DOI: https://doi.org/10.1007/s44163-025-00466-8
تاريخ النشر: 2025-08-27
المؤلف: Might Kojo Abreh وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستعرض هذه الفقرة التأثير الكبير للذكاء الاصطناعي (AI) على مختلف القطاعات بسبب العولمة والصناعية، مع التأكيد على ضرورة اكتساب القوى العاملة في القرن الحادي والعشرين مهارات مرتبطة بالذكاء الاصطناعي. تدعو المنظمات الدولية، بما في ذلك منظمة التعاون والتنمية الاقتصادية (OECD) واليونسكو واليونيسف، إلى إصلاحات تعليمية لإعداد الأجيال القادمة لسوق العمل المدفوع بالذكاء الاصطناعي، مع توقعات تشير إلى أن الذكاء الاصطناعي قد يتسبب في فقدان ما يصل إلى 800 مليون وظيفة بحلول عام 2030. إن دمج الذكاء الاصطناعي في التعليم يتماشى مع الهدف الرابع من أهداف التنمية المستدامة، الذي يهدف إلى التعليم الشامل والجودة للتعلم مدى الحياة.
تكشف استنتاجات الدراسة أن العوامل الفردية والسياقية تؤثر بشكل كبير على نوايا الطلاب الغانيين في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM) لتعلم الذكاء الاصطناعي. تشير النتائج الرئيسية إلى أن تعزيز معرفة الذكاء الاصطناعي وارتباطها بالطموحات المهنية يمكن أن يحفز الطلاب على الانخراط في تعليم الذكاء الاصطناعي. الدعم المؤسسي، بما في ذلك الظروف الملائمة والتأثيرات الاجتماعية الإيجابية، أمر حاسم لتعزيز بيئة ملائمة لتعلم الذكاء الاصطناعي. ومع ذلك، يجب معالجة التحديات مثل قلق الذكاء الاصطناعي وفائدة التصور من خلال تدخلات مستهدفة. يُحث صانعو السياسات والمعلمون على دمج معرفة الذكاء الاصطناعي في المناهج الدراسية لمجالات STEM، وتوفير الموارد اللازمة والإرشاد، وتنفيذ برامج توعية لتخفيف قلق الذكاء الاصطناعي. من خلال تعزيز ثقافة تقدر مساهمات الذكاء الاصطناعي في المجتمع، يمكن لغانا أن تنمي قوة عاملة في مجالات STEM تتمتع بالكفاءة التكنولوجية ومستعدة للتحول الرقمي والمشهد العالمي للذكاء الاصطناعي.
النتائج
توفر نتائج هذه الدراسة أدلة تجريبية قوية تدعم دمج إطار عمل UTAUT2 ونظرية تحديد الذات (SDT) في فهم نوايا طلاب STEM لتعلم الذكاء الاصطناعي (AI). تشير النتائج الرئيسية إلى أن المعايير الذاتية (SN) والظروف الميسرة (FC) من إطار عمل UTAUT2 تؤثر بشكل إيجابي على نية الطلاب لتعلم الذكاء الاصطناعي (INL)، مما يبرز أهمية الدعم الاجتماعي والموارد الكافية في تعزيز اعتماد التكنولوجيا. بالإضافة إلى ذلك، ظهرت الكفاءة الذاتية (SE) كمتنبئ مهم لنية تعلم الذكاء الاصطناعي ضمن إطار SDT، مما يبرز دور الثقة في استمرار الطلاب في تعلم الذكاء الاصطناعي. من ناحية أخرى، وُجد أن الفائدة المدركة (PU) تؤثر سلبًا على INL بشكل غير متوقع، مما يشير إلى أن الحواجز الهيكلية قد تقوض تصورات الطلاب حول فوائد الذكاء الاصطناعي.
كشفت التحليلات الإضافية باستخدام تحليل المقارنة النوعية لمجموعة ضبابية (fsQCA) عن ستة تكوينات متميزة تؤدي إلى INL مرتفع، مما يبرز الطبيعة متعددة الأبعاد لهذه النتيجة. حددت التكوينات عوامل حاسمة مثل PU، والخير الاجتماعي المدرك (SG)، والملاءمة (REV) كمحركات أساسية، بينما توضح أيضًا أن INL يمكن تحقيقه من خلال مجموعات متنوعة من الظروف السابقة، بما في ذلك SE، وFC، ومعرفة الذكاء الاصطناعي (AIL)، وقلق الذكاء الاصطناعي (ANX). تشير هذه التعقيدات إلى أن تعزيز INL يتطلب نهجًا شاملًا يأخذ في الاعتبار تفاعل هذه العوامل، مما يسمح بتدخلات مخصصة تعالج الاحتياجات السياقية المحددة. بشكل عام، تدعو النتائج إلى استراتيجيات تعليمية تعزز الدعم الاجتماعي، وتوافر الموارد، وثقة الطلاب في بيئات تعلم الذكاء الاصطناعي.
المناقشة
تقدم قسم المناقشة في ورقة البحث إطارًا شاملاً يدمج النظرية الموحدة لقبول واستخدام التكنولوجيا 2 (UTAUT2) ونظرية تحديد الذات (SDT) لتحليل نوايا طلاب STEM الغانيين لتعلم الذكاء الاصطناعي (AI). يسمح هذا النهج النظري المزدوج باستكشاف كل من العوامل الخارجية، مثل توقع الأداء، وتوقع الجهد، والتأثير الاجتماعي، والظروف الميسرة، والعوامل الداخلية، بما في ذلك الكفاءة الذاتية والخير الاجتماعي المدرك. من الجدير بالذكر أن قلق الذكاء الاصطناعي يُعتبر حاجزًا كبيرًا أمام الاعتماد، مما يؤثر سلبًا على انخراط الطلاب في تعلم الذكاء الاصطناعي. يعزز تضمين الملاءمة ومعرفة الذكاء الاصطناعي النموذج، مما يبرز أهمية توافق تعليم الذكاء الاصطناعي مع طموحات الطلاب المهنية وتعزيز كفاءتهم المدركة.
تسلط الفرضيات المطورة في هذا القسم الضوء على العلاقات بين مختلف البنى ونوايا الطلاب لتعلم الذكاء الاصطناعي. تشير الفرضيات الرئيسية إلى أن المعايير الذاتية (H1)، والظروف الميسرة (H2)، والكفاءة الذاتية (H3)، والفائدة المدركة (H4)، والخير الاجتماعي (H5)، والملاءمة (H7)، ومعرفة الذكاء الاصطناعي (H8) تؤثر بشكل إيجابي على نوايا الطلاب، بينما يُفترض أن قلق الذكاء الاصطناعي (H6) له تأثير ضار. يوضح النموذج المفاهيمي هذه العلاقات، مشيرًا إلى أن المعايير الذاتية تمارس أقوى تأثير إيجابي على النوايا، بينما يمثل قلق الذكاء الاصطناعي أكبر تأثير سلبي. تؤكد النتائج على ضرورة أن تتناول السياسات والممارسات التعليمية في غانا هذه العوامل لتعزيز بيئة ملائمة لتعلم الذكاء الاصطناعي بين طلاب STEM.
القيود
تقدم الدراسة عدة قيود تشير إلى اتجاهات للبحث المستقبلي. أولاً، يقيّد تصميم الاستطلاع العرضي القدرة على استنتاج العلاقات السببية بين العوامل المحددة التي تؤثر على نوايا تعلم الذكاء الاصطناعي. يمكن أن تستفيد التحقيقات المستقبلية من منهجيات طولية أو تجريبية لتتبع كيفية تطور هذه العلاقات بمرور الوقت. ثانيًا، قد يحد التركيز على طلاب STEM في غانا من قابلية تطبيق النتائج على تخصصات أكاديمية أخرى ومناطق جغرافية. يمكن أن يعزز توسيع البحث ليشمل طلاب من العلوم الإنسانية والعلوم الاجتماعية والمجالات المهنية فهم اعتماد الذكاء الاصطناعي في سياقات تعليمية متنوعة.
بالإضافة إلى ذلك، يثير استخدام العينة الغرضية مخاوف بشأن قابلية تعميم النتائج على السكان الأوسع من طلاب STEM في المدارس الثانوية العليا (SHS) في غانا، حيث قد يقدم انحيازًا في الاختيار. لتعميق الفهم حول دوافع الطلاب والتحديات المتعلقة بتعلم الذكاء الاصطناعي، يمكن دمج طرق نوعية مثل المقابلات أو مجموعات التركيز في الدراسات المستقبلية. أخيرًا، يمكن أن يوفر فحص التأثيرات المعدلة للعوامل الديموغرافية – مثل الجنس، والحالة الاجتماعية والاقتصادية، والتعرض السابق للذكاء الاصطناعي – فهمًا أكثر دقة لاعتماد تعلم الذكاء الاصطناعي عبر مختلف الفئات الطلابية.
DOI: https://doi.org/10.1007/s44163-025-00466-8
Publication Date: 2025-08-27
Author(s): Might Kojo Abreh et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The section outlines the significant impact of artificial intelligence (AI) on various sectors due to globalization and industrialization, emphasizing the necessity for the 21st-century workforce to acquire AI-related skills. International organizations, including the OECD, UNESCO, and UNICEF, advocate for educational reforms to prepare future generations for an AI-driven labor market, with projections indicating that AI could displace up to 800 million jobs by 2030. Integrating AI into education is aligned with Sustainable Development Goal 4, which aims for inclusive and quality education for lifelong learning.
The study’s conclusions reveal that both individual and contextual factors significantly influence Ghanaian STEM students’ intentions to learn AI. Key findings indicate that enhancing AI literacy and its relevance to career aspirations can motivate students to engage with AI education. Institutional support, including conducive conditions and positive social influences, is crucial for fostering an environment conducive to AI learning. However, challenges such as AI anxiety and perceived usefulness must be addressed through targeted interventions. Policymakers and educators are urged to incorporate AI literacy into STEM curricula, provide necessary resources and mentorship, and implement awareness programs to alleviate AI anxiety. By fostering a culture that values AI’s societal contributions, Ghana can cultivate a technologically competent STEM workforce prepared for the digital transformation and global AI landscape.
Results
The results of this study provide robust empirical evidence supporting the integration of the UTAUT2 and Self-Determination Theory (SDT) frameworks in understanding STEM students’ intentions to learn artificial intelligence (AI). Key findings indicate that subjective norm (SN) and facilitating conditions (FC) from the UTAUT2 framework positively influence students’ intention to learn AI (INL), emphasizing the importance of social support and adequate resources in fostering technology adoption. Additionally, self-efficacy (SE) emerged as a significant predictor of AI learning intention within the SDT framework, highlighting the role of confidence in students’ persistence in learning AI. Conversely, perceived usefulness (PU) was unexpectedly found to negatively impact INL, suggesting that structural barriers may undermine students’ perceptions of AI’s benefits.
Further analysis using fuzzy-set Qualitative Comparative Analysis (fsQCA) revealed six distinct configurations that lead to high INL, underscoring the multifaceted nature of this outcome. The configurations identified critical factors such as PU, perceived social good (SG), and relevance (REV) as essential drivers, while also illustrating that INL can be achieved through various combinations of antecedent conditions, including SE, FC, AI literacy (AIL), and AI anxiety (ANX). This complexity suggests that fostering INL requires a holistic approach that considers the interplay of these factors, allowing for tailored interventions that address specific contextual needs. Overall, the findings advocate for educational strategies that enhance social support, resource availability, and student confidence in AI learning environments.
Discussion
The discussion section of the research paper presents a comprehensive framework integrating the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) and Self-Determination Theory (SDT) to analyze Ghanaian STEM students’ intentions to learn artificial intelligence (AI). This dual-theoretical approach allows for an exploration of both external factors, such as performance expectancy, effort expectancy, social influence, and facilitating conditions, and internal factors, including self-efficacy and perceived social good. Notably, AI anxiety is identified as a significant barrier to adoption, negatively impacting students’ engagement with AI learning. The inclusion of relevance and AI literacy further enriches the model, emphasizing the importance of aligning AI education with students’ career aspirations and enhancing their perceived competence.
The hypotheses developed in this section highlight the relationships between various constructs and students’ intentions to learn AI. Key hypotheses suggest that subjective norms (H1), facilitating conditions (H2), self-efficacy (H3), perceived usefulness (H4), social good (H5), relevance (H7), and AI literacy (H8) positively influence students’ intentions, while AI anxiety (H6) is posited to have a detrimental effect. The conceptual model illustrates these relationships, indicating that subjective norms exert the strongest positive influence on intentions, while AI anxiety presents the most significant negative impact. The findings underscore the necessity for educational policies and practices in Ghana to address these factors to foster a conducive environment for AI learning among STEM students.
Limitations
The study presents several limitations that suggest directions for future research. Firstly, the cross-sectional survey design restricts the ability to infer causal relationships between the identified factors influencing AI learning intentions. Future investigations could benefit from longitudinal or experimental methodologies to track how these relationships develop over time. Secondly, the focus on STEM students in Ghana may limit the applicability of the findings to other academic disciplines and geographical regions. Expanding research to include students from the humanities, social sciences, and vocational fields could enhance the understanding of AI adoption in diverse educational contexts.
Additionally, the use of purposive sampling raises concerns regarding the generalizability of the results to the broader population of Senior High School (SHS) STEM students in Ghana, as it may introduce selection bias. To deepen insights into students’ motivations and challenges related to AI learning, qualitative methods such as interviews or focus groups could be integrated into future studies. Lastly, examining the moderating effects of demographic factors—such as gender, socioeconomic status, and prior exposure to AI—could provide a more nuanced understanding of AI learning adoption across various student demographics.