Использование корректирующей обратной связи от генеративного искусственного интеллекта в обучении профессиональному иностранному языку студентов аграрного вуза

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Методический потенциал оценочной корректирующей обратной связи от средств генеративного искусственного интеллекта (ИИ) начинает использоваться педагогами при обучении учащихся и студентов письменному иноязычному высказыванию. Вместе с тем использование внеаудиторной практики студентов неязыкового вуза с инструментами ИИ с целью получения корректирующей обратной связи в предметно-языковом интегрированном обучении профессиональному иностранному языку отдельно не изучалось. Цель исследования – разработка этапов методики использования корректирующей обратной связи от генеративного ИИ в обучении профессиональному иностранному языку, проведение экспериментального обучения и эмпирическая проверка эффективности данной методики.

Материалы и методы. В исследовании приняли участие студенты направления подготовки «Ветеринария» ФГБОУ ВО «Воронежский государственный аграрный университет имени императора Петра I. Студенты контрольной группы (N = 43) участвовали в предметноязыковом интегрированном обучении без использования средств генеративного ИИ. Студенты экспериментальной группы (N = 43) раз в неделю участвовали во внеаудиторной работе с нейросетью DeepSeek с целью получения оценочной корректирующей обратной связи при выполнении интегрированных заданий. В ходе эксперимента контролировались три аспекта: а) лексическая сторона речи; б) грамматическая сторона речи; в) профессиональное содержание высказывания. Для статистического анализа данных использовался t-критерий Стьюдента.

Результаты исследования. Исследование доказало эффективность методики использования оценочной корректирующей обратной связи от генеративного ИИ в предметноязыковом интегрированном обучении по всем контролируемым аспектам: а) лексической стороне речи (t = 5,24 при p ≤ 0,05); б) грамматической стороне речи (t = 4,74 при p ≤ 0,05); в) профессиональному содержанию высказывания (t = 6,04 при p ≤ 0,05).

Выводы. В ходе исследования была разработана поэтапная методика использования оценочной корректирующей обратной связи от генеративного ИИ в предметно-языковом интегрированном обучении. Перспективность настоящего исследования заключается в использовании подхода по интеграции практики студентов с профессионально ориентированными инструментами ИИ в предметно-языковое обучение студентов неязыкового вуза.

Об авторах

Ю. В. Токмакова

Воронежский государственный аграрный университет им. императора Петра I

Email: tokmakova.jul@yandex.ru
ORCID iD: 0000-0001-8160-8816

кандидат педагогических наук, доцент кафедры русского и иностранных языков

Россия, 394087, Российская Федерация, г. Воронеж, ул. Мичурина, 1

Е. С. Саенко

Воронежский государственный аграрный университет им. императора Петра I

Автор, ответственный за переписку.
Email: lazer_helen@mail.ru
ORCID iD: 0000-0003-3456-2784

кандидат педагогических наук, доцент кафедры русского и иностранных языков

Россия, 394087, Российская Федерация, г. Воронеж, ул. Мичурина, 1

Список литературы

  1. Marsh D. Bilingual Education and Content and Language Integrated Learning. Paris: International Association for Cross-cultural Communication, Language Teaching in the Member State of the European Union (Lingua), University of Sorbonne, 1994.
  2. Coyle D. Meaning-making, language learning and language using: an integrated approach. Inclusive pedagogy across the curriculum // International Perspectives on Inclusive Education. 2015. Vol. 7. P. 235-258. https://doi.org/10.1108/S1479-363620150000007021
  3. Milla R., de Pilar Garcia Mayo M. Teachers’ oral corrective feedback and learners’ uptake in high school CLIL and EFL classrooms // Vigo International Journal of Applied Linguistics. 2021. Vol. 18. P. 149-176. http://doi.org/10.35869/vial.v0i18.3368, https://elibrary.ru/nnuiwj
  4. Lacabex E.G., Gallardo-Del-Puerto F. Explicit phonetic instruction vs. implicit attention to native exposure: phonological awareness of English schwa in CLIL // IRAL – International Review of Applied Linguistics in Language Teaching. 2020. Vol. 58. № 4. P. 419-442. http://doi.org/10.1515/iral-2017-0079
  5. Jafarigohar M., Divsar H., Etemad P. The effect of CLIL context on the primary education EFL receptive and productive lexical growth // Language Teaching Research. 2022. Vol. 3. Issue 3. P. 1114-1138. https://doi.org/10.1177/13621688221078997, https://elibrary.ru/ratysp
  6. Lucas C. The reading and writing connections in developing overall L2 literacy: a case study // Languages. 2020. Vol. 5. № 4. P. 1-25. http://doi.org/10.3390/languages5040069, https://elibrary.ru/yabpte
  7. Сысоев П.В., Белоусов А.С. Разработка методики профориентационного обучения иностранному языку обучающихся гуманитарного профильного класса на основе интегрированного подхода // Перспективы науки и образования. 2022. № 5 (59). С. 247-263. http://doi.org/10.32744/pse.2022.5.15, https://elibrary.ru/dklnvn
  8. Сысоев П.В., Токмакова Ю.В. Разработка методики предметно-языкового интегрированного обучения студентов аграрного вуза // Перспективы науки и образования. 2022. № 1 (55). С. 221-235. http://doi.org/10.32744/pse.2022.1.14, https://elibrary.ru/edzmxp
  9. Соломатина А.Г. Обучение иностранному языку для профессиональных целей на основе модели интегрированного предметно-языкового обучения в аграрном вузе // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2018. Т. 23. № 173. С. 49-57. http://doi.org/10.20310/1810-0201-2018-23-173-49-57, https://elibrary.ru/wcquqh
  10. Байдикова Т.В. Предметное содержание обучения иностранному языку в профессиональной сфере студентов направления подготовки «Агроинженерия» на основе интегрированного предметно-языкового обучения // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2020. Т. 25. № 184. С. 65-74. http://doi.org/10.20310/1810-0201-2019-25-184-65-74, https://elibrary.ru/vupcfh
  11. Sysoyev P.V., Zavyalov V.V. Teaching English as a foreign language to law students based on content and lan-guage integrated learning approach // Advances in Intelligent Systems and Computing. 2019. № 907. P. 237-244. http://doi.org/10.1007/978-3-030-11473-2_26, https://elibrary.ru/yvgump
  12. Коренев А.А. Стратегии использования искусственного интеллекта для предоставления письменной обратной связи в обучении иностранному языку // Вестник Московского университета. Серия 19: Лингвистика и межкультурная коммуникация. 2024. Т. 27. № 2. С. 68-77. http://doi.org/10.55959/MSU-2074-1588-19-27-2-5, https://elibrary.ru/hizddu
  13. Сысоев П.В., Филатов Е.М. Методика обучения студентов написанию иноязычных творческих работ на основе оценочной обратной связи от искусственного интеллекта // Перспективы науки и образования. 2024. № 1 (67). С. 115-135. https://doi.org/10.32744/pse.2024.1.6, https://elibrary.ru/tmstly
  14. Сысоев П.В., Филатов Е.М., Сорокин Д.О. Обратная связь в обучении иностранному языку: от информационных технологий к искусственному интеллекту // Язык и культура. 2024. № 65. С. 242-261. http://doi.org/10.17223/19996195/65/11, https://elibrary.ru/plzyov
  15. Mizumoto A., Eguchi M. Exploring the potential of using an AI language model for automated essay scoring // Research Methods in Applied Linguistics. 2023. Vol. 2. № 2. Art. 100050. https://doi.org/10.1016/j.rmal.2023.100050, https://elibrary.ru/eiqwqr
  16. Mizumoto A., Shintani N., Sasaki M., Feng Teng M. Testing the viability of ChatGPT as a companion in L2 writ-ing accuracy assessment // Research Methods in Applied Linguistics. 2024. Vol. 3. № 2. Art. 100116. https://doi.org/10.1016/j.rmal.2024.100116, https://elibrary.ru/eyelvk
  17. Pack A., Barrett A., Escalante J. Large language models and automated essay scoring of English language learn-er writing: Insights into validity and reliability // Computers and Education: Artificial Intelligence. 2024. Vol. 6. Art. 100234. https://doi.org/10.1016/j.caeai.2024.100234, https://elibrary.ru/tzakon
  18. Saini A.K., Cope B., Kalantzis M., Zapata G.C. The future of feedback: integrating peer and generative AI re-views to support student work // EdArXiv preprint. 2024. P. 1-57. https://doi.org/10.35542/osf.io/x3dct
  19. Jiang Z., Xu Z., Pan Z., He J., Xie K. Exploring the role of artificial intelligence in facilitating assessment of writing performance in second language learning // Languages. 2023. Vol. 8. № 4. Art. 247. http://doi.org/10.3390/languages8040247
  20. Jayavalan K., Razali A.B. Effectiveness of online grammar checker to improve secondary students’ English narrative essay writing // International Research Journal of Education and Sciences. 2018. Vol. 2. № 1. P. 1-6.
  21. Park J. An AI-based English grammar checker vs. human raters in evaluating EFL learners’ writing // Multime-dia-Assisted Language Learning. 2019. Vol. 22. № 1. P. 112-131. https://doi.org/10. 15702/mall.2019.22.1.112
  22. Perdana I., Farida M. Online grammar checkers and their use for EFL writing // Journal of English Teaching, Applied Linguistics, and Literatures. 2019. Vol. 2. № 2. P. 67-76. https://doi.org/10.20527/jetall.v2i2.7332
  23. Wang J., Brown M.S. Automated essay scoring versus human scoring: a comparative study // Journal of Tech-nology, Learning, and Assessment. 2007. Vol. 6. № 2. P. 1-29.
  24. Zhang M. Contrasting automated and human scoring of essays // R&D Connections. 2013. Vol. 21. P. 1-11.
  25. Прибыткова А.А., Тормышова Т.Ю., Хаустов О.Н. Использование системы автоматизированной оценки Criterion в обучении студентов языковых специальностей написанию эссе на иностранном языке: результаты экспериментальной проверки // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2024. Т. 29. № 2. С. 378-389. https://doi.org/10.20310/1810-0201-2024-29-2-378-389, https://elibrary.ru/aocibl
  26. Сысоев П.В., Филатов Е.М., Хмаренко Н.И., Мурунов С.С. Преподаватель vs искусственный интеллект: сравнение качества предоставляемой преподавателем и генеративным искусственным интеллектом обратной связи при оценке письменных творческих работ студентов // Перспективы науки и образования. 2024. № 5 (71). С. 694-712. http://doi.org/10.32744/pse.2024.5.41, https://elibrary.ru/xzgvgm

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».