Zheng Liang Sun

Artificial intelligence (AI) is increasingly embedded in second language (L2) learning, yet the cognitive demands of AI-mediated environments, particularly for logographic languages such as Chinese, remain underexplored. This study investigated the interrelationships among executive function (EF), reading-related linguistic skills, AI literacy, and Chinese L2 reading comprehension in 155 Form 4 Southeast Asian ethnic minority students in Hong Kong. Using a quantitative design, we validated a three-factor EF model (working memory, cognitive flexibility, inhibitory control) and examined how these components, together with orthographic and morphological skills, relate to L2 reading outcomes. Structural equation modeling showed that all three EF components significantly predicted reading comprehension, underscoring the importance of executive control for processing a complex logographic script. AI literacy significantly supported both foundational reading skills and overall reading comprehension. A key finding of the integrated model is that cognitive flexibility significantly predicted AI literacy, which in turn significantly predicted reading comprehension, indicating an indirect pathway from EF to reading via AI literacy. This pattern highlights the cognitive underpinnings of digital engagement in L2 learning. The study extends the Reading Systems Framework by positioning AI literacy as an external scaffold that interacts with learners’ cognitive resources, and offers practical implications for designing cognitively supportive, AI-enhanced Chinese L2 instruction for ethnic minority learners.

هوش مصنوعی (AI) به طور فزاینده‌ای در یادگیری زبان دوم (L2) ادغام می‌شود، اما الزامات شناختی محیط‌های مبتنی بر هوش مصنوعی، به ویژه برای زبان‌های لوگوگرافی مانند چینی، همچنان کمتر مورد بررسی قرار گرفته‌اند. این پژوهش به بررسی روابط متقابل میان کارکرد اجرایی (EF)، مهارت‌های زبانی مرتبط با خواندن، سواد هوش مصنوعی و درک مطلب خواندن زبان چینی به عنوان زبان دوم در ۱۵۵ دانش‌آموز اقلیت قومی جنوب شرق آسیا در پایه چهارم متوسطه در هنگ‌کنگ پرداخت. با استفاده از طرح کمی، یک مدل سه‌عاملی کارکرد اجرایی (حافظه کاری، انعطاف‌پذیری شناختی، کنترل بازداری) اعتبارسنجی شد و بررسی گردید که این مؤلفه‌ها، همراه با مهارت‌های املایی و واژگانی، چگونه با پیامدهای خواندن زبان دوم مرتبط هستند. مدل‌یابی معادلات ساختاری نشان داد که هر سه مؤلفه کارکرد اجرایی به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کنند و اهمیت کنترل اجرایی برای پردازش خط لوگوگرافی پیچیده را برجسته می‌سازند. سواد هوش مصنوعی به طور معناداری از هر دو مهارت پایه‌ای خواندن و درک مطلب کلی حمایت کرد. یافته کلیدی مدل یکپارچه این است که انعطاف‌پذیری شناختی به طور معناداری سواد هوش مصنوعی را پیش‌بینی می‌کند و سواد هوش مصنوعی نیز به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کند، که به یک مسیر غیرمستقیم از کارکرد اجرایی به خواندن از طریق سواد هوش مصنوعی اشاره دارد. این الگو بر بنیان‌های شناختی مشارکت دیجیتال در یادگیری زبان دوم تأکید می‌کند. این پژوهش چارچوب سیستم‌های خواندن را با قرار دادن سواد هوش مصنوعی به عنوان یک تکیه‌گاه بیرونی که با منابع شناختی یادگیرندگان تعامل دارد، گسترش می‌دهد و پیامدهای عملی برای طراحی آموزش زبان چینی به عنوان زبان دوم مبتنی بر هوش مصنوعی و حمایت‌کننده شناختی برای یادگیرندگان اقلیت قومی ارائه می‌دهد.