DOI: https://doi.org/10.3389/fpsyg.2026.1831505
PMID: https://pubmed.ncbi.nlm.nih.gov/42403601
تاريخ النشر: 2026-06-19
المؤلف: Wei Xuan Hu وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تبحث هذه الدراسة في العوامل التي تؤثر على استعداد طلاب الجامعات لتبني منصات الذكاء الاصطناعي التوليدي (GAI)، باستخدام نسخة موسعة من نموذج قبول التكنولوجيا (TAM). تقترح الدراسة سلسلة وساطة متسلسلة تتكون من سهولة الاستخدام المدركة (PEU)، والفائدة المدركة (PU)، والرضا (ST)، وثقة المستخدم (UT)، ونية السلوك (BI). تم تطوير نموذج معادلة هيكلية (SEM) استنادًا إلى البيانات التي تم جمعها من 334 استجابة صالحة للاستبيان. تكشف النتائج أن كل من PEU و PU لهما تأثيرات إيجابية كبيرة على ST، مما يعزز UT بعد ذلك. ومن الجدير بالذكر أن UT تم تحديده كأقوى متنبئ بـ BI، مما يثبت مسار الوساطة: \( \text{PEU} \rightarrow \text{PU} \rightarrow \text{ST} \rightarrow \text{UT} \rightarrow \text{BI} \).
تؤكد الدراسة جميع فرضيات البحث السبع، مما يظهر قوة الإطار المقترح. إنها توسع من قابلية تطبيق TAM في سياق تبني GAI في التعليم العالي، مما يوفر رؤى قيمة لتحسين تصميم المنصات، وتطوير آليات الثقة، وصياغة استراتيجيات ترويج فعالة لمنصات GAI. تدعم الأدلة التجريبية لنموذج الوساطة المتسلسل أهمية تجربة المستخدم والثقة في التأثير على نوايا السلوك تجاه تقنيات GAI بين طلاب الجامعات.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي لنماذج اللغة الكبيرة (LLMs) والذكاء الاصطناعي التوليدي (GAI) على مختلف القطاعات، وخاصة التعليم. إن التطور السريع لتقنيات GAI، كما يتضح من منصات مثل ChatGPT و Gemini، يعيد تشكيل الممارسات التعليمية من خلال تعزيز كفاءة التدريس وتمكين تجارب التعلم الشخصية. ومع ذلك، فإن هذا التحول يقدم أيضًا تحديات، بما في ذلك الحوكمة الأخلاقية والعدالة التعليمية. تركز الأبحاث الحالية بشكل أساسي على الجوانب التقنية وسلوك المستخدم من خلال نظريات راسخة مثل نموذج قبول التكنولوجيا (TAM) ونظرية السلوك المخطط (TPB)، ومع ذلك، هناك نقص ملحوظ في الدراسات المدفوعة بالنظرية التي تستكشف العوامل النفسية والسياقية التي تؤثر على تبني طلاب الجامعات لـ GAI.
تهدف هذه الدراسة إلى سد هذه الفجوة من خلال التحقيق المنهجي في الآليات التي تؤثر على استعداد طلاب الجامعات لاستخدام GAI في السياقات التعليمية. تسعى إلى توسيع TAM من خلال دمج “الثقة” كعنصر وساطة ضمن مسار الوساطة المتسلسل المقترح: سهولة الاستخدام المدركة (PEU) → الفائدة المدركة (PU) → الرضا (ST) → ثقة المستخدم (UT) → نية السلوك (BI). تتناول هذه المقاربة التحديات الفريدة التي تطرحها GAI، مثل عدم استقرار المخرجات وقضايا الحوكمة، مع التأكيد على أهمية ثقة المستخدم في عملية التبني. من المتوقع أن توفر النتائج رؤى عملية لمطوري GAI وشركات التكنولوجيا التعليمية، مما يدعم في النهاية دمج GAI في التعليم العالي وتعزيز جودة التدريس والتعلم.
طرق البحث
توضح قسم “طرق البحث” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج المعنية.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية للحساب الإحصائي، مما يسمح بتطبيق اختبارات مثل ANOVA وتحليل الانحدار لتفسير النتائج. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، موضحًا حجم العينة ومعايير الاختيار لدعم قوة النتائج.
نقاش
يؤكد قسم النقاش في الورقة البحثية على تطبيق نموذج قبول التكنولوجيا (TAM) في فهم نوايا سلوك طلاب الجامعات (BI) تجاه تبني الذكاء الاصطناعي التوليدي (GAI) في السياقات الأكاديمية. يبرز إطار TAM عاملين رئيسيين يؤثران على قبول التكنولوجيا: الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEU). تشير النتائج التجريبية إلى أن ارتفاع PU المرتبط بمنتجات GAI يتوافق مع BI أقوى، بينما يتوسط الرضا (ST) هذه العلاقة. كما تحدد الدراسة اختلافات في قبول التكنولوجيا بين الطلاب، لا سيما فيما يتعلق بالتفاعل المدرك، وقلق التكنولوجيا، والآليات التي من خلالها تعزز GAI قدرات التعلم.
بالإضافة إلى ذلك، يناقش القسم ثقة المستخدم (UT) كعامل حاسم في التفاعل بين الإنسان والكمبيوتر، مما يؤثر على اعتماد المستخدمين على أنظمة الذكاء الاصطناعي. تشير الأبحاث إلى أن الثقة الوظيفية، المتجذرة في موثوقية النظام، تؤثر بشكل كبير على نوايا الاستخدام أكثر من الثقة الشبيهة بالبشر. تساهم المخاوف بشأن التحيز الخوارزمي والطبيعة التوليدية لـ GAI في أزمة ثقة، مما يستلزم الشفافية واستراتيجيات التخفيف من الأخطاء لتعزيز ثقة المستخدم. تقترح الدراسة إطارًا موسعًا لـ TAM يدمج UT كعنصر وساطة أساسي، مما يثبت مسارًا من PEU إلى PU، ST، UT، وفي النهاية إلى BI. تهدف هذه المقاربة إلى تقديم فهم أكثر دقة للعوامل التي تؤثر على تبني GAI في السياقات التعليمية، مع معالجة تعقيدات تصورات المستخدم وديناميكيات الثقة.
DOI: https://doi.org/10.3389/fpsyg.2026.1831505
PMID: https://pubmed.ncbi.nlm.nih.gov/42403601
Publication Date: 2026-06-19
Author(s): Wei Xuan Hu et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This research investigates the factors influencing college students’ willingness to adopt generative artificial intelligence (GAI) platforms, utilizing an extended version of the Technology Acceptance Model (TAM). The study proposes a sequential mediation chain comprising perceived ease of use (PEU), perceived usefulness (PU), satisfaction (ST), user trust (UT), and behavioral intention (BI). A structural equation model (SEM) was developed based on data collected from 334 valid questionnaire responses. The findings reveal that both PEU and PU have significant positive effects on ST, which subsequently enhances UT. Notably, UT is identified as the strongest predictor of BI, establishing a mediation pathway: \( \text{PEU} \rightarrow \text{PU} \rightarrow \text{ST} \rightarrow \text{UT} \rightarrow \text{BI} \).
The study confirms all seven research hypotheses, demonstrating the robustness of the proposed framework. It extends the applicability of the TAM to the context of GAI adoption in higher education, providing valuable insights for optimizing platform design, developing trust mechanisms, and formulating effective promotion strategies for GAI platforms. The empirical support for the sequential mediation model underscores the importance of user experience and trust in influencing behavioral intentions towards GAI technologies among university students.
Introduction
The introduction of this research paper highlights the transformative impact of large language models (LLMs) and generative artificial intelligence (GAI) on various sectors, particularly education. The rapid evolution of GAI technologies, exemplified by platforms like ChatGPT and Gemini, is reshaping educational practices by enhancing teaching efficiency and enabling personalized learning experiences. However, this transformation also presents challenges, including ethical governance and educational equity. Current research primarily focuses on technical aspects and user behavior through established theories like the Technology Acceptance Model (TAM) and the Theory of Planned Behavior (TPB), yet there is a notable lack of theory-driven studies that explore the psychological and contextual factors influencing college students’ adoption of GAI.
This study aims to fill this gap by systematically investigating the mechanisms that affect college students’ willingness to use GAI in educational contexts. It seeks to extend the TAM by incorporating “trust” as a mediating construct within a proposed sequential mediation pathway: Perceived Ease of Use (PEU) → Perceived Usefulness (PU) → Satisfaction (ST) → User Trust (UT) → Behavioral Intention (BI). This approach addresses the unique challenges posed by GAI, such as output instability and governance issues, while emphasizing the importance of user trust in the adoption process. The findings are expected to provide practical insights for GAI developers and educational technology enterprises, ultimately supporting the integration of GAI in higher education and enhancing the quality of teaching and learning.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools for statistical computation, allowing for the application of tests such as ANOVA and regression analysis to interpret the results. The section emphasizes the importance of replicability and transparency in the methods used, detailing the sample size and selection criteria to support the robustness of the findings.
Discussion
The discussion section of the research paper emphasizes the application of the Technology Acceptance Model (TAM) in understanding university students’ behavioral intentions (BI) towards adopting Generative Artificial Intelligence (GAI) in academic settings. The TAM framework highlights two primary factors influencing technology acceptance: Perceived Usefulness (PU) and Perceived Ease of Use (PEU). Empirical findings indicate that higher PU associated with GAI products correlates with stronger BI, while user satisfaction (ST) mediates this relationship. The study also identifies variations in technology acceptance among students, particularly concerning perceived interactivity, technology anxiety, and the mechanisms through which GAI enhances learning capabilities.
Additionally, the section discusses User Trust (UT) as a critical determinant in human-computer interaction, influencing users’ reliance on AI systems. Research indicates that functional trust, rooted in system reliability, significantly impacts usage intentions more than human-like trust. Concerns regarding algorithmic bias and the generative nature of GAI contribute to a trust crisis, necessitating transparency and error mitigation strategies to enhance user trust. The study proposes an extended TAM framework that integrates UT as a core mediating construct, establishing a pathway from PEU to PU, ST, UT, and ultimately to BI. This approach aims to provide a more nuanced understanding of the factors influencing the adoption of GAI in educational contexts, addressing the complexities of user perceptions and trust dynamics.