Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Dijital refah ve üretken yapay zeka, öğrenci akademik başarısı ve sürdürülebilir kalkınma hedeflerine nasıl ulaşır?

731 görüntülenme

⸱

DOI:

10.3791/70211

⸱

27 Şubat 2026

1Xuzhou Kindergarten Teachers College

Bu makalede

Özet

Bu çalışma, dijital refah ve üretken yapay zekanın İngilizceyi yabancı dil öğrenme etkileşimi olarak güçlendirdiğini ve bunun daha iyi akademik performansa yol açtığını ortaya koymaktadır. Daha yüksek başarı, sürdürülebilir kalkınma hedeflerine dair farkındalığı artırır ve eğitim teknolojisini hem akademik hem de sürdürülebilirlik sonuçlarıyla ilişkilendirir.

Özet

Bu çalışma, dijital refahın ve üretken yapay zeka benimsenmenin, İngilizce Yabancı Dil olarak (EFL) öğrencilerinin akademik başarısına ve Sürdürülebilir Kalkınma Hedefleri (SDG) ile etkileşimine nasıl katkıda bulunduğunu inceliyor. Nicel kesitsel bir tasarım kullanılarak, 440 katılımcıdan dijital iyi oluş, yapay zeka kullanımı, öğrenme katılımı, akademik performans ve SDG farkındalığını ölçen doğrulanmış ölçeklerle veriler toplandı. Kısmi en küçük kare yapısal denklem modellemesi (PLS-SEM), modelin öngörücü geçerliliği ve dayanıklılığı değerlendirilirken bu yapılar arasındaki ilişkileri analiz etmek için kullanılmıştır. Bulgular, hem dijital refahın hem de üretken yapay zekanın EFL öğrenme katılımını önemli ölçüde artırdığını ve bunun da akademik başarıyı artırdığını ortaya koyuyor. Ayrıca, akademik başarı öğrencilerin SDG farkındalığını olumlu etkiler ve dijital eğitim ile sürdürülebilirlik sonuçlarının birbirine bağlılığını vurgular. Çalışma, öğrenme katılımını, teknolojiyle geliştirilmiş öğrenme ile akademik performans arasında kritik bir arabulucu olarak tanımlıyor. Bu sonuçlar, hem akademik başarıyı hem de küresel vatandaşlığı teşvik etmek için dijital sağlık stratejilerinin ve yapay zeka okuryazarlığının eğitim çerçevelerine entegre edilmesinin önemini vurgulamaktadır. Bunlar, öğrencilere dijital hayatlarını etkili öğrenme için yönetmeyi öğreten ve onların dünyanın en acil zorluklarını anlamak ve harekete geçmek için gelişmiş teknolojileri kullanmalarını sağlayan müfredat ve pedagojiler tasarlanarak sağlanır.

Giriş

Hızlı teknolojik gelişmelerle dolu bir dönemde, dijital refahın ve üretken yapay zekanın (GAI) eğitime entegrasyonu, öğrenci akademik başarısı ve Birleşmiş Milletler'in Sürdürülebilir Kalkınma Hedefleri (SDG'ler) üzerinde geniş kapsamlı sonuçları olan dönüştürücü bir güç olarak ortaya çıkmıştır. Dijital refah, bilişsel ve duygusal dengeyi artırmak için sağlıklı teknoloji kullanımını teşvik etmeye odaklanırken, GAI kişiselleştirilmiş öğrenme2, erişilebilirlik ve eğitim verimliliği için eşi benzeri görülmemişfırsatlar sunar 3. Buna rağmen, dünya genelinde bu alanlarda gelişen bir ilgi hattı olsa da, mevcut bilgi birikimi dağınıktır ve akademik başarıyı geliştirme ve küresel sürdürülebilirlik kilometre taşlarını teşvik etme sinerjilerinde geleceğin vaatlerine pekodaklanılmaz. Bu araştırma, dijital refah ilkeleriyle desteklendiğinde GAI'nin sorumlu kullanımının öğrenme sonuçlarını maksimize edip aynı zamanda özellikle SDG 4 (Kaliteli Eğitim), SDG 3 (İyi Sağlık ve Refah) ve SDG 10 (Eşitsizlikleri Azalt) gibi temel SDG'leri nasıl desteklediğini inceleyerek bu çok ihtiyaç duyulan boşluğu doldurmaya yardımcı olur.

Güncel literatüre bir inceleme, birkaç az keşfedilmiş boyutu ortaya koymaktadır. Birincisi, dijital refah üzerine yapılan çalışmalar öğrenciler arasında aşırı ekran süresi, dijital dikkat dağınıklığı ve ruh sağlığı endişeleri risklerinivurgulasa da, çok az kişi yapılandırılmış dijital farkındalık uygulamalarının yapay zeka destekli öğrenme araçlarıyla nasıl bir arada var olabileceğiniincelemiştir 6. İkinci olarak, eğitimde GAI üzerine yapılan araştırmalar, değerlendirmeleri otomatikleştirme, içerik üretme ve uyarlanabilir öğrenmeyi mümkün kılma konusundaki verimliliğinivurgularken öğrencilerin refahı üzerindeki psikolojik ve davranışsal etkilerini göz ardıeder 8. Üçüncü olarak, SDG'ler çerçevesi kapsayıcı ve adil eğitimi savunsa da, YZ ile güçlendirilmiş öğrenme ortamlarının, iyi oluş göz önünde bulundurularak tasarlandığında, eğitim farklılıklarını nasıl azaltabileceğine ve sürdürülebilir öğrenme uygulamalarını nasıl teşvik edebileceğine çok az dikkatgösterilmiştir9. Bu boşluklar, teknolojik yeniliği insan merkezli refah stratejileriyle uyumlu bir yaklaşıma olan ihtiyacı vurguluyor.

Bu çalışma, dijital refah ilkelerini eğitimde GAI uygulamalarıyla uyumlu hale getiren yeni bir çerçeve önererek bu sınırlamaları ele almaktadır. Bu kavramları bağımsız olarak analiz eden önceki10 çalışmasının aksine, bizim çalışmamız dinamiklerini öyle ele alıyor ve böylece bu yapay zekanın öğrenci odağı, motivasyonu ve uzun vadeli akademik başarıyı aşındırmak yerine onları desteklemek için ahlaki olarak nasıl uygulanabileceğine dair ampirik kanıtlar sunuyor. Bu şekilde, mevcut el yazması, eğitim teknolojisi, psikoloji ve sürdürülebilirlik bilimi alanlarındaki tartışmalara katkı sağlayacak ve teknolojilerin entegrasyonu ile sürdürülebilir arasında doğru dengeyi kurmak için kanıta dayalı yaklaşımlar bulmak isteyen çok sayıda okuyucu, araştırmacı, politika yapıcı ve eğitimciyi ilgilendirecek güncel bir varyant sağlayacaktır. Öğrenenlerin ve öğrencilerin bütüncül gelişimi.

Bu araştırmanın teorik katkıları üç unsurdan oluşur. İlk olarak, dijital refah söylemini ilerletmekte, yapay zeka aracılı iyi oluşun yeni bir boyutunu tanıtarak, üretken yapay zekanın bilişsel aşırı yüklenmeyi en aza indirmek ve farkındalık etkileşimini teşvik etmek için nasıl kalibre edilebileceğiniinceliyor. İkinci olarak, eğitimde yapay zeka ile ilgili literatürü temel olarak geliştirerek, iyi oluşu temel bir tasarım özelliği olarak bütünleştirerek mevcut verimlilik odaklı söylemleribozuyor 12. Üçüncü olarak, SMART ile güncellenmiş eğitim sistemlerinin, özellikle dijital uçurumları kapatmada ve öğrencilerin zihinsel olarak dayanıklı hale gelmesinde sürdürülebilir kalkınmanın itici güçleri olabileceğini göstererek SDGs bursunun kalitesini artırıyor. Teorisyenin bu yenilikleri, araştırmamızı disiplinlerarası çalışmaların avangardı arasına yerleştirerek, teknoloji, eğitim ve sürdürülebilirliğin küresel ölçekte mevcut karşılıklı bağımlılığına bir bakış açısı sundu. Akademik olarak, çalışma GAI ve dijital refahın öğrenme sonuçları üzerindeki ikili sonucunun ampirik veriler aracılığıyla nasıl değerlendirilebileceğine dair bütüncül bir çerçevesunmaktadır 13. Politika yapıcılar arasında, eğitimde yapay zeka kullanımının etik bir şekilde nasıl yönetilebileceği ve öğrencilerin güvenliğinin korunması konusunda pratik önerilersunulmaktadır 14. Eğitimcilere, pedagojinin etkinliğini destekleyebilecek ama ihlal etmeyen yapay zeka aracının nasıl uygulanacağına dair kanıta dayalı yöntemlergösterilir 15. Ayrıca, bu sonuçlar ile SDG'ler arasındaki bağlantı, teknolojik olarak gelişmiş eğitimin toplumdaki genel etkilerini daha geniş bir şekilde ortaya koymaktadır; bu nedenle dijital öncülük sürdürülebilir insan kalkınmasıyla uyumlu olmalıdır.

Hızla yayılan dijital teknolojiler ve üretken yapay zekanın (YZE) eğitimde ortaya çıkışı, bunların öğrenci akademik performans düzeyi üzerindeki birleşik etkisi ve Sürdürülebilir KalkınmaHedefi 16 dahil toplumsal hedeflere ulaşılması konusunda büyük bir entelektüel ilgi uyandırdı. Bu teknolojik gelişmeler devrim niteliğinde bir potansiyele sahip olsa da, bu teknolojilerin pedagojik ortamlara uygulanması, mevcut çalışmaların eleştirel bir şekilde sentezlenerek yaklaşan çalışmaların içgörülerini ve sınırlamalarını tanımlamak için zengin bir kutuplar ve tartışmalı lojistikalanıdır 17. Bu literatür incelemesi, üç ilgili alandaki içgörüleri inceleyecektir: (1) dijital refah ve eğitimsel etkileri, (2) üretken yapay zeka ve bunun eğitim uygulaması üzerindeki etkisi, (3) verilen teknolojik müdahalelerin özellikle kaliteli eğitim, sağlık ve eşitlik konularında bulunanlarla uyumluluğu. Dijital refah, giderek teknolojiye odaklanan öğrenme ortamlarında kritik bir çalışma alanı olarak ortayaçıkmıştır 18. Araştırmalar bilişsel aşırı yüklenme, dijital dikkat dağıtma ve ekran aşırı kullanımıyla ilişkili pasif tüketim gibi riskleri vurgulasa da, bu etkilerin hafifletilme potansiyelinin giderek daha fazla kabul edildiğibir konuda bulunmaktadır 19. Dijital farkındalık, kasıtlı teknoloji kullanımı ve metabilişsel yansıma gibi stratejik müdahaleler, anlamlı etkileşimi teşvik edebilir ve zihinsel ve duygusal sağlığı koruyabilir. Önemli olarak, dijital refah ekran süresini en aza indirmekten öteye girer; Bu, teknoloji ile dengeli, kendi kendini belirleyen bir ilişki kurmayıiçerir 20. Bu bakış açısı, algoritmik önyargı ve otomasyona aşırı bağımlılık gibi etik zorlukların öğrencilerin yetkinlik duygusunu doğrudan etkileyebildiği yapay zeka destekli öğrenme ortamlarında geçerlidir; bu da motivasyon ve iyilik hali için temel psikolojik ihtiyaçlar olan ilişkililiği (ilişkililik) duygusunu doğrudan etkileyebilir. Bu boşluğu kapatmak, sadece dijital etkileşim risklerini ele almakla kalmayıp, aynı zamanda eğitimde üretken yapay zeka araçlarının tasarımı ve kullanımına proaktif olarak refah ilkelerini entegre eden bir çerçeve gerektirir.

İnsan benzeri metinler, fotoğraflar ve eylemlere yanıt veren oyunlar üreten üretken yapay zekanın yeniliğiyle, kişiselleştirilmiş ve uyarlanabilir öğrenme için yeni bir olasılık alanıaçıldı. Araştırmalar, idari süreçlerin otomasyonunda, kişiselleştirilmiş öğrenme kaynaklarının oluşturulmasında, gerçek zamanlı geri bildirim vermede ve talimatların hem verimliliğini hem de erişilebilirliğini artırmada etkiliolduğunu doğrulamıştır 24. Örneğin, Intelligent Tutoring Systems ve ChatGPT gibi yapay zeka tabanlı araçların farklılaştırılmış öğretimikolaylaştırdığı gösterilmiştir 25. Bununla birlikte, üretken yapay zekanın pedagojik kullanımının etik ve psikolojik sonuçları da vardır; örneğin, akademik bütünlük sorunu, algoritmadaki önyargı ve öğrencilerin yapay zeka tarafından üretilen eserlere fazla güvendiklerinde eleştirel düşünme yeteneklerini kaybetme ihtimaligibi faktörler de vardır 26. Mevcut araştırmalar, eğitimde yapay zekanın işleyiş yetenekleri hakkında çok fazla bilgi sağlasa da, özellikle dijital iyilik durumu söz konusu olduğunda, öğrenciler üzerindeki psikolojik ve davranışsal sonuçları incelemeyi ihmaletmektedir 27. Bu hata, üretken yapay zekanın öğrencilerde bilişsel ve duygusal sağlığa nasıl fayda sağlayabileceğinin daha yakından değerlendirilmesinin gerekliliğini gösteriyor, değil de onlara zarar veriyor. Dijital refah ile üretken yapay zekanın birleşimi, dünyanın adil ve sürdürülebilir kalkınma çağrısını geliştirdiği SDG'ler prizmasından süzüldüğünde de yeni bir önem kazanır. Kendi tarafından, SDG 4 (Kaliteli Eğitim) öğrenme fırsatlarına adil ve kapsayıcı erişim gerektirir29. Aynı şekilde, SDG 3 (İyi Sağlık ve Refah) ve SDG 10 (Eşitsizliklerin Azaltılması), ruh sağlığına özen gösterilmesi ve sosyal eşitliğin teşvik edilmesi gerekliliğini vurgular; bunlar her ikisi de öğrencilerin dijitaldeneyimleriyle ilgilidir 30. Ancak yapay zeka ve SDG'ler şu anda tekno-pozitivist bir şekilde tartışılır; yapay zeka müdahalelerinin ölçeklenebilirliğini övür ve teknoloji kullanımının psikososyal yönleri görmezdengelinir. Örneğin, yapay zeka hizmet almayan nüfusların öğrenme deneyimini kişiselleştirebilse de, uygulanması sağlık korumasından yoksundur; bu da dijital yorgunluğu artırabilir ve teknolojiye farklı erişime ve öz denetim yeteneklerine sahip öğrenciler arasındaki eşitsizlik farkını artırabilir32. Yenilik ile refah arasındaki gerilim, bu literatür boşluğunun hayati olduğunu ve yapay zeka destekli eğitim ilerlemesiniSDG'ler 33'ün insanist idealleriyle birleştiren tutarlı, tutarlı bir çerçevenin varlığını artırıyor.

Eğitim psikolojisi, insan-bilgisayar etkileşimi ve sürdürülebilirlik çalışmaları, bu iki farklı araştırma çizgisini birleştirmek için faydalı gözlükler sunabilecek teorik yaklaşımlardan bazılarını temsil eder. Böyle bir teoriye örnek olarak Kendi Belirlenme Teorisi (SDT) örnek olarak kullanılabilir; bu teoriye göre, sağlıklı öğrenme ve refah, insanların özerklik, yeterlilik ve ilişki tatmini yaşadığında eldeedilebilir 34. Dijital ortamlara uygulandığında, SDT, üretken yapay zekanın hem kişiselleştirilmiş öğrenme programları yoluyla özerkliği hem de geri bildirimin uyumlanabilirliği sayesinde yetkinlik düzeyini artırabileceğini, ancak aynı zamanda sosyal yerinden edilmeyi aşarak ilişkililiği destekleyecek şekildetasarlanması gerektiğini ima eder 35. Benzer şekilde, teknolojinin hem bireysel hem de toplu iyi oluşla uyumlu olduğu dijital denge kavramı, eğitimde yapay zekanın rolünü değerlendirmek için normatif bir temelsunar 36. Buna rağmen, bu teorik yapılar yapay zeka destekli öğrenme ortamlarının ampirik analizine nadiren dahil edilmiştir; bu da dijital refaha yönelik yapay zeka sistemlerinin nasıl mühendislik yapılabileceği konusunda sorulardoğurmaktadır 37. Literatüre yapılan eleştirel bir inceleme, bazı çözülmemiş gerilimlerin ve gelecekteki gelişim alanlarının olduğunugöstermektedir 38. Öncelikle, dijital refah meselesi akıllıca bir şekilde ölçülülük ve farkındalık üzerine odaklansa da, üretken yapay zeka etkileşim ve dalgınlık meselesidir ve bunun paradoksu ampirik çözümlergerektirir 39. İkincisi, eğitimde yapay zeka etik tartışması, AI40 ile etkileşimin psikolojik sonuçlarına fazla düşünmeden veri gizliliği ve algoritmik şeffaflığa dayanmıştır. Üçüncüsü, SDG'lerin sağladığı sürdürülebilirlik ve eşitlik odaklığı, YZ'nin gerçek uygulamasının teknik ve pedagojik yönleriyle kapsamlı bir şekilde ilişkili değildir. Bu engeli aşmak için, disiplinleri çapraz şekilde kesmek ve bilişsel bilim, davranışsal ekonomi ve eğitim politikasının içgörülerini kullanarak sadece teknolojik olarak istikrarlı değil, aynı zamanda insancıl çerçeveler oluşturmak önemlidir. Şekil 1, tüm değişkenleri ve onların birbirleriyle yol ilişkisini içeren bu çalışmanın kavramsal çerçevesini göstermektedir. Bu modelde, çalışma değişkenleri arasındaki varsayımsal ilişki kavramsal çerçevede verilmiştir.

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

Protokol

Bu çalışma, anonim anketler ve/veya bilgilendirilmiş onay veren katılımcılarla yapılan görüşmeleri içerdiği için Kurumsal İnceleme Kurulu'ndan (IRB) resmi etik onay gerektirmemiştir. Kişisel veya hassas veriler toplanmadı ve tüm yanıtlar sadece araştırma amaçlı gizli tutuldu. Katılım gönüllüydü ve katılımcılar çalışmanın hedefleri hakkında bilgilendirildi, sonra görüşlerini sundular.

Çalışma, İngilizce Yabancı Dil (EFL) öğrencileri arasında dijital refah, üretken yapay zeka kullanımı ve akademik sonuçlar arasındaki ilişkileri incelemek için nicel ve kesitsel bir tasarım kullandı. Veriler, Çin'in birden fazla üniversitesinden 440 lisans EFL öğrencisinden oluşan amaçlı örneklemli bir popülasyondan toplanan ve öğrenmelerinde üretken yapay zeka araçlarını aktif olarak kullanan bir gruptan alındı. Yapılandırılmış anket, dijital refah41 için 12 maddelik ölçüm, üretken yapay zeka kullanımı için 8 maddelik ölçek, kendi algıladığı akademik başarıölçeği 42 ve SDG farkındalığı ile öğrenme katılımı ölçümleri dahil olmak üzere doğrulanmış ölçekler kullandı ve hepsi 5 puanlık Likert yanıtları kullandı. Veri analizi, betimleyici istatistikler ve güvenilirlik kontrolleri için SPSS v.27 ile ölçüm ve yapısal modelleri değerlendirmek için Kısmi En Küçük Kare Yapısal Denklem Modelleme (PLS-SEM) için SmartPLS v.4.0 kullanılarak iki aşamalı bir protokol izlendi; test yolu anlamlılığı için bootstrapping uygulandı.

Araştırma tasarımı
Bu çalışmada kullanılan araştırma tasarımı, dijital refah, üretken yapay zeka, öğrenci akademik başarısı ve SDG'lerin EFL öğrencileri arasında nasıl ilişkili olduğunu belirlemek için nicel ve kesitsel niteliktedir. Kesitsel tasarım, araştırmacının bir zaman noktasında veri toplamasını sağlar ve incelenen değişkenlerin bir resmini sunar. Nicel araştırma tasarımı, sonuçları ölçülebilir ve istatistiksel olarak analiz edilebilir bilgilere dayalı, sonuçların daha güvenilir ve genelleştirilmiş hale getirmesini sağlar. Bu desen, dijital refahın ve üretken yapay zekanın akademik başarı ve SDG'ler üzerindeki doğrudan ve dolaylı etkilerini analiz etmek için özellikle geçerlidir; çünkü yapısal denklem modellemesi gibi gelişmiş istatistiksel prosedürlerin kullanılmasını mümkün kılacaktır.

Nüfus ve örnekleme
Bu çalışmanın hedef kitlesi, Çin'deki yükseköğretim kurumlarında İngilizce Yabancı Dil olarak (EFL) programlarına kayıtlı lisans öğrencilerinden oluşuyordu. Katılmak için öğrencilerin aşağıdaki dahil etme kriterlerini karşılaması gerekiyordu: şu anda lisans öğrencisi olarak kayıtlı olmak, düzenli akademik öğrenme süreçlerinin bir parçası olarak ChatGPT, Copilot veya benzeri yazma yardımı, araştırma veya içerik üretimi için üretken yapay zeka araçlarını aktif olarak kullanmak ve bilgilendirilmiş onay sağlamak. Dışlama kriterleri ise üretken yapay zekayı akademik amaçlarla kullanmamak, lisansüstü veya lisansüstü öğrenci olmak ve eksik anket yanıtları vermekti.

Bu kriterleri karşılayan katılımcıları amaçlı bir örnekleme tekniği olarak kazandı; böylece temel yapay zeka kullanım değişkeninin anlamlı ölçümü sağlandı. Son örneklem N = 440 katılımcıdan oluşuyordu; bu büyüklük, Kısmi En Küçük Kare Yapısal Denklem Modelleme (PLS-SEM) için gereken istatistiksel dayanıklılık için yeterli kabul ediliyordu. Temsil ve genellenebilirliği artırmak için, işe alım birden fazla üniversiteyi ve çeşitli akademik disiplinleri (Beşeri Bilimler, Sosyal Bilimler, STEM) kapsıyordu. Örneklem için demografik veriler şu şekildedir: Yaş 18 ila 24 arasında değişiyordu (M = 20.4, SD = 1.6); Cinsiyet %58 kadın (n = 255) ve %42 erkek (n = 185) olarak dağıtıldı; Eğitim yılı birinci sınıf (%22, n = 97), ikinci yıl (%31, n = 136), üçüncü sınıf (%28, n = 123) ve dördüncü sınıf (%19, n = 84) öğrencilerini içeriyordu. Kilo bilgisi, çalışmanın yapılarıyla ilgili olmadığı için toplanmadı.

Veri toplama prosedürü
Veri toplama, güvenli bir platformda (örneğin Qualtrics) barındırılan anonim bir çevrimiçi anket aracılığıyla gerçekleştirildi. Hedeflenen üniversitelerden potansiyel katılımcılar, kurumsal e-posta listeleri, Öğrenme Yönetim Sistemleri (örneğin, Moodle, Blackboard) duyurular ve ilgili öğrenci sosyal medya grupları aracılığıyla davet edildi. Davetiyede çalışmanın amacı, gönüllü doğası, tahmini tamamlanma süresi (15-20 dakika) ve gizlilik garantileri açıkça belirtilmişti. Anketin ilk sayfasında ayrıntılı bir bilgilendirilmiş onay formu sunuldu; yalnızca dijital onay veren katılımcılar ankete devam etti. Sıra yanlılığını azaltmak için, anket bölümleri her katılımcı için rastgele bir sırayla sunuldu. Veri toplama penceresi iki hafta boyunca açıktı. İlk davetden bir hafta sonra, katılımı teşvik etmek ve yanıt oranlarını artırmak için orijinal kanallar üzerinden tek bir hatırlatma gönderildi. Toplama döneminden sonra, veri seti tamlık açısından taranmış, önemli ölçüde eksik olan yanıtlar (örneğin, %20 eksik >veri) çıkarılmıştır. Veri kalitesinden emin olmak için nihai analizden önce tek değişkenli ve çok değişkenli istisna değerler için sonraki kontroller yapıldı.

Enstrümantasyon ve ölçüler
Çalışma, dijital iyi oluş, üretken yapay zeka kullanımı, öğrenci akademik başarısı, SDG'lerin farkındalığı ve EFL öğrencilerinin öğrenme katılımı gibi temel değişkenleri ölçmek için yapılandırılmış bir anket kullandı. Dijital refah, Arslankara ve ark.41, sorumluluk (4 madde), memnuniyet (4 madde) ve wellness (4 madde) alt ölçekleri dahil olmak üzere 12 maddelik ölçek kullanılarak ölçüldü. Üretken yapay zeka kullanımı, ChatGPT'nin benimseme sıklığına odaklanan 8 maddelikbir ölçek 43 ile operasyonel hale getirildi. Mevcut çalışmada, akademik performans, Mehrvarz ve ark.44'te belirtildiği gibi Yu ve ark.42'den uyarlanmış bir öz-algı ölçeği kullanılarak değerlendirildi. Bu enstrüman dört öğeden oluşur. SDG'lerin farkındalığı, Atmaca ve ark.45'ten uyarlanmış doğrulanmış bir ölçekle ölçüldü; bu ölçek üç ana boyuttan oluşuyordu: Ekonomik sürdürülebilirlik (12 madde), sosyal sürdürülebilirlik (9 madde) ve çevresel sürdürülebilirlik (14 madde), öğrencilerin farkındalığı ve etkinliklere katılımıyla değerlendirildi. Son olarak, EFL dil öğrenme etkileşimi Eerdemutu ve ark.46'nın 9 maddelik bir ölçeği kullanılarak değerlendirildi. Tüm ölçekler 5 noktalı Likert yanıtları kullandı; pilot testler (n=30) güvenilirliği doğruladı (Cronbach'ın α > 0.82) ve doğrulayıcı faktör analizi yapı ayırt ediciliğini doğruladı.

Veri analiz planı
Toplanan veriler, SPSS (v.27) ve SmartPLS (v.4.0) kombinasyonu kullanılarak iki aşamalı analitik yaklaşımla analiz edildi. İlk olarak, SPSS ön analizler için kullanıldı; bunlar arasında tanımlayıcı istatistikler (ortalamalar, standart sapmalar), güvenilirlik testi (Cronbach alfası) ve değişkenler arasındaki temel ilişkileri incelemek için korelasyon matrisleri bulunuyordu. İkinci olarak, kısmi en küçük kare yapısal denklem modelleme (PLS-SEM) yazılımı olan SmartPLS, varsayılan modeli test etmek için kullanıldı. PLS-SEM, gizli değişkenler arasındaki karmaşık ilişkileri yönetme yeteneği ve normalde dağıtılmamış verilerle sağlamlığı nedeniyle seçilmiştir. Analiz, ölçüm modeli geçerliliğini (yakınsamacı ve ayırt edici geçerlilik) ve yapısal model anlamlılığını (yol katsayıları, R² değerleri ve öngörücü önemlilik) değerlendirmeyi içerdi. Yolların istatistiksel anlamlılığını test etmek için bootstrapping yapıldı.

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

Sonuçlar

Sonuçlar, çalışmanın temel hipotezlerine güçlü ampirik destek sağlar ve dijital refah ile üretken yapay zeka kullanımının EFL öğrenme katılımını olumlu etkilediği, bunun da akademik başarıyı teşvik ettiği ve dolayısıyla Sürdürülebilir Kalkınma Hedefleri (SDG) ile daha fazla etkileşimi teşvik ettiği önemli bir ardışık yol olduğunu doğrular. Özellikle, dijital refah (β=0.32, s<0.001) ve üretken yapay zeka kullanımı (β=0.28, s<0.001) öğrenme katılımı üzerinde güçlü doğrudan etkiler yaratmış...

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

Tartışma

Önceki araştırmalar büyük ölçüde dijital refahı, eğitimde yapay zekayı ve Sürdürülebilir Kalkınma için Eğitimi (ESD) izole olarakincelemiştir 47. Kişisel dijital yetkinliklerin yeni teknolojilerle nasıl kesiştiğini anlamada önemli bir boşluk vardı; bu da sadece akademik sonuçları değil, aynı zamanda küresel vatandaşlığı da yönlendiriyordu. Bu çalışma bu alanları benzersiz bir şekilde birleştiriyor. Dijital refahın (β = 0.32, s<0.001) ve GAI'nin benimsenmesinin (β ...

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

Açıklamalar

Tüm yazarlar çıkar çatışması belirtmemektedir.

Teşekkürler

Bu araştırma fon alamadı.

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

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Akademik Başarı ÖlçeğiYu ve ark. (2010) üzerinden uyarlanmıştırYokÖlçüm Aleti
Göz Bağlama Prosedürü (Q2 için)SmartPLSİç RutinAnalitik Prosedür
Bootstrapping ProsedürüSmartPLSİç RutinAnalitik Prosedür
Bileşik Güvenilirlik DeğerlendirmesiSmartPLSİç RutinAnalitik Prosedür
Korelasyon Matrisi AnaliziIBM SPSS İstatistikleriİç RutinAnalitik Prosedür
Cronbach'ın Alfa Güvenilirlik AnaliziIBM SPSS İstatistikleriİç RutinAnalitik Prosedür
Veri Depolama SistemiKurumsal BTGüvenli SunucuEkipman & Materyal
Betimleyici İstatistik AnaliziIBM SPSS İstatistikleriİç RutinAnalitik Prosedür
Dijital Refah ÖlçeğiArslankara ve ark. (2022)YokÖlçüm Aleti
EFL Öğrenme Katılımı ÖlçeğiEerdemutu ve ark. (2024)YokÖlçüm Aleti
Fornell-Larcker Kriter DeğerlendirmesiSmartPLSİç RutinAnalitik Prosedür
Üretken Yapay Zeka Kullanım ÖlçeğiAbbas ve ark. (2024) üzerinden uyarlanmıştırYokÖlçüm Aleti
Heterotrait-Monotrait (HTMT) Oranı DeğerlendirmesiSmartPLSİç RutinAnalitik Prosedür
IBM SPSS İstatistikleriIBMSürüm 27Yazılım
Bilgilendirilmiş Onay BelgeleriAraştırma EkibiElektronik FormEkipman & Materyal
Çevrimiçi AnketAraştırma EkibiKendi YönetimiEkipman & Materyal
PLS AlgoritmasıSmartPLSİç RutinAnalitik Prosedür
PLS-SEM YazılımıSmartPLSSürüm 4.0Yazılım
SDG Farkındalık ÖlçeğiAtmaca ve ark. (2019) üzerinden uyarlanmıştırYokÖlçüm Aleti
SmartPLSSmartPLS GmbHSürüm 4.0Yazılım

Kaynaklar

  1. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  2. 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. Comp Human Behav Rep. 18, 100627(2025).
  3. Rane, N. Roles and challenges of ChatGPT and similar generative artificial intelligence for achieving the sustainable development goals (SDGs). SSRN. 4603244, (2023).
  4. Enhancing education and well-being through artificial intelligence: opportunities and challenges. Qasmi, F., Fatima, S. K. Int Conf Breaking Barriers Generative Intell, , 154-164 (2024).
  5. Ferk, S., Vesna, S., Sanja, J. The role of AI implementation in higher education in achieving the Sustainable Development Goals: A case study from Slovenia. Sustainability. 17 (1), 183(2025).
  6. Barbieri, W., Nguyen, N. N. Generative AI as a placement buddy: Supporting pre-service teachers in work-integrated learning, self-management and crisis resolution. Australasian J Edu Tech. 41 (2), 34-49 (2025).
  7. Alshammari, M. E. Promoting emotional and psychological well-being in students through a self-help ChatGPT intervention: Artificial intelligence powered support. Int J Instruct. 18 (3), 511-530 (2025).
  8. Khoso, A. K., Honggang, W., Younas, M., Salam El-Dakhs, D. A. The Dual Forces of AI: How Generative AI and Perceived AI Dependency Influence Fear of Missing Out (FoMO) and EFL Students' Vocabulary Acquisition. J Vis Exp. (226), e69637(2025).
  9. Matthew, U. O., et al. Generative artificial intelligence (AI) on sustainable development goal 4 for tertiary education: conversational AI with user-centric ChatGPT-4. Impacts Generat AI Creativity Higher Edu. , 259-288 (2024).
  10. Pushpanadham, K., Sarpong, R. A. Research and Innovation in Higher Education: Promises of Generative Artificial Intelligence for Sustainable Development. Generat Artif Intell Higher Edu Handbook Edu Leaders. 32 (5-6), 154(2024).
  11. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  12. Abdelmagid, A. S., Jabli, N. M., Al-Mohaya, A. Y., Teleb, A. A. Integrating Interactive Metaverse Environments and Generative Artificial Intelligence to Promote the Green Digital Economy and e-Entrepreneurship in Higher Education. Sustainability. 17 (12), 5594(2025).
  13. Raman, R., Iyer, A., Nedungadi, P. Forecasting Artificial General Intelligence for Sustainable Development Goals: A Data-Driven Analysis of Research Trends. Sustainability. 17 (16), 7347(2025).
  14. Farmanesh, P., Vehbi, A., Dehkordi, N. S. AI Literacy in Achieving Sustainable Development Goals: The Interplay of Student Engagement and Anxiety Reduction in Northern Cyprus Universities. Sustainability. 17 (11), 4763(2025).
  15. Niewiadomski, M., et al. The interrelation between digital competencies and Work-Life balance among academic Staff Realization of SDG goals in the science sector. Qual Quant. , 1-26 (2025).
  16. Jiménez-García, E., Ruiz-Lázaro, J., Martínez-Requejo, S., Redondo-Duarte, S. Artificial Intelligence and chatbots for sustainable higher education: a systematic review. RIED-Rev Iberoamer Educ Dist. 28 (2), 81-104 (2025).
  17. Sharma, C., Sharma, S., Bhardwaj, V., Dhaliwal, B. K. Generative artificial intelligence for sustainable development: predictive trend analysis in key sectors using natural language processing. Disc Appl Sci. 7 (6), 596(2025).
  18. Navigating the Bio-Digital Revolution: AI's Role in Achieving Sustainable Development Goals. Aravinda, K., Rangaraju, T., Singla, A., Parmar, A., Ziara, S. 2025 Int Conf Next Generat Comm Info Proc, , 262-267 (2025).
  19. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2025).
  20. Simanjuntak, A., Sutarman, A., Anjani, S. A., Nuche, A. Integrating artificial intelligence in e-learning for organizational well-being through orange technology mapping. IAIC Transact Sustain Digital Innovat. 7 (1), 13-26 (2025).
  21. Al-Emran, M., et al. Role of perceived threats and knowledge management in shaping generative AI use in education and its impact on social sustainability. Int J Manag Edu. 23 (1), 101105(2025).
  22. Bollaert, L. Artificial Intelligence: Objective or Tool in the 21st-Century Higher Education Strategy and Leadership. Edu Sci. 15 (6), 774(2025).
  23. Shahzad, M. F., Shuo, X., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  24. Jukiewicz, M. How generative artificial intelligence transforms teaching and influences student wellbeing in future education. Front Edu. 10, 159457(2025).
  25. Shi, J., Liu, W., Hu, K. Exploring How AI Literacy and Self-Regulated Learning Relate to Student Writing Performance and Well-Being in Generative AI-Supported Higher Education. Behav Sci. 15 (5), 705(2025).
  26. Hall, K. Shaping Digital Well-being: Developing a Well-being Lens on the Socio-technical Systems Perspective in Information Systems Research. [PhD dissertation]. , (2025).
  27. Huang, F., Wang, Y., Zhang, H. Modelling Generative AI Acceptance, Perceived Teachers' Enthusiasm and Self-Efficacy to English as a Foreign Language Learners' Well-Being in the Digital Era. Eur J Edu. 59 (4), e12770(2024).
  28. Shahzad, M. F., Xu, S., Liu, H., Zahid, H. Generative artificial intelligence (ChatGPT-4) and social media impact on academic performance and psychological well-being in China's higher education. Eur J Edu. 60 (1), e12835(2025).
  29. Kamau, J. N. Generative Artificial Intelligence and Mental Well-Being of University Students. A Structural Equation Modeling (SEM) Based-Analysis. African J Busi Dev Studies. 1 (2), 344-358 (2025).
  30. Monzon, N., Hays, F. A. Leveraging generative artificial intelligence to improve motivation and retrieval in higher education learners. JMIR Med Edu. 11 (1), e59210(2025).
  31. Reyes-Portillo, J. A., et al. Generative AI-Powered Mental Wellness Chatbot for College Student Mental Wellness: Open Trial. JMIR Format Res. 9 (1), e71923(2025).
  32. Kazanidis, I., Pellas, N. Harnessing generative artificial intelligence for digital literacy innovation: A comparative study between early childhood education and computer science undergraduates. AI. 5 (3), 1427-1445 (2024).
  33. Vanden Abeele, M. M. Digital wellbeing as a dynamic construct. Comm Theor. 31 (4), 932-955 (2021).
  34. Ryan, R. M., Edward, L. D. Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemp Edu Psychol. 61, 101860(2020).
  35. Kee, T., Kuys, B., King, R. Generative artificial intelligence to enhance architecture education to develop digital literacy and holistic competency. J Artif Intell Archit. 3 (1), 24-41 (2024).
  36. Klarin, J., Hoff, E. V., Larsson, A., Daukantaitė, D. Adolescents' use and perceived usefulness of generative AI for schoolwork: exploring their relationships with executive functioning and academic achievement. Front Artif Intell. 7, 1415782(2024).
  37. Setsoafia, P., Appiah-Kubi, J., Koduah, C. A., Essel, H. B., Madakena, A. K. T. Are They AI-Literate? Exploring The Impact Of Generative AI Literacy On Academic Performance Among Ghanaian University Students. , (2025).
  38. Oubibi, M. Generative artificial intelligence: Postgraduate student's digital adaptability, engagement and academic confidence. J Comp Edu. , 1-23 (2025).
  39. Pavone, G. Generative AI in the Learning Process: Threat or Tool? Understanding the Role of Self-Esteem and Academic Anxiety in Shaping Student Motivations. J Marketing Edu. 02734753251346857, (2025).
  40. Doshi, R., Dadhich, M., Poddar, S., Hiran, K. K. Integrating generative AI in education to achieve sustainable development goals. IGI global. , (2024).
  41. Arslankara, V. B., Demir, A., Öztaş, Ö, Usta, E. Digital well-being scale validity and reliability study. J Teacher Edu Lifelong Learning. 4 (2), 263-274 (2022).
  42. Yu, A. Y., Tian, S. W., Vogel, D., Kwok, R. C. W. Can learning be virtually boosted? An investigation of online social networking impacts. Comp Edu. 55 (4), 1494-1503 (2010).
  43. 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 Edu Technol Higher Edu. 21 (1), 10(2024).
  44. Mehrvarz, M., Heidari, E., Farrokhnia, M., Noroozi, O. The mediating role of digital informal learning in the relationship between students' digital competence and their academic performance. Comp Edu. 167, 104184(2021).
  45. Atmaca, A. C., Kıray, S. A., Pehlivan, M. Development of a measurement tool for sustainable development awareness. Int J Assess Tools Edu. 6 (1), 80-91 (2019).
  46. Eerdemutu, L., Dewaele, J. M., Wang, J. Developing a short language classroom engagement scale (LCES) and linking it with needs satisfaction and achievement. System. 120, 103189(2024).
  47. Ajlouni, A. O., Abu-Shawish, R. K., Silim, D. M., Ibrahim, A. H. The Academic Intensity Use of Chatbot-Based Artificial Intelligence and Its Relation to Academic Well-Being: A Correlational Study at the University of Jordan. IntJ Eng Pedag. 14 (8), (2024).
  48. Reeve, J., Cheon, S. H. Autonomy-supportive teaching: Its malleability, benefits, and potential to improve educational practice. Edu Psychol. 56 (1), 54-77 (2021).
  49. Nedungadi, P., Tang, K. Y., Raman, R. The transformative power of generative artificial intelligence for achieving the sustainable development goal of quality education. Sustainability. 16 (22), 9779(2024).
  50. Khoso, A. K., Honggang, W., Darazi, M. A. Trust and attitude towards AI as pathways to creativity: a TAM Model study of EFL students' digital literacy and AI acceptance. Humanit Soc Sci Commun. 13, 69(2026).
  51. Ringo, D. S. The effect of generative AI use on doctoral students' academic research progress: the moderating role of hedonic gratification. Cogent Education. 12 (1), 2475268(2025).
  52. Duong, C. D., Vu, T. N., Ngo, T. V. N., Do, N. D., Tran, N. M. Reduced student life satisfaction and academic performance: Unraveling the dark side of ChatGPT in the higher education context. Int J Human Comp Interact. 41 (8), 4948-4963 (2025).

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

Yeniden basım ve izinler

Etiketler

EFL rencilerirenme Kat l mYapay Zeka OkuryazarlTeknoloji Destekli renmeAkademik PerformansS rd r lebilir Kalk nma Ama lar Fark ndal

Bu makale yayımlandı

Video yakında

Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.