An Observational Study on Challenges of Using AI tools in EFL Writing
Notice bibliographique
Résumé
This qualitative observational study examines the integration of AI tools (DeepSeek/ChatGPT) in tertiary EFL writing courses. Over a 6-week period, we tracked 87 Chinese learners’ experiences using classroom observations and semi-structured interviews, addressing three research questions: 1) What cognitive and behavioral challenges emerge during AI-mediated writing? 2) How does AI usage influence textual diversity? And 3) What competence gaps hinder effective AI integration in EFL writing? Findings reveal pervasive cognitive conflicts in reconciling AI outputs with original ideas (e.g., 82% reported voice appropriation concerns), textual homogenization in vocabulary and sentence structure (77% lexical overlap), and critical competence gaps in technical, evaluative, and ethical AI application (74%/68%/31% deficit rates). Notably, while AI enriched topic vocabulary (e.g., 33% lexical uniqueness gain via personalized prompts), it risked eroding learners’ voice agency. Furthermore, early technology dependency (avg. 4.33 self-initiated uses/session) shifted to critical avoidance (1.49 uses) as learners confronted AI’s limitations. We argue for pedagogically scaffolded AI training—emphasizing prompt personalization, critical evaluation, and ethical frameworks—to balance efficiency with originality. Implications for EFL writing curricula and teacher development are discussed.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».