AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Изучение языков

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Изучение языков — исследование того, как ИИ поддерживает овладение вторым языком (L2), развитие письменной речи и лингвистическое разнообразие в образовательных условиях. ИИ в образовании — исследования в этой базе знаний охватывают ИИ-собеседников для устного диалога, автоматизированное оценивание письма для учащихся L2, поддержку чтения и опасения по поводу языкового смещения в системах оценивания ИИ.

Вопросы для размышления

  • Язык по своей природе интерактивен, что хорошо подходит для разговорного ИИ, — но лингвистические возможности ИИ также создают риски смещения против неродных моделей. Где вы видели, как это напряжение между возможностью и риском разворачивается на практике?
  • Одно исследование показало, что оценивание ИИ систематически занижает оценки лингвистически слабых студентов, тогда как другое предложило сравнивать студентов с их собственными прежними работами, а не с нормами носителей языка. Как «точка отсчёта» для оценивания меняет то, помогает ли обратная связь ИИ учащемуся или наказывает его?
  • ИИ-собеседники могут расширять коммуникативную практику в масштабе, но страница предупреждает, что их следует сочетать с человеческим взаимодействием, чтобы беглость переносилась в реальный разговор. Что вы можете получить от практики с ИИ, чего не может дать партнёр-человек, — и что бы вы потеряли?
  • Было показано, что поддержка преподавателей — а не только ИИ-инструмент — движет вовлечённостью в изучении языка с помощью ИИ через целевые ориентиры достижений студентов. Как социальный и педагогический контекст определяет, продолжают ли учащиеся взаимодействовать с инструментом практики ИИ?
  • Метаанализ обнаружил небольшие и умеренные, зависящие от уровня приросты от новых технологий, причём продуктивные навыки (устная речь, письмо) растут больше, чем рецептивные. Почему устная речь и письмо могут получать больше пользы от ИИ-инструментов, чем аудирование и чтение?
  • Если ИИ привилегирует стандартный английский и может наказывать неродные или разнообразные языковые модели, как преподавателям языка следует проектировать оценивание и обратную связь, чтобы ИИ поддерживал лингвистическое разнообразие, а не стирал его?

Введение

Изучение языков стало значимой областью ИИ в образовании, потому что язык по своей природе интерактивен — что хорошо подходит для разговорного ИИ — и потому что лингвистические возможности ИИ создают как возможности (персонализированная языковая практика в масштабе), так и риски (систематическое смещение против неродных языковых моделей). Статьи в этой базе знаний исследуют обе стороны этого уравнения. Когда целевой язык — конкретно английский — особенно английский для академических целей (EAP) и преподавание английского как EFL/ESL/L2 для преподавателей — см. отдельную страницу концепции Образование в области английского языка (EAP / EFL / ESL), которая отличает исследования, специфичные для английского, от общего овладения L2 и общего письма.

ИИ как языковой репетитор и собеседник — самая разработанная тема. Что меняется, когда собеседником является ИИ? рассматривает интерактивную беглость и лингвистическое усвоение, когда учащиеся L2 разговаривают с ИИ, а не с людьми. TACT обеспечивает педагогически адаптивное репетиторство ESL. Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety исследует сгенерированные ИИ истории для развития чтения у детей. Они связаны с Интеллектуальное тьюторство и Генеративный ИИ. Yang, Weng и Yang (2026) разработали два агента на основе Большие языковые модели (LLM) — обычного ИИ-преподавателя английского и агента, использующего рамки 5E (вовлечь, исследовать, объяснить, развить, оценить) для исследования грамматики. В рандомизированном сравнении с 37 студентами ESL успевающие студенты положительно отреагировали на ИИ-преподавателя, тогда как слабоуспевающие студенты показали смешанное отношение, а условия различались по внутренней мотивации, когнитивным изменениям и результативности — что указывает на то, что дизайн агентов LLM должен соответствовать уровню владения языком учащегося.

Для физически воплощённых репетиторов метаанализ 11 исследований RALL (N = 595) обнаружил большой объединённый эффект на обучение L2 (g = 0,83) с высокой неоднородностью, и только формат взаимодействия его модерировал — групповые форматы превзошли индивидуальные, тогда как морфология робота, модальность, автономность и социальная роль — нет (Wang, Zhang и Zou (2026)).

ИИ в оценивании языка становится всё более заметным, поскольку LLM поддерживают генерацию заданий и оценивание. Aryadoust и Wong (2026) сравнили инжиниринг промптов с тонкой настройкой для автоматической генерации заданий в оценивании аудирования L2: итеративное уточнение промптов улучшало качество заданий, но выходило на плато, тогда как тонкая настройка GPT-4.1 на оптимизированном промпте (при неизменном дизайне промпта) давала дальнейшие приросты — шаблон того, когда разработчикам оценивания следует инвестировать в адаптацию модели вместо итераций промптов.

Сравнение 52 заданий по оцениванию EFL, оценённых 20 опытными преподавателями, не обнаружило значимого различия в качестве в целом между заданиями, сгенерированными ИИ, и разработанными человеком, но обнаружило чёткое разделение труда: ИИ предпочитался для грамматики и лексики (69%), а человек — для чтения, письма, аудирования и устной речи (75–83%) (Nourashrafi, Alavinia и Darvishi (2026)).

Автоматизированное оценивание письма для учащихся L2 оценивает способность ИИ оценивать неродное письмо. Bannò et al. предложили самореферентный подход, сравнивающий письмо студента с его собственными прежними работами, а не с нормами носителей языка. Feser и Tschisgale обнаружили, что оценивание ИИ систематически занижает оценки лингвистически слабых студентов — вывод, который связан с Валидность оценивания и проблемами Снижение перекосов (bias mitigation). Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes исследует, как ИИ влияет на лингвистическое разнообразие в академических контекстах. Система уровня дискурса идёт дальше, называя дефект вместо оценивания текста: классификация отношений между парами предложений локализовала разрывы связности — логические скачки, отсутствующие связки, неоднозначную референцию, — а принятие преподавателями сгенерированной ею обратной связи составило 71,2%–88,4% (Wang et al., 2026).

Доступность для изучающих язык связана с Инклюзивное обучение: DysLexLens проанализировала, как дислексичные учащиеся используют ИИ для поддержки грамотности, а AI tools in Arab University English classrooms: Looking back and forward исследовала ИИ-инструменты в контекстах арабо-английских аудиторий. Эти исследования связывают изучение языка с Справедливость и Специальное образование.

Мотивационные механизмы в изучении языка с помощью ИИ рассматривают, почему учащиеся взаимодействуют с ИИ для языковой практики. Wang и Wang (2026) использовали теорию целеполагания с 758 китайскими студентами-англистами университета, чтобы показать, что поддержка преподавателей повышает вовлечённость в обучении с помощью ИИ через целевые ориентиры студентов на освоение и на результативность (а не на избегание) — доказательство того, что педагогический и социальный контекст, а не только ИИ-инструмент, определяют, остаются ли учащиеся вовлечёнными в языковую практику с помощью ИИ. Это связывает изучение языка с Мотивация и Вовлечённость студентов.

Annamalai et al. (2026) добавляют качественный случай самоопределения: в интервью с 25 малайзийскими студентами ChatGPT поддерживал компетентность и автономию, а его разговорная отзывчивость создавала чувство, что тебя слышат, — «мотивационную экологию, опосредованную ИИ», в которой потребность в связи частично удовлетворяется инструментом, хотя неточные ссылки требовали проверки и человеческого дополнения.

Качество дизайна, а не частота использования, несло мотивационный эффект в построенном преподавателем репетиторе: среди 74 студентов, использовавших привязанный к курсу японский GPT, частота использования вне занятий не показала значимой корреляции с автономией, компетентностью или связью, тогда как учащиеся высоко оценили репетитора для самонаправленного обучения (M = 4,39) и ссылались на аффективную безопасность (60,8%) (Lee и Kwon, 2026).

Поддерживаемое GenAI письмо на начальном уровне. Lu et al. (2026) провели девятинедельную программу аргументированного письма с 301 учащимися 5-го и 6-го классов в Восточном Китае, где восемь целых классов были случайным образом распределены на программу или на обычное обучение. Программа повысила идеальное Я учащегося как писателя на L2 (скорректированная разница средних 0,20) и академическую устойчивость (0,17), а также усилила поведенческую и эмоциональную вовлечённость, но не изменила установку на рост, когнитивную или метакогнитивную вовлечённость, или организацию по рубрике — среди измерений письма улучшилось только использование языка. Две особенности дизайна важны для преподавателей языка: составлению промптов учили явно, через каталогизированный банк промптов, привязанных к конкретным целям письма, а обратная связь GenAI использовалась наряду с сравнением с обратной связью преподавателя и повторной доработкой. Приросты в авторстве, о которых сообщали учащиеся, опирались на эту инструкционную структуру, а не на инструмент сам по себе, и авторы называют снижение самоконтроля и стратегии, ориентированные на сокращение пути, постоянными рисками.

Следствия для преподавателей языка

  • Новые технологии дают небольшие и умеренные, зависящие от уровня приросты. Метаанализ 33 исследований TEFL (N = 3181) обнаруживает общий эффект g Хеджса = 0,38, растущий с уровнем образования (начальный 0,29, средний 0,35, высший 0,44), причём VR/AR даёт наибольшие эффекты, а продуктивные навыки (устная речь, письмо) растут больше, чем рецептивные, — что поддерживает использование новых технологий, особенно на высшем уровне, при сохранении реалистичных ожиданий.

  • Систематический обзор показывает, где элементарное образование в области языка с ИИ бедно. Среди 31 исследования (2013–2025) работы в начальных языковых аудиториях сосредоточились на устной речи, грамотности и лексике, тогда как грамматика, понимание при аудировании и жестовый язык едва изучались, а большинство дизайнов не имели специфики по уровню класса (Hamasha et al., 2026).

  • Используйте ИИ для расширения коммуникативной практики, а не для её замены. ИИ-собеседники и адаптивные репетиторы ESL расширяют практику взаимодействия в масштабе — сочетайте их с человеческим взаимодействием, чтобы беглость и усвоение переносились в реальный разговор.

  • Следите за прагматической, а не только грамматической ошибкой в выдаче ИИ. Преподаватели пяти методов преподавания языка онлайн назвали прагматическую слепоту — когда выдача ИИ грамматически правильна, но неверна по тону, формальности или культуре (Baoyi и Khan (2026)).

  • Приоритизируйте качество обратной связи над количеством при поддержке устной речи ASR. Chen et al. (2026) обнаруживают, что точная коррекция ошибок и структурированные задачи на размышление улучшают интернализацию Обратная связь и рефлексивное поведение в устной речи студентов по английскому, тогда как частое использование ASR и точность распознавания повышают мотивацию или размышление лишь частично — техническая точность сама по себе не ведёт к более глубокому когнитивному вовлечению, а владение языком модерирует приросты (более сильные учащиеся интернализуют обратную связь эффективнее). Это говорит в пользу педагогически обоснованной обратной связи (например, артикуляционных объяснений вместо простых флагов ошибок), поддерживаемого размышления и поддержки, дифференцированной по уровню владения языком.

  • Давайте подсказки до коррекций. Задача ChatGPT с «подсказкой до коррекции», в которой учащиеся выводят исправления из направленных намёков, вместо того чтобы получать прямые коррекции, снизила когнитивную нагрузку и поддержала персонализированную доработку — но польза сохранялась в основном для учащихся, у которых уже было достаточно предварительных знаний (58 студентов, CEFR A1–B1) (Lukešová и Jennings (2026)).

  • Давайте обратную связь по произношению, локализующую различие для преодоления. Profy обучается владению по в основном неаннотированной речи и показывает где учащийся отклоняется от распределений носителей языка; его доверительные интервалы разборчивости до/после не пересекались, в отличие от базовой линии с вызванной имитацией, — доказательство того, что практика имитации может поддерживаться без экспертных оценщиков (Kawamura (2026)).

  • Поддерживайте психологическую адаптацию учащихся к учению с помощью ИИ. Wu (2026) отслеживает учащихся японского языка в течение семестра и обнаруживает, что они делятся на маладаптивные, умеренные и позитивные профили адаптации, определяемые балансом техностресса и устойчивости, причём большинство учащихся постепенно смещается к позитивной адаптации и сообщает о более высокой Самоэффективность и более низком выгорании — сигнал к проектированию опосредованной ИИ языковой практики, которая управляет технологической нагрузкой, а не только доступом к инструменту.

  • Будьте внимательны к смещению оценивания и обратной связи против учащихся. Оценивание ИИ может наказывать неродные модели; исследования лингвистического разнообразия предупреждают, что ИИ привилегирует стандартный английский — используйте самореферентное или модерируемое человеком оценивание.

  • Поддерживайте весь спектр учащихся. Исследования дислексии и доступности и культурно отзывчивый дизайн (арабо-английские контексты) показывают, что ИИ должен адаптироваться к разнообразным потребностям учащихся, а не считаться универсальным.

  • Языки исключает не только оценивание, но и инфраструктура. Бенгальский составляет менее 0,5% мирового веб-контента при дефиците обучающих токенов 67:1 в пользу английского и разрыве в связанности между сельской и городской местностью (проникновение интернета 36,5% против 71,4%), поэтому дизайн, ориентированный на родной язык и работающий прежде всего офлайн, является предпосылкой для доступа, а не удобством (Roy и Roy (2026)).

  • Педагоги ценят GenAI за подготовительную работу, а не за использование в живом занятии. Систематический обзор PRISMA 23 исследований (Li et al. 2026) обнаруживает, что педагоги языка более всего ценят GenAI за подготовку за кулисами — планирование уроков, создание материалов и поддержку/обратную связь по письму, — но остаются колеблющимися относительно прямого внедрения в аудитории, что отражает разрыв между теорией и практикой между одобрением ИИ в принципе и его использованием вживую. Внедрение определяется факторами профессиональной идентичности, педагогическими, техническими, институциональными и Академическая добросовестность, причём педагоги располагаются на спектре от непринятия до всесторонней интеграции; установки, как правило, эволюционируют от первоначальной неуверенности к уверенному, избирательному использованию с опытом.

  • Готовьте ИИ-грамотность преподавателей языка. Систематические обзоры обнаруживают, что ИИ-грамотность среди преподавателей языка является ключевым пробелом — инвестируйте в профессиональное развитие преподавателей наряду с внедрением инструментов. По мере того как ИИ перестраивает языковое образование, ИИ-грамотность также имеет решающее значение для того, чтобы преподаватели критически взаимодействовали с технологией: Шкала ИИ-грамотности преподавателей (TAILS) была разработана для подготовки преподавателей языка, операционализируя шестимерную рамку ED-AI (знание, оценивание, сотрудничество, контекстуализация, автономия, Этика) и валидизирована с будущими преподавателями английского языка.

  • Четыре профиля взаимодействия в высоконапряжённой двуязычной задаче. Kuang, Li и Weng (2026) использовали отслеживание взгляда, запись ручки и запись голоса с 22 стажёрами по устному переводу, чтобы показать, что студенты делят внимание между выдачей ИИ и собственными записями четырьмя различными способами — интенсивно вовлечённые, быстрые сканеры, традиционалисты и частые переключатели, — и что 58,3% наблюдений на уровне этапа меняли профиль между этапами понимания и порождения одной и той же задачи. Только модели этапа понимания предсказывали качество продукта, а кластер с наибольшим использованием ИИ набрал наименьший балл по беглости исполнения и качеству целевого языка, что говорит в пользу обучения учащихся описывать и размышлять о собственной стратегии, вместо того чтобы предписывать один способ работы с инструментом.

  • Направляйте полный цикл четырёх навыков через стоимость и связанность. Guo et al. (2026) выпускают LLMersion-1 — прототип, работающий прежде всего локально, который отрабатывает аудирование, чтение, устную речь и письмо на собственном документе учащегося на потребительском оборудовании, — репетитор на 1B квантуется до 808 МБ, а весь резидентный стек остаётся под 4 ГБ, — и оценивает пять лет ежедневной практики примерно в \18электроэнергии,против18 электроэнергии, против \\1200 за облачную подписку. Результаты обучения не сообщаются, а обратная связь по произношению является только сегментной.

Связанные концепции

Связанные статьи

Связанные ресурсы

  • Ресурсы для аудитории mglearn
    Большой набор бесплатных браузерных комплектов учебных активностей и материалов, готовых к печати, от TCEA, включая модули по грамотности в генеративном ИИ и цифровой гражданственности.

Метаданные

ДисциплинаLanguage Learning, Writing Education
УровеньHigher Ed, K 12
Технологии и методыГенеративный ИИ
Справедливость, этика и ответственное использованиеСправедливость
Основы ИИ в образованииИИ в образовании
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.