DOI: https://doi.org/10.1038/s41598-025-09545-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40618006
تاريخ النشر: 2025-07-05
المؤلف: Yi Xie وآخرون
الموضوع الرئيسي: دراسات ريادة الأعمال وتأثيراتها
نظرة عامة
تستكشف هذه الدراسة تأثير التعليم الريادي المدعوم بالذكاء الاصطناعي التوليدي (GAISEE) على النوايا الريادية لطلاب الجامعات في الصين، باستخدام نمذجة المعادلات الهيكلية استنادًا إلى بيانات من 346 مشاركًا. تشير النتائج إلى أن GAISEE يعزز بشكل كبير كل من الكفاءة الذاتية الريادية ($\beta = 0.523$, $p < 0.001$) والنوايا الريادية ($\beta = 0.244$, $p < 0.001$). علاوة على ذلك، تم تحديد الكفاءة الذاتية الريادية كوسيط في العلاقة بين GAISEE والنوايا الريادية، بينما أظهر بيئة الجامعة الريادية أنها تعزز هذه التأثيرات، مع تحسين البيئة التي تعزز التأثيرات الإيجابية لـ GAISEE على كل من الكفاءة الذاتية ($\beta = 0.333$, $p < 0.001$) والنوايا ($\beta = 0.207$, $p < 0.001$). تساهم هذه الأبحاث في مجال تعليم ريادة الأعمال من خلال تقديم أدلة تجريبية على فعالية دمج تكنولوجيا الذكاء الاصطناعي التوليدي والتأكيد على دور النظم البيئية الجامعية الداعمة. إنها تثري نظرية السلوك المخطط ضمن هذا السياق وتقدم توصيات عملية للمؤسسات التعليمية العليا لتصميم دورات ريادة أعمال فعالة. تدعو الدراسة صانعي السياسات إلى تعزيز بيئة الجامعة الريادية من خلال التعاون مع الصناعة، مما يعزز تطلعات ومهارات الطلاب الريادية. بشكل عام، تسلط هذه الأبحاث الضوء على إمكانيات GAISEE كأداة تحويلية في تعليم ريادة الأعمال، مما يشجع على فهم أعمق للتفاعل بين التكنولوجيا والتعليم والدعم المؤسسي.
مقدمة
في مقدمة ورقة البحث، يضع المؤلفون إطارًا نظريًا يدعم دراستهم. يستعرضون الأدبيات الموجودة لتحديد الفجوات في المعرفة ويعبرون عن فرضيتهم، التي تستند إلى نظريات راسخة. يقترح المؤلفون أن تحقيقهم سيساهم في فهم أعمق للموضوع من خلال معالجة هذه الفجوات.
تم صياغة الفرضية استنادًا إلى النتائج السابقة والبنى النظرية، مما يشير إلى علاقة أو تأثير محدد تهدف الدراسة إلى استكشافه. تضع هذه القسم الأساس للبحث اللاحق، مما يبرز أهمية الدراسة ضمن الخطاب الأكاديمي الأوسع ويحدد المساهمات المتوقعة في هذا المجال.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث، موضحة تصميم التجربة، وجمع البيانات، وتقنيات التحليل. استخدمت الدراسة إطارًا كميًا، متضمنة طرقًا إحصائية لضمان موثوقية وValidity النتائج. تم تحديد الأدوات والبرامج المحددة المستخدمة في تحليل البيانات، جنبًا إلى جنب مع معايير اختيار المشاركين والمعايير المقاسة.
بالإضافة إلى ذلك، يبرز القسم أهمية القابلية للتكرار، حيث يقدم وصفًا واضحًا للإجراءات المتبعة. يشمل ذلك صياغة الفرضيات، وإنشاء مجموعات التحكم، وتطبيق النماذج الرياضية ذات الصلة لتفسير النتائج. بشكل عام، تم تصميم المنهجية لتسهيل فهم شامل للظواهر قيد التحقيق مع الالتزام بمعايير علمية صارمة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي أجريت. تشير البيانات إلى وجود ارتباط كبير بين المتغير المستقل والمتغير التابع، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في البيانات، حيث يؤدي زيادة المتغير المستقل إلى زيادة متناسبة في المتغير التابع، كما هو موضح في نموذج الانحدار $Y = \beta_0 + \beta_1 X + \epsilon$، حيث يمثل $Y$ المتغير التابع، و$X$ المتغير المستقل، و$\epsilon$ مصطلح الخطأ.
علاوة على ذلك، تتضمن الدراسة تمثيلات رسومية للنتائج، مثل الرسوم البيانية والمخططات التكرارية، التي تدعم بصريًا النتائج الكمية. كما يبرز التحليل قوة النتائج عبر ظروف مختلفة ومجموعات فرعية من البيانات، مما يعزز موثوقية الاستنتاجات المستخلصة. بشكل عام، تساهم هذه النتائج في فهم أعمق للعلاقة بين المتغيرات قيد التحقيق، مما يوفر أساسًا للبحث المستقبلي في هذا المجال.
المناقشة
تتناول قسم المناقشة في ورقة البحث دمج نظرية السلوك المخطط (TPB) مع الإطار الابتكاري لتعليم ريادة الأعمال المدعوم بالذكاء الاصطناعي التوليدي (GAISEE). تفترض TPB أن نية الفرد الريادية تتأثر بالمواقف، والمعايير الذاتية، والرقابة السلوكية المدركة. توسع هذه الدراسة TPB من خلال دمج الكفاءة الذاتية الريادية كعامل حاسم، مما يبرز دورها في تعزيز القوة التنبؤية للنوايا الريادية، خاصة في السياقات التعليمية المدفوعة بالتكنولوجيا. بالإضافة إلى ذلك، يتم تقديم النظام البيئي الجامعي كمتغير معتدل، مما يبرز كيف يمكن أن يعزز الدعم المؤسسي تأثيرات GAISEE والكفاءة الذاتية على النوايا الريادية.
يمثل GAISEE تحولًا جذريًا في تعليم ريادة الأعمال، حيث ينتقل من طرق التعلم التقليدية السلبية إلى نهج أكثر تفاعلية وشخصية. من خلال استخدام الذكاء الاصطناعي التوليدي، يشارك الطلاب في محاكاة واقعية ويتلقون تعليقات مخصصة، مما يعزز الانخراط المعرفي الأعمق ويعزز مهاراتهم الريادية. لا تزرع هذه البيئة التعليمية الغامرة المعرفة التقنية للطلاب فحسب، بل تعزز أيضًا كفاءتهم الذاتية، وهو أمر حاسم لتطوير النوايا الريادية. تفترض الدراسة أن GAISEE يؤثر إيجابيًا على كل من الكفاءة الذاتية الريادية والنوايا، مع كون الكفاءة الذاتية وسيطًا في هذه العلاقة. علاوة على ذلك، تم تحديد بيئة الجامعة الريادية الداعمة كعامل رئيسي يمكن أن يعزز فعالية GAISEE، مما يسهل تحويل الكفاءة الذاتية إلى نوايا ريادية قابلة للتنفيذ. تهدف نموذج البحث المقترح إلى استكشاف هذه الديناميات، مع الأخذ في الاعتبار متغيرات التحكم المختلفة التي قد تؤثر على النتائج.
القيود
تقدم الدراسة عدة قيود تشير إلى سبل البحث المستقبلية. أولاً، يحد الاعتماد على بيانات الاستطلاع المقطعية من فهم التأثيرات طويلة الأجل للذكاء الاصطناعي التوليدي في تعليم ريادة الأعمال (GAISEE) على النوايا الريادية. يُوصى بنهج طولي لتتبع التغيرات بمرور الوقت وتقييم التأثير المستدام لتدخلات تعليم ريادة الأعمال. بالإضافة إلى ذلك، يثير التركيز على عينة محدودة من طلاب الجامعات في الصين مخاوف بشأن تعميم النتائج. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار سياقات ثقافية متنوعة، حيث قد يختلف تنفيذ GAISEE بشكل كبير بين البيئات التعليمية الشرقية والغربية.
علاوة على ذلك، تتناول الدراسة بشكل أساسي الجوانب العقلانية للنوايا الريادية، متجاهلة العوامل العاطفية التي قد تؤثر على سلوكيات الطلاب الريادية. يجب أن تتضمن التحقيقات المستقبلية الأبعاد العاطفية، مثل الشغف والخوف، لتطوير نموذج نظري أكثر شمولاً. كما تبرز الأبحاث نتيجة غير بديهية تتعلق بالعلاقة بين البيئات الجامعية ذات الدعم العالي والكفاءة الذاتية، مما يشير إلى الحاجة إلى طرق نوعية لاستكشاف الآليات النفسية الأساسية. أخيرًا، تتطلب العلاقة الثنائية المحتملة بين GAISEE وبيئة الجامعة الريادية مواصفات نموذج بديلة لفهم تفاعلهما وتأثيراتهما المتبادلة بشكل أفضل. يجب أن تعمل الدراسات المستقبلية على تحسين أدوات القياس لتفريق بوضوح بين التدخلات التعليمية المحددة والدعم المؤسسي الأوسع، مما يعزز الصرامة المنهجية في هذا المجال.
DOI: https://doi.org/10.1038/s41598-025-09545-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40618006
Publication Date: 2025-07-05
Author(s): Yi Xie et al.
Primary Topic: Entrepreneurship Studies and Influences
Overview
This study explores the impact of Generative Artificial Intelligence Supported Entrepreneurship Education (GAISEE) on the entrepreneurial intentions of university students in China, utilizing structural equation modeling based on data from 346 participants. The findings indicate that GAISEE significantly boosts both entrepreneurial self-efficacy ($\beta = 0.523$, $p < 0.001$) and entrepreneurial intention ($\beta = 0.244$, $p < 0.001$). Furthermore, entrepreneurial self-efficacy is identified as a mediator in the relationship between GAISEE and entrepreneurial intention, while the university entrepreneurial environment is shown to moderate these effects, with an optimized environment enhancing the positive impacts of GAISEE on both self-efficacy ($\beta = 0.333$, $p < 0.001$) and intention ($\beta = 0.207$, $p < 0.001$). The research contributes to the field of entrepreneurship education by providing empirical evidence for the effectiveness of integrating generative AI technology and emphasizing the role of supportive university ecosystems. It enriches the Theory of Planned Behavior within this context and offers practical recommendations for higher education institutions to design effective entrepreneurship courses. The study advocates for policymakers to enhance the university entrepreneurial environment through collaboration with industry, thereby fostering students' entrepreneurial aspirations and skills. Overall, this research highlights the potential of GAISEE as a transformative tool in entrepreneurship education, encouraging a deeper understanding of the interplay between technology, education, and institutional support.
Introduction
In the introduction of the research paper, the authors establish a theoretical framework that underpins their study. They review existing literature to identify gaps in knowledge and articulate their hypothesis, which is grounded in established theories. The authors propose that their investigation will contribute to a deeper understanding of the subject matter by addressing these gaps.
The hypothesis is formulated based on previous findings and theoretical constructs, suggesting a specific relationship or effect that the study aims to explore. This section sets the stage for the subsequent research, highlighting the significance of the study within the broader academic discourse and outlining the anticipated contributions to the field.
Methods
The methodology section outlines the systematic approach employed in the research, detailing the experimental design, data collection, and analysis techniques. The study utilized a quantitative framework, incorporating statistical methods to ensure the reliability and validity of the findings. Specific tools and software used for data analysis were identified, along with the criteria for participant selection and the parameters measured.
Additionally, the section emphasizes the importance of replicability, providing a clear description of the procedures followed. This includes the formulation of hypotheses, the establishment of control groups, and the application of relevant mathematical models to interpret the results. Overall, the methodology is designed to facilitate a comprehensive understanding of the phenomena under investigation while adhering to rigorous scientific standards.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicate a significant correlation between the independent variable and the dependent variable, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the data, with an increase in the independent variable leading to a proportional increase in the dependent variable, as illustrated by the regression model $Y = \beta_0 + \beta_1 X + \epsilon$, where $Y$ represents the dependent variable, $X$ the independent variable, and $\epsilon$ the error term.
Furthermore, the study includes graphical representations of the results, such as scatter plots and histograms, which visually support the quantitative findings. The analysis also highlights the robustness of the results across different conditions and subsets of the data, reinforcing the reliability of the conclusions drawn. Overall, these findings contribute to a deeper understanding of the relationship between the variables under investigation, providing a foundation for future research in this area.
Discussion
The discussion section of the research paper elaborates on the integration of the Theory of Planned Behavior (TPB) with the innovative framework of Generative Artificial Intelligence Supported Entrepreneurship Education (GAISEE). The TPB posits that an individual’s entrepreneurial intention is influenced by attitudes, subjective norms, and perceived behavioral control. This study extends the TPB by incorporating entrepreneurial self-efficacy as a critical factor, emphasizing its role in enhancing the predictive power of entrepreneurial intention, particularly in technology-driven educational contexts. Additionally, the university ecosystem is introduced as a moderating variable, highlighting how institutional support can amplify the effects of GAISEE and self-efficacy on entrepreneurial intention.
GAISEE represents a transformative shift in entrepreneurship education, moving away from traditional passive learning methods to a more interactive and personalized approach. By utilizing generative AI, students engage in realistic simulations and receive tailored feedback, fostering deeper cognitive engagement and enhancing their entrepreneurial skills. This immersive learning environment not only cultivates students’ technical knowledge but also boosts their self-efficacy, which is crucial for developing entrepreneurial intentions. The study posits that GAISEE positively influences both entrepreneurial self-efficacy and intention, with self-efficacy serving as a mediator in this relationship. Furthermore, a supportive university entrepreneurial environment is identified as a key factor that can enhance the effectiveness of GAISEE, facilitating the transformation of self-efficacy into actionable entrepreneurial intentions. The research model proposed aims to explore these dynamics, accounting for various control variables that may influence the outcomes.
Limitations
The study presents several limitations that suggest avenues for future research. Firstly, the reliance on cross-sectional survey data restricts the understanding of the long-term effects of Generative AI in Entrepreneurship Education (GAISEE) on entrepreneurial intentions. A longitudinal approach is recommended to track changes over time and assess the sustained impact of entrepreneurship education interventions. Additionally, the focus on a limited sample of university students in China raises concerns about the generalizability of the findings. Future research should consider diverse cultural contexts, as the implementation of GAISEE may differ significantly between Eastern and Western educational environments.
Moreover, the study primarily addresses the rational aspects of entrepreneurial intention, overlooking emotional factors that could influence students’ entrepreneurial behaviors. Future investigations should incorporate emotional dimensions, such as passion and fear, to develop a more comprehensive theoretical model. The research also highlights a counterintuitive finding regarding the relationship between high-support university environments and self-efficacy, suggesting a need for qualitative methods to explore underlying psychological mechanisms. Lastly, the potential bidirectional relationship between GAISEE and the university entrepreneurial environment calls for alternative model specifications to better understand their interaction and reciprocal effects. Future studies should refine measurement instruments to clearly differentiate between specific educational interventions and broader institutional support, enhancing methodological rigor in this area.