DOI: https://doi.org/10.1038/s41539-025-00339-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40717116
تاريخ النشر: 2025-07-27
المؤلف: Jiajing Li وآخرون
الموضوع الرئيسي: مواضيع بحث الصحة النفسية
نظرة عامة
تستكشف هذه الدراسة الديناميات التحفيزية للطلاب الذين يتعلمون الذكاء الاصطناعي (AI) من خلال عدسة نظرية تحديد الذات، التي تحدد أنواعًا مختلفة من الدوافع: الدافع الداخلي، التنظيم المحدد، التنظيم المدخل، التنظيم الخارجي، واللامبالاة. شملت الدراسة 1,465 طالبًا من 47 جامعة واستخدمت تحليل الشبكة لرسم هيكل دافعهم للذكاء الاصطناعي. كشفت النتائج أن التنظيم المدخل – المدفوع بمشاعر الذنب أو العار – كان مركزيًا في تفاعل الطلاب مع الذكاء الاصطناعي، بينما كان الدافع الداخلي، المدفوع بالاستمتاع الشخصي، أقل بروزًا بشكل ملحوظ.
بالإضافة إلى ذلك، أبرزت الدراسة أن تلبية الحاجة النفسية الأساسية للكفاءة كانت أكثر أهمية من الاستقلالية والترابط في سياقات تعلم الذكاء الاصطناعي. تشير هذه الرؤى إلى أنه لتعزيز تفاعل الطلاب مع الذكاء الاصطناعي، يجب أن تعطي الاستراتيجيات التعليمية الأولوية للأهداف والمعايير الواضحة، بالإضافة إلى تعزيز كفاءة الطلاب في استخدام أدوات الذكاء الاصطناعي. تسهم هذه الدراسة في الأدبيات الحالية حول تعليم الذكاء الاصطناعي من خلال توضيح العوامل التحفيزية التي تؤثر على الطلاب وتقديم توصيات عملية لتحسين تجارب تعلمهم.
الطرق
اتبعت الدراسة إعلان هلسنكي وحصلت على موافقة أخلاقية من الجامعة الصينية في هونغ كونغ (رقم الموافقة: SBRE-23-0083). شارك في الدراسة ما مجموعه 1,465 طالبًا جامعيًا من 47 جامعة عبر الصين الكبرى، مع 460 من البر الرئيسي للصين و1,005 من منطقة هونغ كونغ الإدارية الخاصة. كان المشاركون في الغالب من الشباب (متوسط العمر = 19.00، الانحراف المعياري = 18.42) وشملوا 848 أنثى (57.9%). تم استخدام عينة ملائمة، وأكمل الطلاب استبيانات باللغتين الإنجليزية والصينية، مع قياسات للدافع لتعلم الذكاء الاصطناعي تم تقييمها باستخدام مقياس دافع الذكاء الاصطناعي من قبل لي وآخرون. يتضمن هذا المقياس خمسة مقاييس فرعية: الدافع الداخلي، التنظيم المحدد، التنظيم المدخل، التنظيم الخارجي، واللامبالاة، مما يظهر اتساقًا داخليًا عاليًا (ألفا كرونباخ تتراوح من 0.86 إلى 0.95).
شملت القياسات الإضافية تلبية الاحتياجات النفسية الأساسية، الدعم الاجتماعي المدرك، وظروف التيسير، مع معاملات الاتساق الداخلي المقابلة 0.81 و0.78 و0.87. شمل تحليل البيانات SPSS 25.0 للإحصائيات الأولية، بما في ذلك الإحصائيات الوصفية وفحوصات التوزيع الطبيعي من خلال الانحراف والتفرطح. بعد ذلك، تم إجراء تحليل الشبكة باستخدام RStudio، واختبار نموذجين: نظام تحفيزي ونظام تحفيزي مع متغيرات مرتبطة، وفقًا للإرشادات المعمول بها من قبل إيبسكامب وآخرون. ركز التحليل على تقدير الشبكة، المركزية، الدقة، والاستقرار.
النتائج
يقدم قسم النتائج إحصائيات وصفية، بما في ذلك المتوسطات، والانحرافات المعيارية، ومعاملات الارتباط بيرسون، والتي تم تفصيلها في الجدول التكميلي 1. تظهر المتغيرات خصائص توزيع تقارب التوزيع الطبيعي، مع قيم انحراف تتراوح من -0.74 إلى 0.91 وقيم تفرطح من -0.45 إلى 0.60. يكشف تحليل الارتباط أن جميع المتغيرات مرتبطة بشكل كبير، مع معاملات الارتباط ($r$) تتراوح من -0.08 (p < 0.01) إلى 0.66 (p < 0.01). ومن الجدير بالذكر أن الارتباطات بين التنظيم الخارجي وتلبية الحاجة للاستقلالية ($r = 0.04$، p > 0.05) واللامبالاة وتلبية الحاجة للترابط ($r = -0.03$، p > 0.05) وُجد أنها غير ذات دلالة.
لمعالجة أهداف البحث، تم تطوير نموذجين. يركز النموذج 1 على النظام التحفيزي، حيث يفحص العلاقات المتبادلة بين أنواع مختلفة من دافع الطلاب لتعلم الذكاء الاصطناعي (AI)، بما في ذلك الدافع الداخلي، التنظيم المحدد، التنظيم المدخل، التنظيم الخارجي، واللامبالاة. يتوسع النموذج 2 في ذلك من خلال استكشاف كيفية ارتباط هذه الدوافع بعوامل مثل تلبية الطلاب للاحتياجات النفسية الأساسية، والدعم الاجتماعي، وظروف التيسير. يتبع تحليل الشبكة للنموذج 1 المنهجية الموضحة من قبل إيبسكامب وآخرون، ويشمل تقدير الشبكة، تقدير المركزية، وتقدير الدقة والاستقرار.
المناقشة
في هذه الدراسة، استكشف المؤلفون النظام التحفيزي للطلاب الذين يتعلمون الذكاء الاصطناعي (AI) من خلال استخدام نهج تحليل الشبكة. حددوا نتيجتين رئيسيتين: (1) ظهر التنظيم المدخل كأكثر العوامل التحفيزية مركزية، مما يشير إلى تأثيره الكبير على تفاعل الطلاب مع تعلم الذكاء الاصطناعي، و(2) كانت تلبية الحاجة للكفاءة هي أقوى ارتباط بالدافع في هذا السياق. يبرز بروز التنظيم المدخل، الذي يقترح أن الطلاب مدفوعون بتوقعات خارجية بدلاً من الاهتمامات الداخلية، التحديات التي تواجه الآراء التقليدية في نظرية تحديد الذات (SDT) التي تعطي الأولوية للدافع الداخلي والتنظيم المحدد كأكثر الأشكال تكيفًا. قد يُعزى هذا الاكتشاف إلى العوامل الثقافية، خاصة بين الطلاب الصينيين، حيث تلعب الضغوط الاجتماعية ورغبة الحفاظ على الصورة الذاتية دورًا حاسمًا في مساعيهم الأكاديمية.
تسلط الدراسة الضوء أيضًا على أهمية تلبية الحاجة للكفاءة، مما يشير إلى أن الشعور بالقدرة على إتقان مهارات الذكاء الاصطناعي أمر حيوي لتعزيز الدافع. يتباين هذا الاكتشاف مع التركيز النموذجي على الاستقلالية في أدبيات SDT، مما يشير إلى أنه في سياق تعليم الذكاء الاصطناعي، قد يكون دعم كفاءة الطلاب أكثر أهمية. يدعو المؤلفون إلى استراتيجيات تربوية تعزز الدافع الداخلي والتنظيم المحدد، مثل دمج محتوى متعلق بالذكاء الاصطناعي في المناهج الدراسية وتوفير تجارب عملية. كما يدعون إلى إجراء أبحاث مستقبلية لاستكشاف الاستقرار الزمني لهذه الديناميات التحفيزية ولتضمين خلفيات متنوعة للمشاركين لتعزيز تعميم النتائج. بشكل عام، تسهم هذه الدراسة في فهم أكثر دقة للدافع في تعلم الذكاء الاصطناعي، مما يبرز الحاجة إلى ممارسات تعليمية تتماشى مع دوافع الطلاب التحفيزية.
DOI: https://doi.org/10.1038/s41539-025-00339-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40717116
Publication Date: 2025-07-27
Author(s): Jiajing Li et al.
Primary Topic: Mental Health Research Topics
Overview
This study investigates the motivational dynamics of students learning artificial intelligence (AI) through the lens of self-determination theory, which identifies various types of motivation: intrinsic motivation, identified regulation, introjected regulation, external regulation, and amotivation. The research involved 1,465 students from 47 universities and employed network analysis to map the structure of their AI motivation. Findings revealed that introjected regulation—motivated by feelings of guilt or shame—was central to students’ engagement with AI, while intrinsic motivation, driven by personal enjoyment, was notably less prominent.
Additionally, the study highlighted that satisfaction of the basic psychological need for competence was more critical than autonomy and relatedness in AI learning contexts. These insights suggest that to enhance student engagement with AI, educational strategies should prioritize clear goals and standards, as well as foster students’ competence in utilizing AI tools. This research contributes to the existing literature on AI education by elucidating the motivational factors influencing students and offering practical recommendations for improving their learning experiences.
Methods
The study adhered to the Declaration of Helsinki and received ethical approval from the Chinese University of Hong Kong (approval no.: SBRE-23-0083). A total of 1,465 university students from 47 universities across Greater China participated, with 460 from Mainland China and 1,005 from Hong Kong SAR. Participants were predominantly young (mean age = 19.00, SD = 18.42) and included 848 females (57.9%). Convenience sampling was employed, and students completed questionnaires in both English and Chinese, with measures of motivation to learn AI assessed using the AI Motivation Scale by Li et al. This scale includes five subscales: intrinsic motivation, identified regulation, introjected regulation, external regulation, and amotivation, demonstrating high internal consistency (Cronbach’s alpha ranging from 0.86 to 0.95).
Additional measures included basic psychological needs satisfaction, perceived social support, and facilitating conditions, with respective internal consistency coefficients of 0.81, 0.78, and 0.87. Data analysis involved SPSS 25.0 for preliminary statistics, including descriptive statistics and checks for normality through skewness and kurtosis. Following this, network analysis was conducted using RStudio, testing two models: a motivational system and a motivational system with correlates, in accordance with established guidelines by Epskamp et al. The analysis focused on network estimation, centrality, accuracy, and stability.
Results
The results section presents descriptive statistics, including means, standard deviations, and Pearson correlation coefficients, which are detailed in Supplementary Table 1. The variables exhibit distributional properties that approximate normality, with skewness values ranging from -0.74 to 0.91 and kurtosis values from -0.45 to 0.60. Correlation analysis reveals that all variables are significantly correlated, with correlation coefficients ($r$) ranging from -0.08 (p < 0.01) to 0.66 (p < 0.01). Notably, the correlations between external regulation and autonomy need satisfaction ($r = 0.04$, p > 0.05) and amotivation and relatedness need satisfaction ($r = -0.03$, p > 0.05) were found to be non-significant.
To address the research aims, two models were developed. Model 1 focuses on the motivational system, examining the interrelationships among various types of student motivation to learn artificial intelligence (AI), including intrinsic motivation, identified regulation, introjected regulation, external regulation, and amotivation. Model 2 expands on this by exploring how these motivations correlate with factors such as students’ satisfaction of basic psychological needs, social support, and facilitating conditions. The network analysis for Model 1 follows the methodology outlined by Epskamp et al., encompassing network estimation, centrality estimation, and accuracy and stability estimation.
Discussion
In this study, the authors explored the motivational system of students learning artificial intelligence (AI) by employing a network analysis approach. They identified two key findings: (1) introjected regulation emerged as the most central motivational factor, indicating its significant influence on students’ engagement with AI learning, and (2) competence need satisfaction was the strongest correlate of motivation in this context. The prominence of introjected regulation, which suggests that students are motivated by external expectations rather than intrinsic interests, challenges traditional views in Self-Determination Theory (SDT) that prioritize intrinsic and identified motivation as the most adaptive forms. This finding may be attributed to cultural factors, particularly among Chinese students, where societal pressures and the desire to maintain self-image play a crucial role in their academic pursuits.
The study further highlights the importance of competence need satisfaction, suggesting that feeling capable in mastering AI skills is vital for fostering motivation. This finding diverges from the typical emphasis on autonomy in SDT literature, indicating that in the context of AI education, supporting students’ competence may be more critical. The authors advocate for pedagogical strategies that nurture intrinsic and identified motivation, such as integrating AI-related content into curricula and providing hands-on experiences. They also call for future research to explore the longitudinal stability of these motivational dynamics and to include diverse participant backgrounds to enhance the generalizability of the findings. Overall, this research contributes to a nuanced understanding of motivation in AI learning, emphasizing the need for educational practices that align with students’ motivational drivers.