DOI: https://doi.org/10.3389/fpsyg.2025.1622926
PMID: https://pubmed.ncbi.nlm.nih.gov/41583754
تاريخ النشر: 2026-01-09
المؤلف: Huan Wang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تبحث ورقة البحث في العوامل النفسية التي تؤثر على اعتماد الذكاء الاصطناعي التوليدي (GenAI) في تعليم اللغات الأجنبية، مشيرة إلى فجوة في فهم الاستجابات العاطفية والمعرفية المرتبطة بدمج الذكاء الاصطناعي. باستخدام نظرية القبول واستخدام التكنولوجيا الموحدة 2 (UTAUT2) كإطار عمل، تقدم الدراسة مفهوم قلق الذكاء الاصطناعي لشرح ردود الفعل الفريدة الناتجة عن التعاون بين الإنسان والذكاء الاصطناعي. من خلال استخدام نمذجة المعادلات الهيكلية (SEM) على بيانات استبيان من 632 مشاركًا وتحليل المشاعر للمراجعات عبر الإنترنت، تكشف النتائج أن توقع الأداء، وتوقع الجهد، والتأثير الاجتماعي تؤثر بشكل إيجابي على النية السلوكية، بينما يؤثر قلق الذكاء الاصطناعي والعادة بشكل سلبي كبير.
تؤكد النتائج أن التفاعل بين المتعلمين وGenAI ليس مجرد تفاعل وظيفي، بل ينطوي على ديناميات نفسية معقدة. يدعم تحليل المشاعر هذه النتائج، مشيرًا إلى مزيج من المشاعر العامة الإيجابية جنبًا إلى جنب مع القلق والتعقيد المدرك بشأن اتخاذ القرارات في سياقات الذكاء الاصطناعي. لهذه الدراسة آثار حاسمة على تطوير أدوات الذكاء الاصطناعي التي لا تكون متقدمة تكنولوجيًا فحسب، بل أيضًا حساسة للاحتياجات النفسية للمستخدمين، مما يشير إلى أن الدمج الناجح لـ GenAI في البيئات التعليمية يتطلب معالجة الأبعاد العاطفية لاعتماد التكنولوجيا.
مقدمة
تناقش مقدمة هذه الورقة البحثية الإمكانات التحويلية للذكاء الاصطناعي التوليدي (GenAI) في تعليم اللغات الأجنبية، مشبهة إياه بمعلم شخصي متاح دائمًا قادر على الانخراط في محادثات متنوعة دون تقلبات عاطفية. يبرز المؤلفون الظهور السريع لأنظمة التدريس بالذكاء الاصطناعي، مثل DeepSeek، التي تعيد تشكيل النماذج التعليمية من خلال توفير تجارب تعلم شخصية تعالج أوجه القصور الشائعة في التعليم البشري، مثل النطق والتحفيز. تكشف تحليل بيبليومتري عن زيادة كبيرة في الاهتمام الأكاديمي بـ GenAI في تعلم اللغات، مع تحديد 1,538 سجلًا، وثلاث مجموعات بحثية رئيسية: تطوير النماذج، التطبيقات الاجتماعية، والاندماج التعليمي.
على الرغم من الاهتمام المتزايد بـ GenAI، يشير المؤلفون إلى وجود فجوة في فهم الحواجز التحفيزية والنفسية التي تؤثر على قبوله في تعليم اللغات الأجنبية. ينتقدون نموذج UTAUT2 التقليدي لعدم كفايته في معالجة هذه الديناميات النفسية ويقترحون نسخة موسعة تتضمن قلق الذكاء الاصطناعي. تهدف هذه الدراسة إلى استكشاف العوامل النفسية التي تسهل أو تعيق اعتماد أدوات GenAI وتقييم التصورات العامة حول هذه التقنيات، مسترشدين بسؤالين بحثيين رئيسيين: يركز RQ1 على المحركات النفسية والحواجز أمام اعتماد GenAI، بينما يفحص RQ2 التصورات العامة حول أدوات مثل DeepSeek.
الطرق
تستخدم الدراسة نهجًا مختلطًا، يجمع بين بيانات الاستبيان التي تم تحليلها من خلال نمذجة المعادلات الهيكلية (SEM) مع تحليل المشاعر للنقاشات عبر الإنترنت. تعمل هذه المثلثية المنهجية على تعزيز قوة النتائج؛ يسهل الاستبيان فحص العلاقات السببية وتصورات المستخدمين تحت ظروف مسيطر عليها، بينما يوفر تحليل المشاعر تحققًا خارجيًا. لا تؤكد هذه الطريقة المزدوجة فقط على الموضوعات الناشئة، بل تعكس أيضًا الاتجاهات العاطفية الحقيقية للأفراد بعد تفاعلاتهم.
النتائج
تكشف نتائج الدراسة عن رؤى مهمة حول اعتماد أدوات الذكاء الاصطناعي في تعليم اللغات من خلال مزيج من التحليلات الكمية والنوعية. أظهر نموذج القياس الانعكاسي، الذي تم تقييمه باستخدام خوارزمية PLS-SEM، موثوقية وصلاحية قوية، مع تحميلات عوامل تتجاوز 0.70 لمعظم المفاهيم. تم تأكيد الاتساق الداخلي باستخدام ألفا كرونباخ وقيم الموثوقية المركبة فوق 0.70، بينما تم تأسيس الصلاحية التقاربية حيث تجاوزت قيم متوسط التباين المستخرج (AVE) 0.50. تم تقييم الصلاحية التمييزية باستخدام معيار فورنل-لاركر ونسبة الهتروترات-مونوترايت (HTMT)، وكلاهما أشار إلى أن المفاهيم كانت متميزة واحتوت على أبعاد فريدة ذات صلة بالدراسة.
أكمل تحليل المشاعر نتائج نمذجة المعادلات الهيكلية (SEM)، كاشفًا عن شعور إيجابي مرتفع (68.1%) تجاه أدوات الذكاء الاصطناعي مثل DeepSeek، والذي ارتبط إيجابيًا بتوقع الأداء (PE)، التأثير الاجتماعي (SI)، وتوقع الجهد (EE). ومع ذلك، أبرز الشعور السلبي (11.0%) والمواقف المحايدة (20.9%) الحواجز مثل القلق والعادات التعليمية المتجذرة. أشار نموذج UTAUT2 الموسع إلى أن النية السلوكية (BI) لاعتماد أدوات GenAI تأثرت بشكل كبير بـ SI، PE، وEE، بينما أثر القلق والعادات الحالية سلبًا على الاعتماد. أوضح النموذج 45.4% من التباين في BI و37.9% في سلوك الاستخدام (UB)، مما يبرز دور BI كوسيط. من الجدير بالذكر أن رفض فرضية الدافع الهيدوني يشير إلى أن العوامل النفعية تدفع الاعتماد أكثر من العوامل الهيدونية، مما يبرز الديناميات المعقدة لمواقف المستخدمين تجاه اعتماد أدوات الذكاء الاصطناعي.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على التحقق من صحة نموذج UTAUT2 الموسع، الذي يتضمن قلق الذكاء الاصطناعي كعامل نفسي محوري يؤثر على اعتماد الذكاء الاصطناعي التوليدي (GenAI) في تعليم اللغات الأجنبية. تكشف النتائج أن قلق الذكاء الاصطناعي يؤثر سلبًا على النية السلوكية (BI)، مما يشير إلى أن المخاوف المتعلقة بالاعتماد التكنولوجي والتهديد المدرك للأدوار التعليمية تعيق قبول أدوات الذكاء الاصطناعي. يتماشى هذا مع الأدبيات الحالية التي تصف قلق الذكاء الاصطناعي كهيكل متعدد الأبعاد، متجذر في المخاوف بشأن أمان الوظائف والطبيعة الغامضة لخوارزميات الذكاء الاصطناعي. بالإضافة إلى ذلك، تسلط الدراسة الضوء على الأدوار المهمة لتوقع الأداء (PE) والتأثير الاجتماعي (SI) كمتنبئين إيجابيين لـ BI، بينما تلاحظ أيضًا التأثير السلبي المتناقض للعادات على كل من BI وسلوك الاستخدام (UB)، مما يشير إلى أن التفاعلات الأولية مع GenAI قد تتطلب جهدًا واعيًا بدلاً من الأوتوماتيكية.
تنتقد الدراسة أيضًا التركيز التقليدي على توقع الأداء، مشيرة إلى أنه في سياق تقنيات الذكاء الاصطناعي المتقدمة، قد تطغى العوامل النفسية مثل الخوف من فقدان المهارات على الفائدة المدركة. من الجدير بالذكر أن الدافع الهيدوني لم يكن له تأثير كبير على BI، مما يشير إلى أن المستخدمين قد يفضلون الجوانب النفعية لـ GenAI على الاستمتاع في بيئات التعلم المنظمة. تؤكد التحليلات الوسيطة على تعقيد سلوك المستخدم، كاشفة أنه بينما تعتبر BI عاملًا حاسمًا في عملية الاعتماد، إلا أنها لا تعكس بالكامل الديناميات المعنية. بشكل عام، تسهم الدراسة في فهم دقيق للدوافع النفسية وراء اعتماد GenAI في البيئات التعليمية، داعية إلى نهج أكثر شمولية يأخذ في الاعتبار تفاعل العوامل المعرفية والعاطفية والاجتماعية.
القيود
تسلط قسم القيود الضوء على عدة جوانب حاسمة قد تؤثر على صحة وعمومية النتائج المتعلقة بمؤشرات قبول GenAI في تعلم اللغات. أولاً، قد يؤدي الاعتماد على منصات الإنترنت مثل Weibo وReddit وTwitter وWeChat لتجنيد المشاركين إلى إدخال تحيز الاختيار الذاتي، حيث من المحتمل أن تكون العينة مائلة نحو الأفراد الأكثر كفاءة تكنولوجيًا والميالين لاعتماد أدوات الذكاء الاصطناعي. قد يحد هذا من قابلية تطبيق النتائج على مجموعة سكانية أوسع.
ثانيًا، يمكن تعزيز عمومية الدراسة من خلال تضمين مشاركين من مجموعة أوسع من الخلفيات والمجموعات غير الممثلة، مما سيوفر فهمًا أكثر شمولية لقبول GenAI عبر ديموغرافيات متنوعة. بالإضافة إلى ذلك، تقدم المنهجية البحثية الأفقية المستخدمة تحديات في إقامة العلاقات السببية، حيث تلتقط بشكل أساسي تغييرات السلوك بمرور الوقت دون تتبع طولي للمشاركين الأفراد. أخيرًا، كان تحليل المشاعر الذي تم إجراؤه يعتمد فقط على محتوى تويتر، مما يفتقر إلى مدخلات من المعلمين والمتعلمين، مما يشير إلى أن المقابلات النوعية ستكون مفيدة لاستكشاف أعمق وأكثر دقة للموضوع.
DOI: https://doi.org/10.3389/fpsyg.2025.1622926
PMID: https://pubmed.ncbi.nlm.nih.gov/41583754
Publication Date: 2026-01-09
Author(s): Huan Wang et al.
Primary Topic: AI in Service Interactions
Overview
The research paper investigates the psychological factors influencing the adoption of Generative Artificial Intelligence (GenAI) in foreign language education, highlighting a gap in understanding the emotional and cognitive responses associated with AI integration. Utilizing the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) as a framework, the study introduces the construct of AI anxiety to explain the unique reactions elicited by human-AI collaboration. Employing structural equation modeling (SEM) on survey data from 632 participants and sentiment analysis of online reviews, the findings reveal that Performance Expectancy, Effort Expectancy, and Social Influence positively influence Behavioral Intention, while AI Anxiety and Habit exert a significant negative effect.
The results underscore that the interaction between learners and GenAI is not merely functional but involves complex psychological dynamics. The sentiment analysis corroborates these findings, indicating a mix of positive public sentiment alongside anxiety and perceived complexity regarding decision-making in AI contexts. This research has critical implications for the development of AI tools that are not only technologically advanced but also sensitive to the psychological needs of users, suggesting that successful integration of GenAI in educational settings requires addressing the emotional dimensions of technology adoption.
Introduction
The introduction of this research paper discusses the transformative potential of Generative AI (GenAI) in foreign language education, likening it to an ever-available personal tutor capable of engaging in diverse conversations without emotional fluctuations. The authors highlight the rapid emergence of AI tutoring systems, such as DeepSeek, which are reshaping educational paradigms by providing personalized learning experiences that address common shortcomings of human instruction, such as pronunciation and motivation. A bibliometric analysis reveals a significant increase in scholarly attention to GenAI in language learning, with 1,538 records identified, and three primary research clusters identified: model development, social applications, and educational integration.
Despite the growing interest in GenAI, the authors note a gap in understanding the motivational and psychological barriers influencing its acceptance in foreign language education. They critique the traditional UTAUT2 model for its inadequacy in addressing these psychological dynamics and propose an expanded version that incorporates AI anxiety. This study aims to explore the psychological factors that facilitate or impede the adoption of GenAI tools and to assess public perceptions of such technologies, guided by two key research questions: RQ1 focuses on the psychological drivers and barriers to GenAI adoption, while RQ2 examines public perceptions of tools like DeepSeek.
Methods
The research employs a mixed-methods approach, integrating survey data analyzed through Structural Equation Modeling (SEM) with sentiment analysis of online discussions. This methodological triangulation serves to enhance the robustness of the findings; the survey facilitates the examination of causal relationships and user perceptions under controlled conditions, while the sentiment analysis offers external validation. This dual approach not only corroborates emergent themes but also reflects the authentic sentiment orientations of individuals following their interactions.
Results
The results of the study reveal significant insights into the adoption of AI-based tools in language education through a combination of quantitative and qualitative analyses. The reflective measurement model, assessed using the PLS-SEM algorithm, demonstrated strong reliability and validity, with factor loadings exceeding 0.70 for most constructs. Internal consistency was confirmed with Cronbach’s alpha and composite reliability values above 0.70, while convergent validity was established as the Average Variance Extracted (AVE) values surpassed 0.50. Discriminant validity was assessed using the Fornell-Larcker criterion and the Heterotrait-Monotrait ratio (HTMT), both of which indicated that constructs were distinct and captured unique dimensions relevant to the study.
Sentiment analysis complemented the structural equation modeling (SEM) findings, revealing a high positive sentiment (68.1%) towards AI tools like DeepSeek, which correlated positively with performance expectancy (PE), social influence (SI), and effort expectancy (EE). However, negative sentiment (11.0%) and neutral attitudes (20.9%) highlighted barriers such as anxiety and entrenched learning habits. The extended UTAUT2 model indicated that behavioral intention (BI) to adopt GenAI tools was significantly influenced by SI, PE, and EE, while anxiety and existing habits negatively impacted adoption. The model explained 45.4% of the variance in BI and 37.9% in use behavior (UB), emphasizing the role of BI as a mediator. Notably, the rejection of the hedonic motivation hypothesis suggests that utilitarian factors drive adoption more than hedonic ones, underscoring the complex dynamics of user attitudes towards AI tool adoption.
Discussion
The discussion section of the research paper emphasizes the validation of an extended UTAUT2 model, incorporating AI anxiety as a pivotal psychological factor influencing the adoption of Generative AI (GenAI) in foreign language education. The findings reveal that AI anxiety negatively impacts behavioral intention (BI), suggesting that fears related to technological dependency and the perceived threat to pedagogical roles hinder the acceptance of AI tools. This aligns with existing literature that frames AI anxiety as a multidimensional construct, rooted in concerns over job security and the opaque nature of AI algorithms. Additionally, the study highlights the significant roles of performance expectancy (PE) and social influence (SI) as positive predictors of BI, while also noting the paradoxical negative influence of habit on both BI and usage behavior (UB), indicating that initial interactions with GenAI may require conscious effort rather than automaticity.
The research further critiques the traditional emphasis on performance expectancy, suggesting that in the context of advanced AI technologies, psychological factors such as fear of deskilling may overshadow perceived usefulness. Notably, hedonic motivation was found to have no significant effect on BI, indicating that users may prioritize utilitarian aspects of GenAI over enjoyment in structured learning environments. The mediating analysis underscores the complexity of user behavior, revealing that while BI is a crucial factor in the adoption process, it does not fully encapsulate the dynamics at play. Overall, the study contributes to a nuanced understanding of the psychological drivers behind GenAI adoption in educational settings, advocating for a more comprehensive approach that considers the interplay of cognitive, emotional, and social factors.
Limitations
The section on limitations highlights several critical aspects that may affect the validity and generalizability of the findings regarding predictors of GenAI acceptance in language learning. Firstly, the reliance on online platforms such as Weibo, Reddit, Twitter, and WeChat for participant recruitment may introduce self-selection bias, as the sample is likely skewed towards individuals who are more technologically adept and inclined to adopt AI tools. This could limit the applicability of the results to a broader population.
Secondly, the study’s generalizability could be enhanced by including participants from a wider range of backgrounds and underrepresented groups, which would provide a more comprehensive understanding of GenAI acceptance across diverse demographics. Additionally, the horizontal research methodology employed presents challenges in establishing causal relationships, as it primarily captures behavior changes over time without longitudinal tracking of individual participants. Lastly, the sentiment analysis conducted was based solely on Twitter content, lacking input from educators and learners, which suggests that qualitative interviews would be beneficial for a deeper and more nuanced exploration of the topic.