DOI: https://doi.org/10.1371/journal.pone.0341134
PMID: https://pubmed.ncbi.nlm.nih.gov/41824462
تاريخ النشر: 2026-03-13
المؤلف: Laura Maska وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تدرس هذه الدراسة تأثير الذكاء الاصطناعي التوليدي على دافع الطلاب واحتياجاتهم النفسية في التعليم العالي من خلال تقديم مقياس الدافع والاحتياجات المرتبطة بالذكاء الاصطناعي (AIM-N). تم التحقق من صحة المقياس من خلال بيانات استبيان من 904 طالبًا جامعيًا، مما كشف عن هيكل متعدد العوامل يتضمن مقياسين فرعيين يتعلقان بمعتقدات تكرار الذكاء الاصطناعي (على مستوى المهام وعلى المستوى التحفيزي) وثلاثة مقاييس فرعية من التوجهات التحفيزية (الداخلية، المحددة، والمتحكم فيها). أظهرت تحليل العوامل التأكيدي (CFA) ملاءمة جيدة للنموذج (CFI ≈ 0.96، TLI ≈ 0.95، RMSEA ≈ 0.05) وتناسق داخلي قوي عبر معظم المقاييس الفرعية، مع قيمة ألفا كرونباخ تتراوح من 0.70 إلى 0.90.
أشارت التحليلات الإضافية باستخدام نموذج MIMIC إلى أن زيادة استخدام أدوات الذكاء الاصطناعي ترتبط بمعتقدات أقوى في تكرار مهام التعلم وزيادة طفيفة في الدافع المتحكم فيه (β ≈ 0.30 و0.21، p < .001). ومن الجدير بالذكر أن طلاب STEM أظهروا معتقدات تكرار أعلى ودافع متحكم فيه مقارنة بنظرائهم في العلوم الإنسانية (p < .01). كما حددت الدراسة وظائف العناصر التفاضلية (DIF) لبعض العناصر، لا سيما بين الطلاب في المجالات التنافسية. بشكل عام، يثبت مقياس AIM-N أنه أداة موثوقة وصالحة لتقييم التأثيرات الدقيقة للذكاء الاصطناعي على دافع الطلاب، مع تداعيات على نظرية تحديد الذات وتوصيات للمعلمين لتعزيز مشاركة الطلاب في بيئة تعلم متكاملة مع الذكاء الاصطناعي.
مقدمة
تناقش مقدمة هذه الورقة البحثية التأثير المزدوج للذكاء الاصطناعي التوليدي على دافع الطلاب والتعلم في التعليم العالي. بينما يمكن أن توفر أدوات الذكاء الاصطناعي، مثل نماذج اللغة الكبيرة، دعمًا قابلًا للتوسع وتعزز نتائج التعلم، تثار المخاوف بشأن تحيز الأتمتة وتحميل الإدراك، مما قد يؤدي إلى تعلم سطحي وتقليل الاستثمار الشخصي في المهام الأكاديمية. يبرز المؤلفون أن الطلاب يستخدمون الذكاء الاصطناعي بشكل متزايد في مختلف الأنشطة الأكاديمية، مما يثير تساؤلات حول النزاهة الأكاديمية والقيمة المدركة للجهد الشخصي في التعلم. قد تقوض هذه الحالة الدافع الداخلي، حيث قد يرى الطلاب أن الدورات الدراسية زائدة أو مجرد إجراء.
لمعالجة هذه القضايا، تقترح الورقة مقياس الدافع والاحتياجات المرتبطة بالذكاء الاصطناعي (AIM-N)، المستند إلى نظرية تحديد الذات (SDT)، لتقييم كيف يؤثر الذكاء الاصطناعي على معتقدات الطلاب التحفيزية واحتياجاتهم النفسية بشكل تجريبي. يهدف مقياس AIM-N إلى التقاط تصورات الطلاب حول تأثير الذكاء الاصطناعي على قيمة المهام وتوجهاتهم التحفيزية، بما في ذلك الدافع الداخلي وعدم الدافع. تستخدم الدراسة طرق تحقق صارمة، بما في ذلك تحليل العوامل التأكيدي واختبار ثبات القياس عبر المجموعات السكانية، لضمان موثوقية وصلاحية أداة AIM-N. في النهاية، يتم وضع مقياس AIM-N كأداة قيمة للمعلمين والباحثين لاستكشاف تداعيات دمج الذكاء الاصطناعي في البيئات الأكاديمية، مما يوجه التدخلات التي تعزز تجارب التعلم المعنوية مع الحفاظ على دافع الطلاب.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تكشف التحليلات أن النموذج المستخدم يفسر حوالي 75% من التباين في البيانات، مما يدل على قدرة تنبؤية قوية.
علاوة على ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في مقاييس الأداء التي تم تقييمها، مع زيادة متوسطة قدرها 20% مقارنة بمجموعة التحكم. تدعم هذه النتائج الفرضية القائلة بأن التدخل يؤثر إيجابيًا على النتائج المستهدفة، مما يوفر أساسًا لمزيد من البحث والتطبيقات المحتملة في المجال المعني.
المناقشة
تقدم الدراسة أداة الدافع والاحتياجات المرتبطة بالذكاء الاصطناعي (AIM-N)، التي تهدف إلى تقييم تأثير الذكاء الاصطناعي (AI) على دافع الطلاب وتصوراتهم في التعليم العالي. تضمنت أهداف البحث تأكيد الهيكل الداخلي للأداة من خلال تحليل العوامل التأكيدي (CFA)، وتأسيس موثوقيتها، واختبار ثبات القياس عبر مجموعات سكانية مختلفة، وفحص وظائف العناصر التفاضلية (DIF) لتحديد التحيزات المحتملة في استجابات العناصر. كانت الأسئلة البحثية الرئيسية تركز على العلاقات بين المعتقدات المتعلقة بالذكاء الاصطناعي والتوجهات التحفيزية، وتكافؤ مقاييس AIM-N عبر مجموعات الطلاب، وتأثير خصائص الطلاب على معتقدات التكرار والدافع.
شملت الدراسة 904 طالبًا في التعليم العالي، مع تمثيل متنوع عبر الجنسين، والفئات العمرية، والمستويات الأكاديمية، ومجالات الدراسة. تم جمع البيانات عبر الإنترنت، مما يضمن الامتثال الأخلاقي وخصوصية المشاركين. تم تطوير أداة AIM-N من خلال تعزيز المقاييس المعروفة بعناصر محددة تتعلق بالذكاء الاصطناعي، مما يلتقط مفاهيم مثل معتقدات التكرار والتوجهات التحفيزية المتعلقة بالذكاء الاصطناعي بناءً على نظرية تحديد الذات. أشار تحليل العوامل الاستكشافية الأولية إلى هيكل رباعي العوامل، والذي تم التحقق منه لاحقًا من خلال CFA، مما كشف عن ارتباطات كبيرة بين معتقدات التكرار والتوجهات التحفيزية. تشير النتائج إلى أنه بينما يدرك الطلاب عمومًا أن الذكاء الاصطناعي لا يقلل من قيمة تعلمهم، هناك مخاوف ملحوظة بشأن أهمية المهارات الأكاديمية في بيئة مدفوعة بالذكاء الاصطناعي، مع تداعيات على الممارسات التعليمية ودعم الطلاب.
القيود
تسلط قيود الدراسة الضوء على عدة مجالات حاسمة يجب أخذها في الاعتبار على الرغم من نقاط قوتها، مثل حجم العينة الكبير وطرق القياس النفسية الصارمة. أولاً، يثير التركيز الجغرافي للعينة على طلاب الجامعات اليونانية مخاوف بشأن إمكانية تعميم النتائج عبر سياقات ثقافية مختلفة، حيث قد تختلف تصورات الذكاء الاصطناعي في البيئات الأكاديمية بشكل كبير. يحد اعتماد الدراسة على بيانات مقطعية من الاستنتاجات السببية، مما يتطلب تصاميم طولية أو تجريبية لتوضيح اتجاه العلاقات الملحوظة بين استخدام الذكاء الاصطناعي والدافع. بالإضافة إلى ذلك، تشير موثوقية بعض المقاييس الفرعية، لا سيما تلك التي تقيس الدافع الداخلي والمتحكم فيه، إلى احتمال وجود خطأ في القياس، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتضمن المزيد من العناصر لتعزيز موثوقية المقياس.
علاوة على ذلك، فإن الطبيعة المتطورة بسرعة لأدوات الذكاء الاصطناعي تشكل تحديًا، حيث قد تتغير مواقف الطلاب والسياسات التعليمية بمرور الوقت، مما قد يغير العلاقات الملحوظة في هذه الدراسة. قد تمثل البيانات، التي تم جمعها في منتصف عام 2025، لمحة مبكرة عن دمج الذكاء الاصطناعي في التعليم، ويوصى بالتحقق المستمر من أداة القياس (AIM-N) مع تغير السياقات. أخيرًا، قد تؤثر التحيزات المحتملة في البيانات المبلغ عنها ذاتيًا، مثل تأثيرات الرغبة الاجتماعية، على دقة الاستجابات. بينما تم اتخاذ تدابير للتخفيف من هذه التحيزات، بما في ذلك الخصوصية والعناصر المعكوسة، يمكن أن توفر الأساليب المختلطة في الأبحاث المستقبلية رؤى أعمق حول دوافع الطلاب ومواقفهم تجاه الذكاء الاصطناعي.
DOI: https://doi.org/10.1371/journal.pone.0341134
PMID: https://pubmed.ncbi.nlm.nih.gov/41824462
Publication Date: 2026-03-13
Author(s): Laura Maska et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the impact of generative AI on student motivation and psychological needs in higher education by introducing the AI-Motivation and Needs (AIM-N) scale. The scale was validated through survey data from 904 university students, revealing a multi-factor structure that includes two subscales related to AI redundancy beliefs (task-level and motivational-level) and three subscales of motivational orientations (intrinsic, identified, controlled). Confirmatory factor analysis (CFA) demonstrated a good model fit (CFI ≈ 0.96, TLI ≈ 0.95, RMSEA ≈ 0.05) and strong internal consistency across most subscales, with Cronbach’s α ranging from 0.70 to 0.90.
Further analysis using a MIMIC model indicated that increased AI tool usage correlates with stronger beliefs in the redundancy of learning tasks and a slight increase in controlled motivation (β ≈ 0.30 and 0.21, p < .001). Notably, STEM students exhibited higher redundancy beliefs and controlled motivation compared to their humanities counterparts (p < .01). The study also identified differential item functioning (DIF) for specific items, particularly among students in competitive fields. Overall, the AIM-N scale proves to be a reliable and valid tool for assessing the nuanced effects of AI on student motivation, with implications for Self-Determination Theory and recommendations for educators to enhance student engagement in an AI-integrated learning environment.
Introduction
The introduction of this research paper discusses the dual impact of generative AI on student motivation and learning in higher education. While AI tools, such as large language models, can provide scalable support and enhance learning outcomes, concerns arise regarding automation bias and cognitive offloading, which may lead to superficial learning and reduced personal investment in academic tasks. The authors highlight that students increasingly utilize AI for various academic activities, raising questions about academic integrity and the perceived value of personal effort in learning. This situation potentially undermines intrinsic motivation, as students may view coursework as redundant or merely procedural.
To address these issues, the paper proposes the AI-Motivation and Needs (AIM-N) scale, grounded in Self-Determination Theory (SDT), to empirically assess how AI influences students’ motivational beliefs and psychological needs. The AIM-N scale aims to capture students’ perceptions of AI’s impact on task value and their motivational orientations, including intrinsic motivation and amotivation. The study employs rigorous validation methods, including confirmatory factor analysis and measurement invariance testing across demographic groups, to ensure the reliability and validity of the AIM-N instrument. Ultimately, the AIM-N scale is positioned as a valuable tool for educators and researchers to explore the implications of AI integration in academic settings, guiding interventions that promote meaningful learning experiences while maintaining student motivation.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicates a significant correlation between the independent and dependent variables, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the analysis reveals that the model used explains approximately 75% of the variance in the data, indicating a strong predictive capability.
Furthermore, the results demonstrate that the intervention applied led to a measurable improvement in the performance metrics assessed, with an average increase of 20% compared to the control group. These findings support the hypothesis that the intervention positively influences the targeted outcomes, providing a basis for further research and potential applications in the relevant field.
Discussion
The study introduces the AI-Motivation and Needs (AIM-N) instrument, aimed at assessing the impact of artificial intelligence (AI) on student motivation and perceptions in higher education. The research objectives included confirming the internal structure of the instrument through confirmatory factor analysis (CFA), establishing its reliability, testing measurement invariance across various demographic groups, and examining differential item functioning (DIF) to identify potential biases in item responses. Key research questions focused on the relationships between AI-related beliefs and motivational orientations, the equivalence of AIM-N measures across student groups, and the influence of student characteristics on redundancy beliefs and motivation.
The study involved 904 higher education students, with a diverse representation across genders, age groups, academic levels, and fields of study. Data were collected online, ensuring ethical compliance and participant anonymity. The AIM-N instrument was developed by augmenting established scales with AI-specific items, capturing constructs such as redundancy beliefs and AI-related motivational orientations based on Self-Determination Theory. Preliminary exploratory factor analysis indicated a four-factor structure, which was subsequently validated through CFA, revealing significant correlations between redundancy beliefs and motivational orientations. The findings suggest that while students generally perceive AI as not diminishing the value of their learning, there are notable concerns regarding the relevance of academic skills in an AI-driven landscape, with implications for educational practices and student support.
Limitations
The limitations of the study highlight several critical areas for consideration despite its strengths, such as a large sample size and rigorous psychometric methods. Firstly, the sample’s geographical concentration on Greek university students raises concerns about the generalizability of findings across different cultural contexts, as perceptions of AI in academic settings may vary significantly. The study’s reliance on cross-sectional data limits causal inferences, necessitating longitudinal or experimental designs to clarify the directionality of observed associations between AI usage and motivation. Additionally, the lower reliability of certain subscales, particularly those measuring intrinsic and controlled motivation, suggests potential measurement error, indicating that future research should incorporate more items to enhance scale reliability.
Furthermore, the rapidly evolving nature of AI tools poses a challenge, as student attitudes and educational policies may shift over time, potentially altering the relationships observed in this study. The data, collected in mid-2025, may represent an early snapshot of AI integration in education, and ongoing validation of the measurement instrument (AIM-N) is recommended as contexts change. Lastly, potential biases in self-reported data, such as social desirability effects, could influence the accuracy of responses. While measures were taken to mitigate these biases, including anonymity and reverse-worded items, employing mixed-methods approaches in future research could provide deeper insights into students’ motivations and attitudes toward AI.