Цифровая поддержка трёхэтапной модели П. Нэйшена в обучении строительной терминологии на английском языке: квазиэксперимент
https://doi.org/10.21686/1818-4243-2026-4-12-22
Аннотация
Цель. Оценить эффективность интеграции цифровых инструментов в трёхэтапную модель усвоения профессиональной лексики (замечание – извлечение – творческое использование) у студентов инженерных направлений и определить, обеспечивает ли системное соответствие инструмента когнитивной задаче этапа преимущество перед традиционным обучением. Профессиональная иноязычная компетенция критически важна для инженеров, однако значительная часть терминологии остаётся в пассивном словаре, а фрагментарное применение цифровых инструментов эту проблему не решает.
Материалы и методы. Квазиэксперимент с неэквивалентными группами проведён со студентами 2-го курса строительных специальностей (71 человек: контрольная группа – 35, экспериментальная – 36) в рамках курса английского языка для профессиональных целей. Материалом послужил модуль «Building Materials» («Строительные материалы») авторского пособия: 50 ключевых терминов в 7 текстах, 32 академических часа. Объём учебного времени и содержание у групп совпадали; различался только способ организации деятельности. В экспериментальной группе каждый этап модели Нэйшена поддерживался цифровыми инструментами: замечание – корпусные сервисы (SKELL, Ludwig.guru) и платформы искусственного интеллекта (Qwen, GigaChat); извлечение – интервальное повторение и геймификация (Quizlet, Wordwall, JeopardyLabs); творческое использование – продуктивные задания пособия с поддержкой Perplexity и Twee, а также итоговые ситуативные игры (цифровой квест в PowerPoint и ролевая игра в Genially). Измерялись прирост рецептивной лексики, продуктивное использование (лексическая плотность и точность коллокаций), удержание знаний через четыре недели и мотивация. Данные обрабатывались с проверкой нормальности (критерий Шапиро – Уилка), t-критерием Стьюдента, с расчётом размера эффекта; качественные данные – методом тематического анализа; надёжность инструментов подтверждена коэффициентами Кронбаха и каппа Коэна.
Результаты. Экспериментальная группа показала прирост рецептивной лексики в 1,4 раза выше контрольной (15,3 против 11,3 балла; p < 0,01; размер эффекта 0,84). В отсроченном тесте через четыре недели потеря знаний составила 14,3% против 22,8% в контрольной группе, что свидетельствует о более прочном удержании. Продуктивное использование терминологии было значимо выше: лексическая плотность – на 47%, точность коллокаций – 69,5% против 58,6%. Студенты экспериментальной группы положительно оценили курс (3,8 из 5,0), при этом наивысший балл получили ситуативные игры этапа творческого использования (4,1), а наименьший – шкала автономности (3,5).
Выводы. Интеграция цифровых инструментов в трёхэтапную модель Нэйшена повышает эффективность усвоения профессиональной лексики по всем измеряемым параметрам – рецептивному знанию, удержанию и продуктивному использованию. Ключевой фактор успеха – системное соответствие каждого инструмента когнитивной задаче конкретного этапа, а не фрагментарное использование технологий. Модель воспроизводима, опирается на доступные в России инструменты и переносима на другие предметные области профессионального иноязычного образования.
Об авторах
М. О. ПолухинаРоссия
Марина Олеговна Полухина, К.п.н., доцент, доцент кафедры педагогики, межкультурной коммуникации и русского как иностранного
Самара
М. В. Юрина
Россия
Мария Валерьевна Юрина, К.фил.н., доцент, доцент кафедры педагогики, межкультурной коммуникации и русского как иностранного
Самара
Список литературы
1. Nation I.S.P. Learning Vocabulary in Another Language. 2nd ed. Cambridge: Cambridge University Press, 2013.
2. Laufer B., Paribakht T.S. The relationship between passive and active vocabularies // Applied Linguistics. 1998. Т. 19. № 2. С. 255–271.
3. Luckin R., Holmes W., Griffiths M., Forcier L.B. Intelligence Unleashed: An Argument for AI as a Tool for Learning. London: Pearson, 2016.
4. Fitria T. N. Artificial intelligence (AI) technology in OpenAI ChatGPT application // ELT Forum. 2023. Т. 12. № 1. С. 44–58.
5. Schmidt R. The role of consciousness in second language learning // Applied Linguistics. 1990. Т. 11. № 2. С. 129–158.
6. Karpicke J.D., Roediger H.L. The critical importance of retrieval for learning // Science. 2008. Т. 319. № 5865. С. 966–968. DOI: 10.1126/science.1152408.
7. Wittrock M.C. Learning as a generative process // Educational Psychologist. 1974. Т. 11. № 2. С. 87–95.
8. Nation I.S.P. Learning Vocabulary in Another Language. Cambridge: Cambridge University Press, 2001.
9. Boulton A. Data-driven learning: Taking the computer out of the equation // Language Learning. 2010. Т. 60. № 3. С. 534–572.
10. Cobb T. From corpus to CALL // Formulaic Sequences / ed. N. Schmitt. Amsterdam: John Benjamins, 2017.
11. Nakata T. Computer-assisted second language vocabulary learning in a paired-associate paradigm // Computer Assisted Language Learning. 2011. Т. 24. № 1. С. 17–38.
12. Dehghanzadeh H., Fardanesh H., Hatami J., Talaee E., Noroozi O. Using gamification to support learning English as a second language: a systematic review // Computer Assisted Language Learning. 2021. Т. 34. № 7. С. 934–957. DOI: 10.1080/09588221.2019.1648298.
13. Kohnke L., Moorhouse B.L., Zou D. ChatGPT for language teaching and learning // RELC Journal. 2023. Т. 54. № 2. С. 537–550. DOI: 10.1177/00336882231162868.
14. Dudley-Evans T., St John M.J. Developments in English for Specific Purposes. Cambridge: Cambridge University Press, 1998.
15. Coxhead A.A new academic word list // TESOL Quarterly. 2000. Т. 34. № 2. С. 213–238.
16. Schmitt N. Vocabulary in Language Teaching. Cambridge: Cambridge University Press, 2000.
17. Chapelle C.A. Computer Applications in Second Language Acquisition. Cambridge: Cambridge University Press, 2001.
18. Титова С.В. Цифровые технологии в обучении иностранным языкам: теория и практика. М.: Эдитус, 2017.
19. Градалева Е.А., Полухина М.О., Юрина М.В. Contemporary Architecture & Design: Developing Motivation in English Language Study Using Traditional Methods and Information Technology. Самара: Самарский государственный технический университет, 2025. 212 с.
20. Karpicke J.D. Metacognitive control and strategy selection // Journal of Experimental Psychology: General. 2009. Т. 138. № 4. С. 469–486.
21. Cohen J. Statistical Power Analysis for the Behavioral Sciences. 2nd ed. Hillsdale: Lawrence Erlbaum, 1988.
22. Braun V., Clarke V. Using thematic analysis in psychology // Qualitative Research in Psychology. 2006. Т. 3. № 2. С. 77–101.
23. Dizon G. Quizlet in the EFL classroom // Teaching English with Technology. 2016. Т. 16. № 2. С. 40–56.
Рецензия
Для цитирования:
Полухина М.О., Юрина М.В. Цифровая поддержка трёхэтапной модели П. Нэйшена в обучении строительной терминологии на английском языке: квазиэксперимент. Открытое образование. 2026;30(4):54-65. https://doi.org/10.21686/1818-4243-2026-4-12-22
For citation:
Polukhina M.O., Yurina M.V. Digital Support of P. Nation’s Three-Stage Model in Teaching Construction Terminology in English: a Quasi-Experiment. Open Education. 2026;30(4):54-65. (In Russ.) https://doi.org/10.21686/1818-4243-2026-4-12-22
JATS XML































