DOI: https://doi.org/10.1057/s41599-026-07392-9
تاريخ النشر: 2026-04-27
المؤلف: Qingchao Ke وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة العوامل التي تؤثر على نوايا المعلمين في استخدام منصات المحاكاة الافتراضية في التعليم، باستخدام إطار متكامل يتضمن نموذج قبول التكنولوجيا (TAM) ونظرية التعلم الاجتماعي (SCT) والنظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT). من خلال تحليل 266 استجابة صالحة باستخدام نمذجة المعادلات الهيكلية (SEM)، تكشف الأبحاث أن الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEU) تؤثر بشكل كبير على نوايا التبني. بالإضافة إلى ذلك، وُجد أن دعم المنصة (PS) ومعرفة الذكاء الاصطناعي (AIL) والكفاءة الذاتية (SE) لها تأثيرات غير مباشرة على هذه النوايا.
حدد التحليل الإضافي باستخدام تحليل المقارنة النوعية باستخدام مجموعة غامضة (fsQCA) خمسة تكوينات سببية متميزة تؤدي إلى نية سلوكية عالية. ومن الجدير بالذكر أن AIL و PU ظهرا كشرطين أساسيين ضروريين عبر جميع الحلول المحددة. تسهم هذه النتائج في الفهم النظري لتبني التكنولوجيا في البيئات التعليمية وتوفر رؤى عملية لتعزيز دمج أدوات الذكاء الاصطناعي من قبل المعلمين في بيئات K-12.
مقدمة
سلط التقدم السريع في تكنولوجيا الذكاء الاصطناعي (AI) الضوء على أهمية التعليم في الذكاء الاصطناعي في الاقتصادات الكبرى، بما في ذلك الولايات المتحدة والصين ودول الاتحاد الأوروبي، مما يقدم فرصًا وتحديات للتنفيذ (Rawas, 2025). في قوانغتشو، اعتمدت أكثر من 1,000 مدرسة مناهج الذكاء الاصطناعي، مما دفع الحكومة البلدية لتطوير منصة محاكاة افتراضية لتخفيف العبء المالي لمتطلبات الأجهزة. هذه المنصة المبتكرة، التي تدمج خوارزميات الذكاء الاصطناعي المتقدمة مع موارد تعليمية واسعة، قد ضاقت الفجوة التعليمية بين الحضر والريف بشكل فعال وتدعمها سياسات تحفيزية لتعزيز استخدام التعليم في الذكاء الاصطناعي.
تستكشف هذه الدراسة العوامل التي تؤثر على تبني المعلمين لمنصة المحاكاة الافتراضية للذكاء الاصطناعي وتفحص التوافق بين السياسات التعليمية ونوايا المعلمين لاستخدام هذه التكنولوجيا. تميز المنصة نفسها عن الأدوات التعليمية التقليدية من خلال تصميمها خصيصًا لدورات الذكاء الاصطناعي في K-12، حيث تقدم موارد متوافقة مع المناهج الدراسية، وتسهّل إنشاء والتفاعل مع نماذج ثلاثية الأبعاد. يبرز الاستخدام الأسبوعي الإلزامي لهذه المنصة من قبل معلمي الذكاء الاصطناعي في قوانغتشو تطبيقها الواسع وفعاليتها المقصودة. تهدف الأبحاث إلى معالجة فجوة حاسمة من خلال استكشاف المحركات وراء قبول المعلمين لمنصات المحاكاة الافتراضية ضمن سياق مدفوع بالسياسات، باستخدام أطر نظرية متعددة وطرق مختلطة لتحليل التفاعل بين الصفات الشخصية والمناخ التنظيمي والسياسات التعليمية في تبني التكنولوجيا (Liu, Hu, & Ng, 2025; Radhamani, Kumar, & Nizar, 2021).
طرق
يحدد قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المشاركين، والمواد المستخدمة، والإجراءات المحددة المتبعة لضمان الموثوقية والصلاحية. تم إجراء تحليلات إحصائية لتقييم البيانات، باستخدام تقنيات مثل تحليل الانحدار واختبار الفرضيات لاستخلاص استنتاجات ذات مغزى من النتائج.
بالإضافة إلى ذلك، يصف القسم النماذج الرياضية المستخدمة لتفسير النتائج، بما في ذلك أي معادلات أو خوارزميات ذات صلة. تؤكد المنهجية على أهمية القابلية للتكرار والشفافية، حيث توفر تفاصيل كافية للباحثين الآخرين لإعادة إنتاج الدراسة. بشكل عام، فإن الطرق المستخدمة قوية وتتوافق مع أفضل الممارسات في هذا المجال، مما يسهم في مصداقية نتائج البحث.
نتائج
تكشف نتائج تحليل fsQCA عن تكوينات هامة تؤثر على نوايا المعلمين لاستخدام التجارب الافتراضية، كما هو موضح في الجدول 7. وفقًا للمنهجيات التي وضعتها Fiss (2011) وRagin (2008)، يميز التحليل بين الشروط الأساسية والهامشية، حيث تكون الشروط الأساسية موجودة في كل من الحلول البسيطة والمتوسطة. تشير النتائج إلى أن الجمع بين معرفة الذكاء الاصطناعي العالية (AIL) والفائدة المدركة العالية (PU) يشكل تكوينًا أساسيًا يؤدي إلى نية سلوكية عالية (BI) لاستخدام منصات المحاكاة الافتراضية للذكاء الاصطناعي.
علاوة على ذلك، توضح التكوينات S1 إلى S5 علاقات بديلة مختلفة بين الشروط. على سبيل المثال، تشير S1 و S2 إلى أن الفائدة المدركة العالية (PS) والكفاءة الذاتية العالية (SE) يمكن أن تعزز BI بالتبادل، بينما تشير S3 و S4 إلى أن التأثير الاجتماعي العالي (SI) يمكن أن يحل محل SE المنخفض. ومن الجدير بالذكر أن S5 تظهر أن BI العالية يمكن تحقيقها أيضًا في ظل ظروف من SI المنخفض و SE المنخفض، بشرط أن تكون هناك AIL عالية و PU عالية، حتى في غياب سهولة الاستخدام المدركة (PEU). بشكل عام، تظهر التكوينات اتساقًا وتغطية عالية، مما يبرز قوة النموذج في التنبؤ بنوايا المعلمين للتفاعل مع منصات المحاكاة الافتراضية للذكاء الاصطناعي.
نقاش
يسلط قسم النقاش في هذه الورقة البحثية الضوء على أربع مساهمات هامة لفهم تبني منصات المحاكاة الافتراضية للذكاء الاصطناعي من قبل المعلمين في بيئات K-12. أولاً، يقدم إطارًا نظريًا متكاملًا يجمع بين العوامل البيئية (التأثير الاجتماعي ودعم المنصة)، والخصائص الفردية (الكفاءة الذاتية ومعرفة الذكاء الاصطناعي)، ومتغيرات قبول التكنولوجيا (الفائدة المدركة وسهولة الاستخدام المدركة). يعالج هذا النهج التحليلات المجزأة السابقة لمحركات التبني. ثانيًا، تستخدم الدراسة تحليل المقارنة النوعية باستخدام مجموعة غامضة (fsQCA) لكشف خمسة مسارات متميزة نحو نية التبني العالية، مما يبرز التفاعل المعقد بين هذه المتغيرات بدلاً من الاعتماد فقط على العلاقات الخطية.
ثالثًا، يجسر الجمع بين نمذجة المعادلات الهيكلية (SEM) ومنهجيات fsQCA بين الأنماط التحليلية المتماثلة وغير المتماثلة، مما يوفر رؤى حول تأثيرات مستوى المتغيرات والتكوينات السببية الشاملة. تشير النتائج إلى أن دعم المنصة يعزز بشكل كبير الفائدة المدركة وسهولة الاستخدام المدركة، مما يتماشى مع الأدبيات الحالية حول أهمية الظروف البيئية في تبني التكنولوجيا. أخيرًا، تضع الدراسة هذه الآليات في سياق بيئة K-12 المدفوعة بالسياسات، مقدمة رؤى قابلة للتنفيذ لتوافق السياسات التعليمية مع الاحتياجات العملية للمعلمين. ومن الجدير بالذكر أن النتائج تشير إلى أن الجمع بين معرفة الذكاء الاصطناعي العالية والفائدة المدركة أمر حاسم لتعزيز نية سلوكية عالية لاستخدام هذه المنصات، مما يشير إلى أن الدعم والتدريب المخصص يمكن أن يعزز دمج التكنولوجيا في البيئات التعليمية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث المستقبلي بشأن نوايا المعلمين لاستخدام منصات المحاكاة الافتراضية. أولاً، يقيّد التصميم العرضي القدرة على إقامة علاقات سببية، مما يشير إلى أن الدراسات الطولية يمكن أن توفر رؤى حول كيفية تطور هذه النوايا بمرور الوقت. ثانيًا، قد تفتقر النتائج إلى القابلية للتعميم نظرًا لأن البيانات تم الحصول عليها من معلمين في مدينة صينية واحدة، مما يشير إلى الحاجة إلى تكرارها في سياقات ثقافية وسياسية متنوعة للتحقق من قوة نمذجة المعادلات الهيكلية (SEM) وتحليل المقارنة النوعية باستخدام مجموعة غامضة (fsQCA) المستخدمة.
بالإضافة إلى ذلك، قد لا تعكس الاعتماد على النوايا السلوكية المبلغ عنها ذاتيًا الاستخدام الفعلي بدقة، مما يدفع الأبحاث المستقبلية إلى دمج بيانات موضوعية، مثل سجلات النظام، للتحقق. يركز العينة على المعلمين العاملين ذوي الخبرة السابقة، مما يستبعد وجهات نظر غير المتبنين والمعلمين في مرحلة ما قبل الخدمة، مما يشير إلى أن الدراسات المقارنة يمكن أن تعزز فهم الحواجز والمحفزات لدمج التكنولوجيا. أخيرًا، بينما يعد fsQCA فعالًا في تحديد المسارات الكافية للنتائج، فإنه لا يختبر الضرورة السببية؛ وبالتالي، يُوصى بتصميمات تجريبية أو شبه تجريبية للتحقيقات المستقبلية لتقييم التأثيرات السببية للمسارات المحددة بدقة.
DOI: https://doi.org/10.1057/s41599-026-07392-9
Publication Date: 2026-04-27
Author(s): Qingchao Ke et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the factors influencing AI teachers’ intentions to adopt virtual simulation platforms in education, utilizing an integrated framework comprising the Technology Acceptance Model (TAM), Social Cognitive Theory (SCT), and the Unified Theory of Acceptance and Use of Technology (UTAUT). Analyzing 266 valid responses through Structural Equation Modelling (SEM), the research reveals that perceived usefulness (PU) and perceived ease of use (PEU) significantly impact adoption intentions. Additionally, platform support (PS), artificial intelligence literacy (AIL), and self-efficacy (SE) were found to have indirect effects on these intentions.
Further analysis using Fuzzy-set Qualitative Comparative Analysis (fsQCA) identified five distinct causal configurations that lead to high behavioral intention. Notably, AIL and PU emerged as necessary core conditions across all identified solutions. These findings contribute to the theoretical understanding of technology adoption in educational settings and provide practical insights for enhancing the integration of AI tools by teachers in K-12 environments.
Introduction
The rapid advancement of artificial intelligence (AI) technology has highlighted the importance of AI education in major economies, including the US, China, and EU member states, presenting both opportunities and challenges for implementation (Rawas, 2025). In Guangzhou, over 1,000 schools have adopted AI curricula, prompting the municipal government to develop a virtual simulation platform to alleviate the financial burden of hardware requirements. This innovative platform, which integrates advanced AI algorithms with extensive educational resources, has effectively narrowed the urban-rural education gap and is supported by incentive policies to enhance the uptake of AI education.
This study investigates the factors influencing teachers’ adoption of the AI virtual simulation platform and examines the alignment between educational policies and teachers’ intentions to utilize this technology. The platform distinguishes itself from traditional educational tools by being specifically designed for K-12 AI courses, offering curriculum-aligned resources, and facilitating the creation and interaction with 3D models. The mandated weekly use of this platform by AI teachers in Guangzhou underscores its intended widespread application and effectiveness. The research aims to address a critical gap by exploring the drivers behind educators’ acceptance of virtual simulation platforms within a policy-driven context, employing multi-theoretical frameworks and mixed methods to analyze the interplay of personal traits, organizational climate, and educational policies in technology adoption (Liu, Hu, & Ng, 2025; Radhamani, Kumar, & Nizar, 2021).
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of participants, materials used, and the specific procedures followed to ensure reliability and validity. Statistical analyses were conducted to evaluate the data, employing techniques such as regression analysis and hypothesis testing to draw meaningful conclusions from the results.
Additionally, the section describes the mathematical models utilized to interpret the findings, including any relevant equations or algorithms. The methodology emphasizes the importance of replicability and transparency, providing sufficient detail for other researchers to reproduce the study. Overall, the methods employed are robust and align with best practices in the field, contributing to the credibility of the research outcomes.
Results
The results of the fsQCA analysis reveal significant configurations influencing teachers’ intentions to use virtual experiments, as detailed in Table 7. Following the methodologies established by Fiss (2011) and Ragin (2008), the analysis distinguishes between core and peripheral conditions, with core conditions being present in both the parsimonious and intermediate solutions. The findings indicate that the combination of high Artificial Intelligence Literacy (AIL) and high Perceived Usefulness (PU) constitutes a core configuration leading to high Behavioral Intention (BI) to utilize AI virtual simulation platforms.
Moreover, configurations S1 through S5 illustrate various substitutive relationships among conditions. For instance, S1 and S2 suggest that high Perceived Satisfaction (PS) and high Self-Efficacy (SE) can interchangeably enhance BI, while S3 and S4 indicate that high Social Influence (SI) can substitute for low SE. Notably, S5 demonstrates that high BI can still be achieved under conditions of low SI and low SE, provided there is high AIL and high PU, even in the absence of Perceived Ease of Use (PEU). Overall, the configurations exhibit high consistency and coverage, underscoring the robustness of the model in predicting teachers’ intentions to engage with AI virtual simulation platforms.
Discussion
The discussion section of this research paper highlights four significant contributions to understanding the adoption of AI virtual simulation platforms by educators in K-12 settings. Firstly, it presents an integrated theoretical framework that combines environmental factors (social influence and platform support), individual characteristics (self-efficacy and artificial intelligence literacy), and technology acceptance variables (perceived usefulness and perceived ease of use). This approach addresses previous fragmented analyses of adoption drivers. Secondly, the study employs fuzzy-set qualitative comparative analysis (fsQCA) to reveal five distinct pathways to high adoption intention, emphasizing the complex interplay among these variables rather than relying solely on linear relationships.
Thirdly, the combination of structural equation modeling (SEM) and fsQCA methodologies bridges symmetric and asymmetric analytical paradigms, providing insights into both variable-level effects and holistic causal configurations. The findings indicate that platform support significantly enhances perceived usefulness and perceived ease of use, aligning with existing literature on the importance of environmental conditions in technology adoption. Lastly, the study contextualizes these mechanisms within a policy-driven K-12 environment, offering actionable insights for aligning educational policies with teachers’ practical needs. Notably, the results suggest that a combination of high artificial intelligence literacy and perceived usefulness is crucial for fostering high behavioral intention to use these platforms, indicating that tailored support and training could enhance technology integration in educational settings.
Limitations
The limitations of this study highlight several areas for future research regarding teachers’ intentions to use virtual simulation platforms. Firstly, the cross-sectional design restricts the ability to establish causal relationships, suggesting that longitudinal studies could provide insights into how these intentions evolve over time. Secondly, the findings may lack generalizability due to the data being sourced from teachers in a single Chinese city, indicating a need for replication in diverse cultural and policy contexts to validate the robustness of the structural equation modeling (SEM) and fuzzy-set qualitative comparative analysis (fsQCA) employed.
Additionally, the reliance on self-reported behavioral intentions may not accurately reflect actual usage, prompting future research to incorporate objective data, such as system logs, for validation. The sample’s focus on in-service teachers with prior experience excludes the perspectives of non-adopters and pre-service teachers, suggesting that comparative studies could enrich understanding of the barriers and facilitators of technology integration. Finally, while fsQCA is effective for identifying sufficient pathways to outcomes, it does not test causal necessity; thus, experimental or quasi-experimental designs are recommended for future investigations to rigorously assess the causal effects of the identified pathways.