Sociocultural Perspectives on Artificial Intelligence in English Language Learning: Insights from Saudi University Students
Notice bibliographique
Résumé
Artificial intelligence (AI) is increasingly being integrated into educational systems worldwide, offering transformative potential for language learning. This research investigates the sociocultural attitudes of Saudi university students toward AI in English language learning, examining how factors such as age, academic specialization, and economic background influence their perceptions. Data were collected from 341 male students across various disciplines at Prince Sattam University, Saudi Arabia, using a structured questionnaire adapted from the Negative Attitude toward Artificial Intelligence Scale. The findings reveal that students generally hold positive attitudes toward AI, particularly in terms of communication (mean: 3.89) and interaction (mean: 3.70), recognizing its potential to enhance language learning. However, concerns about AI’s social influence and ethical implications were evident, as reflected in the neutral stance on the “Social Influence of AI” subscale (mean: 2.79). Significant differences in attitudes were observed based on educational specialization, with medical students showing the most positive attitudes and law students expressing greater skepticism. Younger students (18-20 years) were more receptive to AI than older students, and those from higher-income families perceived AI as more effective. These findings highlight the importance of considering sociocultural factors when integrating AI into educational settings. The study underscores the need for ethical guidelines, equitable access to technology, and culturally sensitive AI tools to ensure inclusive and effective learning experiences. By addressing these dimensions, educators and policymakers can better align technological advancements with the diverse needs of learners, paving the way for more innovative and responsive educational practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».