DOI: https://doi.org/10.3389/fpsyg.2025.1689099
PMID: https://pubmed.ncbi.nlm.nih.gov/41346506
تاريخ النشر: 2025-11-19
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تعليم وتعلم اللغة الإنجليزية كلغة أجنبية/ثانوية
نظرة عامة
تدرس هذه الدراسة تأثير تفاعل الذكاء الاصطناعي المدرك (PAII) على سلوكيات التعلم المحفزة (MLBs) بين 171 متعلماً صينياً للغة الإنجليزية كلغة أجنبية (EFL)، مع التركيز على كيفية تأثير مدة استخدام الذكاء الاصطناعي اليومية (DAIUD) على هذه العلاقات. تحدد البحث أربعة أبعاد لـ PAII، حيث وجدت أن جميعها تتنبأ بشكل إيجابي وملحوظ بـ MLBs، مع وجود تأثير تنبؤي أقوى للتحكم من قبل المتعلم (LC) وأضعف استجابة (R). بالإضافة إلى ذلك، وُجد أن DAIUD يعزز الروابط الإيجابية بين R و LC وبعد آخر، P، لكنه لم يعدل تأثير البعد الرابع، الانخراط في التعلم (LE).
تشير النتائج إلى أن فعالية PAII في تعزيز MLBs تعتمد أكثر على جودة وعمق التفاعل بدلاً من تكرار استخدام أدوات الذكاء الاصطناعي. تسهم الدراسة في البحث التحفيزي من خلال دمج أطر نظرية متنوعة، بما في ذلك نظرية التعلم الاجتماعي (SCT) ونظرية تحديد الذات (SDT)، لتوضيح العلاقة بين تصورات الذكاء الاصطناعي والانخراط السلوكي. عملياً، تشير النتائج إلى أنه يجب على مطوري الذكاء الاصطناعي التركيز على تعزيز التحكم من قبل المتعلم والانخراط والتخصيص، بينما يجب على المعلمين تقديم دعم مخصص لتسهيل المشاركة المعنوية في بيئات التعلم المعززة بالذكاء الاصطناعي.
مقدمة
تناقش مقدمة ورقة البحث دمج أدوات الذكاء الاصطناعي، مثل روبوتات الدردشة وأنظمة التعرف على الصوت، في تعليم اللغة الإنجليزية كلغة أجنبية (EFL)، مع تسليط الضوء على قدرتها على تقديم ملاحظات في الوقت المناسب وقابلة للتكيف. مع تفاعل متعلمي EFL بشكل متزايد مع هذه التقنيات، تتطور أدوارهم من متلقين سلبيين إلى مشاركين نشطين في بناء المعرفة. تؤكد الدراسة على أهمية تصورات المتعلمين لتفاعل الذكاء الاصطناعي (PAII)، والتي تشمل أبعاداً مثل الاستجابة والتحكم من قبل المتعلم والانخراط والتخصيص. بينما ركزت الأبحاث السابقة بشكل أساسي على الجوانب التقنية لأدوات الذكاء الاصطناعي، تهدف هذه الدراسة إلى استكشاف كيفية تأثير PAII على سلوكيات التعلم المحفزة (MLBs)، والتي تعتبر حاسمة للنجاح في بيئات التعلم المدعومة بالذكاء الاصطناعي.
مستندة إلى نظرية التعلم الاجتماعي ونظرية تحديد الذات، تبحث الدراسة في كيفية توقع الأبعاد الأربعة لـ PAII لـ MLBs لمتعلمي EFL وتفحص تأثير مدة استخدام الذكاء الاصطناعي اليومية (DAIUD) على هذه العلاقات. تطرح الدراسة سؤالين رئيسيين للبحث: (1) كيف تتنبأ أبعاد PAII بـ MLBs؟ و (2) كيف تعدل DAIUD هذا التأثير التنبؤي؟ من خلال تطبيق إطار عمل متعدد الأبعاد لـ PAII، تهدف الدراسة إلى تقديم رؤى لمطوري الذكاء الاصطناعي والمعلمين لتعزيز انخراط المتعلمين في سياقات EFL، خاصة للمتعلمين الأقل خبرة.
طرق البحث
في هذه الدراسة، تم استخدام تصميم بحث مقطعي للتحقيق في الفرضيات المقترحة بشأن التأثير التنبؤي للاهتمام الأكاديمي الشخصي الداخلي (PAII) على سلوكيات التعلم المحفزة (MLBs) لمتعلمي اللغة الإنجليزية كلغة أجنبية (EFL). تم جمع البيانات من خلال استبيان عبر الإنترنت تم الإبلاغ عنه ذاتياً، مما يسمح بتقييم تصورات وتجارب المشاركين.
بالإضافة إلى ذلك، اعتبرت الدراسة الدور المعدل للاستخدام الأكاديمي الرقمي والتنمية (DAIUD) في العلاقة بين PAII و MLBs. تهدف هذه المقاربة المنهجية إلى تقديم رؤى حول كيفية تأثير الاهتمام الداخلي بالمواضيع الأكاديمية على دافعية المتعلمين وانخراطهم، خاصة في سياق بيئات التعلم الرقمية.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول التي توضح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الاتجاهات أو الشذوذات المهمة.
في هذا القسم، قد يقوم المؤلفون بالإبلاغ عن مقاييس محددة، مثل المتوسطات والانحرافات المعيارية أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي علاقات أو ارتباطات ملحوظة بين المتغيرات، مما يوفر رؤى حول الآليات الأساسية أو الآثار المترتبة على النتائج. بشكل عام، تخدم النتائج في التحقق من أسئلة البحث المطروحة وتضع الأساس للنقاش والاستنتاجات اللاحقة.
المناقشة
تبحث هذه الدراسة في العلاقة بين أبعاد تفاعل الذكاء الاصطناعي المدرك (PAII) وسلوكيات التعلم المحفزة (MLBs) بين متعلمي اللغة الإنجليزية كلغة أجنبية (EFL) الصينيين، مع مدة استخدام الذكاء الاصطناعي اليومية (DAIUD) كعامل معدل. تكشف النتائج أن جميع الأبعاد الأربعة لـ PAII—الاستجابة (R)، التحكم من قبل المتعلم (LC)، الانخراط من قبل المتعلم (LE)، والتخصيص (P)—تتنبأ بشكل ملحوظ بـ MLBs، حيث يظهر LE أقوى قوة تنبؤية. يتماشى هذا مع نظرية التعلم الاجتماعي ونظرية تحديد الذات، مما يشير إلى أن بيئات الذكاء الاصطناعي المستجيبة والجذابة تعزز كفاءة المتعلمين واستقلاليتهم وترابطهم، وبالتالي تعزز الدافعية.
علاوة على ذلك، تعدل DAIUD جزئياً العلاقات بين R و LC و P مع MLBs، مما يشير إلى أن المتعلمين الذين يتفاعلون بشكل متكرر مع أدوات الذكاء الاصطناعي يمكنهم ترجمة تصوراتهم للتفاعل إلى سلوكيات محفزة بشكل أفضل. ومع ذلك، لا تعدل DAIUD بشكل ملحوظ تأثير LE، مما يشير إلى أن جودة الانخراط قد تكون أكثر أهمية من كمية التعرض للذكاء الاصطناعي. تسهم الدراسة في فهم الانخراط السلوكي في سياقات التعلم المدعومة بالذكاء الاصطناعي وتسلط الضوء على الحاجة إلى مزيد من البحث لاستكشاف الطبيعة الديناميكية لهذه العلاقات والأثر المحتمل للعوامل الديموغرافية. تشمل القيود الاعتماد على مقاييس تم الإبلاغ عنها ذاتياً لـ DAIUD وعينة غير متوازنة من حيث الجنس، مما يشير إلى سبل للبحث المستقبلي لتعزيز القابلية للتعميم وعمق النتائج.
DOI: https://doi.org/10.3389/fpsyg.2025.1689099
PMID: https://pubmed.ncbi.nlm.nih.gov/41346506
Publication Date: 2025-11-19
Author(s): Zhenyun Du et al.
Primary Topic: EFL/ESL Teaching and Learning
Overview
This study investigates the impact of perceived AI interactivity (PAII) on motivated learning behaviors (MLBs) among 171 Chinese learners of English as a foreign language (EFL), with a focus on how daily AI usage duration (DAIUD) moderates these relationships. The research identifies four dimensions of PAII, finding that all significantly and positively predict MLBs, with learner control (LC) having the strongest predictive effect and responsiveness (R) the weakest. Additionally, DAIUD was found to enhance the positive associations between R, LC, and another dimension, P, but did not moderate the effect of the fourth dimension, learning engagement (LE).
The findings suggest that the effectiveness of PAII in fostering MLBs is more dependent on the quality and depth of interaction rather than the frequency of AI tool usage. The study contributes to motivational research by integrating various theoretical frameworks, including Social Cognitive Theory (SCT) and Self-Determination Theory (SDT), to elucidate the relationship between AI perceptions and behavioral engagement. Practically, the results indicate that AI developers should focus on enhancing learner control, engagement, and personalization, while educators should offer tailored support to facilitate meaningful participation in AI-enhanced learning environments.
Introduction
The introduction of the research paper discusses the integration of AI tools, such as chatbots and speech recognition systems, into English as a Foreign Language (EFL) education, highlighting their ability to provide timely and adaptive feedback. As EFL learners increasingly engage with these technologies, their roles evolve from passive recipients to active participants in knowledge construction. The study emphasizes the importance of learners’ perceptions of AI interactivity (PAII), which encompasses dimensions such as responsiveness, learner control, engagement, and personalization. While previous research has primarily focused on the technical aspects of AI tools, this study aims to explore how PAII influences motivated learning behaviors (MLBs), which are crucial for success in AI-assisted learning environments.
Grounded in Social Cognitive Theory and Self-Determination Theory, the research investigates how the four dimensions of PAII predict EFL learners’ MLBs and examines the moderating effect of daily AI usage duration (DAIUD) on these relationships. The study poses two key research questions: (1) How do the dimensions of PAII predict MLBs? and (2) How does DAIUD moderate this predictive effect? By applying a multidimensional PAII framework, the research aims to provide insights for AI developers and educators to enhance learner engagement in EFL contexts, particularly for less experienced learners.
Methods
In this study, a cross-sectional research design was utilized to investigate the proposed hypotheses regarding the predictive effect of Personal Academic Intrinsic Interest (PAII) on English as a Foreign Language (EFL) learners’ Motivational Learning Behaviors (MLBs). Data were collected through a self-reported online questionnaire, allowing for the assessment of participants’ perceptions and experiences.
Additionally, the research considered the moderating role of Digital Academic Utilization and Development (DAIUD) in the relationship between PAII and MLBs. This methodological approach aims to provide insights into how intrinsic interest in academic subjects influences learners’ motivation and engagement, particularly in the context of digital learning environments.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables that illustrate the outcomes. The results are often compared against hypotheses or previous studies to highlight significant trends or anomalies.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed relationships or correlations between variables are discussed, providing insights into the underlying mechanisms or implications of the findings. Overall, the results serve to validate the research questions posed and lay the groundwork for subsequent discussion and conclusions.
Discussion
This study investigates the relationship between perceived AI interactivity (PAII) dimensions and motivated learning behaviors (MLBs) among Chinese English as a Foreign Language (EFL) learners, with daily AI usage duration (DAIUD) as a moderating factor. The findings reveal that all four PAII dimensions—responsiveness (R), learner control (LC), learner engagement (LE), and personalization (P)—significantly predict MLBs, with LE exhibiting the strongest predictive power. This aligns with Social Cognitive Theory and Self-Determination Theory, suggesting that responsive and engaging AI environments enhance learners’ competence, autonomy, and relatedness, thereby fostering motivation.
Moreover, DAIUD partially moderates the relationships between R, LC, and P with MLBs, indicating that learners who engage more frequently with AI tools can better translate their perceptions of interactivity into motivated behaviors. However, DAIUD does not significantly moderate the effect of LE, suggesting that the quality of engagement may be more critical than the quantity of AI exposure. The study contributes to the understanding of behavioral engagement in AI-supported learning contexts and highlights the need for further research to explore the dynamic nature of these relationships and the potential impact of demographic factors. Limitations include reliance on self-reported measures for DAIUD and a gender-imbalanced sample, suggesting avenues for future research to enhance generalizability and depth of findings.