DOI: https://doi.org/10.1007/s10639-025-13441-8
تاريخ النشر: 2025-03-22
المؤلف: Mohammed Nasiru Yakubu وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تستكشف الدراسة العوامل التي تؤثر على نوايا الطلاب النيجيريين السلوكية لاستخدام أدوات الذكاء الاصطناعي التوليدية للمحتوى (CG-AI) للتعلم والبحث، باستخدام إطار نظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT). من خلال استخدام نمذجة المعادلات الهيكلية، تحلل البحث بيانات من استبيان شمل 289 طالبًا من جامعة حكومية في شمال نيجيريا. تكشف النتائج أن توقع الأداء (PE) وتوقع الجهد (EE) والتأثير الاجتماعي (SI) تؤثر بشكل كبير على نوايا الطلاب لاستخدام أدوات CG-AI، مع قيم ألفا على التوالي 0.551 و0.466 و0.507 (جميعها p < 0.001). على العكس من ذلك، لم تظهر الظروف الميسرة (FC) والمخاطر المدركة (PR) والموقف تجاه التكنولوجيا (ATT) تأثيرًا كبيرًا. تؤكد الدراسة على أهمية فهم هذه المحددات من أجل دمج فعال لأدوات CG-AI في التعليم العالي. النتائج مفيدة بشكل خاص للمطورين، الذين يمكنهم تحسين أدوات CG-AI بناءً على ملاحظات المستخدمين، وللإداريين الأكاديميين، الذين يمكنهم صياغة سياسات لتسهيل اعتماد هذه التقنيات في البيئات التعليمية. بالإضافة إلى ذلك، تشجع النتائج على مزيد من البحث في عوامل أخرى محتملة تؤثر على استخدام الطلاب لأدوات CG-AI، مما يساهم في النقاش الأوسع حول التكنولوجيا في التعليم.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للذكاء الاصطناعي التوليدي للمحتوى (CG-AI) على التعليم، مع التأكيد على دوره في إعادة تشكيل بيئات التعلم والعمل. تتيح أدوات CG-AI، مثل ChatGPT وCopilot، للمستخدمين إنشاء محتوى متنوع من خلال تحليل البيانات الموجودة، مما يحاكي الإدراك البشري والإبداع. بينما تشير العديد من الدراسات إلى أن CG-AI يمكن أن يعزز نتائج التعلم ويسهل التعليم الشخصي، تم إثارة مخاوف بشأن التحيزات في بيانات التدريب، وتقليل التفاعل البشري، وإمكانية الغش الأكاديمي.
تحدد الورقة فجوة كبيرة في البحث التجريبي فيما يتعلق باعتماد أدوات CG-AI بين الطلاب في البلدان النامية، وخاصة نيجيريا، حيث لا تزال السياسات ذات الصلة تتطور. لمعالجة هذه الفجوة، تستخدم الدراسة نظرية القبول الموحد لمستخدمي التكنولوجيا (UTAUT) كإطار لاستكشاف العوامل التي تؤثر على استخدام الطلاب النيجيريين لأدوات CG-AI لأغراض تعليمية. تهدف النتائج إلى إبلاغ تطوير السياسات والاستراتيجيات التي تعزز الوصول العادل إلى فوائد CG-AI مع الحفاظ على النزاهة الأكاديمية. تشمل هيكل الدراسة مراجعة الأدبيات، وصياغة الفرضيات، ومنهجية البحث، وتحليل البيانات، ومناقشة النتائج، مما يؤدي إلى استنتاجات توضح قيود الدراسة ومساهماتها في كل من النظرية والممارسة.
الطرق
توضح قسم المنهجية في الورقة البحثية النهج المستخدم لفحص تصورات الطلاب النيجيريين لأدوات CG-AI في عمليات التعلم والبحث الخاصة بهم. استخدمت الدراسة طريقة أخذ العينات الهادفة لتجنيد المشاركين من قسم علوم الكمبيوتر في جامعة حكومية في شمال نيجيريا، شاملة كل من الطلاب الجامعيين وطلاب الدراسات العليا. تم اعتماد منهجية كمية، تتماشى مع الدراسات السابقة المستندة إلى نماذج اعتماد التكنولوجيا. تم جمع البيانات من خلال استبيان ورقي، مما أسفر عن 304 ردود، منها 289 كانت صالحة بعد استبعاد الطلبات غير المكتملة. تم مراجعة الاستبيان من قبل أكاديميين ذوي خبرة لضمان الصلة والوضوح.
تكون أداة الاستبيان من قسمين: جمع القسم A البيانات الديموغرافية (العمر، الجنس، مستوى الدراسة، والأداة المفضلة للذكاء الاصطناعي)، بينما استخدم القسم B بيانات مقياس ليكرت لتقييم البنى المتعلقة بنموذج البحث، بما في ذلك توقع الأداء، والتأثير الاجتماعي، والنوايا السلوكية. تم إجراء اختبار تجريبي مع 20 طالبًا للتحقق من موثوقية ووضوح الاستبيان. تم إجراء تحليل البيانات باستخدام نمذجة المعادلات الهيكلية (SEM) مع برنامج SPSS وAMOS من IBM، متبعًا نهجًا من خطوتين لاستكشاف العلاقات بين البنى واختبار ست فرضيات مصاغة. تم الحصول على موافقة من المشاركين، مما يضمن عدم الكشف عن هويتهم وإبلاغهم بفوائد وأخطار البحث.
النتائج
في قسم النتائج، تم إجراء تحليل البيانات باستخدام SPSS لتقييم الخصائص الديموغرافية لـ 289 مستجيبًا. كشفت النتائج أن 70.20% من المشاركين كانوا من الذكور، مع وجود الغالبية (50.20%) تتراوح أعمارهم بين 21-30 عامًا. بالإضافة إلى ذلك، كان 66.80% من المستجيبين طلابًا جامعيين، بينما أفاد 22.10% فقط بتلقي الدعم من محاضريهم أو مدرستهم في استخدام أدوات CG-AI لأغراض تعليمية. كانت الأداة المفضلة للذكاء الاصطناعي بين المشاركين هي Chat-GPT، التي اختارها 47.30%، تليها Gemini بنسبة 29.50%، مع كون Deep Chat وElicit أقل الخيارات تفضيلًا.
علاوة على ذلك، تم استخدام نمذجة المعادلات الهيكلية (SEM) لتحليل البيانات المتعلقة بستة بنى بناءً على المتغير التابع، النية السلوكية (BI). أظهرت اختبارات التعدد الخطي أن قيم عامل تضخم التباين (VIF) تراوحت بين 1.41 إلى 3.04، جميعها أقل من العتبة البالغة 4.00، وتجاوزت قيم التسامح 0.25، مما يؤكد عدم وجود مشاكل تعدد خطي كبيرة وفقًا للإرشادات المعمول بها (O’Brien, 2007; Hair et al., 2010; Mason et al., 1989).
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الاعتماد المتزايد على أدوات الذكاء الاصطناعي التوليدية للمحتوى (CG-AI) في التعليم، خاصة بين الطلاب في البلدان النامية مثل نيجيريا. تستخدم الدراسة نسخة معدلة من نموذج نظرية القبول واستخدام التكنولوجيا الموحدة (UTAUT) لاستكشاف العوامل التي تؤثر على نوايا الطلاب السلوكية لاستخدام أدوات CG-AI للتعلم والبحث. تشير النتائج الرئيسية إلى أن توقع الأداء (PE) وتوقع الجهد (EE) والتأثير الاجتماعي (SI) تؤثر بشكل كبير على نوايا الطلاب لاعتماد هذه التقنيات. على وجه التحديد، يرى الطلاب أن أدوات CG-AI مفيدة لتعزيز الأداء الأكاديمي، وسهلة الاستخدام، وتتأثر بتوصيات الأقران، على الرغم من أنهم أفادوا بعدم وجود دعم مؤسسي وإرشادات.
على العكس من ذلك، وجدت الدراسة أن الظروف الميسرة (FC) والموقف تجاه التكنولوجيا (ATT) لم تؤثر بشكل كبير على النوايا السلوكية. وهذا يشير إلى أن الطلاب قد لا يرون الدعم التنظيمي الضروري لاستخدام أدوات CG-AI، ربما بسبب بساطة الوصول واستخدام هذه التقنيات. قد يُعزى عدم التأثير من ATT إلى الملف الديموغرافي للمستجيبين، الذين ينتمون في الغالب إلى جيل Z، والذين هم عمومًا أكثر انفتاحًا على اعتماد تقنيات جديدة على الرغم من التصورات السلبية المحتملة. تؤكد النتائج على الحاجة إلى أن تطور المؤسسات التعليمية سياسات وإرشادات واضحة بشأن الاستخدام الأخلاقي لأدوات CG-AI لمعالجة القضايا الناشئة المتعلقة بالنزاهة الأكاديمية والانتحال.
القيود
تسلط القيود في هذا البحث الضوء على تركيزه الضيق، حيث أجريت الدراسة حصريًا بين الطلاب من مؤسسة تعليم عالٍ واحدة (HEI) في شمال نيجيريا. وبالتالي، قد لا تكون النتائج ممثلة للسكان الطلابي الأوسع في نيجيريا أو البلدان النامية الأخرى. يجب أن تهدف الأبحاث المستقبلية إلى الحصول على عينة أكثر شمولاً تشمل عوامل ديموغرافية متنوعة مثل الجنس والعمر والخبرة لتعزيز قابلية تعميم النتائج.
بالإضافة إلى ذلك، قد يكون التركيز على أدوات CG-AI العامة قد أثر على النتائج. يمكن أن تستفيد التحقيقات المستقبلية من التركيز على أدوات محددة تم تنفيذها داخل المؤسسة، حيث يتوفر التدريب والدعم. للحصول على فهم أكثر دقة للعوامل التي تؤثر على نوايا الطلاب السلوكية لاستخدام أدوات CG-AI، يمكن أن تستخدم الأبحاث اللاحقة أساليب نوعية أو مختلطة. علاوة على ذلك، يمكن أن يؤدي استكشاف أطر نظرية بديلة، مثل نموذج نجاح نظم المعلومات DeLone وMcLean، أو دمج بنى فريدة مثل العادة والأخلاقيات المدركة، إلى تقديم رؤى قيمة.
DOI: https://doi.org/10.1007/s10639-025-13441-8
Publication Date: 2025-03-22
Author(s): Mohammed Nasiru Yakubu et al.
Primary Topic: AI in Service Interactions
Overview
The study investigates the factors influencing Nigerian students’ behavioral intentions to use Content Generative Artificial Intelligence (CG-AI) tools for learning and research, employing the Unified Theory of Acceptance and Use of Technology (UTAUT) framework. Utilizing structural equation modeling, the research analyzes data from a survey of 289 students from a State University in northern Nigeria. The findings reveal that performance expectancy (PE), effort expectancy (EE), and social influence (SI) significantly affect students’ intentions to use CG-AI tools, with respective alpha values of 0.551, 0.466, and 0.507 (all p < 0.001). Conversely, facilitating conditions (FC), perceived risks (PR), and attitude towards technology (ATT) did not demonstrate a significant impact. The study underscores the importance of understanding these determinants for effective integration of CG-AI tools in higher education. The results are particularly beneficial for developers, who can enhance CG-AI tools based on user feedback, and for academic administrators, who can formulate policies to facilitate the adoption of such technologies in educational settings. Additionally, the findings encourage further research into other potential factors influencing students' use of CG-AI tools, thereby contributing to the broader discourse on technology in education.
Introduction
The introduction of this research paper highlights the transformative impact of content generator artificial intelligence (CG-AI) on education, emphasizing its role in reshaping learning and working environments. CG-AI tools, such as ChatGPT and Copilot, enable users to generate diverse content by analyzing existing data, thereby mimicking human cognition and creativity. While many studies suggest that CG-AI can enhance learning outcomes and facilitate personalized education, concerns have been raised regarding biases in training data, reduced human interaction, and potential academic dishonesty.
The paper identifies a significant gap in empirical research concerning the adoption of CG-AI tools among students in developing countries, particularly Nigeria, where relevant policies are still developing. To address this gap, the study employs the Unified Theory of User Acceptance of Technology (UTAUT) as a framework to explore the factors influencing Nigerian students’ use of CG-AI for educational purposes. The findings aim to inform policy development and strategies that promote equitable access to CG-AI benefits while maintaining academic integrity. The structure of the study includes a literature review, hypothesis formulation, research methodology, data analysis, and a discussion of results, culminating in conclusions that outline the study’s limitations and contributions to both theory and practice.
Methods
The methodology section of the research paper details the approach used to examine Nigerian students’ perceptions of CG-AI tools in their learning and research processes. The study employed a purposive sampling method to recruit participants from the Department of Computer Science at a state university in northern Nigeria, encompassing both undergraduate and postgraduate students. A quantitative methodology was adopted, aligning with previous studies based on technology adoption models. Data was collected through a paper-based survey, yielding 304 responses, of which 289 were valid after excluding incomplete submissions. The survey was reviewed by two experienced academics to ensure relevance and clarity.
The survey instrument consisted of two sections: Section A gathered demographic data (age, gender, level of study, and preferred AI tool), while Section B utilized Likert-scale statements to assess constructs related to the research model, including Performance Expectancy, Social Influence, and Behavioral Intention. A pilot test was conducted with 20 students to validate the survey’s reliability and clarity. Data analysis was performed using structural equation modeling (SEM) with IBM’s SPSS and AMOS software, following a two-step approach to explore the relationships among the constructs and test six formulated hypotheses. Consent was obtained from participants, ensuring anonymity and informing them of the research’s benefits and risks.
Results
In the results section, data analysis was conducted using SPSS to assess the demographic characteristics of 289 respondents. The findings revealed that 70.20% of participants were male, with the majority (50.20%) aged between 21-30 years. Additionally, 66.80% of respondents were undergraduates, while only 22.10% reported receiving support from their lecturers or school in utilizing CG-AI tools for educational purposes. The preferred AI tool among participants was Chat-GPT, chosen by 47.30%, followed by Gemini at 29.50%, with Deep Chat and Elicit being the least favored options.
Furthermore, structural equation modeling (SEM) was employed to analyze data related to six constructs based on the dependent variable, behavioral intention (BI). Multicollinearity tests indicated that the Variance Inflation Factor (VIF) values ranged from 1.41 to 3.04, all below the threshold of 4.00, and tolerance values exceeded 0.25, confirming the absence of significant multicollinearity issues as per established guidelines (O’Brien, 2007; Hair et al., 2010; Mason et al., 1989).
Discussion
The discussion section of the research paper highlights the increasing reliance on content-generating AI (CG-AI) tools in education, particularly among students in developing countries like Nigeria. The study employs an adapted version of the Unified Theory of Acceptance and Use of Technology (UTAUT) model to explore factors influencing students’ behavioral intentions to use CG-AI tools for learning and research. Key findings indicate that performance expectancy (PE), effort expectancy (EE), and social influence (SI) significantly affect students’ intentions to adopt these technologies. Specifically, students perceive CG-AI tools as beneficial for enhancing academic performance, easy to use, and influenced by peer recommendations, although they reported a lack of institutional support and guidance.
Conversely, the study found that facilitating conditions (FC) and attitude towards technology (ATT) did not significantly impact behavioral intentions. This suggests that students may not perceive the necessary organizational support for using CG-AI tools, possibly due to the simplicity of access and use of these technologies. The lack of influence from ATT may be attributed to the demographic profile of respondents, predominantly Gen Z, who are generally more open to adopting new technologies despite potential negative perceptions. The findings underscore the need for educational institutions to develop clear policies and guidelines regarding the ethical use of CG-AI tools to address emerging issues related to academic integrity and plagiarism.
Limitations
The limitations of this research highlight its narrow focus, as the study was conducted exclusively among students from a single higher education institution (HEI) in northern Nigeria. Consequently, the findings may not be representative of the broader student population in Nigeria or other developing countries. Future research should aim for a more extensive sample that includes diverse demographic factors such as gender, age, and experience to enhance the generalizability of the results.
Additionally, the study’s emphasis on general CG-AI tools may have influenced the outcomes. Future investigations could benefit from concentrating on specific tools that have been implemented within the institution, where training and support are available. To gain a more nuanced understanding of the factors affecting students’ behavioral intentions to use CG-AI tools, subsequent research could employ qualitative or mixed-methods approaches. Furthermore, exploring alternative theoretical frameworks, such as the DeLone and McLean IS Success model, or incorporating unique constructs like habit and perceived ethics, could yield valuable insights.