💻 computer science

Predicting Vocabulary Acquisition in EFL Learners Using Machine Learning Models

Deze studie toont aan dat hoewel generatieve AI de woordenschatverwerving bij EFL-lezers aanzienlijk verbetert in vergelijking met conventionele instructie, lineaire regressiemodellen die primair steunen op linguïstische indicatoren complexe machine learning-algoritmen en gedragsmatige metrieken overtreffen in het voorspellen van deze leerwinsten.

Oorspronkelijke auteurs: Ahmed Braima, Jamal Hussien

Gepubliceerd 2026-08-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ahmed Braima, Jamal Hussien

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het leren van een nieuwe taal is een reis van accumulatie, waarbij het vermogen om complexe ideeën uit te drukken sterk afhangt van de omvang en variëteit van iemands woordenschat. Al decennia weten docenten dat studenten het beste leren wanneer ze nieuwe woorden herhaaldelijk tegenkomen en deze gebruiken in betekenisvolle contexten, zoals het schrijven van essays of het voeren van gesprekken. In de afgelopen jaren is er een krachtig nieuw hulpmiddel de klas binnengekomen: kunstmatige intelligentie. Deze systemen kunnen chatten met studenten, directe uitleg bieden en betere manieren voorstellen om een zin te formuleren. Maar hoewel scholen deze tools graag willen adopteren, blijft een kritische vraag onbeantwoord: helpt het simpelweg hebben van toegang tot een intelligente chatbot studenten daadwerkelijk om meer woorden te leren, en kunnen we voorspellen wie er het meeste baat bij zal hebben?

Onderzoekers aan de Universiteit van Prince Mugrin in Saoedische Arabië zetten zich in om dit te beantwoorden door een grote groep universiteitsstudenten te observeren die Engels leerden. Ze wilden zien of het gebruik van AI bij het helpen met schrijfopdrachten leidde tot betere groei van de woordenschat vergeleken met traditionele onderwijsmethoden. Belangrijker nog, ze wilden weten of ze computermodellen konden gebruiken om de voortgang van een student te voorspellen op basis van hoe zij de technologie gebruikten. De studie betrof 180 bachelorstudenten gedurende een periode van vijftien weken. De studenten werden verdeeld in twee groepen. Eén groep ontving standaard feedback van hun docent op hun schrijfwerk, terwijl de andere groep de mogelijkheid kreeg om geavanceerde AI-chatbots te gebruiken om woordbetekenissen te verkennen, hun grammatica te controleren en hun concepten te herzien. Beide groepen bestudeerden hetzelfde materiaal en schreven dezelfde opdrachten, wat ervoor zorgde dat het enige grote verschil de bron van hun feedback was.

De resultaten toonden aan dat beide groepen hun kennis van de woordenschat verbeterden gedurende het semester, wat te verwachten is wanneer studenten actief betrokken zijn bij het leerproces. De groep die de AI-tools gebruikte, maakte echter aanzienlijk grotere winst. Gemiddeld verbeterden deze studenten hun scores op woordschattests met meer dan zeven punten, terwijl de groep die uitsluitend vertrouwde op feedback van de docent met slechts iets meer dan drie punten verbeterde. Dit verschil was niet louter een kwestie van toeval; de studenten die AI gebruikten, leerden meer woorden en gebruikten een grotere variëteit aan woorden in hun schrijfwerk. Hun essays vertoonden een grotere rijkdom aan vocabulaire en een hoger gebruik van academische termen, wat suggereert dat de AI hen niet alleen hielp bij het memoriseren van definities, maar hen er ook daadwerkelijk toe bracht om nieuwe woorden te integreren in hun actieve taalvaardigheid.

Vervolgens richtten de onderzoekers zich op de vraag van voorspelling. Ze vroegen zich af of ze het gedrag van een student konden bekijken — zoals hoe lang ze met de AI praatten, hoe vaak ze hun werk herzien of hoe betrokken ze leken te zijn — en die informatie konden gebruiken om te raden hoeveel hun woordenschat zou groeien. Ze testten dit met verschillende computermodellen, variërend van eenvoudige statistische methoden tot complexere algoritmen die ontworpen zijn om verborgen patronen te vinden. Verrassend genoeg presteerden de meest geavanceerde computermodellen niet beter dan de eenvoudigste. Sterker nog, de meest nauwkeurige manier om de woordenschatwinst van een student te voorspellen, was door naar hun initiële testscores te kijken en of ze in de AI-groep of de alleen-docent-groep zaten.

Misschien wel de meest onthullende bevinding was dat de gedragsgegevens verzameld bij de AI-gebruikers niet hielpen bij het voorspellen van de leerresultaten. Weten hoeveel minuten een student met de chatbot doorbracht of hoe vaak er op een knop werd geklikt om een suggestie te krijgen, vertelde de onderzoekers heel weinig over hoeveel die student daadwerkelijk had geleerd. De kwantiteit van de interactie was geen betrouwbare indicator voor de kwaliteit. Een student kon veel tijd met het hulpmiddel doorbrengen maar simpelweg de eerste suggestie accepteren zonder na te denken, terwijl een ander het kortstondig maar diepgaand zou analyseren. De studie suggereert dat de waarde van de AI kwam uit de aard van de ondersteuning die het bood — directe, geïndividualiseerde feedback die studenten in staat stelde om in real-time met taal te experimenteren — in plaats van de pure hoeveelheid tijd die ze ermee doorbrachten.

Uiteindelijk demonstreert de studie dat kunstmatige intelligentie een krachtige partner kan zijn bij het leren van een taal, maar alleen wanneer het zorgvuldig wordt geïntegreerd in een gestructureerde cursus. De technologie verving de docent niet; in plaats daarvan breidde het de reikwijdte van de docent uit, door studenten een manier te bieden om hun schrijfwerk te oefenen en te verfijnen wanneer zij dat nodig hadden. De onderzoekers ontdekten dat de beste manier om woordenschatgroei te begrijpen en te voorspellen niet lag in het tracken van hoe druk een student was met een machine, maar door te kijken naar de werkelijke veranderingen in hun schrijfwerk en hun testscores. Deze benadering biedt een duidelijk pad voor het onderwijs: focus op de kwaliteit van de leerinteractie en de tastbare verbeteringen in taalgebruik, in plaats van alleen maar de minuten te tellen die studenten online doorbrengen.

Technische Samenvatting: Voorspellen van Woordenschatverwerving bij EFL-leerders met behulp van Machine Learning-modellen

Probleemstelling
Hoewel Kunstmatige Intelligentie (AI) steeds vaker wordt geïntegreerd in het onderwijs in Engels als vreemde taal (EFL), bestaat er een kritische kloof in het begrip van de mate waarin woordenschatontwikkeling voorspeld kan worden door linguïstische indicatoren te combineren met AI-interactiedata. Bestaand onderzoek leunt vaak op grove academische voorspellers of richt zich op geautomatiseerde schrijfevaluatie (AWE) voor de beoordeling van het eindproduct, met beperkte aandacht voor longitudinale veranderingen in woordgebruik. Bov�ijn integreren weinig studies basiswoordenschatkennis, longitudinale uit tekst afgeleide lexicale kenmerken, interactiedata van de lerende en instructiecondities om continue woordenschatsgroei in EFL-contexten te voorspellen. Deze studie adresseert de behoefte aan voorspellende modellen die woordenschatverwerving verklaren door de relatie tussen linguïsche ontwikkeling, leerlinggedrag en instructieve ondersteuning te onderzoeken.

Methodologie
De studie maakte gebruik van een kwantitatief quasi-experimenteel pretest–posttest-ontwerp met 180 bachelorstudenten (EFL) (CEFR B1–C1) aan de Universiteit van Prince Mugrin, Saoedi-Arabië. De deelnemers werden verdeeld in twee intacte groepen van 90:

AI-ondersteunde groep: Maakte gebruik van ChatGPT en Google Gemini voor schrijfondersteuning, woordenschatverkenning en revisie gedurende een semester van 15 weken.
Controlegroep: Ontving conventionele feedback van de docent voor dezelfde schrijfopdrachten en syllabus.

Dataverzameling en Kenmerken:

Uitkomstvariabele: Woordenschatwinst, berekend als het verschil tussen de posttest- en pretestscores op een academische woordenschattest (50 items, Cronbach's α = .84/.90).
Linguïstische Voorspellers: Veranderingen in de Type–Token Ratio (ΔTTR), de maatstaf voor tekstuele lexicale diversiteit (ΔMTLD) en de dekking van de Academic Word List (ΔAWL%), geëxtraheerd uit pre- en post-interventie schrijfmonsters.
Gedragsvoorspellers (alleen AI-groep): AI-gebruiksduur, betrokkenheidsscore (gebaseerd op sessieparticipatie, interactiefrequentie en taakvoltooiing) en het aantal revisies.
Controle variabelen: Basiswoordenschatkennis en lidmaatschap van de instructiegroep.

Analytische Aanpak:
De studie maakte gebruik van een duaal analytisch kader:

Inferentiële Statistiek: Hiërarchische meervoudige regressie en ANCOVA werden gebruikt om groepsverschillen, de onafhankelijke bijdrage van linguïstische en gedragsmatige variabelen, en de verklarende kracht van voorspellers op woordenschatwinst te onderzoeken.
Voorspellende Modellering: Vier supervised machine-learning algoritmen—Linear Regression (LR), Support Vector Regression (SVR), Random Forest (RF) en Gradient Boosting (GB)—werden vergeleken met behulp van vijf-voudige cross-validatie. Prestaties werden geëvalueerd met behulp van $R^2$ , Root Mean Square Error (RMSE) en Mean Absolute Error (MAE).

Belangrijkste Resultaten

Verbetering van de Woordenschat: Beide groepen vertoonden significante woordenschatswinsten. De AI-ondersteunde groep behaalde echter aanzienlijk grotere winsten (Gemiddelde winst = 7,33) vergeleken met de controlegroep (Gemiddelde winst = 3,26), met een grote effectgrootte ($Hedges' g = 1,01$). Dit verschil bleef significant na correctie voor pretestscores.
Voorspellers van Winst:
- Inferentiële Analyse: In de regressie voor de volledige steekproef was de instructiegroep de sterkste unieke voorspeller van de woordenschatswinst ( $\beta = -0,548, p <,001$ ). Hoewel linguïstische veranderingen (ΔMTLD, ΔAWL%) positief correleerden met winst, bleven zij geen significante unieke voorspellers zodra de instructiegroep werd opgenomen.
- Gedragsindicatoren: Binnen de AI-ondersteunde groep vertoonden gedragsindicatoren (gebruiksduur, betrokkenheid, aantal revisies) zwakke, niet-significante correlaties met de woordenschatswinst en voegden geen incrementele voorspellende waarde toe aan de regressiemodellen.
Machine Learning Prestaties:
- Volledige Steekproef: Lineaire Regressie behaalde de hoogste voorspellende prestatie ( $R^2 = 0,156$ , RMSE = 4,125) en presteerde beter dan SVR, RF en GB. Dit suggereert dat de onderliggende relaties overwegend lineair waren.
- AI Subgroep: De voorspellende nauwkeurigheid was lager (negatieve gecross-valideerde $R^2$ -waarden over alle modellen). Cruciaal was dat het toevoegen van gedragsindicatoren aan de linguïstische modellen de voorspellende prestatie consistent verlaagde, wat aangeeft dat de hoeveelheid interactie de voorspelling van individuele woordenschatswinsten niet verbeterde.

Belangrijkste Bijdragen

Geïntegreerd Kader: De studie biedt een analytisch kader dat educational data mining combineert met taalonderzoek, waarbij onafhankelijk gemeten woordenschatuitkomsten worden geïntegreerd met longitudinale, uit tekst afgeleide lexicale kenmerken en instructiecondities.
Gedragsmatige vs. Linguïstische Waarde: Het toont aan dat hoewel AI-ondersteunde instructie de woordenschatverwerving op groepsniveau aanzienlijk verbetert, eenvoudige gedragsmatige metrieken (tijd besteed, aantal revisies) geen betrouwbare voorspellers zijn van individuele woordenschatverwerving. Meetbare linguïstische veranderingen (lexicale diversiteit en gebruik van academische woordenschat) zijn meer informatieve indicatoren van leerresultaten.
Modelcomplexiteit vs. Prestatie: De bevindingen dagen de aanname uit dat complexe ensemble-methoden (Random Forest, Gradient Boosting) altijd superieur zijn aan eenvoudigere modellen in educatieve contexten. Lineaire Regressie bleek superieur, wat suggereert dat de relaties tussen de geselecteerde voorspellers en de woordenschatswinst in deze dataset lineair waren.

Betekenis en Claims
De auteurs beweren dat generatieve AI de woordenschatverwerving kan versterken wanneer het wordt geïntegreerd in docentgestuurd schrijfonderwijs, waarbij het fungeert als een mediamente bron in plaats van een vervanging voor de docent. De studie benadrukt dat de educatieve waarde van AI ligt in het bieden van onmiddellijke, geïndividualiseerde ondersteuning voor lexicale exploratie en revisie, wat het leren versnelt in vergelijking met conventionele feedback alleen.

Verder stelt het artikel dat inferentiële en machine-learning benaderingen complementaire inzichten bieden: regressieanalyse verklaart de causale of verklarende relaties (bijv. de impact van AI-instructie), terwijl machine learning de voorspellende nauwkeurigheid evalueert voor onziene leerders. De studie concludeert dat het accuraat voorspellen van individuele woordenschatswinst uitdagend blijft vanwege niet-gemeten cognitieve en motivationele factoren, en dat toekomstig onderzoek zich moet richten op de kwaliteit van de AI-interactie (bijv. kwaliteit van prompts, opname van feedback) in plaats van de kwantiteit van het gebruik.

Technische Samenvatting: Voorspellen van Woordenschatverwerving bij EFL-leerders met behulp van Machine Learning-modellen

Meer zoals dit