DOI: https://doi.org/10.1186/s40561-025-00384-3
تاريخ النشر: 2025-04-27
المؤلف: Senad Bećirović وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تبحث هذه الدراسة في معرفة الطلاب الجامعيين النمساويين بتكنولوجيا الذكاء الاصطناعي، مع التركيز على فهمهم لتكنولوجيا الذكاء الاصطناعي، وتطبيقها العملي، والتقييم النقدي، والآثار اللاحقة على الكفاءة الذاتية، وجودة المخرجات، والأداء الأكاديمي. باستخدام استبيان عبر الإنترنت مع 286 مشاركًا، تستخدم الدراسة نمذجة المعادلات الهيكلية لتحليل العلاقات بين هذه المتغيرات. تكشف النتائج الرئيسية أن كل من الفهم الفني للذكاء الاصطناعي والتطبيق العملي يؤثران بشكل إيجابي على الكفاءة الذاتية للذكاء الاصطناعي، بينما يؤثر التقييم النقدي سلبًا على كل من الكفاءة الذاتية وجودة المخرجات. ومع ذلك، تجد الدراسة أن هذه العوامل لا تؤثر بشكل كبير على الأداء الأكاديمي، مما يبرز فجوة في الاستخدام الفعال لتكنولوجيا الذكاء الاصطناعي من قبل الطلاب.
تشدد الخاتمة على ضرورة تعزيز المعرفة التقنية للطلاب حول الذكاء الاصطناعي لتعزيز الثقة والكفاءة في تطبيقه، مما قد يؤدي إلى تحسين النتائج الأكاديمية. على الرغم من التأثيرات الإيجابية لفهم الذكاء الاصطناعي والتطبيق العملي على الكفاءة الذاتية وجودة المخرجات، فإن عدم وجود تأثيرات كبيرة على الأداء الأكاديمي يشير إلى الحاجة إلى تدريب شامل في مهارات الذكاء الاصطناعي. تدعو الدراسة إلى دمج معرفة الذكاء الاصطناعي في المناهج التعليمية وتطوير سياسات تعالج الاستخدام الأخلاقي والفعال لأدوات الذكاء الاصطناعي، بهدف تعزيز الأداء الأكاديمي للطلاب من خلال تحسين كفاءات الذكاء الاصطناعي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الانتشار المتزايد والأهمية لأدوات الذكاء الاصطناعي في السياقات التعليمية، مع التأكيد على تأثيرها العميق على عمليات تعلم الطلاب وأدائهم وتطورهم العام. بينما تعتبر معرفة الذكاء الاصطناعي المتزايدة ضرورية للطلاب للتنقل بفعالية في المشهد الرقمي، لا تزال العلاقة بين استخدام أدوات الذكاء الاصطناعي والإنجاز الأكاديمي محل جدل. تشير بعض الدراسات إلى أن الاعتماد على الذكاء الاصطناعي يمكن أن يؤثر سلبًا على أداء الطلاب، بينما تقترح دراسات أخرى أن أدوات الذكاء الاصطناعي المتكاملة بشكل جيد يمكن أن تعزز الدافع ونتائج التعلم. تحدد الورقة فجوة حاسمة في البحث فيما يتعلق بمعرفة الذكاء الاصطناعي وقبول التكنولوجيا في السياقات التعليمية النمساوية، مشيرة إلى أنه بينما يدرك العديد من الطلاب الفوائد المحتملة للذكاء الاصطناعي، هناك أيضًا شكوك كبيرة بشأن موثوقيته.
تهدف الدراسة إلى تقييم معرفة الطلاب بالذكاء الاصطناعي بشكل كمي، بما في ذلك فهمهم، وتطبيقهم العملي، وتقييمهم النقدي لتكنولوجيا الذكاء الاصطناعي، واستكشاف كيفية تأثير هذه العوامل على جودة مخرجات الذكاء الاصطناعي، والكفاءة الذاتية، والأداء الأكاديمي. من خلال معالجة النتائج المتناقضة المتعلقة بتأثير الذكاء الاصطناعي على التعليم وتحديد استراتيجيات للتخفيف من سوء الاستخدام مع تعزيز النتائج الإيجابية، تسعى البحث إلى المساهمة في الأدبيات حول الذكاء الاصطناعي في التعليم. في النهاية، من المتوقع أن تُعلم النتائج تطوير سياسات فعالة، ومناهج تعليمية، وأساليب تدريس تعزز الاستخدام المسؤول والفعال لأدوات الذكاء الاصطناعي بين الطلاب، لا سيما في العلوم الاجتماعية.
الطرق
توضح قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. تتفصل في اختيار المشاركين، وتصميم التجارب، والإجراءات المحددة المتبعة لجمع البيانات. تشمل المنهجيات قياسات كمية، وتحليلات إحصائية، وأي نماذج حسابية استخدمت لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم الأدوات والتقنيات المستخدمة، مثل البرمجيات لتحليل البيانات أو المعدات لإجراء التجارب. يتم أيضًا مناقشة الأسباب وراء الطرق المختارة، مع التأكيد على صلتها بأسئلة البحث المطروحة. بشكل عام، يوفر هذا القسم نظرة شاملة حول كيفية إجراء الدراسة، مما يضمن إمكانية إعادة الإنتاج والشفافية في عملية البحث.
النتائج
تشير النتائج الأولية إلى أن المشاركين أظهروا مجموعة من القيم المتوسطة للمتغيرات المدروسة، مع درجات تتراوح بين 2.62 و5.92 وانحرافات معيارية من 1.11 إلى 1.78. ومن الجدير بالذكر أن أدنى درجة لوحظت في الفهم الفني للذكاء الاصطناعي (M = 2.62؛ SD = 1.51)، مما يبرز فجوة كبيرة في فهم تكنولوجيا الذكاء الاصطناعي. على العكس، حصل الإنجاز الأكاديمي على أعلى درجة (M = 5.92؛ SD = 1.11)، مما يشير إلى أن الذكاء الاصطناعي يمكن أن يعزز تجارب التعلم. ومع ذلك، كانت جودة مخرجات الذكاء الاصطناعي متوسطة (M = 3.18؛ SD = 1.78)، مما يشير إلى الحاجة إلى تحسين التدريب في الاستخدام الفعال لأدوات الذكاء الاصطناعي. كانت الكفاءة الذاتية للذكاء الاصطناعي أيضًا منخفضة نسبيًا (M = 3.12؛ SD = 1.44)، مما يعزز ضرورة التوجيه في التطبيق الأخلاقي والمعنوي للذكاء الاصطناعي.
كشفت الإحصائيات الوصفية عن استجابات إيجابية بشأن التطبيق العملي للذكاء الاصطناعي (M = 4.59؛ SD = 1.46) والتقييم النقدي للذكاء الاصطناعي (M = 4.73؛ SD = 1.50)، مما يشير إلى مشاركة نشطة ونقدية مع أدوات الذكاء الاصطناعي في التعلم. أظهرت تحليلات الارتباط وجود ارتباطات كبيرة بين البنى، مع أقوى ارتباط بين التقييم النقدي للذكاء الاصطناعي والتطبيق العملي للذكاء الاصطناعي (r = 0.803). بالإضافة إلى ذلك، كان هناك ارتباط ملحوظ بين الفهم الفني للذكاء الاصطناعي والتطبيق العملي للذكاء الاصطناعي (r = 0.622)، مما يشير إلى أن تحسين الفهم الفني قد يؤدي إلى زيادة استخدام أدوات الذكاء الاصطناعي. ومن المثير للاهتمام، أنه لم يتم العثور على علاقة كبيرة بين جودة مخرجات الذكاء الاصطناعي والإنجاز الأكاديمي (r = 0.041). أكدت تقييمات توزيع الطبيعي أن جميع المتغيرات تقع ضمن نطاقات الانحراف والتفرطح المقبولة، مما يدعم صحة النتائج.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الأهمية المتزايدة لمعرفه الذكاء الاصطناعي في التعليم، مشددًا على ضرورة تطوير الطلاب مهارات للتفاعل بفعالية مع تكنولوجيا الذكاء الاصطناعي. يعرف المؤلفون معرفة الذكاء الاصطناعي بأنها تشمل مجموعة متنوعة من الكفاءات، بما في ذلك الفهم، والتطبيق، والتقييم، والانخراط الأخلاقي مع أدوات الذكاء الاصطناعي. النموذج البحثي المقدم يعتمد على إطار عمل لاوبيشلر وآخرين، مع التركيز على ثلاثة عوامل رئيسية: الفهم الفني، والتقييم النقدي، والتطبيق العملي للذكاء الاصطناعي. يُفترض أن هذه العوامل تؤثر بشكل كبير على كفاءة الطلاب الذاتية، وجودة المخرجات، والأداء الأكاديمي، مع فرضيات تشير إلى أن التحسينات في هذه المجالات يمكن أن تعزز النتائج التعليمية.
تناقش الدراسة أيضًا ضرورة أن تزود الأنظمة التعليمية الطلاب بالقدرة على تقييم تكنولوجيا الذكاء الاصطناعي بشكل نقدي، مما يضمن الاستخدام الأخلاقي ويعزز مهارات التفكير العليا. تم الإشارة إلى المخاوف بشأن موثوقية المخرجات الناتجة عن الذكاء الاصطناعي وإمكانية الاعتماد المفرط على التكنولوجيا، إلى جانب التأثيرات الإيجابية لأدوات الذكاء الاصطناعي على الإبداع والأداء الأكاديمي. تهدف الدراسة إلى قياس العلاقات بين مكونات معرفة الذكاء الاصطناعي ونجاح الطلاب، باستخدام عينة قوية من 286 طالبًا جامعيًا من خلفيات أكاديمية متنوعة في النمسا، مما يساهم بذلك في تقديم رؤى قيمة حول دور الذكاء الاصطناعي في التعليم المعاصر.
القيود
تسلط القيود في هذه الدراسة الضوء على عدة مجالات للتحسين والتحقيقات المستقبلية. بينما سهل استخدام استبيان عبر الإنترنت الوصول السريع إلى السكان المستهدفين، إلا أنه قدم أيضًا تحديات، مثل محدودية استعداد المشاركين وإمكانية الحصول على استجابات مرغوبة اجتماعيًا بدلاً من آراء حقيقية. بالإضافة إلى ذلك، فإن غياب معلمي الجامعات في العينة يحد من فهم تأثير معرفة الذكاء الاصطناعي على نتائج الطلاب الأكاديمية. كما أن التصميم العرضي للدراسة يحد من القدرة على تتبع تطور معرفة الذكاء الاصطناعي مع مرور الوقت مع اكتساب الطلاب الخبرة.
لمعالجة هذه القيود، ينبغي أن تأخذ الأبحاث المستقبلية في الاعتبار التصاميم شبه التجريبية التي تقارن النتائج الأكاديمية بين الطلاب الذين يستخدمون الذكاء الاصطناعي وأولئك الذين لا يستخدمونه، مما يوضح الآثار المحددة لتطبيقات الذكاء الاصطناعي عبر سياقات التعلم المختلفة. يمكن أن يوفر التحقيق في معرفة الذكاء الاصطناعي لدى المحاضرين الجامعيين رؤى قيمة حول تأثيرها على أداء الطلاب. علاوة على ذلك، يُوصى بإجراء دراسات طولية لاستكشاف تطور معرفة الذكاء الاصطناعي وعلاقتها بالعوامل الأخرى التي تؤثر على النجاح الأكاديمي.
DOI: https://doi.org/10.1186/s40561-025-00384-3
Publication Date: 2025-04-27
Author(s): Senad Bećirović et al.
Primary Topic: Online Learning and Analytics
Overview
This research investigates the AI literacy of Austrian university students, focusing on their understanding of AI technology, practical application, critical appraisal, and the subsequent effects on self-efficacy, output quality, and academic performance. Utilizing an online survey with 286 participants, the study employs structural equation modeling to analyze the relationships among these variables. Key findings reveal that both AI technical understanding and practical application positively influence AI self-efficacy, while critical appraisal negatively impacts both self-efficacy and output quality. However, the study finds that these factors do not significantly affect academic performance, highlighting a gap in students’ effective use of AI technologies.
The conclusion stresses the necessity of enhancing students’ technical knowledge of AI to foster confidence and competence in its application, which could lead to improved academic outcomes. Despite the positive influences of AI understanding and practical application on self-efficacy and output quality, the lack of significant effects on academic performance suggests a need for comprehensive training in AI skills. The study advocates for the integration of AI literacy into educational curricula and the development of policies that address the ethical and effective use of AI tools, ultimately aiming to bolster students’ academic performance through improved AI competencies.
Introduction
The introduction of this research paper highlights the growing prevalence and significance of AI-powered tools in educational contexts, emphasizing their profound impact on students’ learning processes, performance, and overall development. While increased AI literacy is essential for students to navigate the digital landscape effectively, the relationship between AI tool usage and academic achievement remains contentious. Some studies indicate that reliance on AI can negatively affect student performance, while others suggest that well-integrated AI tools can enhance motivation and learning outcomes. The paper identifies a critical gap in research regarding AI literacy and technology acceptance in Austrian educational settings, noting that while many students recognize the potential benefits of AI, there is also significant skepticism regarding its reliability.
The study aims to quantitatively assess students’ AI literacy, encompassing their understanding, practical application, and critical evaluation of AI technologies, and to explore how these factors influence AI output quality, self-efficacy, and academic performance. By addressing the contradictory findings related to AI’s impact on education and identifying strategies to mitigate misuse while enhancing positive outcomes, the research seeks to contribute to the literature on AI in education. Ultimately, the findings are expected to inform the development of effective policies, curricula, and teaching methods that promote responsible and proficient use of AI tools among students, particularly in the social sciences.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the selection of participants, the design of the experiments, and the specific procedures followed to gather data. The methodologies include quantitative measurements, statistical analyses, and any computational models used to interpret the results.
Additionally, the section may describe the tools and technologies utilized, such as software for data analysis or equipment for conducting experiments. The rationale behind the chosen methods is also discussed, emphasizing their relevance to the research questions posed. Overall, this section provides a comprehensive overview of how the study was conducted, ensuring reproducibility and transparency in the research process.
Results
The preliminary results indicate that the participants exhibited a range of mean values for the studied variables, with scores between 2.62 and 5.92 and standard deviations from 1.11 to 1.78. Notably, the lowest score was observed in AI technical understanding (M = 2.62; SD = 1.51), highlighting a significant gap in comprehension of AI technologies. Conversely, academic achievement received the highest score (M = 5.92; SD = 1.11), suggesting that AI could enhance learning experiences. However, the quality of AI output was moderate (M = 3.18; SD = 1.78), indicating a need for improved training in effective AI tool usage. AI self-efficacy was also relatively low (M = 3.12; SD = 1.44), reinforcing the necessity for guidance in ethical and meaningful AI application.
Descriptive statistics revealed positive responses regarding AI practical application (M = 4.59; SD = 1.46) and AI critical appraisal (M = 4.73; SD = 1.50), suggesting an active and critical engagement with AI tools in learning. Correlation analysis showed significant associations among the constructs, with the strongest correlation between AI critical appraisal and AI practical application (r = 0.803). Additionally, a notable correlation existed between AI technical understanding and AI practical application (r = 0.622), indicating that enhanced technical understanding may lead to increased use of AI tools. Interestingly, no significant relationship was found between AI output quality and academic achievement (r = 0.041). Normality distribution assessments confirmed that all variables fell within acceptable skewness and kurtosis ranges, supporting the validity of the findings.
Discussion
The discussion section of the research paper highlights the increasing importance of AI literacy in education, emphasizing that students must develop skills to effectively interact with AI technologies. The authors define AI literacy as encompassing various competencies, including understanding, applying, evaluating, and ethically engaging with AI tools. The research model presented is based on Laupichler et al.’s framework, focusing on three primary factors: technical understanding, critical appraisal, and practical application of AI. These factors are posited to significantly influence students’ self-efficacy, output quality, and academic performance, with hypotheses suggesting that improvements in these areas can enhance educational outcomes.
The study also addresses the necessity for educational systems to equip students with the ability to critically assess AI technologies, ensuring ethical usage and fostering higher-order thinking skills. Concerns regarding the reliability of AI-generated outputs and the potential for over-reliance on technology are noted, alongside the positive impacts of AI tools on creativity and academic performance. The research aims to quantify the relationships between AI literacy components and student success, using a robust sample of 286 university students from diverse academic backgrounds in Austria, thereby contributing valuable insights into the role of AI in contemporary education.
Limitations
The limitations of this study highlight several areas for improvement and further investigation. While the use of an online questionnaire facilitated quick access to the target population, it also presented challenges, such as limited participant willingness and the potential for socially desirable responses rather than genuine opinions. Additionally, the absence of university teachers in the sample restricts the understanding of AI literacy’s impact on students’ academic outcomes. The study’s cross-sectional design further limits the ability to track the evolution of AI literacy over time as students gain experience.
To address these limitations, future research should consider quasi-experimental designs that compare academic outcomes between students utilizing AI and those who do not, thereby elucidating the specific effects of AI applications across various learning contexts. Investigating the AI literacy of university lecturers could also provide valuable insights into its influence on student performance. Furthermore, longitudinal studies are recommended to explore the development of AI literacy and its relationship with other factors affecting academic success.