DOI: https://doi.org/10.1038/s41598-025-01676-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40360573
تاريخ النشر: 2025-05-13
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تدرس الدراسة تأثير أدوات الذكاء الاصطناعي التوليدي (GenAITU) على الإنجاز الأكاديمي (AA) بين المعلمين المستقبليين (PSTs) فيما يتعلق بهدف التنمية المستدامة 4 (SDG4). باستخدام إطار عمل تم تكييفه من النظرية الموحدة لقبول واستخدام التكنولوجيا 2 (UTAUT2)، تفحص البحث الأدوار الوسيطة للوعي المشترك (SMC) وتحميل المعرفة (COL). أظهر استبيان شمل 465 طالبًا من خمس جامعات في ووهان، الصين، أن توقع الأداء (PE) وسلوك الاستخدام (UB) لـ GenAITU يرتبطان إيجابيًا بـ AA، بينما لا يرتبط توقع الجهد (EE) والظروف الميسرة (FC). علاوة على ذلك، وُجد أن SMC وCOL تلعبان دورًا وسطيًا كبيرًا في العلاقات بين مكونات مختلفة من GenAITU وAA.
تؤكد النتائج على أهمية PE وUB كمتنبئين رئيسيين لـ AA، مشددة على أن الاعتقاد في تحسين أداء التكنولوجيا واستخدامها الفعلي أمران حاسمان للنجاح الأكاديمي. بالإضافة إلى ذلك، يعزز كل من EE وFC وUB بشكل كبير SMC، بينما تؤثر جميع مكونات GenAITU بشكل إيجابي على COL. تختتم الدراسة بأن SMC وCOL هما وسطاء فعالون يسهلون التأثير المفيد لـ GenAITU على AA، مما يوفر رؤى قيمة للمعلمين ومخططي المناهج الذين يهدفون إلى دمج هذه الأدوات في تعليم المعلمين بشكل فعال.
طرق
تحدد قسم “الطرق” التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، معتمدين على التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج المعنية.
شملت جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية تسهل النمذجة الإحصائية المعقدة، مما يسمح بتقييم العلاقات بين المتغيرات. كما يتناول القسم معايير اختيار المشاركين والبروتوكولات المتبعة للحفاظ على المعايير الأخلاقية طوال عملية البحث. بشكل عام، تم تصميم الطرق المستخدمة بدقة لتحقيق نتائج قوية وقابلة للتكرار، مما يساهم في مصداقية الدراسة.
نتائج
في هذه الدراسة، تم استخدام نهج نمذجة المعادلات الهيكلية باستخدام المربعات الجزئية (PLS-SEM) لتحليل الإطار النظري، مع استخدام SmarPLS 4 نظرًا لصلابته ضد قيود حجم العينة. تم تأكيد موثوقية وصلاحية البنى، حيث تجاوزت جميع مقاييس الموثوقية—ألفا كرونباخ، رو_A، والموثوقية المركبة—عتبة 0.7، وتجاوز متوسط التباين المستخرج (AVE) لكل بنية 0.5. بالإضافة إلى ذلك، تم تقييم التعدد الخطي، مما كشف عن قيم عامل تضخم التباين (VIF) أقل من 3، مما يشير إلى عدم وجود مشاكل متعددة خطية كبيرة. تم تقييم الصلاحية التمييزية باستخدام نسبة الهتروترينت-مونوترايت (HTMT)، حيث ظلت جميع القيم أقل من عتبة 0.90، مما يؤكد تميز البنى.
أشارت مؤشرات ملاءمة النموذج إلى ملاءمة جيدة لكل من النماذج المشبعة والمقدرة، مع قيم الجذر التربيعي المتوسط المعياري المتبقي (SRMR) البالغة 0.069 و0.070، على التوالي. أوضح النموذج 40.8% من التباين في AA، و34.5% في COL، و30.7% في SMC، مع قيم R-squared المعدلة التي تعكس انخفاضًا طفيفًا في القوة التفسيرية بسبب المتنبئين الإضافيين. كشفت أحجام التأثير، كما هو موضح بقيم f-square، أن COL كان له تأثير أكبر على AA (f-square = 0.127) مقارنةً بـ SMC (f-square = 0.049)، مما يبرز مستويات التأثير المتفاوتة بين المتنبئين. بشكل عام، تشير النتائج إلى نموذج قوي له آثار كبيرة لفهم العلاقات بين البنى.
مناقشة
تسلط قسم المناقشة في هذه الدراسة الضوء على تأثير استخدام أدوات الذكاء الاصطناعي التوليدي (GenAITU) على الإنجاز الأكاديمي (AA) بين المعلمين المستقبليين (PSTs) ضمن إطار عمل هدف التنمية المستدامة 4 (SDG4). باستخدام نموذج UTAUT2، تحدد البحث البنى الرئيسية—توقع الأداء (PE)، توقع الجهد (EE)، الظروف الميسرة (FC)، وسلوك الاستخدام (UB)—التي تؤثر على اعتماد GenAITU. تكشف النتائج أن PE وUB تسهمان بشكل كبير في AA، بينما لا تظهر EE وFC علاقة كبيرة، مما يشير إلى أن PSTs قد يواجهون تحديات في دمج هذه العوامل في ممارساتهم التعليمية. يتماشى هذا مع الأدبيات الحالية التي تشير إلى أن الفائدة المدركة هي دافع رئيسي للنتائج الأكاديمية، ولكنه يبرز الحاجة إلى مزيد من التحقيق في دور EE وFC في السياقات التعليمية.
بالإضافة إلى ذلك، تستكشف الدراسة الأدوار الوسيطة للوعي المشترك (SMC) وتحميل المعرفة (COL) في العلاقة بين GenAITU وAA. تشير النتائج إلى أنه بينما يؤثر SMC بشكل إيجابي على AA، لم يتم دعم المساهمة المتوقعة لـ PE في SMC، مما يشير إلى فجوة محتملة في فهم PSTs للتعلم التعاوني الذي تسهله أدوات الذكاء الاصطناعي. على العكس، تؤثر EE وFC وUB بشكل إيجابي على SMC، مما يعزز أهمية هذه البنى في تحسين تجارب التعلم التعاوني. علاوة على ذلك، يُظهر COL أنه يتوسط العلاقة بين GenAITU وAA، مما يبرز دور الذكاء الاصطناعي في تقليل الحمل المعرفي وتمكين PSTs من التركيز على التفكير عالي المستوى. بشكل عام، تسهم الدراسة برؤى قيمة حول الإمكانات التحويلية لـ GenAITU في التعليم العالي، داعية إلى دمج أدوات الذكاء الاصطناعي لتعزيز ممارسات تعليمية شاملة وعادلة تتماشى مع SDG4.
القيود
تسلط القيود في هذه الدراسة الضوء على عدة عوامل قد تؤثر على تفسير وعمومية النتائج. أولاً، أجريت الدراسة في الصين، حيث يتم تقييد الوصول إلى بعض أدوات الذكاء الاصطناعي بواسطة اللوائح الحكومية، مما قد يحد من قابلية تطبيق النتائج على سياقات أخرى. إن الاعتماد على البيانات المبلغ عنها ذاتيًا يقدم تحيزات، حيث قد يكون المشاركون قد تأثروا بالرغبة الاجتماعية أو عدم الدقة في تذكر تجاربهم مع تقنيات الذكاء الاصطناعي التوليدي. إن غياب البيانات السلوكية، مثل سجلات استخدام الذكاء الاصطناعي، يقيد أيضًا صلاحية النتائج، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتضمن مثل هذه البيانات لتعزيز القوة.
بالإضافة إلى ذلك، فإن تصميم التأخير الزمني المستخدم في هذه الدراسة، بينما يحسن من الطرق المقطعية، لا يثبت العلاقات السببية، وهو افتراض حاسم في تحليل الوساطة. يقيّد هذا التصميم أيضًا القدرة على تقييم كيف تتطور تصورات الطلاب حول الذكاء الاصطناعي التوليدي بمرور الوقت. يعني التكامل المحدود للذكاء الاصطناعي التوليدي في الإعدادات الأكاديمية الرسمية أن الطلاب تعرضوا بشكل ضئيل، ولم تميز الدراسة بين تأثيرات الذكاء الاصطناعي التوليدي عبر مجالات أكاديمية مختلفة. يجب أن تعالج الأبحاث المستقبلية هذه الفجوات من خلال استكشاف منصات محددة، وتأثيرات الضغط التكنولوجي والكفاءة الذاتية التكنولوجية، واستخدام تصاميم طولية أو تجريبية لفحص المسارات السببية وآثارها طويلة الأمد على نتائج التعلم بشكل صارم. علاوة على ذلك، يجب التحقيق في عوامل مثل محو الأمية الرقمية والدعم المؤسسي كوسطاء محتملين يؤثرون على فعالية الذكاء الاصطناعي التوليدي في التعليم.
DOI: https://doi.org/10.1038/s41598-025-01676-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40360573
Publication Date: 2025-05-13
Author(s): Zhenyun Du et al.
Primary Topic: Online Learning and Analytics
Overview
The study investigates the impact of generative artificial intelligence tools (GenAITU) on academic achievement (AA) among preservice teachers (PSTs) in relation to Sustainable Development Goal 4 (SDG4). Utilizing a framework adapted from the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2), the research examines the mediating roles of shared metacognition (SMC) and cognitive offloading (COL). A survey of 465 students from five universities in Wuhan, China, revealed that performance expectancy (PE) and use behavior (UB) of GenAITU positively correlate with AA, while effort expectancy (EE) and facilitating conditions (FC) do not. Furthermore, SMC and COL were found to significantly mediate the relationships between various components of GenAITU and AA.
The findings underscore the importance of PE and UB as key predictors of AA, highlighting that belief in technology’s performance enhancement and its actual usage are crucial for academic success. Additionally, EE, FC, and UB significantly enhance SMC, while all components of GenAITU positively influence COL. The study concludes that SMC and COL are effective mediators that facilitate the beneficial impact of GenAITU on AA, providing valuable insights for educators and curriculum planners aiming to integrate these tools into teacher education effectively.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity. The analysis was conducted using software tools that facilitated complex statistical modeling, allowing for the assessment of relationships between variables. The section also details the criteria for participant selection and the protocols followed to maintain ethical standards throughout the research process. Overall, the methods employed were rigorously designed to yield robust and reproducible results, contributing to the study’s credibility.
Results
In this study, a Partial Least Squares Structural Equation Modeling (PLS-SEM) approach was utilized to analyze the theoretical framework, employing SmarPLS 4 due to its robustness against sample size limitations. The reliability and validity of the constructs were confirmed, with all reliability measures—Cronbach’s alpha, rho_A, and composite reliability—exceeding the 0.7 threshold, and the Average Variance Extracted (AVE) for each construct surpassing 0.5. Additionally, multicollinearity was assessed, revealing Variance Inflation Factor (VIF) values below 3, indicating no significant multicollinearity issues. Discriminant validity was evaluated using the heterotrait-monotrait (HTMT) ratio, with all values remaining below the 0.90 threshold, thus affirming the distinctiveness of the constructs.
Model fit indices indicated a good fit for both the Saturated and Estimated Models, with Standardized Root Mean Square Residual (SRMR) values of 0.069 and 0.070, respectively. The model explained 40.8% of the variance in AA, 34.5% in COL, and 30.7% in SMC, with adjusted R-squared values reflecting a minor reduction in explanatory power due to additional predictors. Effect sizes, as indicated by f-square values, revealed that COL had a more substantial impact on AA (f-square = 0.127) compared to SMC (f-square = 0.049), highlighting varying levels of influence among the predictors. Overall, the findings suggest a robust model with significant implications for understanding the relationships among the constructs.
Discussion
The discussion section of this study highlights the impact of Generative Artificial Intelligence Tool Usage (GenAITU) on Academic Achievement (AA) among preservice teachers (PSTs) within the framework of Sustainable Development Goal 4 (SDG4). Utilizing the UTAUT2 model, the research identifies key constructs—Performance Expectancy (PE), Effort Expectancy (EE), Facilitating Conditions (FC), and Use Behavior (UB)—that influence GenAITU adoption. Findings reveal that PE and UB significantly contribute to AA, while EE and FC do not show a significant relationship, suggesting that PSTs may face challenges in integrating these factors into their pedagogical practices. This aligns with existing literature indicating that perceived usefulness is a critical driver of academic outcomes, yet highlights the need for further investigation into the role of EE and FC in educational contexts.
Additionally, the study explores the mediating roles of Shared Metacognition (SMC) and Cognitive Offloading (COL) in the relationship between GenAITU and AA. Results indicate that while SMC positively influences AA, the expected contribution of PE to SMC was not supported, suggesting a potential gap in PSTs’ understanding of collaborative learning facilitated by AI tools. Conversely, EE, FC, and UB positively affect SMC, reinforcing the importance of these constructs in enhancing collaborative learning experiences. Furthermore, COL is shown to mediate the relationship between GenAITU and AA, underscoring the role of AI in reducing cognitive load and enabling PSTs to focus on higher-order thinking. Overall, the study contributes valuable insights into the transformative potential of GenAITU in higher education, advocating for the integration of AI tools to foster inclusive and equitable educational practices aligned with SDG4.
Limitations
The limitations of this study highlight several factors that may affect the interpretation and generalizability of the findings. Firstly, the research was conducted in China, where access to certain AI tools is restricted by government regulations, potentially limiting the applicability of the results to other contexts. The reliance on self-reported data introduces biases, as participants may have been influenced by social desirability or inaccuracies in recalling their experiences with generative AI technologies. The absence of behavioral data, such as AI usage logs, further constrains the validity of the findings, suggesting that future research should incorporate such data to enhance robustness.
Additionally, the time-lag design employed in this study, while improving upon cross-sectional methods, does not establish causal relationships, which is a critical assumption in mediation analysis. This design also restricts the ability to assess how students’ perceptions of generative AI evolve over time. The limited integration of generative AI in formal academic settings means that students had minimal exposure, and the study did not differentiate between the impacts of generative AI across various academic fields. Future research should address these gaps by exploring specific platforms, the effects of technostress and technological self-efficacy, and employing longitudinal or experimental designs to rigorously examine causal pathways and long-term effects on learning outcomes. Furthermore, factors such as digital literacy and institutional support should be investigated as potential moderators influencing the effectiveness of generative AI in education.