DOI: https://doi.org/10.1038/s41598-026-40663-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41714720
تاريخ النشر: 2026-02-19
المؤلف: Yang Eric Li وآخرون
الموضوع الرئيسي: تطبيقات وتأثيرات الواقع الافتراضي
نظرة عامة
تبحث هذه الدراسة في العوامل التي تؤثر على نية التعلم المستمر لدى طلاب الجامعات في دورات الرسم المدعومة بالذكاء الاصطناعي، باستخدام نظرية البرودة ونظرية القيمة المتوقعة كإطارات عمل. باستخدام نهج مختلط يتضمن نمذجة المعادلات الهيكلية (SEM) وتحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA)، قامت الدراسة بتحليل بيانات من 365 طالبًا جامعيًا. أظهرت نتائج SEM أن الموقف كان له التأثير الأكبر على نية الطلاب السلوكية، مع مساهمة كل من توقع الأداء والإدراك للبرودة بشكل إيجابي، بينما أثر القلق سلبًا. وُجد أن الكفاءة الذاتية تعزز بشكل كبير نية التعلم المستمر لدى الطلاب، حيث تمثل مجتمعة 77.1% من التباين في هذه النية و52.4% في النية السلوكية. ومن الجدير بالذكر أن الجنس ومستوى الصف قد قاما بتعديل علاقات معينة داخل النموذج.
كشفت تحليل fsQCA أن نية التعلم المستمر تنشأ من مجموعات متنوعة من العوامل بدلاً من محدد واحد، حيث تم تحديد خمس حلول تكوينية تؤدي إلى نتائج مماثلة. تطبق الدراسة بفعالية نظرية البرودة ونظرية القيمة المتوقعة في سياق التعليم الفني المدعوم بالذكاء الاصطناعي، مما يوسع نطاق هذه النظريات في تعلم التكنولوجيا الإبداعية. عمليًا، تقدم النتائج رؤى واستراتيجيات تدخل قيمة للمعلمين ومصممي المناهج لتعزيز تعليم الرسم المدعوم بالذكاء الاصطناعي، وتعزيز المواقف الإيجابية للطلاب، وتحسين التفاعل التكنولوجي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التكامل المتزايد للذكاء الاصطناعي (AI) في التعليم العالي، لا سيما في التخصصات الإبداعية مثل تعليم الفن. تشير بيانات الاستطلاع إلى أن الجامعات في الدول المتقدمة والصين تتبنى بشكل متزايد أنظمة التعلم المدعومة بالذكاء الاصطناعي، والتي تعزز من تفاعل الطلاب ونتائج التعلم. توفر هذه الأنظمة تعليقات ودعمًا مخصصًا، مما يعالج التحديات الفريدة لتعليم الفن، مثل الحاجة إلى ممارسة إبداعية مستمرة والطبيعة الذاتية للتقييم الفني. تهدف الدراسة إلى التحقيق في فوائد وتحديات دمج الذكاء الاصطناعي في دروس الرسم، مع التأكيد على إمكانية الذكاء الاصطناعي في تحسين الفعالية التربوية وتعزيز بيئة تعليمية داعمة، خاصة للطلاب الذين يعانون من القلق الاجتماعي.
تستخدم الدراسة نموذج UTAUT ونظرية القيمة المتوقعة لاستكشاف المحددات النفسية التي تؤثر على نوايا طلاب الجامعات في الاستمرار في التعلم في دورات الرسم المدعومة بالذكاء الاصطناعي. من خلال توسيع هذه الإطارات لتشمل متغيرات إضافية مثل الموقف، والإدراك للبرودة، والقلق، والكفاءة الذاتية، والفائدة المدركة، تهدف الدراسة إلى تقديم تحليل شامل للعوامل التي تؤثر على نية التعلم المستمر. باستخدام نهج مختلط، بما في ذلك نمذجة المعادلات الهيكلية (SEM) وتحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA)، تسعى الدراسة إلى الكشف عن المحركات الفردية وتكوينات معينة من العوامل التي تعزز الالتزام طويل الأمد في التعليم الفني الرقمي. تسهم هذه الدراسة في الأدبيات من خلال معالجة التوترات الفريدة بين الأتمتة التكنولوجية والأصالة الفنية، بينما تدمج أيضًا نظرية البرودة لالتقاط الرنين العاطفي المهم لطلاب الفن.
طرق البحث
يستعرض قسم “طرق البحث” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدم الباحثون تجربة عشوائية محكومة لضمان موثوقية النتائج، مع تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم.
شملت جمع البيانات مقاييس موحدة لتقييم النتائج الرئيسية، وتم إجراء التحليل باستخدام برامج إحصائية مناسبة. استخدم المؤلفون تقنيات مثل تحليل الانحدار وANOVA لتقييم دلالة النتائج. بالإضافة إلى ذلك، يصف القسم الاعتبارات الأخلاقية التي تم أخذها في الاعتبار، بما في ذلك الموافقة المستنيرة وموافقة الدراسة من قبل لجنة المراجعة المؤسسية. بشكل عام، تم تصميم الطرق بدقة لمعالجة أسئلة البحث بفعالية وضمان صحة الاستنتاجات المستخلصة.
النتائج
تشير نتائج نموذج المعادلات الهيكلية (SEM) إلى ملاءمة جيدة بشكل عام، مع مؤشرات رئيسية مثل χ²/df = 2.078 و RMSEA = 0.063 تدعم صلاحية النموذج. وُجدت تأثيرات إيجابية كبيرة على النية السلوكية (BI) لتوقع الأداء (PE)، والموقف (ATT)، والإدراك للبرودة (PC)، بينما أثر القلق (AX) سلبًا على BI. ومع ذلك، لم يؤثر توقع الجهد (EE) بشكل كبير على BI، مما يشير إلى أن العوامل التي تتجاوز سهولة الاستخدام هي الأكثر أهمية في تحديد نوايا الطلاب لاستخدام أدوات الذكاء الاصطناعي في دورات الرسم. كما أظهر النموذج دقة تنبؤية قوية، مع قيم R² تبلغ 0.524 لـ BI و0.771 للنية المستمرة (CI).
كشفت التحليلات الإضافية أن الجنس ومستوى الصف قد قاما بتعديل مسارات معينة، لا سيما تأثير الفائدة المدركة (PU) على CI والكفاءة الذاتية (SE) على CI. أبرز نهج الدراسة المختلط، الذي يدمج SEM مع تحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA)، أنه بينما لم يكن لـ EE تأثير صافي كبير في SEM، إلا أنه ظهر كشرط أساسي في تكوينات معينة ضمن fsQCA. وهذا يشير إلى أن نية التعلم المستمر لدى الطلاب تتشكل من خلال عوامل متعددة تتفاعل مع بعضها البعض، مما يبرز الحاجة إلى استراتيجيات تعليمية تأخذ في الاعتبار هذه العلاقات المعقدة. تؤكد النتائج على أهمية معالجة تصورات الطلاب حول أدوات الذكاء الاصطناعي في تعزيز قدراتهم الفنية بدلاً من التركيز فقط على سهولة التشغيل.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على دمج الذكاء الاصطناعي (AI) في التعليم العالي، لا سيما في التخصصات الإبداعية مثل الفن والتصميم. يؤكد على السياق التاريخي لاعتماد التكنولوجيا في التعليم، مشيرًا إلى أنه بينما تم دراسة تكنولوجيا المعلومات والاتصالات (ICT) بشكل مكثف، لا يزال التطبيق المحدد للذكاء الاصطناعي في بيئات التعلم الإبداعية غير مستكشف بشكل كافٍ. تحدد الدراسة الفجوات الحرجة في الأدبيات الحالية، بما في ذلك نقص التركيز على المجالات الإبداعية، والحاجة إلى أطر نظرية متعددة الأبعاد، والقيود المنهجية التي تفشل في التقاط تعقيد تجارب الطلاب. لمعالجة هذه الفجوات، يقترح المؤلفون إطارًا نظريًا متكاملًا يجمع بين النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) مع مفاهيم من نظرية البرودة ومعتقدات القيمة المتوقعة، مصممة لتناسب سياقات التعلم الإبداعي المدعوم بالذكاء الاصطناعي.
تناقش الورقة أيضًا أهمية فهم العوامل التي تؤثر على نية التعلم المستمر لدى طلاب الجامعات في دورات الرسم المدعومة بالذكاء الاصطناعي. تفترض أن المفاهيم مثل توقع الأداء، وتوقع الجهد، والموقف، والإدراك للبرودة، والقلق تؤثر بشكل كبير على نوايا الطلاب السلوكية. تستخدم الدراسة نهجًا مختلطًا، مستفيدة من نمذجة المعادلات الهيكلية (SEM) وتحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA) لاستكشاف كيفية تفاعل هذه العوامل وتأثيرها على تفاعل الطلاب مع تقنيات الذكاء الاصطناعي. تشير النتائج إلى أنه بينما يمتلك الذكاء الاصطناعي القدرة على تعزيز نتائج التعلم، لا سيما في المجالات المنظمة، فإن تطبيقه في تعليم الفن يثير تحديات فريدة تتعلق بالحكم الجمالي الذاتي والحفاظ على المهارات الفنية التقليدية. تهدف البحث إلى تقديم رؤى دقيقة حول كيفية تنقل ملفات تعريف الطلاب المتنوعة عبر هذه التحديات، مما يسهم في فهم أكثر شمولاً لقبول التكنولوجيا في التعليم الإبداعي.
القيود
تسلط القيود في هذه الدراسة الضوء على عدة مجالات حيوية للبحث المستقبلي بشأن نية التعلم المستمر لدى الطلاب في دورات الرسم المدعومة بالذكاء الاصطناعي. أولاً، يقيّد التصميم العرضي فهم التطور الديناميكي لنوايا الطلاب والعلاقات السببية بين العوامل المؤثرة. يجب أن تأخذ الدراسات المستقبلية في الاعتبار تتبعًا طوليًا أو تجارب طبيعية لالتقاط هذه التغييرات بمرور الوقت والتحقق من الآليات السببية المعنية. ثانيًا، يثير الاعتماد على بيانات التقرير الذاتي من مناطق معينة مخاوف بشأن تأثير السياقات التعليمية المحلية والخلفيات الثقافية، والتي قد تُدخل تحيزات وتحد من تعميم النتائج. لمعالجة ذلك، يجب أن تكرر الأبحاث المستقبلية النموذج عبر بيئات تعليمية متنوعة وتفحص المتغيرات المعدلة مثل الأساس الفني للطلاب وكفاءتهم التقنية.
بالإضافة إلى ذلك، لا تعالج الدراسة بشكل كافٍ الحواجز التقنية المحتملة التي قد يواجهها الطلاب عند استخدام أدوات الرسم المدعومة بالذكاء الاصطناعي، مثل مشكلات قابلية استخدام البرمجيات أو قيود أداء الأجهزة. يمكن أن تؤثر هذه العوامل بشكل كبير على نوايا تعلم الطلاب وقابلية تطبيق نتائج البحث في البيئات التعليمية العملية. يجب أن تستكشف التحقيقات المستقبلية هذه التحديات التقنية بشكل منهجي وتقترح حلولًا لتعزيز تجربة التعلم. أخيرًا، نظرًا لأن البحث يعتمد على طلاب الجامعات الصينية، فإن تعميمه على مناطق أو دول أخرى ذات مستويات متفاوتة من اعتماد التكنولوجيا والتقاليد التعليمية يبقى غير مؤكد. يجب أن تهدف الأبحاث اللاحقة إلى اختبار وتنقيح النموذج النظري من خلال مقارنات عبر السياقات لتحسين قوته التفسيرية وقابليته للتطبيق في بيئات التعليم الفني المدعومة بالذكاء الاصطناعي المختلفة.
DOI: https://doi.org/10.1038/s41598-026-40663-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41714720
Publication Date: 2026-02-19
Author(s): Yang Eric Li et al.
Primary Topic: Virtual Reality Applications and Impacts
Overview
This research investigates the factors influencing college students’ continuance learning intention in artificial intelligence-assisted drawing courses, employing coolness theory and expectancy-value theory as frameworks. Utilizing a mixed-methods approach that includes structural equation modeling (SEM) and fuzzy-set qualitative comparative analysis (fsQCA), the study analyzed data from 365 university students. The SEM results indicated that attitude had the most substantial impact on students’ Behavioral Intention, with performance expectancy and perceived coolness also contributing positively, while anxiety negatively affected it. Self-efficacy was found to significantly enhance students’ continuance learning intention, collectively accounting for 77.1% of the variance in this intention and 52.4% in behavioral intention. Notably, gender and grade level moderated specific relationships within the model.
The fsQCA analysis revealed that continuance learning intention arises from various combinations of factors rather than a single determinant, identifying five configurational solutions that lead to similar outcomes. The study effectively applies coolness theory and expectancy-value theory within the context of AI-assisted art education, thereby broadening the scope of these theories in creative technology learning. Practically, the findings offer valuable insights and intervention strategies for educators and curriculum designers to enhance AI-assisted drawing instruction, foster positive student attitudes, and improve technological engagement.
Introduction
The introduction of this research paper highlights the growing integration of artificial intelligence (AI) in higher education, particularly within creative disciplines such as art education. Survey data indicates that universities in developed nations and China are increasingly adopting AI-assisted learning systems, which enhance student engagement and learning outcomes. These systems provide personalized feedback and support, addressing challenges unique to art education, such as the need for continuous creative practice and the subjective nature of artistic evaluation. The study aims to investigate the benefits and challenges of AI integration in painting classes, emphasizing the potential of AI to improve pedagogical effectiveness and foster a supportive learning environment, especially for students with social anxiety.
The research employs the UTAUT model and expectancy-value theory to explore the psychological determinants influencing university students’ intentions to continue learning in AI-assisted painting courses. By extending these frameworks to include additional variables such as attitude, perceived coolness, anxiety, self-efficacy, and perceived usefulness, the study aims to provide a comprehensive analysis of factors affecting continuance learning intention. Utilizing a mixed-methods approach, including Structural Equation Modeling (SEM) and fuzzy-set Qualitative Comparative Analysis (fsQCA), the research seeks to uncover both individual drivers and specific configurations of factors that promote long-term commitment in digital art education. This study contributes to the literature by addressing the unique tensions between technological automation and artistic originality, while also integrating Coolness Theory to capture the emotional resonance important to art students.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a randomized controlled trial to ensure the reliability of the results, with participants assigned to either the treatment or control group.
Data collection involved standardized measures to assess the primary outcomes, and the analysis was conducted using appropriate statistical software. The authors employed techniques such as regression analysis and ANOVA to evaluate the significance of the findings. Additionally, the section describes the ethical considerations taken into account, including informed consent and the approval of the study by an institutional review board. Overall, the methods were rigorously designed to address the research questions effectively and ensure the validity of the conclusions drawn.
Results
The results of the structural equation model (SEM) indicate a good overall fit, with key indices such as χ²/df = 2.078 and RMSEA = 0.063 supporting the model’s validity. Significant positive impacts on behavioral intention (BI) were found for performance expectancy (PE), attitude (ATT), and perceived coolness (PC), while anxiety (AX) negatively affected BI. However, effort expectancy (EE) did not significantly influence BI, suggesting that factors beyond ease of use are more critical in determining students’ intentions to utilize AI tools in painting courses. The model also demonstrated strong predictive accuracy, with R² values of 0.524 for BI and 0.771 for continuance intention (CI).
Further analysis revealed that gender and grade level moderated certain paths, notably the influence of perceived usefulness (PU) on CI and self-efficacy (SE) on CI. The study’s mixed-methods approach, integrating SEM with fuzzy-set qualitative comparative analysis (fsQCA), highlighted that while EE did not have a significant net effect in SEM, it emerged as a core condition in specific configurations within fsQCA. This suggests that students’ continuance learning intention is shaped by multiple interacting factors, emphasizing the need for educational strategies that consider these complex relationships. The findings underscore the importance of addressing students’ perceptions of AI tools in enhancing their artistic capabilities rather than merely focusing on operational ease.
Discussion
The discussion section of the research paper highlights the integration of artificial intelligence (AI) in higher education, particularly in creative disciplines such as art and design. It emphasizes the historical context of technology adoption in education, noting that while information and communication technology (ICT) has been extensively studied, the specific application of AI in creative learning environments remains underexplored. The study identifies critical gaps in existing literature, including a lack of focus on creative domains, the need for multifaceted theoretical frameworks, and methodological limitations that fail to capture the complexity of student experiences. To address these gaps, the authors propose an integrated theoretical framework that combines the Unified Theory of Acceptance and Use of Technology (UTAUT) with constructs from coolness theory and expectancy-value beliefs, tailored for AI-assisted creative learning contexts.
The paper further discusses the importance of understanding factors influencing university students’ continuance learning intention in AI-assisted drawing courses. It posits that constructs such as performance expectancy, effort expectancy, attitude, perceived coolness, and anxiety significantly impact students’ behavioral intentions. The study employs a mixed-methods approach, utilizing structural equation modeling (SEM) and fuzzy-set qualitative comparative analysis (fsQCA) to explore how these factors interact and influence students’ engagement with AI technologies. The findings suggest that while AI has the potential to enhance learning outcomes, particularly in structured domains, its application in art education raises unique challenges related to subjective aesthetic judgment and the preservation of traditional artistic skills. The research aims to provide nuanced insights into how diverse student profiles navigate these challenges, ultimately contributing to a more comprehensive understanding of technology acceptance in creative education.
Limitations
The limitations of this study highlight several critical areas for future research regarding students’ continuance learning intention in AI-assisted painting courses. Firstly, the cross-sectional design restricts the understanding of the dynamic evolution of students’ intentions and the causal relationships among influencing factors. Future studies should consider longitudinal tracking or natural experiments to capture these changes over time and validate the causal mechanisms involved. Secondly, the reliance on self-report data from specific regions raises concerns about the influence of local educational contexts and cultural backgrounds, which may introduce biases and limit the generalizability of the findings. To address this, future research should replicate the model across diverse educational settings and examine moderating variables such as students’ artistic foundation and technical proficiency.
Additionally, the study does not adequately address potential technical barriers that students may encounter when using AI-assisted painting tools, such as software usability issues or device performance limitations. These factors could significantly affect students’ learning intentions and the applicability of the research findings in practical instructional settings. Future investigations should systematically explore these technical challenges and propose solutions to enhance the learning experience. Lastly, given that the research is based on Chinese university students, its generalizability to other regions or countries with varying levels of technology adoption and educational traditions remains uncertain. Subsequent research should aim to test and refine the theoretical model through cross-contextual comparisons to improve its explanatory power and applicability in different AI-assisted painting educational environments.