Technisches Resümee: Jenseits von „Einheitslösungen“ beim Engagement in der durch generative KI unterstützten Sprechpraxis

1. Problemstellung

Obwohl generative Künstliche Intelligenz (generative KI) bereits niederschwellige, personalisierte Umgebungen für das Sprechtraining in der Fremdsprache Englisch (EFL) etabliert hat, stützt sich die bestehende Literatur weitgehend auf quantitative Ansätze, um gruppenebene Trends oder mediierende Effekte zu berichten. Diese Studien behandeln emotionales, kognitives und verhaltensbezogenes Engagement oft als separate Variablen oder setzen voraus, dass sich diese synchron entwickeln. Folglich besteht eine signifikante Wissenslücke im Verständnis darüber, wie Lernende diese Dimensionen subjektiv konfigurieren. Insbesondere bleibt unklar, wie die emotionalen Erfahrungen verschiedener Lernender ihre kognitiven Bewertungen und ihr Verhaltensengagement prägen und ob ein „Einheitsansatz“ (One-size-fits-all) für den KI-gestützten Unterricht angesichts der Heterogenität der Lernerfahrungen ausreichend ist.

2. Methodik

Diese Studie verwendet die Q-Methodologie, einen personenzentrierten Ansatz, der darauf ausgelegt ist, die individuelle Subjektivität zu untersuchen und geteilte Sichtweisen innerhalb einer Gruppe zu identifizieren.

• Teilnehmer: 27 Erstsemester-Studierende (22 männlich, 5 weiblich; Durchschnittsalter 19,04) eines naturwissenschaftlich-technischen College in Nordchina. Alle Teilnehmer verfügten über mindestens ein Semester Erfahrung in der Nutzung von KI-Tools (z. B. Doubao, Chaoxing Learning Platform, Liulishuo English) zur Sprechpraxis.
• Instrumentenentwicklung (Q-Set): Ein Q-Set aus 47 repräsentativen Aussagen wurde aus drei Quellen konstruiert: (1) einer Literaturrecherche über das Engagement und die emotionalen Erfahrungen von Lernenden im KI-gestützten Lernen; (2) offenen Antworten der Teilnehmer zu ihren realen Erfahrungen; und (3) Nutzerkommentaren auf populären KI-Sprachplattformen in China. Die Aussagen wurden verfeinert, um sich auf einzelne Dimensionen (emotional, kognitiv oder verhaltensbezogen) zu konzentrieren, um Mehrdeutigkeiten zu vermeiden.
• Datenerhebung:
  • Q-Sorting: Die Teilnehmer ordneten die 47 Aussagen auf einem erzwungenen Verteilungsraster von „stimmt überhaupt nicht zu“ (-5) bis „stimmt voll und ganz zu“ (+5) ein.
  • Post-Sort-Interviews: Es wurden semistrukturierte Interviews mit 10 Teilnehmern durchgeführt, die hohe Faktorladungen aufwiesen, um die Beweggründe hinter ihren Rangierungen zu explorieren.
• Datenanalyse: Die Q-Sort-Daten wurden mittels KADE (Version 1.3.1) über die Hauptkomponentenanalyse (PCA) mit Varimax-Rotation analysiert. Faktoren wurden basierend auf Eigenwerten > 1,00 und Faktorladungen ≥ 0,38 beibehalten. Vier Faktoren wurden extrahiert, die 51 % der Gesamtvarianz erklären.

3. Kernergebnisse: Vier Profile des Lernenden-Engagements

Die Faktoranalyse identifizierte vier unterschiedliche Profile des Lernenden-Engagements, die jeweils durch eine einzigartige Konfiguration von emotionalem, kognitivem und verhaltensbezogenem Engagement gekennzeichnet sind:

1. Entspannte Regulatoren (Faktor 1):

   • Emotional: Hohes Gefühl von Entspannung und Sicherheit; geringe Angst vor Bewertung oder Fehlern.
   • Verhaltensbezogen: Dynamische Anpassung des Interaktionsstils an persönliche Bedürfnisse (z. B. die KI bitten, die Sprache zu vereinfachen).
   • Kognitiv: Kein markanter unterscheidender kognitiver Einsatz; die Verarbeitung scheint oberflächlich oder auf die Praxis statt auf tiefere Reflexion fokussiert zu sein.
   • Profil: Lernende, die sich sicher und unter Kontrolle fühlen, aber möglicherweise nicht tief kognitiv engagiert sind.

2. Distanzierte Zweifler (Faktor 2):

   • Emotional: Distanziert und geringes emotionales Engagement; Skepsis gegenüber der „menschlichen“ Qualität des KI-Feedbacks.
   • Kognitiv: Kritische und skeptische Haltung; Hinterfragen der Genauigkeit des KI-Feedbacks und dessen Fähigkeit, echte Kompetenz zu bewerten.
   • Verhaltensbezogen: Passive Nutzung oder begrenztes Engagement (z. B. Nutzung der KI nur, wenn sie von Lehrkräften vorgeschrieben wird).
   • Profil: Lernende, denen es an Vertrauen in das Tool mangelt, was zu Desengagement führt.

3. Ängstliche Optimierer (Faktor 3):

   • Emotional: Hohe Sensibilität gegenüber Scores und Feedback; Erfahrung von Angst und emotionalen Schwankungen.
   • Kognitiv: Klare Erkenntnis des Wertes der KI für die Verbesserung, jedoch mit einem starren Fokus auf spezifische Schwächen.
   • Verhaltensbezogen: Gezieltes, repetitives Üben identifizierter Schwachstellen; Zurückhaltung bei der Erkundung anderer KI-Funktionen oder -Features.
   • Profil: Lernende, die durch extrinsische Motivation zur Vermeidung von Fehlern getrieben werden, was zu einer starren, nicht-explorativen Praxis führt.

4. Neugierige Entdecker (Faktor 4):

   • Emotional: Positive, aktivierende Emotionen, getrieben durch intrinsisches Interesse, Neugier und Neuartigkeit.
   • Kognitiv: Positive Bewertung des evaluativen und instruktiven Wertes der KI.
   • Verhaltensbezogen: Hohe Initiative; aktives Experimentieren mit verschiedenen KI-Tools und Funktionen.
   • Profil: Lernende, die intrinsisch motiviert sind, breit explorieren und über alle Dimensionen hinweg tief engagiert sind.

4. Zentrale Beiträge und Erkenntnisse

Die Studie stellt die Annahme infrage, dass emotionales, kognitives und verhaltensbezogenes Engagement synchron ablaufen. Stattdessen zeigt sie, dass diese Dimensionen in heterogenen, konfigurativen Mustern kombiniert werden.

• Die Zentralität der Emotion: Das emotionale Engagement ist die zentrale Dimension über alle Profile hinweg. Jedoch bestimmt die Art der Emotion (aktivierend vs. deaktivierend, positiv vs. negativ) die nachfolgenden kognitiven und verhaltensbezogenen Ergebnisse.
• Anwendung der Kontroll-Wert-Theorie: Die Studie wendet die Kontroll-Wert-Theorie (Pekrun, 2006) an, um diese Konfigurationen zu erklären:
  • Entspannte Regulatoren: Hohe wahrgenommene Kontrolle und positive Wertschätzung führen zu deaktivierenden positiven Emotionen (Entspannung), was die tiefe kognitive Verarbeitung hemmen kann.
  • Neugierige Entdecker: Hohe Kontrolle und positive Wertschätzung führen zu aktivierenden positiven Emotionen (Freude/Neuheit), was tiefes kognitives und exploratives Verhaltensengagement fördert.
  • Ängstliche Optimierer: Hohe Wertschätzung, aber geringe wahrgenommene Kontrolle führt zu aktivierenden negativen Emotionen (Angst), was gezieltes Verhaltensengagement antreibt, aber die Exploration hemmt.
  • Distanzierte Zweifler: Geringe Kontrolle und negative Wertschätzung führen zu deaktivierenden negativen Emotionen (Langeweile/Distanzierung), was sowohl die kognitive Bewertung als auch das Verhaltensengagement untergräbt.

5. Bedeutung und pädagogische Implikationen

Die Arbeit argumentiert, dass ein „Einheitsansatz“ für den KI-gestützten Sprechunterricht unzureichend ist. Die Bedeutung dieser Arbeit liegt in dem Nachweis, dass das Engagement der Lernenden heterogen und konfigurativ ist.

Pädagogische Implikationen:

• Priorität der emotionalen Unterstützung: Der Unterricht sollte die emotionale Unterstützung priorisieren, um die risikoarme Natur der KI zu nutzen.
• Maßgeschneiderte Interventionen:
  • Für Entspannte Regulatoren: Das stressarme Umfeld beibehalten, aber reflektierende Tagebücher einführen, um das kognitive Engagement zu vertiefen.
  • Für Distanzierte Zweifler: Ansprechende, interaktive Spiele nutzen, um positive emotionale Erfahrungen aufzubauen und schrittweise Aufgaben mit steigenden kognitiven Anforderungen einzuführen, um ein Gefühl der Kontrolle zu vermitteln.
  • Für Ängstliche Optimierer: Lernende dazu anleiten, inkrementelle Ziele zu setzen und das KI-Feedback kritisch zu bewerten, um die Angst zu reduzieren und den Übergang von extrinsischer zu nachhaltigerer Motivation zu fördern.
  • Für Neugierige Entdecker: Offene, kreative Aufgaben zuweisen, um die intrinsische Motivation aufrechtzuerhalten und den Austausch mit Gleichaltrigen zu fördern, um das Engagement zu verstärken.

6. Limitationen

Der Autor räumt zwei primäre Limitationen ein:

1. Repräsentativität der Stichprobe: Die Studie wurde mit einem einzelnen Kohort an einer Universität in China durchgeführt, was die Verallgemeinerbarkeit der Ergebnisse auf verschiedene Altersgruppen, Kompetenzniveaus und geografische Regionen einschränkt.
2. Statischer Perspektive: Die Studie erfasst die Engagement-Profile zu einem einzigen Zeitpunkt und untersucht nicht, wie sich diese Profile im Laufe eines längeren Lernprozesses entwickeln könnten.

Das Paper kommt zu dem Schluss, dass die Anleitung durch Lehrkräfte in KI-integrierten Umgebungen entscheidend ist, um diese unterschiedlichen emotional-kognitiven-verhaltensbezogenen Konfigurationen zu adressieren und ein nachhaltiges Engagement zu fördern.