Mfumo mahiri wa ufundishaji unaoendeshwa na akili bandia (AI-driven Intelligent Tutoring System, ITS), ni mazingira ya elimu yanayotegemea kompyuta ambayo yanaweza kurekebisha kazi, mrejesho, uchunguzi na usaidizi wa ujifunzaji kulingana na utendaji na mwingiliano wa mwanafunzi. Utafiti huu unachunguza jinsi nia ya wanafunzi wanaotumia mfumo kama huo katika maandalizi ya IELTS ya kuendelea kuutumia inavyoundwa. Utafiti unatokana na hojaji 494 halali na unatathmini Modeli iliyopanuliwa ya Kukubali Teknolojia (Technology Acceptance Model, TAM) kwa kutumia uundaji wa miundo ya milinganyo ya kimuundo kwa mbinu ya sehemu ya miraba midogo zaidi (PLS-SEM), uchanganuzi wa vikundi vingi (MGA) na mtandao wa neva bandia (ANN) .

Katika modeli iliyopanuliwa, manufaa yanayotambuliwa (PU), urahisi wa matumizi unaotambuliwa (PEOU), furaha inayotambuliwa (PENJ) na imani katika uwezo binafsi (SE) zilichunguzwa kama vitangulizi vya mtazamo wa kujifunza (LA). Mtazamo wa kujifunza na imani katika uwezo binafsi ni vitangulizi vya moja kwa moja vya nia ya kuendelea kujifunza (CLI). Katika sampuli nzima, njia zote sita kuu za kimuundo zilikuwa chanya na zenye umuhimu wa kitakwimu. Mgawo wa jumla wa njia ulio mkubwa zaidi kuelekea mtazamo wa kujifunza ulikuwa wa manufaa yanayotambuliwa (\(\beta=0.323\)); kati ya njia mbili za moja kwa moja kuelekea nia ya kuendelea kujifunza, mtazamo wa kujifunza (\(\beta=0.361\)) na imani katika uwezo binafsi (\(\beta=0.348\)) zilikuwa na ukubwa unaokaribiana.

Miktadha ya kusikiliza na kusoma ilipolinganishwa, tofauti mbili muhimu za kimuktadha zilijitokeza. Athari ya furaha inayotambuliwa kwa mtazamo wa kujifunza ilikuwa \(\beta=0.340\) katika kusikiliza na \(\beta=0.178\) katika kusoma, na tofauti ya vikundi ilikuwa yenye umuhimu (\(p=0.037\)). Athari ya manufaa yanayotambuliwa kwa mtazamo wa kujifunza ilikuwa \(\beta=0.424\) katika kusoma na \(\beta=0.226\) katika kusikiliza; tofauti hii ya vikundi pia ilikuwa yenye umuhimu (\(p=0.016\)). Katika njia nyingine zinazohusisha urahisi wa matumizi, imani katika uwezo binafsi na mtazamo wa kujifunza, hakuna tofauti ya njia yenye umuhimu wa kitakwimu iliyobainishwa kati ya kusikiliza na kusoma.

Matokeo ya ANN yaliunga mkono mpangilio huu unaotegemea muktadha. Katika ANN inayotabiri mtazamo wa kujifunza, ingizo muhimu zaidi katika kundi la kusikiliza lilikuwa furaha inayotambuliwa; umuhimu wa wastani ulikuwa 0,334 na umuhimu uliorekebishwa kuwa kipimo ulikuwa %100. Katika kundi la kusoma, ingizo muhimu zaidi lilikuwa manufaa yanayotambuliwa; umuhimu wa wastani ulikuwa 0,423 na umuhimu uliorekebishwa kuwa kipimo ulikuwa %100. Hapa %100 haimaanishi kwamba kigezo kinaeleza %100 ya mtazamo wa kujifunza; inaonyesha tu kwamba kitabiri muhimu zaidi ndani ya ANN hiyo kimewekwa kuwa %100 ili kupima umuhimu wa jamaa wa vigezo vingine.

Kikomo muhimu cha tafsiri ya utafiti ni kwamba kigezo tegemezi kilichopimwa si matumizi halisi ya muda mrefu au utendaji wa IELTS, bali ni nia ya wanafunzi ya kuendelea kutumia mfumo katika siku zijazo. Data zilikusanywa kwa hojaji ya kujiripoti katika nukta moja ya wakati. Kwa hiyo, matokeo yanaonyesha mahusiano kati ya vigezo na mifumo ya utabiri; hayawezi kutumiwa kutoa hitimisho za kisababishi kuhusu utendaji kama vile “furaha huongeza mafanikio ya kusikiliza” au “mtazamo wa manufaa huongeza alama za kusoma”.

Tatizo kuu la utafiti

Mifumo mahiri ya ufundishaji inaweza kutoa mapendekezo ya kazi yaliyobinafsishwa, mazoezi yanayobadilika, mrejesho wa papo hapo, uchunguzi wa makosa na uchanganuzi wa ujifunzaji. Hata hivyo, uwezekano wa kutumia teknolojia ya elimu na kutaka kwa mwanafunzi kuitumia kwa muda mrefu si tatizo moja. Mwanafunzi anaweza kuutumia mfumo kiufundi na hata kuuona kuwa wenye manufaa; licha ya hayo, ikiwa uzoefu wa kujifunza unaonekana kuwa wa kuchosha, mgumu au usiodhibitika, nia ya kuendelea inaweza kudhoofika.

Kwa sababu hiyo, utafiti haukuona mitazamo miwili ya msingi ya teknolojia katika Modeli ya kawaida ya Kukubali Teknolojia —manufaa yanayotambuliwa na urahisi wa matumizi unaotambuliwa— kuwa inatosha peke yake. Modeli iliongezewa imani ya mwanafunzi katika uwezo binafsi wa kufanya mambo pamoja na furaha inayotambuliwa anayopata kutokana na mchakato wenyewe wa kujifunza.

Tatizo la pili la utafiti ni tofauti ya muktadha. Kusikiliza na kusoma katika IELTS, ingawa zote ni stadi pokezi za lugha, si kazi ileile ya kiutambuzi. Katika kusikiliza, taarifa ni ya muda mfupi; mwanafunzi anapaswa kuchakata, kuhifadhi na kujenga maana wakati mtiririko wa sauti unaendelea. Katika kusoma, inawezekana zaidi kurudi kwenye matini, kubadilisha kasi na kurekebisha mkakati. Kwa hiyo, watafiti walijaribu kama kazi tofauti ndani ya ITS ileile zinaweka uzito tofauti kwa tathmini za mwanafunzi kuhusu manufaa na furaha.

Kwa Nini PLS-SEM, MGA na ANN Zilitumika Pamoja?

PLS-SEM ilitumika kujaribu mahusiano yenye mwelekeo na nadharia tete katika modeli ya kinadharia, MGA kuchunguza kama migawo ya njia katika vikundi vya kusikiliza na kusoma ilikuwa tofauti kweli, na ANN kutathmini mifumo inayowezekana ya utabiri isiyo ya mstari zaidi ya modeli ya mstari pamoja na umuhimu wa jamaa wa vitabiri; mbinu hizi tatu zinachunguza tabaka tofauti za swali lilelile na hazibadilishani nafasi.

Modeli ya Kukubali Teknolojia na modeli iliyopanuliwa

Modeli ya Kukubali Teknolojia (Technology Acceptance Model, TAM), ni mfumo wa kinadharia unaotumia hasa mahusiano kati ya manufaa yanayotambuliwa, urahisi wa matumizi unaotambuliwa, mtazamo na nia ya kitabia kueleza kukubalika kwa teknolojia. Badala ya kurudia moja kwa moja TAM ya kawaida, utafiti huu uliipanua kwa vigezo viwili: furaha inayotambuliwa na imani katika uwezo binafsi inayohusiana na kazi maalumu.

Imani katika uwezo binafsi hapa si imani ya jumla katika uwezo wa kitaaluma. Utafiti unapima hasa imani ya mwanafunzi kuhusu uwezo wake wa kusimamia kazi katika mazingira ya ujifunzaji wa IELTS unaosaidiwa na AI, kuelewa mrejesho wa mfumo, kupata suluhisho kwa matatizo mapya na kuendeleza mikakati inayofaa.

Milinganyo miwili kuu ya kimuundo ya modeli ya utafiti

Uwasilishaji wa kufundishia: Makala haitoi milinganyo miwili ifuatayo kama fomula zilizopewa namba. Hii ni miundo ya kawaida ya mstari inayowezesha mahusiano ya kimuundo katika Kielelezo 1 cha chanzo kusomwa wazi kwa namna ya kihisabati.

\[ LA=\beta_1PU+\beta_2PEOU+\beta_3PENJ+\beta_4SE+\varepsilon_{LA} \]

Mlinganyo huu unaonyesha sehemu ya mtazamo wa kujifunza inayoelezwa na vitangulizi vinne. \(\beta_1,\ldots,\beta_4\) ni migawo ya njia ya PLS-SEM. \(\varepsilon_{LA}\) inawakilisha mabadiliko ya mtazamo wa kujifunza ambayo hayaelezwi na vigezo vinne katika modeli.

\[ CLI=\beta_5SE+\beta_6LA+\varepsilon_{CLI} \]

Mlinganyo wa pili unawakilisha sehemu ya nia ya kuendelea kujifunza inayoelezwa na imani katika uwezo binafsi na mtazamo wa kujifunza. Katika utafiti, njia za moja kwa moja kutoka PU, PEOU na PENJ kwenda CLI hazikuundwa; athari zao zisizo za moja kwa moja kwa CLI zilichunguzwa kupitia LA.

Nadharia tete

ITS iliyochunguzwa ilifanyaje kazi?

Katika utafiti, mfumo mmoja uliofafanuliwa kama “msaidizi wa maandalizi ya mtihani unaotegemea AI” ulitumika bila kufanya ujumlishaji wa chapa ya kibiashara. Kwanza mwanafunzi huweka alama lengwa ya IELTS kulingana na kiwango chake cha sasa cha Kiingereza na malengo yake. Mfumo unapendekeza kazi za kusoma au kusikiliza kulingana na utendaji na lengo, na unaweza kurekebisha maudhui na kiwango cha ugumu kwa namna inayobadilika.

Baada ya kila kazi, wanafunzi walipokea mrejesho wa majibu wa papo hapo na ripoti za uchanganuzi wa ujifunzaji zilizozalishwa na AI. Ripoti zilikuwa na utendaji, mifumo ya makosa na mapendekezo ya mazoezi yanayofuata. Moduli ya kusoma ilizingatia zaidi mazoezi ya maswali, uchunguzi wa makosa na usaidizi wa ufahamu wa matini; moduli ya kusikiliza ilitoa nafasi zaidi kwa mazoezi ya kurudia juu ya ingizo la sauti na mrejesho shirikishi.

Kwa hiyo, uhusiano wa mshiriki na mfumo haukuwa tu kutazama maudhui. Mzunguko wa mwingiliano katika utafiti ulikuwa kwa ujumla kuweka lengo → kukamilisha kazi → kupokea mrejesho → kuchunguza uchanganuzi wa ujifunzaji → kurekebisha mazoezi yanayofuata .

Zana ya upimaji iliundwaje?

Fomu mbili tofauti za hojaji zilizowekwa katika muktadha ziliandaliwa kwa kusikiliza na kusoma. Kila fomu ilikuwa na vipengele 18. Kila moja ya miundo sita fiche ilipimwa kwa vipengele vitatu, na majibu yalichukuliwa kwenye kipimo cha Likert cha nukta tano kati ya 1 = sikubaliani kabisa na 5 = nakubaliana kabisa .

Vipengele vya PU, PEOU, PENJ, LA na CLI vilirekebishwa kutoka tafiti za awali za TAM na teknolojia ya elimu. Vipengele vya SE vilirekebishwa kutoka tafiti za awali za kidijitali kuhusu imani katika uwezo binafsi; kati ya vipengele viwili vya awali vilivyofanana sana kimaana, kimoja kiliondolewa ili kuunda muundo wenye uwiano wa vipengele vitatu.

Ili mizani ya Kiingereza iweze kutumika kwa Kichina, tafsiri na tafsiri ya kurudi nyuma zilifanywa. Watafiti wawili wenye lugha mbili walitafsiri kwa kujitegemea kutoka Kiingereza kwenda Kichina, timu ya utafiti ikapatanisha matoleo hayo; watafiti wengine wawili wenye lugha mbili ambao hawakuwa wameona mizani ya awali walitafsiri toleo la Kichina kurudi Kiingereza. Kiingereza kilichotafsiriwa kurudi kililinganishwa na vipengele vya awali na tofauti za kimaana zikarekebishwa. Kisha maprofesa watatu wenye historia ya elimu ya lugha mbili na teknolojia ya elimu walitathmini ufaafu wa kitamaduni na kilugha.

PLS-SEM ni nini?

Uundaji wa Miundo ya Milinganyo ya Kimuundo kwa Mbinu ya Sehemu ya Miraba Midogo Zaidi (Partial Least Squares Structural Equation Modeling, PLS-SEM), ni mkabala wa uundaji wa milinganyo ya kimuundo unaotegemea variansi, unaowakilisha miundo ya kinadharia isiyoweza kuonekana kwa vipengele vingi vya hojaji na kukadiria mahusiano yenye mwelekeo kati ya miundo hiyo ndani ya modeli moja.

Sababu kuu ya kuchagua PLS-SEM katika utafiti huu haikuwa tu kuthibitisha TAM iliyoundwa tayari; ilikuwa kupanua TAM kwa imani katika uwezo binafsi na furaha inayotambuliwa, kubainisha vitabiri muhimu na kutathmini kwa pamoja uwezo wa modeli wa kueleza/kutabiri. Uchanganuzi ulifanywa kwa SmartPLS 4.

Mgawo wa njia \(\beta\) unasomwaje?

Katika PLS-SEM, \(\beta\) ni mgawo wa njia unaoonyesha mwelekeo na ukubwa wa jamaa wa uhusiano kati ya ongezeko la kigezo fiche na kigezo cha matokeo wakati vitabiri vingine vinavyohusika vimehifadhiwa katika modeli. \(\beta\) chanya huonyesha kwamba vigezo husogea katika mwelekeo uleule. Hata hivyo, \(\beta\) chanya na yenye umuhimu katika data za uchunguzi za mkato si, peke yake, ushahidi wa usababishaji wa kimajaribio.

Ukubwa wa athari \(f^2\) unaeleza nini?

Fomula ya kawaida ya kufundishia:

\[ f^2= \frac{R^2_{\mathrm{dahil}}-R^2_{\mathrm{hariç}}} {1-R^2_{\mathrm{dahil}}} \]

Kipimo hiki huonyesha ni kwa kiasi gani variansi inayoelezwa hupungua wakati kitabiri fulani kinaondolewa kwenye modeli. Katika utafiti, \(f^2=0.173\) kwa LA → CLI ndicho thamani ya juu zaidi na kilitafsiriwa na waandishi kama athari ya ukubwa wa kati. Kwa SE → CLI, \(f^2=0.162\) pia ni ya kiwango cha kati. Kwa PU → LA, \(f^2=0.149\) inakaribia kiwango cha kati.

Athari isiyo ya moja kwa moja hutokeaje?

PU, PEOU na PENJ hazijaunganishwa moja kwa moja na CLI katika modeli. Vigezo hivi vilijaribiwa katika muundo ambao kwanza vinaathiri LA, na LA nayo inaathiri CLI. Mgawo usio wa moja kwa moja katika mnyororo rahisi wa upatanishi unaweza kuelezwa kwa kuzidisha njia mbili:

\[ \beta_{\mathrm{dolaylı}} = \beta_{X\rightarrow LA} \times \beta_{LA\rightarrow CLI} \]

Kwa mfano, kwa kuwa mgawo wa PU → LA ni 0,323 na mgawo wa LA → CLI ni 0,361, zao ni takriban \(0.323\times0.361\approx0.117\); utafiti unaripoti matokeo ya bootstrap kuwa 0,116. Tofauti hii ndogo inaweza kutokana na kuzungusha tarakimu.

R², Q² na SRMR hupima nini?

\(R^2\), huonyesha ni kiasi gani cha variansi katika kigezo cha ndani kinachoelezwa na modeli. Katika utafiti, \(R^2=0.436\) kwa LA na \(R^2=0.338\) kwa CLI. Kwa maneno mengine, modeli inaeleza takriban %43,6 ya mabadiliko ya mtazamo wa kujifunza na takriban %33,8 ya mabadiliko ya nia ya kuendelea kujifunza katika sampuli. Viwango hivi havimaanishi kwamba modeli inaeleza tabia yote ya mtu binafsi.

\(Q^2\), ni kipimo cha kutathmini umuhimu wa kiutabiri wa modeli. Katika utafiti, ziliripotiwa 0,305 na 0,236 kwa LA na CLI mtawalia, na thamani zote mbili kuwa kubwa kuliko sifuri kulifasiriwa kuwa umuhimu chanya wa kiutabiri.

SRMR (Standardized Root Mean Square Residual), hufupisha ukubwa wa jumla wa mabaki yaliyosanifishwa kati ya miundo ya mahusiano inayotabiriwa na modeli na inayozingatiwa. Katika utafiti SRMR=0,062, ambayo iko chini ya kikomo rejea cha 0,08 kilichotumiwa na waandishi.

Kwa nini MICOM ilifanywa kabla ya MGA?

Measurement Invariance of Composite Models (MICOM), ilitumika kukagua kama miundo fiche ileile ilipimwa kwa namna inayoweza kulinganishwa vya kutosha katika vikundi vya kusikiliza na kusoma. Ikiwa “manufaa yanayotambuliwa” au “mtazamo wa kujifunza” haviwakilishi muundo uleule katika vikundi viwili, kulinganisha moja kwa moja migawo ya njia kunaweza kupotosha.

MICOM ina hatua tatu: kutobadilika kwa usanidi, kutobadilika kwa muundo changamano na usawa wa wastani/variansi changamano. Katika utafiti, kutobadilika kwa usanidi na kwa muundo changamano kulithibitishwa, hivyo kutobadilika kwa upimaji kwa sehemu kulipatikana. Usawa kamili wa wastani/variansi haukupatikana katika miundo yote. Kwa hiyo, MGA iliweza kufanywa, lakini waandishi pia walitaja kuwa vipengele vya hojaji za vikundi viwili vilirekebishwa kwa miktadha ya kusoma na kusikiliza kama kikomo cha ziada cha tafsiri.

Usanifu wa ANN

Uchanganuzi wa ANN ulifanywa kwa kutumia perceptron ya tabaka nyingi (Multilayer Perceptron, MLP) katika SPSS 27.0. Modeli mbili ziliundwa. Viingizo vya Modeli 1 ni PU, PEOU, PENJ na SE; tokeo ni LA. Viingizo vya Modeli 2 ni SE na LA; tokeo ni CLI.

Katika modeli zote mbili kuna tabaka moja fiche na neva tano katika tabaka hilo. Uamilishaji wa tabaka fiche ni sigmoid, na uamilishaji wa tabaka la tokeo ni kazi ya identity. Mafunzo yalifanywa kwa mbinu ya batch training.

Urekebishaji wa min–max

Vigezo vyote vya ingizo na tokeo vilivyopewa ANN vilipimwa katika masafa ya 0–1. Badiliko la kawaida la min–max:

\[ x'=\frac{x-x_{\min}}{x_{\max}-x_{\min}} \]

\(x\) ni thamani asilia, \(x_{\min}\) ni thamani ya chini kabisa ya kigezo, \(x_{\max}\) ni ya juu kabisa, na \(x'\) ni thamani iliyobadilishwa katika kipimo cha 0–1. Hatua hii huleta vigezo katika masafa ya pamoja ya namba. Kwa hiyo, thamani za RMSE zilizoripotiwa katika ANN si katika vitengo vya alama za bendi za IELTS; ni makosa ya utabiri ya vigezo vya modeli vilivyorekebishwa kipimo.

Kazi ya uamilishaji ya sigmoid

Umbo la kawaida la kazi ya sigmoid iliyotumika katika tabaka fiche:

\[ \sigma(z)=\frac{1}{1+e^{-z}} \]

Kazi hii hubadilisha namba yoyote halisi \(z\) kuwa tokeo lisilo la mstari kati ya 0 na 1. Hii husaidia ANN kuunda modeli za mifumo changamano zaidi badala ya mahusiano rahisi ya mstari pekee.

RMSE hupima nini?

Kosa la utabiri la ANN lilitathminiwa kwa Root Mean Square Error (RMSE) . Fomula ya kawaida:

\[ RMSE= \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

\(y_i\) ni thamani halisi ya kipimo iliyozingatiwa, \(\hat{y}_i\) ni utabiri wa ANN, na \(n\) ni idadi ya uchunguzi unaoingia katika tathmini. Kwa kuwa makosa yanawekwa mraba, makosa makubwa hupata uzito mkubwa zaidi. RMSE ndogo zaidi huonyesha kosa dogo zaidi la utabiri.

Umuhimu Uliorekebishwa wa %100 katika ANN Unamaanisha Nini?

Umuhimu uliorekebishwa wa %100 unaonyesha kwamba kitabiri chenye thamani kubwa zaidi ya umuhimu wa wastani katika modeli ya ANN kimepimwa kuwa 100 kama rejea; haimaanishi kwamba kigezo kinaeleza %100 ya matokeo, kinatoa usahihi wa %100 au athari ya kisababishi ni %100.

Uwasilishaji wa kawaida wa kufundishia:

\[ NI_j= \frac{I_j}{\max(I)} \times100 \]

\(I_j\) ni umuhimu wa wastani wa kigezo husika katika uchanganuzi wa unyeti wa ANN; \(\max(I)\) ni thamani ya juu zaidi ya umuhimu ndani ya modeli hiyo. Kigezo cha juu zaidi hivyo huwa %100 na vigezo vingine hupimwa kwa uhusiano nacho.

Mbinu na Matokeo ya Utafiti

Usampulishaji na ukusanyaji wa data

Watafiti walitumia usampulishaji wenye kusudi katika utafiti. Ili mshiriki ajumuishwe katika utafiti, alipaswa kuwa na uzoefu wa maandalizi ya IELTS, uzoefu wa kutumia msaidizi wa maandalizi ya mtihani unaotegemea AI, na uwezo wa kukamilisha kazi za kusoma au kusikiliza za IELTS.

Hojaji ilitekelezwa kati ya Februari–Aprili 2026 kwenye jukwaa la hojaji mtandaoni la Credamo. Washiriki walikusanywa kutoka Beijing, Guangzhou, Chongqing, Wuhan, Nanjing na Macao; wanafunzi wa shule ya sekondari wenye umri wa miaka 18 na zaidi, pamoja na wanafunzi wa shahada ya kwanza, uzamili na uzamivu walijumuishwa katika sampuli.

Kwa kutumia G*Power 3.1.9.7, ukubwa wa athari 0,15, \(\alpha=0.05\) na nguvu \(1-\beta=0.95\), ukubwa wa chini kabisa wa sampuli ulihesabiwa kuwa 107. Kabla ya hojaji rasmi, utafiti wa majaribio ulifanywa na wanafunzi 50 wenye uzoefu wa kujifunza IELTS unaosaidiwa na AI.

Ukaguzi wa ubora wa utafiti wa majaribio

Baada ya utafiti wa majaribio, watafiti hawakufanya marekebisho mapya katika vipengele vya upimaji na walitumia fomu ileile katika hojaji kuu.

Kutoka hojaji 522 hadi hojaji 494 halali

Jumla ya hojaji 522 zilikusanywa. Fomu ambazo hazikupita swali la ukaguzi wa uhalali, zilionyesha kutokulingana wazi katika vipengele vilivyotarajiwa kufanana kinadharia, au zilikuwa na majibu yaliyokosekana, ziliondolewa. Hatimaye hojaji 494 halali zilibaki na kiwango cha majibu halali cha %94,64.

Vikundi vya kusikiliza na kusoma vilikuwa na uwiano kamili wa washiriki 247 kila kimoja. Hakuna mshiriki aliyekamilisha hojaji za miktadha yote miwili.

Wasifu wa washiriki

Taaluma za kitaaluma pia ziligawanyika kati ya uhandisi, sayansi za kibinadamu, biashara na uchumi, sayansi za jamii, teknolojia ya habari/sayansi ya kompyuta, sayansi za tiba, sanaa na ubunifu, na sayansi za asili. Kiwango cha juu zaidi kilikuwa katika sayansi za jamii (%15,8), na cha chini zaidi katika sanaa na ubunifu (%9,3).

Upendeleo wa mbinu ya pamoja ulidhibitiwaje?

Kwa kuwa vigezo vyote vya msingi vilitokana na hojaji ileile ya kujiripoti, hali hii inaweza kuleta hatari ya Common Method Bias (CMB) kujitokeza. Watafiti kwanza walitumia jaribio la sababu moja la Harman. Katika mkusanyo mkuu wa data, sababu ya kwanza ilieleza %32,744 ya variansi yote, na ilikuwa chini ya kikomo cha %50 kilichotumiwa katika chanzo.

Kwa sababu ya ukomo wa jaribio la Harman, ukaguzi wa full-collinearity VIF pia ulifanywa. Thamani za VIF katika kiwango cha muundo zilikuwa kati ya 1,155–1,770 na chini ya kikomo rejea cha 3,3 kilichotumika. Kwa kutathmini ukaguzi huu miwili pamoja, waandishi walihitimisha kwamba hakukuwa na ushahidi kwamba upendeleo mkubwa wa mbinu ya pamoja uliendesha matokeo kwa kiwango kikubwa. Majaribio haya hayathibitishi kwamba CMB haiwezekani kabisa.

Uaminifu na uhalali wa muunganiko wa modeli ya upimaji

Vipimo vyote vya uzito wa vipengele viliripotiwa kati ya 0,807–0,890. Thamani za VIF katika kiwango cha kipengele zilikuwa kati ya 1,552–2,139. SRMR=0,062. Katika uchanganuzi wa PLSpredict, PLS-SEM ilitoa kosa la utabiri la chini kuliko modeli ya mstari kwa viashiria vingi.

Uhalali wa kutofautisha

Katika tathmini ya Fornell–Larcker, mzizi wa mraba wa AVE wa kila muundo unatarajiwa kuwa mkubwa kuliko uhusiano na miundo mingine katika mstari wake. Katika Jedwali 3 la chanzo, mizizi ya mraba ya AVE kwenye ulalo ilikuwa kati ya 0,837–0,880.

Katika tathmini ya HTMT, mahusiano ya viashiria vya miundo fiche tofauti hulinganishwa. Katika Jedwali 4 la chanzo, thamani ya juu zaidi inayoonekana ya HTMT kati ya PU na LA ni 0,651 na iko chini ya kikomo cha 0,85 kilichotumiwa; hakuna mojawapo ya vipindi vya kujiamini vilivyoripotiwa inayojumuisha 1.

Jaribio la nadharia tete katika sampuli nzima

Kati ya vitangulizi vinne vya mtazamo wa kujifunza, mgawo wa njia ulio mkubwa zaidi katika sampuli nzima ni wa manufaa yanayotambuliwa (\(\beta=0.323\)). Katika njia za moja kwa moja kuelekea nia ya kuendelea kujifunza, LA (\(\beta=0.361\)) na SE (\(\beta=0.348\)) zilitoa matokeo yanayokaribiana.

Jukumu la upatanishi la mtazamo wa kujifunza

Vipindi vyote vya kujiamini havijumuishi sifuri. Athari isiyo ya moja kwa moja iliyo kubwa zaidi ni 0,116 katika njia ya PU → LA → CLI. SE ina njia ya moja kwa moja kwenda CLI pamoja na njia isiyo ya moja kwa moja kupitia LA.

Matokeo ya MICOM

Katika tathmini ya MICOM yenye ubadilishaji 1000, kutobadilika kwa usanidi na kutobadilika kwa muundo changamano kulipatikana kwa miundo yote. Hivyo kutobadilika kwa upimaji kwa sehemu kulianzishwa. Hata hivyo, usawa wa wastani wa vikundi haukupatikana kwa LA, PENJ, PU na SE; kwa LA, usawa wa variansi ya vikundi pia haukupatikana. Kwa hiyo, ulinganisho wa MGA wa kusikiliza–kusoma ulikubaliwa kuwa unaweza kufanywa, lakini haukutafsiriwa kana kwamba kutobadilika kamili kwa upimaji kulikuwa kumepatikana.

Migawo ya njia katika vikundi vya kusikiliza na kusoma

Jambo la kuzingatia hapa ni kwamba kauli “furaha ni muhimu katika kusikiliza, manufaa ni muhimu katika kusoma” haimaanishi kwamba vigezo vingine si muhimu. Njia zote sita za msingi ni chanya na zenye umuhimu katika kila moja ya vikundi viwili. Katika ulinganisho wa vikundi, ni ukubwa wa njia za PU → LA na PENJ → LA pekee uliotofautiana kwa kiwango chenye umuhimu.

Makosa ya mafunzo na majaribio ya ANN

Kwa kila modeli ya ANN na kila muktadha, migawanyo 10 huru ya nasibu ya mafunzo–majaribio ilifanywa. Katika kila utekelezaji, takriban %90 ilitumika kwa mafunzo na %10 kwa majaribio; kwa sababu ya upangaji wa nasibu, thamani halisi za N zilibadilika kati ya utekelezaji. Seti za majaribio zinaweza kuingiliana kwa sehemu katika marudio tofauti.

Chanzo kinatafsiri tofauti ndogo kwa ujumla kati ya RMSE za mafunzo na majaribio kama ishara ya utendaji unaolingana kwa kiasi kikubwa katika sampuli za held-out. Katika baadhi ya marudio, RMSE ya majaribio kuwa chini ya RMSE ya mafunzo ilitathminiwa kama mabadiliko ya usampulishaji yanayoweza kuelezwa na seti ndogo ya majaribio ya nasibu kuwa yenye ulinganifu zaidi au yenye uchunguzi unaotabirika kwa urahisi zaidi.

Maana ya kiutendaji ya ukubwa huu wa RMSE inategemea kipimo na utofauti wa tokeo. Thamani ziko katika kipimo cha modeli baada ya urekebishaji wa min–max; si kosa la alama za mtihani wa IELTS.

Uchanganuzi wa unyeti wa ANN

Mpangilio wa PLS-SEM na ANN kwa ujumla unaungana. Katika kusikiliza, PENJ iko nafasi ya kwanza kwa LA; katika kusoma, PU iko nafasi ya kwanza kwa LA. Katika Modeli 1 ya kusikiliza, mpangilio wa chini wa PEOU na SE una tofauti ndogo kati ya PLS-SEM na ANN, lakini muundo mkuu wa kimuktadha haubadiliki.

Ukaguzi wa uimara

Ili kuona kama wanafunzi wa sekondari wenye umri wa miaka 18 na zaidi, ambao walikuwa %6,1 ya sampuli, waliathiri matokeo makuu, washiriki hawa waliondolewa na PLS-SEM pamoja na MGA zikakadiriwa upya.

Katika uchanganuzi huu, nadharia tete sita kuu ziliungwa mkono tena. Kwa PU → LA, \(\beta=0.313\); kwa PEOU → LA, \(\beta=0.225\); kwa PENJ → LA, \(\beta=0.254\); kwa SE → LA, \(\beta=0.176\); kwa SE → CLI, \(\beta=0.346\); na kwa LA → CLI, \(\beta=0.356\); njia zote ni \(p<0.001\).

Tofauti mbili kuu za ulinganisho wa kusikiliza–kusoma pia zilidumu: PU → LA ilibaki na nguvu zaidi katika kusoma, na PENJ → LA ilibaki na nguvu zaidi katika kusikiliza. Wanafunzi wa sekondari walipoondolewa, tofauti ya vikundi ya PU iliripotiwa kuwa −0,186 na tofauti ya vikundi ya PENJ 0,181; zote mbili ni \(p<0.05\).

Je, Utafiti Huu Unathibitisha Kwamba Mfumo wa IELTS Unaosaidiwa na AI Huongeza Mafanikio ya Kujifunza?

Hapana. Utafiti haupimi ongezeko halisi la alama za IELTS, tabia ya matumizi ya muda mrefu au mafanikio ya ujifunzaji ya kimajaribio; unachunguza mahusiano kati ya mitazamo ya wanafunzi kuhusu teknolojia, mtazamo wa kujifunza na nia ya kuendelea kutumia mfumo katika siku zijazo kwa kutumia taarifa za kujiripoti zilizokusanywa katika nukta moja ya wakati.

Maana ya tofauti kati ya kusikiliza na kusoma

Kwa mujibu wa tafsiri ya kinadharia ya waandishi, kusikiliza kunaweza kufanya iwe vigumu kwa mwanafunzi kudumisha umakini na ushiriki kwa sababu ya ingizo la sauti la muda mfupi, shinikizo la muda na hitaji la uchakataji wa wakati halisi. Kwa hiyo, furaha na uzoefu chanya vinaweza kuwa na uhusiano wenye nguvu zaidi na mtazamo wa kujifunza katika muktadha wa kusikiliza.

Katika kusoma, mwanafunzi anaweza kurudi kwenye matini, kurekebisha kasi, kutumia mkakati na kutathmini kwa uwazi zaidi ni kwa kiasi gani uchunguzi wa makosa au usaidizi wa ufahamu wa matini wa mfumo unachangia moja kwa moja mafanikio ya kazi. Kwa hiyo, mtazamo wa manufaa ya kiutendaji unaweza kuwa umejitokeza kama kiamuzi chenye nguvu zaidi cha mtazamo katika kusoma.

Hata hivyo, utafiti hauthibitishi maelezo haya kama “asili isiyobadilika ya stadi za lugha”. Moduli ya kusikiliza ya jukwaa lililotumika ilikuwa na mazoezi mengi zaidi ya kurudia na mrejesho shirikishi wa papo hapo, huku moduli ya kusoma ikizingatia zaidi uchunguzi na usaidizi wa kazi. Kwa hiyo, tofauti iliyobainishwa inaweza kuwa matokeo ya pamoja ya sifa za kazi na muundo wa jukwaa.

Matokeo yanayoungwa mkono na utafiti

• Manufaa yanayotambuliwa, urahisi wa matumizi, furaha na imani katika uwezo binafsi vina uhusiano chanya na mtazamo wa kujifunza.
• Mtazamo wa kujifunza na imani katika uwezo binafsi vina uhusiano chanya na nia ya kuendelea kujifunza.
• PU, PEOU, PENJ na SE zina athari zisizo za moja kwa moja zenye umuhimu kwa CLI kupitia LA.
• Katika muktadha wa kusikiliza, njia ya PENJ → LA ina nguvu zaidi kwa kiwango chenye umuhimu kuliko katika kusoma.
• Katika muktadha wa kusoma, njia ya PU → LA ina nguvu zaidi kwa kiwango chenye umuhimu kuliko katika kusikiliza.
• Katika njia za PEOU → LA, SE → LA, SE → CLI na LA → CLI, hakuna tofauti ya njia yenye umuhimu iliyoonekana kati ya miktadha miwili.
• Mpangilio wa umuhimu wa jamaa wa ANN unaunga mkono muundo mkuu wa kimuktadha wa MGA.
• Katika uchanganuzi wa uimara ambapo wanafunzi wa sekondari waliondolewa, matokeo makuu kwa kiasi kikubwa yalidumu.

Matokeo ambayo utafiti hauungi mkono

Utafiti hauonyeshi kwamba furaha huongeza alama za kusikiliza za IELTS, kwamba manufaa yanayotambuliwa huongeza utendaji wa kusoma wa IELTS, kwamba ANN hutabiri mafanikio ya IELTS, kwamba ITS inayotegemea AI ni bora kuliko mwalimu wa binadamu, kwamba wanafunzi kwa kweli wataendelea kutumia mfumo kwa muda mrefu, au kwamba mahusiano yaliyopatikana ni ya kisababishi kwa uhakika.

Vikwazo vikuu

Muundo wa mkato: Kwa kuwa data zilikusanywa katika nukta moja ya wakati, mabadiliko ya motisha, mtazamo na nia ya matumizi kwa muda hayakufuatiliwa. Hitimisho kali la kisababishi haliwezi kutolewa.

Kujiripoti: Vigezo vya msingi ni majibu ya wanafunzi wenyewe. Ingawa ukaguzi wa kitakwimu wa CMB ulifanywa, vikwazo vyote vya data za kujiripoti haviwezi kuondolewa.

Usampulishaji wenye kusudi na wa mtandaoni: Watumiaji wa Credamo wanaweza kuwawakilisha kupita kiasi watu wanaotumia intaneti mara nyingi zaidi na waliozoea zaidi teknolojia za kidijitali. Ushiriki wa hiari pia unaweza kusababisha kuchaguliwa kwa watu wenye hamu zaidi ya ujifunzaji wa AI. Sampuli si uwakilishi wa nasibu wa wanaojifunza IELTS wote.

Kikomo cha kijiografia/kitamaduni: Sampuli inategemea hasa wanaojifunza IELTS nchini China. Ujumlishaji wa moja kwa moja wa matokeo kwa nchi, tamaduni na mifumo tofauti ya elimu haujathibitishwa.

Jukwaa moja: Mfumo mmoja tu wa maandalizi ya IELTS unaotegemea AI ulitumika. Muundo wa kipekee wa mwingiliano, mrejesho na uchunguzi wa jukwaa unaweza kuathiri matokeo.

Upimaji uliorekebishwa kwa muktadha: Ingawa hojaji za kusikiliza na kusoma ziliandaliwa kupima miundo ileile ya dhana, vipengele vilirekebishwa kulingana na muktadha wa kazi husika. Hata kama kutobadilika kwa upimaji kwa sehemu kulipatikana, si hakika kwamba tofauti zote za vikundi zilitokana tu na aina ya kazi.

Upeo wa modeli: Vigezo vingine vinavyowezekana kama vile uaminifu katika teknolojia, haki ya kialgorithimu inayotambuliwa, usaidizi wa mwalimu, uwepo wa kiufundishaji, mrejesho wa uchanganuzi wa ujifunzaji na utawala wa teknolojia ya elimu havikujumuishwa katika modeli.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: 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

Waandishi: Sunyu Tao, Hongfeng Zhang, Shenglin Liu.

Mpangilio wa waandishi: Mpangilio katika chanzo umehifadhiwa bila kubadilishwa.

Mchango sawa: Chanzo hakijaonyesha uandishi mwenza wa kwanza au alama ya mchango sawa.

Mwandishi wa mawasiliano: Hongfeng Zhang.

Uhusiano wa taasisi 1: Faculty of Humanities and Social Sciences, Macao Polytechnic University, Macao 999078, China.

Uhusiano wa taasisi 2: School of Management, Universiti Sains Malaysia, Pulau 11800, Penang, Malaysia.

Jarida: Education Sciences.

Mchapishaji: MDPI.

Taarifa za uchapishaji: 2026, Volume 16, Article 1526.

DOI: 10.3390/educsci16091526.

Kiungo rasmi cha uchapishaji: Rekodi ya makala ya MDPI Education Sciences kupitia DOI.

Tarehe ya kuwasilisha: 9 Julai 2026.

Tarehe ya marekebisho: 11 Septemba 2026.

Tarehe ya kukubaliwa: 15 Septemba 2026.

Tarehe ya uchapishaji katika PDF: 16 Septemba 2026.

Dokezo la toleo: Rekodi rasmi ya Article Version Notes ya MDPI inaonyesha kwamba baada ya Version of Record ya 16 Septemba 2026, faili za PDF/HTML zilisasishwa tarehe 17 Septemba 2026. Maandishi haya ya Verianla yanategemea maudhui ya kisayansi ya PDF iliyotolewa na mtumiaji.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu. Utafiti wa uchunguzi/uhusiano wa muundo wa mkato, usampulishaji wenye kusudi na hojaji ya kujiripoti; unatumia kwa pamoja mbinu za PLS-SEM, MICOM, MGA na ANN.

Hali ya mapitio ya wataalamu: Ni makala iliyopitiwa na wataalamu iliyochapishwa katika Education Sciences.

Leseni: PDF inaeleza kwamba makala iko katika ufikiaji wazi chini ya leseni ya Creative Commons Attribution (CC BY). Nambari ya ziada ya toleo la CC haijadhaniwa kutokana na rekodi ya maandishi katika PDF.

Sampuli: Hojaji 494 halali kati ya hojaji 522 zilizokusanywa; kusikiliza n=247, kusoma n=247.

Kipindi cha ukusanyaji wa data: Februari–Aprili 2026.

Jukwaa la ukusanyaji wa data: Credamo.

Programu za uchanganuzi: SmartPLS 4, SPSS 27.0 na G*Power 3.1.9.7 katika uchanganuzi wa sampuli/nguvu.

Kamati ya maadili: Macao Polytechnic University Research Committee; Approval No. RP/FCHS-01/2023/E01, 30 Novemba 2023.

Ridhaa yenye taarifa: Ilipatikana kutoka kwa washiriki wote.

Ufadhili: Utafiti uliungwa mkono na Macao Polytechnic University kwa nambari RP/FCHS-01/2023.

Upatikanaji wa data: Imeelezwa kwamba data za utafiti zinaweza kupatikana kutoka kwa mwandishi wa mawasiliano kwa ombi lenye msingi.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana Sunyu Tao; mbinu Sunyu Tao na Hongfeng Zhang; programu Sunyu Tao na Shenglin Liu; uthibitishaji Sunyu Tao na Shenglin Liu; uchanganuzi rasmi Sunyu Tao; utafiti Sunyu Tao; rasilimali Hongfeng Zhang; usimamizi wa data Sunyu Tao na Shenglin Liu; rasimu ya kwanza Sunyu Tao; mapitio na uhariri Hongfeng Zhang; uonyeshaji Sunyu Tao; usimamizi wa kitaaluma Hongfeng Zhang; usimamizi wa mradi Hongfeng Zhang; upatikanaji wa ufadhili Hongfeng Zhang.

Kutokulingana ndani ya chanzo 1 — maelezo ya Fornell–Larcker: Ingawa matini kuu inaeleza uhusiano wa juu zaidi wa miundo kuwa 0,48, katika Jedwali 3 uhusiano wa PU–LA unaonekana kuwa 0,518. Verianla haijabadilisha thamani ya jedwali.

Kutokulingana ndani ya chanzo 2 — kikomo cha juu cha HTMT: Ingawa matini inaandika masafa ya HTMT kuwa 0,159–0,596, katika Jedwali 4 thamani ya HTMT ya PU–LA ni 0,651. Verianla imetumia 0,651 inayoonekana kwenye jedwali kama thamani sahihi.

Kutokulingana ndani ya chanzo 3 — masafa ya VIF ya kimuundo: Katika maelezo ya modeli ya kimuundo, masafa ya VIF yameandikwa kuwa 1,088–1,239; katika Jedwali 5, mstari wa PENJ → LA una VIF=1,247. Verianla haibadilishi thamani hii kimya kimya.

Kutokulingana ndani ya chanzo 4 — thamani ya p ya athari isiyo ya moja kwa moja ya PEOU: Matini kabla ya Jedwali 6 inatumia p<0,01 kwa PEOU → LA → CLI, huku Jedwali 6 likitoa p<0,001. Katika jedwali kuu la matokeo, thamani iliyo wazi ya Jedwali 6 imehifadhiwa na tofauti imeelezwa hapa.

Kikomo cha tafsiri ya ANN: Matokeo ya ANN yanatabiri thamani za kipimo za LA na CLI; hayatabiri alama halisi za kusoma/kusikiliza za IELTS. Matokeo ya RMSE ni ya kipimo baada ya urekebishaji wa min–max.

Kikomo cha tafsiri ya MGA: Kutobadilika kwa upimaji kwa sehemu kulianzishwa kwa miktadha ya kusikiliza na kusoma; kutobadilika kamili hakukupatikana katika miundo yote. Fomu mbili za hojaji zilirekebishwa kulingana na muktadha wa kazi.

Kikomo cha usababishaji: Utafiti ni wa mkato. Maneno “athari” na “njia” ni lugha ya uhusiano wa kitakwimu katika modeli ya PLS-SEM; hayamaanishi usababishaji wa kimajaribio.