לימוד שפות

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

לימוד שפות — חקר האופן שבו בינה מלאכותית תומכת ברכישת שפה שנייה (L2), בפיתוח כתיבה ובגיוון לשוני במסגרות חינוכיות. בינה מלאכותית בחינוך מחקר במאגר הידע הזה משתרע על גוברי שיחה לדיאלוג מדובר, על הערכה אוטומטית של כתיבה ללומדי L2, על תמיכה בקריאה, ועל דאגות מהטיה לשונית במערכות ניקוד מבוססות בינה מלאכותית.

שאלות למחשבה

• שפה היא אינטראקטיבית מטבעה, מה שהופך אותה למתאימה היטב לבינה מלאכותית שיחתית — אך יכולותיה הלשוניות של בינה מלאכותית מעלות גם סיכונים של הטיה נגד דפוסים לא-ילידים. היכן ראיתם את המתח הזה בין הזדמנות לסיכון מתגלע?
• מחקר אחד מצא שניקוד בינה מלאכותית מעריך פחות מדי באופן שיטתי סטודנטים חלשים לשונית, בעוד מחקר אחר הציע להשוות סטודנטים לעבודתם הקודמת שלהם במקום לנורמות של דוברי אם. כיצד 'נקודת ההתייחסות' להערכה משנה אם משוב הבינה המלאכותית עוזר או מעניש לומד?
• גוברי שיחה יכולים להרחיב תרגול תקשורתי בקנה מידה גדול, אך העמוד מזהיר שיש לצרף אותם לאינטראקציה אנושית כדי ששוטנות תעבור לשיחה אמיתית. מה תוכלו להרוויח מתרגול עם בינה מלאכותית ששותף אנושי אינו יכול לתת — ומה הייתם מפסידים?
• תמיכת המורה — לא רק כלי הבינה המלאכותית — הוכח כמניעה מעורבות בלימוד שפות בסיוע בינה מלאכותית דרך יעדי ההישג של הסטודנטים. כיצד ההקשר החברתי והפדגוגי מעצבים אם לומדים ממשיכים להתערב בכלי תרגול של בינה מלאכותית?
• מטא-אנליזה מצאה שיפורי קטן עד בינוניים, תלויים-רמה, מטכנולוגיות מתגבשות, עם מיומנויות פרודוקטיביות (דיבור, כתיבה) מרוויחות יותר מאשר רספטיביות. מדוע דיבור וכתיבה עשויים להועיל יותר מאשר האזנה וקריאה מכלי בינה מלאכותית?
• אם בינה מלאכותית מעניקה עדיפות לאנגלית תקנית ויכולה להעניש דפוסים לשוניים לא-ילידים או מגוונים, כיצד צריכים מורי שפות לעצב הערכה ומשוב כדי שבינה מלאכותית תתמוך בגיוון לשוני במקום למחוק אותו?

מבוא

לימוד שפות צמח כתחום משמעותי של בינה מלאכותית בחינוך מכיוון ששפה היא אינטראקטיבית מטבעה — מה שהופך אותה למתאימה היטב לבינה מלאכותית שיחתית — ומכיוון שיכולותיה הלשוניות של בינה מלאכותית מעלות הן הזדמנויות (תרגול לשוני מותאם אישית בקנה מידה גדול) והן סיכונים (הטיה שיטתית נגד דפוסים לשוניים לא-ילידים). המאמרים במאגר הידע הזה חוקרים את שני צדי המשוואה. כאשר שפת היעד היא אנגלית ספציפית — במיוחד אנגלית למטרות אקדמיות (EAP) והוראת אנגלית כשפה זרה (EFL/ESL/L2) — ראו את עמוד המושג הייעודי של הוראת אנגלית, שמבחין בין מחקר ספציפי-אנגלית לבין רכישת L2 כללית וכתיבה כללית.

בינה מלאכותית כחונך שפה וכגובר שיחה הוא הנושא המפותח ביותר. What Changes When the Interlocutor Is an AI? בוחן שוטנות אינטראקציונית ולקיח לשונית כאשר לומדי L2 מנהלים שיחה עם בינה מלאכותית לעומת בני אדם. TACT מספק חונכות ESL אדפטיבית מבחינה פדגוגית. Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety חוקר סיפורים שנוצרו על ידי בינה מלאכותית לפיתוח הקריאה של ילדים. אלה מתחברים להוראה חכמה ולבינה מלאכותית יוצרת. Yang, Weng and Yang (2026) עיצבו שני סוכנים מבוססי מודלים לשוניים גדולים — מורה אנגלית AI קונבנציונלי ואחד המשתמש במסגרת 5E (engage, explore, explain, elaborate, evaluate) ללמידת דקדוק מבוססת-חקר. על פני 37 סטודנטי ESL בהשוואה אקראית, סטודנטים בעלי ביצועים גבוהים הגיבו בחיוב למורה ה-AI בעוד סטודנטים בעלי ביצועים נמוכים הראו גישות מעורבות, והתנאים נבדלו במוטיבציה פנימית, בשינוי קוגניטיבי ובביצועים — ומצביעים שעיצוב סוכן מבוסס-מודל לשוני גדול צריך להיות מותאם למיומנות הלומד.

לחונכים מגוגשים פיזית, מטא-אנליזה של 11 מחקרי RALL (N = 595) מצאה אפקט מצטבר גדול על למידת L2 (g = 0.83) עם הטרוגניות גבוהה, ורק פורמט האינטראקציה תיווך אותו — פורמטים מבוססי-קבוצה נצחו אלו-מול-אלו בעוד מורפולוגיית הרובוט, המודאליות, האוטונומיה והתפקיד החברתי לא (Wang, Zhang & Zou (2026)).

בינה מלאכותית בהערכת שפה מתגבשת ככל שמודלים לשוניים גדולים תומכים ביצירת פריטים ובהערכה. Aryadoust and Wong (2026) השווהנדסת הנחיות מול כוונון-עדין ליצירת פריטים אוטומטית בהערכת האזנה ב-L2: שיפור הנחיה איטרטיבי שיפר את איכות הפריטים אך התייצב, בעוד כוונון-עדין של GPT-4.1 על ההנחיה הממוטבת (בהחזקת עיצוב ההנחיה קבוע) הניב שיפורים נוספים — תבנית לשאלה מתי מפתחי הערכה צריכים להשקיע בהתאמת מודל על פני איטרציית הנחיה.

השוואה של 52 משימות הערכת EFL שנדרגו על ידי 20 מורים מנוסים מצאה הבדל איכות לא משמעותי בכללות בין פריטים שנוצרו על ידי בינה מלאכותית לבין כאלה שפותחו על ידי בני אדם, אך חלוקת עבודה ברורה: בינה מלאכותית הועדפה לדקדוק ולאוצר מילים (69%) ופיתוח אנושי לקריאה, כתיבה, האזנה ודיבור (75–83%) (Nourashrafi, Alavinia and Darvishi (2026)).

הערכה אוטומטית של כתיבה ללומדי L2 מעריכה את יכולתה של בינה מלאכותית להעריך כתיבה לא-ילידית. Bannò et al. הציעו גישה רפלקסיבית-התייחסות המשווה את כתיבת הסטודנט לעבודתו הקודמת שלו במקום לנורמות של דוברי אם. Feser & Tschisgale מצאו שניקוד בינה מלאכותית מעריך פחות מדי באופן שיטתי סטודנטים חלשים לשונית — ממצא המתחבר לתוקף ההערכה ולדאגות צמצום הטיה. Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes חוקר כיצד בינה מלאכותית משפיעה על גיוון לשוני בהקשרים אקדמיים. מערכת ברמת הדיסקורס הולכת רחוק יותר על ידי שמונחת את הפגם במקום הניקוד של הטקסט: סיווג יחסי זוגות משפטים המקומי שברי קוהרנטיות — קפיצות לוגיות, מחברים חסרים, התייחסות מעורפלת — ואימוץ המשוב שנוצר על ידי שיפוט מורים נבע בין 71.2%-88.4% (Wang et al., 2026).

נגישות ללומדי שפות מתחברת ללמידה מכילה: DysLexLens ניתח כיצד לומדים דיסלקטים משתמשים בבינה מלאכותית לתמיכת אוריינות, ו**AI tools in Arab University English classrooms: Looking back and forward** חקר כלי בינה מלאכותית בהקשרי כיתה ערבית-אנגלית. מחקרים אלה מחברים לימוד שפות לשוויון ולחינוך מיוחד.

מנגנונים מוטיבציוניים בלימוד שפות בסיוע בינה מלאכותית בוחנים מדוע לומדים מתערבים עם בינה מלאכותית לתרגול שפה. Wang & Wang (2026) השתמשו בתיאוריית קביעת יעדים עם 758 לומדי אנגלית אוניברסיטאים סינים כדי להראות שתמיכת מורה משפרת מעורבות בלמידה בסיוע בינה מלאכותית דרך יעדי גישת-שליטה וגישת-ביצועים של הסטודנטים (לא יעדי הימנעות) — ראיה שההקשר הפדגוגי והחברתי, ולא רק כלי הבינה המלאכותית, קובעים אם לומדים נשארים מעורבים בתרגול שפה בסיוע בינה מלאכותית. זה מחבר לימוד שפות למוטיבציה ולמעורבות סטודנטים.

Annamalai et al. (2026) מוסיפים מקרה איכותני של הגדרה עצמית: בראיונות עם 25 סטודנטים לתואר ראשון מלזים, ChatGPT תמך בשייכות ובאוטונומיה, ותגובתיות השיחתית שלו הפיקה תחושת נשמע — "אקולוגיה מוטיבציונית המתווכת בינה מלאכותית" שבה קירבה מושגת חלקית על ידי הכלי, אם כי התייחסויות לא מדויקות דרשו אימות והשלמה אנושית.

איכות העיצוב, לא תדירות השימוש, נשאה את האפקט המוטיבציוני בחונך שנבנה על ידי מרצה: על פני 74 סטודנטים לתואר ראשון שהשתמשו ב-GPT יפני בתחום-הקורס, תדירות השימוש מחוץ לכיתה לא הראתה מתאם משמעותי עם אוטונומיה, שייכות או קירבה, בעוד הלומדים דירגו את החונך גבוה ללמידה מוכוונת-עצמית (M = 4.39) וציטטו בטיחות אפקטיבית (60.8%) (Lee & Kwon, 2026).

כתיבה נתמכת-GenAI ברמה היסודית. Lu et al. (2026) הרצו תוכנית כתיבת-דעה בת תשעה שבועות עם 301 לומדי כיתה ה' ו-ו' במזרח סין, כאשר שמונה כיתות שלמות חולקו אקראית לתוכנית או להוראה קונבנציונלית. התוכנית העלתה את עצם-הכתיבה האידאלי של הלומדים ב-L2 (הפרש ממוצע מתואן 0.20) ואת הציפה האקדמית (0.17), והעלתה מעורבות התנהגותית ורגשית, אך לא הזיזה תפיסת צמיחה, מעורבות קוגניטיבית או מטאקוגניטיבית, או ארגון שנדרג לפי מחׂרה — בין ממדי הכתיבה רק שימוש שפה השתפר. שני מאפייני העיצוב חשובים למורי שפות: ההנחיה נלמדה במפורש, דרך בנק הנחיות מסווג הקשור למטרות כתיבה ספציפיות, ומשוב GenAI שימש לצד השוואה למשוב המורה וחזרה חוזרת. הישגי המחברות שהלומדים דיווחו עליהם נשענו על המבנה ההוראי הזה ולא על הכלי לבדו, והכותבים מכנים ניטור עצמי מופחת ואסטרטגיות מונחות-קיצור דרך כסיכונים הקיימים.

השלכות למורי שפות

• טכנולוגיות מתגבשות מניבות שיפורי קטן עד בינוניים, תלויים-רמה. מטא-אנליזה של 33 מחקרי TEFL (N = 3,181) מוצאת אפקט כולל של Hedges' g = 0.38 שעולה עם הרמה החינוכית (יסודי 0.29, תיכוני 0.35, שלישוני 0.44), כאשר VR/AR מניבות את האפקטים הגדולים ביותר ומיומנויות פרודוקטיביות (דיבור, כתיבה) מרוויחות יותר ממיומנויות רספטיביות — ותומכות בשימוש בטכנולוגיות מתגבשות, במיוחד ברמה השלישונית, תוך שמירה על ציפיות ריאליות.
• סקירה שיטתית ממפה היכן חינוך השפות היסודי עם בינה מלאכותית דל. על פני 31 מחקרים (2013-2025), עבודה בכיתות שפה יסודיות התקבצה על דיבור, אוריינות ואוצר מילים בעוד דקדוק, הבנת האזנה ושפת הסימנים נחקרו בקושי, ורוב העיצובים חסרו ספציפיות רמת-כיתה (Hamasha et al., 2026).
• השתמשו בבינה מלאכותית כדי להרחיב תרגול תקשורתי, לא להחליף אותו. גוברי שיחה של בינה מלאכותית וחונכי ESL אדפטיביים מרחיבים תרגול אינטראקציוני בקנה מידה גדול — צרפו אותם לאינטראקציה אנושית כדי ששוטנות ולקיח יעברו לשיחה אמיתית.
• היזהרו בפלט בינה מלאכותית משגיאה פרגמטית, לא רק דקדוקית. מורים בין חמש שיטות הוראה שפה מקוונות כינו עיוורון פרגמטי, שבו פלט בינה מלאכותית נכון דקדוקית אך שגוי בטון, בסגנון פורמלי או בתרבות (Baoyi and Khan (2026)).
• תעדפו איכות משוב על פני כמות בדיבור נתמך-ASR. Chen et al. (2026) מוצאים שתיקון שגיאות מדויק ומשימות רפלקסיה מובנות משפרים הפנמת משוב והתנהגות רפלקסיבית בדיבור אנגלית במכללה, בעוד שימוש ASR תדיר ודיוק זיהוי מגבירים מוטיבציה או רפלקסיה באופן חלקי בלבד — דיוק טכני לבדו אינו מניע מעורבות קוגניטיבית עמוקה יותר, ומיינות השפה מתווכת את השיפורים (לומדים חזקים יותר מפנימים משוב ביתר יעילות). זה תומך במשוב פדגוגי-תקין (למשל הסברים אורטיקולטוריים על פני דגלי שגיאה פשוטים), רפלקסיה מפיגמת, ותמיכה מובחנת-מיינות.
• תנו רמזים לפני תיקונים. משימת ChatGPT של 'רמז לפני תיקון', שבה לומדים מסיקים תיקונים מרמזים מודרכים במקום לקבל תיקונים ישירים, הפחיתה עומס קוגניטיבי ותמכה בחזרה מותאמת-אישית — אך היתרון נשבע בעיקר ללומדים שכבר היו בעלי ידע קודם מספיק (58 סטודנטים, CEFR A1–B1) (Lukešová & Jennings (2026)).
• ספקו משוב הגייה הממקם את ההבדל לכיוון הקרוב. Profy לומד מיומנות מדיבור ללא הערות ברובו ומראה היכן לומד סטה מהתפלגויות דוברי אם; סמך הביטחון להשמעות שלו לפני/אחרי לא חפף, שלא כמו בסיס של אימיטציה-מעוררת — ראיה שתרגול אימיטציה יכול לתמוך ללא מדרגים מומחים (Kawamura (2026)).
• תמכו בהסתגלות הפסיכולוגית של לומדים ללמידה בסיוע בינה מלאכותית. Wu (2026) עוקב אחר לומדי יפנית לאורך סמסטר ומוצא שהם מתחלקים לפרופילי הסתגלות לא-אדפטיביים, מתונים וחיוביים, המונעים על ידי איזון טכונו-מתח וחוסן, עם רוב הלומדים מתחלפים בהדרגה כלפי הסתגלות חיובית ומדווחים על מסוגלות עצמית גבוהה יותר ושחיקה נמוכה יותר — אות לעצב תרגול שפה המתווך בינה מלאכותית שמנהל מתיחות טכנולוגיות, לא רק גישת כלים.
• היזהרו מהטיית ניקוד ומשוב נגד לומדים. ניקוד הבינה המלאכותית יכול להעניש דפוסים לא-ילידים; מחקר הגיוון הלשוני מזהיר שבינה מלאכותית מעניקה עדיפות לאנגלית תקנית — השתמשו בהערכה רפלקסיבית-התייחסות או מתווכת אנושית.
• תמכו בספקטרום המלא של הלומדים. מחקרי הדיסלקטיה והנגישות ועיצוב רגיש תרבותית (הקשרי ערבים-אנגליים) מראים שבינה מלאכותית חייבת להיות מותאמת לצרכי לומד מגוונים, ולא מונחת כאוניברסלית.
• תשתית, לא רק ניקוד, מוציאות שפות מחוץ. בנגלית מחזיקה פחות מ-0.5% מתוכן הרשת הגלובלי נגד גירעון אסימוני אימון אנגלית-לבנגלית של 67:1 ופער קישוריות עירוני-כפרי (36.5% לעומת 71.4% חדירת אינטרנט), ולכן עיצוב שפת-אם, מקוון-קודם הוא prerequisite לגישה ולא לנוחות (Roy and Roy (2026)).
• מחנכים מעריכים GenAI לעבודה הכנה, לא לשימוש חי בכיתה. סקירה שיטתית PRISMA של 23 מחקרים (Li et al. 2026) מוצאת שמחנכי שפות מעריכים GenAI ביותר להכנה מאחורי הקלעים — תכנון שיעורים, יצירת חומרים, ותמיכת כתיבה/משוב — אך נשארים מהססים על יישום ישיר מול הכיתה, ומשקפים פער תיאוריה-פרקטיקה בין אישור בינה מלאכותית מעקר לשימוש בה בשידור חי. אימוץ נעצב על ידי זהות מקצועית, גורמים פדגוגיים, טכניים, מוסדיים, ויושר אקדמי, כאשר מחנכים נופלים על ספקטרום מאי-אימוץ ועד אינטגרציה כוללת; גישות נוטות להתפתח מאי-ביטחון ראשוני כלפי שימוש סלקטיבי ובטוח עם חשיפה.
• הכינו את אוריינות הבינה המלאכותית של מורי שפות. סקירות שיטתיות מוצאות שאוריינות בינה מלאכותית בקרב מורי שפות היא פער מפתח — השקיעו בפיתוח מקצועי של המורה לצד אימוץ הכלים. ככל שבינה מלאכותית עוצבת מחדש חינוך שפה, אוריינות בינה מלאכותית היא גם קריטית כדי שמורים יתערבו בטכנולוגיה באופן ביקורתי: סולם אוריינות הבינה המלאכותית של המורים (TAILS) פותח עבור חינוך מורים לשפה, ומבצע את מסגרת ED-AI המשושה-ממדית (ידע, הערכה, שיתוף פעולה, הקשרות, אוטונומיה, אתיקה) ואושר עם מורי אנגלית טרום-שירות.
• ארבעה פרופילי אינטראקציה במשימה דו-לשונית בלחץ גבוה. Kuang, Li and Weng (2026) השתמשו במעקב עין, הקלטת עט והקלטת קול עם 22 מתורגמנים מאומנים כדי להראות שסטודנטים מחלקים תשומת לב בין פלט בינה מלאכותית לרישום הפתקים שלהם בארבע דרכים נבדלות — מעורבים אינטנסיביים, סורקים מהירים, מסורתיים ומחליפים תכופים — וש-58.3% מתצפיות ברמת-השלב שינו פרופיל בין שלבי ההבנה וההפקה של אותה משימה. רק דפוסים בשלב ההבנה חצאי איכות המוצר, והאשכול הכבד-ביותר-בינה-מלאכותית קיבל את הציון הנמוך ביותר בשוטנות ההצעה ובאיכות שפת היעד, מה שעושה את הטענה ללמד לומדים לתאר ולשקף על האסטרטגיה שלהם במקום לחזור על דרך אחת של עבודה עם הכלי.
• נתבו את הלולאה המלאה של ארבע המיומנויות סביב עלות וקישוריות. Guo et al. (2026) משחררים LLMersion-1, אב-טיפוס מקוון-קודם שעובד האזנה, קריאה, דיבור וכתיבה על המסמך של הלומד עצמו בחומרת צרכן — חונך 1B מכוונן ל-808 MB וכל מחסנית המתגוררת נשארת מתחת ל-4 GB — ומחייב חמש שנות תרגול יומי בכ-\$18 חשמל, לעומת \\$1,200 למנוי ענן. לא דווחו תוצאות לומדים, ומשוב ההגייה הוא סגמנטלי בלבד.

מושגים מחוברים

• תיק עבודות אלקטרוני (e-portfolio)
• כתיבה
• אוריינות AI
• שוויון
• תוקף ההערכה
• צמצום הטיה
• למידה מכילה
• חינוך מיוחד
• חונך אינטליגנטי
• בינה מלאכותית יוצרת
• חוויית הסטודנט
• השכלה גבוהה
• חינוך גן ותיכון (K-12)
• AIED בתחומי הדעת
• הוראת אנגלית (EAP / EFL / ESL)
• טכנולוגיות דיבור וקול

מאמרים מחוברים

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — Student-AI Interaction in Computer-Assisted Consecutive Interpreting
• Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning — Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning
• Designing large language model-based agents with 5E framework for ESL learners' grammar acquisition — LLM agents with 5E framework for ESL grammar acquisition (Yang, Weng & Yang 2026)
• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — Prompting vs. fine-tuning GPT for L2 listening item generation (Aryadoust & Wong 2026)
• Automatic discourse relation classification and feedback optimization in English teaching based on transformer BERT model — BERT discourse classification for English teaching
• Ethical Generative AI Integration in English for Academic Purposes within Higher Education: A Mixed-Methods Study
• Aligning ChatGPT with E-Portfolio Assessment as EFL Learning Model: Its Effect on Students' Speaking Performance and Feedback Literacy
• Students' Perceptions of Multiliteracies Development Using AI-Assisted Portfolio Assessment
• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLMs in text linguistics teaching
• AI-Generated versus Human-Developed Assessment Tasks in EFL Context: Insights from TPCK Model — AI-generated vs human-developed assessment tasks in EFL
• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Governing the unseen: AI literacy among language teachers
• AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques
• What Changes When the Interlocutor Is an AI? Interactional Fluency and Linguistic Uptake in L2 Spoken Dialogue
• Multimodality and Social Interactions in AI-Enhanced Embodied Robot-Assisted Language Learning: A Meta-Analysis — Meta-analysis of AI-enhanced embodied robot-assisted language learning
• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics
• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring
• AI tools in Arab University English classrooms: Looking back and forward
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages
• Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory — Instructor-Designed AI Tutors in University Foreign Language Education: A Mixed-Methods Study of Learner Motivation and Reflective Learning Experience Based on Self-Determination Theory
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning
• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Students' ChatGPT experiences in English language learning
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Learner characteristics × TTS dialogue-format interactions
• A Systematic Review of Emerging Technology Applications for Teaching English as a Foreign Language Across Different Educational Levels — Meta-analysis of emerging tech for EFL
• Explaining learning engagement in AI-assisted learning through teacher support and achievement goals: insights from goal-setting theory — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)
• A Systematic Review of Language Educators' Practices and Development with GenAI — Language educators' practices and development with GenAI
• ASR Technology in College English Speaking Instruction: The Role of Feedback Internalization and Metacognitive Strategies — ASR technology in college English speaking: feedback internalization and metacognitive strategies
• Exploring the impact of a GenAI-supported writing program on primary students' writing motivation, engagement — A GenAI-supported writing program for primary L2 learners (Lu et al. 2026)
• LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity — LLMersion: A Local-First AI Agent Framework for Low-Cost Home Language Learning toward Educational Equity
• AI and higher education: teachers' perceptions of students' ethical tensions in online pedagogical methods — Pragmatic blindness: AI language output can be grammatically correct but culturally wrong