Механизмы оптимизации поведения преподавателей в смешанном обучении английскому языку в Китайском университете в условиях расширения возможностей искусственного интеллекта: исследование путей повышения эффективности педагогической деятельности на основе интеллектуальных технологий

Авторы

  • Хуаньчжэнь Лян Московский государственный университет им. М.В. Ломоносова, 119991, Москва, Ленинские горы, д. 1

DOI:

https://doi.org/10.25726/j3761-0433-2978-n

Ключевые слова:

Обучение с использованием искусственного интеллекта, оптимизация поведения, смешанное обучение, компьютерная педагогика, высшее образование в Китае, интеллектуальная обратная связь

Аннотация

Искусственный интеллект ИИ превратился из умозрительной перспективы в практическую реальность в языковых аудиториях высших учебных заведений, однако поведенческие преобразования на уровне преподавателей, которые превращают алгоритмические возможности в ощутимые результаты обучения, остаются недостаточно конкретизированными. Таким образом, в ходе восемнадцатимесячного исследования с использованием смешанных методов последовательного объяснения были опрошены 428 университетских преподавателей английского языка из семнадцати учебных заведений Китая, проведено сорок семь полуструктурированных интервью и собрано семьдесят два часа аудиторных наблюдений. В исследовании, в частности, рассматривалась реализация ChatGPT, Grammarly AI, автоматизированных систем распознавания речи ASR и адаптивных платформ обучения, таких как DynamicLearning и SmartSparrow. Многоуровневые модели показали, что практика, опосредованная искусственным интеллектом, повысила вовлеченность учащихся p 0,001 и повысила успеваемость на экзаменах на 0,78 стандартных отклонения по сравнению с традиционным обучением. Появились четыре пути оптимизации: адаптивная доставка контента, архитектура персонализированной обратной связи, аналитика обучения в режиме реального времени и совместное принятие решений преподавателями с помощью искусственного интеллекта. Самый эффективный механизм обратная связь, основанная на шаблонах ошибок, позволил повысить успеваемость на 0,83, в то время как мониторинг тенденций на основе аналитики повысил эффективность управления классом на 56. Квадратичная кривая роста выявила переломный момент в поведенческих качествах, равный 3,2/5, ниже которого вероятность отказа возрастает в четыре раза. Напряженность в профессиональной идентичности и неоднозначность ролей оказались самыми серьезными препятствиями; всестороннее профессиональное развитие оказало сильнейшее стимулирующее воздействие. Полученные результаты подчеркивают, что капитальные затраты на интеллектуальную инфраструктуру должны сочетаться со стратегической корректировкой поведения, если мы хотим, чтобы инвестиции в ИИ превратились в устойчивую педагогическую ценность.

Библиографические ссылки

Chen J.C., Kent S. Task engagement, learner motivation and avatar identities of struggling English language learners in the 3D virtual world // System. 2020. Vol. 88. 102168.

Chen L., Chen P., Lin Z. Artificial Intelligence in education: a review // IEEE Access. 2022. Vol. 10. pp. 75264-75278.

Fitria T.N. Artificial Intelligence AI technology in OpenAI ChatGPT application a review of ChatGPT in writing English essay // ELT Forum. 2023. Vol. 12. № 1. pp. 44-58.

Holmes W., Bialik M., Fadel C. Artificial Intelligence in education: promises and implications for teaching and learning. Boston: Center for Curriculum Redesign, 2023.

Hsu T.C. Learning English with augmented reality: do learning styles matter? // Computers and Education. 2017. Vol. 106. pp. 137-149.

Huang Y.M., Shadiev R., Hwang W.Y. Investigating the effectiveness of speech-to-text recognition applications on learning performance and cognitive load // Computers and Education. 2016. Vol. 101. pp. 15-28.

Hwang G.J., Lai C.L., Wang S.Y. Seamless flipped learning a mobile technology-enhanced flipped classroom with effective learning strategies // Journal of computers in education. 2015. Vol. 2. № 4. pp. 449-473.

Jeon J., Lee S. Large language models in second language writing opportunities and ethical challenges // ReCALL. 2023. Vol. 35. № 2. pp. 188-203.

Jiang D., Kalyuga S., Sweller J. The curious case of improving foreign language listening skills by reading rather than listening an expertise reversal effect // Educational psychology review. 2018. Vol. 30. № 3. pp. 1139-1165.

Kasneci E. ChatGPT for good On opportunities and challenges of large language models for education // Learning and individual differences. 2023. Vol. 103. 102274.

Lai C., Hu X., Lyu B. Understanding the nature of learners out-of-class language learning experience with technology // Computer assisted language learning. 2018. Vol. 31. № 1-2. pp. 114-143.

Li J., Link S., Hegelheimer V. Rethinking the role of automated writing evaluation AWE feedback in ESL writing instruction // Journal of second language writing. 2015. Vol. 27. pp. 1-18.

Li S. The effectiveness of corrective feedback in SLA a meta-analysis // Language learning. 2010. Vol. 60. № 2. pp. 309-365.

Lim W.M. Generative AI and the future of education Ragnarok or reformation A paradoxical perspective from management educators // International journal of management education. 2023. Vol. 21. № 2. 100790.

Liu G.Z., Lu H.C., Lai C.T. Towards the construction of a field The developments and implications of mobile assisted language learning MALL // Digital scholarship in the humanities. 2016. Vol. 31. № 1. pp. 164-180.

Plonsky L., Oswald F.L. How big is big Interpreting effect sizes in L2 research // Language learning. 2014. Vol. 64. № 4. pp. 878-912.

Rahman M.M., Watanobe Y. ChatGPT for education and research opportunities, threats, and strategies // Applied Sciences. 2023. Vol. 13. № 9. 5783.

Shadiev R., Hwang W.Y., Huang Y.M. Review of research on mobile language learning in authentic environments // Computer assisted language learning. 2017. Vol. 30. № 3-4. pp. 284-303.

Sung Y.T., Chang K.E., Yang J.M. How effective are mobile devices for language learning A meta-analysis // Educational research review. 2015. Vol. 16. pp. 68-84.

Tseng W.C., Liou H.J., Chu H.C. Vocabulary learning in virtual environments learner autonomy and collaboration // System. 2020. Vol. 88. 102190.

Wang S., Christison M., Levy M. Large language models and the future of language teaching // Language teaching. 2023. Vol. 56. № 3. pp. 333-346.

Zhang K., Aslan A.B. AI technologies for education recent research and future directions // Computers and education artificial intelligence. 2023. Vol. 5. 100137.

Zou B., Li J. Exploring mobile apps for English language teaching and learning // The international handbook of mobile-assisted language learning. Eds. by A. Palalas, M. Ally // China Central Radio and TV University Press, 2016. pp. 236-271.

Zou D., Huang Y., Xie H. Digital game-based vocabulary learning where are we and where are we going // Computer assisted language learning. 2021. Vol. 34. № 5-6. pp. 751-777.

Как цитировать

1.
Лян Х. Механизмы оптимизации поведения преподавателей в смешанном обучении английскому языку в Китайском университете в условиях расширения возможностей искусственного интеллекта: исследование путей повышения эффективности педагогической деятельности на основе интеллектуальных технологий. УО [Интернет]. 30 август 2025 г. [цитируется по 10 июль 2026 г.];15(8-2):252-6. доступно на: https://emreview.ru/index.php/emr/article/view/2538

Выпуск

Раздел

МЕЖДУНАРОДНЫЙ ОПЫТ УПРАВЛЕНИЯ УЧРЕЖДЕНИЯМИ ОБРАЗОВАНИЯ