Application of generative AI technologies in adult foreign language learning: peer mentoring

Cover Page

Cite item

Full Text

Abstract

Importance. The shift towards a post-industrial society, coupled with the economy and social life digitalisation, has precipitated substantial changes in the labour market. This has engendered a crisis in higher education, marked by waning interest in higher education that does not align with the needs of employers. One potential solution to this predicament lies in the integration of knowledge-intensive technologies into the educational process. The aim of the research is to describe the experience of implementing the pedagogical technology ‘peer mentoring’ in the process of teaching English for Specific Purposes to humanities students with the use of AI-technologies and to analyze the results obtained.

Materials and Methods. The following scientific methods are employed: experiment, observation, formalized questionnaire, comparative analysis, expert evaluation, self-assessment, statistical methods.

Results and Discussion. The impact of peer mentoring in ESP training with the use of AI technologies on the communicative and digital competencies development has been demonstrated. At the conclusion of the experiment, a statistically significant increase in the communicative (Δ х̅  = +0.94 points, ΔМо = +1 point) and digital (Δ х̅  = +1 point, ΔМо = +1 point) competences formation level is revealed. 

Conclusion. Peer mentoring technology can to a certain extent mitigate the lack of preparedness among foreign language teachers to incorporate AI into the teaching process. There is an acknowledged necessity for two key areas of focus: the retraining of university teachers in the domain of AI technologies in education, and the development of concepts for a university of the future that is integrated with AI. This will facilitate the cultivation of a set of professional and universal competencies that are in demand by the rapidly evolving labour market.

About the authors

I. E. Abramova

Petrozavodsk State University

Author for correspondence.
Email: lapucherabr@gmail.com
ORCID iD: 0000-0002-1263-3599

Dr. Sci. (Philology), Associate Professor, Head of Foreign Languages in Humanities Department, Honorary Worker of Higher Professional Education of the Russian Federation

Russian Federation, 33 Lenina Ave., Petrozavodsk, 185035, Russian Federation

References

  1. Butterfield D. (2024). Decline and fall: how university education became infantilized. The Spectator. Available at: https://www.spectator.co.uk/article/decline-and-fall-how-university-education-became-infantilised (accessed: 07.11.2024).
  2. Pelletier K., McCormack M., Muscanell N., Reeves J., Robert J., Arbino N. (2024). 2024 EDUCAUSE Horizon Report, Teaching and Learning Edition. Boulder, 46 p.
  3. Liao H, Xiao H, Hu B. (2023). Revolutionizing ESL teaching with generative artificial intelligence – take ChatGPT as an example. International Journal of New Developments in Education, vol. 5, issue 20, pp. 39-46. https://doi.org/10.25236/IJNDE.2023.052008
  4. Prasad B.N., Jaheer B. (2023). The use of AI (artificial Intelligence) in English learning among engineering stu-dents: a case study. International Journal of English Learning & Teaching Skills, vol. 5, issue 4, pp. 3500-3508. https://doi.org/10.15864/ijelts.5410
  5. Anh L.T.Q. (2024). AI Chatbots in English language learning: a critical review. Journal of Knowledge Learning and Science Technology, vol. 3, no. 2, pp. 185-195. https://doi.org/10.60087/jklst.vol3.n2.p195
  6. Wei L. (2023). Artificial intelligence in language instruction: impact on English learning achievement, L2 moti-vation, and self-regulated learning. Frontiers in Psychology, vol. 14, art. 1261955. https://doi.org/10.3389/fpsyg.2023.1261955
  7. Manire E.A., Kilag O.K.T., Cordova Jr.N.A. et al. (2023). Artificial Intelligence and English Language learning: a systematic review. Excellencia: International Multi-disciplinary Journal of Education, vol. 1, no. 5, pp. 485-497.
  8. Klamma R., de Lange P., Neumann A.T., Hensen B. (2020). Scaling Mentoring Support with Distributed Artifi-cial Intelligence. Intelligent Tutoring Systems. Lecture Notes in Computer Science. Cham, vol. 12149, pp. 38-44. https://doi.org/10.1007/978-3-030-49663-0_6
  9. Sharples M. (2023). Towards social generative AI for education: theory, practices and ethics. Learning: Re-search and Practice, vol. 9, issue 2, pp. 159-167. https://doi.org/10.1080/23735082.2023.2261131
  10. Pack A., Maloney J. (2024). Using artificial intelligence in TESOL: some ethical and pedagogical considerations. TESOL Quarterly, vol. 58, issue 2, pp. 1007-1018. https://doi.org/10.1002/tesq.3320
  11. Sysoyev P.V. (2024). The use of artificial intelligence technologies in foreign language teaching: the subject of methodological works for 2023 and prospects for further research. Vestnik Tambovskogo universiteta. Seriya: Gumanitarnye nauki = Tambov University Review. Series: Humanities, vol. 29, no. 2, pp. 294-308. (In Russ.) https://doi.org/10.20310/1810-0201-2024-29-2-294-308, https://elibrary.ru/cwzkhs
  12. Sysoyev P.V., Filatov E.M., Evstigneev M.N., Polyakov O.G., Evstigneeva I.A., Sorokin D.O. (2024). A matrix of artificial intelligence tools in pre-service foreign language teacher training. Vestnik Tambovskogo universiteta. Seriya: Gumanitarnye nauki = Tambov University Review. Series: Humanities, vol. 29, no. 3, pp. 559-588. (In Russ.) https://doi.org/10.20310/1810-0201-2024-29-3-559-588, https://elibrary.ru/jazkme
  13. Evstigneev M.N. (2024). Principles of foreign language teaching based on artificial intelligence technologies. Vestnik Tambovskogo universiteta. Seriya: Gumanitarnye nauki = Tambov University Review. Series: Humani-ties, vol. 29, no. 2, pp. 309-323. (In Russ.) https://doi.org/10.20310/1810-0201-2024-29-2-309-323, https://elibrary.ru/ygipmo
  14. Brown L. (2020). Contemporary peer mentoring in higher education. Accessibility and Diversity in the 21st Cen-tury University. Phoenix, pp. 177-197. https://doi.org/10.4018/978-1-7998-2783-2.CH009
  15. Snowden M., Hardy T. (2012). Peer mentorship and positive effects on student mentor and mentee retention and academic success. Widening Participation and Lifelong Learning, no. 14, pp. 76-92. https://doi.org/10.5456/WPLL.14.S.76
  16. Bussu A., Burton S. (2023). Higher education peer mentoring programme to promote student community build-ing using Mobile Device Applications. Groupwork, vol. 30, no. 2, pp. 54-71. https://doi.org/10.1921/gpwk.v30i2.1636
  17. O’Brien M., Llamas M., Stevens E. et al. (2012). Lessons learned from four years of peer mentoring in a tiered group program within education. Journal of the Australian and New Zealand Student Services Association, no. 40, pp. 7-15.
  18. Estrela A., Ferreira P., Boléo A. et al. (2021). Peer learning: Mentoring in a Portuguese as a foreign language course. Educational Role of Language Journal, vol. 4, issue 4, pp. 68-78. http://doi.org/10.36534/erlj.2020.02.07
  19. Abramova I.E., Anan’ina A.V., Esengalieva A.M. (2023). Model of tertiary foreign language teaching for in-creasingly digital professional environment: theoretical and practical aspects. Vestnik Tomskogo gosudarstven-nogo universiteta = Tomsk State University Journal, no. 489, pp. 162-172. https://doi.org/10.17223/15617793/489/16, https://elibrary.ru/dltvfo
  20. Sysoyev P.V. (2023). Artificial intelligence in education: awareness, readiness and practice of using artificial intelligence technologies in professional activities by university faculty. Vysshee obrazovanie v Rossii = Higher Education in Russia, no. 32 (10), pp. 9-33. (In Russ.) https://doi.org/10.31992/0869-3617-2023-32-10-9-33, https://elibrary.ru/tzytkm
  21. Abusahyon A.S.A.E., Alzyoud A., Alshorman O. et al. (2023). AI-driven technology and Chatbots as tools for enhancing English language learning in the context of second language acquisition: a review study. In-ternational Journal of Membrane Science and Technology, vol. 10, issue 1, pp. 1209-1223. http://doi.org/10.15379/ijmst.v10i1.2829

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

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».