DOI: https://doi.org/10.3389/fpsyg.2026.1714147
PMID: https://pubmed.ncbi.nlm.nih.gov/41717468
تاريخ النشر: 2026-02-04
المؤلف: Sedef Çelik وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف هذه الدراسة الخصائص النفسية لمقياس الكفاءة الذاتية العامة للذكاء الاصطناعي التركي (GSE-6AIS) وتستكشف العلاقات المتبادلة بين الكفاءة الذاتية للذكاء الاصطناعي، وقلق الذكاء الاصطناعي، وقبول الذكاء الاصطناعي التوليدي بين المعلمين المستقبليين في تركيا. تم جمع البيانات من 941 مشاركًا، مما يكشف أن المعرفة الأعلى بالذكاء الاصطناعي ترتبط بزيادة الكفاءة الذاتية وقبول الذكاء الاصطناعي التوليدي، بينما تقلل أيضًا من قلق الذكاء الاصطناعي. ومن الجدير بالذكر أن الجنس والاستخدام العام للكمبيوتر لم يؤثرا بشكل كبير على هذه العلاقات. أشارت تحليلات الوساطة إلى أن الكفاءة الذاتية للذكاء الاصطناعي تتوسط جزئيًا العلاقة بين قلق الذكاء الاصطناعي وقبول الذكاء الاصطناعي التوليدي، مما يبرز دورها كآلية نفسية حاسمة.
تدمج النتائج نظرية الكفاءة الذاتية لباندورا مع نموذج قبول التكنولوجيا (TAM)، مقدمة منظورًا تفاعليًا يبرز التفاعلات الديناميكية بين الأفراد والتكنولوجيا. تؤكد الدراسة على أهمية تعزيز الكفاءة الذاتية للذكاء الاصطناعي لتخفيف القلق وتعزيز قبول الذكاء الاصطناعي التوليدي في البيئات التعليمية. تحدد المعرفة الخاصة بالذكاء الاصطناعي كمتنبئ مهم للكفاءة الذاتية، بينما تقترح أن المهارات العامة في الكمبيوتر والجنس لها تأثير أقل. هذه الرؤى لها تداعيات عملية على برامج إعداد المعلمين، داعية إلى تدخلات محددة في محو الأمية في الذكاء الاصطناعي لإعداد المعلمين المستقبليين بشكل أفضل لدمج تقنيات الذكاء الاصطناعي في بيئات التعلم.
الطرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب العشوائية المحكومة أو الدراسات الملاحظة، لضمان إمكانية إعادة إنتاج النتائج وصرامتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الأدوات والتقنيات المستخدمة لجمع البيانات، مثل الاستبيانات، ومعدات المختبر، أو البرمجيات للتحليل الإحصائي. تم تصميم الطرق لمعالجة أسئلة البحث بفعالية، مما يضمن أن النتائج صحيحة وموثوقة. بشكل عام، يعمل هذا القسم كأساس لفهم كيفية إجراء البحث والأساس الذي تم بناء الاستنتاجات عليه.
النتائج
تشير نتائج الدراسة إلى هيكل عامل أحادي قوي لمقياس الكفاءة الذاتية العامة التركي (GSE-6AIS) كما تم تأكيده من خلال كل من تحليل العوامل الاستكشافية (EFA) وتحليل العوامل التأكيدي (CFA). أظهر تحليل العوامل الاستكشافية، الذي تم إجراؤه على عينة من 470 مشاركًا، ملاءمة ممتازة للعينة (KMO = 0.89) واختبار بارلت للكراتية بشكل كبير [χ²(15) = 940.14، p < 0.001]. تم دعم حل العامل الواحد من خلال التحليل المتوازي، حيث يفسر 47.5% من التباين مع تحميلات عوامل تتراوح بين 0.66 و0.72، ووجود مشترك يتجاوز العتبة 0.30. أكد تحليل العوامل التأكيدي، الذي تم إجراؤه على عينة منفصلة من 471 مشاركًا باستخدام تقدير المربعات الصغرى الموزونة المعدلة (WLSMV)، ملاءمة النموذج الأحادي بشكل ممتاز مع المؤشرات التالية: χ²(9) = 11.38، p = 0.251؛ CFI = 0.999؛ TLI = 0.999؛ RMSEA = 0.024 [90% CI: 0.000، 0.060]؛ وSRMR = 0.022. تجاوزت جميع مؤشرات الملاءمة العتبات الموصى بها، وتراوحت تحميلات العوامل المعيارية من 0.64 إلى 0.76، مما يشير إلى أن جميع العناصر ساهمت بشكل كبير في البناء الكامن (p < 0.001).
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم للكفاءة الذاتية في اعتماد التكنولوجيا، وخاصة في سياق الذكاء الاصطناعي (AI). استنادًا إلى نظرية باندورا الاجتماعية المعرفية، يبرز المؤلفون أن الكفاءة الذاتية تؤثر على معتقدات الأفراد في قدرتهم على استخدام أدوات الذكاء الاصطناعي بفعالية، مما يؤثر بدوره على قبولهم وتفاعلهم مع هذه التقنيات. تدعم الأدلة التجريبية الفكرة القائلة بأن الكفاءة الذاتية الأعلى في الذكاء الاصطناعي ترتبط إيجابيًا بالاستخدام الفعال للمنصات التعليمية المدعومة بالذكاء الاصطناعي، مما يعزز تجارب التعلم الشخصية. بالمقابل، يظهر قلق الذكاء الاصطناعي كحاجز كبير أمام اعتماد التكنولوجيا، مما يؤثر سلبًا على استعداد الأفراد للتفاعل مع الذكاء الاصطناعي بسبب المخاوف المتعلقة بالاستقلالية والسيطرة. تدمج الورقة مجموعة من الأطر النظرية، بما في ذلك نموذج قبول التكنولوجيا (TAM) والنظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)، لتوضيح كيف تتفاعل الكفاءة الذاتية والقلق لتشكيل قبول التكنولوجيا.
علاوة على ذلك، يقترح المؤلفون إطارًا ثنائي المسار حيث لا يعيق قلق الذكاء الاصطناعي القبول بشكل مباشر فحسب، بل يؤثر عليه أيضًا بشكل غير مباشر من خلال الكفاءة الذاتية. تدعم هذه العلاقة النتائج التجريبية التي تشير إلى أن الكفاءة الذاتية يمكن أن تخفف من الآثار السلبية لقلق الذكاء الاصطناعي، مما يعزز دورة تعزيز الثقة والتفاعل مع تقنيات الذكاء الاصطناعي. تعترف الدراسة أيضًا بتأثير العوامل الديموغرافية، مثل الجنس والخبرة السابقة في التكنولوجيا، على مستويات الكفاءة الذاتية والقلق. من خلال معالجة هذه البنى المترابطة، تهدف الدراسة إلى سد الفجوات الموجودة في الأدبيات وتقديم رؤى للتدخلات التعليمية التي تعزز الكفاءة الذاتية مع معالجة القلق المرتبط بتقنيات الذكاء الاصطناعي.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة للبحث المستقبلي. أولاً، يحد استخدام العينة المريحة من المعلمين المستقبليين من سبع جامعات في تركيا من إمكانية تعميم النتائج على مجموعة سكانية أوسع. قد تؤثر الاختلافات الثقافية والمؤسسية في إعداد المعلمين والتعرض للذكاء الاصطناعي على النتائج، مما يشير إلى أن الدراسات المستقبلية يجب أن تستخدم العينة العشوائية أو تشمل مجموعة متنوعة من المشاركين. بالإضافة إلى ذلك، يحد التصميم العرضي من الاستنتاجات السببية، مما يشير إلى الحاجة إلى دراسات طولية لتتبع تطور البنى على مر الزمن. إن الاعتماد على مقاييس ذاتية للإبلاغ عن الكفاءة الذاتية للذكاء الاصطناعي، والقلق، وGAIAS يقدم انحيازات محتملة، والتي يمكن التخفيف منها من خلال دمج تقييمات متعددة المصادر أو مقاييس موضوعية لاستخدام الذكاء الاصطناعي.
علاوة على ذلك، كشفت التحليلات عن عدم تباين كبير في القياس عبر مستويات مختلفة من المعرفة بالذكاء الاصطناعي، مما يشير إلى أن المقياس قد يعمل بشكل مختلف للمستخدمين المبتدئين مقابل ذوي الخبرة. تتطلب هذه النتيجة الحذر في المقارنات عبر الطبقات وتSuggests أن الأبحاث المستقبلية يجب أن تصقل صياغة العناصر من أجل الوضوح بين المشاركين الأقل خبرة. تشير القيم المتواضعة لـ R-squared في الدراسة إلى أن عوامل أخرى غير مفحوصة، مثل الفائدة المدركة والدعم المؤسسي، قد تؤثر بشكل كبير على النتائج. يجب أن تستكشف التحقيقات المستقبلية نماذج شاملة تتضمن هذه البنى وتقييم كيفية تأثير تقنيات الذكاء الاصطناعي المتطورة على الكفاءة الذاتية والقلق في السياقات التعليمية. بشكل عام، بينما تسهم الدراسة في تقديم رؤى قيمة حول الكفاءة الذاتية والقلق في إعداد المعلمين، فإن معالجة قيودها ستعزز من قوة وقابلية تطبيق النتائج المستقبلية.
DOI: https://doi.org/10.3389/fpsyg.2026.1714147
PMID: https://pubmed.ncbi.nlm.nih.gov/41717468
Publication Date: 2026-02-04
Author(s): Sedef Çelik et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the psychometric properties of the Turkish Brief General AI Self-Efficacy Scale (GSE-6AIS) and explores the interrelations among AI self-efficacy, AI anxiety, and generative AI acceptance among pre-service teachers in Turkey. Data were collected from 941 participants, revealing that higher AI knowledge correlates with increased self-efficacy and generative AI acceptance, while also reducing AI anxiety. Notably, gender and general computer use did not significantly influence these relationships. Mediation analyses indicated that AI self-efficacy partially mediates the connection between AI anxiety and generative AI acceptance, emphasizing its role as a crucial psychological mechanism.
The findings integrate Bandura’s self-efficacy theory with the Technology Acceptance Model (TAM), presenting a transactional perspective that highlights the dynamic interactions between individuals and technology. The study underscores the importance of enhancing AI self-efficacy to alleviate anxiety and promote acceptance of generative AI in educational settings. It identifies AI-specific knowledge as a significant predictor of self-efficacy, while suggesting that general computer skills and gender are less impactful. These insights have practical implications for teacher education programs, advocating for targeted AI literacy interventions to better prepare future educators for the integration of AI technologies in learning environments.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as randomized controlled trials or observational studies, are described to ensure reproducibility and rigor in the findings.
Additionally, the section may include information on the tools and technologies utilized for data collection, such as surveys, laboratory equipment, or software for statistical analysis. The methods are designed to address the research questions effectively, ensuring that the results are both valid and reliable. Overall, this section serves as a foundation for understanding how the research was conducted and the basis for the conclusions drawn.
Results
The results of the study indicate a robust unidimensional factor structure for the Turkish General Self-Efficacy Scale (GSE-6AIS) as confirmed by both exploratory factor analysis (EFA) and confirmatory factor analysis (CFA). The EFA, performed on a sample of 470 participants, demonstrated excellent sampling adequacy (KMO = 0.89) and significant Bartlett’s test of sphericity [χ²(15) = 940.14, p < 0.001]. A single-factor solution was supported by parallel analysis, explaining 47.5% of the variance with factor loadings between 0.66 and 0.72, and communalities exceeding the 0.30 threshold. The CFA, conducted on a separate sample of 471 participants using weighted least squares mean and variance adjusted (WLSMV) estimation, confirmed the unidimensional model's excellent fit with the following indices: χ²(9) = 11.38, p = 0.251; CFI = 0.999; TLI = 0.999; RMSEA = 0.024 [90% CI: 0.000, 0.060]; and SRMR = 0.022. All fit indices surpassed the recommended thresholds, and standardized factor loadings ranged from 0.64 to 0.76, indicating that all items significantly contributed to the latent construct (p < 0.001).
Discussion
The discussion section of the research paper emphasizes the critical role of self-efficacy in technology adoption, particularly in the context of artificial intelligence (AI). Drawing on Bandura’s social cognitive theory, the authors highlight that self-efficacy influences individuals’ beliefs in their ability to effectively utilize AI tools, which in turn affects their acceptance and engagement with these technologies. Empirical evidence supports the notion that higher AI self-efficacy correlates positively with the effective use of AI-powered educational platforms, enhancing personalized learning experiences. Conversely, AI anxiety emerges as a significant barrier to technology adoption, negatively impacting individuals’ willingness to engage with AI due to concerns about autonomy and control. The paper integrates various theoretical frameworks, including the Technology Acceptance Model (TAM) and the Unified Theory of Acceptance and Use of Technology (UTAUT), to illustrate how self-efficacy and anxiety interact to shape technology acceptance.
Furthermore, the authors propose a dual-pathway framework where AI anxiety not only directly hinders acceptance but also indirectly affects it through self-efficacy. This relationship is supported by empirical findings indicating that self-efficacy can mitigate the negative effects of AI anxiety, fostering a reinforcing cycle of increased confidence and engagement with AI technologies. The study also acknowledges the influence of demographic factors, such as gender and prior technology experience, on self-efficacy and anxiety levels. By addressing these interconnected constructs, the research aims to fill existing gaps in the literature and provide insights for educational interventions that enhance self-efficacy while addressing anxiety related to AI technologies.
Limitations
The limitations of this study highlight several critical areas for future research. Firstly, the use of convenience sampling from pre-service teachers across seven universities in Türkiye restricts the generalizability of the findings to a wider population. Cultural and institutional differences in teacher education and AI exposure may affect the results, suggesting that future studies should employ random sampling or include a more diverse participant pool. Additionally, the cross-sectional design limits causal inferences, indicating a need for longitudinal studies to track the evolution of constructs over time. The reliance on self-reported measures for AI self-efficacy, anxiety, and GAIAS introduces potential biases, which could be mitigated by incorporating multi-source assessments or objective measures of AI usage.
Moreover, the analysis revealed significant non-invariance in measurement across different levels of AI knowledge, indicating that the scale may function differently for novice versus experienced users. This finding necessitates caution in cross-strata comparisons and suggests that future research should refine item wording for clarity among less experienced participants. The study’s modest R-squared values imply that other unexamined factors, such as perceived usefulness and institutional support, may significantly influence the outcomes. Future investigations should explore comprehensive models that include these constructs and assess how evolving AI technologies impact self-efficacy and anxiety in educational contexts. Overall, while the study contributes valuable insights into AI self-efficacy and anxiety in teacher education, addressing its limitations will enhance the robustness and applicability of future findings.