Жасалма интеллект колдогон акылдуу окутуу системасы (AI-driven Intelligent Tutoring System, ITS), студенттин көрсөткүчтөрүнө жана өз ара аракеттенүүлөрүнө жараша тапшырманы, кайтарым байланышты, диагностиканы жана окууну колдоону ылайыкташтыра алган компьютердик билим берүү чөйрөсү. Бул изилдөө IELTSке даярданууда мындай системаны колдонгон үйрөнүүчүлөрдүн системаны колдонууну улантуу ниети кантип калыптанарын изилдейт. Изилдөө 494 жарактуу анкетага негизделип, кеңейтилген Технологияны Кабыл Алуу Моделин (Technology Acceptance Model, TAM) жарым-жартылай эң кичине квадраттар аркылуу структуралык теңдемелерди моделдөө (PLS-SEM), көп топтук талдоо (MGA) жана жасалма нейрондук тармак (ANN) аркылуу баалайт.
Кеңейтилген моделде кабылданган пайдалуулук (PU), кабылданган колдонуу жеңилдиги (PEOU), кабылданган ырахат (PENJ) жана өзүн-өзү натыйжалуулук (SE) окууга болгон мамиленин (LA) алгачкы факторлору катары изилденген. Окууга болгон мамиле менен өзүн-өзү натыйжалуулук болсо үзгүлтүксүз окуу ниетинин (CLI) түздөн-түз алгачкы факторлору болуп саналат. Жалпы тандоодо алты негизги структуралык жолдун баары оң жана статистикалык жактан маанилүү болгон. Окууга болгон мамилеге алып барган эң жогорку жалпы жол коэффициенти кабылданган пайдалуулукка таандык (\(\beta=0.323\)); үзгүлтүксүз окуу ниетине алып барган эки түз жолдун ичинде окууга болгон мамиле (\(\beta=0.361\)) менен өзүн-өзү натыйжалуулук (\(\beta=0.348\)) бири-бирине жакын өлчөмдө.
Угуу жана окуу контексттери салыштырылганда эки маанилүү контексттик айырма табылган. Кабылданган ырахаттын окууга болгон мамилеге таасири угууда \(\beta=0.340\), окууда \(\beta=0.178\) болуп, топтордун айырмасы маанилүү болгон (\(p=0.037\)). Кабылданган пайдалуулуктун окууга болгон мамилеге таасири болсо окууда \(\beta=0.424\), угууда \(\beta=0.226\); бул топтук айырма да маанилүү (\(p=0.016\)). Колдонуу жеңилдиги, өзүн-өзү натыйжалуулук жана окууга болгон мамиленин башка жолдорунда угуу менен окуунун ортосунда статистикалык жактан маанилүү жол айырмасы аныкталган эмес.
ANN натыйжалары контекстке мүнөздүү бул иреттүүлүктү колдогон. Окууга болгон мамилени божомолдогон ANNде угуу тобунун эң маанилүү кириши кабылданган ырахат; орточо маанилүүлүк 0,334 жана нормалдаштырылган маанилүүлүк %100. Окуу тобунда эң маанилүү кириш кабылданган пайдалуулук; орточо маанилүүлүк 0,423 жана нормалдаштырылган маанилүүлүк %100. Бул жердеги %100 өзгөрмө окууга болгон мамиленин %100үн түшүндүрөт дегенди билдирбейт; ал ошол эле ANN ичиндеги эң маанилүү божомолдоочу башка өзгөрмөлөрдүн салыштырмалуу маанилүүлүгүн масштабдоо үчүн %100гө белгиленгенин гана көрсөтөт.
Изилдөөнүн маанилүү чечмелөө чеги — өлчөнгөн көз каранды өзгөрмө чыныгы узак мөөнөттүү колдонуу же IELTS көрсөткүчү эмес, студенттердин келечекте системаны колдонууну улантуу ниети экендиги. Маалымат бир убакыт чекитинде чогултулган өзүн-өзү билдирүү анкетасынан алынган. Ошондуктан натыйжалар өзгөрмөлөрдүн ортосундагы байланыштарды жана божомол үлгүлөрүн көрсөтөт; “ырахат угуудагы ийгиликти жогорулатат” же “пайдалуулукту кабылдоо окуу упайын көтөрөт” сыяктуу себептик көрсөткүч жыйынтыктарын чыгарууга болбойт.
Изилдөөнүн негизги көйгөйү
Акылдуу окутуу системалары жекелештирилген тапшырма сунуштарын, адаптивдүү көнүгүүлөрдү, ыкчам кайтарым байланышты, ката диагностикасын жана окуу аналитикасын сунуштай алат. Бирок билим берүү технологиясын колдоно алуу менен студенттин аны узак убакыт колдонууну каалашы бир эле көйгөй эмес. Студент системаны техникалык жактан колдонуп, ал тургай пайдалуу деп эсептеши мүмкүн; ошентсе да окуу тажрыйбасы кызыксыз, оор же башкарууга мүмкүн эместей сезилсе, улантуу ниети алсырайт.
Ошондуктан изилдөө классикалык Технологияны Кабыл Алуу Моделинин эки негизги технологиялык кабылдоосун —кабылданган пайдалуулук менен кабылданган колдонуу жеңилдигин— өзүнчө жетиштүү деп эсептеген эмес. Моделге студенттин өзүнүн аткара алуу жөндөмүнө байланышкан өзүн-өзү натыйжалуулук ишеними жана окуу процессинин өзүнөн алган кабылданган ырахат кошулган.
Изилдөөнүн экинчи көйгөйү — контексттик айырма. IELTS угуу жана окуу экөө тең кабыл алуучу тил көндүмдөрү болгону менен, бирдей когнитивдик тапшырма эмес. Угууда маалымат убактылуу; аудио агым уланып жатканда студент маалыматты иштеп чыгып, эсинде кармап жана маани түзүшү керек. Окууда болсо текстке кайтып келүү, ылдамдыкты өзгөртүү жана стратегияны ылайыкташтыруу мүмкүнчүлүгү көбүрөөк. Ошондуктан изилдөөчүлөр бир эле ITS ичиндеги ар башка тапшырмалар студенттин пайдалуулук жана ырахат баалоосуна ар башка салмак берип-бербесин текшеришкен.
PLS-SEM, MGA жана ANN Эмне Үчүн Бирге Колдонулду?
PLS-SEM теориялык моделдеги багытталган байланыштарды жана гипотезаларды текшерүү, MGA угуу жана окуу топторундагы жол коэффициенттери чындап айырмаланабы же жокпу изилдөө, ал эми ANN сызыктуу моделден тышкары мүмкүн болгон сызыктуу эмес божомол үлгүлөрүн жана божомолдоочулардын салыштырмалуу маанилүүлүгүн баалоо үчүн колдонулган; үч ыкма бир эле суроонун ар башка катмарларын изилдейт жана бири-бирин алмаштырбайт.
Технологияны Кабыл Алуу Модели жана кеңейтилген модель
Технологияны Кабыл Алуу Модели (Technology Acceptance Model, TAM), технологиянын кабыл алынышын түшүндүрүү үчүн өзгөчө кабылданган пайдалуулук, кабылданган колдонуу жеңилдиги, мамиле жана жүрүм-турумдук ниеттин ортосундагы байланыштарды колдонгон теориялык алкак. Бул изилдөө классикалык TAMды түздөн-түз кайталоонун ордуна аны эки өзгөрмө менен кеңейткен: кабылданган ырахат жана тапшырмага мүнөздүү өзүн-өзү натыйжалуулук.
| Кыскартма | Англисче аталышы | Кыргызча баламасы | Бул изилдөөдөгү мааниси | Пункттардын саны |
|---|---|---|---|---|
| PU | Perceived Usefulness | Кабылданган пайдалуулук | Жасалма интеллект колдогон системанын IELTS окуу/угуу үйрөнүүсүнө пайдалуу болору тууралуу баа | 3 |
| PEOU | Perceived Ease of Use | Кабылданган колдонуу жеңилдиги | Системаны үйрөнүү жана колдонуу канчалык жеңил деп кабылданары | 3 |
| PENJ | Perceived Enjoyment | Кабылданган ырахат | Системаны колдонуп окуу канчалык жагымдуу, ырахаттуу жана кызыктуу деп табылары | 3 |
| SE | Self-Efficacy | Өзүн-өзү натыйжалуулук | Студенттин жасалма интеллект колдогон окууда кездешкен көйгөйлөрдү чече алары жана ылайыктуу стратегияларды иштеп чыга алары тууралуу ишеними | 3 |
| LA | Learning Attitude | Окууга болгон мамиле | Жасалма интеллект колдогон окуу/угуу үйрөнүүсүнө карата оң баа жана канааттануу | 3 |
| CLI | Continuous Learning Intention | Үзгүлтүксүз окуу ниети | Келечекте жасалма интеллект колдогон окуу кызматын колдонууну улантуу ниети | 3 |
Бул жерде өзүн-өзү натыйжалуулук жалпы академиялык өзүн-өзү натыйжалуулук эмес. Изилдөө өзгөчө студенттин жасалма интеллект колдогон IELTS окуу чөйрөсүндө тапшырмаларды башкаруу, системанын кайтарым байланышын түшүнүү, жаңы көйгөйлөргө чечим табуу жана ылайыктуу стратегияларды иштеп чыгуу жөндөмүнө болгон ишенимин өлчөйт.
Изилдөө моделинин эки негизги структуралык теңдемеси
Окутуучу көрсөтмө: Макала төмөнкү эки теңдемени номерленген формула катары бербейт. Булар булактагы 1-сүрөттөгү структуралык байланыштарды математикалык жактан ачык окууга мүмкүндүк берген стандарттуу сызыктуу көрсөтмөлөр.
\[ LA=\beta_1PU+\beta_2PEOU+\beta_3PENJ+\beta_4SE+\varepsilon_{LA} \]
Бул теңдеме окууга болгон мамиленин төрт алгачкы фактор менен түшүндүрүлгөн бөлүгүн көрсөтөт. \(\beta_1,\ldots,\beta_4\) PLS-SEM жол коэффициенттери. \(\varepsilon_{LA}\) моделдеги төрт өзгөрмө менен түшүндүрүлбөгөн окууга болгон мамиленин вариациясын билдирет.
\[ CLI=\beta_5SE+\beta_6LA+\varepsilon_{CLI} \]
Экинчи теңдеме үзгүлтүксүз окуу ниетинин өзүн-өзү натыйжалуулук жана окууга болгон мамиле менен түшүндүрүлгөн бөлүгүн билдирет. Изилдөөдө PU, PEOU жана PENJден CLIге түз жолдор түзүлгөн эмес; алардын CLIге болгон кыйыр таасирлери LA аркылуу изилденген.
Гипотезалар
| Гипотеза | Байланыш | Күтүү |
|---|---|---|
| H1 | PU → LA | Кабылданган пайдалуулук жогорулаган сайын окууга болгон мамиленин оң болушу |
| H2 | PEOU → LA | Кабылданган колдонуу жеңилдиги жогорулаган сайын окууга болгон мамиленин оң болушу |
| H3 | PENJ → LA | Кабылданган ырахат жогорулаган сайын окууга болгон мамиленин оң болушу |
| H4 | SE → LA | Өзүн-өзү натыйжалуулук жогорулаган сайын окууга болгон мамиленин оң болушу |
| H5 | SE → CLI | Өзүн-өзү натыйжалуулуктун үзгүлтүксүз окуу ниети менен оң байланышта болушу |
| H6 | LA → CLI | Окууга болгон оң мамиленин үзгүлтүксүз окуу ниетин күчөтүшү |
| H7a | PENJ → LA | Бул байланыш угуу контекстинде окууга караганда күчтүүрөөк болушу |
| H7b | PU → LA | Бул байланыш окуу контекстинде угууга караганда күчтүүрөөк болушу |
Изилденген ITS кантип иштеген?
Изилдөөдө коммерциялык бренд боюнча жалпылоо жүргүзүлбөстөн, “жасалма интеллект негизиндеги экзаменге даярдык жардамчысы” деп сүрөттөлгөн бир система колдонулган. Студент алгач учурдагы англис тили деңгээлине жана максаттарына жараша максаттуу IELTS упайын аныктайт. Система көрсөткүчкө жана максатка жараша окуу же угуу тапшырмаларын сунуштап, мазмунду жана татаалдык деңгээлин динамикалык түрдө ылайыкташтыра алат.
Ар бир тапшырмадан кийин студенттер ыкчам жооп кайтарым байланышын жана жасалма интеллект түзгөн окуу талдоо отчетторун алышкан. Отчеттордо көрсөткүч, ката үлгүлөрү жана кийинки машыгуу үчүн сунуштар камтылган. Окуу модулу суроо көнүгүүлөрүнө, ката диагностикасына жана текстти түшүнүүгө колдоого көбүрөөк көңүл бурса, угуу модулу аудио кириште кайталап машыгууга жана интерактивдүү кайтарым байланышка көбүрөөк орун берген.
Ошондуктан катышуучунун система менен байланышы жөн гана мазмунду көрүү менен чектелбейт. Изилдөөдөгү өз ара аракеттенүү цикли болжол менен максат коюу → тапшырманы аткаруу → кайтарым байланыш алуу → окуу талдоосун кароо → кийинки машыгууну ылайыкташтыруу түрүндө.
Өлчөө куралы кантип түзүлгөн?
Угуу жана окуу үчүн контекстке ылайыкташтырылган эки өзүнчө анкета формасы даярдалган. Ар бир форма 18 пункттан турган. Алты жашыруун түзүмдүн ар бири үч пункт менен өлчөнүп, жооптор 1 = таптакыр макул эмесмин менен 5 = толугу менен макулмун арасындагы беш баллдык Лайкерт шкаласы боюнча алынган.
PU, PEOU, PENJ, LA жана CLI пункттары мурдагы TAM жана билим берүү технологиялары боюнча изилдөөлөрдөн ылайыкташтырылган. SE пункттары мурдагы санариптик өзүн-өзү натыйжалуулук изилдөөлөрүнөн ылайыкташтырылып, мааниси абдан окшош эки түпнуска пункттун бири алынып салынып, үч пункттан турган тең салмактуу түзүм түзүлгөн.
Англисче шкалаларды кытай тилинде колдонуу үчүн котормо жана кайра котормо жүргүзүлгөн. Эки тилдүү эки изилдөөчү англис тилинен кытай тилине өз алдынча которгон, изилдөө тобу бул версияларды шайкеш келтирген; түпнуска шкалаларды көрбөгөн дагы эки тилдүү эки изилдөөчү кытайча версияны кайра англис тилине которгон. Кайра которулган англисче текст түпнуска пункттар менен салыштырылып, семантикалык айырмачылыктар оңдолгон. Андан кийин эки тилдүү билим берүү жана билим берүү технологиялары тажрыйбасына ээ үч профессор маданий жана тилдик ылайыктуулукту баалаган.
PLS-SEM деген эмне?
Жарым-жартылай эң кичине квадраттар аркылуу структуралык теңдемелерди моделдөө (Partial Least Squares Structural Equation Modeling, PLS-SEM), байкоого мүмкүн болбогон теориялык түзүмдөрдү бир нече анкета пункту менен көрсөтүп, ошол түзүмдөрдүн ортосундагы багытталган байланыштарды бир модель ичинде баалоого мүмкүндүк берген дисперсияга негизделген структуралык теңдемелерди моделдөө ыкмасы.
Бул изилдөөдө PLS-SEM тандоонун негизги себеби алдын ала түзүлгөн TAMды гана ырастоо эмес; TAMды өзүн-өзү натыйжалуулук жана кабылданган ырахат менен кеңейтүү, маанилүү божомолдоочуларды аныктоо жана моделдин түшүндүрүүчү/божомолдоочу мүмкүнчүлүгүн бирге баалоо. Талдоо SmartPLS 4 менен жүргүзүлгөн.
Жол коэффициенти \(\beta\) кантип чечмеленет?
PLS-SEMдеги \(\beta\), башка тиешелүү божомолдоочулар моделде кармалганда, жашыруун өзгөрмөдөгү өсүш менен натыйжа өзгөрмөсүнүн ортосундагы багытты жана салыштырмалуу байланыштын чоңдугун көрсөткөн жол коэффициенти. Оң \(\beta\) өзгөрмөлөр бир багытта кыймылдай турганын көрсөтөт. Бирок кесилиштик байкоо маалыматтарында оң жана маанилүү \(\beta\) өзүнчө эксперименттик себептүүлүктүн далили эмес.
Таасир өлчөмү \(f^2\) эмнени көрсөтөт?
Окутуучу стандарттуу формула:
\[ f^2= \frac{R^2_{\mathrm{dahil}}-R^2_{\mathrm{hariç}}} {1-R^2_{\mathrm{dahil}}} \]
Бул метрика белгилүү бир божомолдоочу моделден чыгарылганда түшүндүрүлгөн вариация канчалык азаярын көрсөтөт. Изилдөөдө LA → CLI үчүн \(f^2=0.173\) эң жогорку мааниге ээ болуп, авторлор аны орточо өлчөмдөгү таасир деп чечмелешкен. SE → CLI үчүн \(f^2=0.162\) да орточо деңгээлде. PU → LA үчүн \(f^2=0.149\) орточо деңгээлге жакын.
Кыйыр таасир кантип пайда болот?
PU, PEOU жана PENJ моделде CLIге түз байланышкан эмес. Бул өзгөрмөлөр адегенде LAга, ал эми LA CLIге таасир эткен түзүмдө текшерилген. Жөнөкөй ортомчулук чынжырындагы кыйыр коэффициент эки жолдун көбөйтүндүсү менен түшүндүрүлөт:
\[ \beta_{\mathrm{dolaylı}} = \beta_{X\rightarrow LA} \times \beta_{LA\rightarrow CLI} \]
Мисалы, PU → LA коэффициенти 0,323 жана LA → CLI коэффициенти 0,361 болгондуктан көбөйтүндү болжол менен \(0.323\times0.361\approx0.117\); изилдөө bootstrap натыйжасын 0,116 деп билдирет. Бул кичине айырма тегеректөөдөн келип чыгышы мүмкүн.
R², Q² жана SRMR эмнени өлчөйт?
\(R^2\), модель ички өзгөрмөдөгү вариациянын канча бөлүгүн түшүндүрөрүн көрсөтөт. Изилдөөдө LA үчүн \(R^2=0.436\), CLI үчүн \(R^2=0.338\). Башкача айтканда, модель тандоодогу окууга болгон мамиле вариациясынын болжол менен %43,6сын жана үзгүлтүксүз окуу ниети вариациясынын болжол менен %33,8ин түшүндүрөт. Бул көрсөткүчтөр модель бардык жеке жүрүм-турумду түшүндүрөт дегенди билдирбейт.
\(Q^2\), моделдин божомолдук актуалдуулугун баалаган өлчөм. Изилдөөдө LA жана CLI үчүн тиешелүүлүгүнө жараша 0,305 жана 0,236 деп билдирилген жана эки маанинин тең нөлдөн чоң болушу оң божомолдук актуалдуулук катары чечмеленген.
SRMR (Standardized Root Mean Square Residual), модель божомолдогон жана байкалган байланыш түзүмдөрүнүн ортосундагы стандартташтырылган калдыктардын жалпы чоңдугун жыйынтыктайт. Изилдөөдө SRMR=0,062 болуп, авторлор колдонгон 0,08 эталондук чектен төмөн.
MICOM эмне үчүн MGAдан мурун жүргүзүлгөн?
Measurement Invariance of Composite Models (MICOM), угуу жана окуу топторунда бир эле жашыруун түзүмдөр жетиштүү деңгээлде салыштырылуучу түрдө өлчөнүп жатканын текшерүү үчүн колдонулган. Эгер эки топто “кабылданган пайдалуулук” же “окууга болгон мамиле” бир эле түзүмдү билдирбесе, жол коэффициенттерин түз салыштыруу жаңылыштыкка алып келиши мүмкүн.
MICOM үч этаптан турат: конфигурациялык өзгөрбөстүк, композициялык өзгөрбөстүк жана композиттик орточо/дисперсия теңдиги. Изилдөөдө конфигурациялык жана композициялык өзгөрбөстүк камсыз болуп, ошентип жарым-жартылай өлчөө өзгөрбөстүгү алынган. Толук орточо/дисперсия теңдиги бардык түзүмдөрдө камсыз болгон эмес. Ошондуктан MGA жүргүзүүгө мүмкүн болгон, бирок авторлор эки топтун анкета пункттары окуу жана угуу контекстине ылайыкташтырылганын өзүнчө чечмелөө чеги катары белгилешкен.
ANN архитектурасы
ANN талдоосу SPSS 27.0 ичиндеги көп катмарлуу перцептрон (Multilayer Perceptron, MLP) аркылуу жүргүзүлгөн. Эки модель түзүлгөн. Model 1дин кириштери PU, PEOU, PENJ жана SE; чыгышы LA. Model 2нин кириштери SE жана LA; чыгышы CLI.
Эки моделде тең бир жашыруун катмар жана жашыруун катмарда беш нейрон бар. Жашыруун катмардын активдештирүүсү sigmoid, чыгыш катмарынын активдештирүүсү identity функциясы. Окутуу batch training ыкмасы менен жүргүзүлгөн.
Min–max нормалдаштыруу
ANNге берилген бардык кириш жана чыгыш өзгөрмөлөрү 0–1 аралыгына масштабдалган. Стандарттуу min–max өзгөртүү:
\[ x'=\frac{x-x_{\min}}{x_{\max}-x_{\min}} \]
\(x\) баштапкы маани, \(x_{\min}\) өзгөрмөнүн минимуму, \(x_{\max}\) максимуму жана \(x'\) 0–1 шкаласындагы өзгөртүлгөн маани. Бул процесс өзгөрмөлөрдү жалпы сандык диапазонго алып келет. Демек ANNде билдирилген RMSE маанилери IELTS band упайы менен өлчөнбөйт; алар нормалдаштырылган модель өзгөрмөлөрүнүн божомол катасы.
Sigmoid активдештирүү функциясы
Жашыруун катмарда колдонулган sigmoid функциясынын стандарттуу түрү:
\[ \sigma(z)=\frac{1}{1+e^{-z}} \]
Функция каалаган чыныгы \(z\) санын 0 менен 1дин ортосундагы сызыктуу эмес чыгышка айлантат. Бул ANNге жөнөкөй сызыктуу байланыштар менен гана чектелбей, татаалыраак үлгүлөрдү моделдөөгө жардам берет.
RMSE эмнени өлчөйт?
ANNнин божомол катасы Root Mean Square Error (RMSE) менен бааланган. Стандарттуу формула:
\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]
\(y_i\) чыныгы байкалган шкала мааниси, \(\hat{y}_i\) ANN божомолу жана \(n\) баалоого кирген байкоолордун саны. Каталар квадратка көтөрүлгөндүктөн чоң каталар көбүрөөк салмак алат. Кичирээк RMSE кичирээк божомол катасын көрсөтөт.
ANNдеги %100 Нормалдаштырылган Маанилүүлүк Эмнени Билдирет?
Нормалдаштырылган маанилүүлүк %100 ANN моделинде эң жогорку орточо маанилүүлүккө ээ божомолдоочу эталон катары 100гө масштабдалганын көрсөтөт; бул өзгөрмө натыйжанын %100үн түшүндүрөт, %100 тактык берет же себептик таасир %100 дегенди билдирбейт.
Стандарттуу окутуучу көрсөтмө:
\[ NI_j= \frac{I_j}{\max(I)} \times100 \]
\(I_j\) тиешелүү өзгөрмөнүн ANN сезгичтик талдоосундагы орточо маанилүүлүгү; \(\max(I)\) ошол эле моделдеги эң жогорку маанилүүлүк. Ошентип эң жогорку өзгөрмө %100 болуп, башка өзгөрмөлөр ага салыштырмалуу масштабдалат.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Тандоо жана маалымат чогултуу
Изилдөөчүлөр максаттуу тандоо ыкмасын колдонушкан. Катышуучуну изилдөөгө киргизүү үчүн анын IELTSке даярдык тажрыйбасы, жасалма интеллект негизиндеги экзаменге даярдык жардамчысын колдонуу тажрыйбасы жана IELTS окуу же угуу тапшырмаларын аткара алуу жөндөмү болушу керек болгон.
Анкета Февраль–Апрель 2026 аралыгында Credamo онлайн анкета платформасында жүргүзүлгөн. Катышуучулар Пекин, Guangzhou, Chongqing, Wuhan, Nanjing жана Macao шаарларынан чогултулган; 18 жаштан жогорку мектеп окуучулары, бакалавриат, магистратура жана докторантура студенттери тандоого киргизилген.
G*Power 3.1.9.7 менен таасир өлчөмү 0,15, \(\alpha=0.05\) жана күч \(1-\beta=0.95\) колдонулуп, минималдуу тандоо көлөмү 107 деп эсептелген. Негизги анкетага чейин жасалма интеллект колдогон IELTS окуу тажрыйбасына ээ 50 студент менен пилоттук изилдөө жүргүзүлгөн.
Пилоттук изилдөөнүн сапат текшерүүлөрү
| Көрсөткүч | Натыйжа | Булактын чечмелөөсү |
|---|---|---|
| Cronbach α | 0,716–0,881 | Бардык жашыруун түзүмдөр сунушталган 0,70 деңгээлден жогору болгон. |
| Composite Reliability | 0,789–0,925 | Алдын ала ишенимдүүлүк жетиштүү деп табылган. |
| KMO | 0,869 | Өлчөөнүн ылайыктуулугу жагынан жетиштүү деп табылган. |
| Harman бир фактор, биринчи фактор | %26,6 | %50 чегинен төмөн болгон. |
Пилоттон кийин изилдөөчүлөр өлчөө пункттарына жаңы өзгөртүү киргизген эмес жана ошол эле форманы негизги анкетада колдонушкан.
522 анкетадан 494 жарактуу анкетага өтүү
Жалпысынан 522 анкета чогултулган. Жарактуулукту текшерүү суроосунан өтпөгөн, теориялык жактан окшош болушу күтүлгөн пункттарда ачык карама-каршылык көрсөткөн же жетишпеген жооптору бар формалар чыгарылган. Натыйжада 494 жарактуу анкета калып, жарактуу жооптордун үлүшү %94,64 болгон.
Угуу жана окуу топтору толук тең салмактуу болуп, ар бири 247 катышуучудан турган. Эч бир катышуучу эки контексттин тең анкетасын толтурган эмес.
Катышуучулардын профили
| Өзгөрмө | Категория | n | % |
|---|---|---|---|
| Жыныс | Эркек | 211 | 42,7 |
| Жыныс | Аял | 283 | 57,3 |
| Жаш | 18–20 | 129 | 26,1 |
| Жаш | 21–25 | 245 | 49,6 |
| Жаш | 26–30 | 72 | 14,6 |
| Жаш | 31 жана андан жогору | 48 | 9,7 |
| Билим деңгээли | Мектеп окуучусу, 18+ | 30 | 6,1 |
| Билим деңгээли | Бакалавриат студенти | 224 | 45,3 |
| Билим деңгээли | Магистратура студенти | 178 | 36,0 |
| Билим деңгээли | Докторантура студенти | 62 | 12,6 |
| Жер | Macao | 72 | 14,6 |
| Жер | Beijing | 78 | 15,8 |
| Жер | Chongqing | 88 | 17,8 |
| Жер | Guangzhou | 91 | 18,4 |
| Жер | Nanjing | 79 | 16,0 |
| Жер | Wuhan | 86 | 17,4 |
| Жасалма интеллект билим берүү кызматын колдонуу | Сейрек | 8 | 1,6 |
| Жасалма интеллект билим берүү кызматын колдонуу | Кээде | 117 | 23,7 |
| Жасалма интеллект билим берүү кызматын колдонуу | Аптасына бир нече жолу | 154 | 31,2 |
| Жасалма интеллект билим берүү кызматын колдонуу | Күн сайын | 215 | 43,5 |
Академиялык багыттар да инженерия, гуманитардык илимдер, бизнес жана экономика, социалдык илимдер, маалымат технологиялары/компьютер илими, медицина илимдери, искусство-дизайн жана табигый илимдер арасында бөлүштүрүлгөн. Эң жогорку үлүш социалдык илимдерде (%15,8), эң төмөнкү үлүш искусство жана дизайнда (%9,3).
Жалпы ыкмага байланышкан кыйшайуу кантип текшерилди?
Бардык негизги өзгөрмөлөрдүн бир эле өзүн-өзү билдирүү анкетасынан алынышы Common Method Bias (CMB) тобокелдигин жаратышы мүмкүн. Изилдөөчүлөр алгач Harman бир фактор тестин колдонушкан. Негизги маалымат топтомунда биринчи фактор жалпы дисперсиянын %32,744үн түшүндүрүп, булакта колдонулган %50 чегинен төмөн болгон.
Harman тестинин чектөөсүнөн улам кошумча full-collinearity VIF текшерүүсү жүргүзүлгөн. Түзүм деңгээлиндеги VIF маанилери 1,155–1,770 аралыгында болуп, колдонулган 3,3 эталондук чектен төмөн. Авторлор бул эки текшерүүнү бирге баалап, олуттуу жалпы ыкма кыйшайуусу натыйжаларды үстөмдүк менен багыттап жатат деген далил жок деген жыйынтыкка келишкен. Бул тесттер CMB таптакыр мүмкүн эмес экенин далилдебейт.
Өлчөө моделинин ишенимдүүлүгү жана конвергенттик жарактуулугу
| Түзүм | Cronbach α | CR | AVE | Ички түзүм болсо R² | Q² |
|---|---|---|---|---|---|
| PU | 0,787 | 0,875 | 0,701 | — | — |
| PEOU | 0,854 | 0,912 | 0,774 | — | — |
| PENJ | 0,803 | 0,883 | 0,716 | — | — |
| LA | 0,804 | 0,884 | 0,718 | 0,436 | 0,305 |
| SE | 0,806 | 0,885 | 0,720 | — | — |
| CLI | 0,799 | 0,882 | 0,713 | 0,338 | 0,236 |
Бардык пункт жүктөмдөрү 0,807–0,890 аралыгында билдирилген. Пункт деңгээлиндеги VIF маанилери 1,552–2,139 аралыгында. SRMR=0,062. PLSpredict талдоосунда PLS-SEM көпчүлүк көрсөткүчтөр үчүн сызыктуу моделге салыштырмалуу төмөнүрөөк божомол катасын берген.
Дискриминанттык жарактуулук
Fornell–Larcker баалоосунда ар бир түзүмдүн AVE квадраттык тамыры өз катарындагы башка түзүмдөр менен корреляциялардан чоң болушу күтүлөт. Булактагы 3-таблицада диагоналдык AVE квадраттык тамырлары 0,837–0,880 аралыгында.
HTMT баалоосунда ар башка жашыруун түзүмдөрдүн индикатордук байланыштары салыштырылат. Булактагы 4-таблицада көрүнгөн эң жогорку HTMT мааниси PU менен LA ортосунда 0,651 болуп, колдонулган 0,85 чегинен төмөн; билдирилген ишеним интервалдарынын эч бири 1ди камтыбайт.
Жалпы тандоодо гипотезаларды текшерүү
| Гипотеза | Жол | β | 95% CI | f² | T | p | Натыйжа |
|---|---|---|---|---|---|---|---|
| H1 | PU → LA | 0,323 | [0,241; 0,404] | 0,149 | 7,687 | <0,001 | Колдоого алынды |
| H2 | PEOU → LA | 0,229 | [0,158; 0,297] | 0,085 | 6,486 | <0,001 | Колдоого алынды |
| H3 | PENJ → LA | 0,258 | [0,182; 0,335] | 0,095 | 6,524 | <0,001 | Колдоого алынды |
| H4 | SE → LA | 0,164 | [0,087; 0,241] | 0,043 | 4,203 | <0,001 | Колдоого алынды |
| H5 | SE → CLI | 0,348 | [0,274; 0,421] | 0,162 | 9,137 | <0,001 | Колдоого алынды |
| H6 | LA → CLI | 0,361 | [0,280; 0,437] | 0,173 | 8,912 | <0,001 | Колдоого алынды |
Окууга болгон мамиленин төрт алгачкы факторунун ичинен жалпы тандоодо эң жогорку жол коэффициенти кабылданган пайдалуулукка таандык (\(\beta=0.323\)). Үзгүлтүксүз окуу ниетине алып барган түз жолдордо LA (\(\beta=0.361\)) жана SE (\(\beta=0.348\)) бири-бирине жакын натыйжа берген.
Окууга болгон мамиленин ортомчулук ролу
| Кыйыр жол | β | T | 95% CI | 6-таблицадагы p мааниси |
|---|---|---|---|---|
| PENJ → LA → CLI | 0,093 | 5,030 | [0,060; 0,131] | <0,001 |
| PEOU → LA → CLI | 0,082 | 4,890 | [0,051; 0,117] | <0,001 |
| PU → LA → CLI | 0,116 | 5,798 | [0,079; 0,158] | <0,001 |
| SE → LA → CLI | 0,059 | 3,897 | [0,031; 0,090] | <0,001 |
Бардык ишеним интервалдары нөлдөн тышкары. Эң жогорку кыйыр таасир PU → LA → CLI жолунда 0,116. SEнин CLIге түз жолу да, LA аркылуу кыйыр жолу да бар.
MICOM натыйжасы
1000 пермутациялуу MICOM баалоосунда бардык түзүмдөр үчүн конфигурациялык өзгөрбөстүк жана композициялык өзгөрбөстүк камсыз болгон. Ошентип жарым-жартылай өлчөө өзгөрбөстүгү түзүлгөн. Ошол эле учурда LA, PENJ, PU жана SE үчүн топтук орточолордун, ал эми LA үчүн кошумча топтук дисперсиянын теңдиги камсыз болгон эмес. Демек угуу–окуу MGA салыштыруусу жүргүзүүгө болот деп кабыл алынган, бирок толук өлчөө өзгөрбөстүгү бардай чечмеленген эмес.
Угуу жана окуу топторундагы жол коэффициенттери
| Жол | Угуу β | Окуу β | Топ айырмасы | Айырма p | Чечмелөө |
|---|---|---|---|---|---|
| PU → LA | 0,226 | 0,424 | −0,198 | 0,016 | Окууда маанилүү түрдө күчтүүрөөк |
| PEOU → LA | 0,222 | 0,241 | −0,019 | 0,783 | Маанилүү топ айырмасы жок |
| PENJ → LA | 0,340 | 0,178 | 0,162 | 0,037 | Угууда маанилүү түрдө күчтүүрөөк |
| SE → LA | 0,149 | 0,168 | −0,020 | 0,801 | Маанилүү топ айырмасы жок |
| SE → CLI | 0,381 | 0,324 | 0,058 | 0,449 | Маанилүү топ айырмасы жок |
| LA → CLI | 0,375 | 0,351 | 0,024 | 0,771 | Маанилүү топ айырмасы жок |
Бул жерде көңүл буруучу жагдай: “угууда ырахат маанилүү, окууда пайдалуулук маанилүү” деген сөз башка өзгөрмөлөр маанисиз дегенди билдирбейт. Алты негизги жол эки топто тең оң жана маанилүү. Топтук салыштырууда PU → LA жана PENJ → LA жолдорунун чоңдугу гана маанилүү айырмаланган.
ANN окутуу жана тест каталары
Ар бир ANN модели жана ар бир контекст үчүн 10 көз карандысыз кокустук окутуу–тест бөлүнүүсү жүргүзүлгөн. Ар бир иштетүүдө болжол менен %90 окутуу жана %10 тест колдонулган; кокустук бөлүштүрүүдөн улам чыныгы N маанилери иштетүүлөр арасында өзгөргөн. Тест топтомдору ар башка кайталоолордо жарым-жартылай дал келиши мүмкүн.
| Контекст | Модель | Максат | Окутуу RMSE орт. | Окутуу SD | Тест RMSE орт. | Тест SD |
|---|---|---|---|---|---|---|
| Угуу | Model 1 | LA | 0,540 | 0,008 | 0,540 | 0,068 |
| Угуу | Model 2 | CLI | 0,549 | 0,014 | 0,560 | 0,080 |
| Окуу | Model 1 | LA | 0,517 | 0,014 | 0,460 | 0,060 |
| Окуу | Model 2 | CLI | 0,600 | 0,017 | 0,566 | 0,045 |
Булак окутуу жана тест RMSEлеринин ортосундагы айырмалардын жалпысынан кичине болушун held-out тандоолордо кеңири туруктуу көрсөткүчтүн белгиси катары чечмелейт. Айрым кайталоолордо тест RMSEси окутуу RMSEсинен төмөн болушу кокустук тест субтандоосу бир тектүүрөөк же божомолдоого жеңилирээк байкоолорду камтышы менен түшүндүрүлө турган тандоо өзгөрмөлүүлүгү катары бааланган.
Бул RMSE чоңдуктарынын колдонмолук мааниси чыгыш шкаласына жана өзгөрмөлүүлүккө байланыштуу. Маанилер min–max нормалдаштыруудан кийинки модель шкаласында; IELTS экзамен упайынын катасы эмес.
ANN сезгичтик талдоосу
| Контекст / модель | Божомолдоочу | Орточо маанилүүлүк | Нормалдаштырылган маанилүүлүк |
|---|---|---|---|
| Угуу Model 1 → LA | PENJ | 0,334 | %100,00 |
| Угуу Model 1 → LA | PU | 0,237 | %70,92 |
| Угуу Model 1 → LA | SE | 0,214 | %64,14 |
| Угуу Model 1 → LA | PEOU | 0,214 | %63,94 |
| Угуу Model 2 → CLI | SE | 0,523 | %100,00 |
| Угуу Model 2 → CLI | LA | 0,477 | %91,21 |
| Окуу Model 1 → LA | PU | 0,423 | %100,00 |
| Окуу Model 1 → LA | PEOU | 0,236 | %55,70 |
| Окуу Model 1 → LA | PENJ | 0,183 | %43,24 |
| Окуу Model 1 → LA | SE | 0,158 | %37,21 |
| Окуу Model 2 → CLI | LA | 0,542 | %100,00 |
| Окуу Model 2 → CLI | SE | 0,458 | %84,48 |
PLS-SEM жана ANN иреттөөлөрү жалпысынан бири-бирин колдойт. Угууда LA үчүн PENJ биринчи орунда; окууда LA үчүн PU биринчи орунда. Угуу Model 1де PEOU менен SEнин төмөнкү ирети PLS-SEM жана ANN арасында кичине айырма көрсөтөт, бирок негизги контексттик үлгү өзгөрбөйт.
Туруктуулукту текшерүү
Тандоонун %6,1ин түзгөн 18 жаштан жогорку мектеп окуучулары негизги натыйжаларга таасир эткен-этпегенин көрүү үчүн алар чыгарылып, PLS-SEM жана MGA кайра бааланган.
Бул талдоодо алты негизги гипотеза кайрадан колдоого алынган. PU → LA үчүн \(\beta=0.313\), PEOU → LA үчүн \(\beta=0.225\), PENJ → LA үчүн \(\beta=0.254\), SE → LA үчүн \(\beta=0.176\), SE → CLI үчүн \(\beta=0.346\) жана LA → CLI үчүн \(\beta=0.356\) алынган; бардык жолдор \(p<0.001\).
Угуу–окуу салыштыруусунун эки негизги айырмасы да сакталган: PU → LA окууда күчтүүрөөк, PENJ → LA угууда күчтүүрөөк бойдон калган. Мектеп окуучулары чыгарылганда PU топ айырмасы −0,186 жана PENJ топ айырмасы 0,181 деп билдирилген; экөө тең \(p<0.05\).
Бул Изилдөө Жасалма Интеллект Колдогон IELTS Системасы Окуудагы Ийгиликти Жогорулатарын Далилдейби?
Жок. Изилдөө чыныгы IELTS упайынын өсүшүн, узак мөөнөттүү колдонуу жүрүм-турумун же эксперименттик окуу жетишкендигин өлчөбөйт; бир убакыт чекитинде чогултулган өзүн-өзү билдирүүлөр аркылуу студенттердин технологияны кабылдоосу, окууга болгон мамилеси жана келечекте колдонууну улантуу ниетинин ортосундагы байланыштарды изилдейт.
Угуу менен окуунун айырмасынын мааниси
Авторлордун теориялык чечмелөөсүнө ылайык, угуу убактылуу аудио кириш, убакыт басымы жана реалдуу убакытта иштетүү талабы себептүү студенттин көңүлүн жана катышуусун сактоону кыйындатышы мүмкүн. Ошондуктан ырахат жана оң тажрыйба угуу контекстинде окууга болгон мамиле менен күчтүүрөөк байланышта болушу мүмкүн.
Окууда болсо студент текстке кайтып, ылдамдыгын жөндөп, стратегия колдонуп жана системанын ката диагностикасы же текстти түшүнүү колдоосу тапшырмадагы ийгиликке түздөн-түз канчалык салым кошорун такыраак баалай алат. Ошондуктан практикалык пайдалуулукту кабылдоо окууда мамиленин күчтүүрөөк аныктоочусу катары чыккан болушу мүмкүн.
Бирок изилдөө бул түшүндүрмөнү “тил көндүмдөрүнүн өзгөрбөс табияты” катары далилдебейт. Колдонулган платформанын угуу модулу көбүрөөк кайталап машыгууну жана интерактивдүү ыкчам кайтарым байланышты камтыса, окуу модулу диагностикага жана тапшырма колдоосуна көбүрөөк басым жасаган. Демек аныкталган айырма тапшырманын өзгөчөлүгү менен платформа дизайнынын биргелешкен натыйжасы болушу мүмкүн.
Изилдөө колдогон жыйынтыктар
- Кабылданган пайдалуулук, колдонуу жеңилдиги, ырахат жана өзүн-өзү натыйжалуулук окууга болгон мамиле менен оң байланышта.
- Окууга болгон мамиле жана өзүн-өзү натыйжалуулук үзгүлтүксүз окуу ниети менен оң байланышта.
- PU, PEOU, PENJ жана SEнин CLIге LA аркылуу маанилүү кыйыр таасирлери бар.
- Угуу контекстинде PENJ → LA жолу окууга караганда маанилүү түрдө күчтүүрөөк.
- Окуу контекстинде PU → LA жолу угууга караганда маанилүү түрдө күчтүүрөөк.
- PEOU → LA, SE → LA, SE → CLI жана LA → CLI жолдорунда эки контексттин ортосунда маанилүү жол айырмасы байкалган эмес.
- ANNнин салыштырмалуу маанилүүлүк ирети негизги контексттик MGA үлгүсүн колдойт.
- Мектеп окуучулары чыгарылган туруктуулук талдоосунда негизги натыйжалар көбүнчө сакталган.
Изилдөө колдобогон жыйынтыктар
Изилдөө ырахат IELTS угуу упайын жогорулатарын, кабылданган пайдалуулук IELTS окуу көрсөткүчүн көтөрөрүн, ANN IELTS ийгилигин божомолдорун, жасалма интеллект негизиндеги ITS адам мугалимден жогору экенин, студенттер чындап эле системаны узак убакыт колдонууну улантарын же табылган байланыштар так себептик экенин көрсөтпөйт.
Негизги чектөөлөр
Кесилиштик дизайн: Маалымат бир убакыт чекитинде чогултулгандыктан мотивациянын, мамиленин жана колдонуу ниетинин убакыттагы өзгөрүүсү байкалган эмес. Катуу себептик жыйынтык чыгарууга болбойт.
Өзүн-өзү билдирүү: Негизги өзгөрмөлөр студенттердин өз жооптору. Статистикалык CMB текшерүүлөрү жүргүзүлгөнү менен, өзүн-өзү билдирүү маалыматтарынын бардык чектөөлөрү жоголбойт.
Максаттуу жана онлайн тандоо: Credamo колдонуучулары интернетти көбүрөөк колдонгон жана санариптик технологияга көбүрөөк көнгөн адамдарды ашыкча көрсөтүшү мүмкүн. Ыктыярдуу катышуу да жасалма интеллект менен окууга көбүрөөк кызыккан адамдардын тандалышына алып келиши мүмкүн. Тандоо бардык IELTS үйрөнүүчүлөрүнүн кокустук өкүлү эмес.
Географиялык/маданий чектөө: Тандоо негизинен кытайлык IELTS үйрөнүүчүлөрүнө негизделген. Натыйжаларды башка өлкөлөргө, маданияттарга жана билим берүү системаларына түз жалпылоо ырасталган эмес.
Бир платформа: Жасалма интеллект негизиндеги бир гана IELTS даярдык системасы колдонулган. Платформанын өзүнө мүнөздүү өз ара аракеттенүү, кайтарым байланыш жана диагностика дизайны натыйжаларга таасир этиши мүмкүн.
Контекстке ылайыкташтырылган өлчөө: Угуу жана окуу анкеталары бир эле концептуалдык түзүмдөрдү өлчөө үчүн даярдалганы менен, пункттар тиешелүү тапшырма контекстине ылайыкташтырылган. Жарым-жартылай өлчөө өзгөрбөстүгү камсыз болсо да, топ айырмаларынын баары тапшырма түрүнөн гана келип чыккан деп так айтууга болбойт.
Моделдин камтуусу: Технологияга ишеним, кабылданган алгоритмдик адилеттүүлүк, мугалимдин колдоосу, окутуучулук катышуу, окуу аналитикасынын кайтарым байланышы жана билим берүү технологияларын башкаруу сыяктуу башка мүмкүн болгон өзгөрмөлөр моделге киргизилген эмес.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталыш: Utilitarian Value or Enjoyment Experience? The Formation Mechanism of IELTS Learners’ Continuous Learning Intention in AI-Driven Intelligent Tutoring Systems: Evidence from PLS-SEM, MGA, and ANN
Авторлор: Sunyu Tao, Hongfeng Zhang, Shenglin Liu.
Авторлордун тартиби: Булактагы тартип так сакталган.
Тең салым: Булакта тең биринчи автордук же тең салым белгиси көрсөтүлгөн эмес.
Жооптуу автор: Hongfeng Zhang.
Аффилиация 1: Faculty of Humanities and Social Sciences, Macao Polytechnic University, Macao 999078, China.
Аффилиация 2: School of Management, Universiti Sains Malaysia, Pulau 11800, Penang, Malaysia.
Журнал: Education Sciences.
Басмачы: MDPI.
Жарыялоо маалыматы: 2026, Volume 16, Article 1526.
DOI: 10.3390/educsci16091526.
Расмий жарыялоо шилтемеси: DOI аркылуу MDPI Education Sciences макала жазуусу.
Жөнөтүлгөн дата: 9 Июль 2026.
Ревизия датасы: 11 Сентябрь 2026.
Кабыл алынган дата: 15 Сентябрь 2026.
PDFдеги жарыялоо датасы: 16 Сентябрь 2026.
Версия эскертүүсү: MDPIнин расмий Article Version Notes жазуусу 16 Сентябрь 2026 датасындагы Version of Recordдон кийин PDF/HTML файлдары 17 Сентябрь 2026да жаңыртылганын көрсөтөт. Бул Verianla жазмасы колдонуучу берген PDFтин илимий мазмунун негиз кылат.
Булактын түрү: Рецензияланган изилдөө макаласы. Кесилиштик, максаттуу тандоого жана өзүн-өзү билдирүү анкетасына негизделген байкоочу/байланыштык изилдөө; PLS-SEM, MICOM, MGA жана ANN ыкмаларын бирге колдонот.
Рецензиялоо абалы: Education Sciences журналында жарыяланган рецензияланган макала.
Лицензия: PDF макала Creative Commons Attribution (CC BY) лицензиясы боюнча ачык жеткиликтүү экенин билдирет. PDFдеги тексттик жазуудан кошумча CC версия номери болжолдонгон эмес.
Тандоо: Чогултулган 522 анкетанын 494ү жарактуу; угуу n=247, окуу n=247.
Маалымат чогултуу мезгили: Февраль–Апрель 2026.
Маалымат чогултуу платформасы: Credamo.
Талдоо программалары: SmartPLS 4, SPSS 27.0 жана тандоо/күч талдоолорунда G*Power 3.1.9.7.
Этика комитети: Macao Polytechnic University Research Committee; Approval No. RP/FCHS-01/2023/E01, 30 Ноябрь 2023.
Маалымдалган макулдук: Бардык катышуучулардан алынган.
Каржылоо: Macao Polytechnic University тарабынан RP/FCHS-01/2023 номери менен колдоого алынган.
Маалыматтардын жеткиликтүүлүгү: Изилдөөнүн маалыматтары негиздүү суроо-талап боюнча жооптуу автордон берилиши мүмкүн экени көрсөтүлгөн.
Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.
Авторлордун салымдары: Концептуалдаштыруу Sunyu Tao; ыкма Sunyu Tao жана Hongfeng Zhang; программалык камсыздоо Sunyu Tao жана Shenglin Liu; валидация Sunyu Tao жана Shenglin Liu; формалдык талдоо Sunyu Tao; изилдөө Sunyu Tao; ресурстар Hongfeng Zhang; маалыматтарды курациялоо Sunyu Tao жана Shenglin Liu; алгачкы долбоор Sunyu Tao; карап чыгуу жана редакциялоо Hongfeng Zhang; визуалдаштыруу Sunyu Tao; илимий жетекчилик Hongfeng Zhang; долбоорду башкаруу Hongfeng Zhang; каржылоону алуу Hongfeng Zhang.
Булак ичиндеги карама-каршылык 1 — Fornell–Larcker түшүндүрмөсү: Негизги текст эң жогорку түзүм корреляцияларын 0,48 деп сүрөттөйт, бирок 3-таблицада PU–LA корреляциясы 0,518 болуп көрүнөт. Verianla таблица маанисин өзгөрткөн эмес.
Булак ичиндеги карама-каршылык 2 — HTMT жогорку чеги: Текст HTMT диапазонун 0,159–0,596 деп жазат, бирок 4-таблицада PU–LA HTMT мааниси 0,651. Verianla так маани катары таблицада көрсөтүлгөн 0,651ди негиз кылган.
Булак ичиндеги карама-каршылык 3 — Структуралык VIF диапазону: Структуралык моделдин түшүндүрмөсүндө VIF диапазону 1,088–1,239 деп жазылган; 5-таблицадагы PENJ → LA сабында VIF=1,247 бар. Verianla бул маанини унчукпай өзгөртпөйт.
Булак ичиндеги карама-каршылык 4 — PEOU кыйыр таасиринин p мааниси: 6-таблицага чейинки текст PEOU → LA → CLI үчүн p<0,01 дегенди колдонсо, 6-таблица p<0,001 берет. Негизги натыйжалар таблицасында 6-таблицанын ачык мааниси сакталган жана айырма бул жерде белгиленген.
ANN чечмелөө чеги: ANN чыгыштары LA жана CLI шкала маанилерин божомолдойт; чыныгы IELTS окуу/угуу упайын божомолдобойт. RMSE натыйжалары min–max нормалдаштыруудан кийинки шкалага тиешелүү.
MGA чечмелөө чеги: Угуу жана окуу контексттери үчүн жарым-жартылай өлчөө өзгөрбөстүгү түзүлгөн; толук өзгөрбөстүк бардык түзүмдөрдө камсыз болгон эмес. Эки анкета формасы тапшырма контекстине ылайыкташтырылган.
Себептүүлүк чеги: Изилдөө кесилиштик. “Таасир” жана “жол” деген сөздөр PLS-SEM моделиндеги статистикалык байланыштын тили; эксперименттик себептүүлүктү билдирбейт.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген