DOI: https://doi.org/10.1177/02734753241302459
تاريخ النشر: 2024-12-23
المؤلف: Yusuf Oc وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تدرس هذه الدراسة دمج أدوات الذكاء الاصطناعي التوليدي في تقييمات التعليم العالي، مع التركيز على تصورات 353 طالبًا من خلال استبيان و17 مقابلة متعمقة. تستند الدراسة إلى النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)، وتبرز الدور المهم للمخاطر المدركة كعائق أمام اعتماد الذكاء الاصطناعي، بينما ظهرت الثقة والمهارة التقنية كعوامل حاسمة تؤثر على تفاعل الطلاب مع هذه الأدوات. ومن الجدير بالذكر أن المهارة التقنية لم تسهل فقط اعتماد الذكاء الاصطناعي ولكن أيضًا قامت بتعديل العلاقة بين توقع الأداء واستخدام الذكاء الاصطناعي.
تمتد النتائج إلى إطار UTAUT من خلال التأكيد على ضرورة معالجة المخاطر المدركة وكفاءة الأفراد التكنولوجية في دمج الذكاء الاصطناعي في السياقات التعليمية. وبالتالي، تقترح الدراسة أن يقوم المعلمون وصناع السياسات بتطوير استراتيجيات مخصصة لتنفيذ الذكاء الاصطناعي تأخذ في الاعتبار الخصائص والاحتياجات المتنوعة للطلاب، مما يعظم فوائد الذكاء الاصطناعي التوليدي مع معالجة التحديات المرتبطة به.
النتائج
في هذه الدراسة، تم اختبار النموذج السببي باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM)، مع تأكيد الموثوقية والصلاحية ضمن الحدود المقبولة. شملت التحليلات استخدام تقنية PLS bootstrap مع 5,000 عينة فرعية وفترة ثقة 95%. تشمل النتائج الرئيسية علاقة إيجابية قوية بين النية السلوكية لاستخدام أدوات الذكاء الاصطناعي التوليدي وسلوك الاستخدام الفعلي (β = 0.279، t = 5.349، p < .001)، مما يؤكد الفرضية H5. أثر توقع الأداء بشكل كبير على النية (β = 0.296، t = 5.045، p < .001) لكنه لم يكن له تأثير مباشر على الاستخدام الفعلي (β = 0.052، t = 0.912، p = .362). ومع ذلك، أظهر تأثيرًا غير مباشر إيجابي ملحوظ على الاستخدام (β = 0.083، t = 3.656، p < .001). بالإضافة إلى ذلك، أثرت الظروف الميسرة بشكل إيجابي على كل من النية (β = 0.187، t = 3.36، p = .001) والاستخدام (β = 0.052، t = 2.866، p = .004). على العكس، لم يتنبأ التأثير الاجتماعي بشكل كبير بالنية (β = 0.009، t = 0.157، p = .875) لكنه أثر إيجابيًا على الاستخدام (β = 0.156، t = 2.951، p = .003). أثرت المخاطر المدركة سلبًا على الاستخدام (β = -0.121، t = 2.247، p = .025)، بينما كان للثقة في أدوات الذكاء الاصطناعي التوليدي تأثير إيجابي (β = 0.136، t = 2.794، p = .005). كانت المهارة التقنية مرتبطة بشكل إيجابي بالاستخدام (β = 0.173، t = 3.447، p = .001) وقامت بتعديل العلاقات بين عوامل الأداء وسلوك الاستخدام، مما يكشف عن تفاعلات معقدة تشير إلى أن المستخدمين الأقل مهارة تقنية يتأثرون أكثر بتوقعات الأداء وتوقعات الجهد في استخدامهم لأدوات الذكاء الاصطناعي التوليدي.
المناقشة
تناقش قسم المناقشة في ورقة البحث الدور المعدل للخصائص الفردية، وخاصة المهارة التقنية، في العلاقة بين عوامل الأداء وسلوك الطلاب فيما يتعلق باستخدام أدوات الذكاء الاصطناعي التوليدي في التعليم العالي. الدراسة ملحوظة لتطبيقها نموذج النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) على مجموعة أوسع من أدوات الذكاء الاصطناعي التوليدي بخلاف ChatGPT فقط، مما يبرز أهمية المخاطر المدركة في اعتماد الطلاب لهذه التقنيات. تشير النتائج إلى أن تصورات الطلاب للمخاطر، بما في ذلك المخاوف بشأن خصوصية البيانات وإمكانية تدهور المهارات، تؤثر بشكل كبير على نيتهم لاستخدام أدوات الذكاء الاصطناعي التوليدي. بالإضافة إلى ذلك، تؤكد الدراسة على ضرورة أن يفهم المعلمون ومطورو الذكاء الاصطناعي هذه الديناميكيات لتعزيز التكامل الفعال للذكاء الاصطناعي في البيئات الأكاديمية.
تحدد الدراسة الفجوات الحرجة في الأدبيات الحالية، خاصة فيما يتعلق بالفحص التجريبي لاعتماد الذكاء الاصطناعي التوليدي من منظور المتعلم. تفترض أن مهارة الطلاب التقنية تؤثر على تصوراتهم واستخدامهم لأدوات الذكاء الاصطناعي، حيث قد يكون الأفراد الأكثر مهارة تقنية أقل تأثرًا بتوقعات الأداء بسبب وعيهم بالمخاطر المرتبطة. تهدف فرضيات الدراسة، المستندة إلى إطار UTAUT، إلى توضيح التفاعل المعقد بين المخاطر المدركة والثقة والخصائص الفردية في تشكيل تفاعل الطلاب مع الذكاء الاصطناعي التوليدي. بشكل عام، تؤكد النتائج على الإمكانات التحويلية للذكاء الاصطناعي التوليدي في التعليم مع الاعتراف أيضًا بالتحديات التي تطرحها تصورات المخاطر لدى الطلاب والحاجة إلى استراتيجيات تعليمية مخصصة.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة للبحث المستقبلي. أولاً، الطبيعة العرضية لبيانات الاستبيان تحد من القدرة على إقامة علاقات سببية بين المتغيرات مثل المخاطر المدركة والثقة والمهارة التقنية. على الرغم من أن نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) توفر رؤى قيمة حول هذه الروابط، فإن الدراسات الطولية ضرورية لتوضيح الديناميات الزمنية والمسارات السببية التي يقترحها النموذج. سيساهم ذلك في تعزيز فهم كيفية تطور تصورات وسلوكيات الطلاب مع زيادة الخبرة في استخدام أدوات الذكاء الاصطناعي التوليدي.
بالإضافة إلى ذلك، بينما تستخدم الدراسة مفاهيم راسخة للمخاطر المدركة والثقة، قد لا تعكس هذه المفاهيم التعقيدات الكامنة في سياق الذكاء الاصطناعي التوليدي في التعليم العالي بشكل كامل. لمعالجة ذلك، تم إجراء مقابلات متعمقة للحصول على رؤى أغنى حول تصورات الطلاب. يمكن أن تستفيد الأبحاث المستقبلية من تطوير مقاييس أكثر دقة وإجراء مزيد من التحقيقات النوعية لتحسين هذه المفاهيم. تشير النتائج أيضًا إلى أن أدوات الذكاء الاصطناعي التوليدي تؤثر بشكل كبير على تجارب التعلم للطلاب، مما يشير إلى الحاجة إلى البحث في كيفية تحويل هذه التقنيات للممارسات التربوية. يمكن أن يوفر استكشاف دمج الذكاء الاصطناعي مع التقنيات الناشئة، مثل الواقع الافتراضي أو البلوكشين، طرقًا جديدة لتعزيز اعتماد الطلاب واستخدامهم لأدوات الذكاء الاصطناعي التوليدي.
DOI: https://doi.org/10.1177/02734753241302459
Publication Date: 2024-12-23
Author(s): Yusuf Oc et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the integration of generative artificial intelligence (AI) tools in higher education assessments, focusing on the perceptions of 353 students through a survey and 17 in-depth interviews. Grounded in the Unified Theory of Acceptance and Use of Technology (UTAUT), the research highlights the significant role of perceived risk as a deterrent to AI adoption, while trust and tech-savviness emerged as critical factors influencing student engagement with these tools. Notably, tech-savviness not only facilitated the adoption of AI but also moderated the relationship between performance expectancy and AI usage.
The findings extend the UTAUT framework by emphasizing the necessity of addressing perceived risks and individual technological proficiency in the integration of AI in educational contexts. Consequently, the study suggests that educators and policymakers should develop tailored strategies for AI implementation that consider students’ diverse characteristics and needs, thereby maximizing the benefits of generative AI while addressing its associated challenges.
Results
In this study, the causal model was tested using Partial Least Squares Structural Equation Modeling (PLS-SEM), with reliability and validity confirmed within acceptable limits. The analysis involved PLS bootstrapping with 5,000 subsamples and a 95% confidence interval. Key findings include a strong positive relationship between behavioral intention to use generative AI tools and actual use behavior (β = 0.279, t = 5.349, p < .001), confirming hypothesis H5. Performance expectancy significantly influenced intention (β = 0.296, t = 5.045, p < .001) but did not have a direct effect on actual use (β = 0.052, t = 0.912, p = .362). However, it exhibited a notable positive indirect effect on use (β = 0.083, t = 3.656, p < .001). Additionally, facilitating conditions positively impacted both intention (β = 0.187, t = 3.36, p = .001) and use (β = 0.052, t = 2.866, p = .004). Conversely, social influence did not significantly predict intention (β = 0.009, t = 0.157, p = .875) but positively affected use (β = 0.156, t = 2.951, p = .003). Perceived risk negatively influenced use (β = -0.121, t = 2.247, p = .025), while trust in generative AI tools had a positive effect (β = 0.136, t = 2.794, p = .005). Tech-savviness was positively correlated with use (β = 0.173, t = 3.447, p = .001) and moderated the relationships between performance factors and use behavior, revealing complex interactions that suggest less tech-savvy users are more affected by performance expectations and effort expectancy in their usage of generative AI tools.
Discussion
The discussion section of the research paper addresses the moderating role of individual characteristics, particularly tech-savviness, in the relationship between performance factors and student behavior regarding the use of generative AI tools in higher education. The study is notable for applying the Unified Theory of Acceptance and Use of Technology (UTAUT) model to a broader range of generative AI tools beyond just ChatGPT, highlighting the importance of perceived risk in students’ adoption of these technologies. The findings suggest that students’ perceptions of risk, including concerns about data privacy and the potential for skill degradation, significantly influence their intention to use generative AI tools. Additionally, the study emphasizes the necessity for educators and AI developers to understand these dynamics to foster effective integration of AI in academic settings.
The research identifies critical gaps in the existing literature, particularly regarding the empirical examination of generative AI adoption from the learner’s perspective. It posits that students’ tech-savviness affects their perceptions and usage of AI tools, with more tech-savvy individuals potentially being less influenced by performance expectancy due to their awareness of associated risks. The study’s hypotheses, grounded in the UTAUT framework, aim to elucidate the complex interplay between perceived risk, trust, and individual characteristics in shaping students’ engagement with generative AI. Overall, the findings underscore the transformative potential of generative AI in education while also acknowledging the challenges posed by students’ risk perceptions and the need for tailored educational strategies.
Limitations
The limitations of this study highlight several critical areas for future research. Firstly, the cross-sectional nature of the survey data restricts the ability to establish causal relationships among variables such as perceived risk, trust, and tech-savviness. Although Partial Least Squares Structural Equation Modeling (PLS-SEM) provides valuable insights into these associations, longitudinal studies are necessary to elucidate the temporal dynamics and causal pathways suggested by the model. This would enhance understanding of how student perceptions and behaviors evolve with increased experience using generative AI tools.
Additionally, while the study employs established constructs of perceived risk and trust, these may not fully encapsulate the complexities inherent in the context of generative AI in higher education. To address this, in-depth interviews were conducted to gain richer insights into student perceptions. Future research could benefit from developing more nuanced scales and conducting further qualitative investigations to refine these constructs. The findings also suggest that generative AI tools significantly impact student learning experiences, indicating a need for research into how these technologies can transform pedagogical practices. Exploring the integration of AI with emerging technologies, such as virtual reality or blockchain, could provide new avenues for enhancing student adoption and use of generative AI tools.