DOI: https://doi.org/10.3389/fpsyg.2026.1790095
PMID: https://pubmed.ncbi.nlm.nih.gov/42253549
تاريخ النشر: 2026-05-22
المؤلف: Yufeng Xiang وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تستكشف هذه الدراسة العلاقة بين القدرة المدركة للذكاء الاصطناعي (PAC) والانخراط في التعلم (LE) في بيئات التعليم الذكي، مستندة إلى نظرية المعرفة الاجتماعية ونظرية الحفاظ على الموارد. باستخدام تصميم طولي ثلاثي الموجات مع 468 طالبًا جامعيًا من جامعة في بكين، تقيس البحث PAC وعلاقة المعلم بالطالب (TSR) في الوقت 1، والكفاءة الذاتية الأكاديمية (ASE) في الوقت 2، وLE في الوقت 3. تكشف النتائج عن ارتباط إيجابي كبير بين PAC في الوقت 1 وLE في الوقت 3 (β = 0.21، p < 0.001)، مع عمل ASE كوسيط جزئي (غير مباشر β = 0.19، 95% CI [0.13، 0.25])، مما يمثل 48% من التأثير الكلي. بالإضافة إلى ذلك، يعد TSR عاملًا معتدلًا في العلاقة بين PAC وASE، مع ملاحظة تأثيرات أقوى تحت ظروف TSR العالية. تؤكد الدراسة على أهمية PAC كتفسير للمتعلمين لقدرة الذكاء الاصطناعي، متميزًا عن الفائدة المدركة أو جودة النظام، وتبرز دور الموارد العلائقية البشرية في التأثير النفسي للذكاء الاصطناعي. تشير الآثار العملية إلى أن المؤسسات التعليمية يجب أن تعزز العلاقات الإيجابية بين المعلمين والطلاب وتعزز الكفاءة الذاتية جنبًا إلى جنب مع دمج الذكاء الاصطناعي. تشمل التوصيات تقديم ملاحظات قابلة للتفسير من الأنظمة الذكية وتدريب المعلمين على توجيه الطلاب بفعالية للاستفادة من قدرات الذكاء الاصطناعي من أجل تعزيز الانخراط المستدام في التعلم. تشمل القيود الملاحظة الاعتماد على مقاييس ذاتية الإبلاغ وعينة من جامعة واحدة، مما يشير إلى مجالات للبحث المستقبلي لاستكشاف هذه الديناميات في سياقات تعليمية متنوعة.
مقدمة
في مقدمة هذه الورقة البحثية، يتناول المؤلفون التكامل السريع للذكاء الاصطناعي التوليدي والأنظمة التعليمية الذكية في التعليم العالي، مشيرين إلى تحدٍ كبير: على الرغم من زيادة اعتماد الطلاب على هذه التقنيات، إلا أن الانخراط في التعلم (LE) لا يزال منخفضًا. أظهرت الدراسات السابقة أن انخراط الطلاب يميل إلى الانخفاض عبر المستويات التعليمية، مع اختلاف ممارسات التدريس الداعمة للاحتياجات. يقترح المؤلفون التحقيق في الآليات النفسية التي تربط بين القدرة المدركة للذكاء الاصطناعي (PAC) وLE، مؤكدين أن الأبحاث الحالية قد أغفلت إلى حد كبير LE لصالح مقاييس اعتماد التكنولوجيا.
تم تقديم مفهوم PAC كتقييم ذاتي للمتعلمين لفعالية نظام الذكاء الاصطناعي في دعم تعلمهم، ويشمل عوامل مثل الدقة والتخصيص. يجادل المؤلفون بأن PAC يؤثر على الكفاءة الذاتية الأكاديمية (ASE)، والتي تعتبر حاسمة للانخراط المستدام في LE. يعتقدون أنه بينما يمكن أن يعزز PAC ASE ويعزز الانخراط، قد يؤدي أيضًا إلى الاعتماد المفرط على أدوات الذكاء الاصطناعي. علاوة على ذلك، يحدد المؤلفون علاقة المعلم بالطالب (TSR) كعامل معتدل حاسم في هذه الديناميكية، مقترحين أن TSR القوي يمكن أن يعزز التأثيرات الإيجابية لـ PAC على ASE. تهدف الدراسة إلى اختبار نموذج وساطة معتدل، مفترضة أن PAC يؤثر إيجابيًا على LE من خلال ASE، مع تعزيز TSR لهذه العلاقة. باستخدام تصميم طولي ثلاثي الموجات ونمذجة المعادلات الهيكلية، تسعى البحث إلى توضيح المسارات التي تؤثر من خلالها قدرات الذكاء الاصطناعي المدركة على انخراط الطلاب في السياقات التعليمية.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التحليل الإحصائي والتصميم التجريبي، لجمع البيانات وتفسيرها بفعالية. تضمنت التقنيات الرئيسية تطبيق تحليل الانحدار لتحديد العلاقات بين المتغيرات، إلى جانب التجارب المضبوطة لتأسيس السببية.
تم جمع البيانات من خلال الاستطلاعات والدراسات الملاحظة، مما يضمن حجم عينة قوي لتعزيز موثوقية النتائج. تم إجراء التحليل باستخدام أدوات برمجية سهلت معالجة مجموعات البيانات المعقدة، مما سمح باستخراج الأنماط والاتجاهات الهامة. بشكل عام، تم تصميم المنهجية لضمان الصرامة وقابلية التكرار، وبالتالي المساهمة في صلاحية نتائج البحث.
النتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع تأكيد التحليلات الإحصائية على قوة هذه العلاقات. يتم الإبلاغ عن مقاييس محددة، مثل قيم p وفواصل الثقة، لدعم صلاحية النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات رسومية أو جداول توضح الاتجاهات الملحوظة في البيانات، مما يسهل فهمًا أوضح لآثار النتائج. بشكل عام، تساهم النتائج في مجموعة المعرفة الحالية من خلال تقديم أدلة تجريبية تدعم أو تنفي الفرضيات الأولية المطروحة في الدراسة.
المناقشة
استخدمت البحث تصميمًا طوليًا ثلاثي الموجات للتحقيق في العلاقات بين القدرة المدركة للذكاء الاصطناعي (PAC)، والكفاءة الذاتية الأكاديمية (ASE)، والانخراط في التعلم (LE) ضمن بيئات التعليم الذكي، مع علاقة المعلم بالطالب (TSR) كعامل معتدل. تم أخذ القياسات في ثلاث نقاط زمنية متميزة عبر فصل دراسي أكاديمي لضمان الفصل الزمني وتقليل تحيز الطريقة الشائعة. كانت الدراسة مستندة إلى نظرية المعرفة الاجتماعية ونظرية الحفاظ على الموارد، مفترضة أن الإشارات السياقية (PAC) تؤثر على الموارد النفسية (ASE)، والتي بدورها تؤثر على النتائج السلوكية (LE). لقد قلل التصميم بشكل فعال من التحيزات المحتملة وقدم دعمًا تجريبيًا قويًا للعلاقات المفترضة.
شمل المشاركون 468 طالبًا جامعيًا من جامعة شمال الصين للتكنولوجيا، الذين أكملوا جميع موجات القياس الثلاث. حققت الدراسة معدل تسرب قدره 20.3%، وهو مقبول للبحث الطولي، ولم يتم العثور على اختلافات ديموغرافية كبيرة بين المشاركين الذين أكملوا جميع الموجات وأولئك الذين لم يفعلوا. تم جمع البيانات من خلال مقاييس ذاتية منظمة، مع اهتمام دقيق بموثوقية وصلاحية المقاييس. استخدم التحليل نمذجة المعادلات الهيكلية (SEM) لتقييم العلاقات بين المتغيرات الأساسية، مع التحكم في العوامل الديموغرافية مثل الجنس، ومستوى الصف، والإنجاز الأكاديمي السابق، والخبرة مع أنظمة التعلم الذكية. تشير النتائج إلى أن PAC يؤثر إيجابيًا على ASE، مما يعزز بدوره LE، مع TSR كمعتدل للعلاقة بين PAC وASE.
DOI: https://doi.org/10.3389/fpsyg.2026.1790095
PMID: https://pubmed.ncbi.nlm.nih.gov/42253549
Publication Date: 2026-05-22
Author(s): Yufeng Xiang et al.
Primary Topic: AI in Service Interactions
Overview
This study investigates the relationship between perceived AI capability (PAC) and learning engagement (LE) in smart education environments, grounded in social cognitive theory and conservation of resources theory. Utilizing a three-wave longitudinal design with 468 undergraduate students from a Beijing university, the research measures PAC and teacher-student relationship (TSR) at Time 1, academic self-efficacy (ASE) at Time 2, and LE at Time 3. The findings reveal a significant positive association between PAC at Time 1 and LE at Time 3 (β = 0.21, p < 0.001), with ASE serving as a partial mediator (indirect β = 0.19, 95% CI [0.13, 0.25]), accounting for 48% of the total effect. Additionally, TSR moderates the PAC-ASE relationship, with stronger effects observed under high TSR conditions. The study emphasizes the importance of PAC as a learner's interpretation of AI competence, distinct from perceived usefulness or system quality, and highlights the role of human relational resources in AI's psychological impact. Practical implications suggest that educational institutions should foster positive teacher-student relationships and enhance self-efficacy alongside AI integration. Recommendations include providing explainable feedback from intelligent systems and training instructors to effectively guide students in leveraging AI capabilities for sustained learning engagement. Limitations noted include reliance on self-reported measures and a single-university sample, suggesting avenues for future research to further explore these dynamics in diverse educational contexts.
Introduction
In the introduction of this research paper, the authors address the rapid integration of generative AI and intelligent educational systems in higher education, highlighting a significant challenge: despite increasing student adoption of these technologies, low learning engagement (LE) persists. Previous studies have shown that student engagement tends to decline across educational levels, with varying needs-supportive teaching practices. The authors propose to investigate the psychological mechanisms linking perceived AI capability (PAC) to LE, emphasizing that existing research has largely overlooked LE in favor of technology adoption metrics.
The concept of PAC is introduced as the learners’ subjective assessment of an AI system’s effectiveness in supporting their learning, encompassing factors such as accuracy and personalization. The authors argue that PAC influences academic self-efficacy (ASE), which is crucial for sustained LE. They posit that while PAC can enhance ASE and promote engagement, it may also lead to over-reliance on AI tools. Furthermore, the authors identify the teacher-student relationship (TSR) as a critical moderating factor in this dynamic, suggesting that strong TSR can amplify the positive effects of PAC on ASE. The study aims to test a moderated mediation model, hypothesizing that PAC positively influences LE through ASE, with TSR enhancing this relationship. Using a three-wave longitudinal design and structural equation modeling, the research seeks to elucidate the pathways through which perceived AI capabilities affect student engagement in educational contexts.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analysis and experimental design, to gather and interpret data effectively. Key techniques involved the application of regression analysis to identify relationships between variables, alongside controlled experiments to establish causality.
Data collection was conducted through surveys and observational studies, ensuring a robust sample size to enhance the reliability of the findings. The analysis was performed using software tools that facilitated the processing of complex datasets, allowing for the extraction of significant patterns and trends. Overall, the methodology was designed to ensure rigor and reproducibility, thereby contributing to the validity of the research outcomes.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specific metrics, such as p-values and confidence intervals, are reported to substantiate the validity of the results.
Additionally, the section may include graphical representations or tables that illustrate the trends observed in the data, facilitating a clearer understanding of the implications of the findings. Overall, the results contribute to the existing body of knowledge by providing empirical evidence that supports or refutes the initial hypotheses posited in the study.
Discussion
The research employed a three-wave longitudinal design to investigate the relationships among Perceived Artificial Intelligence Capability (PAC), Academic Self-Efficacy (ASE), and Learning Engagement (LE) within smart education environments, with Teacher-Student Relationship (TSR) as a moderator. Measurements were taken at three distinct time points across an academic semester to ensure temporal separation and reduce common method bias. The study was grounded in social cognitive theory and conservation of resources theory, positing that contextual cues (PAC) influence psychological resources (ASE), which in turn affect behavioral outcomes (LE). The design effectively mitigated potential biases and provided robust empirical support for the hypothesized relationships.
Participants included 468 undergraduate students from Northern China University of Technology, who completed all three waves of measurement. The study achieved a 20.3% attrition rate, which is acceptable for longitudinal research, and no significant demographic differences were found between participants who completed all waves and those who did not. Data were collected through structured self-report scales, with careful attention to the reliability and validity of the measures. The analysis utilized Structural Equation Modeling (SEM) to assess the relationships among the core variables, while controlling for demographic factors such as gender, grade level, prior academic achievement, and experience with intelligent learning systems. The findings suggest that PAC positively influences ASE, which subsequently enhances LE, with TSR moderating the relationship between PAC and ASE.