Exploring the Role of GenAI Tools on Student Motivation and Communicative Competence in the Spanish Classroom
Notice bibliographique
Résumé
This study explores the integration of Generative Artificial Intelligence (GenAI) in an advanced Spanish language course, with a focus on learner motivation and communicative competence. Although GenAI tools, such as chatbots and adaptive feedback systems, have been increasingly implemented in higher education, their application in Spanish as a Foreign Language (SFL) classroom remains under-researched. The research involved 41 students from two sections of an advanced Spanish course at a Canadian university, one for foreign language learners and one for heritage speakers. Participants completed a pre-task questionnaire, engaged in a GenAI supported collaborative task, and reflected on their experiences through a post-task survey. The primary task involved using ChatGPT to gather cultural information about a Spanish-speaking country and create a promotional campaign. Data were collected using both quantitative (Likert-scale surveys) and qualitative (open-ended reflections) methods. Findings indicate that most students felt comfortable and motivated when using GenAI tools and perceived them as useful for accessing real-time feedback and supporting personalized learning. The task was described as engaging and well-organized, although some students found it too simple to fully challenge their language abilities. Participants also identified limitations, including concerns about content accuracy, overreliance, and the lack of cultural and emotional nuance in GenAI outputs. The study underscores the importance of task design, GenAI literacy, and the instructor’s role when implementing GenAI tools in language instruction. It advocates for a hybrid approach that combines human expertise with GenAI capabilities to foster motivation, learner autonomy, and communicative competence, addressing an underexplored gap in the literature.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».