Exploring Chinese Secondary <scp>EFL</scp> Students' Self‐Regulated Learning and Task Engagement in <scp>AI</scp> ‐Assisted Classrooms: A Latent Growth Curve Modelling Study
Notice bibliographique
Résumé
ABSTRACT The growing integration of artificial intelligence (AI) tools into English as a foreign language (EFL) instruction presents new opportunities for fostering students' self‐regulated learning (SRL) and task engagement (TE). While prior research has shown that AI‐assisted environments can enhance metacognitive monitoring and learning motivation, longitudinal evidence on how SRL and TE develop in tandem remains limited. To address this void, this study employed a parallel‐process latent growth curve modelling (LGCM) approach to investigate the co‐developmental trajectories of SRL and TE among 334 Chinese secondary school students enrolled in a semester‐long AI‐assisted EFL programme. Results indicated modest but significant growth in both SRL and TE, with substantial inter‐individual variability. Positive correlations were found between the intercepts and slopes of the two constructs, supporting a dynamic reciprocal relationship. However, cross‐domain negative effects suggested potential ceiling constraints among highly self‐regulated or highly engaged learners. These findings underscore the importance of designing adaptive AI tools that account for diverse learner profiles and sustain long‐term engagement and regulation.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».