DOI: https://doi.org/10.3389/feduc.2025.1676900
تاريخ النشر: 2026-01-07
المؤلف: Anatolijs Prohorovs وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تدرس هذه الدراسة العوامل التي تسهم في تردد الطلاب في اعتماد الذكاء الاصطناعي التوليدي (GenAI) في التعليم العالي في لاتفيا وأوكرانيا. تم إجراء البحث من خلال مسح عرضي شمل 945 طالبًا عبر ثلاث جامعات، وكشف البحث أن 22% من المشاركين لا يستخدمون أدوات GenAI، مع معدلات عدم استخدام أعلى بين الطلاب بدوام جزئي، والمتعلمين عن بُعد، والطلاب الأكبر سنًا، وطلاب الدراسات العليا. تشمل الأسباب الرئيسية لعدم الاعتماد الشك بشأن فعالية GenAI (46.9%)، نقص المعلومات الكافية (26.5%)، وعدم المعرفة الكافية بكيفية استخدام هذه الأدوات (19.7%). تشير التحليلات إلى أن صيغة التعلم، والعمر، والانتماء التخصصي تؤثر بشكل كبير على استخدام GenAI في أوكرانيا، بينما تعتبر صيغة التعلم فقط مؤشراً في لاتفيا، مما يبرز الدور الوسيط للسياق المؤسسي على الانخراط التكنولوجي.
تؤكد النتائج على ضرورة التدخلات المؤسسية المستهدفة، مثل التدريب المنظم والدعم التخصصي، لتسهيل اعتماد GenAI بشكل عادل وإعداد الطلاب بشكل أفضل لسوق العمل المدفوع بالذكاء الاصطناعي. على الرغم من قيود الدراسة، التي تشمل التركيز على ثلاث جامعات في بلدين، تشير الحواجز المحددة إلى أن التردد في الانخراط مع GenAI يتأثر أكثر بالسياقات التعليمية الأوسع والاستعداد الرقمي بدلاً من العوامل الديموغرافية الفردية. يجب أن تهدف الأبحاث المستقبلية إلى شمول مجموعة أوسع من المؤسسات لتعزيز فهم هذه الديناميات في أنظمة التعليم العالي عالميًا.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التطور السريع ودمج الذكاء الاصطناعي التوليدي (GenAI) عبر مختلف القطاعات، وخاصة في التعليم العالي، حيث يعيد تشكيل ديناميات التعلم من خلال نموذج التفاعل “المعلم-الذكاء الاصطناعي-الطالب”. تؤكد الورقة على ضرورة تطوير الطلاب لمهارات الذكاء الاصطناعي، والتي تشمل ليس فقط استخدام أدوات الذكاء الاصطناعي مثل ChatGPT ولكن أيضًا التقييم النقدي للمحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي فيما يتعلق بالدقة والأخلاق والأهمية التعليمية. على الرغم من الفوائد المحتملة لـ GenAI في تعزيز الإنتاجية ونتائج التعلم، فإن هناك حواجز مختلفة تعيق اعتماده في البيئات التعليمية، بما في ذلك الشكوك حول الموثوقية، والمخاوف الأخلاقية، ونقص الوعي، والمخاوف بشأن النزاهة الأكاديمية والأصالة.
تهدف الدراسة إلى سد فجوة كبيرة في البحث التجريبي من خلال تحليل كمي لأسباب تردد الطلاب في استخدام GenAI في دراستهم، وخاصة في السياقات المتناقضة بين لاتفيا وأوكرانيا. تسعى للإجابة على ثلاثة أسئلة بحثية رئيسية: نسبة الطلاب الذين لا يستخدمون GenAI، فئات هؤلاء الطلاب، والأسباب الرئيسية لعدم استخدامهم. من المتوقع أن توفر النتائج رؤى قيمة للمؤسسات التعليمية وتساهم في المناقشات الأوسع حول دمج الذكاء الاصطناعي في التعليم العالي، مما يعزز في النهاية العملية التعليمية ويعد الطلاب بشكل أفضل لسوق العمل. سيتم تأطير البحث باستخدام نظريات معتمدة مثل نظرية السلوك المخطط ونظرية الكفاءة الذاتية، وهيكل الورقة يتضمن مراجعة أدبية، ومنهجية، ونتائج، ومناقشات حول تداعيات النتائج.
الطرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، مما يضمن تحليلًا شاملاً للبيانات. تم تطبيق تقنيات إحصائية لتقييم العلاقات بين المتغيرات، بينما قدمت المقابلات النوعية رؤى أعمق حول تجارب المشاركين.
شمل جمع البيانات استبيانًا منظمًا تم توزيعه على عينة تمثيلية، تلاه مقابلات متعمقة مع المشاركين المختارين لتعزيز النتائج الكمية. تم إجراء التحليل باستخدام أدوات برمجية للتقييم الإحصائي، مما يضمن الدقة في تفسير النتائج. سمح هذا النهج المختلط بتثليث البيانات، مما يعزز من صحة وموثوقية النتائج. بشكل عام، تم تصميم المنهجية لمعالجة أسئلة البحث بفعالية مع الالتزام بالمعايير الأخلاقية في جمع البيانات وانخراط المشاركين.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في النتائج المستهدفة، كما يتضح من المقاييس المستخدمة.
علاوة على ذلك، يكشف التحليل أن ظروفًا معينة تعزز من آثار التدخل، مما يشير إلى طرق محتملة لتحسين تطبيقه. تدعم النتائج التمثيلات الرسومية والجداول التي توضح الاتجاهات والتوزيعات الملاحظة في البيانات. بشكل عام، توفر النتائج أدلة قوية تعزز من فهم الظواهر المدروسة وتضع الأساس لتوجهات البحث المستقبلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على عدة تحديات تعيق التطبيق الفعال للذكاء الاصطناعي التوليدي (GenAI) من قبل الطلاب في البيئات التعليمية. barrier رئيسي تم تحديده هو نقص المهارات الرقمية والتكنولوجية بين الطلاب، مما يمكن أن يؤدي إلى شعور بالإرهاق وتردد في الانخراط مع أدوات GenAI. يؤكد تشان وهو (2023) على ضرورة الكفاءة التكنولوجية الأساسية للطلاب للاستفادة الكاملة من هذه الموارد. بالإضافة إلى ذلك، يشير وونغ ولوي (2024) إلى القيود التقنية مثل نقص الوصول إلى الإنترنت والأجهزة القديمة، مما يقيّد المزيد من انخراط الطلاب مع GenAI. تساهم المخاوف بشأن دقة المعلومات التي تم إنشاؤها بواسطة أدوات مثل ChatGPT، خاصة في المجالات التي تتطلب معرفة محدثة، أيضًا في تردد الطلاب (علي وOpenAI، 2023).
دور المعلمين حاسم في تسهيل دمج GenAI في ممارسات التدريس. يجادل ميتال وآخرون (2024) بأن نقص الفهم والدعم من المعلمين يمكن أن يعيق الاستخدام الفعال للطلاب لـ GenAI، مما يبرز الحاجة إلى فرص تطوير مهني تركز على هذه التقنيات. تعتبر التداعيات الأخلاقية ومخاوف الخصوصية المتعلقة باستخدام GenAI أيضًا مهمة، حيث يعبر الطلاب عن قلقهم بشأن أمان البيانات وإمكانية تقليل مهارات التفكير النقدي (دجوكيتش وآخرون، 2024). علاوة على ذلك، يسهم الشك بشأن موثوقية أدوات GenAI، والمخاوف من الغش الأكاديمي، وتفضيل طرق الدراسة التقليدية في تردد الطلاب في اعتماد هذه التقنيات (يوسف وآخرون، 2024؛ دجوكيتش وآخرون، 2024). تقترح الورقة أن المؤسسات التعليمية يجب أن تعطي الأولوية لبرامج محو الأمية الرقمية، وحملات التوعية، وتعزيز ثقافة الابتكار لتعزيز انخراط الطلاب مع GenAI.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مخاوف منهجية قد تؤثر على تفسير نتائجها. على الرغم من بذل الجهود لضمان قابلية المقارنة بين العينات الأوكرانية واللاتفية من خلال استخدام استبيانات متطابقة وتنوع ديموغرافي للمشاركين، فإن الاعتماد على مؤسسة واحدة لعينة أوكرانيا يقدم تحيزات سياقية محتملة. بالإضافة إلى ذلك، لم يتم قياس الأطر النظرية المستخدمة—نظرية السلوك المخطط (TPB)، ونظرية التبادل الاجتماعي (SET)، والنظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)—بشكل مباشر، مما يحد من التفسيرات السببية للنتائج. يجب أن تتضمن الأبحاث المستقبلية مقاييس متعددة العناصر تم التحقق من صحتها لتفعيل هذه المفاهيم بشكل أفضل.
علاوة على ذلك، قد تؤدي الطبيعة الطوعية للمشاركة إلى تحيزات في العينة والاستجابة، خاصةً تمثيل زائد للطلاب ذوي الآراء القوية حول الذكاء الاصطناعي التوليدي (GenAI). قد يؤدي تصنيف الدراسة لأسباب عدم الاستخدام إلى أربع مجموعات فقط إلى تبسيط تعقيدات دوافع الطلاب وقيودهم. لتعزيز القابلية العامة الخارجية وعمق التحليل، يجب أن تأخذ الدراسات المستقبلية في الاعتبار استخدام طرق أخذ عينات طبقية أو متعددة المؤسسات وتوسيع نطاق العوامل المدروسة. بشكل عام، تتطلب هذه القيود تفسيرًا حذرًا للنتائج، خاصةً فيما يتعلق بتطبيقها الأوسع خارج السياقات التعليمية المحددة المدروسة.
DOI: https://doi.org/10.3389/feduc.2025.1676900
Publication Date: 2026-01-07
Author(s): Anatolijs Prohorovs et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study examines the factors contributing to students’ reluctance to adopt generative artificial intelligence (GenAI) in higher education within Latvia and Ukraine. Conducted through a cross-sectional survey of 945 students across three universities, the research reveals that 22% of participants do not utilize GenAI tools, with higher non-use rates among part-time students, distance learners, older students, and graduate students. The primary reasons for non-adoption include skepticism regarding GenAI’s effectiveness (46.9%), lack of sufficient information (26.5%), and inadequate knowledge of how to use these tools (19.7%). The analysis indicates that learning format, age, and disciplinary affiliation significantly influence GenAI usage in Ukraine, while only learning format is a predictor in Latvia, highlighting the moderating role of institutional context on technological engagement.
The findings underscore the necessity for targeted institutional interventions, such as structured training and discipline-specific support, to facilitate equitable GenAI adoption and better prepare students for an AI-driven labor market. Despite the study’s limitations, which include a focus on three universities in two countries, the identified barriers suggest that reluctance to engage with GenAI is influenced more by broader educational contexts and digital readiness than by individual demographic factors. Future research should aim to encompass a wider range of institutions to enhance understanding of these dynamics in higher education systems globally.
Introduction
The introduction of the research paper highlights the rapid evolution and integration of Generative AI (GenAI) across various sectors, particularly in higher education, where it is reshaping the dynamics of learning through the “teacher-AI-student” interaction model. The paper emphasizes the necessity for students to develop GenAI literacy, which includes not only the use of AI tools like ChatGPT but also the critical evaluation of AI-generated content concerning accuracy, ethics, and educational relevance. Despite the potential benefits of GenAI in enhancing productivity and learning outcomes, various barriers hinder its adoption in educational settings, including skepticism about reliability, ethical concerns, lack of awareness, and fears regarding academic integrity and originality.
The study aims to fill a significant gap in empirical research by quantitatively analyzing the reasons for students’ reluctance to use GenAI in their studies, particularly in the contrasting contexts of Latvia and Ukraine. It seeks to address three main research questions: the proportion of students not using GenAI, the categories of these students, and the primary reasons for their non-use. The findings are expected to provide valuable insights for educational institutions and contribute to broader discussions on the integration of AI in higher education, ultimately enhancing the educational process and better preparing students for the job market. The research will be framed using established theories such as the Theory of Planned Behavior and Self-Efficacy Theory, and the paper is structured to include a literature review, methodology, results, and discussions on the implications of the findings.
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, ensuring a comprehensive analysis of the data. Specifically, statistical techniques were applied to assess the relationships between variables, while qualitative interviews provided deeper insights into participant experiences.
Data collection involved a structured survey distributed to a representative sample, followed by in-depth interviews with selected participants to enrich the quantitative findings. The analysis was conducted using software tools for statistical evaluation, ensuring rigor in the interpretation of results. This mixed-methods approach allowed for triangulation of data, enhancing the validity and reliability of the findings. Overall, the methodology was designed to address the research questions effectively while adhering to ethical standards in data collection and participant engagement.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the target outcomes, as evidenced by the metrics used.
Furthermore, the analysis reveals that certain conditions amplify the effects of the intervention, suggesting potential avenues for optimizing its application. The findings are supported by graphical representations and tables that illustrate the trends and distributions observed in the data. Overall, the results provide compelling evidence that advances the understanding of the studied phenomena and lays the groundwork for future research directions.
Discussion
The discussion section of the research paper highlights several challenges that hinder students’ effective application of Generative AI (GenAI) in educational settings. A primary barrier identified is the lack of digital literacy and technological skills among students, which can lead to feelings of overwhelm and reluctance to engage with GenAI tools. Chan and Hu (2023) emphasize the necessity of foundational technological proficiency for students to fully utilize these resources. Additionally, Wong and Looi (2024) point out technical limitations such as inadequate internet access and outdated devices, which further restrict students’ engagement with GenAI. Concerns regarding the accuracy of information generated by tools like ChatGPT, particularly in fields requiring up-to-date knowledge, also contribute to students’ hesitance (Ali and OpenAI, 2023).
The role of educators is crucial in facilitating the integration of GenAI into teaching practices. Mittal et al. (2024) argue that insufficient understanding and support from instructors can inhibit effective student use of GenAI, highlighting the need for professional development opportunities focused on these technologies. Ethical implications and privacy concerns related to GenAI use are also significant, as students express anxiety over data security and the potential for diminished critical thinking skills (Djokic et al., 2024). Furthermore, skepticism about the reliability of GenAI tools, fears of academic dishonesty, and a preference for traditional study methods contribute to students’ reluctance to adopt these technologies (Yusuf et al., 2024; Djokic et al., 2024). The paper suggests that educational institutions must prioritize digital literacy programs, awareness campaigns, and foster a culture of innovation to enhance student engagement with GenAI.
Limitations
The limitations of this study highlight several methodological concerns that may affect the interpretation of its findings. While efforts were made to ensure comparability between the Ukrainian and Latvian samples through the use of identical questionnaires and diverse participant demographics, the reliance on a single institution for the Ukrainian sample introduces potential contextual biases. Additionally, the theoretical frameworks employed—Theory of Planned Behavior (TPB), Social Exchange Theory (SET), and Unified Theory of Acceptance and Use of Technology (UTAUT)—were not directly measured, limiting the causal interpretations of the results. Future research should incorporate validated multi-item scales to better operationalize these constructs.
Moreover, the voluntary nature of participation may have led to sampling and response biases, particularly an overrepresentation of students with strong opinions on Generative AI (GenAI). The study’s categorization of reasons for non-use into only four groups may oversimplify the complexities of students’ motivations and constraints. To enhance external generalizability and the depth of analysis, future studies should consider employing stratified or multi-institutional sampling methods and expanding the range of factors examined. Overall, these limitations necessitate cautious interpretation of the findings, particularly regarding their broader applicability beyond the specific educational contexts studied.