образец», «фасилитирующий» и «делегирующий».
Каналы связи университета	University of Jeddah	Н/Д	Официальная электронная почта и объявления в классах, использованные для набора участников.