Predicting Vocabulary Acquisition in EFL Learners Using Machine Learning Models
Diese Studie zeigt, dass generative KI die Wortschatzerwerbsrate bei Lernenden des Englischen als Fremdsprache im Vergleich zum konventionellen Unterricht zwar signifikant verbessert, lineare Regressionsmodelle, die primär auf linguistischen Indikatoren basieren, jedoch komplexe Algorithmen des maschinellen Lernens und Verhaltensmetriken bei der Vorhersage dieser Lernerfolge übertreffen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das Erlernen einer neuen Sprache ist eine Reise der Akkumulation, bei der die Fähigkeit, komplexe Ideen auszudrücken, stark von der Größe und Vielfalt des Wortschatzes einer Person abhängt. Seit Jahrzehnten wissen Lehrer, dass Schüler am besten lernen, wenn sie neuen Wörtern wiederholt begegnen und diese in bedeutungsvollen Kontexten verwenden, wie etwa beim Schreiben von Aufsätzen oder in Gesprächen. In den letzten Jahren ist ein leistungsstarkes neues Werkzeug in das Klassenzimmer eingezogen: künstliche Intelligenz. Diese Systeme können mit Schülern chatten, sofortige Erklärungen anbieten und bessere Möglichkeiten vorschlagen, einen Satz zu formulieren. Doch während Schulen bestrebt sind, diese Werkzeuge einzuführen, bleibt eine entscheidende Frage unbeantwortet: Hilft der bloße Zugang zu einem intelligenten Chatbot den Schülern tatsächlich dabei, mehr Wörter zu lernen, und können wir vorhersagen, wer am meisten davon profitieren wird?
Forscher an der Universität Prince Mugrin in Saudi-Arabien machten sich daran, dies zu beantworten, indem sie eine große Gruppe von Universitätsstudierenden beobachteten, die Englisch lernten. Sie wollten sehen, ob die Nutzung von KI zur Unterstützung bei Schreibaufgaben zu einem besseren Wortschatzwachstum führte als traditionelle Lehrmethoden. Vor allem aber wollten sie wissen, ob sie mithilfe von Computermodellen den Fortschritt eines Studenten basierend auf dessen Nutzung der Technologie prognostizieren könnten. Die Studie umfasste 180 Bachelorstudierende über einen Zeitraum von fünfzehn Wochen. Die Studierenden wurden in zwei Gruppen aufgeteilt. Eine Gruppe erhielt das standardmäßige Feedback ihres Lehrers zu ihren Texten, während die andere Gruppe es gestattet war, fortschrittliche KI-Chatbots zu nutzen, um Wortbedeutungen zu erforschen, ihre Grammatik zu prüfen und ihre Entwürfe zu überarbeiten. Beide Gruppen lernten dasselbe Material und schrieben dieselben Aufgaben, sodass der einzige wesentliche Unterschied die Quelle ihres Feedbacks war.
Die Ergebnisse zeigten, dass beide Gruppen im Laufe des Semesters ihr Wortschatzwissen verbesserten, was zu erwarten ist, wenn Studierende aktiv am Lernen beteiligt sind. Die Gruppe, die die KI-Werkzeuge nutzte, erzielte jedoch signifikant größere Fortschritte. Im Durchschnitt verbesserten diese Studierenden ihre Testergebnisse im Bereich Wortschatz um mehr als sieben Punkte, während die Gruppe, die sich ausschließlich auf das Feedback der Lehrkraft verließ, um etwas mehr als drei Punkte verbesserte. Dieser Unterschied war nicht bloß ein Zufall; die Studierenden, die KI nutzten, lernten mehr Wörter und verwendeten auch eine größere Vielfalt an Wörtern in ihren Texten. Ihre Aufsätze zeigten eine größere Reichhaltigkeit des Wortschatzes und einen höheren Gebrauch akademischer Begriffe, was darauf hindeutet, dass die KI ihnen half, nicht nur Definitionen auswendig zu lernen, sondern diese neuen Wörter tatsächlich in ihre aktiven Sprachfertigkeiten zu integrieren.
Die Forscher wandten sich dann der Frage der Vorhersage zu. Sie fragten sich, ob sie das Verhalten eines Studenten – wie etwa die Zeit, die er mit der KI verbrachte, wie oft er seine Arbeit überarbeitete oder wie engagiert er schien – beobachten und diese Informationen nutzen könnten, um zu erraten, wie stark sein Wortschatz wachsen würde. Dies testeten sie mithilfe verschiedener Computermodelle, die von einfachen statistischen Methoden bis hin zu komplexeren Algorithmen reichten, die darauf ausgelegt waren, verborgene Muster zu finden. Überraschenderweise schnitten die anspruchsvollsten Computermodelle nicht besser ab als die einfachsten. Tatsächlich war der genaueste Weg, den Wortschatzzuwachs eines Studenten vorherzusagen, die Betrachtung seiner anfänglichen Testergebnisse und der Frage, ob er in der KI-Gruppe oder der reinen Lehrer-Gruppe war.
Der vielleicht aufschlussreichste Befund war, dass die vom KI-Nutzer gesammelten Verhaltensdaten nicht dabei halfen, die Lernergebnisse vorherzusagen. Zu wissen, wie viele Minuten ein Student mit dem Chatbot verbrachte oder wie oft er auf eine Schaltfläche klickte, um einen Vorschlag zu erhalten, sagte den Forschern sehr wenig darüber aus, wie viel dieser Student tatsächlich lernte. Die Quantität der Interaktion war kein zuverlässiger Indikator für die Qualität. Ein Student konnte viel Zeit mit dem Werkzeug verbracht haben, aber einfach die erste vorgeschlagene Option ohne Nachdenken akzeptiert haben, während ein anderer es kurzzeitig, aber tiefgründig genutzt hat, um Alternativen zu analysieren. Die Studie legt nahe, dass der Wert der KI in der Art der bereitgestellten Unterstützung lag – nämlich in dem unmittelbaren, individualisierten Feedback, das es den Studierenden ermöglichte, in Echtzeit mit der Sprache zu experimentieren – und nicht in der schieren Menge der Zeit, die sie damit verbrachten.
Letztendlich zeigt die Studie, dass künstliche Intelligenz ein mächtiger Partner beim Sprachenlernen sein kann, aber nur, wenn sie sorgfältig in einen strukturierten Kurs integriert wird. Die Technologie ersetzte nicht die Lehrkraft; stattdessen erweiterte sie die Reichweite der Lehrkraft und bot den Studierenden eine Möglichkeit, ihr Schreiben jederzeit zu üben und zu verfeinern. Die Forscher fanden heraus, dass der beste Weg, das Wortschatzwachstum zu verstehen und vorherzusagen, nicht darin bestand, zu verfolgen, wie beschäftigt ein Student mit einer Maschine war, sondern darin, die tatsächlichen Veränderungen in seinen Texten und seinen Testergebnissen zu betrachten. Dieser Ansatz bietet Pädagogen einen klaren Weg nach vorn: Konzentrieren Sie sich auf die Qualität der Lerninteraktion und die greifbaren Verbesserungen im Sprachgebrauch, statt lediglich die Minuten zu zählen, die Studierende online verbringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.