DOI: https://doi.org/10.3389/fpsyg.2026.1769964
PMID: https://pubmed.ncbi.nlm.nih.gov/42022410
تاريخ النشر: 2026-04-07
المؤلف: Yanling Lan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تستكشف هذه الورقة البحثية العوامل التي تؤثر على اعتماد طلاب الجامعات على الذكاء الاصطناعي التفاعلي (C-AI) لدعم التعلم، باستخدام إطار عمل التحفيز-الكائن-الاستجابة (S-O-R). تركز الدراسة على كيفية تأثير خصائص مثل استجابة الذكاء الاصطناعي، والتجسيد، والدفء المدرك على الارتباط العاطفي والثقة لدى الطلاب في الذكاء الاصطناعي، مما يؤثر بعد ذلك على سلوكياتهم المتعلقة بالتعلم. أظهر استطلاع أجري مع 538 طالبًا جامعيًا صينيًا أن كل من استجابة الذكاء الاصطناعي والتجسيد تعزز بشكل كبير من ارتباط الطلاب وثقتهم، بينما يعزز الدفء المدرك التفاعل المستمر والانخراط.
تؤكد النتائج على أن الإشارات العاطفية والعلاقاتية في تفاعلات الذكاء الاصطناعي حاسمة للاعتماد، مما يوسع إطار عمل S-O-R من خلال دمج الآليات العاطفية الداخلية في تحليل استخدام التكنولوجيا. تحدد الدراسة مسارًا وسيطًا يتميز بـ “التحفيزات الخارجية-الإدراك العاطفي-تشكيل الثقة-سلوك الاستخدام”، مما يبرز أهمية الارتباط العاطفي والثقة في تشكيل انخراط الطلاب مع C-AI. لا يثري هذا الإطار الشامل الأدبيات الموجودة فحسب، بل يقدم أيضًا رؤى عملية لتصميم أنظمة الذكاء الاصطناعي التعليمية المستجيبة عاطفياً، مما يعزز الاستخدام المتوازن والفعال لأدوات C-AI بين الطلاب.
مقدمة
تناقش مقدمة الورقة البحثية التكامل المتزايد للذكاء الاصطناعي التفاعلي (AI) في التعليم العالي، مع تسليط الضوء على دوره في استشارات الدورات، ودعم الكتابة، والتعلم المخصص. مع مواجهة الطلاب لتعقيدات نفسية واجتماعية متزايدة، بما في ذلك الضغط والإرهاق الأكاديمي، مكنت تطورات نماذج اللغة الكبيرة (LLMs) الذكاء الاصطناعي التفاعلي من إظهار خصائص تجسيدية واستجابة عاطفية. يعد هذا التحول من استرجاع المعلومات إلى الانخراط العلاقي مهمًا، حيث تشير الأدلة التجريبية إلى أن أنظمة الذكاء الاصطناعي القادرة على التعرف على مشاعر الطلاب والاستجابة لها يمكن أن تعزز الانخراط في التعلم وتحسن النتائج التعليمية المدركة.
تؤكد الورقة على أهمية فهم الآليات التي تؤثر من خلالها هذه التفاعلات على سلوك الطلاب، خاصة من حيث الارتباط والثقة تجاه أنظمة الذكاء الاصطناعي. تحدد فجوة في الأبحاث الحالية بشأن دمج الإشارات التجسيدية والتعبير العاطفي ضمن إطار نظري موحد. يقترح المؤلفون استخدام نموذج التحفيز-الكائن-الاستجابة (S-O-R) لاستكشاف كيفية تشكيل التحفيزات الخارجية من الذكاء الاصطناعي، مثل الاستجابة والدفء المدرك، للحالات العلاقية الداخلية وبالتالي تؤثر على سلوك استخدام الذكاء الاصطناعي. تهدف هذه الدراسة إلى تقديم حساب منظم للانخراط العاطفي في بيئات التعلم المدعومة بالذكاء الاصطناعي، مما يساهم في تصميم التعليم والدمج المستدام للذكاء الاصطناعي التفاعلي في التعليم.
الطرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات، مثل التحليلات الإحصائية، والبروتوكولات التجريبية، وأي نماذج حسابية مستخدمة.
بالإضافة إلى ذلك، قد يصف القسم الضوابط المطبقة للتحقق من النتائج والمعايير لاختيار العينات أو الموضوعات. من خلال تقديم نظرة شاملة على الطرق، يهدف هذا القسم إلى تسهيل فهم الإطار التجريبي ودعم موثوقية النتائج المقدمة في الدراسة.
المناقشة
تستكشف قسم المناقشة في الورقة البحثية آليات الانخراط العاطفي في تفاعلات الإنسان مع الذكاء الاصطناعي التفاعلي، مع التركيز على الخصائص التجسيدية لأنظمة الذكاء الاصطناعي. يبرز كيف أن المستخدمين يدركون بشكل متزايد الذكاء الاصطناعي التفاعلي كعملاء اجتماعيين مستجيبين بدلاً من مجرد أدوات، مما يسهل ذلك ميزات مثل اللغة الشبيهة بالبشر، والحوار السياقي، والتمثيلات المجسدة. يعزز هذا الإدراك الانخراط العاطفي، حيث يستجيب المستخدمون بشكل إيجابي للدفء والإشارات التعاطفية من الذكاء الاصطناعي، مما يمكن أن يؤدي إلى الارتباط وزيادة تكرار التفاعل. تشير الورقة إلى أنه بينما يمكن أن يعزز هذا الارتباط تجربة المستخدم والثقة، إلا أنه قد يشكل أيضًا مخاطر الاعتماد العاطفي.
تستخدم الأطر النظرية، وخاصة نموذج التحفيز-الكائن-الاستجابة (S-O-R)، لتحليل كيفية تأثير التحفيزات الخارجية (مثل استجابة الذكاء الاصطناعي، والتجسيد، والدفء المدرك) على الحالات العاطفية الداخلية والاستجابات السلوكية اللاحقة في السياقات التعليمية. تفترض الدراسة أن هذه التحفيزات تعزز الارتباط العاطفي والثقة في الذكاء الاصطناعي، مما يؤثر بدوره على سلوك الاستخدام. تقترح فرضيات البحث أن استجابة الذكاء الاصطناعي، والتجسيد، والدفء المدرك ترتبط إيجابيًا بارتباط الطلاب وثقتهم في الذكاء الاصطناعي التفاعلي، مما يؤثر في النهاية على انخراطهم في التعلم المدعوم بالذكاء الاصطناعي. تؤكد النتائج على أهمية الديناميات العاطفية والعلاقاتية في تشكيل تفاعلات المستخدمين مع تقنيات الذكاء الاصطناعي في البيئات التعليمية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للتحسين واتجاهات البحث المستقبلية. منهجيًا، يحد الاعتماد على نمذجة المعادلات الهيكلية (SEM) مع تصميم مقطعي من عمق الفهم بشأن تجارب الطلاب العاطفية واستجاباتهم السلوكية في بيئات التعلم المدعومة بالذكاء الاصطناعي، خاصة بسبب غياب البيانات النوعية مثل المقابلات أو مجموعات التركيز. بالإضافة إلى ذلك، كانت العينة تتكون بشكل أساسي من طلاب جامعيين من مقاطعة فوجيان، الصين، مما قد يحد من تعميم النتائج بسبب الاختلافات الثقافية والتعليمية الإقليمية. علاوة على ذلك، ركزت الدراسة على ارتباط وثقة الذكاء الاصطناعي دون النظر في متغيرات أخرى قد تؤثر مثل معرفة الذكاء الاصطناعي وسمات الشخصية، والتي يمكن أن تؤثر أيضًا على سلوكيات استخدام الطلاب.
لمعالجة هذه القيود، ينبغي أن تأخذ الأبحاث المستقبلية في الاعتبار استخدام تصاميم مختلطة تجمع بين الاستطلاعات الكمية والنهج النوعية للحصول على رؤى أعمق حول الديناميات النفسية لاستخدام الذكاء الاصطناعي. سيساهم توسيع العينة لتشمل مجموعات طلابية متنوعة من مناطق وسياقات تعليمية مختلفة في تعزيز تمثيل وملاءمة النتائج. علاوة على ذلك، يمكن أن يوفر دمج متغيرات نفسية وسياقية إضافية في نماذج أكثر تعقيدًا فهمًا أكثر شمولاً للآليات التي تؤثر على ارتباط الطلاب وثقتهم في الذكاء الاصطناعي، مما يساهم في إبلاغ كيفية مساهمة هذه العوامل في الانخراط المستدام مع أدوات الذكاء الاصطناعي التفاعلي.
DOI: https://doi.org/10.3389/fpsyg.2026.1769964
PMID: https://pubmed.ncbi.nlm.nih.gov/42022410
Publication Date: 2026-04-07
Author(s): Yanling Lan et al.
Primary Topic: AI in Service Interactions
Overview
This research paper investigates the factors influencing university students’ adoption of conversational artificial intelligence (C-AI) for learning support, utilizing the Stimulus-Organism-Response (S-O-R) framework. The study focuses on how attributes such as AI responsiveness, anthropomorphism, and perceived warmth affect students’ emotional attachment to and trust in AI, which subsequently influences their learning-related behaviors. A survey conducted with 538 Chinese university students revealed that both AI responsiveness and anthropomorphism significantly enhance students’ attachment and trust, while perceived warmth fosters sustained interaction and engagement.
The findings underscore that emotional and relational cues in AI interactions are critical for adoption, extending the S-O-R framework by integrating internal affective mechanisms into the analysis of technology use. The study identifies a mediating pathway characterized as “external stimuli-emotional perception-trust formation-usage behavior,” highlighting the importance of emotional attachment and trust in shaping students’ engagement with C-AI. This comprehensive framework not only enriches existing literature but also offers practical insights for designing emotionally responsive educational AI systems, promoting a balanced and effective use of C-AI tools among students.
Introduction
The introduction of the research paper discusses the growing integration of conversational artificial intelligence (AI) in higher education, highlighting its role in course consultations, writing support, and personalized learning. As students face increasing psychological and social complexities, including stress and academic burnout, the evolution of large language models (LLMs) has enabled conversational AI to exhibit anthropomorphic traits and emotional responsiveness. This shift from information retrieval to relational engagement is significant, as empirical evidence suggests that AI systems capable of recognizing and responding to student emotions can enhance learning engagement and improve perceived educational outcomes.
The paper emphasizes the importance of understanding the mechanisms through which these interactions influence student behavior, particularly in terms of attachment and trust towards AI systems. It identifies a gap in existing research regarding the integration of anthropomorphic cues and emotional expressiveness within a unified theoretical framework. The authors propose using the Stimulus-Organism-Response (S-O-R) model to explore how external stimuli from AI, such as responsiveness and perceived warmth, shape internal relational states and subsequently affect AI usage behavior. This study aims to provide a structured account of affective engagement in AI-supported learning environments, contributing to instructional design and the sustainable integration of conversational AI in education.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the techniques applied for data collection, such as statistical analyses, experimental protocols, and any computational models utilized.
Additionally, the section may describe the controls implemented to validate results and the criteria for selecting samples or subjects. By providing a comprehensive overview of the methods, this section aims to facilitate understanding of the experimental framework and support the reliability of the findings presented in the study.
Discussion
The discussion section of the research paper explores the mechanisms of emotional engagement in human-conversational AI interactions, emphasizing the anthropomorphic characteristics of AI systems. It highlights how users increasingly perceive conversational AI as socially responsive agents rather than mere tools, facilitated by features such as human-like language, contextual dialogue, and embodied representations. This perception fosters emotional engagement, as users respond positively to warmth and empathic signals from AI, which can lead to attachment and increased interaction frequency. The paper notes that while this attachment can enhance user experience and trust, it may also pose risks of emotional dependency.
Theoretical frameworks, particularly the Stimulus-Organism-Response (S-O-R) model, are employed to analyze how external stimuli (e.g., AI responsiveness, anthropomorphism, and perceived warmth) influence internal emotional states and subsequent behavioral responses in educational contexts. The study posits that these stimuli enhance emotional attachment and trust in AI, which in turn affects usage behavior. The research hypotheses suggest that AI responsiveness, anthropomorphism, and perceived warmth positively correlate with students’ attachment to and trust in conversational AI, ultimately influencing their engagement in AI-assisted learning. The findings underscore the importance of emotional and relational dynamics in shaping user interactions with AI technologies in educational settings.
Limitations
The limitations of this study highlight several areas for improvement and future research directions. Methodologically, the reliance on structural equation modeling (SEM) with a cross-sectional design restricts the depth of understanding regarding students’ emotional experiences and behavioral responses in AI-supported learning environments, particularly due to the absence of qualitative data such as interviews or focus groups. Additionally, the sample predominantly consisted of university students from Fujian Province, China, which may limit the generalizability of the findings due to regional cultural and educational differences. Furthermore, the study focused on AI attachment and trust without considering other potentially influential variables like AI literacy and personality traits, which could also affect students’ usage behaviors.
To address these limitations, future research should consider employing mixed-method designs that combine quantitative surveys with qualitative approaches to gain deeper insights into the psychological dynamics of AI usage. Expanding the sample to include diverse student populations from various regions and educational contexts would enhance the representativeness and applicability of the findings. Moreover, incorporating additional psychological and contextual variables into more complex models could provide a more comprehensive understanding of the mechanisms influencing students’ attachment and trust in AI, ultimately informing how these factors contribute to sustained engagement with conversational AI tools.