DOI: https://doi.org/10.3389/feduc.2026.1755301
تاريخ النشر: 2026-04-13
المؤلف: Tanjun Ma وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة نية استمرار المعلمين في التعليم الأساسي والثانوي (K-12) لاستخدام الذكاء الاصطناعي التوليدي (GenAI) في البيئات التعليمية، من خلال دمج نموذج تأكيد التوقعات لاستمرار نظم المعلومات مع المعرفة التربوية التكنولوجية (TPACK) ودمج متغيرات مثل الثقة، وجودة النظام، وجودة المحتوى. تم إجراء تحليل تجريبي باستخدام 1,220 استبيانًا صالحًا من المعلمين في الصين، باستخدام كل من نمذجة المعادلات الهيكلية (SEM) والشبكات العصبية الاصطناعية (ANN) لاستكشاف العلاقات الخطية وغير الخطية. تكشف النتائج الرئيسية أن نسبة كبيرة من المعلمين يستخدمون GenAI، حيث تتأثر نيتهم بشكل ملحوظ بالمنفعة المدركة، والرضا، والثقة، مع تسليط الضوء بشكل خاص على أن المعلمين الأكبر سنًا يظهرون نية أقل مقارنة بنظرائهم الأصغر سنًا.
تتعدد تداعيات الدراسة. من الناحية النظرية، تؤكد على دمج مختلف المفاهيم لشرح نية الاستمرار في تكنولوجيا التعليم، مما يشير إلى أن TPACK له التأثير الأقوى على نية الاستمرار. من الناحية العملية، تؤكد على الحاجة إلى تطوير مهني مستهدف، وخاصة برامج تدريبية متميزة حسب العمر تعزز التعاون بين المعلمين الأصغر والأكبر سنًا. تهدف هذه المقاربة إلى الاستفادة من المهارات التقنية للمعلمين الأصغر سنًا مع الاستفادة من الخبرة التربوية لزملائهم الأكبر سنًا. علاوة على ذلك، تدعو النتائج إلى تطوير خطط تنفيذ مرحلية من قبل السلطات التعليمية لتعزيز فهم المعلمين وتطبيقهم لـ GenAI، مما يعزز في النهاية العدالة التعليمية من خلال تقليل الفجوات في الوصول إلى الموارد عبر مناطق مختلفة.
مقدمة
تناقش مقدمة ورقة البحث التأثير التحويلي للذكاء الاصطناعي التوليدي (GenAI) على التعليم، مع تسليط الضوء على تطبيقاته في تخطيط الدروس، وإعداد المواد التعليمية، والتقييم، وتقديم الملاحظات (Fui-Hoon et al., 2023). كما يعزز GenAI عمليات البحث الأكاديمي، بما في ذلك صياغة المشكلات وصياغة المخطوطات (Susarla et al., 2023). بينما يمكن أن يحسن GenAI جودة كتابة الطلاب ويساعد المعلمين في تقديم الملاحظات، تثار مخاوف بشأن دقة المحتوى المولد، والتحيزات المحتملة، وقضايا النزاهة الأكاديمية (Bender et al., 2021; Kaplan-Rakowski et al., 2023). تؤكد الورقة على الحاجة إلى نهج متوازن يعترف بكل من الفوائد المحتملة والمخاطر المرتبطة بـ GenAI في السياقات التعليمية.
تركز الدراسة بشكل خاص على نية استمرار المعلمين في التعليم الأساسي والثانوي (K-12) لاستخدام GenAI، مستكشفة العوامل التي تؤثر على هذه النية والاختلافات عبر مجموعات المعلمين المختلفة في الصين. تشير إلى الفجوات الإقليمية الكبيرة في محو الأمية الرقمية بين المعلمين ونهج الحكومة الصينية من الأعلى إلى الأسفل في تعزيز GenAI في التعليم (وزارة التعليم في جمهورية الصين الشعبية، 2025a). تهدف الأبحاث إلى سد الفجوات في الأدبيات الحالية من خلال دمج نموذج تأكيد التوقعات لاستمرار نظم المعلومات (ECM-IS) مع المعرفة التربوية التكنولوجية (TPACK) لإنشاء إطار شامل يوضح كيف تؤثر كفاءات المعلمين ومعتقداتهم وثقتهم على نيتهم لاستخدام GenAI. تجمع المنهجية بين نمذجة المعادلات الهيكلية (SEM) والشبكات العصبية الاصطناعية (ANN) لتقييم كل من العلاقات الخطية وغير الخطية بين المتغيرات، بهدف في النهاية إبلاغ السياسات التعليمية وتعزيز التنمية المهنية للمعلمين من خلال GenAI.
الطرق
في هذا القسم، توضح الدراسة الأساليب التحليلية المستخدمة للتحقيق في محددات الذكاء الحسابي (CI) لدى المعلمين الصينيين في التعليم الأساسي والثانوي (K-12). تنتقد الدراسة قيود نمذجة المعادلات الهيكلية التقليدية (SEM)، التي، على الرغم من فعاليتها في اختبار العلاقات السببية المعقدة وتأثيرات الوساطة، تفترض الخطية بين المتغيرات وتكافح مع الأنماط غير الخطية (Kline, 2023). لمعالجة هذه القيود، تقترح الأدبيات الحديثة أساليب هجينة، مثل دمج نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) مع تحليل المقارنة النوعية باستخدام مجموعة ضبابية (fsQCA) ودمج SEM مع الشبكات العصبية الاصطناعية (ANN) (Foroughi et al., 2024; Jain and Raghuram, 2024).
تتبنى الدراسة نهج SEM-ANN الهجين، حيث تدمج نموذج قبول التكنولوجيا الموسع لنظم المعلومات (ECM-IS) وإطارات المعرفة التربوية التكنولوجية (TPACK)، مع تقديم متغيرات جديدة: الجاهزية التكنولوجية (TR)، وجودة الخدمة (SQ)، وجودة المحتوى (CQ). يهدف هذا النهج إلى تعزيز فهم كيفية تأثير هذه المتغيرات على نية الاستمرار لدى المعلمين، خاصة في سياق الذكاء الاصطناعي التوليدي في التعليم. تؤكد الأبحاث على أهمية قابلية تفسير النموذج، حيث تُعتبر الشبكات العصبية الاصطناعية غالبًا نماذج “صندوق أسود”، مما يعقد تفسير كيفية تأثير المتغيرات المدخلة على النتائج (Zhang et al., 2018). في النهاية، تهدف النتائج إلى إبلاغ التدابير السياسية التعليمية من خلال تقديم رؤى حول محددات نية الاستمرار في المشهد التعليمي المتطور.
النتائج
تشير نتائج الدراسة إلى توافق قوي بين نمذجة المعادلات الهيكلية (SEM) والشبكات العصبية الاصطناعية (ANN) في تصنيف أهمية المتنبئين. على وجه التحديد، في نماذج ANN A وD وE، كانت التصنيفات لمتنبئي السياق التعليمي (EC) ورضا المستخدم (US) ونية العميل (CI) متوافقة بشكل وثيق مع تلك المستمدة من التأثيرات الكلية لـ SEM، كما هو موضح في الجدول 9.
ومع ذلك، لوحظت بعض التباينات؛ في نموذج ANN B، اختلف تصنيف المنفعة المدركة (PU) قليلاً، على الرغم من أن الأهمية النسبية للمعرفة التربوية التكنولوجية (TPACK) وجودة الخدمة (SQ) وجودة الثقافة (CQ) وEC ظلت متسقة عبر كلا المنهجين. بالمثل، في نموذج ANN C، كانت التصنيفات لـ TPACK وCQ متسقة، بينما أظهرت SQ وPU اختلافات طفيفة ولكنها حافظت على أهمية تنبؤية قابلة للمقارنة. بشكل عام، تشير النتائج إلى أن SEM وANN تنتج أنماطًا متسقة إلى حد كبير من أهمية المتنبئين، مع وجود تباينات طفيفة فقط لبعض المتغيرات.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور المزدوج للذكاء الاصطناعي التوليدي (GenAI) في التعليم الأساسي والثانوي (K-12)، مع التأكيد على كل من فوائده المحتملة والمخاطر الكامنة فيه. يمكن أن يعزز GenAI تعلم الطلاب ويساعد المعلمين في مهام تعليمية متنوعة، مثل تخطيط الدروس والتقييم. ومع ذلك، يُلاحظ أن GenAI لا يولد أفكارًا جديدة حقًا وقد ينتج محتوى غير دقيق، مما يمكن أن يقوض الثقة بين المعلمين والطلاب. تؤكد الورقة على أهمية محو الأمية الرقمية لدى المعلمين في تقييم جودة مخرجات GenAI، مشيرة إلى أن تقييماتهم تؤثر بشكل كبير على ثقتهم في هذه التقنيات. علاوة على ذلك، تثار مخاوف بشأن انتهاكات الخصوصية وحقوق الملكية الفكرية المتعلقة باستخدام GenAI في البيئات التعليمية.
كما تحدد هذه القسم الفجوات في الأبحاث الحالية، وخاصة الحاجة إلى دراسات تركز على نية استمرار المعلمين في التعليم الأساسي والثانوي (K-12) لاستخدام GenAI. بينما استكشفت الدراسات السابقة القبول والنوايا السلوكية عبر سياقات تعليمية متنوعة، هناك نقص في الأبحاث الشاملة التي تفحص مجموعات المعلمين في مواد متعددة ضمن K-12. تقترح الورقة نموذجًا نظريًا يدمج الثقة (TR) وجودة المحتوى (CQ) وجودة النظام (SQ) لفهم أفضل للعوامل التي تؤثر على نية المعلمين نحو GenAI. يهدف هذا النموذج إلى معالجة تعقيدات اعتماد التكنولوجيا في التعليم الأساسي والثانوي (K-12)، مع التأكيد على الحاجة إلى مزيد من التحقيق في كيفية تشكيل تصورات المعلمين وتجاربهم لمشاركتهم المستمرة مع GenAI.
القيود
تقدم الدراسة عدة قيود قد تؤثر على صحة وعمومية نتائجها. أولاً، لم يتحكم الاستبيان عبر الإنترنت في التوزيع النسبي لفئات المعلمين، مما أدى إلى تمثيل ناقص لبعض الفئات العمرية والمناطق الجغرافية. بالإضافة إلى ذلك، تفتقر البيانات النوعية إلى دعم متعدد المنظورات، ويثير الاعتماد الأساسي على مقاييس التقرير الذاتي مخاوف بشأن دقة المتغيرات الأساسية. تلتقط الطبيعة العرضية للبيانات الحوادث الحرجة للمعلمين (CI) في نقطة زمنية واحدة، مما يحد من القدرة على تقييم التغيرات بمرور الوقت. علاوة على ذلك، نظرًا لأن العينة تأتي حصريًا من قطاع التعليم الأساسي والثانوي (K-12) في الصين، يُنصح بالحذر عند تعميم هذه النتائج على سياقات ثقافية أو تعليمية أخرى.
يجب أن تعالج الأبحاث المستقبلية هذه القيود من خلال تحسين التركيز على سيناريوهات محددة حيث يستخدم المعلمون في التعليم الأساسي والثانوي (K-12) الذكاء الاصطناعي التوليدي (GenAI) وتوظيف أخذ عينات طبقية لتعزيز التمثيل. سيوفر دمج التحليلات الديموغرافية متعددة المجموعات منظورًا أوسع. يُوصى بإجراء دراسات طولية للتحقيق في ديناميات نية المعلمين في التعليم الأساسي والثانوي (K-12) ومحدداتها على مر الزمن. منهجيًا، يجب أن تدمج التحقيقات المستقبلية الأساليب النوعية، مثل المقابلات والملاحظات، إلى جانب الأساليب المختلطة للحصول على رؤى أكثر دقة وشمولية.
DOI: https://doi.org/10.3389/feduc.2026.1755301
Publication Date: 2026-04-13
Author(s): Tanjun Ma et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates K-12 teachers’ continuance intention (CI) to use generative AI (GenAI) in educational settings, integrating the Expectation Confirmation Model of Information System Continuance with Technological Pedagogical Content Knowledge (TPACK) and incorporating variables such as trust, system quality, and content quality. An empirical analysis was conducted using 1,220 valid questionnaires from teachers in China, employing both structural equation modeling (SEM) and artificial neural networks (ANN) to explore linear and nonlinear relationships. Key findings reveal that a significant proportion of teachers are using GenAI, with their CI being notably influenced by perceived usefulness, satisfaction, and trust, particularly highlighting that older teachers exhibit lower CI compared to their younger counterparts.
The study’s implications are multifaceted. Theoretically, it validates the integration of various constructs to explain CI in educational technology, suggesting that TPACK has the strongest effect on CI. Practically, it emphasizes the need for targeted professional development, particularly age-differentiated training programs that foster collaboration between younger and older teachers. This approach aims to leverage the technical skills of younger educators while benefiting from the pedagogical experience of their senior colleagues. Furthermore, the findings advocate for the development of phased implementation plans by educational authorities to enhance teachers’ understanding and application of GenAI, ultimately promoting educational equity by reducing disparities in resource access across different regions.
Introduction
The introduction of the research paper discusses the transformative impact of Generation Artificial Intelligence (GenAI) on education, highlighting its applications in lesson planning, instructional material preparation, grading, and feedback provision (Fui-Hoon et al., 2023). GenAI also enhances academic research processes, including problem formulation and manuscript drafting (Susarla et al., 2023). While GenAI can improve students’ writing quality and assist teachers in providing feedback, concerns arise regarding the accuracy of generated content, potential biases, and issues of academic integrity (Bender et al., 2021; Kaplan-Rakowski et al., 2023). The paper emphasizes the need for a balanced approach that recognizes both the potential benefits and risks associated with GenAI in educational contexts.
The study specifically focuses on K-12 teachers’ Continuance Intention (CI) to use GenAI, exploring the factors influencing this intention and the variations across different teacher subgroups in China. It notes the significant regional disparities in digital literacy among teachers and the Chinese government’s top-down approach to promoting GenAI in education (Ministry of Education of the PRC, 2025a). The research aims to fill gaps in existing literature by integrating the Expectation Confirmation Model for Information System Continuance (ECM-IS) with Technological Pedagogical Content Knowledge (TPACK) to create a comprehensive framework that elucidates how teachers’ competencies, beliefs, and trust influence their CI to use GenAI. The methodology combines structural equation modeling (SEM) and artificial neural networks (ANN) to assess both linear and nonlinear relationships among the variables, ultimately aiming to inform educational policy and enhance teacher professional development through GenAI.
Methods
In this section, the research outlines the analytical methods utilized to investigate the determinants of Chinese K-12 teachers’ computational intelligence (CI). The study critiques the limitations of traditional Structural Equation Modeling (SEM), which, while effective for testing complex causal relationships and mediation effects, assumes linearity among variables and struggles with nonlinear patterns (Kline, 2023). To address these limitations, recent literature suggests hybrid approaches, such as combining Partial Least Squares SEM (PLS-SEM) with fuzzy-set Qualitative Comparative Analysis (fsQCA) and integrating SEM with Artificial Neural Networks (ANN) (Foroughi et al., 2024; Jain and Raghuram, 2024).
The study adopts a hybrid SEM-ANN approach, integrating the Extended Technology Acceptance Model for Information Systems (ECM-IS) and Technological Pedagogical Content Knowledge (TPACK) frameworks, while introducing new variables: Technological Readiness (TR), Service Quality (SQ), and Content Quality (CQ). This approach aims to enhance the understanding of how these variables influence CI among teachers, particularly in the context of Generative AI in education. The research emphasizes the importance of model interpretability, as ANNs are often viewed as “black-box” models, complicating the explanation of how input variables affect outcomes (Zhang et al., 2018). Ultimately, the findings aim to inform educational policy measures by providing insights into the determinants of CI in the evolving educational landscape.
Results
The results of the study indicate a strong agreement between Structural Equation Modeling (SEM) and Artificial Neural Networks (ANN) in ranking predictor importance. Specifically, in ANN models A, D, and E, the rankings for the predictors of Educational Context (EC), User Satisfaction (US), and Customer Intention (CI) aligned closely with those derived from SEM total effects, as detailed in Table 9.
However, some discrepancies were noted; in ANN model B, the ranking for Perceived Usefulness (PU) varied slightly, although the relative importance of Technological Pedagogical Content Knowledge (TPACK), Service Quality (SQ), Cultural Quality (CQ), and EC remained consistent across both methodologies. Similarly, in ANN model C, the rankings for TPACK and CQ were consistent, while SQ and PU exhibited minor differences yet maintained comparable predictive importance. Overall, the findings suggest that SEM and ANN produce largely consistent patterns of predictor importance, with only minor variations for specific variables.
Discussion
The discussion section of the research paper highlights the dual role of Generative AI (GenAI) in K-12 education, emphasizing both its potential benefits and inherent risks. GenAI can enhance student learning and assist teachers in various educational tasks, such as lesson planning and assessment. However, it is noted that GenAI does not generate genuinely new ideas and may produce inaccurate content, which can undermine trust among educators and students. The paper underscores the importance of teachers’ digital literacy in evaluating the quality of GenAI outputs, suggesting that their assessments significantly influence their trust in these technologies. Furthermore, concerns regarding privacy breaches and intellectual property rights related to the use of GenAI in educational settings are raised.
The section also identifies gaps in existing research, particularly the need for studies focusing on K-12 teachers’ continuance intention (CI) to use GenAI. While prior studies have explored acceptance and behavioral intentions across various educational contexts, there is a lack of comprehensive research examining multiple subject teacher groups within K-12. The paper proposes a theoretical model integrating Trust (TR), Content Quality (CQ), and System Quality (SQ) to better understand the factors influencing teachers’ CI toward GenAI. This model aims to address the complexities of technology adoption in K-12 education, emphasizing the need for further investigation into how teachers’ perceptions and experiences shape their ongoing engagement with GenAI.
Limitations
The study presents several limitations that may affect the validity and generalizability of its findings. Firstly, the online questionnaire did not control for the proportional distribution of teacher categories, resulting in an underrepresentation of certain age groups and geographic regions. Additionally, the qualitative data lacks multi-perspective support, and the primary reliance on self-report measures raises concerns about the accuracy of the core variables. The cross-sectional nature of the data captures teachers’ critical incidents (CI) at a single point in time, limiting the ability to assess changes over time. Furthermore, since the sample is exclusively from the K-12 education sector in China, caution is advised when generalizing these results to other cultural or educational contexts.
Future research should address these limitations by refining the focus on specific scenarios where K-12 teachers utilize Generative AI (GenAI) and employing stratified sampling to enhance representativeness. Incorporating multi-group demographic analyses would provide a broader perspective. Longitudinal studies are recommended to investigate the dynamics of K-12 teachers’ CI and its determinants over time. Methodologically, future investigations should integrate qualitative approaches, such as interviews and observations, alongside mixed methods to yield more nuanced and comprehensive insights.