DOI: https://doi.org/10.3389/fpsyg.2026.1735410
PMID: https://pubmed.ncbi.nlm.nih.gov/41768151
تاريخ النشر: 2026-02-13
المؤلف: Yantao Shi وآخرون
الموضوع الرئيسي: الدافع والصورة الذاتية في الرياضة
نظرة عامة
هدفت هذه الدراسة إلى التحقيق في الدور الوسيط للدافع الأكاديمي في العلاقة بين تصورات طلاب الجامعات للذكاء الاصطناعي (AI) ومشاركتهم الأكاديمية، مع فحص التأثير المعدل للفعالية الذاتية الأكاديمية. أجريت الدراسة من خلال مسح مقطعي شمل 1,484 طالبًا جامعيًا في آنهوي، الصين، واستخدمت البحث استبيانًا ذاتيًا لتقييم المتغيرات بما في ذلك تصور الذكاء الاصطناعي، والمشاركة الأكاديمية، والدافع الأكاديمي، والفعالية الذاتية الأكاديمية.
كشفت النتائج عن وجود علاقة سلبية بين التصورات المتعلقة بالذكاء الاصطناعي والمشاركة الأكاديمية، حيث كان الدافع الأكاديمي يعمل كوسيط جزئي في هذه العلاقة. علاوة على ذلك، وُجد أن الفعالية الذاتية الأكاديمية تعدل كل من الروابط المباشرة وغير المباشرة؛ حيث زادت الفعالية الذاتية المنخفضة من التأثير السلبي لتصورات الذكاء الاصطناعي على المشاركة وضعفت الرابط بين الدافع والمشاركة، بينما أظهرت الفعالية الذاتية العالية آثارًا عكسية. تستنتج الدراسة أن تصورات الذكاء الاصطناعي تؤثر سلبًا على المشاركة الأكاديمية من خلال الدافع الأكاديمي، مع اختلافات تعتمد على مستويات الفعالية الذاتية. ومع ذلك، فإن الطبيعة الارتباطية للنتائج تتطلب مزيدًا من الأبحاث الطولية أو التجريبية للتحقق.
مقدمة
تناقش مقدمة هذه الورقة البحثية مفهوم المشاركة الأكاديمية، والتي تُعرف بأنها حالة نفسية وسلوكية متعددة الأبعاد يقوم الطلاب بتطويرها بنشاط في السياقات الأكاديمية وغير الأكاديمية. بناءً على الدراسات السابقة، تحدد ثلاثة أبعاد للمشاركة الأكاديمية: الإدراك، والعاطفة، والمدخلات السلوكية، التي تتميز بالنشاط، والتفاني، والانغماس. تسلط الورقة الضوء على العلاقة القوية بين المشاركة الأكاديمية والدافع الأكاديمي، مشيرة إلى أن الطلاب الذين يتمتعون بمستويات أعلى من المشاركة يميلون إلى إظهار تجارب أكاديمية، ومواقف، وأداء أفضل. على العكس، يعتمد الطلاب الذين لديهم مستويات منخفضة من المشاركة غالبًا على التكنولوجيا، مما قد يقلل من دافعهم ومشاركتهم.
كما تؤكد المقدمة على دور الذكاء الاصطناعي (AI) في التعليم، مع تعريف “شدة تصور الذكاء الاصطناعي” كتقييم موقفي لتأثير الذكاء الاصطناعي على أنشطتهم الأكاديمية. تفترض أن التصورات المرتفعة للذكاء الاصطناعي يمكن أن تؤدي إلى زيادة الاعتماد على أدوات الذكاء الاصطناعي، مما قد يؤدي إلى تقليل المشاركة الإدراكية والتعلم العميق. قد يسهم هذا الاعتماد في الإرهاق الأكاديمي ومشكلات النزاهة، حيث قد يختار الطلاب طرقًا أسهل بدلاً من الانخراط في التفكير النقدي. لمعالجة هذه المخاوف، تقترح الدراسة نموذج وساطة معدل لاستكشاف كيفية وساطة الدافع الأكاديمي للعلاقة بين الاعتماد على الذكاء الاصطناعي والمشاركة الأكاديمية، مع فحص الدور المعدل للفعالية الذاتية الأكاديمية. تهدف الأبحاث إلى سد الفجوات الحالية في فهم الآليات النفسية والسلوكية التي تكمن وراء تأثير تصور الذكاء الاصطناعي على مشاركة الطلاب الأكاديمية.
الطرق
يستعرض قسم “الطرق” في الورقة البحثية التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في فرضية البحث. استخدمت الدراسة نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة من تجارب مختلفة. شملت المنهجيات المحددة تجارب مختبرية محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج المعنية.
شمل جمع البيانات استخدام أدوات موحدة لضمان الموثوقية والصلاحية، مع التركيز على تقليل التحيز. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، وتطبيق تقنيات مثل تحليل الانحدار وANOVA لتفسير النتائج. يبرز القسم أهمية القابلية للتكرار والشفافية في عملية البحث، موضحًا الخطوات المتخذة لضمان إمكانية التحقق من النتائج من قبل الدراسات المستقبلية.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود علاقة ذات دلالة إحصائية بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى وجود دليل قوي ضد الفرضية الصفرية. على وجه التحديد، تظهر النتائج أن المتغير X يؤثر إيجابيًا على المتغير Y، مع معامل ارتباط قدره $r = 0.85$، مما يدل على وجود علاقة خطية قوية.
بالإضافة إلى ذلك، تفيد الدراسة بأن التدخل المطبق أسفر عن تحسين قابل للقياس في مقاييس النتائج، مع حجم تأثير تم حسابه عند $d = 1.2$، والذي يعتبر كبيرًا. تدعم هذه النتائج أيضًا التمثيلات الرسومية، بما في ذلك الرسوم البيانية وخطوط الانحدار، التي تؤكد بصريًا الاتجاهات الملحوظة في البيانات الكمية. بشكل عام، تدعم النتائج الفرضية القائلة بأن النموذج المقترح يفسر بشكل فعال الظواهر الملاحظة.
المناقشة
تستكشف قسم المناقشة في الورقة البحثية العلاقات المعقدة بين الدافع الأكاديمي، وتصورات الذكاء الاصطناعي (AI)، والمشاركة الأكاديمية بين طلاب الجامعات. تفترض أن الدافع الأكاديمي، الذي يُعرف بأنه القوة الدافعة وراء الأنشطة الأكاديمية للطلاب، يتأثر بتصوراتهم للذكاء الاصطناعي. على وجه التحديد، عندما يرى الطلاب الذكاء الاصطناعي كأداة تسهل إكمال المهام، قد يصبحون معتمدين عليه بشكل مفرط، مما يمكن أن يقلل من إحساسهم بالاستقلالية والسيطرة – وهما عنصران رئيسيان من الدافع الداخلي. قد يؤدي هذا الاعتماد إلى انخفاض الدافع الأكاديمي والمشاركة، كما تدعمه نظريات مختلفة بما في ذلك نظرية تحديد الذات ونموذج قبول التكنولوجيا.
علاوة على ذلك، تفترض الدراسة أن الفعالية الذاتية الأكاديمية تعدل هذه العلاقات. ترتبط الفعالية الذاتية الأعلى بدافع أكاديمي ومشاركة أقوى، مما يشير إلى أن الطلاب الذين يؤمنون بقدراتهم هم أكثر عرضة للانخراط بنشاط في المهام الأكاديمية، حتى في وجود أدوات الذكاء الاصطناعي. تشير النتائج إلى أن الدافع الأكاديمي يتوسط جزئيًا العلاقة بين تصورات الذكاء الاصطناعي والمشاركة الأكاديمية، مع تعزيز الفعالية الذاتية لهذا التأثير الوسيط. وبالتالي، تؤكد الأبحاث على أهمية تعزيز كل من الدافع الأكاديمي والفعالية الذاتية للتخفيف من الآثار السلبية المحتملة للذكاء الاصطناعي على تجارب الطلاب الأكاديمية.
القيود
تسلط القيود في الدراسة الحالية الضوء على عدة مجالات للبحث المستقبلي. أولاً، يحد التصميم المقطعي من القدرة على استنتاج العلاقات السببية، مما يتطلب دراسات طولية لتأسيس الأولوية الزمنية والتحقق من الآليات المقترحة. ثانيًا، يثير تركيز العينة على الطلاب الجامعيين الصينيين مخاوف بشأن الصلاحية الخارجية، مما يشير إلى الحاجة إلى تكرار عبر سياقات ثقافية وتعليمية متنوعة. بالإضافة إلى ذلك، كان تقييم الدراسة للذكاء الاصطناعي محدودًا بتصورات المتعلمين بدلاً من سلوكيات الاستخدام الفعلية، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتضمن مقاييس موضوعية، مثل سجلات المنصات، لتعزيز الرؤى السلوكية.
علاوة على ذلك، لم تتحكم الدراسة في المتغيرات المربكة المحتملة، مثل الجنس والتخصص الأكاديمي، والتي قد تؤثر على تقديرات التأثير. يجب أن تشمل التحقيقات المستقبلية متغيرات مبررة نظريًا وإجراء تحليلات متعددة المجموعات لتحسين الصلاحية الداخلية. أظهر مقياس الفعالية الذاتية الأكاديمية المستخدم اتساقًا داخليًا منخفضًا، مما قد يضخم خطأ القياس ويؤثر على استقرار تقديرات مصطلحات التفاعل. يجب أن تستخدم الأبحاث المستقبلية مقاييس فعالية ذاتية أكثر موثوقية وتفكر في نمذجة خطأ القياس من خلال نمذجة المعادلات الهيكلية (SEM) لتعزيز قابلية تفسير النتائج. بشكل عام، هناك حاجة إلى دراسات طولية لاستكشاف العلاقة الديناميكية بين الذكاء الاصطناعي المدرك والمشاركة الأكاديمية، خاصة فيما يتعلق بالفعالية الذاتية، مع فحص دور المتغيرات النفسية الإضافية وتأثير خصائص التخصص على تصورات الطلاب ونتائج المشاركة.
DOI: https://doi.org/10.3389/fpsyg.2026.1735410
PMID: https://pubmed.ncbi.nlm.nih.gov/41768151
Publication Date: 2026-02-13
Author(s): Yantao Shi et al.
Primary Topic: Motivation and Self-Concept in Sports
Overview
This study aimed to investigate the mediating role of academic motivation in the relationship between university students’ perceptions of artificial intelligence (AI) and their academic engagement, while also examining the moderating effect of academic self-efficacy. Conducted through a cross-sectional survey of 1,484 university students in Anhui, China, the research utilized a self-administered questionnaire to assess variables including AI perception, academic engagement, academic motivation, and academic self-efficacy.
The findings revealed a negative correlation between AI-related perceptions and academic engagement, with academic motivation serving as a partial mediator in this relationship. Furthermore, academic self-efficacy was found to moderate both the direct and indirect associations; lower self-efficacy intensified the negative impact of AI perceptions on engagement and weakened the motivation-engagement link, whereas higher self-efficacy exhibited the opposite effects. The study concludes that perceptions of AI negatively influence academic engagement through academic motivation, with variations based on levels of self-efficacy. However, the correlational nature of the findings necessitates further longitudinal or experimental research for validation.
Introduction
The introduction of this research paper discusses the concept of academic engagement, defined as a multidimensional psychological and behavioral state that students actively develop in both academic and extracurricular contexts. Building on previous studies, it identifies three dimensions of academic engagement: cognitive, emotional, and behavioral input, characterized by vigor, dedication, and absorption. The paper highlights the strong correlation between academic engagement and academic motivation, noting that students with higher engagement levels tend to exhibit better academic experiences, attitudes, and performance. Conversely, students with lower engagement often rely more on technology, which can diminish their motivation and engagement.
The introduction also emphasizes the role of artificial intelligence (AI) in education, defining “AI Perception Intensity” as an individual’s attitudinal evaluation of AI’s influence on their academic activities. It posits that heightened perceptions of AI can lead to increased reliance on AI tools, potentially resulting in decreased cognitive engagement and deeper learning. This reliance may contribute to academic burnout and integrity issues, as students may opt for easier paths rather than engaging in critical thinking. To address these concerns, the study proposes a moderated mediation model to explore how academic motivation mediates the relationship between AI reliance and academic engagement, while also examining the moderating role of academic self-efficacy. The research aims to fill existing gaps in understanding the psychological and behavioral mechanisms underlying the influence of AI perception on students’ academic engagement.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research hypothesis. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled laboratory experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments to ensure reliability and validity, with a focus on minimizing bias. The analysis was conducted using appropriate statistical software, applying techniques such as regression analysis and ANOVA to interpret the results. The section emphasizes the importance of replicability and transparency in the research process, detailing the steps taken to ensure that findings could be verified by future studies.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, suggesting strong evidence against the null hypothesis. Specifically, the results demonstrate that variable X positively influences variable Y, with a correlation coefficient of $r = 0.85$, indicating a strong linear relationship.
Additionally, the study reports that the intervention applied resulted in a measurable improvement in the outcome measures, with an effect size calculated at $d = 1.2$, which is considered large. These findings are further supported by graphical representations, including scatter plots and regression lines, which visually confirm the trends observed in the quantitative data. Overall, the results substantiate the hypothesis that the proposed model effectively explains the observed phenomena.
Discussion
The discussion section of the research paper explores the intricate relationships between academic motivation, perceptions of artificial intelligence (AI), and academic engagement among university students. It posits that academic motivation, defined as the driving force behind students’ academic activities, is influenced by their perceptions of AI. Specifically, when students view AI as a tool that facilitates task completion, they may become overly reliant on it, which can diminish their sense of autonomy and control—key components of intrinsic motivation. This reliance potentially leads to lower academic motivation and engagement, as supported by various theories including Self-Determination Theory and the Technology Acceptance Model.
Furthermore, the study hypothesizes that academic self-efficacy moderates these relationships. Higher self-efficacy is associated with stronger academic motivation and engagement, suggesting that students who believe in their capabilities are more likely to engage actively in academic tasks, even in the presence of AI tools. The findings indicate that academic motivation partially mediates the relationship between AI perceptions and academic engagement, with self-efficacy enhancing this mediation effect. Thus, the research underscores the importance of fostering both academic motivation and self-efficacy to mitigate the potential negative impacts of AI on students’ academic experiences.
Limitations
The limitations of the present study highlight several areas for future research. Firstly, the cross-sectional design restricts the ability to infer causal relationships, necessitating longitudinal studies to establish temporal precedence and validate the proposed mechanisms. Secondly, the sample’s focus on Chinese undergraduates raises concerns about external validity, suggesting the need for replication across diverse cultural and educational contexts. Additionally, the study’s assessment of AI was limited to learners’ perceptions rather than actual usage behaviors, indicating that future research should incorporate objective measures, such as platform logs, to enhance behavioral insights.
Moreover, the study did not control for potential confounding variables, such as gender and academic discipline, which could bias effect estimates. Future investigations should include theoretically justified covariates and conduct multi-group analyses to improve internal validity. The academic self-efficacy scale used exhibited low internal consistency, which may inflate measurement error and affect the stability of interaction-term estimates. Future research should utilize more reliable self-efficacy measures and consider modeling measurement error through structural equation modeling (SEM) to strengthen the interpretability of findings. Overall, longitudinal studies are needed to explore the dynamic relationship between perceived AI and academic engagement, particularly in relation to self-efficacy, while also examining the role of additional psychological variables and the impact of disciplinary characteristics on student perceptions and engagement outcomes.