DOI: https://doi.org/10.1057/s41599-025-05775-y
تاريخ النشر: 2025-09-02
المؤلف: Qi Ke وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة العوامل التي تؤثر على نوايا طلاب الجامعات في اعتماد تقنيات الذكاء الاصطناعي (AI)، مع التركيز على التفاعل بين معرفة الذكاء الاصطناعي وبناء نظرية القبول والاستخدام الموحد للتكنولوجيا (UTAUT): توقع الأداء، توقع الجهد، التأثير الاجتماعي، وظروف التيسير. تشير النتائج المستخلصة من تحليل بيانات 359 طالبًا جامعيًا صينيًا باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) إلى أن معرفة الذكاء الاصطناعي تتنبأ بشكل كبير بالنوايا السلوكية لاعتماد الذكاء الاصطناعي، مع عمل التأثير الاجتماعي وتوقع الأداء وتوقع الجهد كوسائط رئيسية. ومن المثير للاهتمام أن ظروف التيسير لم تؤثر بشكل كبير على النية السلوكية، مما يشير إلى أن الموارد الخارجية قد تكون أقل أهمية من العوامل الفردية والاجتماعية في هذا السياق.
تخلص الدراسة إلى أن معرفة الذكاء الاصطناعي هي عامل تمكين حاسم لاعتماد الذكاء الاصطناعي، خاصة من خلال تأثيراتها على توقع الأداء وتوقع الجهد والتأثير الاجتماعي، مع تحديد التأثير الاجتماعي كأقوى متنبئ. وهذا يبرز أهمية ديناميكيات الأقران في تعزيز نوايا الاعتماد الإيجابية. بينما يدرك الطلاب إمكانيات الذكاء الاصطناعي لتعزيز الأداء الأكاديمي، تظل رغبتهم في التفاعل مع الذكاء الاصطناعي قائمة على الرغم من التعقيدات المتصورة. تؤكد النتائج على الحاجة إلى تعزيز المؤسسات التعليمية لمعرفتهم بالذكاء الاصطناعي لتعزيز تكامل الذكاء الاصطناعي بشكل فعال. يمكن أن تستكشف الأبحاث المستقبلية عوامل إضافية تؤثر على اعتماد الذكاء الاصطناعي بين طلاب الجامعات في سياقات متنوعة، مما يساهم في فهم أكثر دقة للديناميات المعنية في المشهد التعليمي.
مقدمة
لقد حول دمج الذكاء الاصطناعي (AI) في الأنظمة التعليمية بشكل كبير منهجيات التدريس والتعلم، حيث تعزز الأدوات المدفوعة بالذكاء الاصطناعي النتائج التعليمية من خلال تجارب تعلم مخصصة وكفاءات تشغيلية (Zawacki-Richter et al., 2019). في الصين، على الرغم من التأكيد القوي من الحكومة على تطوير الذكاء الاصطناعي في التعليم، لا يزال اعتماد تقنيات الذكاء الاصطناعي بين طلاب الجامعات غير متسق، مما يبرز الحاجة لفهم العوامل التي تؤثر على هذا الاعتماد (C. Wang et al., 2024). تم تحديد عامل حاسم وهو معرفة الذكاء الاصطناعي، والتي تشمل المعرفة والمهارات اللازمة للتفاعل بفعالية مع تقنيات الذكاء الاصطناعي، بما في ذلك فهم خوارزمياتها، والآثار الأخلاقية، والتأثيرات الاجتماعية (Long & Magerko, 2020; Müller, 2020).
تهدف هذه الدراسة إلى دمج معرفة الذكاء الاصطناعي مع نموذج نظرية القبول والاستخدام الموحد للتكنولوجيا (UTAUT)، الذي يفحص البنى الرئيسية مثل توقع الأداء، توقع الجهد، التأثير الاجتماعي، وظروف التيسير، لفهم تأثيرها على النية السلوكية للطلاب لاعتماد تقنيات الذكاء الاصطناعي بشكل أفضل. تطرح الأبحاث ثلاثة أسئلة: التأثير المباشر لمعرفتهم بالذكاء الاصطناعي على بنى UTAUT، وتأثير هذه البنى على نوايا الاعتماد، والدور الوسيط لبنى UTAUT بين معرفة الذكاء الاصطناعي ونوايا الاعتماد. من المتوقع أن تساهم النتائج من الناحية النظرية من خلال تعزيز نموذج UTAUT، ومن الناحية العملية من خلال تقديم رؤى للمؤسسات التعليمية لتعزيز معرفة الذكاء الاصطناعي وتحسين اعتماد تقنيات الذكاء الاصطناعي، مما يعزز في النهاية نتائج التعلم ويعد الطلاب لمستقبل مدفوع بالذكاء الاصطناعي.
الطرق
في هذه الدراسة، تضمنت المنهجية تجنيد 400 طالب جامعي من جامعة عامة كبيرة في الصين من خلال أخذ عينات ملائمة لضمان تمثيل أكاديمي متنوع. تم الحصول على الموافقة الأخلاقية، وتم تأمين الموافقة المستنيرة من جميع المشاركين. بعد جمع البيانات، تم إرجاع 386 استبيانًا، ولكن بعد عملية تنظيف صارمة لاستبعاد تلك التي تحتوي على قيم مفقودة بشكل مفرط أو استجابات غير متسقة، تم الاحتفاظ بـ 359 استجابة صالحة للتحليل. أشار الملف الشخصي الديموغرافي إلى وجود أغلبية طفيفة من الإناث، حيث كان معظم المشاركين تتراوح أعمارهم بين 18-24 عامًا وتوزيع متوازن عبر السنوات الأكاديمية. اختلف استخدام الذكاء الاصطناعي بين الطلاب، حيث أشار الغالبية إلى استخدام أدوات الذكاء الاصطناعي بشكل متقطع، مما يبرز تكاملًا غير متسق للذكاء الاصطناعي في روتينهم الأكاديمي.
استخدمت عملية جمع البيانات استبيانًا منظمًا يتكون من ثلاثة أقسام: المعلومات الديموغرافية، معرفة الذكاء الاصطناعي، وقبول التكنولوجيا، استنادًا إلى مقياس معرفة الذكاء الاصطناعي ومقياس UTAUT. كان الهدف من اختيار الأدوات هو تقييم شمولية لمألوفية المشاركين بالذكاء الاصطناعي وقبولهم للتكنولوجيا في السياقات التعليمية. تم تلخيص المقاييس المستخدمة في الجدول 2، مما يوفر إطارًا لتحليل العلاقة بين معرفة الذكاء الاصطناعي وقبول التكنولوجيا بين الطلاب.
النتائج
توفر نتائج هذه الدراسة نظرة شاملة على البنى المتعلقة بأدوات الذكاء الاصطناعي كما يدركها الطلاب. تشير الإحصائيات الوصفية إلى أن متوسط الدرجات على مقياس ليكرت المكون من 5 نقاط للبنى مثل معرفة الذكاء الاصطناعي (M = 3.405)، توقع الأداء (M = 3.744)، توقع الجهد (M = 3.522)، التأثير الاجتماعي (M = 3.665)، ظروف التيسير (M = 3.380)، والنوايا السلوكية (M = 3.608) تقع ضمن نطاق معتدل. ومن الجدير بالذكر أن توقع الأداء ظهر كأعلى بناء تم تقييمه، مما يشير إلى إدراك إيجابي لفائدة أدوات الذكاء الاصطناعي في المهام الأكاديمية، بينما حصلت ظروف التيسير على أدنى درجة، مما يبرز القيود المتصورة في الموارد والدعم.
لمعالجة إمكانية وجود تباين في الأساليب الشائعة (CMV) بسبب الطبيعة الذاتية للبيانات، تم تنفيذ عدة استراتيجيات، بما في ذلك توزيع البنى على صفحات منفصلة وإجراء اختبار عامل هارمان الواحد. كشفت تحليل العوامل الاستكشافية عن تسعة عوامل، حيث يمثل العامل الأول 38.943% من التباين، مما يشير إلى أن CMV ليس مصدر قلق كبير. علاوة على ذلك، أظهر نموذج القياس موثوقية وصلاحية قوية، مع تحميلات عوامل تتراوح بين 0.733 إلى 0.927، وقيم موثوقية مركبة تتراوح بين 0.865 إلى 0.950، وقيم ألفا كرونباخ تتراوح من 0.791 إلى 0.930. تجاوزت قيم التباين المستخرج (AVE) العتبة 0.50، مما يؤكد صلاحية التقارب الكافية، بينما أكدت تقييمات صلاحية التمييز باستخدام معيار فورنل-لاركر ونسبة HTMT أن البنى متميزة عن بعضها البعض.
المناقشة
تجمع قسم المناقشة في ورقة البحث الأدبيات الموجودة حول معرفة الذكاء الاصطناعي ونظرية القبول والاستخدام الموحد للتكنولوجيا (UTAUT) لاستكشاف أدوارها في اعتماد الذكاء الاصطناعي ضمن السياقات التعليمية. يبرز المفهوم المتطور لمعرفتهم بالذكاء الاصطناعي، والذي يشمل أطرًا متنوعة من مجالات مثل التعليم، والتفاعل بين الإنسان والكمبيوتر، والأخلاق. تشمل المساهمات الرئيسية الأطر التي تعرف معرفة الذكاء الاصطناعي ككفاءة متعددة الأبعاد تتضمن المعرفة، والمهارات العملية، والتقييم النقدي، والوعي الأخلاقي. يتم التأكيد على أهمية معرفة الذكاء الاصطناعي عبر القطاعات، لا سيما في التعليم، حيث تعتبر ضرورية لإعداد الطلاب والمعلمين للتفاعل بفعالية مع تقنيات الذكاء الاصطناعي.
يتم تقديم نموذج UTAUT، الذي يحدد البنى مثل توقع الأداء، توقع الجهد، التأثير الاجتماعي، وظروف التيسير، كإطار قيم لفهم اعتماد التكنولوجيا. تشير الورقة إلى أنه على الرغم من تطبيق UTAUT في قطاعات متنوعة، إلا أن تطبيقه في التعليم لا يزال محدودًا. يقترح المؤلفون نموذج بحث يدمج معرفة الذكاء الاصطناعي في UTAUT، مفترضين أن معرفة الذكاء الاصطناعي تؤثر إيجابيًا على بنى UTAUT، والتي بدورها تؤثر على النية السلوكية للطلاب لاستخدام أدوات الذكاء الاصطناعي. تطور الدراسة عدة فرضيات للتحقيق في هذه العلاقات، بهدف سد الفجوات النظرية والتجريبية في فهم كيفية تفاعل معرفة الذكاء الاصطناعي وبنى UTAUT لتشكيل سلوكيات اعتماد الذكاء الاصطناعي بين طلاب الجامعات في الصين.
القيود
تسلط قسم القيود في هذه الدراسة الضوء على عدة قيود رئيسية قد تؤثر على قابلية تعميم وعمق النتائج المتعلقة باعتماد الذكاء الاصطناعي بين طلاب الجامعات. أولاً، تم إجراء البحث في سياق التعليم العالي الصيني، الذي يتميز بسمات ثقافية جماعية تبرز تأثير الأقران. قد يحد هذا السياق من قابلية تطبيق النتائج على ثقافات أكثر فردية، حيث قد تلعب الدوافع الشخصية وإدراك التكنولوجيا دورًا أكبر. يُشجع على إجراء دراسات مستقبلية لاستكشاف اعتماد الذكاء الاصطناعي عبر إعدادات ثقافية متنوعة لتقييم تباين هذه التأثيرات.
ثانيًا، استخدمت الدراسة أخذ عينات ملائمة، مما يثير، على الرغم من كونه عمليًا، مخاوف بشأن تمثيل العينة وقابلية التعميم. لتعزيز قوة الأبحاث المستقبلية، ينبغي استخدام أخذ عينات عشوائية أو منهجيات صارمة أخرى. بالإضافة إلى ذلك، فإن الاعتماد على بيانات مقطعية من استبيان واحد يحد من الاستنتاجات السببية؛ وبالتالي، يُوصى بإجراء دراسات طولية لفهم تطور نوايا الطلاب مع تعرضهم لتقنيات الذكاء الاصطناعي. كما أن النهج الكمي للدراسة يحد أيضًا من الرؤى حول التجارب الذاتية للطلاب. ينبغي أن تتضمن الأبحاث المستقبلية طرقًا نوعية، مثل المقابلات ومجموعات التركيز، والنظر في استخدام تحليل المقارنة النوعية (QCA) لاستكشاف التفاعل المعقد للعوامل المؤثرة في اعتماد الذكاء الاصطناعي. أخيرًا، لم تتناول الدراسة متغيرات محتملة أخرى، مثل المواقف تجاه التكنولوجيا والمخاطر المتصورة، والتي يمكن أن توضح المزيد من ديناميات اعتماد الذكاء الاصطناعي في سياقات التعليم العالي.
DOI: https://doi.org/10.1057/s41599-025-05775-y
Publication Date: 2025-09-02
Author(s): Qi Ke et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the factors influencing university students’ intentions to adopt artificial intelligence (AI) technologies, focusing on the interplay between AI literacy and the constructs of the Unified Theory of Acceptance and Use of Technology (UTAUT): Performance Expectancy, Effort Expectancy, Social Influence, and Facilitating Conditions. Analyzing data from 359 Chinese university students using Partial Least Squares Structural Equation Modeling (PLS-SEM), the findings indicate that AI Literacy significantly predicts Behavioral Intention to adopt AI, with Social Influence, Performance Expectancy, and Effort Expectancy acting as key mediators. Interestingly, Facilitating Conditions did not significantly impact Behavioral Intention, suggesting that external resources may be less critical than individual and social factors in this context.
The study concludes that AI Literacy is a crucial enabler of AI adoption, particularly through its effects on Performance Expectancy, Effort Expectancy, and Social Influence, with Social Influence identified as the strongest predictor. This highlights the importance of peer dynamics in fostering positive adoption intentions. While students recognize the potential of AI to enhance academic performance, their willingness to engage with AI persists despite perceived complexities. The findings emphasize the need for educational institutions to enhance AI Literacy to promote AI integration effectively. Future research could further explore additional factors influencing AI adoption among university students across various contexts, contributing to a more nuanced understanding of the dynamics at play in the educational landscape.
Introduction
The integration of artificial intelligence (AI) into educational systems has significantly transformed teaching and learning methodologies, with AI-driven tools enhancing educational outcomes through personalized learning experiences and operational efficiencies (Zawacki-Richter et al., 2019). In China, despite the government’s strong emphasis on AI development in education, the adoption of AI technologies among university students remains inconsistent, highlighting the need to understand the factors influencing this adoption (C. Wang et al., 2024). A critical factor identified is AI literacy, which encompasses the knowledge and skills necessary to effectively engage with AI technologies, including understanding their algorithms, ethical implications, and societal impacts (Long & Magerko, 2020; Müller, 2020).
This study aims to integrate AI literacy with the Unified Theory of Acceptance and Use of Technology (UTAUT) model, which examines key constructs such as Performance Expectancy, Effort Expectancy, Social Influence, and Facilitating Conditions, to better understand their influence on students’ Behavioral Intention to adopt AI technologies. The research poses three questions: the direct impact of AI literacy on UTAUT constructs, the influence of these constructs on adoption intentions, and the mediating role of UTAUT constructs between AI literacy and adoption intentions. The findings are expected to contribute both theoretically, by enhancing the UTAUT model, and practically, by providing insights for educational institutions to foster AI literacy and improve AI technology adoption, ultimately enhancing learning outcomes and preparing students for an AI-driven future.
Methods
In this study, the methodology involved recruiting 400 undergraduate students from a large public university in China through convenience sampling to ensure diverse academic representation. Ethical approval was obtained, and informed consent was secured from all participants. Following data collection, 386 questionnaires were returned, but after a rigorous cleaning process to exclude those with excessive missing values or inconsistent responses, 359 valid responses were retained for analysis. The demographic profile indicated a slight female majority, with most participants aged 18-24 and a balanced distribution across academic years. AI usage among students varied, with a majority indicating occasional use of AI tools, highlighting an inconsistent integration of AI into their academic routines.
The data collection utilized a structured questionnaire comprising three sections: demographic information, AI Literacy, and technology acceptance, based on the AI Literacy scale and the UTAUT scale. The choice of instrumentation aimed to comprehensively assess the participants’ familiarity with AI and their acceptance of technology in educational contexts. The scales employed are summarized in Table 2, providing a framework for analyzing the relationship between AI literacy and technology acceptance among the student population.
Results
The results of this study provide a comprehensive overview of the constructs related to AI tools as perceived by students. Descriptive statistics indicate that mean scores on a 5-point Likert scale for constructs such as AI Literacy (M = 3.405), Performance Expectancy (M = 3.744), Effort Expectancy (M = 3.522), Social Influence (M = 3.665), Facilitating Conditions (M = 3.380), and Behavioral Intention (M = 3.608) fall within a moderate range. Notably, Performance Expectancy emerged as the highest-rated construct, suggesting a positive perception of AI tools’ utility in academic tasks, while Facilitating Conditions received the lowest score, highlighting perceived limitations in resources and support.
To address potential Common Method Variance (CMV) due to the self-reported nature of the data, several strategies were implemented, including spacing constructs on separate pages and conducting Harman’s Single-Factor Test. The exploratory factor analysis revealed nine factors, with the first factor accounting for 38.943% of the variance, indicating that CMV is not a significant concern. Furthermore, the measurement model demonstrated strong reliability and validity, with factor loadings ranging from 0.733 to 0.927, composite reliability values between 0.865 and 0.950, and Cronbach’s Alpha values from 0.791 to 0.930. The average variance extracted (AVE) values exceeded the 0.50 threshold, confirming adequate convergent validity, while assessments of discriminant validity using the Fornell-Larcker criterion and HTMT ratio further established that the constructs are distinct from one another.
Discussion
The discussion section of the research paper synthesizes existing literature on AI literacy and the Unified Theory of Acceptance and Use of Technology (UTAUT) to explore their roles in AI adoption within educational contexts. It highlights the evolving concept of AI literacy, which encompasses various frameworks from fields like education, human-computer interaction, and ethics. Key contributions include frameworks that define AI literacy as a multidimensional competency involving knowledge, practical skills, critical evaluation, and ethical awareness. The importance of AI literacy is underscored across sectors, particularly in education, where it is essential for preparing students and educators to engage effectively with AI technologies.
The UTAUT model, which identifies constructs such as Performance Expectancy, Effort Expectancy, Social Influence, and Facilitating Conditions, is presented as a valuable framework for understanding technology adoption. The paper notes that while UTAUT has been applied in various sectors, its application in education remains limited. The authors propose a research model that integrates AI literacy into UTAUT, positing that AI literacy positively influences UTAUT constructs, which in turn affect students’ Behavioral Intention to use AI tools. The study develops several hypotheses to investigate these relationships, aiming to fill the theoretical and empirical gaps in understanding how AI literacy and UTAUT constructs interact to shape AI adoption behaviors among university students in China.
Limitations
The section on limitations in this study highlights several key constraints that may affect the generalizability and depth of the findings regarding AI adoption among university students. Firstly, the research was conducted within the context of Chinese higher education, characterized by collectivist cultural traits that emphasize peer influence. This context may limit the applicability of the results to more individualistic cultures, where personal motivations and perceptions of technology might play a more significant role. Future studies are encouraged to investigate AI adoption across diverse cultural settings to assess the variability of these influences.
Secondly, the study employed convenience sampling, which, while practical, raises concerns about sample representativeness and generalizability. To enhance the robustness of future research, random sampling or other rigorous methodologies should be utilized. Additionally, the reliance on cross-sectional data from a single survey restricts causal inferences; thus, longitudinal studies are recommended to better understand the evolution of students’ intentions as they gain exposure to AI technologies. The study’s quantitative approach also limits insights into the subjective experiences of students. Future research should incorporate qualitative methods, such as interviews and focus groups, and consider employing Qualitative Comparative Analysis (QCA) to explore the complex interplay of factors influencing AI adoption. Lastly, the study did not address other potential variables, such as attitudes toward technology and perceived risks, which could further elucidate the dynamics of AI adoption in higher education contexts.