DOI: https://doi.org/10.3389/feduc.2025.1637857
تاريخ النشر: 2025-09-02
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة دمج أدوات الذكاء الاصطناعي (AI) في التعليم المحاسبي على مستوى الجامعات في ميديلين، كولومبيا، مع التركيز على العوامل التي تؤثر على نوايا الطلاب في اعتماد هذه التقنيات. باستخدام نظرية السلوك المخطط (TPB) ونموذج قبول التكنولوجيا (TAM)، شملت الدراسة 105 طلاب أكملوا استبيانًا من نوع ليكرت يقيم مفاهيم مثل الفائدة المدركة، وسهولة الاستخدام، والموقف، والمعيار الذاتي، والتحكم السلوكي. أشارت النتائج إلى أن سهولة الاستخدام المدركة أثرت بشكل كبير على كل من الفائدة المدركة والتحكم السلوكي، بينما أثرت المعايير الذاتية على المواقف والنوايا. ومن الجدير بالذكر أن الفائدة المدركة لم تؤدِ إلى مواقف إيجابية تجاه اعتماد الذكاء الاصطناعي، مما يشير إلى وجود انفصال بين الوظائف المعترف بها وتوقعات الطلاب.
تؤكد النتائج على ضرورة مواءمة وظائف الذكاء الاصطناعي مع السياقات التعليمية لتعزيز الاستجابة للابتكارات الرقمية في التعليم المحاسبي. على الرغم من أن سهولة الاستخدام المدركة ظهرت كعامل حاسم في التعرف على قيمة أدوات الذكاء الاصطناعي، إلا أن التأثيرات الاجتماعية من الأقران والمدرسين لم تظهر علاقة ذات دلالة إحصائية مع النية السلوكية. قد تعكس هذه الفجوة المراحل المبكرة من اعتماد التكنولوجيا أو عدم توافق بين توقعات الطلاب وتجاربهم. تحذر قيود الدراسة، بما في ذلك عدم وجود مجموعة ضابطة والتعرض القصير الأمد للتدخل، من التعميمات الواسعة. يُوصى بإجراء أبحاث مستقبلية لاستكشاف هذه النتائج عبر سياقات أكاديمية وثقافية متنوعة، باستخدام تصاميم تجريبية طويلة الأمد وأكثر قوة، ودمج أطر نظرية إضافية لتعميق فهم اعتماد التكنولوجيا في التعليم المحاسبي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتقدم التكنولوجي، وخاصة الذكاء الاصطناعي (AI)، على التعليم العالي. لقد أصبح الذكاء الاصطناعي أداة محورية في تعزيز الكفاءة التعليمية، وتخصيص تجارب التعلم، وتزويد الطلاب بالمهارات الأساسية لسوق العمل الحديث (Gruenbichler et al., 2024). يسهل دمج الذكاء الاصطناعي في المناهج الجامعية أتمتة العمليات، وتحليلات الوقت الحقيقي، وتجارب التعلم الغنية، خاصة في مجالات مثل المحاسبة العامة. هنا، يساعد الذكاء الاصطناعي في إدارة المهام المعقدة مثل تحليل البيانات، والتنبؤ المالي، وتحسين العمليات، مما يحسن جودة التعليم المحاسبي (Al-Okaily et al., 2023).
على الرغم من هذه التقدمات، فإن النجاح في اعتماد الذكاء الاصطناعي في البيئات التعليمية يعتمد على عدة عوامل، بما في ذلك البنية التحتية التكنولوجية، والقدرة الرقمية بين الطلاب وأعضاء هيئة التدريس، وتصورات فائدة الذكاء الاصطناعي، والسياسات المؤسسية الداعمة (Algerafi et al., 2023). بالنسبة لطلاب المحاسبة، فإن فهم محددات نيتهم في اعتماد تقنيات الذكاء الاصطناعي أمر بالغ الأهمية، خاصة في البيئات التي تهيمن فيها الأساليب التقليدية. تشمل المتغيرات الرئيسية التي تؤثر على هذه النية الفائدة المدركة، وسهولة الاستخدام، والثقة في التكنولوجيا، والاستعداد لتعلم أدوات رقمية جديدة (Bui et al., 2025). تهدف هذه الدراسة إلى استكشاف هذه العوامل بين طلاب المحاسبة في ميديلين، كولومبيا، بهدف تعزيز تنفيذ الذكاء الاصطناعي في البرامج الأكاديمية ومواءمة التعليم المحاسبي مع المتطلبات المعاصرة.
الطرق
في هذه الدراسة، تم إجراء دراسة حالة تجريبية لتقييم العوامل التي تؤثر على النية لاستخدام “فيديو الذكاء الاصطناعي المدمج مع المحاكي” في بيئة الفصل الدراسي. ركزت الدراسة على مفاهيم مثل الموقف تجاه السلوك، والنية السلوكية، والتحكم السلوكي المدرك، وسهولة الاستخدام المدركة، والفائدة المدركة، والمعايير الذاتية. تضمنت المنهجية مرحلتين رئيسيتين: تطوير فيديو تم إنشاؤه بواسطة الذكاء الاصطناعي يشرح طريقة الاستهلاك القائم على الوحدة، وإنشاء محاكي تفاعلي باستخدام برنامج GeoGebra، متماشيًا مع الإطار التنظيمي للمرسوم 2420 لعام 2015. تم إنشاء نص الفيديو بواسطة ChatGPT، وتم مراجعته وتسجيله باستخدام منصة Fliki.ai، بينما تم دمج المحاكي في كتاب رقمي تفاعلي مستضاف على مستودع للأشياء التعليمية التفاعلية (ILOs).
تضمنت المرحلة الثانية تنفيذ نشاط تدريبي بعنوان “فيديو الذكاء الاصطناعي المدمج مع المحاكي” خلال الفصل الدراسي 2024-01 مع خمس مجموعات من الطلاب في المعهد التكنولوجي الحضري في ميديلين، كولومبيا. استخدمت الدراسة استبيانًا موثقًا يتكون من 20 سؤالًا من نوع ليكرت لتقييم المفاهيم المذكورة أعلاه، والذي تم تعديله من دراسة سابقة لـ Gaviria et al. (2022). بعد التحقق من الصلاحية، تم اعتبار 13 سؤالًا فقط ذات صلة للتحليل. تم هيكلة جلسات التدريب لضمان الاتساق، حيث شارك الطلاب مع الفيديو الذي تم إنشاؤه بواسطة الذكاء الاصطناعي والمحاكي في بيئة خاضعة للرقابة. تم تحليل البيانات التي تم جمعها من 105 طلاب لاستكشاف تصوراتهم ومواقفهم تجاه استخدام هذه الأدوات التعليمية، مع ضمان السرية والامتثال لمعايير البحث الأخلاقي.
النتائج
تم تحليل نتائج الدراسة باستخدام نمذجة المعادلات الهيكلية (SEM)، وبشكل خاص نهج نمذجة المعادلات الهيكلية بأقل المربعات الجزئية (PLS-SEM)، الذي يركز على تعظيم التباين المفسر للمفاهيم الكامنة التابعة. تم إجراء التحليل باستخدام برنامج Smart PLS 4، بعد عملية من مرحلتين: نموذج القياس والنموذج الهيكلي.
في نموذج القياس، قامت الدراسة بتقييم الصلاحية التقاربية من خلال تحميلات العوامل ومتوسط التباين المستخرج (AVE)، إلى جانب موثوقية الاتساق الداخلي باستخدام ألفا كرونباخ والموثوقية المركبة. تم تأكيد الصلاحية التمييزية من خلال معيار التحميلات المتقاطعة، مما يضمن أن كل مؤشر كان له تحميل أعلى على مفهومه المعني مقارنةً بالآخرين. اختبر النموذج الهيكلي الفرضيات المقترحة وقيم القوة التفسيرية للنموذج باستخدام معاملات التحديد ($R^2$) ومعاملات المسار، مما يوفر تحققًا شاملاً من الإطار النظري.
المناقشة
ت outlines قسم المناقشة في الورقة البحثية الأطر النظرية والنتائج التجريبية المتعلقة باعتماد الذكاء الاصطناعي (AI) في التعليم العالي. تبرز الدراسات الرئيسية أهمية التوافق المدرك، وسهولة الاستخدام، والتخصيص، والتفاعل، والثقة كعوامل مهمة تؤثر على تنفيذ الذكاء الاصطناعي في البيئات التعليمية. ومن الجدير بالذكر أن دمج نموذج قبول التكنولوجيا (TAM) ونظرية السلوك المخطط (TPB) يوفر فهمًا شاملاً لاعتماد التكنولوجيا، مع التأكيد على أدوار الفائدة المدركة، وسهولة الاستخدام المدركة، والمعايير الذاتية، والتحكم السلوكي المدرك. تشير النتائج إلى أن الفائدة المدركة وسهولة الاستخدام هما مؤشرات حاسمة لمواقف المستخدمين ونواياهم السلوكية تجاه اعتماد تقنيات الذكاء الاصطناعي، مثل الروبوتات التعليمية والأدوات المدعومة بالذكاء الاصطناعي.
علاوة على ذلك، تؤكد تحليل نموذج القياس موثوقية وصلاحية المفاهيم المعنية، حيث تفي جميع المؤشرات بالمعايير اللازمة للصلاحية التقاربية والاتساق الداخلي. يكشف تحليل النموذج الهيكلي أنه بينما تؤثر السيطرة السلوكية المدركة والمعايير الذاتية بشكل كبير على النية السلوكية، فإن الفائدة المدركة والموقف تجاه السلوك تظهر قدرات تنبؤية أقل. تشير البيانات الديموغرافية إلى وجود شريحة طلابية شابة بشكل أساسي، مما قد يحد من إمكانية تعميم النتائج. بشكل عام، تؤكد الدراسة على الطبيعة متعددة الأبعاد لاعتماد التكنولوجيا في التعليم، مما يبرز الحاجة إلى بنية تحتية داعمة وتدريب لتسهيل الدمج الفعال لأدوات الذكاء الاصطناعي في البيئات الأكاديمية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل حاسمة قد تؤثر على إمكانية تعميم وموثوقية النتائج. أولاً، تم إجراء البحث حصريًا مع طلاب المحاسبة من المعهد التكنولوجي، مما يقيّد العينة لمؤسسة واحدة وقد يحد من قابلية تطبيق النتائج عبر سياقات تعليمية مختلفة. يُشجع على إجراء أبحاث مستقبلية تشمل مجموعة أوسع من المؤسسات، سواء الحضرية أو الريفية، لالتقاط مجموعة أكثر تنوعًا من الرؤى والتنوعات الثقافية.
ثانيًا، بينما استخدمت الدراسة إطارين نظريين راسخين – نظرية السلوك المخطط (TPB) ونموذج قبول التكنولوجيا (TAM) – فإن إمكانية تضمين نماذج إضافية، مثل النظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)، قد تعزز العمق النظري وتوفر فهمًا أكثر شمولية لاعتماد التكنولوجيا في البيئات التعليمية، خاصة فيما يتعلق بالتقنيات الناشئة مثل الذكاء الاصطناعي. علاوة على ذلك، يحد عدم وجود مجموعة ضابطة في تصميم التجربة من القدرة على عزل آثار التدخل، وبشكل خاص الفيديو الذي تم إنشاؤه بواسطة الذكاء الاصطناعي والمحاكي، مما يؤثر على الصلاحية الداخلية للدراسة. قد يكون التعرض القصير للتدخل قد أدى إلى استجابات تعكس الانطباعات الأولية بدلاً من المواقف المستقرة، مما قد يفسر العلاقات غير المهمة إحصائيًا التي لوحظت بين الفائدة المدركة والنوايا السلوكية. وهذا يبرز الحاجة إلى دراسات طولية لفهم أفضل لقبول التكنولوجيا مع مرور الوقت ومع الانخراط المطول مع التقنيات التعليمية.
DOI: https://doi.org/10.3389/feduc.2025.1637857
Publication Date: 2025-09-02
Author(s): Zhenyun Du et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the integration of Artificial Intelligence (AI) tools in university-level accounting education in Medellín, Colombia, focusing on factors influencing students’ intentions to adopt these technologies. Utilizing the Theory of Planned Behavior (TPB) and the Technology Acceptance Model (TAM), the research involved 105 students who completed a Likert-type questionnaire assessing constructs such as perceived usefulness, ease of use, attitude, subjective norm, and behavioral control. Results indicated that perceived ease of use significantly affected both perceived usefulness and behavioral control, while subjective norms influenced attitudes and intentions. Notably, perceived usefulness did not lead to favorable attitudes toward AI adoption, suggesting a disconnect between recognized functionalities and student expectations.
The findings underscore the necessity of aligning AI functionalities with educational contexts to enhance receptiveness to digital innovations in accounting education. Although perceived ease of use emerged as a critical factor in recognizing the value of AI tools, social influences from peers and instructors did not show a statistically significant relationship with behavioral intention. This discrepancy may reflect the early stages of technology adoption or a misalignment between student expectations and their experiences. The study’s limitations, including the lack of a control group and short-term exposure to the intervention, caution against broad generalizations. Future research is recommended to explore these findings across varied academic and cultural contexts, employing longitudinal and more robust experimental designs, and integrating additional theoretical frameworks to deepen the understanding of technology adoption in accounting education.
Introduction
The introduction of this research paper highlights the transformative impact of technological advancements, particularly Artificial Intelligence (AI), on higher education. AI has emerged as a pivotal tool in enhancing educational efficiency, personalizing learning experiences, and equipping students with essential skills for the modern labor market (Gruenbichler et al., 2024). The integration of AI into university curricula facilitates the automation of processes, real-time analytics, and enriched learning experiences, particularly in disciplines such as public accounting. Here, AI aids in managing complex tasks like data analysis, financial forecasting, and process optimization, thereby improving the quality of accounting education (Al-Okaily et al., 2023).
Despite these advancements, the successful adoption of AI in educational settings is contingent upon several factors, including technological infrastructure, digital literacy among students and faculty, perceptions of AI’s utility, and supportive institutional policies (Algerafi et al., 2023). For accounting students, understanding the determinants of their intention to adopt AI technologies is crucial, especially in environments where traditional methods dominate. Key variables influencing this intention include perceived usefulness, ease of use, trust in technology, and a willingness to learn new digital tools (Bui et al., 2025). This study aims to explore these factors among accounting students in Medellín, Colombia, with the goal of enhancing the implementation of AI in academic programs and aligning accounting education with contemporary demands.
Methods
In this study, an experimental case study was conducted to evaluate the factors influencing the intention to use “AI Video Combined with the Simulator” in a classroom setting. The research focused on constructs such as attitude toward behavior, behavioral intention, perceived behavioral control, perceived ease of use, perceived usefulness, and subjective norms. The methodology involved two main phases: the development of an AI-generated video explaining the unit-based depreciation method, and the creation of an interactive simulator using GeoGebra software, aligned with the regulatory framework of Decree 2420 of 2015. The AI video script was generated by ChatGPT, reviewed, and recorded using the Fliki.ai platform, while the simulator was integrated into an interactive digital book hosted on a repository for Interactive Learning Objects (ILOs).
The second phase involved implementing a training activity titled “VIDEO AI COMBINED WITH THE SIMULATOR” during the 2024-01 semester with five groups of students at the Metropolitan Technological Institute in Medellín, Colombia. The study utilized a validated questionnaire comprising 20 Likert-type questions to assess the aforementioned constructs, which was adapted from a previous study by Gaviria et al. (2022). Following validation, only 13 questions were deemed relevant for analysis. The training sessions were structured to ensure consistency, with students engaging with the AI-generated video and simulator in a controlled environment. Data collected from 105 students were analyzed to explore their perceptions and attitudes towards the use of these educational tools, ensuring confidentiality and adherence to ethical research standards.
Results
The results of the study were analyzed using Structural Equation Modeling (SEM), specifically the Partial Least Squares Structural Equation Modeling (PLS-SEM) approach, which prioritizes maximizing the explained variance of dependent latent constructs. The analysis was conducted with Smart PLS 4 software, following a two-stage process: the measurement model and the structural model.
In the measurement model, the study assessed convergent validity through factor loadings and Average Variance Extracted (AVE), alongside internal consistency reliability using Cronbach’s alpha and composite reliability. Discriminant validity was confirmed through the cross-loadings criterion, ensuring that each indicator had a higher loading on its respective construct than on others. The structural model tested the proposed hypotheses and evaluated the model’s explanatory power using coefficients of determination ($R^2$) and path coefficients, thereby providing a comprehensive validation of the theoretical framework.
Discussion
The discussion section of the research paper outlines the theoretical frameworks and empirical findings related to the adoption of artificial intelligence (AI) in higher education. Key studies highlight the importance of perceived compatibility, ease of use, personalization, interactivity, and trust as significant factors influencing AI implementation in educational settings. Notably, the integration of the Technology Acceptance Model (TAM) and the Theory of Planned Behavior (TPB) provides a comprehensive understanding of technology adoption, emphasizing the roles of perceived usefulness, perceived ease of use, subjective norms, and perceived behavioral control. The findings suggest that perceived usefulness and ease of use are critical predictors of users’ attitudes and behavioral intentions toward adopting AI technologies, such as teaching bots and AI-powered tools.
Furthermore, the analysis of the measurement model confirms the reliability and validity of the constructs involved, with all indicators meeting the necessary criteria for convergent validity and internal consistency. The structural model analysis reveals that while perceived behavioral control and subjective norms significantly influence behavioral intention, perceived usefulness and attitude toward behavior exhibit lower predictive capacities. The demographic data indicate a predominantly young student population, which may limit the generalizability of the findings. Overall, the study underscores the multifaceted nature of technology adoption in education, highlighting the need for supportive infrastructure and training to facilitate the effective integration of AI tools in academic environments.
Limitations
The limitations of this study highlight several critical factors that may affect the generalizability and validity of the findings. Firstly, the research was conducted exclusively with accounting students from the ITM, which restricts the sample to a single institution and may limit the applicability of the results across different educational contexts. Future research is encouraged to include a broader range of institutions, both urban and rural, to capture a more diverse set of insights and cultural variations.
Secondly, while the study utilized two established theoretical frameworks—the Theory of Planned Behavior (TPB) and the Technology Acceptance Model (TAM)—the potential inclusion of additional models, such as the Unified Theory of Acceptance and Use of Technology (UTAUT), could enhance the theoretical depth and provide a more multifaceted understanding of technology adoption in educational settings, particularly regarding emerging technologies like artificial intelligence. Furthermore, the experimental design’s lack of a control group limits the ability to isolate the effects of the intervention, specifically the AI-generated video and simulator, thereby affecting the internal validity of the study. The brief exposure to the intervention may have resulted in responses that reflect initial impressions rather than stable attitudes, which could explain the statistically insignificant relationships observed between perceived usefulness and behavioral intentions. This underscores the need for longitudinal studies to better understand technology acceptance over time and with prolonged engagement with educational technologies.