ELT in the Age of Artificial Intelligence: Exploring the Pedagogical Potential of AI-Generated Podcasts

Niniejsze badanie analizuje właściwości językowe podcastów generowanych przez sztuczną inteligencję oraz sprawdza, czy Audio Overviews tworzone przez Notebook LM mogą być wykorzystywane jak materiały nagrane przez ludzi w nauczaniu języka angielskiego jako obcego. Postawiono pytania badawcze: jakie podobieństwa i różnice językowe istnieją między podcastami generowanymi przez sztuczną inteligencję a nagranymi przez ludzi oraz w jaki sposób uczniowie na poziomie ponad średnio-zaawansowanym i zaawansowanym postrzegają i oceniają oba typy materiałów. Zastosowano metodologię mieszaną, łącząc porównawczą analizę korpusową z ankietą percepcyjną. Dwa korpusy skompilowano przy użyciu SketchEngine, jeden z transkrypcji nagrań ludzkich i jeden z materiałów wygenerowanych przez Notebook LM, i przeanalizowano w ramach podejścia konfirmacyjnego opartego na modelu zróżnicowania rejestrów Bibera (1988). Analiza obejmuje współczynnik typów do tokenów, częstotliwość słów kluczowych, gęstość n-gramów, proporcje części mowy, rozkład słów treściowych i funkcyjnych. Ujawniono spójne różnice: korpus nagrań ludzkich wykazuje cechy produkcji zaangażowanej, charakteryzując się wysoką powtarzalnością leksykalną, gęstymi sekwencjami formulaicznymi, licznymi markerami dyskursu i częstymi słowami funkcyjnymi, podczas gdy korpus sztucznej inteligencji wykazuje cechy produkcji informacyjnej. Ankieta wykazała, że uczestnicy rozpoznawali oba typy fragmentów z dużą dokładnością, kojarząc mowę ludzką z emocjami i niedoskonałościami, a mowę sztucznej inteligencji z perfekcją. Mimo to większość uznała język sztucznej inteligencji za autentyczny, a wszyscy zgodzili się, że jego pochodzenie powinno być ujawniane. Badanie pokazuje, że choć podcasty generowane przez sztuczną inteligencję nie odwzorowują w pełni cech ludzkiego mówionego języka angielskiego, odpowiadają szerokiej koncepcji autentyczności Gilmore'a (2007) i mogą służyć jako materiały dydaktyczne, gdy towarzyszą im zadania zaprojektowane zgodnie z zasadami autentyczności zadań Mishan (2017).

This study investigates the linguistic properties of AI-generated podcast speech and examines whether NotebookLM-generated Audio Overviews can be used in the same way as human-produced materials in English as a Foreign Language teaching contexts. The following research questions are addressed: what linguistic differences and similarities exist between AI-generated and human-produced podcasts, and how upper-intermediate to advanced learners perceive and evaluate the two types of material. A mixed-methods design is employed, combining a comparative corpus-based analysis with a perception survey. Two corpora were compiled using SketchEngine, one of transcriptions of human-produced podcasts and one of NotebookLM Audio Overviews, and analysed using a confirmatory framework grounded in Biber's (1988) model of register variation. The analysis examines type-token ratio, keyword frequency, n-gram density, part-of-speech ratios, and content and function word distribution. Consistent differences are revealed: the human-produced corpus aligns with Biber's involved production, characterised by high lexical repetition, dense formulaic sequences, rich discourse markers, and high function word frequency, while the AI-generated corpus exhibits features of informational production. The survey revealed that participants identified human-produced and AI-generated extracts with reasonable accuracy, associating human speech with emotion and imperfection and AI speech with perfection. Despite this, a majority considered AI-generated English authentic, and all agreed AI-generated English should be disclosed. The study concluded that while AI-generated podcasts do not fully replicate features of human-produced spoken English, they meet Gilmore’s broad conception of authenticity (2007) and may serve as pedagogically viable materials when paired with tasks designed according to Mishan's (2017) principles of task authenticity.