Araştırma makalesi

Yapay Zekanın Çift Güçleri: Üretken Yapay Zeka ve Algılanan Yapay Zeka Bağımlılığı Kaçırma Korkusunu (FoMO) ve EFL Öğrencilerinin Kelime Kazanımını Nasıl Etkiler

DOI:

10.3791/69637

⸱

19 Aralık 2025

 ,  ,  , 
1College of International Studies, Yangzhou University, 2College of Sciences and humanities, Prince Sultan University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, yapay zeka entegrasyonunun İngilizce öğrenenleri psikolojik ve bilişsel olarak nasıl etkilediğini inceliyor. Araştırma, yapay zeka kullanımının kaygıyı (FoMO) artırdığını, okuduğunu anlamaya zarar verdiğini ve dijital tükenmişliğin anlama ile kelime dağarcığı arasındaki bağlantıyı zayıflattığını ortaya koymuştur. Amaç, öğrenmeyi desteklemek için dengeli yapay zeka kullanımına olan ihtiyacı vurgulamaktır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, yapay zekanın (YD) dil öğreniminde entegrasyonunun, İngilizce Yabancı Dil (EFL) öğrenenleri arasında psikolojik ve bilişsel sonuçları nasıl etkilediğini incelemektedir. Özellikle, algılanan yapay zeka bağımlılığı, etik kaygılar ve üretken yapay zeka kullanımının Kaçırma Korkusu (FoMO), okuma stratejileri ölçeği ile ölçülen okuma anlama ve kelime kazanımı üzerindeki etkilerini araştırırken, dijital tükenmişliğin düzenleyici rolünü de değerlendirir. n = 450 EFL öğrenicisi ile kesitsel bir anket tasarımı uygulandı ve veriler kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM) kullanılarak hem doğrudan hem de aracılı ilişkileri değerlendirdi. Bulgular, yapay zeka ile ilgili faktörlerin daha yüksek FoMO'yu önemli ölçüde öngördüğünü, bunun da okuma anlamayı olumsuz etkilediğini ortaya koyuyor. Okuduğunu anlama kelime kazanımı güçlü şekilde desteklerken, dijital tükenmişlik bu ilişkiyi zayıflatıyor. Çalışma, eğitimde yapay zekanın çift doğasını vurguluyor; öğrenme sonuçlarını kolaylaştırırken aynı zamanda psikolojik baskıya katkıda bulunuyor. Bu sonuçlar, dil öğreniminde dengeli yapay zeka entegrasyonunun önemini vurguluyor ve dijital kaygı ile tükenmişliği azaltan stratejilere ihtiyaç olduğunu vurguluyor. Teorik sonuçlar, FoMO'yu yapay zeka odaklı eğitim bağlamlarında kritik bir duygusal yol olarak tanımlayarak teknoloji aracılı öğrenme üzerine araştırmaları genişletir. Pratik öneriler arasında, öğrenme faydalarını optimize etmek ve olumsuz psikolojik etkileri en aza indirmek için dijital sağlık uygulamalarını yapay zeka araçları ile birleştirmek yer alıyor.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Üretken Yapay Zeka'nın (AI) eğitime hızlı entegrasyonu, özellikle İngilizce Yabancı Dil (EFL) bağlamında geleneksel dil öğrenme paradigmalarınıdönüştürmüştür. 1. Yapay zeka destekli kelime asistanları, otomatik yazma geri bildirim sistemleri ve uyarlanabilir öğrenme platformları gibi araçlar daha yüksek verimlilik ve kişiselleştirilmiş öğretim vaateder 2. Ancak, bu teknolojik değişim, algılanan yapay zeka bağımlılığı, dijital tükenmişlik ve etik kaygılar gibi psikolojik ve pedagojik zorlukları da getirmiştir; bunlar öğrenme sonuçlarını aracılık edebilir3. Bu alanda az incelenen ama kritik bir olgu ise Kaçırma Korkusu (FoMO)'dur. Bu psikolojik durumda, öğrenciler sosyal karşılaştırma baskıları nedeniyle yapay zeka araçlarını benimsemeye mecbur hissederler; bu da derin bilişsel etkileşim pahasınaolabilir. Mevcut araştırmalar yapay zekanın dil edinimindekirolünü incelemiş olsa da, çok az çalışma Üretken Yapay Zeka'nın algılanan bağımlılık ve FoMO ile etkileşimde bulunarak kelime dağarcığı edinimini şekillendirdiğini incelemiş ve eğitimde yapay zekanın hem kolaylaştırıcı hem de zararlı çift güçlerini anlamada önemli bir boşlukbırakmıştır 6,7.

Literatürün incelenmesi üç temel eksikliği ortaya koymaktadır. İlk olarak, EFL öğreniminde yapay zeka üzerine yapılan çalışmalar, yapay zekanın benimsenmesini yönlendiren psikolojik mekanizmalardan ziyade performans sonuçlarına (test puanları, akıcılık artışları)odaklanmıştır 8. Örneğin, yapay zekanın kelime dağarcığı tutmadaki verimliliği iyi belgelenmiş olsa da, algılanan bağımlılığın, yani yapay zeka olmadan etkili öğrenemeyeceği inancının motivasyonu ve uzun vadeli tutumu nasıl etkilediği hakkında çok az şeybilinmektedir 9. İkinci olarak, FoMO sosyal medya bağlamlarında kapsamlı şekilde incelenmiş olsa da, yapay zeka aracılı öğrenme ortamlarındaki rolü henüz keşfedilmemiştir. Yapay zeka araçları genellikle gerçek zamanlı, sosyal olarak görünür geri bildirim (akran kıyaslama özellikleri) sağladığı için, öğrenciler geride kalma konusunda artan kaygı yaşayabilir ve bu da yapay zeka10'a olan bağımlılığı artırabilir. Üçüncüsü, yapay zeka (veri gizliliği, algoritmik önyargı) ile ilgili etik endişeler yaygın olarak kabul edilsede, bağımlılık ve öğrenme etkinliği üzerindeki moderatör etkileri EFL ortamlarında ampirik olarak test edilmemiştir. Bu boşluklar, teknoloji kabulü, motivasyon psikolojisi ve bilişsel öğrenme teorilerini birleştiren bütüncül bir araştırmanın gerekliliğini vurgular.

Bu çalışma, Üretken Yapay Zeka kullanımı, algılanan yapay zeka bağımlılığı ve algılanan yapay zeka etik endişesinin EFL öğrenenleri arasında FoMO'yu nasıl etkilediğini, EFL öğrencilerinin okuma anlamasına üç bağımsız değişkenin bağlantısını FoMO'nun aracı rolünü ve okuduğunu anlama ile kelime edinimi arasındaki dijital tükenmişliğin aracı etkisini inceleyen yeni bir kavramsal model önererek bu boşlukları ele almaktadır. Önerilen araştırma, Öz-Belirlenme Teorisi (SDT)12 üzerinden yapay zeka bağımlılığının içsel motivasyon ve öğrenen özerkliği üzerindeki etkilerini, Sosyal KarşılaştırmaTeorisi 13 üzerinden öğrenme ortamlarında FoMO'nun arkasındaki psikolojik mekanizmaları ve Bilişsel Yük Teorisi (CLT) aracılığıyla yapay zeka bağımlılığı araçlarının bilişsel yük üzerindeki etkilerini incelemek için kullanılabilecek kapsamlı bir teorik çerçevenin geliştirilmesine katkıda bulunuyor.

Bu çalışmanın teorik katkıları üç yönlüdür. İlk olarak, yapay zeka bağımlılığını öğrenen özerkliği için potansiyel bir tehdit olarak kavramsallaştırarak SDT'yi genişletir ve yapay zekanın evrensel olarak motivasyonu artırdığı varsayımını sorgular. İkincisi, Sosyal Karşılaştırma Teorisi'ni yapay zeka aracılı öğrenmeye uygular ve FoMO'nun sosyal medya fenomeninden eğitim araçlarının benimsenmesinin bir itici gücüne nasıldönüştüğünü ortaya koyar. Üçüncü olarak, CLT'yi iyileştirerek AI'nin bilişsel faydalarının (azalan gereksiz yük) bağımlılıkla tetiklenen germanyükü 16 ile dengelenebileceğini göstererek AI'nin bellek kodlama üzerindeki etkisine nüanslı bir bakış sunuyor. Bu teorik gelişmeler, yapay zeka destekli öğrenmenin psikolojisi üzerine gelecekteki araştırmalar için bir temel sağlar.

Metodolojik titizlik ve pratik uygulanabilirliği sağlamak için, tasarımı yönlendiren birkaç önemli husus. Çin üniversite EFL öğrencilerinin hedef kitlesi, yapay zeka araçlarına yüksek maruziyeti ve kurumsal entegrasyonu nedeniyle seçildi ve bu durum, yapay zeka bağımlılığını incelemek için uygun bir bağlam sağladı. Yapı sınırları, her gizli değişken için doğrulanmış, çok öğeli ölçekler kullanılarak net şekilde tanımlanır ve kavramsal örtüşmeyi önler. Bu özel ölçeklerin seçimi, araştırılan karmaşık psikolojik ve davranışsal yapıların (çok boyutlu etik kaygılar, öğrenmeye özgü dijital tükenmişlik) doğrudan uygulanmalarıyla doğrulandı. Planlanan arabuluculuk ve moderasyon analizleri için, kesitsel verilerin PLS-SEM üzerinden öngörücü modelleme için yeterli olmasına rağmen, aracılı ve moderasyon yolları için kesin nedensel çıkarımı sınırladığını kabul ediyoruz. 465 örneklem büyüklüğü, hem regresyon hem de PLS-SEM'de istatistiksel güç için minimum gereksinimleri çok aşmaktadır; bu da maksimum yapısal yol sayısı için '10 kat kuralı' olarak önerilen model için kararlı ve genelleştirilebilir parametre tahminlerini garanti eder.

Çalışmanın odak yapıları şu şekilde tanımlanır: Algılanan Yapay Zeka Bağımlılığı, bir öğrencinin verimlilik ve görev tamamlama için yapay zeka araçlarına olan güvenine olan inancını ifade eder. Algılanan Yapay Zeka Etik Endişeleri, algoritmik şeffaflık, adalet, güvenlik ve hesap verebilirlik konusundaki endişeleri kapsar. Üretken Yapay Zeka Kullanımı, metin veya görüntü üretmek için yapay zeka modellerinin kullanım sıklığı ve kapsamını ifade eder. Kaçırma Korkusu (FoMO), başkalarının insan tarafından yok olmuş ve ödüllendirici deneyimler yaşamış olabileceği endişesidir; burada yapay zeka destekli öğrenmeye bağlam söyleniyor. Dijital tükenmişlik, uzun süreli dijital etkileşimden kaynaklanan duygusal ve zihinsel yorgunluk durumudur. Son olarak, öğrenme sonuçları Oku Anlama (Okuduk Anlama) ile yazılı materyalle stratejileri anlama ve uygulama yeteneği ile yeni kelimeleri öğrenme ve kullanmada kendi algılanan Kelime Kazanımı ile yakalanır.

Bu makalenin yapısı şöyledir. Bölüm 1, mevcut çalışmanın arka planı, önemi, araştırma eksiklikleri ve katkısını ele alır. Bölüm 2, EFL öğrenimi, bağımlılık ve FoMO'da yapay zeka üzerine önceki çalışmaları inceleyerek temel tartışmaları sentezler. Bölüm 3, araştırma tasarımı, algılanan bağımlılık/FoMO ölçümü için anketler ve kelime dağarcığı aklımında değerlendirme için deneysel görevleri birleştiren metodolojiyi detaylandırır. 4. bölüm, arabuluculuk/moderasyon analizleri dahil olmak üzere bulguları sunar. 5. bölüm teori, pedagoji ve yapay zeka tasarımı için sonuçları ele alırken, 6. bölüm sınırlamalar ve gelecekteki yönlerle sona erer.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, Yangzhou Üniversitesi'nde insan denek araştırmaları için etik yönergeler doğrultusunda yürütülmüştür. Tüm katılımcılardan katılımdan önce bilgilendirilmiş onay alındı; böylece çalışmanın amacı, anket temelli prosedürler, gönüllü doğa ve herhangi bir zamanda sonuçsuz çekilme hakkı hakkında tam bilgilendirilmeleri sağlandı. Tüm yöntemler, insan araştırmaları için etik standartlara uyarak katılımcı gizliliğini, verilerin anonimleştirilmesini ve çalışma boyunca korumayı sağladı. Çalışma, katılımcılar için minimum riskle invaziv olmayan, anket tabanlı veri toplamayı içeriyordu. Çalışma, eğitim araştırmaları için etik yönergelere uyarak katılımcıların anonimliğini ve gönüllü katılımını garanti altına almaktadır. Bilgilendirilmiş onay elektronik olarak alındı ve veri kullanımı ile depolama hakkında net bilgiler verildi. Kişisel olarak tanımlanabilir bilgi toplanmamış ve yanıtlar şifre korumalı sunucularda güvenli bir şekilde saklanmaktadır. Katılımcılar herhangi bir aşamada çekilme hakkını elinde tutar. Potansiyel riskler (anket yorgunluğu) kısa bir anket tasarımı ile azaldılır ve bulgular bireysel tanımlamayı önlemek için toplu olarak bildirilir.

Literatür İnceleme

Algılanan Yapay Zeka Bağımlılığı, Algılanan Yapay Zeka Etik Endişeleri ve Kaçırma Korkusu (FoMo)
Yapay Zeka'nın (AI) eğitimde dinamik şekilde dahil edilmesi, özellikle İngilizce Yabancı Dil (EFL) öğrencileri arasında dil öğrenimine dramatik bir şekilde yeni bir bakış açısı kazandırmıştır17. Akıllı ders sistemleri, otomatik yazma değerlendirmesi ve uyarlanabilir öğrenme platformları yapay zeka tabanlıdır ve verimli, bireyselleştirilmiş bir öğrenme deneyimisunar 18. Bununla birlikte, bu teknolojik gelişmeyle birlikte, insanların zevkli aktivitelere dahil edilmediklerinden korktuğu bir sosyal kaygı türü olan Kaçırma Korkusu (FoMO) gibi artan psikolojik sorunlarda yaşanmıştır 19. Araştırma sonuçlarına göre, algılanan yapay zeka bağımlılığı ve algılanan yapay zeka etik endişeleri, EFL öğrenenleri arasında FoMO seviyelerini pekiştirebilir ve gelecekte yapay zeka tabanlı eğitimle etkileşimlerini değiştirebilir.

Ayrıca, yapay zeka dil öğretim sürecinde yerini buldukça, öğrenciler dilbilgisini ve kelime dağarcığını düzeltmek ve telaffuzlarını geliştirmek için bu araçlara bağımlıhale gelebilirler 20. Bu bağımlılık, psikolojik baskı yaratma potansiyeline sahiptir ve öğrenciler, akademik gecikmeyi önlemek için yapay zeka araçlarını sürekli kullanmak zorunda kaldıklarını düşünebilirler. Dijital bağımlılık üzerine yapılan araştırma bulguları, teknolojiye aşırı bağımlılığın bu tür cihazlara erişememe korkusundan kaynaklanan anksiyete yarattığısonucuna varmıştır 21. EFL öğrenme alanında, yapay zekanın gerekli olduğuna inanan öğrenciler, diğer öğrencilerin bu tür teknolojilerden daha fazla yararlandığını düşündükleri için FoMO hissedebilirler22. Bu olgu, insanların ilerlemelerini başkalarınınkiyle karşılaştırdığını öne süren sosyal karşılaştırmateorisi 23 ile tutarlıdır. YZ destekli öğrenme rekabetçi bir sinyal olarak görüldüğünde, öğrenciler bu araçların kullanımına en üst düzeye çıkarmadıkları sürece akademik başarıyı kaçırmaktankorkabilirler 24. Ayrıca, yapay zeka araçlarının sürekli olarak oluşturduğu bağ, eğitim ile eğlence arasındaki farkları çarpıtabilir ve bu da bağımlılık yapan evcilleştirme davranışlarını güçlendirerek FoMO25'i daha da güçlendirir.

H1: Algılanan yapay zeka bağımlılığı, EFL öğrenenleri arasında Kaçırma Korkusunu (FoMO) olumlu etkiler.

H2: Algılanan yapay zeka etik endişeleri, EFL öğrenenleri arasında Kaçırma Korkusunu (FoMO) olumlu etkiler.

Üretken Yapay Zeka (ChatGPT Kullanımı) ve Kaçırma Korkusu (FoMo)
Eğitim alanında üretken yapay zekanın (ChatGPT) popülaritesinin mevcut artışı, bir dil öğrenme sürecinde psikolojik deneyimlerin yeni koşullarına yol açmıştır 26,27. Çalışma, yakın zamanda bu tür yüksek teknolojili yapay zeka araçlarının kullanımının özellikle Kaçırma Korkusu (FoMO)28 gibi öğrencilerin duygusal durumunu önemli ölçüde değiştirebileceğini ortaya koydu. Üretken yapay zeka ne kadar anında geri bildirim sağlamak, öğrenme materyali oluşturmak ve bir konuşma pratiğini simüle etmek için programlanmışsa, öğrenciler o kadar çok kaygı geliştirebilir ve bu araçları en iyi şekilde kullanmazlarsa geride kalacaklarından endişe edebilirler. Bu süreç, teknolojik ilerlemenin sadece öğrenmede daha fazla şey yapılmasını mümkün kılmakla kalmayıp aynı zamanda öğrenme deneyimlerini yeni kaygı seviyelerine maruz bıraktığı daha geniş bir dijital öğrenmeeğilimini öne sürmektedir 30.

Üretken yapay zeka araçlarının dil öğrenenler üzerindeki psikolojik etkileri, yetkinlik ve özerklik ile ilişkililiğin temel psikolojik ihtiyaçlar olduğu kendi kendini tayin etme teorisine atıfta bulunarakaçıklanabilir. Öğrenciler, FoMO'nun ele alınmamasından kaynaklanan yapay zeka yardımıyla akranlarının üstün sonuçlar elde ettiğineinanırken, bu durum yetkin duygularına yönelik tehditlerle de kötüleşir. Bu etki, öğrencilerin ilerlemelerini ve yeteneklerini karşılaştırdıklarında zorlu akademik ortamlarda özellikle şiddetliolabilir 32. Dahası, üretken yapay zeka araçlarına sınırsız erişim de sürekli kullanım sorununa yol açabilir; çünkü öğrenciler geride kalıp önemli ilerleme kaybedeceklerinden korkuyorlar.

FoMO ayrıca, öğrenme topluluklarında yapay zeka uygulamasının sosyal dinamiklerişeklinde de gelir 33. Üretken yapay zeka eğitim ortamında normalleştiğinde, eğitim ortamında teşvik edilen yeni dijital uygulamalarla uyum sağlamak için toplumsal bir baskı hissiyaratması muhtemeldir34. Bu baskı, özellikle yabancı dil öğrenirken güçlü olabilir; çünkü yapay zeka, öğrenme ve iletişim konularında öğrenenin görünür çabası olmadan yardımcı olabiliyor35. Bu dönüşümde dışlanma fikri, daha geleneksel yollarla öğrenmeye daha yatkın olabilecek öğrenciler arasında bile, zorunlu kullanım stratejilerini benimsemeye bir motivasyon olabilir36. Yeni çalışmalar, çeşitli öğrenici özelliklerinin üretken yapay zeka kullanımı ile FoMO arasındaki ilişki üzerindeki aracılık etkisinin daha ayrıntılı anlaşılmasının gerekliliğini vurguluyor. Bu soruların yanıtları, dijital okuryazarlık ve öz düzenleme becerileri ile öğrenme motivasyonu gibi faktörlere bağlıdır; bu faktörler, yapay zeka araçlarının kaynakları güçlendirip güçlendirmediğini yoksa kaygının nedenini mi tanımlayabilir37. Yukarıdaki literatüre dayanarak aşağıdaki hipotez önerilmiştir:

H3: Artan Üretken Yapay Zeka Kullanımı, EFL öğrenenleri arasında Kaçırma Korkusunu (FoMO) olumlu şekilde etkiler.

Kaçırma korkusu (FoMo), Okuma Anlama ve Kelime Edinimi
Kaçırma Korkusu (FoMO) psikolojik kavramı, çevrimiçi öğrenme davranışları üzerinde giderek daha fazla etkili hale gelmiş ve ikinci dil öğrenimi ile akademik sonuçlarla karmaşık bir ilişkiyi ortayakoymaktadır 38. Son araştırmalar, FoMO'nun, dil öğrenmeboyutuna 39 bağlı olarak, özellikle okuma anlama ve kelime kazanımı40 üzerinde, dil öğreniminin çeşitli boyutlarında farklılaşmış bir etkiye sahip olabileceğini göstermektedir. Bu bağımlılık, bilişsel yük41 ve dikkat kontrol sistemleri42 tarafından motive edilmiş gibi görünmektedir; çünkü yüksek FoMO'ya sahip bireyler metinsel materyal etkileşimlerinde benzersiz bir desen gösterir.

Ampirik çalışmalar, öğrencilerin okuma materyallerinin sosyal ve akademik olarak değerli olduğunu düşündüklerinde orta düzeyde FoMO oranının okuma materyallerine olan ilgiyi artırdığınıgöstermektedir 43. Ancak FoMO'ya aşırı bağımlılık, eksik okuma ve düşük bilgi derin işleme ile ilişkilidir; bu da anlamayı zayıflatabilir. Bu his, bildirimler ve sosyal medya kapanmasının dikkat kesintilerini artırdığı dijital okuma alanında daha yaygın görünüyor45. Kelime kazanımı içinde, FoMO daha karmaşık bir ilişkiye sahiptir; yeni sözcük öğelerine maruz kalma artan katılım nedeniyle artabilir; 46,47, ancak zorunlu öğrenme davranışları nedeniyle akılda kalıcılık zarar görür.

Ortaya çıkan kanıtlar, bu ilişkilerde kültürel ve bireysel farklılıklar olduğunu göstermektedir. Karşılaştırma olarak, kolektivist öğrenenler FoMO'nun okuduyma anlama üzerindeki olumsuzetkilerine daha yatkın görünüyor 48; bu da sosyal olarak karşılaştırma eğilimlerininartmasıyla ilgili olabilir 49. Öte yandan, FoMO deneyimleri, yüksek öz-düzenleme stratejilerine sahip öğrenenlerde anlama ve kelime bilgisi öğrenme üzerinde hiçbir etkisi yoktur 50. Yukarıdaki literatüre dayanarak aşağıdaki hipotezler öne sürülmektedir:

H4: Kaçırma korkusu (FoMO) Okuduğunu Anlamayı olumsuz etkiler.

H5: Okuduğunu Anlama, Kelime Bilgisi Edinimini olumlu etkiler.

Dijital Tükenmişliğin Öğrenmede Düzenleyici Etkisi
Dijital tükenmişlik, dil edinimi süreçlerini etkileyen psikolojik ve sosyal etkileri olan yakın tarihli birsorundur 51,52. Duygusal ve bilişsel olarak hem yorucuydu ki, teknoloji aracılı akademik öğrenme nedeniyle motivasyonum yoktu. Dijital tükenmişlik, dili işlemek için gereken bilişsel kapasiteleri olumsuzetkiledi 53. Aktif nörobilişsel çalışmalar, mesleki tükenmişliğin yorgunluğa neden olduğunu ve bunun çalışma hafızakapasitesini (54) etkilediğini göstermektedir; bu kapasite hem kelime hafızasının hem de okumanıntemel bir bileşenidir 55. Bu zihinsel yorgunluk, dijital olarak tükenmiş öğrenenlerde kelime dağarcığı öğrenme görevlerini yerine getirmeleri istendiğinde zayıf anlamsal kodlama ile ilgili yeni kanıtların arkasında olabilir56.

Dijital tükenmişlik, dil ediniminin belirgin bilişsel ve duygusal gereksinimleri nedeniyle EFL bağlamlarında benzersiz bir şekilde kendini gösterir. Genel akademik tükenmişliğin aksine, EFL dijital tükenmişliği, dijital arayüzler aracılığıyla yabancı fonoloji, sözdizimi ve anlamsalını işleme gibi sürekli bilişsel yükle daha da kötüleşir; bu da içerik tabanlı öğrenmeye göre çalışma hafızasını daha ağır şekilde tüketebilir. Ayrıca, yapay zeka platformlarındaki dil pratiğinin performatif yapısı duygusal filtreyi daha da güçlendirir; burada öğrenciler anlık, algoritma odaklı düzeltmelerden ve ana dili gibi yeterliliğe ulaşma baskısı yaşayabilirler. Dijital aracılı dil ortamlarında artan bilişsel yük ve benzersiz sosyo-affektif baskının bu birleşimi, kelime dağarcığı kodlama ve okuma anlama gibi incelikli süreçleri doğrudan engelleyen özel bir tükenmişlik profilioluşturur 59.

Dijital tükenmişlik ve okuduğunu anlama, kelime dağarcığı gelişiminde çok ince ilişkiler ortaya koyuyor. Öğrenciler güçlü okuma becerilerine sahip olduğunda tesadüfi kelime bilgisi muhtemelen bağlamsal çıkarımla elde edilir60, yüksek tükenmişliğe sahip öğrencilerde kelime dağarcığı ile okuma performansı arasındaki pozitif korelasyon azalır. Göz izleme ölçümleri, sözlü yaşlanma öğrenenlerin62'yi okuma sırasında yeni sözlük nesnelerine odaklanma sürelerinin azaldığını ve bunun da kelime dağarcığı yoğun arka planların zihinsel yoğunlaşmasında azalma olduğunu göstermektedir. Bu, bilişsel yorgunluğun, aynı anda anlama ve sözcük işleme ile ilgili yürütücü işlevlerin becerilerini etkilediğini savunan dikkat kontrol teorisine benzer. Dijital tükenmişliğin ılımsalcı rolünün yalnızca bireysel öz-düzenleme ve öğrenme ortamlarının tasarımındaki farklılıklarla belirgin olduğu oldukça mümkündür63. Tükenmişliğin olumsuz etkilerine karşı dirençli olmak, yüksek performanslı metabiliştsel stratejilere sahip öğrenenlerle de örnek gösterilir; çünkü anlama engelleriyle karşılaştıklarında bile kelime dağarcığında avantaj elde edeceklerdir. Yukarıdaki literatüre dayanarak aşağıdaki hipotezler öne sürülmektedir:

H6: Öğrenmede Dijital Tükenmişlik, Kelime Kazanımı Başarısını Olumsuz Etkiler.

H7: Öğrenmede Dijital Tükenmişlik, Okuduğunu Anlama ile Kelime Kazanımı arasındaki ilişkiyi olumsuz ölçüde yumuşatır; böylece daha yüksek tükenmişlik, anlamanın kelime dağarcığı kazanımı üzerindeki olumlu etkisini zayıflatır.

Kaçırma Korkusunun Aracı Etkisi (FoMo)
Yapay zekanın eğitime girişi, oku anlama sonuçlarını belirleyen karmaşık psikolojik sistemlereklemiştir 64. Ortaya çıkan veriler, Fear of Missing Out (FoMO), öğrencilerin yapay zeka teknolojilerine olan katılımı ile okuma başarısı arasındaki bağlantının hayati bir aracısıolduğunu göstermektedir 65. Bu arabuluculuk etkisinin rolü, özellikle yapay zeka araçlarının daha verimli öğrenmeyi kolaylaştırmak için tanıtıldığı ortamlarda belirgin görünmektedir; bu da psikolojik baskıları artırır ve bu da üst düzey düşünceyi engelleyebilir. 66. Otonom öğrenme kaygılarının, AI-yardımına mantıksız bir bağımlılık fark eden öğrenciler tarafından geliştirilmemesiniönlemek için, son çalışmalar algılanan yapay zeka bağımlılık seviyelerinin otonom öğrenme yetenekleriyle ilgili kaygının gelişimini nasıl etkilediğini belirlemeyeodaklanmaktadır 68. Bu kaygı, öğrenciler yapay zeka ile güçlendirilmiş sonuçlarla karşılaştırıldığında neler yapamadıklarını düşündüklerinde FoMO'ya dönüşürve bilişsel kaynakları derin anlama adımlarından uzaklaştırma eğilimi gösterirler.

Yapay zeka uygulamasıyla ilgili etik sorunlar FoMO yollarına karşılık gelir ve yapay zeka kullanımı nedeniyle ahlaki çatışma yaşayan öğrenciler, akranlarının eylemlerine karşı artan bir farkındalık gösterir; bu da etik ile okuduğunu anlama arasında dikkat ayrımları oluşmasına yardımcıolur 70. Bu, okuyucunun65'i okurken daha gergin göz hareketleri yaptığı göz izleme çalışmalarında da yansımaktadır. Arabuluculuk etkisi, etik konular netleşmediğinde özellikle belirgin görünüyor ve bu daokumayı engelleyen kalıcı bir bilişsel yük bırakıyor. Üretken yapay zeka araçları, neredeyse anında çıktı üretebilen yeni arabuluculuk türleri yaratır. Yukarıdaki literatüre dayanarak aşağıdaki hipotezler öne sürülmektedir:

H8: Kaçırma Korkusu (FoMO), Algılanan Yapay Zeka Bağımlılığı ile Okuduğunu Anlama arasındaki ilişkiyi arabuluculuk eder

H9: Kaçırma Korkusu (FoMO), Algılanan Yapay Zeka etik endişeleri ile Okuduğunu Anlama arasındaki ilişkiyi arabuluculuk eder

H10: Kaçırma Korkusu (FoMO), Üretken Yapay Zeka Kullanımı ile Okuduğunu Anlama arasındaki ilişkiyi arabuluculuk eder

Teorik Çerçeve
Bu çalışma esas olarak Kendi Belirlenme Teorisi (SDT)12 tarafından yönlendirilmektedir; bu teori, yapay zeka araçlarının öğrenen motivasyonu ve bilişsel katılımını destekleyen temel psikolojik ihtiyaçları nasıl etkilediğini anlamak için tutarlı bir çerçeve sunar. Modele göre, Algılanan Yapay Zeka Bağımlılığı, SDT'nin birincil özerklik ve yeterlilik ihtiyaçlarını doğrudan tehlikeye atır ve okuduğunu anlama ve kelime kazanımı gibi hedeflere ulaşma konusunda dışsal düzenlemeye aşırı bağımlılık geliştirerek dil öğrenme için içsel motivasyonu zayıflatabilir. Bu bağlamda, Kaçırma Korkusu (FoMO), ikincil Sosyal KarşılaştırmaTeorisi 72 ile tanımlanan ilişkililik çerçevesinde anlaşılır. Yapay zekanın yaygın kullanımı nedeniyle akranlar arasında gelişen sosyal norm, FoMO durumuna yol açar; bu da bir şeyleri kaçırma endişesine yol açar; bu da bağımlılığı artırır ve bağımsız öğrenme motivasyonunu daha da düşürür.

Bu motivasyonel dinamik, Bilişsel Yük Teorisi (CLT)73 tarafından tanımlanan bilişsel sonuçlarla açıklanır. Üretken yapay zeka, gereksiz bilişsel yükü en aza indirerek (örneğin anında tanım yoluyla) öğrenmeyi geliştirebilse de, buna aşırı bağımlı olmak, sözlüğü derinlemesine kodlamak ve uzun vadeli hafızada saklamak için gereken alman bilişsel yükü azaltarak kelime dağarcığını kazanmak için ters etki yaratabilir. Bu durum, anlama ile öğrenme arasındaki bağlantıyı zayıflatan bilişsel kaynakların boşalmasını sağlayan Dijital Tükenmişlik durumu ile daha da kötüleştirilmektedir. SDT ise motivasyonel yolların genel açıklamasını sunar, CLT ortaya çıkan bilişsel süreçleri detaylandırır ve Sosyal Karşılaştırma Teorisi, ortaya çıkan sosyal-affektif uyarıcıyı (FoMO) tanımlar; bunlar yapay zeka-ikili etkilerin dil öğrenimi üzerindeki bileşik açıklamasını oluşturur.

Araştırma Tasarımı
Bu çalışma, yapay zeka ile ilgili faktörler (algılanan bağımlılık, etik endişeler, üretken yapay zeka kullanımı), Kaçırma korkusu (FoMO), dijital tükenmişlik ve dil öğrenme sonuçları (okuduğunu anlama ve kelime edinimi) arasındaki ilişkileri inceleyen nicel ampirik bir araştırma tasarımı benimsemektedir. Kesitsel anket tabanlı bir yaklaşım uygulanır; bu yaklaşım, korelasyonların ve arabuluculuk/moderasyon etkilerinin değerlendirilmesine olanak tanıyan tek bir noktada veri toplanmasına olanak tanır. Tasarım, önerilen teorik modelin test edilmesi için özellikle uygundur; çünkü örtük yapılar arasındaki karmaşık ilişkileri analiz etmek için yapısal denklem modellemesi (SEM) kullanılmasını sağlar.

Nüfus ve örnekleme
Hedef grup, Çin üniversitelerinde EFL öğrenenlerden oluşmaktadır; bu bağlamda yapay zeka destekli dil öğrenme araçları müfredatlara giderek entegre edilmektedir. 465 katılımcıyı almak için bir pratik örnekleme tekniği kullanıldı ve örneklem büyüklüğü önceden G*Power 3.174 kullanılarak belirlendi. Planlanan çoklu regresyon analizleri için (α = 0.05, güç = 0.95, orta etki boyutu f² = 0.15), analiz minimum gerekli 166 katılımcı örneklem büyüklüğünü gösterdi ve 465 katılımcılık örneğimizin yeterli istatistiksel güç sağladığını doğruladı. Örneklem büyüklüğü ayrıca SEM analizi yapmak için yeterlidir ve PLS-SEM gerekliliğine uygundur; bu gereksinim, model75'teki bir yapıya giden yapısal yolların maksimum sayısının 10 katı olmasını belirtir. Örnekler, Çin'in çeşitli coğrafi bölgelerinde bulunan birkaç üniversitenin örnek birimleri kullanılarak genellenebilirlik açısından yüksek sonuçlar elde edilecek şekilde alınacaktır. Buna karşılık, demografik değişkenler (başvuru yaşı, cinsiyet, İngilizce yeterlilik seviyesi ve yapay zeka aracı kullanım sıklığı) kaydedilecek ve gelecekteki çalışmalarda kontrol unsurları olarak kullanılacaktır.

Bulgularımızın analitik bütünlüğünü sağlamak için, veri toplama ve hazırlama süreci boyunca birden fazla kalite kontrol önlemi uygulandı. İlk anket dağıtımı %87 yanıt oranı verdi. Veri toplandıktan sonra, titiz tarama prosedürleri uygulandı: %10'dan fazla eksik veri olan eksik anketler listeye göre hariç tutuldu ve madde düzeyinde kalan sporadik eksik değerler, istatistiksel gücü korumak ve yanlılığı en aza indirmek için SPSS'deki Bekleme-Maksimizasyon algoritması kullanılarak ele alındı. Ayrıca, gömülü dikkat kontrolü soruları dikkatsiz yanıtlayıcıları tespit etti ve onların çıkarılmasını kolaylaştırdı. Bu kapsamlı prosedürler ve çok değişkenli istisnalar için tarama ile birleşerek, nihai analitik veri setinin (N=450) sonraki yapısal denklem modellemesi için yüksek güvenilirlik standartlarını karşılamasını sağladı.

Veri toplama prosedürü
Veriler, katılımı ve erişilebilirliği en üst düzeye çıkarmak için hem çevrimiçi hem de yerinde yöntemler kullanılarak karma bir yaklaşımla toplandı. Araştırma ekibi, hedeflenen üniversitelerdeki ders eğitmenleriyle iş birliği yaptı ve onlar benzersiz anket bağlantısını resmi WeChat sınıf grupları aracılığıyla doğrudan öğrencilere dağıttı. Bu yöntem, yanıt oranlarını artırmak için güvenilir kanallardan yararlandı. Yerinde veri toplama için, baş araştırmacı ve eğitimli asistanlar, planlanan oturumlar sırasında belirlenmiş sınıfları ziyaret etti. Çalışmaya kısa bir tanıtımın ardından, kağıt tabanlı anket paketlerini dağıttılar. Bilgilendirilmiş onay alma prosedürü her yönteme göre uyarlanmıştır. Çevrimiçi versiyonda, katılımcılara ilk sayfada dijital bir onay formu sunuldu. Anket maddeleri etkinleştirilmeden önce "Yukarıdaki bilgileri okudum ve anladım, gönüllü olarak katılmayı kabul ediyorum" seçeneğini seçmeleri gerekiyordu. Yerinde katılımcılar için, anket paketine ayrıntılı bir bilgi sayfası eklenmiş ve katılımcıların anketi almadan önce fiziksel bir onay formu imzalaması yoluyla yazılı onay alınmıştır. Tam anket, katılımcı yorgunluğunu en aza indirmek için 15-20 dakika içinde doldurulacak şekilde tasarlandı. Veri kalitesini sağlamak için, ankete iki dikkat kontrolü maddesi ("Bu ifade için lütfen 'Kesinlikle Katılmıyorum' seçeneğini seçin") yer aldı. %10'dan fazla eksik veri olan eksik gönderiler ve dikkat kontrolünden geçemeyenler sistem tarafından otomatik olarak işaretlenip ardından hariç tutuldu. Veri toplama dönemi dört hafta sürdü ve bu süre zarfında ilk dağıtım kanalları üzerinden iki hatırlatma mesajı gönderildi. Toplanmanın ardından, veri seti eksik değerler, tek değişkenli ve çok değişkenli istisnalar ve normallik varsayımlarının ihlal edilmesi gibi titiz bir temizlik sürecinden geçti; ardından istatistiksel analiz yapıldı.

Ölçüler ve ölçek uyarlaması

Algılanan YZ bağımlılığı
Algılanan yapay zeka bağımlılığı, Morales-García ve ark.76'dan uyarlanmış 5 maddelik bir ölçekle ölçüldü. Ölçek, insanların günlük faaliyetlerinde ve karar alma süreçlerinde yapay zekaya ne kadar bağımlı olduklarını ölçür. Bu maddeler, yapay zeka araçlarını verimli kullanmak için kullanılma ihtiyacının algılanması ve yapay zeka desteği olmadan çalışamaması gibi bağımlılığın birkaç yönünü yansıtıyor.

Algılanan yapay zeka etik endişeleri
Etik endişeler, Kim ve Ko77 tarafından geliştirilen çok boyutlu bir ölçek kullanılarak değerlendirildi. EFL popülasyonunun geçerliliğini ve önemini güçlendirmek amacıyla, ölçeğin dört boyutu yapay zeka odaklı dil öğreniminin özel bağlamında çerçevelenmiştir. Bu ölçek dört kritik boyuttan oluşur: şeffaflık (8 madde), adalet (5 madde), güvenlik (5 madde) ve sorumluluk (8 madde). Her boyut, yapay zeka karar alma süreçlerinin netliği, yapay zeka algoritmalarındaki önyargılar, yapay zeka kullanımıyla ilgili riskler ve yapay zeka dağıtımında hesap verebilirlik gibi farklı etik zorlukları değerlendirir. Bu odaklı operasyonelleştirme, öğelerin EFL öğrenenlerin karşılaşma olasılığı olan etik ikilemlerle doğrudan eşleşmesini sağlar.

Üretken YZ kullanımı
Üretken yapay zeka kullanımı, Abbas ve ark.78'in 8 maddelik bir ölçek kullanılarak uygulanmıştır. Bu ölçek, metin ve görüntü yapma cihazları dahil olmak üzere üretken yapay zeka modellerinin kullanım düzeyini ve düzenliliğini ölçür. Ürünler, akademik, profesyonel ve kişisel uygulamalar gibi çeşitli uygulamaları inceler ve insanların bunları hayatlarına nasıl dahil ettiklerini ve nasıl kullandıklarını anlamaya yardımcı olur. Bu kapsamlı yaklaşım, Üretken Yapay Zeka'nın öğrenici ekosistemine bütüncül entegrasyonunu yakalamamıza olanak tanır; bu, daha geniş psikolojik ve bilişsel etkilerini anlamak için ön koşuldur.

Kaçırma Korkusu (FoMO)
Kaçırma Korkusu, Mazlum veAtalay 79 tarafından 17 maddelik ölçekle ölçüldü. Bu ölçek, akranların bir kişinin yok olduğu ödüllendirici deneyimler yaşadığı anksiyetesinin incelikli değerlendirmesi nedeniyle seçildi. Bu çalışma için özellikle uygundur; çünkü dijital ortamlarla ilgili unsurları ele alır; bunlar arasında çevrimiçi bağlantıda kalma zorunluluğu ve yapay zeka sayesinde üstün öğrenme stratejileri, kaynakları veya akran gelişimlerini kaçırma korkusu gibi unsurlar vardır; böylece yapay zeka kullanımı ile doğrudan psikososyal anksiyete ilişkilendirilir.

Okuduğunu anlama
Okuduğunu anlama, Mokhtari ve ark.80'den uyarlanmış okuma stratejileri kullanılarak ölçüldü; bu stratejiler üç boyut içerir: Küresel Okuma Stratejileri 5 madde, Problem Çözme Stratejileri 5 madde ve Destek Okuma Stratejileri 5 madde. Bu ölçek, bireylerin yazılı materyali nasıl anladığını ve sentezleme yeteneklerini değerlendirir; bilgiyi sentezleme, anlama zorluklarını çözme ve anlayışı artırmak için dış kaynakları kullanma becerilerine odaklanır.

Öğrenmede dijital tükenmişlik
Öğrenmede dijital tükenmişlik, Erten ve Özdemir81'den uyarlanmış bir ölçekle ölçüldü; bu ölçek üç boyuttan oluşuyordu: Dijital Yaşlanma (12 madde), Dijital Mahrumluk (6 madde) ve Duygusal Yorgunluk (6 madde). Bu ölçek, uzun süreli dijital etkileşimin olumsuz psikolojik etkilerini, aşırı ekran süresinden kaynaklanan yorgunluk, kopuk hissi ve çevrimiçi öğrenme taleplerinden kaynaklanan zihinsel yorgunluk gibi faktörleri değerlendirir.

Kelime edinimi
Kelime edinimi, Li ve ark.82'nin 4 maddelik bir ölçeğiyle değerlendirildi. Bu ölçek, insanların yeni kelimeleri nasıl benimsediği, hatırladığı ve farklı bağlamlarda nasıl kullandığı konusunda kelime dağarcığı öğrenme stratejilerinin etkinliğini ölçmek için kullanılır. Materyal, kendi bildirimindeki yetkinlik ve kelime dağarcığı kullanımındaki özgüveni değerlendirir.

Veri analiz planı
Çalışma, varsayımsal ilişkileri titizlikle incelemek için kapsamlı ve iki aşamalı bir analitik strateji benimsemektedir. İlk veri taraması ve ön analizler, veri dağılımlarını değerlendirmek için tanımlayıcı istatistiklere (Cronbach alfası) ve iki değişkenli korelasyonlara odaklanarak ana yapılar arasındaki ön ilişkileri incelemek için SPSS 28 kullanılarak yapılır. Tüm Likert ölçeği öğeleri 5 puanlık aralık ölçeğinde kodlanmıştır (1=5'e kesinlikle katılmıyor=Kesinlikle Katılıyorum). Bu temel analiz, veri kalitesini sağlar ve daha karmaşık modellemeden önce veri setinin temel özelliklerine dair temel içgörüler sağlar. Birincil analiz için, SmartPLS 4, gizli değişkenleri içeren karmaşık öngörücü modelleri sağlam şekilde ele aldığı için seçilen Kısmi En Küçük Kareler Yapısal Denklem Modellemesi (PLS-SEM) uygulamak içinkullanılır. Analiz, ölçme modelinin kapsamlı bir değerlendirmesiyle başlar; burada doğrulayıcı faktör analizi ölçeklerin psikometrik özelliklerini belirler. Temel değerlendirmeler arasında iç tutarlılık (bileşik güvenilirlik), yakınsak geçerlilik (ortalama varyans çıkarıldı) ve ayrımcı geçerlilik (Fornell-Larcker kriteri ve heterotrait-monotrait oranı) testleri yer alır. Bu adımlar, yapıların hem teorik olarak sağlam hem de ampirik olarak farklı olmasını sağlar.

Daha sonra, yapısal model incelenerek yapılar arasındaki varsayımsal ilişkileri test edilir. Yol katsayıları büyüklüğü, yönü ve istatistiksel anlamlılığı açısından analiz edilirken, etki boyutları (f²) temel etkiyi değerlendirmek için hesaplanır. Modelin öngörücü önemi, Stone-Geisser Q² istatistiği kullanılarak değerlendirilir ve modelin endojen değişkenleri tahmin etme yeteneğini doğrulamak için göz bağlama prosedürleri uygulanır. Arabuluculuk analizleri için çalışma, dolaylı etkiler için sağlam güven aralıkları sağlarken potansiyel karıştırıcı değişkenleri kontrol eden Preacher ve Hayes84 önyükleme yaklaşımını kullanır. Moderatörlük etkileri, PLS çarpım göstergesi yöntemiyle oluşturulan etkileşim terimleriyle test edilir ve önemli etkileşim etkileri yorumlanmak için basit eğim analizi yapılır. Tüm analizler, kararlı tahminler oluşturmak ve bulguların sağlamlığını sağlamak için 5.000 bootstrap örneği kullanır.

Birincil analiz için, SmartPLS 4, gizli değişkenleri içeren karmaşık öngörücü modelleri sağlam şekilde ele aldığı için seçilen Kısmi En Küçük Kareler Yapısal Denklem Modellemesi (PLS-SEM) uygulamak içinkullanılır. PLS-SEM'in kovaryans temelli SEM (CB-SEM) yerine tercih edilmesi, çalışmanın birincil amacı olan endogen değişkenleri (kelime kazanımı) tahmin etme ve aracı ve moderatif mekanizmaları içeren karmaşıkmodeli ile gerekçelendirilmiştir 85. Ayrıca, PLS-SEM çoklu regresyona tercih edilir; çünkü tüm model içindeki tüm gizli yapılar arasındaki ilişkileri aynı anda tahmin eder ve ölçüm hatasını hesaba katır. Deneysel tasarımlar güçlü nedensel çıkarım sunsa da, bu çalışmanın kesitsel yapısı gerçek dünya öğrenme bağlamında öngörücü ilişkiler kurmayı amaçlamaktadır ve PLS-SEM bu konudaoldukça uygundur 86. Son olarak, veri analizi için bu çalışmanın ilerisi ve bulguları aşağıdaki Sonuçlar bölümünde görülebilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Betimleyici istatistikler
Betimleyici istatistikler, bu çalışmadaki önemli değişkenlerin genel bir özetini sunar; örneğin, algılanan yapay zeka bağımlılığı, etik kaygılar ve üretken yapay zeka kullanımı, kaçırma korkusu (FoMO), okuduyu anlama, dijital tükenmişlik ve kelime kazanımı. Analiz, verilerin merkezi eğilimlerini, dağılımı ve dağılma özelliklerini göstererek katılımcıların yapay zeka teknolojilerine olan ilgisini ve bunun psikolojik ve akıl yürütme sonuçlarını anlar. Yapılar arasındaki normall...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mevcut çalışma, EFL öğrenenler arasında yapay zeka ile ilgili faktörler, psikolojik durumlar ve öğrenme sonuçları arasındaki karmaşık etkileşimi inceledi ve birkaç önemli bulgu ortaya çıkardı. Metodolojik yaklaşımımız, özellikle PLS-SEM kullanımı, bu karmaşık ilişkileri modellemek için kritik öneme sahipti. Teori doğrulama için daha uygun olan kovaryans tabanlı SEM (CB-SEM) aksine, PLS-SEM'in öngörücü yönelimi ve aracı ve moderatif değişkenlerle karmaşık modelleri ele alma yeteneği, bu k...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Tüm yazarlar çıkar çatışması belirtmemektedir.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, Jiangsu Eyalet Sosyal Bilimler Fonu, Hibe No: (23YYB011) tarafından finanse edilmektedir. Bu çalışma, Prince Sultan Üniversitesi tarafından Dil ve İletişim Araştırma Laboratuvarı kapsamında RL-CH-2019/9/1 hibe kapsamında desteklenmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Dizüstü BilgisayarDell TechnologiesYokVeri işleme ve dokümantasyon için kullanılır
İstatistiksel Yazılım (SPSS)IBM Corp.Sürüm 26.0İstatistiksel analiz için kullanılıyor
Microsoft ExcelMicrosoftOffice 365Veri girişi ve temel veri işleme

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y. H. Exploring the influence of generative artificial intelligence anxiety on problematic ChatGPT use: The fear of missing out and personality traits. Univ Access Inf Soc. 24, 2477-2490 (2025).
  2. Lap, T. Q., Vy, P. N. T., Uyen, N. C. B., Tuan, L. C. 34;Fear of missing out!": Veteran EFL teachers' perceptions of using AI-powered tools in English language teaching. Int J Inf Educ Technol. 15 (6), 1161-1171 (2025).
  3. Khamis, N. Y. H., Yusof, N. Artificial intelligence revolutionising writing assessments. Int J Lang Educ Appl Linguist. 14 (2), 1-6 (2024).
  4. Ng, P. M., Chan, J. K., Kwong, R., Kwok, M. L. J., Lau, M. M., et al. Bonus or burden? Exploring the interplay of FOMO and attitudes on DeepSeek adoption, managing information and firm performance in China. J Enterp Inf Manag. , https://profile.cpce-polyu.edu.hk/en/publications/bonus-or-burden-exploring-the-interplay-of-fomo-and-attitudes-on--3/ (2025).
  5. Yang, X., Song, B., Chen, L., Ho, S. S., Sun, J. Technological optimism surpasses fear of missing out: A multigroup analysis of presumed media influence on generative AI technology adoption across varying levels of technological optimism. Comput Human Behav. 162, 108466(2025).
  6. Lee, B. G. Understanding the digital and AI transformation. , Springer Nature. Singapore. (2024).
  7. Mathur, S., Shah, C. S., Vishnoi, S. K., Tewari, A. ChatGPT and me: A dual factor examination. J Comput Inf Syst. , (2025).
  8. Caporusso, N. Generative artificial intelligence and the emergence of creative displacement anxiety. Res Psychol Behav. , (2023).
  9. Abd Ellatif Elsayed, H. Fear of missing out and its impact: Exploring relationships with social media use, psychological well-being, and academic performance among university students. Front Psychol. 16, 1582572(2025).
  10. Yankouskaya, A., Liebherr, M., Ali, R. Can ChatGPT be addictive? A call to examine the shift from support to dependence in AI conversational large language models. Hum Cent Intell Syst. 5, 77-89 (2025).
  11. Montag, C., Yang, H., Wu, A. M., Ali, R., Elhai, J. D. The role of artificial intelligence in general, and large language models specifically, for understanding addictive behaviors. Ann N Y Acad Sci. 1548 (1), 5-11 (2025).
  12. Deci, E. L., Ryan, R. M. The general causality orientations scale: Self-determination in personality. J Res Pers. 19 (2), 109-134 (1985).
  13. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  14. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  15. Ryan, R. M., Deci, E. L. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Educ Psychol. 61, 101860(2020).
  16. Wu, D., Zhao, Y. C., Wang, X., Song, S., Lian, J. Digital hoarding in everyday hedonic social media use: The roles of fear of missing out (FoMO) and social media affordances. Int J Hum Comput Interact. 40 (18), 5399-5414 (2024).
  17. Venkatesh, V. Determinants of perceived ease of use: Integrating control, intrinsic motivation, and emotion into the technology acceptance model. Inf Syst Res. 11 (4), 342-365 (2000).
  18. Liu, J. When usefulness fuels fear: The paradox of generative AI dependence and the mitigating role of AI literacy. Int J Hum Comput Interact. , (2025).
  19. Shukla, A., Jirli, P. Ethical and social consequences of accelerated technology adoption. Augmenting retail reality, Part A: Blockchain, AR, VR, and the Internet of Things. , Emerald Publishing Limited. (2024).
  20. Owen, A., Graham, M. Ethical considerations in artificial intelligence and the growing dependence on data: Challenges, implications, and future perspectives. , (2024).
  21. Wang, Y. Emotional dependence path of artificial intelligence chatbot based on structural equation modeling. Procedia Comput Sci. 247, 1089-1094 (2024).
  22. Erdmann, M., Lassleben, L., Wagner, L., Prinzing, C., Sauer, S., et al. Effects of increased usage of artificial intelligence (AI) technology on user's perception of dependency on chatbots and smart home systems. In Int Conf Hum Comput Interact. , 178-195 (2025).
  23. Zhang, X., Hu, J., Zhou, Y. The role of perceived utility and ethical concerns in the adoption of AI-based data analysis tools: A multi-group structural equation model analysis among academic researchers. Educ Inf Technol. 30 (13), 18819-19188 (2025).
  24. Uppal, K., Hajian, S. Students' perceptions of ChatGPT in higher education: A study of academic enhancement, procrastination, and ethical concerns. Eur J Educ Res. 14 (1), 199-211 (2025).
  25. Putri, K. Y., Naf'ihima, F. A. R. Pre-service teacher' perceptions of generative AI: Dependency, effect, and ethics. Educ Linguist Knowl J. 7 (1), 1-21 (2025).
  26. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).
  27. Khoso, A. K., Honggang, W., Darazi, M. A. Empowering creativity and engagement: The impact of generative artificial intelligence usage on Chinese EFL students' language learning experience. Comput Hum Behav Rep. 18, 100627(2025).
  28. Amin, M. Y. M. AI and Chat GPT in language teaching: Enhancing EFL classroom support and transforming assessment techniques. Int J High Educ Pedagog. 4 (4), 1-15 (2023).
  29. Murphy, R. S., Wotley, D., Minn, D. Integrating ChatGPT into the EFL classroom: Benefits and challenges. Bull Cent Fundam Educ. 40, 97-166 (2023).
  30. Ahmed, M. A. ChatGPT and the EFL classroom: Supplement or substitute in Saudi Arabia's eastern region. Inf Sci Lett. 12 (7), 2727-2734 (2023).
  31. Long, H. S. Exploring the use of ChatGPT as a tool for written corrective feedback in an EFL classroom. J Asia TEFL. 21 (2), 397-412 (2024).
  32. Ferhataj, A., Memaj, F., Sahatcija, R., Ora, A., Koka, E. Ethical concerns in AI development: Analyzing students' perspectives on robotics and society. J Inf Commun Ethics Soc. 23 (2), 165-187 (2025).
  33. Zaiarna, I., Zhyhadlo, O., Dunaievska, O. ChatGPT in foreign language teaching and assessment: Exploring EFL instructors' experience. Inf Technol Learn Tools. 4 (102), 176-191 (2024).
  34. Mali, Y. C. G. Exploring the use of ChatGPT in EFL/ESL writing classrooms: A systematic review. J Lang Educ. 11 (2), 137-156 (2025).
  35. Bin-Hady, W. R. A., Ali, J. K. M., Al-Humari, M. A. The effect of ChatGPT on EFL students' social and emotional learning. J Res Innov Teach Learn. 17 (2), 243-255 (2024).
  36. Kavak, V. İ, Evis, D., Ekinci, A. The use of ChatGPT in language education. Exp Appl Med Sci. 5 (2), 72-82 (2024).
  37. Li, J., Ren, X., Jiang, X., Chen, C. H. Exploring the use of ChatGPT in Chinese language classrooms. Int J Chin Lang Teach. 4 (3), 36-55 (2024).
  38. Dilzhan, B. Teaching English and artificial intelligence: EFL teachers' perceptions and use of ChatGPT. [Dissertation]. , SDU University. (2023).
  39. Hong, W., Liu, R. D., Ding, Y., Yang, X., Yang, Y., Lin, J. The myth of parental fear of missing out on their children's schooling in China: A tentative study to explore its effect on children's learning engagement. Educ Psychol. 45 (9), 1-20 (2025).
  40. Gezgin, D. M., Efeoğlu, E. Using explainable artificial intelligence to predict internet addiction in Turkish university students. Int J Hum Comput Interact. , (2025).
  41. Al-Furaih, S. A., Al-Awidi, H. M. Fear of missing out (FoMO) among undergraduate students in relation to attention distraction and learning disengagement in lectures. Educ Inf Technol. 26 (2), 2355-2373 (2021).
  42. Sweller, J. Cognitive load theory and educational technology. Educ Technol Res Dev. 68 (1), 1-16 (2020).
  43. Engle, R. W. Working memory and executive attention: A revisit. Perspect Psychol Sci. 13 (2), 190-193 (2018).
  44. Pekrun, R. Inquiry on emotions in higher education: Progress and open problems. Stud High Educ. 44 (10), 1806-1811 (2019).
  45. Santi, E., Kholipa, R., Putri, M. G. Reading interest strength and vocabulary acquisition of EFL learners: A meta-analysis. J Lang Linguist Stud. 17 (3), 1225-1242 (2021).
  46. Chang, A. C., Renandya, W. A. The effect of narrow reading on L2 learners' vocabulary acquisition. RELC J. 52 (3), 493-508 (2021).
  47. Lin, Z., Chen, H. Investigating the capability of ChatGPT for generating multiple-choice reading comprehension items. Syst. 123, 103344(2024).
  48. Shane-Simpson, C., Bakken, T. Students' fear of missing out predicts in-class social media use. Teach Psychol. 51 (2), 141-150 (2024).
  49. Tong, X., Yu, L., Deacon, S. H. A meta-analysis of the relation between syntactic skills and reading comprehension: A cross-linguistic and developmental investigation. Rev Educ Res. 95 (3), 385-426 (2025).
  50. Arini, A., Hudha, M. C. Analyzing the effect of FoMO on students' learning motivation in Islamic religious education. Southeast Asian J Islam Educ. 8 (1), 125-138 (2025).
  51. Mohamed, A. A. A. E. F. Fear of missing out disorder of social networking sites (FoMO) towards blinds and mechanisms of combating it in the framework of technological literacy. Egypt J Public Opin Res. 21 (1), 67-130 (2022).
  52. Chen, C., Shen, Y., Xiao, F., Ni, J., Zhu, Y. The effect of smartphone dependence on learning burnout among undergraduates: The mediating effect of academic adaptability and the moderating effect of self-efficacy. Front Psychiatry. 14, 1155544(2023).
  53. Ye, X., et al. Effect of fear of missing out on learning burnout in medical students: A moderated mediation. Front Psychiatry. 14, 1289906(2023).
  54. Yang, X., Du, J. The effect of teacher self-efficacy, online pedagogical and content knowledge, and emotion regulation on teacher digital burnout: A mediation model. BMC Psychol. 12 (1), 51(2024).
  55. Qin, Y., Liu, S. J., Xu, X. L. The causalities between learning burnout and internet addiction risk: A moderated-mediation model. Soc Psychol Educ. 26 (5), 1455-1477 (2023).
  56. Li, H. I cannot miss it for the world: The relationship between fear of missing out (FoMO) and acceptance of ChatGPT. Basic Appl Soc Psych. 46 (5), 285-294 (2024).
  57. Saboor, A., Ali, K., Mugheri, A., Fatima, M. The impact of digital transformation on educational leadership: Assessing digital burnout and mental health in virtual teaching. Rev Appl Manag Soc Sci. 7 (4), 391-408 (2024).
  58. Kuadey, N. A. m, et al. Using machine learning algorithms to examine the impact of technostress creators on student learning burnout and perceived academic performance. Int J Inf Technol. 16 (4), 2467-2482 (2024).
  59. Al-Enezi, F. K. The mediating role of academic resilience between digital overload and school burnout among high school students in Kuwait. Educ Process Int J. 17, e2025341(2025).
  60. Basri, S., Hawaldar, I. T., Nayak, R., Rahiman, H. U. Do academic stress, burnout and problematic internet use affect perceived learning? Evidence from India during the COVID-19 pandemic. Sustainability. 14 (3), 1409(2022).
  61. Hussain, Z., Chenmei, C., Saeed, M., Hassan, N., Chiragh, F. Personality and teachers' burnout stress: Exploring the digital competence as personal job resource in allied health institutions. Front Psychol. 15, 1334371(2024).
  62. Zhang, P., Ma, S., Zhao, Y., Ling, J., Sun, Y. Analysing influencing factors and correlation paths of learning burnout among secondary vocational students in the context of social media: An integrated ISM-MICMAC approach. Heliyon. 10 (7), e28696(2024).
  63. Song, W., Wang, Z., Zhang, R. Classroom digital teaching and college students' academic burnout in the post COVID-19 era: A cross-sectional study. Int J Environ Res Public Health. 19 (20), 13403(2022).
  64. Dinh, T. C. T., Lee, Y. Social media influencers and followers' conspicuous consumption: The mediation of fear of missing out. Heliyon. 10 (16), (2024).
  65. Kovan, A., Yıldırım, M., Gülbahçe, A. The relationship between fear of missing out and social media addiction among Turkish Muslim students: A serial mediation model through self-control and responsibility. Soc Sci Humanit Open. 10, 101084(2024).
  66. Shi, G., Wu, Y., Pang, H., Liu, Z. The double-edged sword effect of leaders' fear of missing out on leaders' creativity: An experience sampling method study. Psychol Res Behav Manag. 17, 259-271 (2024).
  67. Batmaz, H., Çelik, E., Koçak, L., Tufan, B. N., Makas, S., et al. Fear of missing out mediated the relationship between social appearance anxiety and phubbing in Turkish adults. J Gambl Issues. 53, (2024).
  68. Budhathoki, T., Zirar, A., Njoya, E. T., Timsina, A. ChatGPT adoption and anxiety: A cross-country analysis utilising the unified theory of acceptance and use of technology (UTAUT). Stud High Educ. 49 (5), 831-846 (2024).
  69. Holte, A. J., Nixon, A., Cooper, J. Attachment anxiety mediates the relationship of need to belong and fear of missing out (FoMO). Discov Psychol. 4 (1), 141(2024).
  70. Liu, H., Li, T., Zheng, H., Li, Y., Fan, J. Exploring the relationship between students' language learning curiosity and academic achievement: The mediating role of foreign language anxiety. Behav Sci. 15 (8), 1133(2025).
  71. Jin, W., Li, P., Ma, H., Qin, M. The impact of communication software usage on work engagement in remote work: The mediating role of distraction and FoMO. Curr Psychol. 43 (27), 23156-23177 (2024).
  72. Festinger, L. A theory of social comparison processes. Hum Relat. 7 (2), 117-140 (1954).
  73. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  74. Faul, F., Erdfelder, E., Buchner, A., Lang, A. G. Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  75. Henseler, J., Hubona, G., Ray, P. A. Using PLS path modeling in new technology research: Updated guidelines. Ind Manag Data Syst. 116 (1), 2-20 (2016).
  76. Kim, D., Ko, Y. Development and validation of an ethical awareness scale for AI technology. J Digit Converg. 20 (1), 71-86 (2022).
  77. Abbas, M., Jam, F. A., Khan, T. I. Is it harmful or helpful? Examining the causes and consequences of generative AI usage among university students. Int J Educ Technol High Educ. 21 (1), 10(2024).
  78. Mazlum, M., Atalay, A. Developing the fear of missing out (FoMO) scale for university students: The validity and reliability study. J Pedagog Res. 6 (4), (2022).
  79. Mokhtari, K., Dimitrov, D. M., Reichard, C. A. Revising the metacognitive awareness of reading strategies inventory (MARSI) and testing for factorial invariance. 8 (2), 219-246 (2018).
  80. Erten, P., Özdemir, O. The digital burnout scale. İnönü Univ J Fac Educ. 21 (2), 668-683 (2020).
  81. Li, R., Meng, Z., Tian, M., Zhang, Z., Xiao, W. Modelling Chinese EFL learners' flow experiences in digital game-based vocabulary learning: The roles of learner and contextual factors. Comput Assist Lang Learn. 34 (4), 483-505 (2021).
  82. Hair, J., Alamer, A. Partial least squares structural equation modeling (PLS-SEM) in second language and education research: Guidelines using an applied example. Res Methods Appl Linguist. 1 (3), 100027(2022).
  83. Preacher, K. J., Hayes, A. F. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behav Res Methods. 40 (3), 879-891 (2008).
  84. Hair, J. F., Risher, J. J., Sarstedt, M., Ringle, C. M. When to use and how to report the results of PLS-SEM. Eur Bus Rev. 31 (1), 2-24 (2019).
  85. Hair, J. F. Jr, Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., Ray, S. Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. , Springer Nature. (2021).
  86. Salah, M., Abdelfattah, F., Alhalbusi, H., Al Mukhaini, M. Me and my AI bot: Exploring the 'AIholic' phenomenon and university students' dependency on generative AI chatbots-Is this the new academic addiction. , (2023).
  87. Razali, K., Razali, I. Strategies in improving reading comprehension through vocabulary acquisition. Englisia J Lang Educ Humanit. 1 (1), 1-16 (2013).
  88. Noor, U., Younas, M., Saleh Aldayel, H., Menhas, R., Qingyu, X. Learning behavior, digital platforms for learning and its impact on university student’s motivations and knowledge development. Front. Psychol. , (2022).
  89. Nguyen Thi Thu, H. EFL teachers' perspectives toward the use of ChatGPT in writing classes: A case study at Van Lang University. Int J Lang Instr. 2 (3), 1-47 (2023).
  90. Ghafar, Z. N. ChatGPT: A new tool to improve teaching and evaluation of second and foreign languages. A review of ChatGPT: The future of education. Int J Appl Res Sustain Sci. 1 (2), 73-86 (2023).
  91. Morales-García, W. C., Sairitupa-Sanchez, L. Z., Morales-García, S. B., Morales-García, M. Development and validation of a scale for dependence on artificial intelligence in university students. Front Educ. 9, 1323898(2024).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Yabanc Dil Olarak ngilizce rencileriOkudu unu AnlamaDijital T kenmi likTeknoloji Arac l renmeEtik Kayg larDijital Esenlik

İlgili makaleler