DOI: https://doi.org/10.1007/s10639-026-13931-3
تاريخ النشر: 2026-03-12
المؤلف: Yujuan Luo وآخرون
الموضوع الرئيسي: الدافع والصورة الذاتية في الرياضة
نظرة عامة
تستكشف هذه الورقة البحثية العوامل التي تؤثر على استعداد محاضري الجامعات لتبني الذكاء الاصطناعي التوليدي (GAI) في التعليم العالي، من خلال دمج النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) مع نظرية تحديد الذات (SDT) والسمات الفردية مثل معرفة الذكاء الاصطناعي، وقيم التدريس، والابتكار الشخصي. تم تقييم مسح عرضي شمل 651 محاضرًا من البر الرئيسي للصين لمجموعة متنوعة من البنى، بما في ذلك توقع الأداء (PE)، وتوقع الجهد (EE)، والتأثير الاجتماعي (SI)، وظروف التيسير (FC)، واحتياجات SDT من الاستقلالية، والكفاءة، والترابط. استخدمت التحليل التحليلي التأكيدي وتحليل المعادلات الهيكلية لتقييم العلاقات بين هذه البنى.
تكشف النتائج أن SDT هو أقوى مؤشر على نية المحاضرين السلوكية لاستخدام GAI، حيث تلعب بنى UTAUT أيضًا أدوارًا مهمة. أثرت السمات الفردية، وخاصة قيم التدريس والابتكار الشخصي، بشكل إيجابي على النية والاستخدام الفعلي لـ GAI، بينما ارتبطت معرفة الذكاء الاصطناعي بكل من النية والاستخدام. تؤكد الدراسة على أهمية التنمية المهنية في التعلم المعزز بالتكنولوجيا (TEL) التي تعزز معرفة الذكاء الاصطناعي وكفاءة أعضاء هيئة التدريس، مما يعزز الاستقلالية والعلاقات الزملائية. وتخلص إلى أن الدعم المؤسسي الفعال ضروري للتكامل المسؤول لـ GAI في البيئات التعليمية، مشددة على أن تبني التكنولوجيا مدفوع أكثر بالعوامل التحفيزية من الحسابات العقلانية. يتم الاعتراف بحدود الدراسة، مما يقترح مجالات لمزيد من البحث.
مقدمة
تناقش مقدمة الورقة البحثية التكامل المتزايد للذكاء الاصطناعي التوليدي (GAI) في التعليم العالي (HE) وإمكاناته التحويلية، والتي تعتمد على مدى فعالية دمج المحاضرين لأدوات الذكاء الاصطناعي في ممارساتهم التعليمية. يتم تحديد المحاضرين كحراس رئيسيين في هذه العملية، مما يؤثر على الأساليب التربوية وتطوير كفاءات الذكاء الاصطناعي بين الطلاب، والتي تعتبر حاسمة لتوظيف الخريجين. يتم تسليط الضوء على سياق الصين، حيث تؤكد المبادرات الوطنية على دور الذكاء الاصطناعي في إصلاح التعليم، ومع ذلك تكشف الدراسات التجريبية عن تحديات مثل محدودية التنمية المهنية وعدم اليقين الأخلاقي بين المحاضرين بشأن تكامل الذكاء الاصطناعي.
لمعالجة هذه التحديات، تستخدم الدراسة النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) ونظرية تحديد الذات (SDT) لاستكشاف استعداد المحاضرين لتبني GAI. تهدف البحث إلى الإجابة على عدة أسئلة تتعلق بتأثير بنى UTAUT (مثل توقع الأداء وظروف التيسير) واحتياجات SDT النفسية (بما في ذلك الاستقلالية والكفاءة) على نوايا المحاضرين السلوكية والاستخدام الفعلي لـ GAI. من خلال دمج هذه الأطر مع السمات الفردية مثل معرفة الذكاء الاصطناعي والابتكار الشخصي، تسعى الدراسة إلى تقديم فهم شامل للعوامل التي تؤثر على تبني GAI. في النهاية، تهدف النتائج إلى إبلاغ التنمية المهنية والاستراتيجيات المؤسسية، مما يبرز الحاجة إلى تعزيز قدرات المحاضرين وخلق بيئات داعمة للتكامل المسؤول لـ GAI في التعليم.
النتائج
استخدمت نتائج الدراسة التحليل التحليلي التأكيدي (CFA) وتحليل المعادلات الهيكلية (SEM) لتقييم محددات استعداد المحاضرين لتبني أدوات الذكاء الاصطناعي التوليدي (GAI) في التعليم العالي. أظهر CFA، الذي تم إجراؤه باستخدام AMOS 26، خصائص قياس قوية مع مؤشرات ملاءمة تشير إلى توافق قوي مع التوقعات النظرية. تضمنت المقاييس الرئيسية نسبة مربع كاي إلى درجات الحرية ($\chi^2/df = 1.679$)، ومؤشر جودة الملاءمة (GFI = 0.904)، وجذر متوسط مربع خطأ التقريب (RMSEA = 0.032)، مما يشير جميعه إلى حد أدنى من عدم توافق النموذج. أكد التحليل على صحة القياس القوية، مع تحميلات عامل معيارية تتراوح من 0.671 إلى 0.901 وقيم ألفا كرونباخ تتراوح بين 0.807 و0.952، مما يشير إلى موثوقية داخلية مرضية.
كشف تحليل SEM عن علاقات مهمة بين البنى الأساسية التي تؤثر على النية السلوكية (BI) وسلوك الاستخدام الفعلي (UB) فيما يتعلق بتبني GAI. بشكل ملحوظ، ظهرت سهولة الاستخدام المدركة (EE)، وظروف التيسير (FC)، ونظرية تحديد الذات (SDT) كمتنبئين حاسمين لـ BI، حيث كانت SDT هي أقوى متنبئ ($\beta = 0.339$, $p < 0.001$). أشارت النتائج إلى أن نوايا المحاضرين لتبني GAI تتأثر بشكل كبير بتصوراتهم للفوائد التربوية، والدعم المؤسسي، والدافع الداخلي. علاوة على ذلك، وُجد أن BI كان متنبئًا قويًا لـ UB ($\beta = 0.457$, $p < 0.001$)، مما يبرز أهمية النية في التحول إلى الاستخدام الفعلي. توسع الدراسة إطار UTAUT من خلال دمج العوامل التحفيزية، مما يبرز دور SDT في تشكيل استعداد المحاضرين للابتكار في ممارساتهم التعليمية.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على الحاجة الملحة لاستكشاف الكفاءات المطلوبة للتكامل الفعال للذكاء الاصطناعي التوليدي (GAI) في التعليم العالي، مع التركيز بشكل خاص على استعداد أعضاء هيئة التدريس. يبرز أن المعلمين هم محور تشكيل تفاعل الطلاب مع الذكاء الاصطناعي، مما يؤثر بدوره على تجاربهم التعليمية ورفاهيتهم العامة. تشير الأدبيات إلى أن استعداد المحاضرين يشمل ليس فقط المهارات التقنية ولكن أيضًا التكيف التربوي، والاعتبارات الأخلاقية، والدعم المؤسسي. على الرغم من الجهود المؤسسية لتعزيز الذكاء الاصطناعي، يعبر العديد من المحاضرين عن عدم اليقين بشأن تطبيقه التربوي، والآثار الأخلاقية، وتحديات التقييم، مما يؤدي إلى أنماط تبني غير متساوية بين المعلمين.
تستخدم الورقة النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) كإطار لتحليل العوامل التي تؤثر على استعداد المحاضرين لتبني GAI. تحدد UTAUT المحددات الرئيسية مثل توقع الأداء، وتوقع الجهد، والتأثير الاجتماعي، وظروف التيسير، والتي تعتبر حاسمة في فهم نوايا المحاضرين السلوكية تجاه GAI. ومع ذلك، تدمج الدراسة أيضًا نظرية تحديد الذات (SDT) لمعالجة العوامل التحفيزية الداخلية، حيث تفترض أن تلبية الاحتياجات النفسية – الاستقلالية، والكفاءة، والترابط – تعزز من احتمال تبني GAI. بالإضافة إلى ذلك، يتم تحديد السمات الفردية مثل معرفة الذكاء الاصطناعي، وقيم التدريس، والابتكار الشخصي كعوامل مهمة تؤثر على الاستعداد بخلاف معتقدات القبول والحالات التحفيزية. تهدف البحث إلى تقديم إطار شامل يلتقط الطبيعة متعددة الأبعاد لاستعداد المحاضرين لتكامل GAI، مما يعالج في النهاية الفجوات في استعداد المعلمين ويعزز نتائج الطلاب في سياق تطور تقنيات الذكاء الاصطناعي.
القيود
تعترف الدراسة بعدة قيود منهجية قد تؤثر على نتائجها. أولاً، قد introduces استخدام مسح عبر الإنترنت عرضي إمكانية التحيز في طريقة الجمع، مما يحد من القدرة على استنتاج العلاقات السببية، حيث كانت البيانات مُبلغ عنها ذاتيًا وجُمعت في نقطة زمنية واحدة. ثانيًا، بينما يقدم عينة من 651 محاضرًا من البر الرئيسي للصين تمثيلًا واسعًا، فإن الاعتماد على العينة الملائمة يحد من إمكانية تعميم النتائج، خاصة بسبب العدد غير المحدد وتوزيع الجامعات المشاركة.
بالإضافة إلى ذلك، على الرغم من استخدام أدوات موثوقة، قد تكون الردود قد تأثرت بتحيز الرغبة الاجتماعية أو مستويات مختلفة من الألفة مع الذكاء الاصطناعي التوليدي (GAI) بين المشاركين في وقت جمع البيانات. أخيرًا، قد يغفل التركيز الحصري على المقاييس الكمية التجارب الدقيقة والسياقية التي تشكل توجهات المحاضرين التحفيزية واستعدادهم لتكامل GAI. لذلك، يوصي المؤلفون بدراسة متابعة نوعية مختلطة، ويفضل أن تكون ذات نهج طولي، لتعزيز فهم هذه الديناميكيات في الأبحاث المستقبلية.
DOI: https://doi.org/10.1007/s10639-026-13931-3
Publication Date: 2026-03-12
Author(s): Yujuan Luo et al.
Primary Topic: Motivation and Self-Concept in Sports
Overview
This research paper investigates the factors influencing university lecturers’ readiness to adopt generative artificial intelligence (GAI) in higher education, integrating the Unified Theory of Acceptance and Use of Technology (UTAUT) with Self-Determination Theory (SDT) and individual attributes such as AI literacy, teaching values, and personal innovativeness. A cross-sectional survey involving 651 lecturers from mainland China assessed various constructs, including performance expectancy (PE), effort expectancy (EE), social influence (SI), facilitating conditions (FC), and the SDT needs of autonomy, competence, and relatedness. The analysis utilized confirmatory factor analysis and structural equation modeling to evaluate the relationships among these constructs.
The findings reveal that SDT is the strongest predictor of lecturers’ behavioral intention to use GAI, with UTAUT constructs also playing significant roles. Individual attributes, particularly teaching values and personal innovativeness, positively influenced intention and actual use of GAI, while AI literacy was associated with both intention and usage. The study emphasizes the importance of professional development in Technology Enhanced Learning (TEL) that enhances faculty AI literacy and competence, fostering autonomy and collegial relationships. It concludes that effective institutional support is essential for the responsible integration of GAI in educational settings, highlighting that technology adoption is driven more by motivational factors than by rational calculations. Limitations of the study are acknowledged, suggesting areas for further research.
Introduction
The introduction of the research paper discusses the growing integration of generative artificial intelligence (GAI) in higher education (HE) and its transformative potential, which is contingent upon how effectively lecturers incorporate AI tools into their teaching practices. Lecturers are identified as pivotal gatekeepers in this process, influencing pedagogical methods and the development of AI competencies among students, which are crucial for graduate employability. The context of China is highlighted, where national initiatives emphasize AI’s role in educational reform, yet empirical studies reveal challenges such as limited professional development and ethical uncertainties among lecturers regarding AI integration.
To address these challenges, the study employs the Unified Theory of Acceptance and Use of Technology (UTAUT) and Self-Determination Theory (SDT) to explore lecturers’ readiness for GAI adoption. The research aims to answer several questions regarding the influence of UTAUT constructs (such as performance expectancy and facilitating conditions) and SDT psychological needs (including autonomy and competence) on lecturers’ behavioral intentions and actual GAI use. By integrating these frameworks with individual attributes like AI literacy and personal innovativeness, the study seeks to provide a comprehensive understanding of the factors affecting GAI adoption. Ultimately, the findings aim to inform professional development and institutional strategies, emphasizing the need for universities to enhance lecturers’ capabilities and create supportive environments for responsible GAI integration in teaching.
Results
The results of the study employed confirmatory factor analysis (CFA) and structural equation modeling (SEM) to assess the determinants of lecturers’ readiness to adopt Generative Artificial Intelligence (GAI) tools in higher education. The CFA, conducted using AMOS 26, demonstrated robust measurement properties with fit indices indicating a strong alignment with theoretical expectations. Key metrics included a chi-square to degrees-of-freedom ratio ($\chi^2/df = 1.679$), Goodness-of-Fit Index (GFI = 0.904), and Root Mean Square Error of Approximation (RMSEA = 0.032), all suggesting minimal model misfit. The analysis confirmed strong measurement validity, with standardized factor loadings ranging from 0.671 to 0.901 and Cronbach’s alpha values between 0.807 and 0.952, indicating satisfactory internal reliability.
The SEM analysis revealed significant relationships among core constructs influencing behavioral intention (BI) and actual usage behavior (UB) regarding GAI adoption. Notably, perceived ease of use (EE), facilitating conditions (FC), and self-determination theory (SDT) emerged as critical predictors of BI, with SDT being the strongest predictor ($\beta = 0.339$, $p < 0.001$). The findings indicated that lecturers' intentions to adopt GAI are significantly influenced by their perceptions of pedagogical benefits, institutional support, and intrinsic motivation. Furthermore, BI was found to be a strong predictor of UB ($\beta = 0.457$, $p < 0.001$), underscoring the importance of intention in translating to actual usage. The study extends the UTAUT framework by integrating motivational factors, highlighting the role of SDT in shaping lecturers' readiness to innovate in their teaching practices.
Discussion
The discussion section of the research paper emphasizes the critical need to explore the competencies required for effective integration of generative AI (GAI) in higher education, particularly focusing on faculty readiness. It highlights that educators are pivotal in shaping students’ engagement with AI, which in turn affects their learning experiences and overall well-being. The literature indicates that lecturer readiness encompasses not only technical skills but also pedagogical adaptation, ethical considerations, and institutional support. Despite institutional efforts to promote AI, many lecturers express uncertainty regarding its pedagogical application, ethical implications, and assessment challenges, leading to uneven adoption patterns among educators.
The paper employs the Unified Theory of Acceptance and Use of Technology (UTAUT) as a framework to analyze the factors influencing lecturers’ readiness for GAI adoption. UTAUT identifies key determinants such as performance expectancy, effort expectancy, social influence, and facilitating conditions, which are crucial in understanding lecturers’ behavioral intentions towards GAI. However, the study also integrates Self-Determination Theory (SDT) to address intrinsic motivational factors, positing that fulfilling psychological needs—autonomy, competence, and relatedness—enhances the likelihood of GAI adoption. Additionally, individual attributes such as AI literacy, teaching values, and personal innovativeness are identified as significant factors influencing readiness beyond acceptance beliefs and motivational states. The research aims to provide a comprehensive framework that captures the multifaceted nature of lecturer readiness for GAI integration, ultimately addressing gaps in educator preparedness and enhancing student outcomes in the context of evolving AI technologies.
Limitations
The study acknowledges several methodological limitations that may impact its findings. Firstly, the use of a cross-sectional online survey introduces the potential for common method bias, which limits the ability to draw causal inferences, as data were self-reported and collected at a single time point. Secondly, while the sample of 651 lecturers from mainland China offers broad representation, the reliance on convenience sampling restricts the generalizability of the results, particularly due to the unspecified number and distribution of participating universities.
Additionally, despite employing validated instruments, the responses may have been influenced by social desirability bias or varying levels of familiarity with Generative Artificial Intelligence (GAI) among participants at the time of data collection. Lastly, the exclusive focus on quantitative measures may overlook the nuanced and contextual experiences that shape lecturers’ motivational orientations and readiness for GAI integration. Therefore, the authors recommend a mixed-methods qualitative follow-up study, ideally with a longitudinal approach, to enrich the understanding of these dynamics in future research.