DOI: https://doi.org/10.1016/j.caeai.2024.100333
تاريخ النشر: 2024-11-26
المؤلف: Rebecca J. Collie وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
تستكشف هذه الورقة البحثية العوامل التي تؤثر على دافعية المعلمين ومشاركتهم في استخدام أدوات الذكاء الاصطناعي التوليدي (genAI) في البيئات التعليمية، لا سيما بعد اعتمادها على نطاق واسع منذ أواخر عام 2022. تتضمن الدراسة 368 معلمًا من المدارس الابتدائية والثانوية الأسترالية، وتحدد العوامل السياقية مثل الدعم داخل المدرسة، وضغط الوقت، وسلوك الطلاب المزعج كمتنبئات لدافعية المعلمين (المقاسة من خلال كفاءة الذات في genAI والتقدير) والمشاركة اللاحقة (التي تنعكس في دمج genAI في أنشطة التعليم والتعلم) على مدار فصل دراسي واحد. تشير النتائج إلى أن الدعم لـ genAI يرتبط إيجابيًا بكل من كفاءة الذات والتقدير، بينما يعزز ضغط الوقت من إدراك قيمة genAI. ومن الجدير بالذكر أن سلوك الطلاب المزعج لم يؤثر بشكل كبير على الدافعية أو المشاركة. علاوة على ذلك، يرتبط ارتفاع كفاءة الذات في genAI بزيادة دمج genAI في التعليم، بينما يرتبط تقدير genAI بشكل خاص بدمجه في المهام المتعلقة بالتعليم.
في الختام، تسلط الدراسة الضوء على السياسات العالمية الناشئة التي تعزز استخدام genAI في التعليم، مما يبرز أهمية فهم العوامل التي تدفع دافعية المعلمين ومشاركتهم مع هذه التكنولوجيا. تؤكد النتائج على أهمية توفير الدعم الكافي لـ genAI في المدارس ومعالجة قيود الوقت لتعزيز تنفيذها الفعال. تعتبر هذه الرؤى قيمة لتشكيل الأبحاث المستقبلية والسياسات والممارسات المتعلقة بـ genAI في السياقات التعليمية، ليس فقط في أستراليا ولكن أيضًا في دول أخرى تتكيف مع تقدم التكنولوجيا المماثل.
مقدمة
تناقش مقدمة الورقة البحثية ظهور تقنيات الذكاء الاصطناعي التوليدي (genAI)، التي تستخدم هياكل المحولات لإنشاء أشكال مختلفة من المحتوى، مثل النصوص والصور. على الرغم من الدراسات الواسعة حول العوامل التي تؤثر على قبول المعلمين للتكنولوجيا وgenAI، هناك فجوة ملحوظة في فهم المتنبئات لدمج المعلمين لـ genAI في ممارساتهم التعليمية. هذه الفجوة مهمة بشكل خاص حيث تشجع المؤسسات التعليمية بشكل متزايد استخدام genAI لتعزيز التعليم والتعلم. تهدف الدراسة إلى استكشاف العوامل السياقية التي تؤثر على دافعية المعلمين ومشاركتهم في تطبيق genAI، مع التركيز على كفاءة الذات والقيمة المدركة لـ genAI، بالإضافة إلى دمجه في أنشطة التعليم والطلاب.
تدرس الأبحاث ثلاثة عوامل سياقية: الدعم داخل المدرسة (كمورد وظيفي)، ضغط الوقت، وسلوك الطلاب المزعج (كلاهما مطالب وظيفية). تتضمن الدراسة عينة من المعلمين الأستراليين في المدارس الابتدائية والثانوية، وتقييم هذه العوامل في بداية فصل دراسي وعلاقتها بدافعية المعلمين ومشاركتهم نحو نهاية الفصل. بالإضافة إلى ذلك، تأخذ الدراسة في الاعتبار خصائص خلفية متنوعة، مثل الجنس، وخبرة التدريس، ونوع العقد، وحجم الفصل، ومستوى المدرسة، وسمات الشخصية الخمس الكبرى، لتحديد الارتباطات الفريدة مع العوامل الأساسية ذات الاهتمام. من المتوقع أن تكون النتائج لها آثار أوسع على المعلمين عبر ولايات وثقافات مختلفة، نظرًا للأهمية العالمية للعوامل التي تم فحصها.
الطرق
في قسم الطرق، استخدمت الدراسة النمذجة الهيكلية لتحليل دمج الذكاء الاصطناعي التوليدي (genAI) في السياقات التعليمية، مع التركيز على العمل المتعلق بالتدريس وأنشطة الطلاب. أظهرت مؤشرات الملاءمة لكلا النموذجين ملاءمة جيدة: بالنسبة للعمل المتعلق بالتدريس، $\chi^2(355) = 461.96$، $p < .001$، RMSEA = .029، CFI = .98، TLI = .97؛ ولأنشطة الطلاب، $\chi^2(355) = 397.24$، $p = .06$، RMSEA = .018، CFI = .97، TLI = .96. أظهرت النتائج المهمة أن دعم genAI تنبأ إيجابيًا بكل من كفاءة الذات في genAI والتقدير، مع أحجام تأثير كبيرة، بينما كان ضغط الوقت متنبئًا متوسطًا لتقدير genAI. ومن الجدير بالذكر أن سلوك الطلاب المزعج لم يرتبط بكفاءة الذات في genAI أو تقديره. أشارت التحليلات الإضافية إلى أن كفاءة الذات في genAI والتقدير كانا متنبئين مهمين لدمج genAI في التعليم (أحجام تأثير متوسطة/كبيرة) وأنشطة تعلم الطلاب (حجم تأثير كبير). أظهرت الخصائص الخلفية أن المعلمين الأقل خبرة أبلغوا عن مستويات أعلى من سلوك الطلاب المزعج وارتفاع كفاءة الذات في genAI والتقدير. عانى المعلمون الذين لديهم عقود طويلة الأجل من ضغط وقت أكبر وتقدير أكبر لـ genAI. بالإضافة إلى ذلك، أظهر معلمو المدارس الثانوية دعمًا أكبر لـ genAI، وضغط وقت أقل، وسلوك طلاب مزعج أعلى. كانت سمات الشخصية مثل الانفتاح والود مرتبطة إيجابيًا بكفاءة الذات في genAI والتقدير، على التوالي، بينما ارتبطت عدم الاستقرار العاطفي بزيادة ضغط الوقت وسلوك الطلاب المزعج، بالإضافة إلى انخفاض كفاءة الذات في genAI. كما حددت الدراسة ثلاث ارتباطات غير مباشرة تتعلق بدعم genAI الذي يؤدي إلى تعزيز كفاءة الذات والتقدير، مما يسهل بدوره دمج genAI بشكل أكبر في أنشطة التعليم والتعلم.
النتائج
تشير النتائج إلى أن نماذج القياس لدمج الذكاء الاصطناعي التوليدي (genAI) في العمل المتعلق بالتدريس وأنشطة الطلاب أظهرت ملاءمة جيدة، مع قيم كاي تربيع من $\chi^2[355] = 461.96$ (p < .001) و$\chi^2[355] = 397.24$ (p = .06)، على التوالي. كانت قيم جذر متوسط مربع الخطأ التقريبي (RMSEA) $0.029$ و$0.018$، بينما كانت قيم مؤشر الملاءمة المقارن (CFI) ومؤشر تاكر-لويس (TLI) فوق $0.97$، مما يشير إلى دعم قياس قوي. كانت موثوقية، كما هو موضح بواسطة معاملات أوميغا، كافية لدرجات المقياس، وتم تأكيد عدم تباين القياس. كشفت الارتباطات بين العوامل الجوهرية أن دعم genAI كان مرتبطًا سلبًا بضغط الوقت وسلوك الطلاب المزعج، اللذان كانا مرتبطين إيجابيًا. بالإضافة إلى ذلك، أظهر دعم genAI ارتباطات إيجابية مع كل من كفاءة الذات في genAI والتقدير، وكذلك مع نوعي دمج genAI. ومن الجدير بالذكر أن كفاءة الذات في genAI والتقدير كانا مرتبطين إيجابيًا ببعضهما البعض ومع نوعي الدمج. لم تظهر العوامل السياقية الأخرى ارتباطات مهمة مع كفاءة الذات في genAI أو التقدير أو أنواع الدمج. تتوفر تفاصيل إضافية حول الارتباطات المتعلقة بالخصائص الخلفية في المواد التكميلية.
المناقشة
في هذا القسم، يناقش المؤلفون الأطر المفاهيمية التي تستند إليها دراستهم، مع التركيز بشكل أساسي على نظرية مطالب العمل-الموارد ونظرية الحفاظ على الموارد. تفترض نظرية مطالب العمل-الموارد أن موارد العمل، مثل الدعم من مكان العمل، تعزز دافعية الموظف ومشاركته، بينما يمكن أن تعيق مطالب العمل، مثل ضغط الوقت وسلوك الطلاب المزعج، هذه العوامل. يبرز المؤلفون أنه في سياق الذكاء الاصطناعي التوليدي (genAI)، من المتوقع أن تسهل موارد العمل تطوير المعلمين المهني ودافعهم لدمج هذه التكنولوجيا في ممارساتهم التعليمية. من ناحية أخرى، قد تؤثر مطالب العمل سلبًا على الدافعية والمشاركة أو، وفقًا لنظرية الحفاظ على الموارد، تدفع المعلمين للبحث عن أدوات تكنولوجية مثل genAI لإدارة عبء العمل وتحسين ديناميات الفصل.
تهدف الدراسة إلى توسيع فهم الدافعية والمشاركة المتعلقة بـ genAI بين المعلمين من خلال دراسة موارد العمل والمطالب المحددة. تستكشف دور الدعم داخل المدرسة لـ genAI كمورد وظيفي وتبحث في كيفية عمل ضغط الوقت وسلوك الطلاب المزعج كمطالب وظيفية. يفترض المؤلفون أن الوصول الأكبر إلى دعم genAI سيعزز دافعية المعلمين ومشاركتهم، بينما قد يكون لمطالب العمل آثار مزدوجة: التأثير السلبي على الدافعية والمشاركة وفقًا لنظرية مطالب العمل-الموارد، ولكن قد تعزز أيضًا نهجًا استباقيًا لاستخدام genAI كمورد بما يتماشى مع نظرية الحفاظ على الموارد. يتضمن تصميم البحث دراسة طولية مع عينة من المعلمين الأستراليين، تقيم تصوراتهم حول موارد العمل والمطالب في بداية فصل دراسي ودافعهم ومشاركتهم اللاحقة مع genAI قرب نهاية الفصل.
القيود
يسلط قسم القيود الضوء على عدة عوامل حاسمة قد تؤثر على تفسير نتائج الدراسة المتعلقة بتصورات المعلمين لدعم الذكاء الاصطناعي التوليدي (genAI) في البيئات التعليمية. أولاً، تؤكد الاعتماد على تصورات المعلمين على الحاجة إلى أبحاث مستقبلية تتضمن تقارير من مصادر متعددة وبيانات ملاحظة لفهم أفضل للمستويات الفعلية لدعم genAI المقدمة في المدارس. ثانيًا، يتطلب التصميم الارتباطي للدراسة، على الرغم من كونه مدعومًا نظريًا ومقيمًا في نقطتين زمنيتين، أبحاثًا تجريبية لتحديد السببية، لا سيما فيما يتعلق بتأثير دعم genAI على دمجه في ممارسات التدريس.
بالإضافة إلى ذلك، كانت نطاق الدراسة الزمني محدودًا إلى فصل دراسي واحد، مما يشير إلى أن الأبحاث الطولية التي تمتد على مدار عام أكاديمي كامل قد توفر رؤى حول كيفية تأثير التدخلات المبكرة على كفاءة الذات في genAI ودمجه بمرور الوقت. يشير عدم النظر في تداخل المعلمين داخل المدارس، بسبب طريقة التوظيف، إلى الحاجة إلى دراسات مستقبلية لاستكشاف الدعم على مستوى المدرسة الذي قد يعزز النتائج المتعلقة بـ genAI. علاوة على ذلك، يتطلب استخدام مقاييس العناصر الفردية لقياس متغيرات الدمج أبحاثًا مستقبلية لاستخدام مقاييس متعددة العناصر لتقليل خطأ القياس. بينما يكون سياق الدراسة محددًا بأستراليا، قد تتناغم النتائج مع تجارب التدريس العالمية، مما يستدعي مزيدًا من التحقيق في الاختلافات الثقافية. أخيرًا، تشير التركيبة السكانية للجنس في العينة، التي تهيمن عليها الإناث، إلى الحاجة إلى أبحاث أكثر شمولية لضمان تعميم النتائج عبر مختلف ديموغرافيات المعلمين وفحص مطالب العمل المتعلقة بـ genAI بشكل محدد.
DOI: https://doi.org/10.1016/j.caeai.2024.100333
Publication Date: 2024-11-26
Author(s): Rebecca J. Collie et al.
Primary Topic: AI and HR Technologies
Overview
This research paper investigates the factors influencing teachers’ motivation and engagement in utilizing generative AI (genAI) tools in educational settings, particularly following their widespread adoption since late 2022. The study, involving 368 Australian primary and secondary school teachers, identifies contextual factors such as in-school support, time pressure, and disruptive student behavior as predictors of teachers’ motivation (measured through genAI self-efficacy and valuing) and subsequent engagement (reflected in the integration of genAI in teaching and learning activities) over one school term. The findings indicate that support for genAI positively correlates with both self-efficacy and valuing, while time pressure enhances the perception of genAI’s value. Notably, disruptive student behavior did not significantly affect motivation or engagement. Furthermore, higher self-efficacy in genAI is associated with increased integration of genAI in teaching, while valuing genAI is linked specifically to its integration in teaching-related tasks.
In conclusion, the study highlights the emerging global policies promoting the use of genAI in education, emphasizing the importance of understanding the factors that drive teachers’ motivation and engagement with this technology. The results underscore the significance of providing adequate support for genAI in schools and addressing time constraints to enhance its effective implementation. These insights are valuable for shaping future research, policy, and practice regarding genAI in educational contexts, not only in Australia but also in other countries adapting to similar technological advancements.
Introduction
The introduction of the research paper discusses the emergence of generative artificial intelligence (genAI) technologies, which utilize transformer architectures to create various forms of content, such as text and images. Despite extensive studies on factors influencing teachers’ acceptance of technology and genAI, there is a notable gap in understanding the predictors of teachers’ integration of genAI into their educational practices. This gap is particularly significant as educational institutions are increasingly encouraging the use of genAI to enhance teaching and learning. The study aims to explore contextual factors that influence teachers’ motivation and engagement in applying genAI, focusing on self-efficacy and perceived value of genAI, as well as its integration into teaching and student activities.
The research examines three contextual factors: in-school support (a job resource), time pressure, and disruptive student behavior (both job demands). The study involves a sample of Australian primary and secondary teachers, assessing these factors at the beginning of a school term and their relationship to teachers’ motivation and engagement towards the end of the term. Additionally, the study considers various background characteristics, such as gender, teaching experience, contract type, class size, school level, and the Big Five personality traits, to identify unique associations with the primary factors of interest. The findings are anticipated to have broader implications for educators across different jurisdictions and cultures, given the universal relevance of the examined factors.
Methods
In the methods section, the study employed structural modeling to analyze the integration of generative AI (genAI) in educational contexts, focusing on teaching-related work and student activities. The fit indices for both models indicated good fit: for teaching-related work, $\chi^2(355) = 461.96$, $p < .001$, RMSEA = .029, CFI = .98, TLI = .97; and for student activities, $\chi^2(355) = 397.24$, $p = .06$, RMSEA = .018, CFI = .97, TLI = .96. Significant findings revealed that genAI support positively predicted both genAI self-efficacy and valuing, with large effect sizes, while time pressure was a medium predictor of genAI valuing. Notably, student misbehavior did not correlate with genAI self-efficacy or valuing. Further analysis indicated that genAI self-efficacy and valuing were significant predictors of genAI integration into teaching (medium/large effect sizes) and student learning activities (large effect size). Background characteristics showed that less experienced teachers reported higher levels of student misbehavior and greater genAI self-efficacy and valuing. Teachers on longer-term contracts experienced more time pressure and greater genAI valuing. Additionally, secondary school teachers exhibited greater genAI support, lower time pressure, and higher student misbehavior. Personality traits such as openness and agreeableness were positively associated with genAI self-efficacy and valuing, respectively, while emotional instability correlated with increased time pressure and student misbehavior, as well as lower genAI self-efficacy. The study also identified three indirect associations involving genAI support leading to enhanced self-efficacy and valuing, which in turn facilitated greater integration of genAI in teaching and learning activities.
Results
The results indicate that the measurement models for generative AI (genAI) integration in teaching-related work and student activities demonstrated good fit, with chi-square values of $\chi^2[355] = 461.96$ (p < .001) and $\chi^2[355] = 397.24$ (p = .06), respectively. The Root Mean Square Error of Approximation (RMSEA) values were $0.029$ and $0.018$, while the Comparative Fit Index (CFI) and Tucker-Lewis Index (TLI) values were above $0.97$, suggesting robust measurement support. Reliability, as indicated by omega coefficients, was adequate for the scale scores, and measurement invariance was confirmed. Correlations among substantive factors revealed that genAI support was negatively correlated with time pressure and student misbehavior, which were positively interrelated. Additionally, genAI support showed positive associations with both genAI self-efficacy and valuing, as well as with the two types of genAI integration. Notably, genAI self-efficacy and valuing were positively correlated with each other and with the two types of integration. Other contextual factors did not show significant associations with genAI self-efficacy, valuing, or integration types. Further details on correlations involving background characteristics are available in the Supplementary Materials.
Discussion
In this section, the authors discuss the conceptual frameworks underpinning their study, primarily focusing on job demands-resources theory and conservation of resources theory. Job demands-resources theory posits that job resources, such as support from the workplace, enhance employee motivation and engagement, while job demands, like time pressure and disruptive student behavior, can hinder these factors. The authors highlight that in the context of generative AI (genAI), job resources are expected to facilitate teachers’ professional development and motivation to integrate this technology into their teaching practices. Conversely, job demands may either negatively impact motivation and engagement or, according to conservation of resources theory, prompt teachers to seek out technological tools like genAI to manage their workload and improve classroom dynamics.
The study aims to extend the understanding of genAI-related motivation and engagement among teachers by examining specific job resources and demands. It investigates the role of in-school support for genAI as a job resource and explores how time pressure and disruptive student behavior serve as job demands. The authors hypothesize that greater access to genAI support will enhance teachers’ motivation and engagement, while the job demands may have dual effects: negatively impacting motivation and engagement according to job demands-resources theory, but potentially fostering a proactive approach to using genAI as a resource in line with conservation of resources theory. The research design involves a longitudinal study with a sample of Australian teachers, assessing their perceptions of job resources and demands at the beginning of a school term and their subsequent motivation and engagement with genAI near the term’s end.
Limitations
The section on limitations highlights several critical factors that may affect the interpretation of the study’s findings regarding teachers’ perceptions of generative AI (genAI) support in educational settings. Firstly, the reliance on teachers’ perceptions underscores the need for future research to incorporate reports from multiple sources and observational data to better understand the actual levels of genAI support provided in schools. Secondly, the correlational design of the study, while theoretically grounded and assessed at two time points, necessitates experimental research to establish causality, particularly regarding the impact of genAI support on its integration in teaching practices.
Additionally, the study’s temporal scope was limited to one school term, suggesting that longitudinal research spanning an entire academic year could yield insights into how early interventions influence genAI self-efficacy and integration over time. The lack of consideration for the nesting of teachers within schools, due to the recruitment method, indicates a need for future studies to explore school-wide supports that may enhance genAI-related outcomes. Furthermore, the use of single-item scales for measuring integration variables calls for future research to employ multiple-item scales to mitigate measurement error. While the study’s context is specific to Australia, the findings may resonate with global teaching experiences, warranting further investigation into cross-cultural differences. Lastly, the gender composition of the sample, predominantly female, suggests a need for more inclusive research to ensure the generalizability of findings across different teacher demographics and to examine genAI-related job demands specifically.