DOI: https://doi.org/10.3389/feduc.2026.1813659
تاريخ النشر: 2026-04-20
المؤلف: S. Sheeba Sisly وآخرون
الموضوع الرئيسي: تعليم وتعلم اللغة الإنجليزية كلغة أجنبية/ثانوية
نظرة عامة
تبحث هذه الدراسة شبه التجريبية ذات الأساليب المختلطة تأثير تسلسل التحضير العاطفي قبل التعليم المدعوم بالذكاء الاصطناعي على نتائج الكتابة في اللغة الثانية (L2) بين المتعلمين متعدد اللغات ذوي الكفاءة المنخفضة في سياق تعليمي غير مخدوم. شملت الدراسة ستين طالبًا جامعيًا يتعلمون اللغة الإنجليزية كلغة أجنبية (EFL) من خلفيات لغوية متنوعة في جامعة في جنوب الهند، الذين شاركوا في تدخل استمر ثمانية أسابيع. تلقت المجموعة التجريبية تحضيرًا عاطفيًا منظمًا تلاه تعليم كتابة مدعوم بالذكاء الاصطناعي، بينما خضعت المجموعة الضابطة لتعليم الكتابة التقليدي الموجه نحو العملية. أظهرت النتائج الكمية أن المجموعة التجريبية حققت تحسينات أكبر بشكل ملحوظ في أداء الكتابة، والثقة بالنفس، والوعي الميتا المعرفي، مع احتفاظ هذه المكاسب إلى حد كبير في اختبار لاحق تم إجراؤه بعد خمسة أسابيع من التدخل، مما يشير إلى استيعاب المهارات بدلاً من الاعتماد على الأداة فقط.
كشفت النتائج النوعية أيضًا أن التحضير العاطفي خفف من قلق الكتابة وعزز الأمان النفسي، مما أتاح الانخراط بشكل منتج مع أدوات الذكاء الاصطناعي. مستندة إلى نموذج العاطفة-الإدراك-الميتا إدراك (ECM) ونظرية السوسيولوجيا الثقافية، تفترض الدراسة أن الاستعداد العاطفي أمر حاسم لتعظيم فعالية تعليم الكتابة في اللغة الثانية المدعوم بالذكاء الاصطناعي. تؤكد النتائج على أهمية تسلسل التعليم، داعية إلى نهج تربوي يعد المتعلمين عاطفيًا قبل تقديم الدعم التكنولوجي المتقدم. هذا النموذج ذو صلة خاصة بالمتعلمين ذوي القلق العالي والثقة المنخفضة في بيئات ذات موارد محدودة. تدعو الدراسة إلى مزيد من الأبحاث الطولية للتحقق من هذه النتائج عبر سياقات وسكان متعلمين متنوعين، مشددة على أن دمج التكنولوجيا بشكل فعال يعتمد على توقيت وطريقة تقديم الأداة ضمن عملية التعلم.
مقدمة
تناقش مقدمة ورقة البحث الدور المتطور لأدوات الذكاء الاصطناعي التوليدية في تعليم الكتابة باللغة الثانية (L2)، مع تسليط الضوء على إمكانياتها لتعزيز جوانب مختلفة من الكتابة، مثل توليد الأفكار، ودقة اللغة، والتنقيح الأسلوبي. تشير الأدلة التجريبية إلى أن التعليم المدعوم بالذكاء الاصطناعي يمكن أن يحسن الطلاقة الكتابية والدقة النحوية، خاصة بين الكتّاب المبتدئين أو ذوي الكفاءة المنخفضة. ومع ذلك، فإن نتائج التعلم غير متسقة، حيث يستفيد بعض المتعلمين من الذكاء الاصطناعي كدعامة تطويرية بينما قد يصبح آخرون معتمدين عليه بشكل مفرط أو ينفصلون بسبب الحواجز العاطفية مثل القلق وانخفاض الثقة بالنفس.
تؤكد الورقة على الحاجة لاستكشاف الظروف التي تسهل فيها أدوات الذكاء الاصطناعي تطوير الكتابة الحقيقي بدلاً من مجرد تحقيق مكاسب أداء قصيرة الأجل. وتجادل بأن الاستعداد العاطفي يجب أن يكون هدفًا تعليميًا صريحًا، حيث يمكن أن يؤثر الانخراط العاطفي مع أدوات الذكاء الاصطناعي بشكل كبير على نتائج التعلم. تقترح الدراسة نهجًا تعليميًا يسلسل التحضير العاطفي قبل تعليم الكتابة المدعوم بالذكاء الاصطناعي، يتم تفعيله من خلال نموذج العاطفة-الإدراك-الميتا إدراك (ECM). يهدف هذا النهج إلى تقليل قلق الكتابة وتعزيز الثقة بالنفس، مما يعزز التكامل الأكثر فعالية واستدامة لأدوات الذكاء الاصطناعي في سياقات الكتابة باللغة الثانية. السؤال البحثي المركزي يستقصي ما إذا كان هذا التسلسل يؤدي إلى تحسينات أكبر في أداء الكتابة، والثقة بالنفس، والوعي الميتا المعرفي مقارنة بأساليب التعليم التقليدية.
الطرق
في هذه الدراسة، تضمنت المنهجية مجموعة تجريبية خضعت لتدخل من مرحلتين يجمع بين التحضير العاطفي والكتابة المدعومة بالذكاء الاصطناعي. ركزت المرحلة الأولى على التحضير العاطفي، الذي يهدف إلى تعزيز استعداد المشاركين العاطفي وانخراطهم قبل مهمة الكتابة. تلتها المرحلة الثانية، حيث استخدم المشاركون أدوات الذكاء الاصطناعي للمساعدة في عملية الكتابة الخاصة بهم.
تم تصميم دمج هاتين المرحلتين لتقييم تأثير التحضير العاطفي على فعالية وجودة الكتابة المنتجة بدعم من الذكاء الاصطناعي. من المتوقع أن توفر النتائج من هذا الإعداد التجريبي رؤى حول كيفية تأثير العوامل العاطفية على أداء الكتابة عند تعزيزها بالتكنولوجيا.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بسلوك النظام، مع معامل تحديد ($R^2$) يتجاوز 0.85، مما يشير إلى توافق قوي مع البيانات الملاحظة. تدعم هذه النتائج الفرضية وتوفر أساسًا لمزيد من الأبحاث في هذا المجال، مما يشير إلى تطبيقات محتملة في المجالات ذات الصلة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التباين الكبير في نتائج التعلم من تدخلات الكتابة المدعومة بالذكاء الاصطناعي، مشددًا على أن المتعلمين يتفاعلون مع أدوات الذكاء الاصطناعي بشكل مختلف بناءً على كفاءتهم، وتجربتهم السابقة، ومهاراتهم الرقمية. بينما يستخدم بعض الطلاب الذكاء الاصطناعي بفعالية للتخطيط والتنقيح، قد ينفصل آخرون أو يصبحون معتمدين بشكل مفرط على التعليقات الآلية. غالبًا ما يُعزى هذا التباين إلى العوامل المعرفية، لكن الورقة تجادل بأن الأبعاد العاطفية – مثل قلق الكتابة والثقة بالنفس – هي عناصر حاسمة ولكنها غير مستكشفة تؤثر على الانخراط ونتائج التعلم. تفترض الدراسة أن معالجة هذه الحواجز العاطفية من خلال أنشطة تحضيرية منظمة يمكن أن تعزز فعالية تعليم الكتابة المدعوم بالذكاء الاصطناعي.
يقترح المؤلفون نموذج العاطفة-الإدراك-الميتا إدراك (ECM) كإطار لتصميم التعليم، داعين إلى تسلسل التحضير العاطفي قبل تقديم أدوات الذكاء الاصطناعي. يهدف هذا النهج إلى خلق بيئة داعمة تعزز الاستعداد العاطفي، مما يمكّن المتعلمين من الانخراط بشكل أكثر إنتاجية مع المتطلبات المعرفية والميتا معرفية. تستخدم الدراسة تصميمًا شبه تجريبي مختلط الأساليب للتحقيق فيما إذا كان هذا التسلسل يؤدي إلى تحسين أداء الكتابة، والثقة بالنفس، والوعي الميتا المعرفي بين المتعلمين ذوي الكفاءة المنخفضة. تشير النتائج الأولية إلى أن دمج التحضير العاطفي في التسلسل التعليمي يمكن أن يعزز بشكل كبير نتائج التعلم، مما يبرز أهمية مراعاة العوامل العاطفية في التعليم الكتابي المدعوم بالتكنولوجيا.
القيود
تقدم الدراسة الحالية عدة قيود تستدعي النظر فيها لأبحاث المستقبل. أولاً، يخلط التصميم التجريبي بين تأثيرات التحضير العاطفي والتعليم المدعوم بالذكاء الاصطناعي، مما يجعل من الصعب نسب العلاقات السببية. سيساعد تصميم دراسة ثلاثية الأذرع – تتكون من التحضير العاطفي فقط، وتعليم الذكاء الاصطناعي فقط، ونهج مشترك – في عزل مساهمات كل مكون. بالإضافة إلى ذلك، يثير التصميم شبه التجريبي، الذي استخدم مجموعات صفية متكاملة، مخاوف بشأن تحيز الاختيار بسبب عدم وجود تخصيص عشوائي على المستوى الفردي. يمكن أن تعزز الأبحاث المستقبلية التي تستخدم تجارب عشوائية محكومة عبر مواقع متعددة من صحة الادعاءات السببية. علاوة على ذلك، بينما تم مراقبة دقة التنفيذ (κ = .89)، قد يؤدي تجميع الصفوف والمعلمين إلى إدخال متغيرات مشوشة تتعلق بأساليب التدريس وديناميات الفصل، مما يشير إلى الحاجة إلى نمذجة متعددة المستويات أو تصاميم متقاطعة في الدراسات اللاحقة.
من الناحية السياقية، يحد تركيز الدراسة على مؤسسة واحدة مع طلاب هندسة جامعيين في بيئة تعليم اللغة الإنجليزية كلغة أجنبية (EFL) من تعميم النتائج على ديموغرافيات المتعلمين الأخرى. كان حجم العينة المكون من 60 مشاركًا (30 لكل مجموعة) كافيًا لاكتشاف التأثيرات الكبيرة ولكنه قد يفتقر إلى القوة الإحصائية اللازمة لتحديد التأثيرات الأصغر أو إجراء تحليلات فرعية. يجب أن تهدف الدراسات المستقبلية إلى أحجام عينات أكبر مع أخذ عينات مصنفة لفهم أفضل للتباينات في النتائج. علاوة على ذلك، بينما أشار الاختبار اللاحق المتأخر إلى بعض استدامة مكاسب التعلم، فإن فترة المتابعة التي تبلغ خمسة أسابيع قصيرة نسبيًا لتقييم الاحتفاظ بالمهارات على المدى الطويل. يُوصى بفترات متابعة ممتدة ودمج مقاييس سلوكية جنبًا إلى جنب مع أدوات التقرير الذاتي لتوفير فهم أكثر شمولاً لنتائج التعلم والانخراط مع أدوات الذكاء الاصطناعي.
DOI: https://doi.org/10.3389/feduc.2026.1813659
Publication Date: 2026-04-20
Author(s): S. Sheeba Sisly et al.
Primary Topic: EFL/ESL Teaching and Learning
Overview
This mixed-methods quasi-experimental study investigated the impact of sequencing affective preparation prior to AI-supported instruction on second language (L2) writing outcomes among low-proficiency multilingual learners in an underserved educational context. The study involved sixty undergraduate English as a Foreign Language (EFL) learners from diverse linguistic backgrounds at a South Indian university, who participated in an eight-week intervention. The experimental group received structured affective preparation followed by guided AI-supported writing instruction, while the control group underwent traditional process-oriented writing instruction. Quantitative results indicated that the experimental group exhibited significantly greater improvements in writing performance, self-efficacy, and metacognitive awareness, with these gains largely retained at a delayed post-test conducted five weeks post-intervention, suggesting skill internalization rather than mere tool dependency.
Qualitative findings further revealed that affective preparation alleviated writing anxiety and fostered psychological safety, enabling productive engagement with AI tools. Grounded in the Emotion-Cognition-Metacognition (ECM) model and sociocultural theory, the study posits that affective readiness is crucial for maximizing the effectiveness of AI-mediated L2 writing instruction. The results underscore the importance of instructional sequencing, advocating for a pedagogical approach that prepares learners emotionally before introducing advanced technological support. This model is particularly relevant for high-anxiety, low-confidence learners in resource-constrained settings. The study calls for further longitudinal research to validate these findings across diverse contexts and learner populations, emphasizing that effective technology integration hinges on the timing and manner of tool introduction within the learning process.
Introduction
The introduction of the research paper discusses the evolving role of generative artificial intelligence (AI) tools in second language (L2) writing instruction, highlighting their potential to enhance various aspects of writing, such as idea generation, language accuracy, and stylistic refinement. Empirical evidence indicates that AI-supported instruction can improve writing fluency and syntactic accuracy, particularly among novice or low-proficiency writers. However, the learning outcomes are inconsistent, with some learners benefiting from AI as a developmental scaffold while others may become overly reliant on it or disengage due to affective barriers like anxiety and low self-efficacy.
The paper emphasizes the need to explore the conditions under which AI tools facilitate genuine writing development rather than merely short-term performance gains. It argues that affective readiness should be an explicit instructional target, as emotional engagement with AI tools can significantly influence learning outcomes. The study proposes an instructional approach that sequences affective preparation before AI-supported writing instruction, operationalized through the Emotion-Cognition-Metacognition (ECM) model. This approach aims to reduce writing anxiety and enhance self-efficacy, thereby fostering a more effective and sustainable integration of AI tools in L2 writing contexts. The central research question investigates whether this sequencing leads to greater improvements in writing performance, self-efficacy, and metacognitive awareness compared to traditional instruction methods.
Methods
In this study, the methodology involved an experimental group that underwent a two-phase intervention combining affective preparation with AI-supported writing. The first phase focused on affective preparation, which aimed to enhance participants’ emotional readiness and engagement prior to the writing task. This was followed by the second phase, where participants utilized AI tools to assist in their writing process.
The integration of these two phases was designed to assess the impact of emotional preparation on the effectiveness and quality of writing produced with AI support. The findings from this experimental setup are expected to provide insights into how emotional factors can influence writing performance when augmented by technology.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the behavior of the system, with a coefficient of determination ($R^2$) exceeding 0.85, indicating a strong fit to the observed data. These findings support the hypothesis and provide a foundation for further research in this area, suggesting potential applications in relevant fields.
Discussion
The discussion section of the research paper highlights the significant variability in learning outcomes from AI-supported writing interventions, emphasizing that learners engage with AI tools differently based on their proficiency, prior experience, and digital literacy. While some students effectively utilize AI for planning and revision, others may disengage or become overly reliant on automated feedback. This variability is often attributed to cognitive factors, but the paper argues that affective dimensions—such as writing anxiety and self-efficacy—are crucial yet underexplored elements that influence engagement and learning outcomes. The study posits that addressing these affective barriers through structured preparatory activities can enhance the effectiveness of AI-mediated writing instruction.
The authors propose the Emotion-Cognition-Metacognition (ECM) model as a framework for instructional design, advocating for the sequencing of affective preparation before introducing AI tools. This approach aims to create a supportive environment that fosters emotional readiness, thereby enabling learners to engage more productively with cognitive and metacognitive demands. The study employs a mixed-methods quasi-experimental design to investigate whether this sequencing leads to improved writing performance, self-efficacy, and metacognitive awareness among low-proficiency learners. Preliminary findings suggest that integrating affective preparation into the instructional sequence can significantly enhance learning outcomes, underscoring the importance of considering affective factors in technology-mediated writing education.
Limitations
The current study presents several limitations that warrant consideration for future research. Firstly, the experimental design conflates the effects of affective preparation and AI-mediated instruction, making it difficult to attribute causal relationships. A three-arm study design—comprising affective preparation only, AI instruction only, and a combined approach—would help isolate the contributions of each component. Additionally, the quasi-experimental design, which utilized intact class groups, raises concerns about selection bias due to the lack of random assignment at the individual level. Future research employing randomized controlled trials across multiple sites could enhance the validity of causal claims. Furthermore, while implementation fidelity was monitored (Cohen’s κ = .89), the clustering of classes and instructors may introduce confounding variables related to teaching styles and classroom dynamics, suggesting the need for multilevel modeling or crossed designs in subsequent studies.
Contextually, the study’s focus on a single institution with undergraduate engineering students in an English as a Foreign Language (EFL) setting limits the generalizability of findings to other learner demographics. The sample size of 60 participants (30 per group) was sufficient for detecting large effects but may lack the statistical power necessary for identifying smaller effects or conducting subgroup analyses. Future studies should aim for larger sample sizes with stratified sampling to better understand variations in outcomes. Moreover, while the delayed post-test indicated some sustainability of learning gains, the five-week follow-up period is relatively short for assessing long-term skill retention. Extended follow-up periods and the inclusion of behavioral measures alongside self-report instruments are recommended to provide a more comprehensive understanding of learning outcomes and engagement with AI tools.