Вивчення мов

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Вивчення мов — дослідження того, як ШІ підтримує засвоєння другої мови (L2), розвиток письма та мовне різноманіття в освітніх умовах. AI in education research в цій базі знань охоплюють ШІ-інтерлокюторів для усного діалогу, automated writing evaluation для здобувачів L2, підтримку читання та занепокоєння щодо мовної упередженості в системах оцінювання на базі ШІ.

Питання для роздумів

• Мова за природою інтерактивна, що робить її добре придатною для conversational AI — але мовні можливості ШІ також створюють ризики упередженості проти ненароджених у мові моделей. Де ви бачили, як ця напруга між можливістю і ризиком розігрувалася на практиці?
• Одне дослідження виявило, що оцінювання ШІ систематично занижує мовно слабких студентів, тоді як інше запропонувало порівнювати студентів із їхньою власною попередньою роботою, а не з нормами носіїв мови. Як «точка відліку» для оцінювання змінює те, чи AI feedback допомагає здобувачеві, чи карає його?
• ШІ-інтерлокютори можуть розширити комунікативну практику у масштабі, але сторінка попереджає, що їх слід поєднувати з людською взаємодією, щоб вільність володіння переносилася в справжню розмову. Що ви могли б здобути, практикуючись із ШІ, чого не може дати партнер-людина — і що ви втратили б?
• Підтримка викладача — а не лише інструмент ШІ — як було показано, рухає залученість у навчанні мов за допомогою ШІ через цілі досягнення студентів. Як соціальний і pedagogical контекст формує те, чи продовжують здобувачі займатися інструментом практики на базі ШІ?
• meta-analysis виявив малі та помірні, залежні від рівня здобутки від нових технологій, причому продуктивні навички (усне мовлення, письмо) здобували більше, ніж рецептивні. Чому усне мовлення і письмо могли б вигравати від інструментів ШІ більше, ніж аудіювання й читання?
• Якщо ШІ надає перевагу стандартній англійській і може карати ненароджені в мові чи різноманітні мовні моделі, як викладачам мов слід проєктувати оцінювання та зворотний зв’язок, щоб ШІ підтримував мовне різноманіття, а не стирав його?

Вступ

Вивчення мов стало значним доменом ШІ в освіті, бо мова за природою інтерактивна — що робить її добре придатною для розмовного ШІ — і бо мовні можливості ШІ створюють і можливості (personalized language practice у масштабі), і ризики (систематична упередженість проти ненароджених у мові мовних моделей). Статті в цій базі знань досліджують обидві сторони цього рівняння. Там, де цільова мова — конкретно англійська, — особливо English for Academic Purposes (EAP) і викладання англійської як іноземної/другої (EFL/ESL/L2) teaching — див. спеціальну сторінку понять Освіта з англійської мови (EAP / EFL / ESL), яка відрізняє специфічні для англійської дослідження від загального засвоєння L2 і загального письма.

ШІ як мовний репетитор і інтерлокютор — найрозвиненіша тема. What Changes When the Interlocutor Is an AI? досліджує інтеракційну вільність і мовне засвоєння, коли здобувачі L2 спілкуються зі ШІ проти людей. TACT забезпечує педагогічно адаптивний ESL-тьюторінг. Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety досліджує згенеровані ШІ історії для розвитку читання дітей. Це пов’язується з Інтелектуальний тьюторінг і Генеративний ШІ. Yang, Weng and Yang (2026) спроєктували два агенти на базі Великі мовні моделі (LLM) — звичайного вчителя англійської на базі ШІ та такого, що використовує рамку 5E (залучення, дослідження, пояснення, поглиблення, оцінювання) для дослідницького навчання граматики. У рандомізованому порівнянні 37 студентів ESL успішні студенти позитивно сприйняли вчителя на базі ШІ, тоді як маловдалі студенти проявили змішані ставлення, а умови відрізнялися за внутрішньою мотивацією, когнітивними змінами та продуктивністю — що вказує, що проєктування агента на базі LLM слід узгоджувати з рівнем володіння здобувача.

Для фізично втілених репетиторів метааналіз 11 досліджень RALL (N = 595) виявив великий об’єднаний ефект на навчання L2 (g = 0,83) із високою гетерогенністю, і його модерував лише формат взаємодії — групові формати перевершували індивідуальні, тоді як морфологія робота, модальність, автономність і соціальна роль — ні (Wang, Zhang & Zou (2026)).

ШІ в мовному оцінюванні постає як напрям, оскільки LLM підтримують item generation і оцінювання. Aryadoust and Wong (2026) порівняли prompt engineering з донавчанням для автоматичної генерації завдань в оцінюванні аудіювання L2: ітеративне вдосконалення підказок поліпшувало якість завдань, але вийшло на плато, тоді як донавчання GPT-4.1 на оптимізованій підказці (за незмінному проєктуванні підказки) дало подальші здобутки — взірець того, коли розробникам оцінювання варто інвестувати в адаптацію моделі, а не в ітерації підказок.

Порівняння 52 завдань оцінювання EFL, оцінених 20 досвідченими викладачами, не виявило суттєвої різниці в якості між згенерованими ШІ та розробленими людьми завданнями, але виявило чіткий поділ праці: ШІ віддавалася перевага в граматиці та лексиці (69 %), а людська розробка — в читанні, письмі, аудіюванні та усному мовленні (75–83 %) (Nourashrafi, Alavinia and Darvishi (2026)).

Автоматизоване оцінювання письма для здобувачів L2 оцінює здатність ШІ оцінювати письмо ненароджених у мові. Bannò et al. запропонували самореферентний підхід, що порівнює письмо студента з його власною попередньою роботою, а не з нормами носіїв мови. Feser & Tschisgale виявили, що оцінювання ШІ систематично занижує мовно слабких студентів — висновок, який пов’язується із занепокоєннями щодо Валідність оцінювання і Пом’якшення упередженості. Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes досліджує, як ШІ впливає на мовне різноманіття в академічних контекстах. Система на рівні дискурсу йде далі, називаючи дефект, а не оцінюючи текст: класифікація відношень між парами речень локалізувала розриви зв’язності — логічні стрибки, відсутні сполучники, неоднозначну відсиланість — і впровадження викладачами згенерованого нею зворотного зв’язку становило 71,2 %–88,4 % (Wang et al., 2026).

Доступність для тих, хто вивчає мови пов’язується з Інклюзивне навчання: DysLexLens проаналізувала, як здобувачі з дислексією використовують ШІ для підтримки грамотності, а AI tools in Arab University English classrooms: Looking back and forward дослідила інструменти ШІ в арабо-англійських контекстах аудиторій. Ці дослідження пов’язують вивчення мов із Справедливість і Спеціальна освіта.

Мотиваційні механізми в навчанні мов за допомогою ШІ розглядають, чому здобувачі займаються мовною практикою зі ШІ. Wang & Wang (2026) використали теорію цілепокладання із 758 китайськими студентами-англілістами в університеті, щоб показати, що підтримка викладача посилює залученість у навчанні за допомогою ШІ через цілі орієнтації на опанування та цілі орієнтації на продуктивність студентів (а не через цілі уникання) — свідчення того, що педагогічний і соціальний контекст, а не лише інструмент ШІ, визначає, чи залишаються здобувачі залученими до мовної практики за допомогою ШІ. Це пов’язує вивчення мов із Мотивація і Залученість здобувачів.

Annamalai et al. (2026) додають якісний приклад із теорії самодетермінації: в інтерв’ю з 25 малайзійськими студентами бакалаврату ChatGPT підтримував компетентність і автономію, а його розмовна чуйність породжувала почуття того, що тебе чують — «мотиваційну екологію, опосередковану ШІ», у якій пов’язаність частково задовольняється інструментом, хоча неточні посилання вимагали перевірки та людського доповнення.

Якість проєктування, а не частота використання, несла мотиваційний ефект у репетитора, побудованому викладачем: серед 74 студентів бакалаврату, які користувалися японським GPT, обмеженим курсом, частота використання поза аудиторіями не показала суттєвої кореляції з автономією, компетентністю чи пов’язаністю, тоді як здобувачі високо оцінили репетитора за самоорієнтоване навчання (M = 4,39) і назвали афективну безпеку (60,8 %) (Lee & Kwon, 2026).

Письмо за підтримки GenAI на початковому рівні. Lu et al. (2026) провели дев’ятитижневу програму письма-думки зі 301 здобувачем 5-го та 6-го класів у Східному Китаї, де вісім цілісних класів було випадково призначено на програму або на звичайне навчання. Програма підвищила ідеальне «я» здобувача як автора L2 (скоригована різниця середніх 0,20) та академічну плинність (0,17) і збільшила поведінкову та емоційну залученість, але не змістила мислення зростання, когнітивну чи метакогнітивну залученість, або оцінену за рубрикою організацію — серед вимірів письма покращилося лише мовне вживання. Дві риси проєктування важливі для викладачів мов: підказки вчили явно, через категоризований банк підказок, прив’язаних до конкретних цілей письма, і зворотний зв’язок GenAI використовувався разом із порівнянням із зворотним зв’язком викладача та повторним переглядом. Прирости авторства, про які повідомляли здобувачі, спиралися на цю інструкційну структуру, а не на інструмент сам по собі, і автори називають ослаблене self-monitoring та стратегії, орієнтовані на скорочення шляху, постійними ризиками.

Наслідки для викладачів мов

• Нові technologies дають малі та помірні, залежні від рівня здобутки. meta-analysis of 33 TEFL studies (N = 3 181) виявляє загальний ефект Hedges' g = 0,38, який зростає з освітнім рівнем (початковий 0,29, середній 0,35, вищий 0,44), причому VR/AR дають найбільші ефекти, а продуктивні навички (усне мовлення, письмо) здобувають більше, ніж рецептивні, — що підтримує використання нових технологій, особливо на вищому рівні, зберігаючи реалістичність очікувань.

• Систематичний огляд показує, де елементарна мовна освіта на базі ШІ є тонкою. За 31 дослідження (2013–2025) робота в початкових мовних аудиторіях згрупувалася навколо усного мовлення, грамотності та лексики, тоді як граматика, розуміння на слух і жестова мова майже не досліджувалися, і в більшості проєктувань бракувало специфіки для класу (Hamasha et al., 2026).

• Використовуйте ШІ, щоб розширювати комунікативну практику, а не заміняти її. AI interlocutors і adaptive ESL tutors розширюють інтеракційну практику у масштабі — поєднуйте їх із людською взаємодією, щоб вільність і засвоєння переносилися в справжню розмову.

• Стежте за тим, щоб у виводі ШІ не було прагматичної, а не лише граматичної помилки. Викладачі п’яти онлайн-методик викладання мов назвали прагматичну сліпоту — коли вивід ШІ є граматично правильним, але хибним за тоном, формальністю чи культурою (Baoyi and Khan (2026)).

• Пріоритезуйте якість зворотного зв’язку над кількістю в усному мовленні з підтримкою ASR. Chen et al. (2026) виявляють, що точне виправлення помилок і структурно організовані завдання рефлексії поліпшують інтеріоризацію Зворотний зв’язок та рефлексивну поведінку в усному англомовленні студентів коледжу, тоді як часте використання ASR і точність розпізнавання посилюють мотивацію чи рефлексію лише частково — технічна точність сама по собі не веде до глибшої когнітивної залученості, і мовне володіння модерує здобутки (сильніші здобувачі інтеріоризують зворотний зв’язок ефективніше). Це спонукає до педагогічно обґрунтованого зворотного зв’язку (наприклад, артикуляційних пояснень замість простих позначок помилок), скаффолдингованої рефлексії та підтримки, диференційованої за рівнем володіння.

• Давайте підказки раніше за виправлення. Завдання ChatGPT за схемою «підказка перед виправленням», у якому здобувачі виводять виправлення з керованих підказок, а не отримують прямі виправлення, зменшило когнітивне навантаження й підтримало персоналізований перегляд — але користь стосувалася здебільшого тих, хто вже мав достатньо попередніх знань (58 студентів, CEFR A1–B1) (Lukešová & Jennings (2026)).

• Давайте зворотний зв’язок із вимови, який локалізує різницю для усунення. Profy вивчає володіння з переважно неанотованого мовлення і показує, де здобувач відхиляється від розподілів носіїв мови; його довірчі інтервали зрозумілості до/після не перекривалися, на відміну від базового методу викликаної імітації, — свідчення того, що практика імітації може підтримуватися без експертів-оцінювачів (Kawamura (2026)).

• Підтримуйте психологічну адаптацію здобувачів до навчання за допомогою ШІ. Wu (2026) відстежує тих, хто вивчає японську, упродовж семестру й виявляє, що вони розподіляються на профілі дезадаптивної, помірної та позитивної адаптації, які рухає баланс техностресу та стійкості, причому більшість здобувачів поступово зрушує до позитивної адаптації і повідомляє про вищу Самоефективність і нижче вигоряння — сигнал проєктувати мовну практику, опосередковану ШІ, так, щоб керувати технологічною напругою, а не лише доступом до інструмента.

• Будьте пильні щодо упередженості оцінювання та зворотного зв’язку проти здобувачів. AI scoring може карати ненароджені в мові моделі; linguistic-diversity research попереджає, що ШІ надає перевагу стандартній англійській — використовуйте самореферентне оцінювання або оцінювання з людським модеруванням.

• Підтримуйте весь спектр здобувачів. Dyslexia and accessibility studies і culturally responsive проєктування (Arab-English contexts) показують, що ШІ потрібно адаптувати до різноманітних потреб здобувачів, а не вважати універсальним.

• Інфраструктура, а не лише оцінювання, виключає мови. Бенгальська становить менше 0,5 % глобального вебвмісту проти дефіциту навчальних токенів 67:1 англійської до бенгальської та розриву в зв’язності між селом і містом (36,5 % проти 71,4 % проникнення інтернету), тому проєктування на рідній мові та з пріоритетом офлайну — передумова доступу, а не зручність (Roy and Roy (2026)).

• Педагоги цінують GenAI для підготовчої роботи, а не для використання в аудиторії вживу. PRISMA systematic review of 23 studies (Li et al. 2026) виявляє, що педагоги мов найбільше цінують GenAI для закулісної підготовки — lesson planning, створення матеріалів та підтримки письма і зворотного зв’язку, — водночас залишаючись обережними щодо безпосереднього впровадження обличчям до аудиторії, що відображає розрив між теорією і практикою: схвалення ШІ за принципом проти використання його вживу. Впровадження формують чинники професійної ідентичності, педагогічні, технічні, institutional та Академічна доброчесність, причому педагоги розташовуються на спектрі від невпровадження до всеохопної інтеграції; із досвідом ставлення схильні еволюціонувати від початкової невпевненості до впевненого, вибіркового використання.

• Готуйте AI literacy викладачів мов. Systematic reviews виявляють, що ШІ-грамотність серед викладачів мов — ключовий розрив; інвестуйте в professional development викладачів разом із упровадженням інструмента. Оскільки ШІ переформатовує мовну освіту, ШІ-грамотність також критично важлива для викладачів, щоб критично взаємодіяти з технологією: Teachers' AI Literacy Scale (TAILS) було розроблено для мовної teacher education, операціоналізуючи шестивимірну рамку ED-AI (знання, оцінювання, співпраця, контекстуалізація, autonomy, Етика) і перевірено на майбутніх викладачах англійської мови.

• Чотири профілі взаємодії в завданні з високим навантаженням двома мовами. Kuang, Li and Weng (2026) використали трекінг очей, запис пера та запис голосу зі 22 стажерами з усного перекладу, щоб показати, що студенти розподіляють увагу між виводом ШІ та власним нотаткуванням чотирма відмінними способами — Intensive Engagers, Fast Scanners, Traditionalists і Frequent Switchers — і що 58,3 % спостережень на рівні етапу змінювали профіль між етапами розуміння і продукції того самого завдання. Лише моделі на етапі розуміння передбачали якість продукту, і кластер із найбільшою вагою ШІ набрав найнижчих балів за вільність подачі та якість цільової мови, що доводить потребу вчити здобувачів описувати й рефлексувати власну стратегію, а не нав’язувати один спосіб роботи з інструментом.

• Прокладіть повний цикл чотирьох навичок навколо вартості та зв’язності. Guo et al. (2026) випускають LLMersion-1, локальний прототип, що працює з аудіюванням, читанням, усним мовленням і письмом над власним документом здобувача на споживчому обладнанні — репетитор на 1B квантується до 808 МБ, і весь резидентний стек залишається нижче 4 ГБ — і оцінює п’ять років щоденної практики приблизно в \$18 електрики проти \\$1 200 за хмарну підписку. Результатів навчання не повідомляється, а зворотний зв’язок із вимови є лише сегментальним.

Пов’язані поняття

• Електронне портфоліо
• Письмо
• ШІ-грамотність
• Справедливість
• Валідність оцінювання
• Пом’якшення упередженості
• Інклюзивне навчання
• Спеціальна освіта
• Інтелектуальний тьюторінг
• Генеративний ШІ
• Досвід здобувача
• Вища освіта
• K-12
• AIEd в дисциплінах
• Освіта з англійської мови (EAP / EFL / ESL)
• Мовленнєві та голосові технології

Пов’язані статті

• 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