DOI: https://doi.org/10.3389/feduc.2026.1803423
تاريخ النشر: 2026-04-13
المؤلف: Moeketsi Mosia وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة التباين في الدور الوسيط للكفاءة الذاتية بين التدريب السابق على الذكاء الاصطناعي ونوايا التبني بين معلمي الرياضيات في مرحلة ما قبل الخدمة. باستخدام بيانات من 79 مشاركًا في جامعة فري ستيت، جنوب أفريقيا، استخدم الباحثون تحليل الوساطة المعدل بايزي لتحديد ما إذا كانت هذه العلاقة متسقة عبر مجموعات ديموغرافية مختلفة. أظهرت النتائج تباينًا كبيرًا: كان التأثير غير المباشر للكفاءة الذاتية على نوايا التبني كبيرًا بالنسبة للمشاركات الإناث (التأثير غير المباشر = 0.311، $P(>0) = 94.8\%$) ولكنه ضئيل بالنسبة للمشاركين الذكور (التأثير غير المباشر = -0.064، $P(>0) = 37.8\%$). علاوة على ذلك، كانت الكفاءة الذاتية متنبئًا أقوى للنوايا بين المعلمين غير المدربين ($\beta = 0.746$) مقارنةً بأولئك الذين تلقوا تدريبًا ($\beta = 0.195$).
تشير النتائج إلى أن التدريب قد يؤدي إلى نهج أكثر اتساقًا في تشكيل النوايا، بينما يتفاوت تأثير الكفاءة الذاتية بشكل كبير عبر مجموعات فرعية مختلفة. يتحدى هذا الفكرة القائلة بأن هناك نموذجًا واحدًا يناسب الجميع لتبني التكنولوجيا ويؤكد على ضرورة استراتيجيات متمايزة وحساسة للسياق في تعليم المعلمين. تؤكد الخاتمة على أن الدور الوسيط للكفاءة الذاتية في تبني الذكاء الاصطناعي ليس عالميًا؛ بل يتشكل من خلال الجنس وحالة التدريب السابقة. وبالتالي، يجب على برامج تعليم المعلمين تخصيص التدخلات لتعزيز الكفاءة الذاتية، خاصةً للمعلمات الإناث غير المدربات، مع استكشاف مسارات بديلة لأولئك المتأثرين بآليات مختلفة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للذكاء الاصطناعي (AI) في التعليم، وخاصة في الرياضيات، من خلال أدوات مثل أنظمة التدريس الذكية ومنصات التعلم التكيفية. بينما تقدم هذه التقنيات فوائد محتملة مثل التغذية الراجعة الشخصية والتعليم المتمايز، فإن دمجها الفعال في ممارسات التدريس يعتمد على معتقدات المعلمين ومواقفهم وكفاءاتهم المدركة. تبني الدراسة على نموذج قبول التكنولوجيا (TAM) وتوسعاته، التي أظهرت أنها تتنبأ بتبني التكنولوجيا بين المعلمين، لكنها تكشف عن تباين غير مفسر يشير إلى أن الفروق الفردية، وخاصة الكفاءة الذاتية، قد تلعب دورًا حاسمًا.
تم تعريف الكفاءة الذاتية على أنها الاعتقاد في قدرة الفرد على أداء الإجراءات اللازمة، وقد تم تحديدها كمؤشر رئيسي لتبني التكنولوجيا. تشير الأبحاث إلى أن المعلمين الذين يتمتعون بكفاءة ذاتية أعلى هم أكثر احتمالًا للتفاعل مع التقنيات الجديدة ودمجها. ومع ذلك، تفترض الدراسات الحالية غالبًا تأثيرات موحدة للكفاءة الذاتية عبر الأفراد، وهو ما يمكن أن يكون مشكوكًا فيه نظريًا. ومن الجدير بالذكر أن الفروق بين الجنسين في قبول التكنولوجيا قد تم توثيقها، حيث تتأثر النساء أكثر بالعوامل الاجتماعية والرجال بتوقعات الأداء. تهدف هذه الدراسة إلى استكشاف التباين في الدور الوسيط للكفاءة الذاتية بين التدريب السابق على الذكاء الاصطناعي ونوايا التبني بين معلمي الرياضيات في مرحلة ما قبل الخدمة، باستخدام تحليل الوساطة المعدل بايزي. تستند الأبحاث إلى إطار المعرفة التربوية التكنولوجية (TPACK) وتسعى للإجابة على أربعة أسئلة رئيسية تتعلق بتباين الكفاءة الذاتية كوسيط عبر ديموغرافيات مختلفة وحالات التدريب، مما يساهم في الأدبيات حول تبني التكنولوجيا من قبل المعلمين ويُعلم برامج تعليم المعلمين.
الطرق
يستعرض قسم “المواد والطرق” في ورقة البحث التصميم التجريبي والإجراءات المستخدمة للتحقيق في فرضية البحث. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة، مثل البروتوكولات التجريبية، تقنيات جمع البيانات، والتحليلات الإحصائية المستخدمة لتفسير النتائج.
بالإضافة إلى ذلك، قد يسلط القسم الضوء على أي ضوابط تم تنفيذها لضمان صحة وموثوقية النتائج. يشمل ذلك استخدام ضوابط مناسبة، نسخ مكررة، وتقنيات عشوائية لتقليل التحيز. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار التجريبي، مما يسمح بإعادة الإنتاج والتقييم النقدي لنتائج البحث.
النتائج
تم تنظيم النتائج حول الأسئلة البحثية الأربعة التي وجهت الدراسة، بدءًا من تحليل نموذج الوساطة العام. يتم تقديم النتائج مع المتوسطات اللاحقة، والانحرافات المعيارية، وفترات الكثافة الأعلى (HDIs) بنسبة 95%. وفقًا للمنهجية البايزية، تعتبر التأثيرات موثوقة عندما لا تتضمن HDI الصفر. بالإضافة إلى ذلك، تدعم النتائج الاحتمالات اللاحقة التي توفر أدلة على الفرضيات الاتجاهية، مما يعزز الإطار التفسيري للنتائج.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور المتطور للذكاء الاصطناعي (AI) في تعليم المعلمين، مما يبرز ضرورة أن يتمكن المعلمون في مرحلة ما قبل الخدمة من دمج تقنيات الذكاء الاصطناعي بشكل فعال في ممارساتهم التربوية. تشير الدراسات الحديثة إلى أنه بينما يظهر المعلمون في مرحلة ما قبل الخدمة عمومًا مواقف إيجابية تجاه أدوات الذكاء الاصطناعي، فإن استعدادهم لتبني هذه التقنيات يتأثر بعوامل مثل التعرض السابق، التدريب، والقيمة التعليمية المدركة. ومن الجدير بالذكر أن أبحاث نيسيم وسيمون (2025) تؤكد على أهمية الوعي بالابتكار والانخراط التكنولوجي في تعزيز تبني الذكاء الاصطناعي بين المعلمين المستقبليين. علاوة على ذلك، أظهرت التدريبات المنظمة على الذكاء الاصطناعي ضمن برامج إعداد المعلمين أنها تعزز القبول والنوايا لاستخدام أدوات الذكاء الاصطناعي، كما يتضح من نتائج رانغ وآخرون (2025).
يناقش القسم أيضًا الإطار النظري الذي يستند إليه الدراسة، والذي يفترض أن الكفاءة الذاتية هي وسيط حاسم في العلاقة بين التدريب السابق على الذكاء الاصطناعي ونوايا التبني. بالاستناد إلى نماذج راسخة مثل نموذج قبول التكنولوجيا (TAM) وإطارات التعلم الذاتي المنظم (SRL)، يجادل المؤلفون بأن الكفاءة الذاتية لا تؤثر فقط على ثقة المعلمين في استخدام الذكاء الاصطناعي، بل تشكل أيضًا استراتيجياتهم التربوية لدمج هذه الأدوات في التعليم. تحدد الورقة الجنس وحالة التدريب كعوامل محتملة تؤثر على هذه المسار الوسيط، مما يشير إلى أن الكفاءة الذاتية قد تلعب دورًا أكثر وضوحًا في نوايا التبني بين المعلمين غير المدربين مقارنةً بنظرائهم المدربين. بشكل عام، تدعو النتائج إلى فهم دقيق للعوامل النفسية التي تؤثر على تبني الذكاء الاصطناعي في السياقات التعليمية، مما يبرز الحاجة إلى تطوير مهني مستهدف يعزز كل من الكفاءة التكنولوجية والثقة التربوية.
القيود
يسلط قسم القيود الضوء على عدة عوامل حاسمة قد تؤثر على تفسير نتائج الدراسة. أولاً، بينما كانت حجم العينة كافيًا للتقدير البايزي، فإن الأحجام الفرعية الصغيرة، وخاصة المجموعة العليا المدربة (n = 9)، تؤثر على دقة التقديرات وتزيد من عدم اليقين اللاحق. يشير هذا إلى أن الأبحاث المستقبلية يجب أن تهدف إلى الحصول على عينات أكبر وأكثر توازنًا لتعزيز القوة الإحصائية، خاصةً فيما يتعلق بتأثيرات الوساطة المعدلة.
ثانيًا، يحد التصميم العرضي للدراسة من القدرة على استخلاص استنتاجات سببية قوية. على الرغم من أن إطار الوساطة يفترض ترتيبًا محددًا – حيث يؤثر التدريب على الكفاءة الذاتية، والتي بدورها تؤثر على نوايا التبني – قد توجد تفسيرات بديلة. على سبيل المثال، قد يُبلغ المعلمون في مرحلة ما قبل الخدمة الذين لديهم استعداد لتبني الذكاء الاصطناعي عن مستويات ثقة أعلى، أو قد تتأثر كل من الكفاءة الذاتية ونوايا التبني بعوامل غير مرئية مثل الخبرة التكنولوجية السابقة. ستوفر الدراسات الطولية رؤى أفضل حول العلاقات الزمنية والمسارات السببية. بالإضافة إلى ذلك، فإن تبسيط تدريب الذكاء الاصطناعي إلى متغير ثنائي يتجاهل تعقيد تجارب التدريب، التي تختلف في المدة والتركيز والانخراط. يجب أن تتضمن الأبحاث المستقبلية مقاييس أكثر تفصيلًا لالتقاط هذه التباينات. أخيرًا، فإن قابلية تعميم النتائج مقيدة بسياق الدراسة المحدد، حيث شملت معلمي الرياضيات في مرحلة ما قبل الخدمة من جامعة واحدة في جنوب أفريقيا. لتأكيد النتائج، يُوصى بإجراء دراسات عبر مؤسسات وعبر ثقافات لاستكشاف اتساق هذه الديناميات في بيئات تعليمية مختلفة.
DOI: https://doi.org/10.3389/feduc.2026.1803423
Publication Date: 2026-04-13
Author(s): Moeketsi Mosia et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the variability in the mediating role of self-efficacy between prior AI training and adoption intentions among pre-service mathematics teachers. Utilizing data from 79 participants at the University of the Free State, South Africa, the researchers employed Bayesian moderated mediation analysis to explore whether this relationship is consistent across different demographic groups. The results indicated significant heterogeneity: the indirect effect of self-efficacy on adoption intentions was substantial for female participants (indirect effect = 0.311, $P(>0) = 94.8\%$) but negligible for male participants (indirect effect = -0.064, $P(>0) = 37.8\%$). Furthermore, self-efficacy was a stronger predictor of intentions among untrained teachers ($\beta = 0.746$) compared to those who had received training ($\beta = 0.195$).
The findings suggest that training may lead to a more uniform approach to intention formation, while self-efficacy’s influence varies significantly across different subgroups. This challenges the notion of a one-size-fits-all model for technology adoption and underscores the necessity for differentiated, context-sensitive strategies in teacher education. The conclusion emphasizes that the mediating role of self-efficacy in AI adoption is not universal; rather, it is shaped by gender and prior training status. Consequently, teacher education programs should tailor interventions to enhance self-efficacy, particularly for untrained female pre-service teachers, while exploring alternative pathways for those influenced by different mechanisms.
Introduction
The introduction of the research paper highlights the growing significance of artificial intelligence (AI) in education, particularly in mathematics, through tools like intelligent tutoring systems and adaptive learning platforms. While these technologies offer potential benefits such as personalized feedback and differentiated instruction, their effective integration into teaching practices is contingent upon teachers’ beliefs, attitudes, and perceived competencies. The study builds on the Technology Acceptance Model (TAM) and its extensions, which have been shown to predict technology adoption among teachers, yet reveal unexplained variability that suggests individual differences, particularly self-efficacy, may play a crucial role.
Self-efficacy, defined as the belief in one’s capability to perform necessary actions, has been identified as a key predictor of technology adoption. Research indicates that teachers with higher self-efficacy are more likely to engage with and integrate new technologies. However, existing studies often assume uniform effects of self-efficacy across individuals, which is theoretically questionable. Notably, gender differences in technology acceptance have been documented, with women influenced more by social factors and men by performance expectations. This study aims to explore the heterogeneity in self-efficacy’s mediating role between prior AI training and adoption intentions among pre-service mathematics teachers, utilizing Bayesian moderated mediation analysis. The research is grounded in the Technological Pedagogical Content Knowledge (TPACK) framework and seeks to answer four key questions regarding the variability of self-efficacy as a mediator across different demographics and training statuses, ultimately contributing to the literature on teacher technology adoption and informing teacher education programs.
Methods
The “Materials and Methods” section of the research paper outlines the experimental design and procedures employed to investigate the research hypothesis. It details the specific materials used, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied, such as experimental protocols, data collection techniques, and statistical analyses utilized to interpret the results.
Additionally, the section may highlight any controls implemented to ensure the validity and reliability of the findings. This includes the use of appropriate controls, replicates, and randomization techniques to minimize bias. Overall, this section provides a comprehensive overview of the experimental framework, allowing for reproducibility and critical evaluation of the research outcomes.
Results
The results are structured around the four research questions that guided the study, beginning with an analysis of the overall mediation model. The findings are presented with posterior means, standard deviations, and 95% highest density intervals (HDIs). In accordance with Bayesian methodology, effects are deemed credible when the HDI does not include zero. Additionally, the results are supported by posterior probabilities that provide evidence for directional hypotheses, enhancing the interpretative framework of the findings.
Discussion
The discussion section of the research paper highlights the evolving role of artificial intelligence (AI) in teacher education, emphasizing the necessity for pre-service teachers to effectively integrate AI technologies into their pedagogical practices. Recent studies indicate that while pre-service teachers generally exhibit positive attitudes towards AI tools, their readiness to adopt these technologies is influenced by factors such as prior exposure, training, and perceived instructional value. Notably, research by Nissim and Simon (2025) underscores the significance of innovation awareness and technological engagement in fostering AI adoption among future educators. Furthermore, structured AI training within teacher preparation programs has been shown to enhance acceptance and intention to use AI tools, as evidenced by findings from Runge et al. (2025).
The section also discusses the theoretical framework underpinning the study, which posits self-efficacy as a critical mediator in the relationship between prior AI training and adoption intentions. Drawing on established models such as the Technology Acceptance Model (TAM) and Self-Regulated Learning (SRL) frameworks, the authors argue that self-efficacy not only influences teachers’ confidence in using AI but also shapes their pedagogical strategies for integrating these tools into instruction. The paper identifies gender and training status as potential moderators of this mediation pathway, suggesting that self-efficacy may play a more pronounced role in adoption intentions among untrained pre-service teachers compared to their trained counterparts. Overall, the findings advocate for a nuanced understanding of the psychological factors influencing AI adoption in educational contexts, emphasizing the need for targeted professional development that fosters both technological competence and pedagogical confidence.
Limitations
The section on limitations highlights several critical factors that may affect the interpretation of the study’s findings. Firstly, while the sample size was adequate for Bayesian estimation, the small subgroup sizes, particularly the trained senior subgroup (n = 9), compromise the precision of estimates and increase posterior uncertainty. This suggests that future research should aim for larger and more balanced samples to enhance statistical robustness, particularly regarding moderated mediation effects.
Secondly, the cross-sectional design of the study limits the ability to draw strong causal inferences. Although the mediation framework posits a specific order—where training influences self-efficacy, which in turn affects adoption intentions—alternative explanations could exist. For example, pre-service teachers with a predisposition to adopt AI might report higher confidence levels, or both self-efficacy and adoption intentions could be influenced by unobserved factors such as prior technological experience. Longitudinal studies would provide better insights into the temporal relationships and causal pathways. Additionally, the simplification of AI training into a dichotomous variable overlooks the complexity of training experiences, which vary in duration, focus, and engagement. Future research should incorporate more detailed measures to capture these variations. Lastly, the findings’ generalizability is constrained by the study’s specific context, as it involved pre-service mathematics teachers from a single South African university. To validate the results, cross-institutional and cross-cultural studies are recommended to explore the consistency of these dynamics in different educational settings.