DOI: https://doi.org/10.1186/s40359-025-02781-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40329431
تاريخ النشر: 2025-05-06
المؤلف: Yi Wang وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تناقش ورقة البحث دمج الذكاء الاصطناعي التوليدي (Gen-AI) في تعليم الرياضيات، لا سيما في الصين، حيث أثار اعتماده اهتمامًا كبيرًا عبر مختلف القطاعات. تسلط الدراسة الضوء على أن Gen-AI يمكنه توليد استجابات ذات صلة والمساعدة في المهام المعقدة، مما يعزز الأنشطة التعليمية. تشير الأدلة التجريبية إلى أن Gen-AI لا يساعد المعلمين فقط في إنشاء محتوى وخطط دروس مخصصة، بل يحسن أيضًا من تفاعل الطلاب، ودافعهم، وأدائهم الأكاديمي من خلال ميزات مثل التدريس التفاعلي ومسارات التعلم المخصصة.
باستخدام طريقة نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM)، تستكشف الدراسة العوامل التي تؤثر على اعتماد معلمي الرياضيات في المرحلة K-12 على Gen-AI، استنادًا إلى نموذج قبول التكنولوجيا الموسع (TAM) ونظرية السلوك المخطط (TPB). تكشف النتائج الرئيسية أن مواقف المعلمين، والمعايير الذاتية، والرقابة السلوكية المدركة (PBC) تؤثر بشكل كبير على استخدامهم لـ Gen-AI، مع لعب المعايير الثقافية وخصائص النظام التعليمي دورًا حاسمًا. بالإضافة إلى ذلك، يؤثر الوعي بالذكاء الاصطناعي بشكل غير مباشر على سلوك الاستخدام. تقدم الدراسة توصيات عملية لتدريب المعلمين، وتصميم دورات الرياضيات، ومنصات الدعم التكنولوجي، مما يوفر رؤى قيمة لصانعي السياسات والمعلمين الذين يسعون لتعزيز دمج الذكاء الاصطناعي في تعليم الرياضيات في المرحلة K-12.
مقدمة
تناقش مقدمة هذه الورقة البحثية التطور السريع للذكاء الاصطناعي التوليدي (Gen-AI)، لا سيما بعد إصدار ChatGPT من OpenAI في عام 2023. بينما يدرك المعلمون إمكانيات Gen-AI كأداة تعليمية تحويلية، تثار مخاوف بشأن قيوده، مثل سوء تفسير مدخلات المستخدم وعدم الدقة في توليد المحتوى الرياضي. قد تعيق هذه التحديات استعداد المعلمين لاعتماد Gen-AI في فصولهم الدراسية، مما يستدعي فحصًا نقديًا لاستخدامه الفعال في تعليم الرياضيات.
تهدف الدراسة إلى تحديد العوامل التي تؤثر على اعتماد معلمي الرياضيات في المرحلة K-12 على Gen-AI، موسعةً على الأبحاث الحالية التي تركز بشكل أساسي على الخصائص التقنية، وتأثيرات التدريس، والتطبيقات العملية. بينما كانت الأطر المعمول بها مثل نموذج قبول التكنولوجيا (TAM) ونظرية السلوك المخطط (TPB) مفيدة في فهم اعتماد التكنولوجيا، قد لا تلتقط تمامًا التعقيدات المرتبطة بـ Gen-AI. تطرح البحث سؤالًا مصقولًا: كيف تؤثر تصورات المعلمين ومواقفهم على اعتمادهم لـ Gen-AI في تعليم الرياضيات؟ من خلال استكشاف العوامل الناشئة مثل الوعي بالذكاء الاصطناعي وطبيعة التكنولوجيا المتطورة، تسعى الدراسة إلى تعزيز الفهم النظري لاعتماد Gen-AI بين المعلمين، مما يساهم في النهاية في دمج أكثر فعالية لهذه التقنيات في ممارسات التدريس.
الطرق
تحدد قسم المنهجية تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وإجراءات جمع البيانات، والأساليب الإحصائية المستخدمة للتحليل. استخدمت الدراسة نهجًا كميًا، حيث تم استخدام الاستطلاعات والتجارب لجمع البيانات ذات الصلة بأسئلة البحث.
تم اختيار المشاركين من خلال طريقة أخذ عينات طبقية لضمان عينة تمثيلية. تم تحليل البيانات باستخدام اختبارات إحصائية مناسبة، بما في ذلك تحليل الانحدار وANOVA، لتقييم العلاقات بين المتغيرات واختبار الفرضيات. يبرز القسم صرامة المنهجية، مما يضمن أن النتائج قوية وموثوقة.
النتائج
في هذه الدراسة، هدفنا إلى تحديد العوامل الرئيسية التي تؤثر على سلوك استخدام معلمي الرياضيات لأدوات الذكاء الاصطناعي التوليدي (Gen-AI) في ممارساتهم التعليمية. لتحقيق ذلك، استخدمنا برنامج smartPLS 4.0 لتحليل النموذج المفاهيمي، مع التركيز على عنصرين رئيسيين: نموذج القياس والنموذج الهيكلي. توفر النتائج من هذه التحليلات رؤى حول المحددات الهامة التي تؤثر على اعتماد المعلمين ودمج أدوات Gen-AI في منهجياتهم التعليمية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي التوليدي (Gen-AI) على تعليم الرياضيات، مع التأكيد على دوره المزدوج في تعزيز ممارسات التدريس بينما يقدم أيضًا تحديات للمعلمين. يسهل Gen-AI، كما يتضح من أدوات مثل ChatGPT، التعلم المخصص من خلال توليد موارد وتقييمات مخصصة، مما يعالج صعوبات تعلم الطلاب ويعزز التفاعل. ومع ذلك، فإن الاعتماد المتزايد على Gen-AI يثير مخاوف بشأن التآكل المحتمل لسلطة المعلمين والحاجة إلى إعادة تعريف أدوار المعلمين في الفصل الدراسي. تؤكد الورقة على أنه بينما يمكن أن يكمل Gen-AI طرق التدريس التقليدية، يجب ألا يحل محل التفاعل البشري الأساسي بين المعلمين والطلاب، كما أكدت اليونسكو.
بالإضافة إلى ذلك، يستكشف القسم مفهوم الوعي بالذكاء الاصطناعي بين معلمي الرياضيات، والذي يشمل فهمهم لتقنيات Gen-AI، والانخراط في المناقشات المتعلقة بالذكاء الاصطناعي، وقدرتهم على تحليل آثار الذكاء الاصطناعي في التعليم بشكل نقدي. يُعتبر هذا الوعي عاملاً مهمًا يؤثر على قبول المعلمين ودمج Gen-AI، كما هو موضح في نموذج قبول التكنولوجيا (TAM) ونظرية السلوك المخطط (TPB). تقترح الدراسة عدة فرضيات بشأن العلاقات بين الوعي بالذكاء الاصطناعي، والفائدة المدركة، وسهولة الاستخدام المدركة، وسلوك الاستخدام الفعلي لأدوات Gen-AI في التدريس. من خلال دمج هذه الأطر النظرية، تهدف البحث إلى تقديم فهم شامل للعوامل التي تؤثر على اعتماد معلمي الرياضيات في المرحلة K-12 على Gen-AI، مما يساهم في النهاية في تطوير ممارسات تعليمية فعالة في العصر الرقمي.
القيود
تقدم الدراسة عدة قيود تؤثر على قابلية تعميم نتائجها بشأن تصورات ومواقف معلمي الرياضيات في المرحلة K-12 تجاه اعتماد الذكاء الاصطناعي التوليدي (Gen-AI) في التعليم. بشكل أساسي، تم أخذ العينة من المدارس الابتدائية العامة في المناطق الحضرية في الصين، مما قد لا يمثل بشكل كافٍ المشهد التعليمي الأوسع في المرحلة K-12. بينما تعتبر الرؤى المكتسبة قيمة، يجب توخي الحذر عند تعميم هذه النتائج على سياقات تعليمية متنوعة.
بالإضافة إلى ذلك، فإن الاعتماد على البيانات المبلغ عنها ذاتيًا يقدم تحيزات محتملة، حيث قد يقدم المشاركون صورة إيجابية بشكل مفرط عن سلوكياتهم أو قد لا يتذكرون تجاربهم بدقة. للتخفيف من هذه التحيزات، يمكن أن تتضمن الأبحاث المستقبلية طرق جمع بيانات متعددة، مثل الملاحظات الصفية ومدخلات من الطلاب، لتثليث النتائج. يحد غياب البيانات النوعية في هذه الدراسة من استكشاف العوامل الذاتية التي تؤثر على استخدام المعلمين لـ Gen-AI. يمكن أن تسفر التحقيقات المستقبلية التي تشمل أساليب نوعية، مثل المقابلات أو مجموعات التركيز، عن رؤى أعمق حول تعقيدات قبول المعلمين أو مقاومتهم لأدوات Gen-AI. أخيرًا، بينما كانت المتغيرات المحددة في هذه الدراسة تمثل جزءًا كبيرًا من التباين في سلوك الاستخدام، قد لا تشمل جميع العوامل ذات الصلة. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار متغيرات إضافية، مثل الابتكار الشخصي، وتدريب التكنولوجيا، والضغوط الخارجية، والدعم المؤسسي، لتوضيح ديناميات دمج Gen-AI في الممارسات التعليمية بشكل أكبر.
DOI: https://doi.org/10.1186/s40359-025-02781-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40329431
Publication Date: 2025-05-06
Author(s): Yi Wang et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The research paper discusses the integration of Generative AI (Gen-AI) in mathematics education, particularly in China, where its adoption has sparked significant interest across various sectors. The study highlights that Gen-AI can generate relevant responses and assist in complex tasks, thereby enhancing educational activities. Empirical evidence indicates that Gen-AI not only aids educators in creating personalized content and lesson plans but also improves student engagement, motivation, and academic performance through features like interactive tutoring and tailored learning pathways.
Using the Partial Least Squares Structural Equation Modeling (PLS-SEM) method, the study explores the factors influencing K-12 mathematics teachers’ adoption of Gen-AI, based on an extended Technology Acceptance Model (TAM) and Theory of Planned Behavior (TPB). Key findings reveal that teachers’ attitudes, subjective norms, and perceived behavioral control (PBC) significantly influence their use of Gen-AI, with cultural norms and educational system characteristics playing a crucial role. Additionally, AI awareness indirectly affects usage behavior. The study offers practical recommendations for teacher training, mathematics course design, and technology-supported platforms, providing valuable insights for policymakers and educators aiming to enhance AI integration in K-12 mathematics education.
Introduction
The introduction of this research paper discusses the rapid evolution of Generative AI (Gen-AI), particularly following the release of ChatGPT by OpenAI in 2023. While educators recognize the potential of Gen-AI as a transformative teaching tool, concerns arise regarding its limitations, such as misinterpretation of user inputs and inaccuracies in generating mathematical content. These challenges may hinder teachers’ willingness to adopt Gen-AI in their classrooms, prompting a critical examination of its effective use in mathematics education.
The study aims to identify the factors influencing K-12 mathematics teachers’ adoption of Gen-AI, expanding on existing research that primarily focuses on technical traits, teaching influences, and practical applications. While established frameworks like the Technology Acceptance Model (TAM) and the Theory of Planned Behavior (TPB) have been useful in understanding technology adoption, they may not fully capture the complexities associated with Gen-AI. The research poses a refined question: How do teachers’ perceptions and attitudes impact their adoption of Gen-AI in mathematics education? By exploring emerging factors such as AI awareness and the evolving nature of technology, the study seeks to enhance the theoretical understanding of Gen-AI adoption among educators, ultimately contributing to more effective integration of these technologies in teaching practices.
Methods
The methodology section outlines the research design and analytical techniques employed in the study. It details the selection of participants, data collection procedures, and the statistical methods used for analysis. The study utilized a quantitative approach, employing surveys and experiments to gather data relevant to the research questions.
The participants were selected through a stratified sampling method to ensure a representative sample. Data were analyzed using appropriate statistical tests, including regression analysis and ANOVA, to evaluate the relationships between variables and to test the hypotheses. The section emphasizes the rigor of the methodology, ensuring that the findings are robust and reliable.
Results
In this study, we aimed to identify the key factors influencing mathematics teachers’ usage behavior of Generative AI (Gen-AI) tools in their teaching practices. To achieve this, we employed smartPLS 4.0 software to analyze the conceptual model, focusing on two primary components: the measurement model and the structural model. The results from these analyses provide insights into the significant determinants that affect teachers’ adoption and integration of Gen-AI tools in their educational methodologies.
Discussion
The discussion section of the research paper highlights the transformative impact of Generative AI (Gen-AI) on mathematics education, emphasizing its dual role in enhancing instructional practices while also presenting challenges for educators. Gen-AI, exemplified by tools like ChatGPT, facilitates personalized learning by generating tailored resources and assessments, thereby addressing students’ learning difficulties and fostering engagement. However, the increasing reliance on Gen-AI raises concerns regarding the potential erosion of teachers’ authority and the need for educators to redefine their roles in the classroom. The paper stresses that while Gen-AI can complement traditional teaching methods, it should not replace the essential human interaction between teachers and students, as emphasized by UNESCO.
Additionally, the section explores the concept of AI awareness among mathematics teachers, which encompasses their understanding of Gen-AI technologies, engagement with AI-related discussions, and ability to critically analyze the implications of AI in education. This awareness is posited as a significant factor influencing teachers’ acceptance and integration of Gen-AI, as outlined by the Technology Acceptance Model (TAM) and the Theory of Planned Behavior (TPB). The study proposes several hypotheses regarding the relationships between AI awareness, perceived usefulness, perceived ease of use, and actual usage behavior of Gen-AI tools in teaching. By integrating these theoretical frameworks, the research aims to provide a comprehensive understanding of the factors that affect K-12 mathematics teachers’ adoption of Gen-AI, ultimately contributing to the development of effective educational practices in the digital age.
Limitations
The study presents several limitations that impact the generalizability of its findings regarding K-12 mathematics teachers’ perceptions and attitudes towards the adoption of Generative AI (Gen-AI) in education. Primarily, the sample is drawn from public primary schools in urban districts of China, which may not adequately represent the broader K-12 teaching landscape. While the insights gained are valuable, caution is warranted in extrapolating these results to diverse educational contexts.
Additionally, the reliance on self-reported data introduces potential biases, as participants may present an overly positive portrayal of their behaviors or may not accurately recall their experiences. To mitigate these biases, future research could incorporate multiple data collection methods, such as classroom observations and input from students, to triangulate findings. The absence of qualitative data in this study limits the exploration of subjective factors influencing teachers’ usage of Gen-AI. Future investigations that include qualitative approaches, such as interviews or focus groups, could yield deeper insights into the complexities of teachers’ acceptance or resistance to Gen-AI tools. Finally, while the predictors identified in this study accounted for a significant portion of the variance in usage behavior, they may not encompass all relevant factors. Future research should consider additional variables, such as personal innovativeness, technology training, external pressures, and institutional support, to further elucidate the dynamics of Gen-AI integration in educational practices.