DOI: https://doi.org/10.3389/fpsyg.2026.1897481
PMID: https://pubmed.ncbi.nlm.nih.gov/42491291
تاريخ النشر: 2026-07-03
المؤلف: Hongqing Huang وآخرون
الموضوع الرئيسي: عمليات التعلم البصرية والمعرفية
نظرة عامة
تستكشف هذه الدراسة تأثير الذكاء الاصطناعي التوليدي على نوايا التعلم المستدامة للمتعلمين ضمن سياق التعلم الثقافي الرقمي، وبشكل خاص معرض الثقافة الهانية ماوانغدوي الرقمي الغامر. تبحث الدراسة في كيفية تأثير جودة المعلومات، وسهولة الاستخدام المدركة، والتفاعلية المدركة على الحمل المعرفي—سواء الداخلي أو الخارجي—وكيفية تأثير المعرفة الثقافية السابقة على هذه العلاقات. تم تحليل بيانات من 572 متعلماً باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية وتحليل المقارنة النوعية باستخدام مجموعة ضبابية لتحديد التكوينات المرتبطة بنوايا التعلم المستدامة العالية والمنخفضة.
تكشف النتائج أن جودة المعلومات العالية وسهولة الاستخدام ترتبطان بانخفاض الحمل المعرفي، بينما ترتبط التفاعلية المدركة بزيادة الحمل المعرفي. يؤثر كلا نوعي الحمل المعرفي سلباً على نية التعلم المستدام. ومن الجدير بالذكر أن المعرفة الثقافية السابقة تخفف من التأثير السلبي للحمل المعرفي الخارجي لكنها تزيد من التأثير السلبي للحمل المعرفي الداخلي على نية التعلم المستدام. تستنتج الدراسة أن دعم الذكاء الاصطناعي التوليدي الفعال يجب أن يركز على قابلية الإدارة المعرفية بدلاً من مجرد كثافة التفاعل، مما يشير إلى أنه يجب تصميم أدوات الذكاء الاصطناعي لتقليل العبء المعرفي وتعزيز الوضوح في عملية التعلم.
مقدمة
تناقش مقدمة ورقة البحث دمج الذكاء الاصطناعي التوليدي في بيئات التعلم عالية التعقيد، وخاصة في سياقات التعليم الثقافي مثل مبادرة ماوانغدوي الرقمية في الصين. تسلط الضوء على الدور المزدوج للذكاء الاصطناعي التوليدي في تقديم الشروحات والتغذية الراجعة بينما تثير أسئلة حول تأثيره على الحمل المعرفي ونية التعلم المستدام. يحدد المؤلفون ثلاثة مجالات بحث رئيسية: قبول التكنولوجيا، والآليات المعرفية والعاطفية في التعلم، وسياق التراث الثقافي الرقمي. يشيرون إلى أن الدراسات الحالية غالباً ما تعالج هذه المجالات بشكل منفصل، مما يؤدي إلى فجوات في فهم كيفية تأثير الذكاء الاصطناعي التوليدي على معالجة المتعلمين المعرفية ورغبتهم في الانخراط في مزيد من التعلم الثقافي.
تهدف الورقة إلى معالجة هذه الفجوات من خلال بناء إطار عمل يربط بين إشارات الدعم الخارجي، والحمل المعرفي، والمعرفة السابقة، ونية التعلم المستدام. تميز بين الاستخدام المستمر للنظام ونية التعلم المستدام، مع التأكيد على الأخيرة كنتيجة تعليمية أكثر معنى. تقترح الدراسة ثلاثة أسئلة بحث تركز على العلاقات بين إشارات الدعم الخارجي، والحمل المعرفي، ونية التعلم المستدام، بينما تستخدم استراتيجية تحليل من خطوتين تجمع بين نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) وتحليل المقارنة النوعية باستخدام مجموعة ضبابية (fsQCA). تهدف هذه المقاربة إلى الكشف عن كل من الروابط السائدة والمسارات المتنوعة التي تؤدي إلى نية التعلم المستدام العالية أو المنخفضة، مما يسهم في تصميم بيئات التعلم المدعومة بالذكاء الاصطناعي في سياقات المعرفة المعقدة.
الطرق
في هذه الدراسة، استخدم المؤلفون نهجاً مزدوجاً يجمع بين نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) وتحليل المقارنة النوعية باستخدام مجموعة ضبابية (fsQCA) للتحقيق في الآليات الكامنة وراء نية التعلم المستدام. تم إجراء التحليل على مرحلتين: أولاً، تم استخدام PLS-SEM لتقييم العلاقات الخطية، ومعاملات المسار، وتأثيرات التعديل بين عدة متغيرات كامنة، مع تحديد جميع المتغيرات على أنها عاكسة. تم تقدير النموذج باستخدام SmartPLS 4.1، مع تضمين 5,000 إعادة عينة bootstrap لاختبار الدلالة. من المهم ملاحظة أن النتائج من PLS-SEM يجب أن تُفسر على أنها روابط تفسيرية بسبب تصميم الدراسة القائم على التقرير الذاتي.
في المرحلة الثانية، تم استخدام fsQCA لاستكشاف التكوينات للظروف المرتبطة بمستويات مختلفة من نية التعلم المستدام. تضمنت المتغيرات الشرطية الرئيسية جودة المعلومات، وسهولة الاستخدام المدركة، والتفاعلية المدركة، والحمل المعرفي الداخلي والخارجي، والمعرفة الثقافية السابقة، بينما كانت نية التعلم المستدام هي المتغير الناتج. بعد اتباع طريقة المعايرة المباشرة لـ Ragin، تم تحويل البيانات الخام إلى درجات عضوية لمجموعة ضبابية، وتم تفصيل إعدادات بناء جدول الحقيقة بدقة في الملاحق. يتم تأطير دمج PLS-SEM وfsQCA كنهج منهجي متقدم لا يحدد فقط التأثيرات الصافية والمسارات ولكن أيضاً يستكشف المسارات المتكافئة في التعلم الثقافي الرقمي المدعوم بالذكاء الاصطناعي، مما يوضح كل من الآليات السائدة والميزات التكوينية التي تؤثر على نية التعلم المستدام.
النتائج
استخدمت نتائج الدراسة نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) للتحقيق في العلاقات الهيكلية بين إشارات الدعم الخارجي، والحمل المعرفي، والمعرفة السابقة، ونية التعلم المستدام. تم تبرير هذا الاختيار المنهجي من خلال تعقيد النموذج، الذي يشمل عدة متغيرات كامنة عاكسة، ومسارات غير مباشرة، وتأثيرات تعديل. تم إجراء التحليل باستخدام SmartPLS 4.1، مع دعم تقدير النموذج من خلال 5,000 إعادة عينة bootstrap لضمان القوة.
بالإضافة إلى ذلك، استخدمت الدراسة تحليل المقارنة النوعية باستخدام مجموعة ضبابية (fsQCA) لتكملة نتائج PLS-SEM، على الرغم من عدم تفصيل النتائج المحددة من fsQCA في النص المقدم. يهدف دمج هذين النهجين التحليليين إلى توفير فهم شامل للعوامل التي تؤثر على نية التعلم المستدام في سياق الدعم الخارجي والمعالجة المعرفية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على العلاقة المعقدة بين الميزات التكنولوجية الخارجية، والمعالجة المعرفية، ونتائج التعلم المستدام في بيئات التعلم الثقافي الرقمي، وخاصة تلك المدعومة بالذكاء الاصطناعي التوليدي. تشير النتائج الرئيسية إلى أن عوامل مثل جودة المعلومات، وسهولة الاستخدام المدركة، والتفاعلية، والمشاركة المجتمعية تؤثر بشكل كبير على نوايا المتعلمين في مواصلة مساعيهم التعليمية. على سبيل المثال، أظهر Zheng et al. (2023) أن سهولة الاستخدام المدركة والفائدة أمران حاسمان لاستدامة الانخراط في التعلم الإلكتروني، بينما وجد Alwakid et al. (2025) أن هذه العوامل تعمل من خلال الرضا والثقة، مما يبرز التحول في التركيز من مجرد اعتماد التكنولوجيا إلى القيمة التعليمية على المدى الطويل. بالإضافة إلى ذلك، يتم استخدام نظرية الحمل المعرفي (CLT) لتوضيح كيفية تأثير هذه العوامل الخارجية على العمليات المعرفية الداخلية، حيث أظهرت الدراسات أن المعلومات المنظمة جيداً وإدارة تعقيد المهام يمكن أن optimize الحمل المعرفي، مما يعزز الاحتفاظ بالتعلم والانخراط (Zhou et al., 2025; Li et al., 2024).
ومع ذلك، تحدد الورقة أيضاً عدم التناسق في الأبحاث الحالية بشأن تأثيرات متغيرات الدعم التكنولوجي، مما يشير إلى أن تأثيرها ليس دائماً خطياً ويمكن أن يتأثر بعوامل سياقية مثل عدم اليقين في المهام والمعرفة السابقة (Xia et al., 2026; Sáiz Manzanares et al., 2020). يجادل المؤلفون من أجل إطار نظري أكثر تكاملاً يجمع بين نموذج التحفيز-العضو-الاستجابة (S-O-R) مع نظريات الحمل المعرفي وقبول التكنولوجيا لفهم ديناميكيات التعلم الثقافي الرقمي المدعوم بالذكاء الاصطناعي بشكل أفضل. يهدف هذا الإطار إلى توضيح كيفية تفاعل إشارات الدعم الخارجي مع حالات المتعلمين المعرفية للتأثير على نوايا التعلم المستدام، بينما يعالج أيضاً القيود المنهجية في الأبحاث الحالية التي غالباً ما تتجاهل الطبيعة التكوينية لنتائج التعلم (Dong et al., 2025; Machlanski et al., 2024). بشكل عام، تؤكد النتائج على ضرورة اتباع نهج شامل يأخذ في الاعتبار كل من المحفزات الخارجية والآليات المعرفية الداخلية في تعزيز تجارب التعلم الفعالة والمستدامة.
القيود
تسلط القيود في هذه الدراسة الضوء على عدة جوانب حاسمة قد تؤثر على تفسير نتائجها. أولاً، يحد الاعتماد على بيانات الاستبيانات المقطعية من القدرة على إقامة علاقات سببية قوية بين المتغيرات المدروسة، مثل الحمل المعرفي، والمعرفة الثقافية السابقة، ونية التعلم المستدام. بالإضافة إلى ذلك، فإن الطبيعة الذاتية لهذه المتغيرات تُدخل تحيزات محتملة، بما في ذلك تباين الأسلوب المشترك وتأثيرات نمط الاستجابة. إن قياس نية التعلم المستدام كمقياس ذاتي بدلاً من خلال سلوكيات ملحوظة أو نتائج موضوعية يعقد أيضاً تقييم صلاحيتها.
علاوة على ذلك، قد يكون نقص الدراسة في توحيد التعرض للذكاء الاصطناعي التوليدي بين المشاركين، بالإضافة إلى حذف تجربة الذكاء الاصطناعي السابقة كمتغير مستقل، قد أثر على النتائج. كما أن النتائج محدودة أيضاً بسبب غياب مؤشرات الحمل المعرفي الموضوعية ومجموعة التحكم، التي كان من الممكن أن توفر إطاراً أكثر قوة للتحليل. علاوة على ذلك، فإن الطبيعة الخاصة بالسياق للبحث، التي تركز فقط على معرض ماوانغدوي الرقمي الغامر، تثير تساؤلات حول إمكانية تعميم النتائج على سياقات ثقافية أخرى أو مجالات تقنية، مثل التعليم في مجالات العلوم والتكنولوجيا والهندسة والرياضيات، حيث قد تختلف ديناميكيات الحمل المعرفي بشكل كبير. يُشجع على إجراء أبحاث مستقبلية لتبني تصاميم طولية وتجريبية، تتضمن مجموعة أوسع من سياقات التعلم وقياسات أكثر مباشرة من الألفة مع الذكاء الاصطناعي والحمل المعرفي، لفهم هذه العلاقات بشكل أفضل عبر بيئات تعليمية متنوعة.
DOI: https://doi.org/10.3389/fpsyg.2026.1897481
PMID: https://pubmed.ncbi.nlm.nih.gov/42491291
Publication Date: 2026-07-03
Author(s): Hongqing Huang et al.
Primary Topic: Visual and Cognitive Learning Processes
Overview
This study investigates the impact of generative artificial intelligence (AI) on learners’ sustained learning intentions within a digital cultural learning context, specifically the Mawangdui Han Culture Immersive Digital Exhibition. It explores how information quality, perceived ease of use, and perceived interactivity influence cognitive load—both intrinsic and extraneous—and how prior cultural knowledge moderates these relationships. Data from 572 learners were analyzed using partial least squares structural equation modeling and fuzzy-set qualitative comparative analysis to identify configurations linked to high and low sustained learning intention.
The findings reveal that higher information quality and ease of use correlate with lower cognitive load, while perceived interactivity is associated with increased cognitive load. Both forms of cognitive load negatively affect sustained learning intention. Notably, prior cultural knowledge mitigates the negative impact of extraneous cognitive load but exacerbates the negative effect of intrinsic cognitive load on sustained learning intention. The study concludes that effective generative AI support should prioritize cognitive manageability over mere interaction intensity, suggesting that AI tools should be designed to minimize cognitive burden and enhance clarity in the learning process.
Introduction
The introduction of the research paper discusses the integration of generative artificial intelligence (AI) in high-complexity learning environments, particularly in cultural education contexts such as the Digital Mawangdui initiative in China. It highlights the dual role of generative AI in providing explanations and feedback while raising questions about its impact on cognitive load and sustained learning intention. The authors identify three main research streams: technology acceptance, cognitive and emotional mechanisms in learning, and the context of digital cultural heritage. They note that existing studies often treat these areas separately, leading to gaps in understanding how generative AI influences learners’ cognitive processing and their willingness to engage in further cultural learning.
The paper aims to address these gaps by constructing a framework that links external support cues, cognitive load, prior knowledge, and sustained learning intention. It distinguishes between continued system use and sustained learning intention, emphasizing the latter as a more meaningful educational outcome. The study proposes three research questions focusing on the relationships between external support cues, cognitive load, and sustained learning intention, while employing a two-step analytical strategy that combines partial least squares structural equation modeling (PLS-SEM) and fuzzy-set qualitative comparative analysis (fsQCA). This approach aims to reveal both dominant associations and diverse pathways leading to high or low sustained learning intention, ultimately contributing to the design of AI-supported learning environments in complex knowledge contexts.
Methods
In this study, the authors employed a dual-method approach combining Partial Least Squares Structural Equation Modeling (PLS-SEM) and fuzzy-set Qualitative Comparative Analysis (fsQCA) to investigate the mechanisms underlying sustained learning intention. The analysis was conducted in two phases: first, PLS-SEM was utilized to assess linear relationships, path coefficients, and moderation effects among multiple latent constructs, with all constructs specified as reflective. The model was estimated using SmartPLS 4.1, incorporating 5,000 bootstrap resamples for significance testing. It is important to note that the results from PLS-SEM should be interpreted as explanatory associations due to the cross-sectional self-report design of the study.
In the second phase, fsQCA was employed to explore the configurations of conditions associated with varying levels of sustained learning intention. Key condition variables included information quality, perceived ease of use, perceived interactivity, intrinsic and extraneous cognitive load, and prior cultural knowledge, while sustained learning intention served as the outcome variable. Following Ragin’s direct calibration method, raw data were converted into fuzzy-set membership scores, and truth-table construction settings were meticulously detailed in the appendices. The integration of PLS-SEM and fsQCA is framed as a sophisticated methodological approach that not only identifies net effects and pathways but also examines equifinal pathways in generative AI-supported digital cultural learning, thereby elucidating both dominant mechanisms and configurational features influencing sustained learning intention.
Results
The results of the study employed Partial Least Squares Structural Equation Modeling (PLS-SEM) to investigate the structural relationships among external support cues, cognitive load, prior knowledge, and sustained learning intention. This methodological choice was justified by the model’s complexity, which encompasses multiple reflective latent constructs, indirect paths, and moderation effects. The analysis was performed using SmartPLS 4.1, with model estimation supported by 5,000 bootstrap resamples to ensure robustness.
Additionally, the study utilized fuzzy-set Qualitative Comparative Analysis (fsQCA) to complement the PLS-SEM findings, although specific results from the fsQCA were not detailed in the provided text. The integration of these two analytical approaches aims to provide a comprehensive understanding of the factors influencing sustained learning intention in the context of external support and cognitive processing.
Discussion
The discussion section of the research paper highlights the intricate relationship between external technological features, cognitive processing, and sustained learning outcomes in digital cultural learning environments, particularly those supported by generative AI. Key findings indicate that factors such as information quality, perceived ease of use (PEOU), interactivity, and community engagement significantly influence learners’ intentions to continue their educational pursuits. For instance, Zheng et al. (2023) demonstrated that perceived ease of use and usefulness are critical for sustaining e-learning engagement, while Alwakid et al. (2025) found that these factors operate through satisfaction and trust, emphasizing the shift in focus from mere technology adoption to long-term educational value. Additionally, cognitive load theory (CLT) is employed to elucidate how these external factors impact internal cognitive processes, with studies showing that well-structured information and task complexity management can optimize cognitive load, thereby enhancing learning retention and engagement (Zhou et al., 2025; Li et al., 2024).
However, the paper also identifies inconsistencies in existing research regarding the effects of technological support variables, suggesting that their influence is not always linear and can be affected by contextual factors such as task uncertainty and prior knowledge (Xia et al., 2026; Sáiz Manzanares et al., 2020). The authors argue for a more integrated theoretical framework that combines the stimulus-organism-response (S-O-R) model with cognitive load and technology acceptance theories to better understand the dynamics of generative AI-supported digital cultural learning. This framework aims to clarify how external support cues interact with learners’ cognitive states to influence sustained learning intentions, while also addressing methodological limitations in current research that often overlook the configurational nature of learning outcomes (Dong et al., 2025; Machlanski et al., 2024). Overall, the findings underscore the necessity for a comprehensive approach that considers both external stimuli and internal cognitive mechanisms in fostering effective and sustained learning experiences.
Limitations
The limitations of this study highlight several critical aspects that may affect the interpretation of its findings. Firstly, the reliance on cross-sectional questionnaire data restricts the ability to establish strong causal relationships among the examined variables, such as cognitive load, prior cultural knowledge, and sustained learning intention. Additionally, the self-reported nature of these constructs introduces potential biases, including common method variance and response-style effects. The measurement of sustained learning intention as a self-reported metric rather than through observed behaviors or objective outcomes further complicates the assessment of its validity.
Moreover, the study’s lack of standardization in generative AI exposure among participants, as well as the omission of detailed prior AI experience as an independent variable, may have influenced the results. The findings are also limited by the absence of objective cognitive load indicators and a control group, which could have provided a more robust framework for analysis. Furthermore, the context-specific nature of the research, focused solely on the Mawangdui immersive digital exhibition, raises questions about the generalizability of the results to other cultural contexts or technical domains, such as STEM education, where the cognitive load dynamics may differ significantly. Future research is encouraged to adopt longitudinal and experimental designs, incorporating a broader range of learning contexts and more direct measures of AI familiarity and cognitive load, to better understand these relationships across diverse educational settings.