DOI: https://doi.org/10.1038/s41598-025-33780-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41495142
تاريخ النشر: 2026-01-06
المؤلف: Yubin Ju وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تحدد قسم ورقة البحث الخلفية والأهداف لدراسة تركز على DeepSeek، نموذج الذكاء الاصطناعي التوليدي الذي أظهر وعدًا في تعزيز التعليم الطبي من خلال قدراته التفاعلية والنشر المحلي. الهدف الرئيسي من الدراسة هو التحقيق في كيفية تأثير التفاعل المدرك على قدرات التعلم الذاتي للطلاب في الطب. بالإضافة إلى ذلك، تسعى الدراسة لفهم التأثيرات غير المباشرة للتأثير الاجتماعي على التعلم الذاتي، تحديدًا من خلال الدور الوسيط للكفاءة الذاتية.
علاوة على ذلك، تفحص البحث دور الثقة كعامل معتدل في العلاقة بين التأثير الاجتماعي والتعلم الذاتي. من خلال استكشاف هذه الديناميكيات، تهدف الدراسة إلى تقديم رؤى حول الآليات التي تسهل التعلم الفعال في سياقات التعليم الطبي، مما يساهم في تحسين تطبيقات الذكاء الاصطناعي في هذا المجال.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي لتقنيات الذكاء الاصطناعي التوليدي على مختلف القطاعات، مع التركيز بشكل خاص على تطور محركات البحث إلى أنظمة تفاعلية ذكية. أطلق نموذج الذكاء الاصطناعي التوليدي DeepSeek-R1 في 27 يناير 2025، مما شكل علامة فارقة مهمة، حيث أصبح بسرعة التطبيق الرائد في الذكاء الاصطناعي من حيث التنزيلات، مما يظهر ميزته التنافسية في السوق. تتيح قدرات DeepSeek-R1، خصوصًا في سياق التعليم الطبي، للطلاب في الطب إنشاء تجارب تعلم مخصصة ومحاكاة السيناريوهات السريرية، مما يعزز مهاراتهم في التفكير السريري ويعزز التعلم الذاتي.
هذا التحول نحو الذكاء الاصطناعي التوليدي يعيد تشكيل إنتاج المعرفة ونشرها، مما يسرع بشكل كبير من دورات تجديد المعرفة ويزيد من متطلبات المعالجة المعرفية. تستخدم أدوات مثل DeepSeek معالجة اللغة الطبيعية والتعلم العميق لإنشاء محتوى تعليمي مخصص وتقديم ملاحظات فورية، مما يساعد في دمج المعرفة والتفكير للطلاب في الطب. تم تحديد التركيز على التعلم الذاتي ككفاءة حاسمة للطلاب في علوم الصحة، مما يمكنهم من التكيف مع متطلبات التعلم مدى الحياة ويعزز تطويرهم المهني في بيئة رقمية متزايدة.
الطرق
شملت منهجية البحث اختبارًا مسبقًا مع 120 طالبًا في الطب لتعديل استبيان يهدف إلى تقييم عوامل مختلفة تتعلق باستخدام منتجات الذكاء الاصطناعي. بعد إجراء تعديلات لضمان الموثوقية والصلاحية، تم إجراء مسح هجين عبر الإنترنت وخارجها، مما أسفر عن 710 استبيانات مكتملة، منها 691 اعتبرت صالحة، مما أسفر عن معدل استجابة بلغ 97.3%. أكد اختبار MCAR لـ Little أن البيانات المفقودة كانت عشوائية تمامًا (P > 0.05)، مما يسمح بتقدير متوسط للبيانات المفقودة القليلة (< 5%). التزمت الدراسة بالمعايير الأخلاقية، حيث حصلت على موافقة من لجنة الأخلاقيات الطبية الحيوية، واستخدمت برنامج Amos لنمذجة المعادلات الهيكلية (SEM) لتحليل العلاقات بين البنى. تكون الاستبيان من قسمين: الأول جمع المعلومات الديموغرافية، بينما تضمن الثاني 11 متغيرًا مع 47 سؤال قياس، يحتوي كل متغير على ثلاثة أسئلة على الأقل. قام فريق البحث بإجراء تعديلات متعددة لتعزيز ملاءمة الاستبيان ووضوحه، مع التركيز على العناصر ذات قيم الارتباط المنقحة المنخفضة (CIT). تم استبعاد العناصر التي كانت قيمتها CIT أقل من 0.5 إذا أدى إزالتها إلى تحسين معامل ألفا كرونباخ الإجمالي، مما يعزز الاتساق الداخلي. تم تقييم كل سؤال على مقياس ليكرت من خمس نقاط، مع تطبيق تسجيل عكسي على بعض الأبعاد، مما يضمن قياسًا شاملاً للبنى قيد التحقيق.
النتائج
في قسم النتائج، استخدم البحث SPSS للتحليل الإحصائي لاشتقاق إحصائيات وصفية من البيانات المجمعة. كان الهدف من التحليل هو تقديم رؤى حول الأنماط والعلاقات الأساسية داخل مجموعة البيانات. تم الإبلاغ عن النتائج الرئيسية، مع تسليط الضوء على الاتجاهات والارتباطات المهمة التي ظهرت من التقييمات الإحصائية. هذه النتائج حاسمة لفهم تداعيات الدراسة وتساهم في المجال الأوسع من البحث. تم تقديم مزيد من التفاصيل حول مقاييس إحصائية محددة وتفسيراتها، مما يعزز من صلاحية النتائج.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور المهم لـ DeepSeek، أداة تعليمية مدفوعة بالذكاء الاصطناعي، في تعزيز قدرات التعلم الذاتي للطلاب في الطب من خلال التفاعل المدرك. يشير هذا المفهوم إلى التجارب الذاتية للمستخدمين من الملاحظات الفورية والتفاعلات المخصصة، والتي تعتبر حاسمة لتعزيز الدافع والانخراط. تشير النتائج إلى أن التفاعل المدرك لا يعزز فقط الأداء وتوقعات الجهد، بل يضع أيضًا DeepSeek كـ “مرشد افتراضي”، مما يتماشى مع روح التعلم التعاوني السائدة في التعليم الطبي. توسع الدراسة نموذج UTAUT من خلال التأكيد على أهمية التفاعل الشبيه بالبشر في اعتماد التكنولوجيا، مما يقدم رؤى جديدة في بحث التكنولوجيا التعليمية.
بالإضافة إلى ذلك، تؤكد الدراسة على التأثير القوي للعوامل الاجتماعية في اعتماد التكنولوجيا، كاشفة أن توصيات الأقران وأعضاء هيئة التدريس تحفز الطلاب بشكل كبير على استخدام DeepSeek. ومع ذلك، تحذر أيضًا من العيوب المحتملة للاعتماد المفرط على التحقق الاجتماعي، والذي قد يعيق مبادرة الطلاب وتنظيمهم الذاتي. يتم تسليط الضوء على دور الكفاءة الذاتية كآلية نفسية من خلالها يعزز التفاعل المدرك التعلم الذاتي، مما يمكّن الطلاب من التنقل بثقة في المعرفة الطبية المعقدة. تظهر الثقة في أنظمة الذكاء الاصطناعي كعامل معتدل حاسم، مما يعزز التأثيرات الإيجابية للتأثير الاجتماعي على اعتماد التكنولوجيا ويستمر في جذب المستخدمين. بشكل عام، تساهم الدراسة في فهم تأثير الذكاء الاصطناعي على التعليم الطبي، داعية إلى نهج متوازن يدمج التكنولوجيا مع تطوير مهارات التعلم الذاتي.
DOI: https://doi.org/10.1038/s41598-025-33780-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41495142
Publication Date: 2026-01-06
Author(s): Yubin Ju et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The research paper section outlines the background and objectives of a study focused on DeepSeek, a generative AI model that has shown promise in enhancing medical education through its interactive capabilities and localized deployment. The primary aim of the study is to investigate how perceived interactivity impacts medical students’ self-directed learning abilities. Additionally, the study seeks to understand the indirect effects of social influence on self-directed learning, specifically through the mediating role of self-efficacy.
Furthermore, the research examines the role of trust as a moderating factor in the relationship between social influence and self-directed learning. By exploring these dynamics, the study aims to provide insights into the mechanisms that facilitate effective learning in medical education contexts, thereby contributing to the optimization of AI applications in this field.
Introduction
The introduction highlights the transformative impact of generative AI technologies on various sectors, particularly emphasizing the evolution of search engines into intelligent interactive systems. The launch of the generative AI model DeepSeek-R1 on January 27, 2025, marked a significant milestone, as it quickly became the leading AI application by downloads, showcasing its competitive edge in the market. DeepSeek-R1’s capabilities, particularly in the context of medical education, allow medical students to create personalized learning experiences and simulate clinical scenarios, thereby enhancing their clinical reasoning skills and promoting autonomous learning.
This shift towards generative AI is reshaping knowledge production and dissemination, significantly accelerating knowledge renewal cycles and increasing cognitive processing demands. Tools like DeepSeek utilize natural language processing and deep learning to generate tailored educational content and provide immediate feedback, which aids in the integration of knowledge and reasoning for medical students. The emphasis on autonomous learning is identified as a crucial competency for students in health sciences, enabling them to adapt to lifelong learning requirements and fostering their professional development in an increasingly digital landscape.
Methods
The research methodology involved a pre-test with 120 medical students to refine a questionnaire aimed at assessing various factors related to AI product usage. Following revisions for reliability and validity, a hybrid online-offline survey was conducted, resulting in 710 completed questionnaires, of which 691 were deemed valid, yielding a response rate of 97.3%. Little’s MCAR test confirmed that the missing data were completely at random (P > 0.05), allowing for mean imputation of the small amount of missing data (< 5%). The study adhered to ethical standards, receiving approval from the Biomedical Ethics Committee, and utilized Amos software for structural equation modeling (SEM) to analyze relationships among constructs. The questionnaire consisted of two sections: the first gathered demographic information, while the second included 11 variables with 47 measurement questions, each variable containing at least three questions. The research team made multiple revisions to enhance the questionnaire's relevance and clarity, focusing on items with low Corrected Item-Total Correlation (CIT) values. Items with a CIT value below 0.5 were excluded if their removal improved the overall Cronbach's alpha coefficient, thereby enhancing internal consistency. Each question was rated on a five-point Likert scale, with reverse scoring applied to certain dimensions, ensuring comprehensive measurement of the constructs under investigation.
Results
In the Results section, the research utilized SPSS for statistical analysis to derive descriptive statistics from the collected data. The analysis aimed to provide insights into the underlying patterns and relationships within the dataset. Key findings were reported, highlighting significant trends and correlations that emerged from the statistical evaluations. These results are crucial for understanding the implications of the study and contribute to the broader field of inquiry. Further details on specific statistical measures and their interpretations were presented, reinforcing the validity of the findings.
Discussion
The discussion section of the research paper highlights the significant role of DeepSeek, an AI-driven educational tool, in enhancing medical students’ autonomous learning capabilities through perceived interactivity. This concept refers to users’ subjective experiences of real-time feedback and personalized interactions, which are crucial for fostering motivation and engagement. The findings suggest that perceived interactivity not only boosts performance and effort expectations but also positions DeepSeek as a “virtual mentor,” aligning with the collaborative learning ethos prevalent in medical education. The study extends the UTAUT model by emphasizing the importance of human-like interaction in technology adoption, thereby offering new insights into educational technology research.
Additionally, the research underscores the powerful influence of social factors in technology adoption, revealing that peer and faculty recommendations significantly motivate students to utilize DeepSeek. However, it also cautions against the potential drawbacks of overreliance on social validation, which may hinder students’ initiative and self-regulation. The role of self-efficacy is highlighted as a psychological mechanism through which perceived interactivity fosters self-directed learning, enabling students to navigate complex medical knowledge confidently. Trust in AI systems emerges as a critical moderating factor, enhancing the positive effects of social influence on technology adoption and sustaining user engagement. Overall, the study contributes to the understanding of AI’s impact on medical education, advocating for a balanced approach that integrates technology with the development of autonomous learning skills.