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

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.

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 предметноязыкового 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 language 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 writing 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 learner 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 reviews 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 // Multimedia-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 Technology, 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