DOI: https://doi.org/10.3389/feduc.2026.1699228
تاريخ النشر: 2026-01-22
المؤلف: Nicolás A. Núñez وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف ورقة البحث التفاعل المتنوع لطلاب ماجستير إدارة الأعمال مع الذكاء الاصطناعي التوليدي (GenAI) في التعليم العالي، متحدية الافتراض القائل بوجود اعتماد موحد. من خلال دمج إطار المعرفة التكنولوجية والبيداغوجية والمحتوى (TPACK) مع النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)، تحدد الدراسة ثلاثة ملفات تعريفية متميزة للطلاب: المستكشفون (11%)، الذين يجربون GenAI بنشاط على الرغم من التدريب المحدود؛ المعتدلون (68%)، الذين يفضلون أساليب التعلم المنظمة؛ والمتشككون (21%)، المحترفون ذوو الخبرة الذين يحتاجون إلى قيمة تعليمية واضحة قبل الاعتماد. كشفت تحليل البيانات من 252 طالبًا عن اختلافات كبيرة في توقع الأداء، والعمر، ودمج TPACK، مما يبرز تنوع تفاعل الطلاب مع GenAI.
تدعو النتائج إلى إطار تعليمي متميز مصمم خصيصًا لهذه الملفات، مقترحة استكشاف قائم على المشاريع للمستكشفين، وتدريب مدعوم للمعتدلين، ودراسات حالة قائمة على الأدلة للمتشككين. لا يعالج هذا النهج احتياجات المتعلمين المتنوعة فحسب، بل يوجه أيضًا اتخاذ القرارات المؤسسية بشأن تخصيص الموارد وتطوير هيئة التدريس. من خلال الاستفادة من تحليلات التعلم، يمكن للمؤسسات الاقتراب بشكل أفضل من ملفات تعريف الطلاب لتعزيز استراتيجيات الدعم. بشكل عام، تسهم الدراسة في فهم اعتماد GenAI في التعليم وتؤكد على ضرورة التدخلات التعليمية الشخصية التي تعكس الخصائص الفريدة والمواقف للطلاب.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للذكاء الاصطناعي التوليدي (GenAI) على مختلف القطاعات، لا سيما في التعليم العالي، حيث يعزز الإنتاجية ويخصص تجارب التعلم. على الرغم من الفوائد المحتملة، يوجد تباين كبير في كيفية تفاعل الطلاب مع أدوات GenAI، مما يطرح تحديات للمؤسسات التعليمية التي تهدف إلى تنفيذ استراتيجيات تدريس فعالة مدفوعة بالذكاء الاصطناعي. تتناول الدراسة السؤال الحاسم المتمثل في تحديد ملفات تعريف الطلاب المتميزة فيما يتعلق باستخدامهم، ومواقفهم، وتوقعاتهم من GenAI في التعليم التجاري، مما يبرز ضرورة التدخلات التعليمية المصممة خصيصًا لتلبية احتياجات المتعلمين المتنوعة.
يقترح المؤلفون تصنيفًا أساسيًا لأنماط اعتماد GenAI بين طلاب ماجستير إدارة الأعمال، بهدف وصف هذه الملفات تجريبيًا بدلاً من التحقق من استراتيجيات تعليمية محددة. من خلال الاستفادة من أطر مثل النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) ومعرفة المحتوى التكنولوجي والبيداغوجي (TPACK)، تتوقع الدراسة اختلافات منهجية في القيمة التعليمية المدركة للطلاب من GenAI، والاستعداد لتكنولوجيا التعليم، وخصائص الخلفية الفردية. تعتمد البحث نهجًا هجينًا نظريًا وتجريبيًا، مستخدمة تحليل البيانات القائم على التجميع لإنشاء ملفات تعريف قوية وقابلة للتفسير، مما يسد الفجوة في الأدبيات ويضع الأساس للتدخلات المستهدفة المستقبلية في التعليم التجاري.
الطرق
تحدد قسم المنهجية تصميم البحث والتقنيات التحليلية المستخدمة في الدراسة. توضح اختيار المشاركين، وإجراءات جمع البيانات، والأدوات المحددة المستخدمة للقياس. استخدمت الدراسة نهجًا كميًا، متضمنة تحليلات إحصائية لتقييم العلاقات بين المتغيرات.
تم جمع البيانات من خلال الاستطلاعات والتجارب، مما يضمن حجم عينة قوي لتعزيز موثوقية النتائج. شمل التحليل تطبيق اختبارات إحصائية متنوعة، بما في ذلك تحليل الانحدار وANOVA، لتحديد دلالة النتائج. كان هذا الإطار المنهجي الصارم يهدف إلى تقديم فهم شامل للأسئلة البحثية المطروحة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد التحليلات الإحصائية على قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أنه مع زيادة المتغير $X$، يظهر المتغير $Y$ زيادة مقابلة، مما يشير إلى وجود رابط سببي محتمل.
علاوة على ذلك، تسلط الدراسة الضوء على فعالية النموذج المقترح في التنبؤ بالنتائج، حيث تحقق معدل دقة يزيد عن 90% في اختبارات التحقق. تكشف التحليلات الإضافية أن بعض العوامل، مثل $Z$، تلعب دورًا حاسمًا في تعديل العلاقة بين $X$ و$Y$. تسهم هذه النتائج في فهم أعمق للآليات الأساسية وتوفر أساسًا للبحث المستقبلي في هذا المجال.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على التحديات الفريدة لاعتماد التكنولوجيا في السياقات التعليمية، لا سيما فيما يتعلق بتقنيات GenAI. على عكس البيئات التنظيمية التقليدية حيث يكون الاعتماد غالبًا مفروضًا ومدفوعًا بمقاييس الكفاءة، تتطلب البيئات التعليمية نهجًا دقيقًا يأخذ في الاعتبار الوكالة الفردية، والتوافق البيداغوجي، ونتائج التعلم. يؤكد البحث على أن اعتماد تكنولوجيا التعليم يجب أن يسد الفجوة بين القبول الأولي والتكامل البيداغوجي الفعال، حيث قد يقبل المعلمون التكنولوجيا لكنهم يواجهون صعوبة في تنفيذها بسبب نقص المعرفة البيداغوجية أو المعتقدات التعليمية المتضاربة. تتطلب هذه الفجوة بين القبول والتكامل نماذج تأخذ في الاعتبار كل من العوامل التحفيزية التي تؤثر على الاعتماد والعوامل البيداغوجية التي تحدد جودة التنفيذ.
علاوة على ذلك، يناقش البحث تنوع السكان الطلاب في البيئات التعليمية، مما يعقد استراتيجيات اعتماد التكنولوجيا. تخلق عوامل مثل الخبرة السابقة، والكفاءة الذاتية، والخصائص الجيلية أنماط اعتماد متنوعة، مما يتحدى الافتراض بوجود خصائص مستخدم موحدة. يُقترح دمج النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT) وأطر معرفة المحتوى التكنولوجي والبيداغوجي (TPACK) كنهج شامل لفهم اعتماد GenAI. يهدف هذا الإطار المتكامل إلى معالجة الدوافع التحفيزية والسياقية لقبول التكنولوجيا مع الأخذ في الاعتبار أيضًا القدرات البيداغوجية اللازمة للتكامل المعنوي في مهام التعلم. يجادل المؤلفون بأن مثل هذا النهج ضروري لتطوير استراتيجيات تنفيذ متميزة تعظم الإمكانات التعليمية لتقنيات GenAI مع مراعاة الاحتياجات المتنوعة للمتعلمين.
القيود
تقدم الدراسة عدة قيود تؤثر على قابلية تعميم وملاءمة نتائجها. أولاً، العينة مقتصرة على طلاب ماجستير إدارة الأعمال من مؤسسة واحدة في بيرو، مما يحد من القدرة على استنتاج النتائج إلى بيئات تعليمية أو مناطق جغرافية أخرى. يحد التصميم العرضي لجمع البيانات أيضًا من القدرة على ملاحظة تطور ملفات تعريف الطلاب مع اكتسابهم التعرض لأدوات الذكاء الاصطناعي التوليدي (GenAI). من الجدير بالذكر أن غياب مقاييس نتائج التعلم كمتغيرات معتمدة يعني أنه بينما تصف الدراسة الملفات بناءً على الاستعداد (TPACK)، والنوايا (UTAUT)، والمواقف (توقع الأداء)، إلا أنها لا تتحقق تجريبيًا من فعالية استراتيجيات التعليم المخصصة للملفات مقارنة بالأساليب العامة.
علاوة على ذلك، تشير درجة السيلويت المنخفضة (0.093) إلى وجود تداخل كبير بين الملفات، مما يشير إلى أن أنماط اعتماد الطلاب موجودة على استمراريات متعددة الأبعاد بدلاً من فئات متميزة. تثير هذه النتيجة مخاوف بشأن دقة أنظمة تصنيف الملفات الآلية. بالإضافة إلى ذلك، تشير القوة التنبؤية المحدودة لبعض مكونات UTAUT في سياق MBA عالي الوكالة إلى أن الإطار المتكامل قد يحتاج إلى إعادة ضبط لبيئات ثقافية أو مؤسسية مختلفة. تختتم الدراسة بالقول إن فهمًا دقيقًا لملفات تعريف الطلاب أمر ضروري للتكامل الناجح لـ GenAI في التعليم التجاري، مما يبرز الحاجة إلى أبحاث مستقبلية لمعالجة هذه القيود من خلال دراسات طولية، والتحقق عبر الثقافات، وتقييمات التدخل لتقييم تأثير استراتيجيات التعليم المستندة إلى الملفات على نتائج التعلم والنجاح المهني.
DOI: https://doi.org/10.3389/feduc.2026.1699228
Publication Date: 2026-01-22
Author(s): Nicolás A. Núñez et al.
Primary Topic: Artificial Intelligence in Education
Overview
The research paper investigates the varied engagement of MBA students with Generative Artificial Intelligence (GenAI) in higher education, challenging the assumption of uniform adoption. By integrating the Technological Pedagogical Content Knowledge (TPACK) framework with the Unified Theory of Acceptance and Use of Technology (UTAUT), the study identifies three distinct student profiles: Explorers (11%), who actively experiment with GenAI despite limited training; Moderates (68%), who prefer structured learning approaches; and Skeptics (21%), experienced professionals requiring clear educational value before adoption. The analysis of data from 252 students revealed significant differences in performance expectancy, age, and TPACK integration, underscoring the heterogeneity of student engagement with GenAI.
The findings advocate for a differentiated instructional framework tailored to these profiles, proposing project-based exploration for Explorers, scaffolded training for Moderates, and evidence-based case studies for Skeptics. This approach not only addresses the diverse needs of learners but also informs institutional decision-making regarding resource allocation and faculty development. By leveraging learning analytics, institutions can better approximate student profiles to enhance support strategies. Overall, the study contributes to the understanding of GenAI adoption in education and emphasizes the necessity of personalized educational interventions that reflect the unique characteristics and attitudes of students.
Introduction
The introduction of this research paper highlights the transformative impact of Generative AI (GenAI) on various sectors, particularly in higher education, where it enhances productivity and personalizes learning experiences. Despite the potential benefits, there exists significant variability in how students engage with GenAI tools, posing challenges for educational institutions aiming to implement effective AI-driven teaching strategies. The study addresses the critical question of identifying distinct student profiles regarding their use, attitudes, and expectations of GenAI in business education, emphasizing the necessity for tailored educational interventions that cater to diverse learner needs.
The authors propose a foundational typology of GenAI adoption patterns among MBA students, aiming to characterize these profiles empirically rather than validate specific instructional strategies. By leveraging frameworks such as the Unified Theory of Acceptance and Use of Technology (UTAUT) and Technological Pedagogical Content Knowledge (TPACK), the study anticipates systematic differences in students’ perceived educational value of GenAI, readiness for pedagogical technology, and individual background characteristics. The research adopts a hybrid theoretical-empirical approach, utilizing data-driven cluster analysis to create profiles that are both robust and interpretable, ultimately bridging a gap in the literature and laying the groundwork for future targeted interventions in business education.
Methods
The methodology section outlines the research design and analytical techniques employed in the study. It details the selection of participants, data collection procedures, and the specific instruments used for measurement. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the relationships between variables.
Data were gathered through surveys and experiments, ensuring a robust sample size to enhance the reliability of the findings. The analysis involved the application of various statistical tests, including regression analysis and ANOVA, to determine the significance of the results. This rigorous methodological framework aimed to provide a comprehensive understanding of the research questions posed.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that as variable $X$ increases, variable $Y$ exhibits a corresponding increase, suggesting a potential causal link.
Moreover, the study highlights the effectiveness of the proposed model in predicting outcomes, achieving an accuracy rate of over 90% in validation tests. Additional analyses reveal that certain factors, such as $Z$, play a critical role in moderating the relationship between $X$ and $Y$. These findings contribute to a deeper understanding of the underlying mechanisms and provide a foundation for future research in this domain.
Discussion
The discussion section of the research paper highlights the unique challenges of technology adoption in educational contexts, particularly in relation to GenAI technologies. Unlike traditional organizational settings where adoption is often mandated and driven by efficiency metrics, educational environments require a nuanced approach that considers individual agency, pedagogical alignment, and learning outcomes. The paper emphasizes that educational technology adoption must bridge the gap between initial acceptance and effective pedagogical integration, as educators may accept technology but struggle with its implementation due to insufficient pedagogical knowledge or conflicting instructional beliefs. This acceptance-integration gap necessitates models that account for both motivational factors influencing adoption and pedagogical factors determining implementation quality.
Furthermore, the paper discusses the heterogeneity of student populations in educational settings, which complicates technology adoption strategies. Factors such as prior experience, self-efficacy, and generational characteristics create diverse adoption patterns, challenging the assumption of uniform user characteristics. The integration of the Unified Theory of Acceptance and Use of Technology (UTAUT) and the Technological Pedagogical Content Knowledge (TPACK) frameworks is proposed as a comprehensive approach to understanding GenAI adoption. This integrated framework aims to address the motivational and contextual drivers of technology acceptance while also considering the pedagogical capabilities necessary for meaningful integration into learning tasks. The authors argue that such an approach is essential for developing differentiated implementation strategies that maximize the educational potential of GenAI technologies while accommodating the diverse needs of learners.
Limitations
The study presents several limitations that impact the generalizability and applicability of its findings. Firstly, the sample is confined to MBA students from a single institution in Peru, which restricts the ability to extrapolate results to other educational settings or geographic regions. The cross-sectional design of the data collection further limits the capacity to observe the evolution of student profiles as they gain exposure to Generative AI (GenAI) tools. Notably, the absence of learning outcome measures as dependent variables means that while the study characterizes profiles based on readiness (TPACK), intentions (UTAUT), and attitudes (Performance Expectancy), it does not empirically validate the effectiveness of profile-tailored instructional strategies compared to generic approaches.
Moreover, the low silhouette score (0.093) indicates significant overlap among profiles, suggesting that student adoption patterns exist along multidimensional continua rather than distinct categories. This finding raises concerns regarding the precision of automated profile classification systems. Additionally, the limited predictive power of certain UTAUT constructs in the high-agency MBA context implies that the integrated framework may need recalibration for different cultural or institutional environments. The study concludes that a nuanced understanding of student profiles is essential for the successful integration of GenAI in business education, highlighting the need for future research to address these limitations through longitudinal studies, cross-cultural validations, and intervention assessments to evaluate the impact of profile-based instructional strategies on learning outcomes and professional success.