Generative Künstliche Intelligenz, Motivation, Angst und Kreativität in saudischen Englisch-als-Fremdsprache-Klassenzimmern: Eine Querschnittsumfrage

Zusammenfassung

Diese Querschnittsuntersuchung untersuchte die Zusammenhänge zwischen der Nutzung generativer künstlicher Intelligenz, Unterrichtsstil, digitaler Kompetenz, Motivation, Angst und Kreativität bei saudischen Studierenden im Fach Englisch als Fremdsprache und identifizierte die Motivation als wichtigen Mediator der beobachteten Beziehungen.

Zusammenfassung

Künstliche-Intelligenz-(KI-)Werkzeuge wie ChatGPT werden zunehmend in den Englisch-als-Fremdsprache-(EFL-)Unterricht integriert; es liegen jedoch begrenzte Erkenntnisse darüber vor, wie deren Nutzung mit Unterrichtsstil, digitaler Kompetenz, Motivation, Fremdsprachenunterrichtsangst (FLCA) und Kreativität im saudi-arabischen Kontext zusammenhängt. Diese Studie untersuchte die Beziehungen zwischen diesen Konstrukten und analysierte die vermittelnde Rolle der Motivation innerhalb eines einheitlichen konzeptionellen Rahmens. Eine quantitative Querschnittsumfrage wurde an 280 Studierenden im Bachelorstudium, die EFL an einer staatlichen Universität in Saudi-Arabien belegen, mithilfe validierter Fragebogeninstrumente durchgeführt. Die vorgeschlagenen Zusammenhänge wurden mittels partieller kleinster-Quadrate-Strukturgleichungsmodellierung (PLS-SEM) analysiert. Die Ergebnisse zeigten, dass die Nutzung von ChatGPT, der Unterrichtsstil und die digitale Kompetenz positiv mit der Motivation der Studierenden verbunden waren. Eine höhere Motivation war mit geringeren FLCA-Werten und höherer Kreativität assoziiert. Die Motivation vermittelte zudem die Zusammenhänge zwischen der Nutzung von ChatGPT, dem Unterrichtsstil, der digitalen Kompetenz und der FLCA. Diese Befunde legen nahe, dass die motivationalen Erfahrungen der Studierenden eng mit den Beziehungen zwischen Unterrichtspraktiken, Technologienutzung und Ergebnissen des Spracherwerbs verknüpft sind. Die Studie liefert Belege dafür, dass die Integration geeigneter Unterrichtsstrategien, generativer KI-Werkzeuge und digitaler Kompetenz im Englischunterricht sinnvoll ist, und unterstreicht gleichzeitig die Bedeutung, die motivationalen und emotionalen Erfahrungen der Lernenden bei der Gestaltung technologiegestützter Lernumgebungen zu berücksichtigen.

Einleitung

Das Königreich Saudi-Arabien befindet sich im Rahmen der Vision 2030 inmitten einer umfassenden Bildungsreform, die die Entwicklung von Fähigkeiten des 21. Jahrhunderts, digitale Kompetenz sowie innovative pädagogische Ansätze auf allen Bildungsebenen priorisiert¹. In diesem nationalen Kontext sieht sich der Englisch-unterricht als Fremdsprache (EFL) weiterhin mit anhaltenden Herausforderungen konfrontiert, darunter eine prüfungsorientierte Kultur, die auswendig gelerntes Wissen und Testleistungen über kommunikative Kompetenz stellt^2,3. Eingeschränkte Möglichkeiten für authentische englische Sprachinteraktion außerhalb des Klassenzimmers sowie hohe Werte an Fremdsprachenangst im Unterricht (FLCA) beeinträchtigen zusätzlich die Bereitschaft der Lernenden, aktiv zu kommunizieren und sich sinnvoll mit der Zielsprache auseinanderzusetzen⁴. Diese Herausforderungen haben Pädagogen und politische Entscheidungsträger veranlasst, innovative Ansätze zu erforschen, die motivationalen Defiziten, emotionalen Barrieren und kreativem Spracheinsatz entgegenwirken. Künstliche Intelligenz (KI) hat sich als vielversprechender Weg erwiesen, um den Spracherwerb zu unterstützen und den Unterricht zu transformieren⁵. Unter den KI-Anwendungen im Englischunterricht (ELT) hat ChatGPT, ein konversationelles generatives KI-Modell, besondere Aufmerksamkeit erhalten, da es interaktive Sprachübungen und sofortiges, individuelles Feedback in Echtzeit-Gesprächen ermöglicht⁶. Diese Merkmale sind besonders relevant für saudische EFL-Klassenzimmer, in denen lehrerzentrierter Unterricht und begrenzte Schülerinteraktion die kreative Sprachproduktion weiterhin einschränken⁷. ChatGPT könnte helfen, diese Einschränkungen zu überwinden, indem es Gelegenheiten für authentische, angstfreie Sprachpraxis mit einem KI-Gesprächspartner bietet⁸.

Jüngste bildungspolitische Reformen in Saudi-Arabien haben einen Übergang hin zu einer lernzentrierten Pädagogik gefördert und dadurch Möglichkeiten geschaffen, KI-Technologien zu integrieren, die aktive Beteiligung, kritisches Denken und selbstgesteuertes Lernen fördern^9,10. Wenn angemessen eingesetzt, kann ChatGPT diesen Übergang unterstützen, indem es die Sprachpraxis über traditionelle Unterrichtsaktivitäten hinaus erweitert¹¹. Die Wirksamkeit der KI-Integration hängt jedoch teilweise von der digitalen Kompetenz der Studierenden ab, die definiert ist als deren Fähigkeit, digitale Technologien für das Lernen effektiv zu bewerten, zu nutzen und damit zu interagieren¹². Digitale Kompetenz ermöglicht es Lernenden, KI-Werkzeuge produktiv einzusetzen und gleichzeitig potenzielle Risiken wie übermäßige Abhängigkeit und Fehlinformationen zu minimieren¹³. Diese Kompetenz ist besonders wichtig im saudi-arabischen Hochschulwesen, in dem sich der digitale Wandel im Rahmen der Vision 2030 beschleunigt hat¹⁴.

Obwohl frühere Studien KI-Tools, Lehrstil, digitale Kompetenz, Motivation, Angst und Kreativität einzeln untersucht haben, gibt es nur begrenzte Hinweise darauf, wie diese Konstrukte in einem einheitlichen Rahmen in nicht-westlichen EFL-Kontexten wie Saudi-Arabien miteinander interagieren. Motivation wurde durchgängig als wichtiger Mechanismus identifiziert, der Unterrichtspraktiken mit Lernergebnissen verbindet, einschließlich geringerer Angst, größerer Kreativität und anhaltender Beteiligung¹⁵. Die Zusammenhänge zwischen der Nutzung von ChatGPT, dem Lehrstil, der digitalen Kompetenz, der Motivation, der FLCA und der Kreativität wurden jedoch im saudischen EFL-Kontext bisher nicht umfassend untersucht¹⁶. Die Schließung dieser Lücke könnte theoretische und praktische Erkenntnisse für die Gestaltung technologiegestützter Sprachlernumgebungen liefern, die die motivationale, emotionale und kreative Entwicklung der Studierenden unterstützen. Entsprechend untersucht diese Studie die Zusammenhänge zwischen der Nutzung von ChatGPT, dem Lehrstil, der digitalen Kompetenz, der Motivation, der FLCA und der Kreativität bei saudischen EFL-Studenten. Insbesondere werden (1) die Beziehungen zwischen der Nutzung von ChatGPT, dem Lehrstil und der digitalen Kompetenz einerseits und der Motivation der Studierenden andererseits; (2) die Beziehungen zwischen Motivation, FLCA und Kreativität; sowie (3) die vermittelnde Rolle der Motivation in den Beziehungen zwischen der Nutzung von ChatGPT, dem Lehrstil, der digitalen Kompetenz und den Ergebnisvariablen Angst und Kreativität untersucht.

Diese Studie leistet einen Beitrag zur Fremdsprachenlehre (EFL) und zum technologiegestützten Lernen, indem sie die Nutzung von KI-Tools in bestehende Modelle der Motivation und des Sprachenlernens integriert und so das Verständnis des technologieunterstützten Sprachenlernens in zeitgenössischen Bildungskontexten erweitert. Zudem liefert sie Belege, die Lehrende, Lehrplangestalter und politische Entscheidungsträger bei der Integration von KI-Tools in den saudischen EFL-Unterricht unterstützen können. Indem die Studie die Motivation als vermittelnden Faktor zwischen Technologienutzung und Unterrichtspraktiken einerseits sowie Fremdsprachenlernangst (FLCA) und Kreativität andererseits untersucht, bietet sie kontextspezifische Evidenz zur Förderung einer lernzentrierten Sprachausbildung, die mit den bildungspolitischen Reformzielen Saudi-Arabiens übereinstimmt.

Die Selbstbestimmungstheorie (SDT) bietet einen theoretischen Rahmen, um den Zusammenhang zwischen Lehrpraktiken und der Motivation von Studierenden in Bildungskontexten zu verstehen¹⁷. Laut der SDT werden intrinsische Motivation und autonome Formen der extrinsischen Motivation gefördert, wenn die drei grundlegenden psychologischen Bedürfnisse der Lernenden – Autonomie, Kompetenz und Verbundenheit – im Lernumfeld erfüllt werden¹⁸. Der Lehrstil ist daher ein entscheidender kontextueller Faktor, der die Motivation und das Engagement der Studierenden beeinflusst¹⁹. Lehrpraktiken, die Autonomie unterstützen, indem sie sinnvolle Wahlmöglichkeiten bieten, die Perspektiven der Studierenden anerkennen und Lernaktivitäten erklären, fördern die intrinsische Motivation und ein selbstbestimmtes Engagement²⁰. Im Kontext des Englisch-als-Fremdsprache-Unterrichts (EFL) wurden lernzentrierte Ansätze, einschließlich der Rollen des Vermittlers und Delegators im Lehrstil, mit größerer Studierendenzugehörigkeit, aktiverer Teilnahme und stärkerem Interesse am Sprachenlernen in Verbindung gebracht^21,22. Umgekehrt kann ein lehrerzentrierter Unterricht die Motivation verringern, indem er die Teilhabe und Autonomie der Studierenden einschränkt und extrinsische Belohnungen über das intrinsische Interesse stellt^23,24. Im saudi-arabischen EFL-Kontext, in dem traditioneller Unterricht historisch auf Auswendiglernen und lehrerzentrierte Vermittlung abzielte²⁵, könnte die Übernahme stärker lernzentrierter Lehransätze die Motivation der Studierenden unterstützen²⁶. Auf Grundlage dieser theoretischen und empirischen Erkenntnisse wird die folgende Hypothese aufgestellt: H1: Der Lehrstil beeinflusst die Motivation von EFL-Studierenden positiv.

Der Zusammenhang zwischen Bildungstechnologie und Lernermotivation wurde umfassend untersucht^27,28. Das Technologieakzeptanzmodell (TAM) besagt, dass die Motivation der Lernenden zur Nutzung von Bildungstechnologien von der wahrgenommenen Nützlichkeit und der wahrgenommenen Leichtigkeit der Bedienung beeinflusst wird, was wiederum das Verhalten und die Nutzung von Technologien prägt²⁹. Angewandt auf ChatGPT legt dieser Ansatz nahe, dass Studierende, die das Tool als nützlich und einfach zu bedienen empfinden, eher dazu neigen, es für das Sprachenlernen einzusetzen³⁰. Empirische Studien berichten über positive Zusammenhänge zwischen KI-gestütztem Sprachenlernen und der Motivation der Studierenden, wobei interaktive Funktionen, unmittelbares Feedback und personalisierte Übungen zu anhaltender Beteiligung beitragen^31,32. ChatGPT könnte zudem Barrieren im Zusammenhang mit Sprachangst verringern, indem es Möglichkeiten für sprachliche Übungen unter geringem Druck bietet, was die fortgesetzte Nutzung der Sprache fördern kann³³. Dieses Potenzial ist besonders im saudischen Kontext relevant, wo die fremdsprachliche Kommunikationsangst (FLCA) als wesentliche Hürde für Motivation und sprachliche Leistung identifiziert wurde³⁴. Auf Grundlage dieser theoretischen und empirischen Erkenntnisse wird die folgende Hypothese aufgestellt: H2: Die Nutzung von ChatGPT beeinflusst die Motivation von EFL-Studierenden positiv.

Digitale Kompetenz ist zu einem wichtigen Faktor für die Motivation von Studierenden in zeitgenössischen EFL-Lernumgebungen geworden³⁵. Sie bezeichnet die Fähigkeit, digitale Technologien und Medien effektiv zum Lernen zu suchen, zu bewerten und zu nutzen³⁶. In EFL-Kontexten ermöglicht digitale Kompetenz Lernenden, digitale Ressourcen – einschließlich ChatGPT, Lernmanagementsysteme und Multimedia-Tools – effektiv zur Unterstützung des Sprachenlernens und der Motivation einzusetzen³⁷. Studierende mit einem höheren Maß an digitaler Kompetenz nutzen Lern-Technologien wahrscheinlicher mit Selbstvertrauen, was Kompetenz und Autonomie fördert und mit intrinsischer Motivation assoziiert ist³⁸. Zudem sind sie besser gerüstet, digitale Werkzeuge für eigenständige Sprachpraxis, Feedback und anhaltende Lernbeteiligung zu nutzen³⁹. Auf Grundlage dieser Literatur wird die folgende Hypothese vorgeschlagen: H3: Die digitale Kompetenz von EFL-Studierenden beeinflusst deren Motivation positiv.

FLCA und Kreativität sind eng miteinander verbundene Konstrukte im Bereich des fremdsprachlichen Englischunterrichts, obwohl ihr Verhältnis komplex bleibt⁴⁰. Angstzustände können die Leistung der Lernenden bei Aufgaben beeinträchtigen, die Kreativität, kognitive Flexibilität, divergentes Denken und Selbstausdruck erfordern⁴¹. FLCA spiegelt die Angst der Lernenden vor Fehlern, vor negativer Beurteilung und vor geringem Selbstvertrauen wider, Faktoren, die alle die kreative Sprachproduktion beeinträchtigen können⁴². Kreativität ist jedoch eine wichtige Kompetenz beim Erlernen von Englisch als Fremdsprache, da sie kontextgerechten und innovativen Sprachgebrauch fördert³¹. Frühere Studien haben berichtet, dass Lernende mit stärkerer Angst weniger bereit sind, an kreativen Schreibaufgaben und mündlichen Kommunikationsaktivitäten teilzunehmen^43,44. Auf Grundlage dieser Literatur werden die folgenden Hypothesen aufgestellt: 1) H4: Die Motivation von Lernenden im Englisch als Fremdsprache-Unterricht steht in negativer Beziehung zu ihrer Angst, und 2) H5: Die Angst von Lernenden im Englisch als Fremdsprache-Unterricht beeinträchtigt negativ ihre Kreativität.

Die Motivation bietet einen theoretischen Mechanismus, über den Lehrstil, die Nutzung von ChatGPT und digitale Kompetenz mit der FLCA⁴⁵ in Verbindung stehen könnten. Motivierte Lernende neigen eher dazu, aktiv teilzunehmen, Herausforderungen zu bewältigen und geringere Ausprägungen von Kommunikationsangst aufzuweisen⁴⁶. Unterstützende Lehrpraktiken, KI-gestütztes Sprachenlernen sowie eine ausgeprägtere digitale Kompetenz wurden jeweils mit höherer Motivation und geringerer Angst in EFL-Lernumgebungen assoziiert^47,48,49. Frühere Studien deuten außerdem darauf hin, dass eine stärkere Motivation mit geringerer Klassenraumangst und erhöhter Kreativität verbunden ist, was die Motivation als potenziellen Mediator stützt, der den Zusammenhang zwischen Unterrichtspraktiken, Technologienutzung und Lernergebnissen vermittelt^50,51,52. Auf Grundlage dieser Literatur werden folgende Hypothesen aufgestellt: 1) H6: Motivation vermittelt den Zusammenhang zwischen Lehrstil und der Angst von EFL-Schülern; 2) H7: Motivation vermittelt den Zusammenhang zwischen der Nutzung von ChatGPT und der Angst von EFL-Schülern; und 3) H8: Motivation vermittelt den Zusammenhang zwischen der digitalen Kompetenz von EFL-Schülern und deren Angst. Abbildung 1 veranschaulicht das postulierte Modell, in dem Lehrstil, Nutzung von ChatGPT und digitale Kompetenz mit der Motivation von EFL-Schülern verknüpft sind, die wiederum deren Beziehungen zu FLCA und Kreativität vermittelt.

Abbildung 1. Hypothetisches Forschungsmodell. Das Modell zeigt die postulierten Zusammenhänge zwischen der Nutzung von ChatGPT, Unterrichtsstil, digitaler Kompetenz, Motivation, Fremdsprachenunterrichtsangst und Kreativität bei Schülerinnen und Schülern im Englisch-als-Fremdsprache-Unterricht (EFL). Durchgezogene Linien stellen direkte, postulierte Beziehungen dar, gestrichelte Linien vermittelnde Beziehungen, wie im Bild angegeben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Protokoll

Obwohl die Studie aufgrund ihres nicht-experimentellen, anonymen Umfrageformats, das keine physischen Eingriffe, Manipulationen oder Täuschungen der Teilnehmer beinhaltete, keine formelle ethische Genehmigung durch eine institutionelle Prüfkommission erforderte, wurden alle Verfahren im Einklang mit den ethischen Grundsätzen der Deklaration von Helsinki und den Leitlinien der American Psychological Association für Forschung mit menschlichen Versuchspersonen durchgeführt. Von allen Teilnehmern wurde vor der Datenerhebung eine informierte Einwilligung eingeholt. Die Institution verlangte für diese Art von Studie keine formelle ethische Genehmigung oder Befreiung und stellte diese auch nicht aus. Alle Befragten wurden ausdrücklich über den Forschungszweck, die freiwillige Teilnahme, ihr Recht, sich jederzeit ohne negative Konsequenzen zurückzuziehen, sowie über die strengen Vertraulichkeitsmaßnahmen, die für ihre Daten gelten, informiert. Es wurden weder personenbezogene Daten erhoben noch berichtet, und alle Daten wurden ausschließlich für aggregierte akademische Analysen verwendet. Besonderes Augenmerk lag auf einer nicht-intrusiven und respektvollen Formulierung, um sicherzustellen, dass die Umfrage die akademischen Aktivitäten oder das psychologische Wohlbefinden der Teilnehmer nicht beeinträchtigte. Die Vorlage für die informierte Einwilligung finden Sie in Supplementary File 1. Darüber hinaus sind die in dieser Studie verwendeten Materialien in der Table of Materials aufgelistet.

Forschungsdesign

Dieser Abschnitt beschreibt das Forschungsdesign, die Verfahren zur Datenerhebung sowie die Stichprobendetails, die in der Studie verwendet wurden, um die Zusammenhänge zwischen Unterrichtsstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, Angst und Kreativität bei EFL-Schülern zu untersuchen. Die Studie verwendete ein quantitatives, querschnittliches Forschungsdesign, um die vermittelnde Rolle der Motivation bei den Zusammenhängen zwischen Unterrichtsstil, ChatGPT-Nutzung, digitaler Kompetenz und Angst bei EFL-Schülern zu untersuchen und zu ermitteln, wie diese Variablen gemeinsam mit der Kreativität verbunden sind. Zur Erfassung der Primärdaten wurde eine strukturierte Umfrage verwendet, um Standardisierung und Zuverlässigkeit bei der Messung der Konstrukte sicherzustellen. Die Studie nutzte validierte Skalen zur Bewertung aller Variablen, einschließlich Unterrichtsstil, ChatGPT-Nutzung, digitale Kompetenz, Motivation, FLCA und Kreativität.

Daten und Probe

Die Daten für diese Studie wurden von EFL-Studierenden erhoben, die an der Universität von Dschidda eingeschrieben sind, einer staatlichen Hochschule in Saudi-Arabien, die für ihren Schwerpunkt auf Sprachbildung und die Integration von Technologie im Unterricht bekannt ist. Die Teilnehmenden wurden mittels einer gezielten Stichprobenziehung ausgewählt, die für diese Studie als angemessen erachtet wurde, da spezifische Einschlusskriterien bestanden, nach denen die Teilnehmenden aktive Erfahrung mit KI-Werkzeugen wie ChatGPT in ihrem Lernumfeld aufweisen mussten. Dieser Ansatz der Nicht-Wahrscheinlichkeitsstichprobe war notwendig, da sich die Forschungsfragen der Studie auf eine bestimmte Population konzentrierten – EFL-Studierende, die sowohl traditionellen als auch technologiegestützten Lernmethoden ausgesetzt waren – und eine Zufallsstichprobe nicht die Einbeziehung von Teilnehmenden mit diesen Kriterien garantiert hätte. Obwohl die gezielte Stichprobenziehung die Übertragbarkeit der Ergebnisse auf die breitere Population einschränkt, war sie für diese explorative Untersuchung gerechtfertigt, um sicherzustellen, dass die Teilnehmenden über die erforderlichen Erfahrungen und Sichtweisen verfügten, um die Forschungsziele zu adressieren. Um die Einschränkungen der gezielten Stichprobenziehung abzumildern, wurden Anstrengungen unternommen, Teilnehmende mit unterschiedlichen akademischen Hintergründen und verschiedenen Kompetenzniveaus im Umgang mit Technologie einzubeziehen, wodurch die Repräsentativität der Stichprobe innerhalb der Zielgruppe verbessert wurde. Die endgültige Stichprobe umfasste 280 EFL-Studierende im Bachelorstudium, eine Größe, die als ausreichend für die verwendeten statistischen Methoden erachtet wurde.

Die Beurteilung der Angemessenheit der Stichprobengröße basierte auf etablierten Leitlinien für die Strukturgleichungsmodellierung (Structural Equation Modeling, SEM). Forschende empfehlen für die SEM ein Mindestratio von 10 Fällen pro geschätztem Parameter, wobei konservativere Leitlinien 20 Fälle pro Parameter für die Partial-Least-Squares-SEM (PLS-SEM) vorschlagen. Das Messmodell umfasste 29 Items zur digitalen Kompetenz, 25 Items zum Unterrichtsstil und 32 Items zur FLCA sowie zusätzliche Items zur Nutzung von ChatGPT, Motivation und Kreativität. Die Leitlinien für die PLS-SEM empfehlen außerdem eine Mindeststichprobengröße, die dem Zehnfachen der größten Anzahl an formativen Indikatoren oder der größten Anzahl an strukturellen Pfaden entspricht, die auf ein bestimmtes Konstrukt gerichtet sind. Daher übertraf die Stichprobe von 280 Teilnehmenden diese Mindestanforderungen. Zudem zeigte eine post-hoc-Power-Analyse mit G*Power⁵³, dass eine Stichprobe von 280 Teilnehmenden eine statistische Power von über 0,95 zur Detektion mittlerer Effektstärken (f² = 0,15) bei α = 0,05 bietet, was über der üblicherweise empfohlenen Schwelle von 0,80 liegt. Diese Stichprobengröße ermöglicht zuverlässige Parameterschätzungen und ausreichende statistische Power, um bedeutungsvolle Zusammenhänge zwischen den untersuchten Variablen zu erkennen, und berücksichtigt dabei die Komplexität der vorgeschlagenen Mess- und Strukturmodelle.

Teilnehmer und Verfahren

Die Teilnehmer waren EFL-Studierende im Alter zwischen 18 und 25 Jahren, wobei die Mehrheit Erst- und Zweitsemester-Studenten in Englischkursen waren. Die Umfrage wurde zwischen September und Oktober 2025 durchgeführt, wobei die Studierenden zur freiwilligen Teilnahme aufgefordert wurden. Der Rekrutierungsprozess umfasste die Ansprache über offizielle universitäre Kanäle, darunter E-Mails und Ankündigungen in Lehrveranstaltungen. Die Teilnehmer waren EFL-Studierende im Alter von 18–25 Jahren, die als Erst- oder Zweitsemester-Studenten in Englischsprachkursen eingeschrieben waren. Die Zulassungsberechtigung wurde anhand vorab definierter Einschluss- und Ausschlusskriterien festgelegt. Teilnahmeberechtigt waren Studierende, wenn sie (a) offiziell in grundständigen Englischkursen an der Universität von Dschidda eingeschrieben waren, (b) im Alter von 18–25 Jahren waren und (c) als Erst- oder Zweitsemester-Studenten registriert waren. Ausgeschlossen wurden Studierende, wenn sie (a) fortgeschrittene Studierende oder Studierende höherer Semester außerhalb der Grundkurssequenz waren, (b) außerhalb des festgelegten Altersbereichs lagen oder (c) an der Vorprüfung des Fragebogens beteiligt waren. Um informierte Einwilligung sicherzustellen, wurden die Teilnehmer über den Zweck der Studie, den freiwilligen Charakter ihrer Teilnahme sowie die Vertraulichkeit ihrer Antworten informiert. Das Instrument zur Datenerhebung war ein strukturierter, selbstausgefüllter Fragebogen, der physisch und elektronisch über eine sichere Online-Plattform verteilt wurde. Validierte Skalen wurden angepasst, um den Unterrichtsstil, die Nutzung von ChatGPT, digitale Kompetenz, die Motivation der Studierenden, FLCA und Kreativität zu messen. Die Teilnehmer wurden gebeten, ihre Antworten auf einer 5-Punkte-Likert-Skala zu bewerten, die von 1 (Stimme völlig nicht zu) bis 5 (Stimme völlig zu) reichte. Eine Vorprüfung des Fragebogens wurde mit einer kleinen Gruppe von 30 Studierenden durchgeführt, um Klarheit und Zuverlässigkeit sicherzustellen. Basierend auf den Ergebnissen der Vorprüfung wurden geringfügige sprachliche Anpassungen vorgenommen, um die Verständlichkeit der Items zu verbessern; es wurden keine wesentlichen Probleme hinsichtlich der Reliabilität oder Validität der Skalen festgestellt. Um die Datenintegrität zu wahren und ehrliche Antworten zu fördern, wurde Anonymität garantiert, und den Teilnehmern wurde versichert, dass ihre Daten ausschließlich für Forschungszwecke verwendet würden. Von den ursprünglich erfassten 300 Antworten wurden nach Prüfung auf unvollständige oder inkonsistente Daten 280 als gültig eingestuft, was einer Rücklaufquote von 93 % entspricht. Die Datenscreening-Verfahren beinhalteten die Überprüfung von Antwortmustern auf Geradlinigkeit, übermäßige fehlende Daten (mehr als 10 %) und multivariate Ausreißer mithilfe der Mahalanobis-Distanz. Dieser methodische Ansatz bildet eine solide Grundlage für die Analyse der Beziehungen zwischen den untersuchten Variablen und liefert wertvolle Erkenntnisse über die Rolle von Unterrichtsstil, KI-Tools und digitaler Kompetenz bei der Gestaltung der Motivation, Angst und Kreativität von EFL-Studierenden.

Nach der Datenerhebung wurden 20 Antworten aus dem ursprünglichen Pool von 300 basierend auf vorab festgelegten Kriterien ausgeschlossen: 12 Antworten wurden aufgrund eines zu hohen Anteils fehlender Daten (mehr als 10 % der Fragebogenitems) entfernt, 5 wurden aufgrund von geradlinigen Antwortmustern (einheitliche Antworten bei allen Items, was auf fehlende Beschäftigung hindeutet) eliminiert, und 3 wurden als multivariate Ausreißer mittels Mahalanobis-Distanz (p < 0,001) identifiziert und anschließend entfernt, um eine Verzerrung der SEM-Ergebnisse zu verhindern. Fehlende Werte bei den beibehaltenen Fällen wurden durch Mittelwert-Imputation behandelt, wenn die fehlenden Daten minimal waren (weniger als 5 % pro Fall), da dieser Ansatz bei geringen Anteilen an fehlenden Werten in großangelegten Umfrageuntersuchungen akzeptabel ist. Die endgültige Rücklaufquote von 93 % (280 gültige Antworten von 300 gesammelten Fragebögen) stellt den Anteil der verwendbaren Antworten dar, die von der Gesamtanzahl der eingesammelten Fragebögen beibehalten wurden; dieser Wert sollte jedoch nicht als tatsächliche Antwortquote interpretiert werden, da die genaue Anzahl der eingeladenen Teilnehmenden nicht ermittelt werden konnte, weil die kombinierte physische und elektronische Verteilung über offizielle universitäre Kanäle eine präzise Nachverfolgung der Gesamtanzahl der Einladungen ausschloss. Diese Einschränkung wird anerkannt, und die Zahl von 93 % wird daher als Anteil gültiger Antworten bezogen auf die eingesammelten Fragebögen und nicht als Antwortquote im Verhältnis zur gesamten eingeladenen Population angegeben.

Werkzeuge und Messverfahren

In dieser Studie wurden bewährte und validierte Skalen verwendet, die sorgfältig an den Kontext des Fremdsprachenunterrichts (EFL) angepasst wurden, um die zentralen Konstrukte zu erfassen: Unterrichtsstil, digitale Kompetenz, ChatGPT-Nutzung, Fremdsprachenlernangst (FLCA), Motivation und Kreativität. Jede Skala wurde aufgrund ihrer Relevanz und ihres umfassenden Charakters bei der Erfassung der jeweiligen Variablen ausgewählt. Die digitale Kompetenz wurde mithilfe einer adaptierten Skala gemessen, die auf Rodríguez-de-Dios et al.⁵⁴ basiert und aus sechs Dimensionen mit insgesamt 29 Items besteht. Diese Dimensionen umfassen Technologische Fähigkeiten, Sicherheitskompetenz im persönlichen Bereich, Kritische Fähigkeiten, Sicherheitskompetenz bei Geräten, Informationskompetenz und Kommunikationskompetenz und ermöglichen eine umfassende Beurteilung der Studierenden in Bezug auf digitale Fähigkeiten, die für moderne Bildungskontexte unerlässlich sind. Die Nutzung von ChatGPT wurde anhand einer 8-Item-Skala erfasst, die auf Abbas et al.⁵⁵ basiert und auf die Interaktion der Studierenden mit dem KI-Tool im Rahmen von Sprachlernaufgaben fokussiert. Der Unterrichtsstil wurde mithilfe einer angepassten Version des Grasha Teaching Style Inventory⁵⁶ bewertet. Dieses Instrument misst fünf Dimensionen von Unterrichtsstilen: Autorität, Experte, Vorbild, Moderator und Delegierer. Diese Dimensionen spiegeln unterschiedliche didaktische Ansätze wider, die die Lernerfahrungen von EFL-Studierenden beeinflussen. Die Fremdsprachenlernangst (FLCA) wurde anhand einer adaptierten Skala gemessen, die auf Briesmaster und Briesmaster⁵⁷ basiert. Das Instrument untersucht die Angst in drei Dimensionen: Kommunikationsangst (10 Items), Prüfungsangst (10 Items) und Angst vor negativer Bewertung (7 Items). Die Motivation der Studierenden wurde mithilfe einer Skala erfasst, die auf Kanoksilapatham et al.⁵⁸ basiert, und misst drei Dimensionen: Instrumentalität – Förderung und Vermeidung, Ethnozentrismus und Integrativität sowie Einstellung zum Englischlernen. Die Skala umfasst insgesamt 20 Items. Die Kreativität von EFL-Studierenden wurde anhand einer Skala gemessen, die auf Govindasamy et al.⁵⁹ basiert und vier Dimensionen erfasst: Originalität, Flexibilität, Flüssigkeit und Ausführlichkeit. Jede Dimension wurde mit jeweils drei Items gemessen. Um die kulturelle und kontextuelle Eignung der Instrumente für den EFL-Kontext sicherzustellen, wurde ein systematisches Anpassungsverfahren angewandt. Da die ursprünglichen Skalen auf Englisch verfasst waren, überprüften und vereinfachten zwei zweisprachige EFL-Experten die Sprache, um die Verständlichkeit für Studierende mittlerer Sprachkenntnisse zu verbessern, wobei die ursprüngliche Bedeutung jedes Konstrukts erhalten blieb. Die angepassten Versionen wurden anschließend von einem unabhängigen Übersetzer in die Muttersprache der Teilnehmenden zurückübersetzt, um sprachliche und konzeptionelle Äquivalenz zu überprüfen; etwaige Abweichungen wurden im Forschungsteam diskutiert und behoben. Danach bewerteten drei erfahrene EFL-Lehrende die adaptierten Instrumente hinsichtlich inhaltlicher Relevanz, kultureller Angemessenheit und Klarheit der Items, was zu geringfügigen sprachlichen Überarbeitungen und gegebenenfalls zum Austausch kulturell unvertrauter Beispiele führte. Schließlich wurden die überarbeiteten Instrumente in einer Vorstudie mit 30 Studierenden getestet (siehe Abschnitt „Verfahren“), und das Feedback der Teilnehmenden wurde genutzt, um weitere kleine sprachliche Verbesserungen vorzunehmen, um die Verständlichkeit zu erhöhen. Dieser mehrstufige Prozess gewährleistete, dass die adaptierten Instrumente ihre ursprünglichen psychometrischen Eigenschaften beibehielten und gleichzeitig für die Zielgruppe der EFL-Studierenden geeignet waren. Die vollständige angepasste Fragebogenversion finden Sie in Supplementary File 2.

Methoden der Datenanalyse

Die für diese Studie erhobenen Daten wurden mit dem Statistical Package for the Social Sciences (SPSS 26) und SmartPLS 4 unter Anwendung der PLS-SEM analysiert. Dieser zweigleisige Ansatz gewährleistete eine umfassende Datenauswertung, bei der sowohl beschreibende als auch schließende Aspekte berücksichtigt wurden, sowie die Überprüfung der postulierten Zusammenhänge und der vermittelnden Effekte im Forschungsmodell. Zunächst wurde SPSS zur Durchführung der vorläufigen Datenanalyse verwendet, einschließlich Datensäuberung, deskriptiver Statistik und Zuverlässigkeitstests. Die Datensichtung umfasste die Prüfung auf fehlende Werte, Ausreißer und Normalverteilung, um die Qualität und Integrität des Datensatzes sicherzustellen. Deskriptive Statistiken wie Mittelwert, Standardabweichung und Häufigkeitsverteilungen wurden berechnet, um die Stichprobenmerkmale zusammenzufassen. Die Hauptanalyse erfolgte mit SmartPLS 4. Die PLS-SEM wurde aufgrund ihrer Eignung zur Analyse komplexer Modelle mit mehreren Konstrukten sowie ihrer Robustheit bei kleinen bis mittleren Stichprobengrößen gewählt. Die Analyse wurde in zwei Phasen durchgeführt: Bewertung des Messmodells und Bewertung des Strukturmodells. Bei der Beurteilung des Messmodells wurden die Indikatorzuverlässigkeit, die interne Konsistenz (mittels kompositen Reliabilität [CR]), die konvergente Validität (mittels durchschnittlich erklärter Varianz [AVE]) und die diskriminante Validität (mittels des Heterotrait–Monotrait-Verhältnisses [HTMT]) überprüft.

Nach der Validierung des Messmodells wurde das Strukturmodell bewertet, um die postulierten Beziehungen zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, Angst und Kreativität zu überprüfen. Pfadkoeffizienten wurden analysiert, um Stärke und Signifikanz der direkten und indirekten Effekte zu bestimmen, wobei die Signifikanz mittels Bootstrapping mit 5.000 Resampling-Schritten bewertet wurde. Zur Beurteilung der Signifikanz direkter, indirekter und vermittelter Effekte wurden bias-korrigierte (BC) Bootstrap-Konfidenzintervalle mit 5.000 Bootstrap-Stichproben und einem Konfidenzniveau von 95 % berechnet. Die vermittelnden Effekte der Motivation auf die Beziehungen zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz und Angst wurden ebenfalls mithilfe von Bootstrap-Konfidenzintervallen untersucht. Die Modellanpassung und Vorhersagekraft wurden anhand des Determinationskoeffizienten (R²), der Vorhersagerelevanz (Q²) und des standardisierten quadratischen Mittelwerts der Residuen (SRMR) bewertet.

Ergebnisse

Deskriptive Statistik

Deskriptive Statistiken liefern einen Überblick über die Merkmale der Stichprobe sowie über die Verteilung, zentrale Tendenz und Variabilität der untersuchten Variablen. In dieser Studie wurden deskriptive Analysen durchgeführt, um die Teilnehmerstichprobe zu charakterisieren und die zentralen Variablen zusammenzufassen, bevor die strukturellen Analysen durchgeführt wurden.

Tabelle 1 fasst die demografischen Merkmale der 280 Studierenden im Bereich Englisch als Fremdsprache (EFL) zusammen. Weibliche Teilnehmende machten 54,3 % (n = 152) der Stichprobe aus, während männliche Teilnehmende 45,7 % (n = 128) ausmachten. Die meisten Teilnehmenden waren 21–23 Jahre alt (52,1 %), gefolgt von den 18–20-Jährigen (36,4 %) und den 24–25-Jährigen (11,4 %). Bezüglich des akademischen Studienjahres stellten Studierende im zweiten Studienjahr die größte Gruppe dar (42,1 %), gefolgt von Studierenden im ersten (34,3 %) und dritten Studienjahr (23,6 %). Die meisten Teilnehmenden gaben eine mittlere Erfahrung mit ChatGPT an (47,1 %), während 36,8 % umfangreiche Erfahrung und 16,1 % begrenzte Erfahrung berichteten. Alle Teilnehmenden hatten zuvor bereits Kontakt mit ChatGPT gehabt, was den Einschlusskriterien der Studie entspricht; die Kategorie „begrenzte Erfahrung“ deutet auf minimale Nutzung hin, nicht auf völlige Unbekanntschaft. Die Teilnehmenden gaben überwiegend mittlere digitale Kompetenz an (54,6 %), gefolgt von hoher (30,4 %) und geringer (15,0 %) digitaler Kompetenz. Die Mehrheit der Teilnehmenden wies ein fortgeschrittenes mittleres Englisch-Niveau auf (62,5 %), während 22,9 % grundlegende und 14,6 % fortgeschrittene Englischkenntnisse angaben. Insgesamt zeigen die demografischen Merkmale, dass die Stichprobe Teilnehmende mit unterschiedlichen akademischen Hintergründen, Stufen der digitalen Kompetenz, Englischkenntnissen und Erfahrungen mit ChatGPT umfasste (Tabelle 1, Abbildung 2).

Variable	Kategorie	Häufigkeit, n	Prozentsatz, %
Geschlecht	Männlich	128	45,7
	Weiblich	152	54,3
Altersgruppe	18–20 Jahre	102	36,4
	21–23 Jahre	146	52,1
	24–25 Jahre	32	11,4
Studienjahr	Erstes Jahr	96	34,3
	Zweites Jahr	118	42,1
	Drittes Jahr	66	23,6
Erfahrung mit ChatGPT	Begrenzte Erfahrung	45	16,1
	Mäßige Erfahrung	132	47,1
	Umfangreiche Erfahrung	103	36,8
Grad der digitalen Kompetenz	Niedrig	42	15
	Mäßig	153	54,6
	Hoch	85	30,4
Englischkenntnisse	Grundlegend	64	22,9
	Mittelstufe	175	62,5
	Fortgeschritten	41	14,6

Tabelle 1: Demografische Merkmale der Studienteilnehmer. Die Tabelle fasst die demografischen Merkmale der 280 in die Studie eingeschlossenen Studierenden mit Englisch als Fremdsprache (EFL) zusammen. Häufigkeiten und Prozentangaben werden für Geschlecht, Altersgruppe, Studienjahr, Erfahrung mit ChatGPT, Grad der digitalen Kompetenz und Englischkenntnisse angegeben.

Abbildung 2. Demografische Merkmale der Studienteilnehmer. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2 zeigt die demografische Verteilung der Studienteilnehmer nach Geschlecht, Altersgruppe, Studienjahr, Erfahrung mit KI-Tools, Grad der digitalen Kompetenz und Englischkenntnissen. Die Verteilung weist einen leicht höheren Anteil weiblicher im Vergleich zu männlichen Teilnehmern auf, wobei die meisten Befragten zwischen 21 und 23 Jahre alt sind. Ein mittlerer Grad der digitalen Kompetenz und fortgeschrittene Englischkenntnisse waren die am häufigsten genannten Kategorien (Abbildung 2).

Tabelle 2 zeigt die deskriptiven Statistiken für die untersuchten Variablen. Der Unterrichtsstil, gemessen anhand von 25 Items, wies einen mittleren Wert von 3,84 (SD = 0,76) auf, wobei die Werte zwischen 2,1 und 4,8 lagen. Die Nutzung von ChatGPT, erfasst anhand von acht Items, hatte einen mittleren Wert von 3,67 (SD = 0,81), wobei die Antworten zwischen 1,5 und 5,0 variierten. Digitale Kompetenz, gemessen anhand von 29 Items, lag bei einem mittleren Wert von 3,72 (SD = 0,73), mit Werten zwischen 2,2 und 4,9. Die Motivation, bewertet anhand von 20 Items, wies den höchsten mittleren Wert auf (3,92, SD = 0,68), mit Werten zwischen 2,4 und 5,0. Die Angst, gemessen anhand von 27 Items, hatte einen mittleren Wert von 3,41 (SD = 0,89). Kreativität, erfasst anhand von 12 Items, wies einen mittleren Wert von 3,78 (SD = 0,74) auf, mit Werten zwischen 2,0 und 5,0. Diese deskriptiven Statistiken zeigen eine Variabilität der gemessenen Konstrukte auf und liefern gleichzeitig eine Gesamtübersicht über die Antworten der Teilnehmer.

Variable	Anzahl der Elemente	Mittelwert (M)	Standardabweichung (SD)	Minimum	Maximum
Angst	27	3,41	0,89	1,8	5
Nutzung von ChatGPT	8	3,67	0,81	1,5	5
Kreativität	12	3,78	0,74	2	5
Digitale Kompetenz	29	3,72	0,73	2,2	4,9
Motivation	20	3,92	0,68	2,4	5
Lehrstil	25	3,84	0,76	2,1	4,8

Tabelle 2: Deskriptive Statistiken für die Untersuchungskonstrukte. Die Tabelle zeigt die Anzahl der Fragebogenitems, den Mittelwert (M), die Standardabweichung (SD), den minimalen beobachteten Wert und den maximalen beobachteten Wert für Unterrichtsstil, ChatGPT-Nutzung, digitale Kompetenz, Motivation, Fremdsprachenunterrichtsangst und Kreativität basierend auf den Antworten von 280 Teilnehmern.

Gängige Verzerrung durch Methodenvarianz

Die Verzerrung durch gemeinsame Methodenvarianz (CMV) bezieht sich auf eine irreführende Kovarianz zwischen Variablen, die auf die Messmethode und nicht auf die untersuchten Konstrukte zurückzuführen ist. Da in dieser Studie ein selbstberichteter Fragebogen verwendet wurde, kamen sowohl prozedurale als auch statistische Ansätze zum Einsatz, um den möglichen Einfluss der CMV-Verzerrung zu bewerten. Prozedural wurde den Teilnehmenden Anonymität und Vertraulichkeit zugesichert, um die Verzerrung durch soziale Erwünschtheit zu minimieren und ehrliche Antworten zu fördern. Zusätzlich wurden die aus etablierten Instrumenten übernommenen Fragebogenitems in zufälliger Reihenfolge präsentiert, um Antwortmuster zu reduzieren, die die CMV-Verzerrung künstlich erhöhen könnten. Statistisch wurde der Harman-Einfaktor-Test durchgeführt, indem alle gemessenen Variablen in eine explorative Faktorenanalyse (EFA) ohne Rotation eingegeben wurden. Die Analyse ergab, dass der erste ungebrochene Faktor 32,7 % der Gesamtvarianz erklärte, was unterhalb des empfohlenen Schwellenwerts von 50 % liegt und darauf hindeutet, dass die CMV-Verzerrung die Studienergebnisse wahrscheinlich nicht wesentlich beeinflusst hat (Tabelle 3).

Statistik		Wert	Schwellenwert	Interpretation
Gesamtanzahl extrahierter Faktoren		7	N/V	Mehrere Faktoren wurden extrahiert, was darauf hinweist, dass die gemessenen Merkmale unterschiedliche Konstrukte darstellen.
Von dem ersten Faktor erklärte Varianz		32,70 %	<50 %	Unterhalb des allgemein akzeptierten Schwellenwerts, was darauf hindeutet, dass eine gemeinsame Methodenvarianz (CMV) wahrscheinlich kein ernsthaftes Problem darstellt.
Kumulierte erklärte Varianz (erste drei Faktoren)		62,10 %	N/V	Zeigt an, dass die ersten drei Faktoren einen beträchtlichen Anteil der Gesamtvarianz erklären.
Kaiser-Meyer-Olkin-(KMO-)Maß der Stichprobenadäquatheit		0,89	>0,80	Zeigt eine ausgezeichnete Stichprobenadäquatheit für die Faktoranalyse an.
Bartlett-Test auf Sphärizität (p-Wert)		<0,001	p < 0,05	Signifikantes Ergebnis, das darauf hinweist, dass die Korrelationsmatrix für eine Faktoranalyse geeignet ist.

Tabelle 3: Ergebnisse des Einzelfaktortests nach Harman und der Stichprobenadäquatheit. Die Tabelle fasst die Ergebnisse des Einzelfaktortests nach Harman, des Kaiser-Meyer-Olkin-(KMO-)Maßes der Stichprobenadäquatheit und des Bartlett-Tests auf Sphärizität zusammen. Der Einzelfaktortest nach Harman wurde durchgeführt, um den möglichen Einfluss einer gemeinsamen Methodenvarianz (CMV) zu bewerten. Die KMO-Statistik und der Bartlett-Test wurden verwendet, um die Eignung des Datensatzes für eine Faktoranalyse zu überprüfen.

Tabelle 3 zeigt die Ergebnisse des Harman-Einfaktortests, der angibt, dass der erste unrotierte Faktor 32,7 % der gesamten Varianz erklärte, was unterhalb der empfohlenen Schwelle von 50 % liegt und darauf hindeutet, dass eine gemeinsame Methodenverzerrung in dieser Studie keine wesentliche Rolle spielt. Das Kaiser-Meyer-Olkin-(KMO)-Maß der Stichprobenadäquatheit betrug 0,89 und zeigt an, dass die Daten für eine Faktoranalyse geeignet waren. Zusätzlich war der Bartlett-Test auf Sphärizität statistisch signifikant (p < 0,001), was bestätigt, dass die Korrelationsmatrix für die Faktoranalyse geeignet war. Insgesamt stützen diese Ergebnisse die Eignung des Datensatzes für nachfolgende Analysen mittels Strukturgleichungsmodellierung.

Messmodell

Das Messmodell wurde bewertet, um die Zuverlässigkeit und Validität der Studienkonstrukte mittels PLS-SEM, implementiert in SmartPLS 4, gemäß den Empfehlungen von Hair et al.⁶⁰ zu überprüfen. Es wurden die Indikatorzuverlässigkeit, die interne Konsistenz, die konvergente Validität und die diskriminante Validität analysiert. Die Indikatorzuverlässigkeit wurde anhand der outer loadings bewertet, wobei Items mit Loadings über 0,70 als zuverlässige Indikatoren ihrer jeweiligen Konstrukte beibehalten wurden. Items mit Loadings zwischen 0,60 und 0,70 wurden nur dann beibehalten, wenn ihre Entfernung die interne Konsistenz des entsprechenden Konstrukts nicht verbesserte. Die interne Konsistenz wurde anhand von Cronbachs Alpha und CR geprüft. Die konvergente Validität wurde mithilfe des AVE bewertet, wobei alle Konstrukte AVE-Werte über 0,50 aufwiesen, was darauf hinweist, dass jedes Konstrukt mehr als die Hälfte der Varianz seiner Indikatoren erklärt. Die diskriminante Validität wurde anhand des HTMT-Verhältnisses überprüft, und alle HTMT-Werte lagen unter dem empfohlenen Schwellenwert von 0,85, was die empirische Unterscheidbarkeit der Studienkonstrukte unterstützt (Tabellen 4 und 5).

Konstrukt		Faktorladung	Zusammengesetzte Reliabilität (CR)	Durchschnittlich extrahierte Varianz (AVE)	Äußerer Varianzinflationsfaktor (VIF)
Lehrstil (Autorität)		0.87	0.91	0.66	1.38
Lehrstil (Experte)		0.89	0.92	0.68	1.45
Lehrstil (Persönliches Modell)		0.86	0.9	0.65	1.4
Lehrstil (Moderator)		0.88	0.93	0.69	1.43
Lehrstil (Delegierer)		0.85	0.89	0.62	1.39
Nutzung von ChatGPT		0.92	0.94	0.72	1.47
Fremdsprachenunterrichtsangst (Kommunikationshemmung)		0.86	0.9	0.64	1.35
Fremdsprachenunterrichtsangst (Prüfungsangst)		0.88	0.92	0.67	1.41
Fremdsprachenunterrichtsangst (Angst vor negativer Bewertung)		0.83	0.88	0.6	1.32
Motivation (Instrumentalität)		0.84	0.89	0.61	1.34
Motivation (Ethnozentrismus und Integrativität)		0.86	0.9	0.63	1.36
Motivation (Einstellung zum Englischlernen)		0.89	0.93	0.7	1.44
Kreativität (Originalität)		0.88	0.92	0.67	1.41
Kreativität (Flexibilität)		0.87	0.91	0.66	1.38
Kreativität (Flüssigkeit)		0.89	0.93	0.68	1.42
Kreativität (Ausführlichkeit)		0.85	0.9	0.63	1.37
Digitale Kompetenz		0.93	0.95	0.75	1.49

Tabelle 4: Bewertung des Messmodells. In der Tabelle sind die Faktorladungen, die zusammengesetzte Reliabilität (CR), die durchschnittlich erklärte Varianz (AVE) sowie der äußere Varianzinflationsfaktor (VIF) für jede im Messmodell der partiellen kleinsten Quadrate Strukturgleichungsmodellierung (PLS-SEM) enthaltene Konstrukte und Unterdimension aufgeführt. Mithilfe dieser Statistiken wurde die Indikatorreliabilität, die Reliabilität der internen Konsistenz, die konvergente Validität sowie die Multikollinearität bewertet.

Konstrukt		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. Lehrstil (Autorität)		—
2. Lehrstil (Experte)		0.702	—
3. Lehrstil (Persönliches Modell)		0.743	0.581	—
4. Lehrstil (Fachkraft)		0.629	0.735	0.702	—
5. Lehrstil (Delegierender)		0.754	0.549	0.802	0.692	—
6. Nutzung von ChatGPT		0.52	0.643	0.743	0.536	0.693	—
7. Fremdsprachenunterrichtsangst (Kommunikationsangst)		0.665	0.521	0.649	0.559	0.73	0.827	—
8. Fremdsprachenunterrichtsangst (Testangst)		0.832	0.614	0.53	0.622	0.689	0.631	0.567	—
9. Angst im Fremdsprachenunterricht (Angst vor negativer Beurteilung)		0.608	0.809	0.585	0.651	0.637	0.614	0.81	0.556	—
10. Motivation (Instrumentalität)		0.762	0.623	0.66	0.634	0.811	0.534	0.802	0.755	0.519	—
11. Motivation (Ethnozentrismus und Integrativität)		0.803	0.674	0.571	0.504	0.517	0.805	0.827	0.753	0.562	0.554	—
12. Motivation (Einstellung zum Englischlernen)		0.626	0.816	0.677	0.591	0.742	0.716	0.633	0.562	0.598	0.549	0.679	—
13. Kreativität (Originalität)		0.626	0.678	0.501	0.732	0.538	0.678	0.839	0.543	0.523	0.577	0.668	0.719	—
14. Kreativität (Flexibilität)		0.726	0.669	0.844	0.528	0.654	0.579	0.517	0.775	0.644	0.667	0.679	0.82	0.697	—
15. Kreativität (Flüssigkeit)		0.711	0.692	0.815	0.635	0.629	0.505	0.792	0.817	0.604	0.55	0.518	0.604	0.59	0.626	—
16. Kreativität (Ausführlichkeit)		0.749	0.761	0.783	0.69	0.811	0.55	0.503	0.842	0.732	0.714	0.659	0.744	0.543	0.606	0.634	—
17. Digitale Kompetenz		0.606	0.641	0.593	0.742	0.727	0.628	0.631	0.648	0.742	0.688	0.806	0.578	0.673	0.549	0.7	0.529	—

Tabelle 5: Diskriminante Validität, bewertet mittels des Heterotrait–Monotrait-Verhältnisses (HTMT). Die Tabelle zeigt die HTMT-Werte für alle Paare von Konstrukten und Subdimensionen, die im Messmodell enthalten sind. HTMT wurde verwendet, um die diskriminante Validität zu bewerten, indem die empirische Unterscheidbarkeit der latenten Konstrukte überprüft wurde. Werte unterhalb des vorgegebenen Schwellenwerts von 0,85 deuten auf eine akzeptable diskriminante Validität hin.

Tabelle 4 fasst die Bewertung des Messmodells zusammen. Die Faktorladungen lagen zwischen 0,83 und 0,93, überstiegen damit die empfohlene Schwelle von 0,70 und deuten auf eine zufriedenstellende Indikatorzuverlässigkeit hin. Die Werte der zusammengesetzten Reliabilität lagen zwischen 0,88 und 0,95 und zeigen eine hohe innere Konsistenz aller Konstrukte. Die AVE-Werte lagen zwischen 0,60 und 0,75, übertrafen den empfohlenen Mindestwert von 0,50 und stützen die konvergente Validität. Zusätzlich lagen alle äußeren Varianzinflationsfaktoren (VIF) unter 1,50, was auf keine Hinweise auf Multikollinearität zwischen den Indikatoren hindeutet. Insgesamt unterstützen diese Ergebnisse die Zuverlässigkeit und Gültigkeit des Messmodells für die anschließende Bewertung des Strukturmodells.

Abbildung 3 veranschaulicht das Messmodell, einschließlich der latenten Konstrukte, ihrer entsprechenden Dimensionen und Indikatoren sowie der Beziehungen zwischen den in der Studie untersuchten Variablen.

Abbildung 3. Messmodell der partiellen kleinsten Quadrate mit struktureller Gleichungsmodellierung. Das mit der Methode der partiellen kleinsten Quadrate und struktureller Gleichungsmodellierung (PLS-SEM) erstellte Messmodell zeigt die Beziehungen zwischen den latenten Konstrukten, deren Dimensionen und den beobachtbaren Indikatoren. Die an den Verbindungspfaden angezeigten Werte stellen die geschätzten outer loadings bzw. Pfadkoeffizienten dar, je nach Anwendungsfall. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 5 zeigt die HTMT-Ergebnisse zur Bewertung der diskriminanten Validität. Alle HTMT-Werte lagen unterhalb der konservativen Schwelle von 0,85, was auf eine zufriedenstellende diskriminante Validität zwischen den 17 Konstrukten hinweist. Die höchsten HTMT-Werte wurden zwischen Kreativität (Flexibilität) und Unterrichtsstil (Persönliches Modell) (0,8437), Kreativität (Ausführlichkeit) und Angst (Prüfungsangst) (0,8422) sowie Kreativität (Originalität) und Angst (Kommunikationsangst) (0,8394) beobachtet. Obwohl diese Werte nahe an der empfohlenen Schwelle lagen, blieben sie unterhalb von 0,85 und untermauern somit die empirische Unterscheidbarkeit der Konstrukte. Die übrigen HTMT-Werte waren niedriger und stützen zusätzlich die diskriminante Validität innerhalb des Messmodells.

Ergebnisse der Hypothesenprüfung (Strukturmodell)

Das Strukturmodell wurde evaluiert, um die postulierten Beziehungen zwischen Unterrichtsstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, FLCA und Kreativität zu untersuchen. Die Ergebnisse unterstützten alle vorgeschlagenen direkten und vermittelnden Hypothesen. Unterrichtsstil, ChatGPT-Nutzung und digitale Kompetenz waren positiv mit der Motivation assoziiert. Die Motivation stand negativ im Zusammenhang mit FLCA, während FLCA negativ mit Kreativität assoziiert war. Darüber hinaus vermittelte die Motivation die Beziehungen zwischen Unterrichtsstil, ChatGPT-Nutzung und digitaler Kompetenz einerseits und FLCA andererseits (Tabellen 6 und 7).

Hypothese		Standardisierter Pfadkoeffizient (β)	t-Wert	p-Wert	Unterstützt	95 % Konfidenzintervall (KI)	Untere Grenze (LLCI)	Obere Grenze (ULCI)
H1. Lehrstil → Motivation von EFL-Schülern		0,36	5,45	<0,001	Ja	[0,26; 0,46]	0,26	0,46
H2. Nutzung von ChatGPT → Motivation von EFL-Schülern		0,4	6,27	<0,001	Ja	[0,30; 0,50]	0,3	0,5
H3. Digitale Kompetenz → Motivation von EFL-Schülern		0,33	4,95	<0,001	Ja	[0,23; 0,43]	0,23	0,43
H4. Motivation von EFL-Schülern → Angst im Fremdsprachenunterricht		–0,27	–4,81	<0,001	Ja	[–0,37; –0,17]	–0,37	–0,17
H5. Angst im Fremdsprachenunterricht → Kreativität von EFL-Schülern		–0,26	–4,01	<0,001	Ja	[–0,36; –0,16]	–0,36	–0,16

Tabelle 6: Prüfung der Direkt-Effekt-Hypothese. Die Tabelle zeigt die Ergebnisse der Direkt-Effekt-Analysen, die mithilfe der partiellen kleinsten-Quadrate-Strukturgleichungsmodellierung (PLS-SEM) durchgeführt wurden. Angegebene Statistiken umfassen den standardisierten Pfadkoeffizienten (β), t-Wert, p-Wert, 95%-Bootstrap-Konfidenzintervall (KI), untere Grenze des Konfidenzintervalls (LLCI), obere Grenze des Konfidenzintervalls (ULCI) sowie die Entscheidung bezüglich der Hypothesenunterstützung. Die statistische Signifikanz wurde mittels Bootstrapping mit 5.000 Neustichproben bewertet.

Hypothese	Vermittlungspfad		Standardisierter indirekter Effekt (β)	t-Wert	p-Wert	Unterstützt	95 % Konfidenzintervall (KI)	Untere Grenze (LLCI)	Obere Grenze (ULCI)
H6	Lehrstil → Motivation → Fremdsprachenunterrichtsangst		0.28	4.56	<0.001	Ja	[0.18, 0.38]	0.18	0.38
H7	ChatGPT-Nutzung → Motivation → Fremdsprachenunterrichtsangst		0.34	5.02	<0.001	Ja	[0.24, 0.44]	0.24	0.44
H8	Digitale Kompetenz → Motivation → Fremdsprachenunterrichtsangst		0.3	4.68	<0.001	Ja	[0.20, 0.40]	0.20	0.40

Tabelle 7: Mediationsanalyse. Die Tabelle fasst die indirekten Effekte zusammen, die mithilfe der partiellen kleinsten Quadrate Strukturgleichungsmodellierung (PLS-SEM) geschätzt wurden. Die angegebenen statistischen Kenngrößen umfassen den standardisierten indirekten Effekt (β), t-Wert, p-Wert, 95%-Bootstrap-Konfidenzintervall (CI), untere Grenze des Konfidenzintervalls (LLCI), obere Grenze des Konfidenzintervalls (ULCI) sowie die Entscheidung zur Hypothesenunterstützung. Die statistische Signifikanz wurde mittels Bootstrapping mit 5.000 Resampling-Durchgängen bewertet.

Tabelle 6 zeigt die Ergebnisse der Analysen direkter Effekte. Alle fünf postulierten direkten Beziehungen waren statistisch signifikant (p < 0,001), was die Hypothesen H1–H5 stützt. Der Unterrichtsstil (β = 0,36), die Nutzung von ChatGPT (β = 0,40) und digitale Kompetenz (β = 0,33) waren positiv mit der Motivation von EFL-Lernenden assoziiert, wobei die Nutzung von ChatGPT den größten standardisierten Pfadkoeffizienten unter den drei Prädiktoren aufwies. Die Motivation war negativ mit der FLCA assoziiert (β = –0,27), was darauf hindeutet, dass eine höhere Motivation mit geringeren Angstniveaus einhergeht. Im Weiteren war die FLCA negativ mit Kreativität assoziiert (β = –0,26). Die 95-%-Bootstrap-Konfidenzintervalle für alle direkten Effekte schlossen die Null aus und bestätigten somit die statistische Signifikanz der postulierten Beziehungen. Tabelle 7 zeigt die Mediationsanalysen, die untersuchen, ob die Motivation die Beziehungen zwischen Unterrichtsstil, Nutzung von ChatGPT und digitaler Kompetenz einerseits und FLCA andererseits vermittelt. Die indirekten Effekte waren für alle drei Pfade statistisch signifikant (H6: β = 0,28, t = 4,56, p < 0,001; H7: β = 0,34, t = 5,02, p < 0,001; H8: β = 0,30, t = 4,68, p < 0,001). Die 95-%-Bootstrap-Konfidenzintervalle schlossen für alle indirekten Effekte die Null aus, was die statistische Signifikanz der Mediationspfade bestätigt. Die positiven indirekten Koeffizienten spiegeln die Gesamtstärke der indirekten Effekte über die Motivation wider, während die direkte Beziehung zwischen Motivation und FLCA, wie im Strukturmodell berichtet, negativ war. Folglich waren höhere Ausprägungen von Unterrichtsstil, Nutzung von ChatGPT und digitaler Kompetenz mit einer höheren Motivation assoziiert, die wiederum mit einer geringeren FLCA verbunden war (Tabellen 6 und 7). Insgesamt unterstützte das Strukturmodell alle postulierten direkten (H1–H5) und indirekten (H6–H8) Beziehungen. Die Ergebnisse zeigen statistisch signifikante Zusammenhänge zwischen Unterrichtsstil, Nutzung von ChatGPT, digitaler Kompetenz, Motivation, FLCA und Kreativität, wobei die Motivation im Strukturmodell als signifikanter Mediator fungiert.

Dimensionale Analyse des Lehrstils

Es wurde eine Dimensionsanalyse durchgeführt, um die Beziehungen zwischen den fünf Dimensionen des Lehrstils sowie der Motivation, der fremdsprachlichen Lernangst (FLCA) und der Kreativität von EFL-Schülern zu untersuchen. Die Dimensionen des Lehrstils umfassten Autorität, Experte, persönliches Vorbild, Moderator und Delegierer. Das Strukturmodell schätzte die direkten Effekte jeder Lehrstil-Dimension auf die drei Ergebnisvariablen, um festzustellen, ob die beobachteten Beziehungen je nach Lehransatz unterschiedlich waren (Tabelle 8).

Dimension des Lehrstils	Ergebnisvariable	Standardisierter Pfadkoeffizient (β)	t-Wert	p-Wert	Untere Grenze des 95 %igen Konfidenzintervalls (LLCI)	Obere Grenze des 95 %igen Konfidenzintervalls (ULCI)	Unterstützt
Autorität	Motivation	0,12	1,85	0,065	–0,02	0,26	Nein
Autorität	Angst im Fremdsprachenunterricht	0,35	5,12	<0,001	0,22	0,48	Ja
Autorität	Kreativität	–0,28	–4,02	<0,001	–0,42	–0,14	Ja
Experte	Motivation	0,3	4,89	<0,001	0,18	0,42	Ja
Experte	Angst im Fremdsprachenunterricht	–0,18	–2,95	0,003	–0,30	–0,06	Ja
Experte	Kreativität	0,22	3,56	<0,001	0,1	0,34	Ja
Persönliches Vorbild	Motivation	0,25	4,02	<0,001	0,13	0,37	Ja
Persönliches Vorbild	Angst im Fremdsprachenunterricht	–0,22	–3,45	0,001	–0,35	–0,09	Ja
Persönliches Vorbild	Kreativität	0,24	3,78	<0,001	0,12	0,36	Ja
Vermittler	Motivation	0,34	5,5	<0,001	0,22	0,46	Ja
Vermittler	Angst im Fremdsprachenunterricht	–0,28	–4,45	<0,001	–0,40	–0,16	Ja
Vermittler	Kreativität	0,31	4,95	<0,001	0,19	0,43	Ja
Delegierender	Motivation	0,29	4,62	<0,001	0,17	0,41	Ja
Delegierender	Angst im Fremdsprachenunterricht	–0,24	–3,85	<0,001	–0,37	–0,11	Ja
Delegierender	Kreativität	0,27	4,25	<0,001	0,15	0,39	Ja

Tabelle 8: Dimensionsanalyse des Lehrstils. In der Tabelle werden die direkten Beziehungen zwischen den Dimensionen des Lehrstils – Autorität, Experte, Vorbild, Moderator und Delegator – und den Ergebnisvariablen Motivation, Fremdsprachenunterrichtsangst und Kreativität dargestellt. Zu den angegebenen Statistiken gehören der standardisierte Pfadkoeffizient (β), der t-Wert, der p-Wert, die untere Grenze des 95 %igen Bootstrap-Konfidenzintervalls (LLCI), die obere Grenze des 95 %igen Bootstrap-Konfidenzintervalls (ULCI) sowie die Entscheidung bezüglich der Hypothesenunterstützung.

Tabelle 8 zeigt die Ergebnisse der dimensionalen Analyse der Lehrstile. Der Begleiter-Lehrstil wies die stärksten positiven Zusammenhänge mit Motivation (β = 0.34, p < 0,001) und Kreativität (β = 0,31, p < 0,001) auf sowie den stärksten negativen Zusammenhang mit FLCA (β = –0,28, p < 0,001). Die Lehrstile Experte, Vorbild und Delegierender waren ebenfalls positiv mit der Motivation (β = 0,30, 0,25 bzw. 0,29) und der Kreativität (β = 0,22, 0,24 bzw. 0,27) assoziiert, wiesen jedoch negative Zusammenhänge mit FLCA auf (β = –0,18, –0,22 bzw. –0,24). Alle diese Beziehungen waren statistisch signifikant. Im Gegensatz dazu war der Autoritäts-Lehrstil nicht signifikant mit der Motivation assoziiert (β = 0,12, p = 0,065). Er zeigte jedoch eine signifikante positive Assoziation mit FLCA (β = 0,35, p < 0,001) sowie eine signifikante negative Assoziation mit Kreativität (β = –0,28, p < 0,001). Insgesamt zeigt die dimensionale Analyse deutliche Muster der Zusammenhänge zwischen einzelnen Dimensionen des Lehrstils und den gemessenen Lernergebnissen. Zusammenfassend lässt sich sagen, dass die Beziehungen zwischen Lehrstil und Lernergebnissen der Studierenden je nach Lehrstil-Dimension variieren. Für die meisten Lehrstil-Dimensionen wurden statistisch signifikante Zusammenhänge beobachtet, während der Autoritäts-Lehrstil keine statistisch signifikante Assoziation mit Motivation aufwies.

Prädiktive Validität des inneren Modells unter Verwendung von PLS Predict

Die prädiktive Validität des Strukturmodells wurde mithilfe des PLS-Predict-Verfahrens bewertet, um die Out-of-Sample-Prädiktionsleistung des Modells zu überprüfen. Die prädiktive Relevanz wurde anhand der Q²-Predict-Statistik sowie von Maßen des Vorhersagefehlers, einschließlich des Wurzelmittlerfehlers (RMSE) und des mittleren absoluten Fehlers (MAE), bewertet. Die Q²-Predict-Werte lagen für die endogenen Konstrukte zwischen 0,32 und 0,48 und deuten somit auf eine positive prädiktive Relevanz hin. Motivation und Kreativität wiesen die höchsten Q²-Predict-Werte auf (0,42 bzw. 0,48). Auch die Werte des Vorhersagefehlers wurden analysiert; der RMSE lag zwischen 0,54 und 0,63, der MAE zwischen 0,41 und 0,49 für die endogenen Konstrukte (Tabelle 9).

Konstrukt	Bestimmtheitsmaß (R²)	Vorhersagekraft (Q² Predict)	Wurzel des mittleren quadratischen Fehlers (RMSE)	Mittlerer absoluter Fehler (MAE)
Motivation	0.45	0.42	0.61	0.48
Angst im Fremdsprachenunterricht	0.38	0.32	0.63	0.49
Kreativität	0.42	0.48	0.54	0.41

Tabelle 9: Vorhersageleistung des Strukturmodells. Die Tabelle fasst die Vorhersageleistung der endogenen Konstrukte zusammen, die mithilfe der partiellen kleinsten Quadrate Strukturgleichungsmodellierung (PLS-SEM) bewertet wurden. Zu den angegebenen Statistiken gehören das Bestimmtheitsmaß (R²), die prädiktive Relevanz (Q² Predict), der mittlere quadratische Fehler (RMSE) und der mittlere absolute Fehler (MAE). Höhere Werte von R² und Q² Predict weisen auf eine größere Erklärungs- und Vorhersageleistung hin, während niedrigere RMSE- und MAE-Werte auf einen geringeren Vorhersagefehler hindeuten.

Tabelle 9 fasst die Vorhersageleistung des Strukturmodells zusammen. Der Determinationskoeffizient (R²) zeigte, dass das Modell 45 % der Varianz der Motivation, 38 % der Varianz der FLCA und 42 % der Varianz der Kreativität erklärte. Die Q²-Predict-Werte für Motivation (0,42), FLCA (0,32) und Kreativität (0,48) lagen alle über null, was die Vorhersagerelevanz des Modells bestätigt. Die RMSE-Werte lagen zwischen 0,54 und 0,63, während die MAE-Werte zwischen 0,41 und 0,49 lagen, was die Vorhersagefehler für die endogenen Konstrukte angibt. Insgesamt unterstützen die Maße zur Vorhersageleistung die Vorhersagefähigkeit des Strukturmodells.

Abbildung 4 veranschaulicht die Vorhersageleistung der endogenen Konstrukte, indem der Determinationskoeffizient (R²), die prädiktive Relevanz (Q² Predict) und die Maße für Vorhersagefehler (RMSE und MAE) dargestellt werden. Unter den endogenen Konstrukten wies Kreativität den höchsten Q² Predict-Wert (0,48) zusammen mit den niedrigsten Vorhersagefehlern (RMSE = 0,54; MAE = 0,41) auf, während Motivation die höchste erklärte Varianz zeigte (R² = 0,45) (Abbildung 4). Insgesamt zeigte die PLS-Predict-Analyse eine positive prädiktive Relevanz für alle endogenen Konstrukte. Die Ergebnisse für R², Q² Predict, RMSE und MAE unterstützen gemeinsam die Vorhersageleistung des Strukturmodells für Motivation, FLCA und Kreativität (Tabelle 9; Abbildung 4).

Abbildung 4. Vorhersageleistung des Strukturmodells. Das Diagramm zeigt die Bestimmtheitsmaße (R²), den mittleren quadratischen Fehler (RMSE), den mittleren absoluten Fehler (MAE) sowie die Q²-predict-Werte für die endogenen Konstrukte Motivation, Angst und Kreativität. Die Balken repräsentieren die Werte für R², RMSE und MAE, während die Linie mit kreisförmigen Markierungen die Q²-predict-Werte darstellt. Höhere R²- und Q²-predict-Werte weisen auf eine größere Erklärungs- bzw. Vorhersageleistung hin, während niedrigere RMSE- und MAE-Werte auf einen geringeren Vorhersagefehler schließen lassen. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Datenverfügbarkeit:

Der anonymisierte Datensatz auf Teilnehmerebene, der die Ergebnisse dieser Studie unterstützt, ist als Zusätzliche Tabelle 1 verfügbar. Das Informationsblatt für die Teilnehmer und das Einwilligungsformular liegen in Zusätzliche Datei 1 vor, und der für die Datenerhebung verwendete Fragebogen ist in Zusätzliche Datei 2 enthalten.

Ergänzungstabelle 1. Rohdatensatz der Teilnehmer zur statistischen Analyse. Diese Tabelle enthält den anonymisierten Datensatz auf Teilnehmerebene, der für die statistischen Analysen verwendet wurde. Die Variablen umfassen demografische Informationen sowie Antwortdaten auf Ebene der Einzelitems zu Lehrstil, ChatGPT-Nutzung, digitale Kompetenz, Motivation, Fremdsprachenunterrichtsangst und Kreativität. Die Item-Bezeichnungen (z. B. TL1, CHATGPT1, DL1, M1, FLCA1, CR1) entsprechen den im Abschnitt „Werkzeuge und Messverfahren“ beschriebenen Fragebogenitems. Persönlich identifizierbare Informationen sind nicht enthalten.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 1. Informationsblatt für Teilnehmer und Einwilligungserklärung. Diese Zusatzdatei enthält das Informationsblatt für Teilnehmer und die Einwilligungserklärung, die für die Rekrutierung der Teilnehmer verwendet wurden. Darin werden die Studienziele, die Teilnahmeberechtigung, die Studienabläufe, die freiwillige Teilnahme, mögliche Risiken und Vorteile, die Vertraulichkeit, der Datenschutz sowie die den Teilnehmern vor Abschluss des Fragebogens zur Verfügung gestellten Kontaktinformationen beschrieben.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 2. Umfragefragebogen zur Datenerhebung. Diese Zusatzdatei enthält den vollständigen Fragebogen, der den Teilnehmenden vorgelegt wurde. Das Instrument umfasst Fragen zur Demografie sowie einzelne Items zur Erfassung des Unterrichtsstils, der Nutzung von ChatGPT, der digitalen Kompetenz, der Motivation, der Fremdsprachenunterrichtsangst und der Kreativität. Die Antworten wurden anhand einer 5-Punkte-Likert-Skala erfasst, die von 1 (Stimme überhaupt nicht zu) bis 5 (Stimme voll und ganz zu) reicht. Die Fragebogenitems entsprechen den in der Sektion „Werkzeuge und Messverfahren“ der Arbeit beschriebenen Messinstrumenten.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese Studie untersuchte die Zusammenhänge zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, FLCA und Kreativität bei saudischen EFL-Studenten, wobei insbesondere die vermittelnde Rolle der Motivation im Fokus stand. Die Ergebnisse liefern Belege für die Beziehungen zwischen pädagogischen Praktiken, Technologieeinsatz und Lernereigenschaften im technologiegestützten Sprachenlernen. Die positive Assoziation zwischen Lehrstil und der Motivation von EFL-Studierenden (H1 bestätigt) steht im Einklang mit der Selbstbestimmungstheorie (SDT), die vorschlägt, dass autonomiefördernde Lehrpraktiken die intrinsische Motivation fördern, indem sie die grundlegenden psychologischen Bedürfnisse der Studierenden nach Autonomie, Kompetenz und Verbundenheit befriedigen⁶¹. Die beobachteten Ergebnisse deuten darauf hin, dass lernzentrierte Unterrichtsansätze wie der Facilitator- und Delegator-Stil mit höheren Engagementniveaus und anhaltendem Interesse am Sprachenlernen verbunden sind. Diese Befunde stimmen mit früheren Untersuchungen überein, die berichten, dass Lehrstile, die durch Flexibilität, Reaktionsfähigkeit und Möglichkeiten zur Studierendenbeteiligung gekennzeichnet sind, stärker zur motivationalen Beteiligung führen als stärker lehrzentrierte Ansätze⁶². Im saudischen Kontext, in dem Bildungsreformen im Rahmen der Vision 2030 lernzentrierte Pädagogik fördern, könnte die beobachtete positive Assoziation die Umsetzung dieser Unterrichtsansätze im EFL-Unterricht widerspiegeln⁶³. Die signifikante positive Beziehung zwischen ChatGPT-Nutzung und Motivation (H2 bestätigt) lässt sich ebenfalls anhand etablierter theoretischer Rahmenwerke interpretieren. Aus Sicht der SDT kann ChatGPT die Autonomie der Lernenden unterstützen, indem es selbstgesteuerte Sprachpraxis ermöglicht, und die Kompetenz fördern, indem es unmittelbares und personalisiertes Feedback bietet⁶⁴. Zudem kann die konversationelle Benutzeroberfläche authentische Sprachpraxis außerhalb des Klassenzimmers ermöglichen, was das Engagement der Lernenden beim Englischlernen steigern kann⁶⁵. Diese Beobachtungen legen nahe, dass ChatGPT als unterstützende Lernressource fungieren kann, die den Unterricht ergänzt. Das Technology Acceptance Model bietet darüber hinaus eine theoretische Erklärung für diesen Zusammenhang, indem es vorschlägt, dass Lernende, die ChatGPT als nützlich und einfach zu bedienen wahrnehmen, eher bereit sind, sich mit der Technologie auseinanderzusetzen, wodurch kontinuierliches Lernen unterstützt wird. Ebenso unterstreicht die positive Assoziation zwischen digitaler Kompetenz und Motivation (H3 bestätigt) die Bedeutung der Fähigkeit der Studierenden, digitale Lern-Technologien effektiv einzusetzen. Studierende mit höherer digitaler Kompetenz sind möglicherweise besser in der Lage, KI-gestützte Lernwerkzeuge effizient zu nutzen, erleben weniger technologische Barrieren und erkennen den pädagogischen Mehrwert der Technologieintegration⁶⁶. Im saudischen Kontext, in dem erhebliche Investitionen in digitale Infrastruktur und Bildungstechnologien getätigt wurden⁶⁷, verdeutlichen diese Ergebnisse den möglichen Beitrag der digitalen Kompetenz zum technologiegestützten Sprachenlernen.

Ein zentraler Beitrag dieser Studie ist die Identifizierung der Motivation als signifikanten Mediator der Beziehungen zwischen Unterrichtsstil, ChatGPT-Nutzung, digitaler Kompetenz und FLCA (H6–H8 bestätigt). Die negative Assoziation zwischen Motivation und FLCA (H4 bestätigt) steht im Einklang mit theoretischen Ansätzen, die darauf hinweisen, dass intrinsische Motivation eine psychologische Ressource darstellt, die Lernenden hilft, mit den emotionalen Herausforderungen des Spracherwerbs umzugehen⁶⁸. Hochmotivierte Studierende könnten eher dazu neigen, bei sprachlichen Schwierigkeiten ausdauernd zu bleiben, Fehler als Lernchancen zu betrachten und ihr Selbstwirksamkeitsgefühl während anspruchsvoller sprachlicher Aufgaben – wie mündlichen Präsentationen und Prüfungen – aufrechtzuerhalten. Die negative Assoziation zwischen FLCA und Kreativität (H5 bestätigt) stimmt ebenfalls mit früheren Forschungsergebnissen überein, die darauf hindeuten, dass Angst die Bereitschaft der Lernenden einschränken kann, mit neuen sprachlichen Formen zu experimentieren und kreativen Sprachgebrauch zu entwickeln⁶⁹. Im saudischen EFL-Kontext, in dem FLCA als Hindernis für den Spracherwerb identifiziert wurde, unterstreichen diese Ergebnisse die Bedeutung von Lernumgebungen, die die Motivation der Studierenden fördern und gleichzeitig emotionale Barrieren für die Partizipation abbauen. Die Mediationsanalysen legen zudem nahe, dass Motivation einen wichtigen Mechanismus darstellt, über den förderliche Unterrichtspraktiken, die Nutzung von ChatGPT und digitale Kompetenz mit geringeren FLCA-Ausprägungen verbunden sind. Diese Befunde erweitern frühere Forschungsergebnisse, indem sie die mögliche Rolle der Motivation hervorheben, instruktionale und technologische Faktoren mit Lernergebnissen in saudischen EFL-Klassenzimmern zu verbinden.

Die dimensionale Analyse des Lehrstils (Tabelle 8) zeigte deutliche Muster über die fünf Dimensionen des Lehrstils hinweg auf. Der Autoritäts-Lehrstil war mit höheren Werten an fremdsprachlicher Klassenzimmerangst (FLCA) und geringerer Kreativität verbunden, während sein Zusammenhang mit Motivation statistisch nicht signifikant war. Im Gegensatz dazu waren die Lehrstile des Vermittlers, des Experten, des persönlichen Vorbilds und des Delegierenden positiv mit Motivation und Kreativität assoziiert und negativ mit der Angst im Fremdsprachenunterricht verknüpft. Diese Ergebnisse legen nahe, dass Lehrstile in ihren Beziehungen zu motivationalen, emotionalen und kreativen Lernergebnissen variieren können. Eine mögliche Erklärung liefert die Selbstbestimmungstheorie (SDT), die postuliert, dass Lehransätze, die die Autonomie der Lernenden unterstützen, eher intrinsische Motivation fördern, während stark dirigistische Unterrichtsansätze Struktur bieten, jedoch weniger Gelegenheiten für autonomes Engagement bieten. Im saudischen Bildungskontext könnten strukturierte Unterrichtsansätze die Unsicherheit einiger Lernender verringern, indem sie klare Erwartungen und Anleitungen geben. Gleichzeitig kann eine stärkere Lehrersteuerung die Möglichkeiten für eigenständiges Lernen und kreative Sprachverwendung reduzieren. Diese Befunde deuten darauf hin, dass Unterrichtsansätze, die klare Anleitung mit Gelegenheiten zur Lernerautonomie verbinden, positive Bildungsergebnisse unterstützen können. Zukünftige Studien mit Längsschnitt- oder experimentellen Designs könnten helfen, diese Zusammenhänge zu klären und zu untersuchen, wie unterschiedliche Lehrstile Motivation, Angst im Fremdsprachenunterricht und Kreativität im Zeitverlauf beeinflussen.

Diese Studie leistet einen Beitrag zum theoretischen Verständnis des Fremdsprachenlernens, indem sie die Selbstbestimmungstheorie (SDT) und das Technologieakzeptanzmodell integriert, um zu untersuchen, wie pädagogische Ansätze und KI-gestütztes Lernen über die Motivation mit Lernergebnissen verknüpft sind. Die Ergebnisse deuten darauf hin, dass Unterrichtsstil, die Nutzung von ChatGPT und digitale Kompetenz mit der Motivation assoziiert sind, die wiederum mit Angst im Fremdsprachenunterricht zusammenhängt. Die Befunde stützen zudem die Anwendung der SDT im technologiegestützten Sprachenlernen, da sie darauf hinweisen, dass durch ChatGPT gebotene Möglichkeiten für selbstgesteuerte Übungen und personalisiertes Feedback die psychologischen Bedürfnisse der Lernenden nach Autonomie und Kompetenz unterstützen können. Außerdem verdeutlicht die dimensionale Analyse der Unterrichtsstile, dass unterschiedliche instruktionelle Ansätze mit spezifischen Lernergebnissen verknüpft sind, was darauf hindeutet, dass die Wirksamkeit von Unterrichtsstilen möglicherweise vom jeweiligen Bildungskontext und den betrachteten Ergebnissen abhängt. Die Ergebnisse haben auch praktische Implikationen für den Englischunterricht als Fremdsprache und für die Bildungspolitik in Saudi-Arabien. Fortbildungsprogramme für Lehrkräfte könnten davon profitieren, wenn sie instruktionelle Ansätze betonen, die klare Anleitung mit Möglichkeiten zur Lernendenautonomie verbinden, um so die Motivation der Studierenden zu fördern und gleichzeitig die Angst im Fremdsprachenunterricht zu verringern. Die Integration von KI-gestützten Werkzeugen wie ChatGPT in den Sprachunterricht kann zusätzliche Gelegenheiten für Brainstorming, Textentwürfe und konversationelles Üben bieten, sofern sie durch geeignete pädagogische Anleitung begleitet wird. Ebenso können Initiativen zur Förderung digitaler Kompetenz den Studierenden helfen, die Fähigkeiten zu erwerben, die erforderlich sind, um KI-gestützte Lern-Technologien effektiv einzusetzen, einschließlich der Bewertung von Informationen, des ethischen Umgangs mit Technologie und der strategischen Anwendung von KI-Werkzeugen. Auf institutioneller Ebene könnte eine fortgesetzte Investition in digitale Infrastruktur, Curricula, die technologiegestützte Lernaktivitäten integrieren, sowie Bewertungspraktiken, die sinnvolle Sprachverwendung fördern, das Lernen der Studierenden weiter unterstützen. Zudem können Lernumgebungen, die emotionale Unterstützung durch risikoarme Lerngelegenheiten, konstruktives Feedback, Zusammenarbeit mit Kommilitonen und Anerkennung kreativer Sprachverwendung bieten, zu einer verbesserten Motivation und einer Verringerung der Angst im Fremdsprachenunterricht beitragen. Insgesamt können diese Ergebnisse pädagogische Praktiken und politische Maßnahmen informieren, die das technologiegestützte Sprachenlernen im Rahmen der übergeordneten Ziele von Saudi Vision 2030 unterstützen.

Diese Studie untersuchte die Zusammenhänge zwischen Lehrstil, ChatGPT-Nutzung, digitaler Kompetenz, Motivation, Fremdsprachenunterrichtsangst und Kreativität bei saudischen Studierenden im Bereich Englisch als Fremdsprache (EFL) unter besonderer Berücksichtigung der vermittelnden Rolle der Motivation. Die Ergebnisse zeigen, dass Lehrstil, ChatGPT-Nutzung und digitale Kompetenz positiv mit der Motivation der Studierenden verbunden waren. Im Gegenzug war die Motivation negativ mit der Fremdsprachenunterrichtsangst assoziiert, während die Fremdsprachenunterrichtsangst negativ mit der Kreativität verknüpft war. Diese Befunde legen nahe, dass Motivation ein wichtiger Mechanismus ist, der pädagogische und technologische Faktoren mit Lernergebnissen im saudischen EFL-Unterricht verbindet. Die Ergebnisse unterstreichen zudem die Bedeutung von Lernumgebungen, die sowohl die motivationalen als auch die emotionalen Bedürfnisse der Studierenden unterstützen. Die dimensionale Analyse der Lehrstile zeigte, dass der autoritative Lehrstil mit höheren Ausprägungen der Fremdsprachenunterrichtsangst und geringerer Kreativität verbunden war, während die Lehrstile des Begleiters, des Experten, des persönlichen Vorbilds und des Delegierenden mit höherer Motivation und Kreativität sowie geringerer Angst assoziiert waren. Diese Ergebnisse deuten darauf hin, dass Unterrichtsansätze, die klare Anleitung mit Möglichkeiten zur Lernendenautonomie verbinden, positive Lernerfahrungen und Sprachentwicklung fördern können. Im Kontext der saudischen Vision 2030 ergeben sich praktische Implikationen für den Sprachunterricht. Die Integration von lernzentrierten Unterrichtsstrategien, KI-gestützten Lernwerkzeugen wie ChatGPT und der Förderung digitaler Kompetenzen könnte zum technologiegestützten Sprachlernen beitragen und gleichzeitig die Motivation der Studierenden stärken sowie die Fremdsprachenunterrichtsangst verringern. Insgesamt liefert diese Studie Belege für die Rolle pädagogischer Praktiken, KI-gestützten Lernens und digitaler Kompetenz im EFL-Unterricht und bietet eine Grundlage für zukünftige, longitudinale sowie interventionsbasierte Forschung, die diese Zusammenhänge in unterschiedlichen Bildungskontexten untersucht.

Mehrere Einschränkungen dieser Studie sollten anerkannt werden. Erstens beschränkt das Querschnittsdesign die Möglichkeit, kausale Schlussfolgerungen über die Beziehungen zwischen den untersuchten Variablen zu ziehen. Obwohl der theoretische Rahmen gerichtete Beziehungen vorschlägt, sollten die Ergebnisse als Assoziationen und nicht als Beleg für Kausalität interpretiert werden. Zukünftige Forschung sollte Längsschnittdesigns verwenden, um Veränderungen in Motivation, Fremdsprachenunterrichtsangst und Kreativität im Zeitverlauf zu untersuchen, sowie experimentelle oder interventionsbasierte Designs, um die vorgeschlagenen Beziehungen strenger zu evaluieren. Solche Studien könnten untersuchen, ob Unterrichtsansätze, die die Lernendenautonomie betonen, mit nachfolgenden Veränderungen in Motivation, Fremdsprachenunterrichtsangst und Kreativität assoziiert sind. Zweitens stammt die Stichprobe von einer einzigen öffentlichen Universität in Saudi-Arabien, was die Generalisierbarkeit der Ergebnisse auf andere bildungs- und kulturelle Kontexte einschränken könnte. Die Merkmale der saudischen Hochschulbildung, einschließlich Bewertungspraktiken, laufender bildungspolitischer Reformen und kultureller Perspektiven auf Lehrerautorität, könnten die beobachteten Beziehungen beeinflussen. Zukünftige Forschung sollte diese Beziehungen an mehreren Institutionen und Regionen innerhalb Saudi-Arabiens sowie in anderen Ländern untersuchen, um die Konsistenz der Ergebnisse in unterschiedlichen Bildungsumgebungen zu bestimmen. Drittens basierte diese Studie auf selbstberichteten Daten, die durch soziale Erwünschtheitsbias, Erinnerungsbias und Varianz durch gemeinsame Methoden beeinträchtigt sein können. Obwohl validierte Messinstrumente und Pretest-Verfahren eingesetzt wurden, könnten zukünftige Studien zusätzliche Datenquellen integrieren, wie Klassenraumbeobachtungen, Lernanalysen, Aufzeichnungen zur KI-Nutzung oder leistungsbezogene Bewertungen der Sprachkompetenz und Kreativität, um ergänzende Belege zu liefern. Multi-Methoden- und Mixed-Methods-Ansätze könnten das Verständnis der in dieser Studie identifizierten Beziehungen weiter vertiefen. Schließlich ergab die dimensionale Analyse der Unterrichtsstile unterschiedliche Assoziationen zwischen dem autoritativen Unterrichtsstil und den Lernergebnissen. Zukünftige qualitative Forschung, einschließlich Interviews, Fokusgruppen und Klassenraumbeobachtungen, könnte weiteren Einblick darin geben, wie verschiedene Unterrichtsstile die Motivation der Studierenden, die Fremdsprachenunterrichtsangst und die Kreativität beeinflussen, insbesondere im saudischen EFL-Kontext. Eine solche Arbeit würde die vorliegenden Ergebnisse ergänzen und zu einem umfassenderen Verständnis des technologiegestützten Sprachlernens beitragen.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
ChatGPT-Nutzungsskala (angepasst)	Autoren; angepasst nach Abbas et al.	N/V	Achtteilige Fragebogenerhebung zur Beurteilung der Nutzung von ChatGPT durch Studierende für das Sprachenlernen.
Kreativitätsskala (angepasst)	Autoren; angepasst nach Govindasamy et al.	N/V	Zwölftteilige Fragebogenerhebung zur Beurteilung von Originalität, Flexibilität, Flüssigkeit und Ausführlichkeit.
Digital-Kompetenz-Skala (angepasst)	Autoren; angepasst nach Rodríguez-de-Dios et al.	N/V	Neunundzwanzigteilige Fragebogenerhebung zur Messung von sechs Dimensionen der digitalen Kompetenz.
Angstskala im Fremdsprachenunterricht (FLCA) (angepasst)	Autoren; angepasst nach Briesmaster & Briesmaster	N/V	Siebenundzwanzigteilige Fragebogenerhebung zur Messung von Kommunikationsangst, Prüfungsangst und Angst vor negativer Bewertung.
G*Power	Heinrich-Heine-Universität Düsseldorf	Version 3.1.9.7; RRID: SCR_013726	Software zur Durchführung der post-hoc-Statistischen-Power-Analyse.
IBM SPSS Statistics	IBM Corp.	Version 26; RRID: SCR_002865	Statistiksoftware zur Datensäuberung, deskriptiven Statistik, Reliabilitätsanalysen und vorläufigen Analysen.
Mahalanobis-Distanz-Analyse	IBM SPSS Statistics	Version 26; RRID: SCR_002865	Statistisches Verfahren in IBM SPSS Statistics zur Identifizierung multivariater Ausreißer.
Motivationsskala (angepasst)	Autoren; angepasst nach Kanoksilapatham et al.	N/V	Zwanzigteilige Fragebogenerhebung zur Beurteilung der Lernermotivation.
Papierfragebogen	Autoren	N/V	Gedruckte Version des strukturierten, selbstausgefüllten Fragebogens zur persönlichen Datenerhebung.
Sichere Online-Umfrageplattform	Google LLC	N/V	Google-Forms-Plattform zur elektronischen Verteilung des Fragebogens.
SmartPLS	SmartPLS GmbH	Version 4; RRID: SCR_036419	Software zur Durchführung der partiellen kleinsten-Quadrate-Strukturgleichungsmodellierung (PLS-SEM), einschließlich Bewertung des Messmodells, Analyse des Strukturmodells, Bootstrapping (5.000 Neustichproben) und Mediationsanalyse.
Strukturierter selbstausgefüllter Fragebogen	Autoren	N/V	Fragebogen, der in gedruckter und elektronischer Form mittels einer 5-Punkte-Likert-Skala (1 = Stimme völlig nicht zu bis 5 = Stimme völlig zu) erhoben wurde.
Lehrstil-Inventar (angepasst)	Autoren; angepasst nach Grashas Teaching Style Inventory	N/V	Fragebogen zur Messung der Lehrstile Autorität, Experte, Vorbild, Moderator und Delegierender.
Universitäre Kommunikationskanäle	Universität von Dschidda	N/V	Offizielle E-Mails und Klassenansagen zur Rekrutierung der Teilnehmenden.