DOI: https://doi.org/10.3389/fpsyg.2026.1772129
PMID: https://pubmed.ncbi.nlm.nih.gov/41798025
تاريخ النشر: 2026-02-19
المؤلف: Shuhua Hou وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تدرس هذه الدراسة دور إتقان اللغة الإنجليزية كعامل محتمل للتعديل في مسارات نموذج قبول التكنولوجيا (TAM) ضمن الدورات التعليمية المفتوحة عبر الإنترنت المعززة بالذكاء الاصطناعي للطلاب المهنيين. باستخدام إطار عمل TAM موسع يتضمن سهولة الاستخدام المدركة (PEOU)، والفائدة المدركة (PU)، ونية السلوك (BI)، ونتائج التعلم المدركة (PLO)، استطلعت البحث 516 متعلماً من دورة MOOC مدعومة بالذكاء الاصطناعي. أظهرت تحليل العوامل التأكيدية خصائص قياس قوية، بينما كشفت التحليل الهيكلي عن تأثيرات مباشرة كبيرة بين مكونات TAM. ومن الجدير بالذكر أن إتقان اللغة الإنجليزية لم يعدل بشكل كبير أي من مسارات TAM، على الرغم من ملاحظة تأثير مباشر إيجابي صغير على BI. تشير هذه النتائج إلى أن التخصيص الفعال للذكاء الاصطناعي يمكن أن يخفف من الحواجز المتعلقة باللغة، مما يمكّن من وجود آليات TAM متسقة عبر مستويات الكفاءة المختلفة.
تسلط الدراسة الضوء على فجوة حاسمة في الأبحاث الحالية بشأن تعديل إتقان اللغة في سياق MOOCs المهنية المعززة بالذكاء الاصطناعي. بينما اعترفت الدراسات السابقة بأهمية سمات المتعلمين مثل الكفاءة الذاتية والمهارات الرقمية، تم تجاهل إتقان اللغة الإنجليزية إلى حد كبير كعامل تعديل رئيسي. قد تنشأ غياب تأثيرات التعديل الكبيرة من القيود المنهجية، بما في ذلك استخدام مقياس كفاءة وحيد وعينة غير متوازنة. على الرغم من هذه القيود، تشير النتائج إلى أن أدوات الذكاء الاصطناعي المصممة جيدًا يمكن أن تعزز المشاركة العادلة في تعلم اللغة، مما يشير إلى أن تأثير الفروق الفردية قد يكون أقل وضوحًا في التقنيات التعليمية المتقدمة. يجب أن تركز الأبحاث المستقبلية على استخدام مقاييس أكثر قوة للكفاءة واستكشاف عوامل تعديل إضافية للتحقق من هذه الرؤى وتعزيز فهم قبول التكنولوجيا في سياقات تعليمية متنوعة.
مقدمة
لقد حول دمج الذكاء الاصطناعي (AI) في تكنولوجيا التعليم، وخاصة في تعلم اللغة من خلال الدورات التعليمية المفتوحة عبر الإنترنت المعززة بالذكاء الاصطناعي، مشهد التعليم والتدريب المهني (TVET). تستخدم هذه المنصات خوارزميات تكيفية وأنظمة توجيه ذكية لتقديم تجارب تعلم شخصية وتفاعلية، وهي ضرورية لتطوير كل من المهارات التقنية وإتقان اللغة الإنجليزية في اقتصاد عالمي. يعد نموذج قبول التكنولوجيا (TAM) إطارًا أساسيًا لفهم قبول المستخدمين لهذه التقنيات، مع التأكيد على أدوار الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEOU). ومع ذلك، غالبًا ما تتجاهل الأبحاث الحالية تأثير الفروق الفردية، وخاصة إتقان اللغة الإنجليزية، على عمليات قبول التكنولوجيا.
تهدف هذه الدراسة إلى سد هذه الفجوة من خلال التحقيق في دور إتقان اللغة الإنجليزية كعامل تعديل ضمن إطار عمل TAM موسع، تحديدًا في سياق MOOCs المهنية المعززة بالذكاء الاصطناعي. يفترض المؤلفون أن إتقان اللغة الإنجليزية يؤثر على العلاقات بين PEOU وPU ونية السلوك (BI) ونتائج التعلم المدركة (PLO)، مع ملاحظة تأثيرات أقوى بين المتعلمين ذوي الكفاءة الأعلى. من خلال استخدام استبيان للطلاب المهنيين، تسعى الدراسة إلى المساهمة من الناحيتين النظرية والعملية. من الناحية النظرية، تضع المتعلمين المهنيين كشرط حدودي حاسم لنموذج TAM، مما يشير إلى أن التكيف مع الذكاء الاصطناعي يجب أن يأخذ في الاعتبار الكفاءة اللغوية والقيود المهنية. من الناحية العملية، تهدف الدراسة إلى تقديم مبادئ تصميم لإنشاء بيئات AI-MOOC عادلة مصممة للمتعلمين بمستويات مختلفة من إتقان اللغة الإنجليزية، مما يعزز الوصول والفعالية في التعليم المهني.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التجارب المنضبطة والاستبيانات، لجمع بيانات شاملة. تم اختيار المشاركين بناءً على معايير إدراج محددة، مما يضمن عينة تمثيلية ذات صلة بأسئلة البحث.
تم إجراء تحليل البيانات باستخدام برامج إحصائية، وتطبيق تقنيات مثل تحليل الانحدار وANOVA لتقييم العلاقات بين المتغيرات. تم تحليل البيانات النوعية بشكل موضوعي، مما سمح بتحديد الأنماط والرؤى التي تكمل النتائج الكمية. تم تصميم المنهجية لضمان الموثوقية والصلاحية، مع اتخاذ تدابير مناسبة لتقليل التحيز وتعزيز قوة النتائج.
النتائج
تشير النتائج إلى أن غياب التعديل في MOOC المهني المعزز بالذكاء الاصطناعي يشير إلى أن الآليات النفسية التي تربط تصورات التكنولوجيا بالتبني والتعلم المدرك متسقة عبر مستويات الكفاءة المختلفة. على وجه التحديد، كانت العلاقات بين سهولة الاستخدام المدركة (PEOU) والفائدة المدركة (PU) ونية السلوك (BI) ونتائج التعلم المدركة (PLO) قوية، مما يشير إلى أن المتعلمين، بغض النظر عن الكفاءة، رأوا قابلية استخدام النظام وقيمته بشكل مشابه. قد يُعزى هذا التماثل إلى خوارزميات النظام المعززة بالذكاء الاصطناعي والتعليقات الشخصية، التي من المحتمل أن تقلل من العبء المعرفي للمتعلمين ذوي الكفاءة المنخفضة الذين يتنقلون عبر واجهات اللغة الإنجليزية. تتماشى هذه النتائج مع الأدبيات الحالية التي تؤكد فوائد أدوات الذكاء الاصطناعي المصممة جيدًا في خلق بيئات تعلم داعمة.
بالإضافة إلى ذلك، قد يسهم التوجه القوي نحو الأهداف في السياق المهني في تصورات عالية موحدة للفائدة، حيث يدرك المتعلمون صلة الأداة بمهارات اللغة الإنجليزية المتعلقة بالوظيفة. تؤكد الدراسة صحة نموذج قبول التكنولوجيا (TAM) في سياق MOOCs اللغوية المعززة بالذكاء الاصطناعي، مع تسليط الضوء بشكل خاص على الرابط القوي بين BI وPLO (β = 0.814)، مما يدعم توسيع TAM ليشمل نتائج التعلم. بينما أظهر المتعلمون ذوو الكفاءة الأعلى نية انخراط أولية أقوى قليلاً، لم يؤثر ذلك بشكل كبير على العلاقات الأساسية لـ TAM، مما يشير إلى أنه بمجرد الانخراط، كانت عمليات قبول جميع المتعلمين متأثرة بشكل مشابه بواسطة سهولة الاستخدام المدركة والفائدة. يجب أن تستكشف الأبحاث المستقبلية القابلية للتكيف المدركة لتوضيح هذه الديناميات بشكل أكبر.
المناقشة
تجمع قسم المناقشة في ورقة البحث الأدلة المتعلقة بتقاطع الذكاء الاصطناعي (AI) والدورات التعليمية المفتوحة عبر الإنترنت (MOOCs) في سياق التعليم والتدريب المهني (TVET). يسلط الضوء على الإمكانات التحويلية للتخصيص المعزز بالذكاء الاصطناعي في تحسين إتقان اللغة الإنجليزية كلغة أجنبية (EFL) وتحفيز المتعلمين ومشاركتهم. بينما أظهرت أدوات الذكاء الاصطناعي أنها تعزز نتائج التعلم من خلال التقدم الفردي والتعليقات الفورية، غالبًا ما تتجاهل الأدبيات التحديات التي يواجهها المتعلمون ذوو الكفاءة المنخفضة، خاصة في البيئات التي تهيمن عليها اللغة الإنجليزية. يجادل المؤلفون بأن الكفاءة اللغوية الموجودة مسبقًا قد تؤثر بشكل كبير على القيمة المدركة وقابلية استخدام أدوات الذكاء الاصطناعي، مما يشير إلى أن إتقان اللغة الإنجليزية يعمل كشرط حدودي لقبول التكنولوجيا.
تتوسع القسم أكثر في نموذج قبول التكنولوجيا (TAM) وأهميته في التعليم المهني، مع التأكيد على دور الفروق الفردية، مثل التحفيز والتنظيم الذاتي، في اعتماد التكنولوجيا. يقترح المؤلفون أن إتقان اللغة الإنجليزية يعدل المسارات الرئيسية لـ TAM، مما يؤثر على العلاقات بين سهولة الاستخدام المدركة (PEOU) والفائدة المدركة (PU) ونية السلوك (BI) ونتائج التعلم المدركة (PLO). يحددون فرضيات تفترض كيف يمكن لمستويات مختلفة من إتقان اللغة الإنجليزية أن تعزز أو تخفف من هذه العلاقات، مما يؤثر في النهاية على مشاركة المتعلمين ونجاحهم في MOOCs المعززة بالذكاء الاصطناعي. تختتم المناقشة بمعالجة الاعتبارات المنهجية لاختبار هذه التأثيرات التعديلية، مما يبرز الحاجة إلى تقييم نفسي دقيق وتأثيرات تباين المتعلمين في MOOCs.
القيود
تسلط قسم القيود الضوء على عدة قيود حاسمة تؤثر على نتائج الدراسة. أولاً، اعتمد قياس إتقان اللغة الإنجليزية (EP) على تقرير ذاتي من عنصر واحد، مما قد لا يعكس بشكل كافٍ تعقيد مهارات اللغة وقد يقدم خطأ في القياس، مما يضعف تحليلات التعديل (H4-H6). تبقى ادعاءات الدراسة بأن التكيف مع الذكاء الاصطناعي يمكن أن يحل محل EP في تخفيف العبء المعرفي غير مختبرة بسبب نقص القياس المباشر للتكيف مع الذكاء الاصطناعي وإزالة العناصر المعكوسة، مما قد يؤدي إلى تحيز الموافقة. يجب أن تتضمن الأبحاث المستقبلية مقاييس متعددة العناصر أو موضوعية لـ EP وتطوير مؤشرات موثوقة للتكيف مع الذكاء الاصطناعي لتقييم هذه الفرضية بشكل مباشر.
ثانيًا، واجه النهج التحليلي قيودًا بسبب الاعتماد على الانحدار الهرمي مع عامل تعديل من عنصر واحد وعينة غير متوازنة، خاصة مجموعة ذات كفاءة عالية صغيرة (n = 18)، مما قلل من القوة الإحصائية. تحد من تجانس العينة، المأخوذة من كلية مهنية صينية واحدة ومنصة MOOC معززة بالذكاء الاصطناعي محددة، إمكانية تعميم النتائج عبر سياقات ثقافية وتعليمية مختلفة. يجب أن تهدف الدراسات المستقبلية إلى إجراء تحليلات مقارنة عبر إعدادات وأدوات ذكاء اصطناعي متنوعة. بالإضافة إلى ذلك، قد تؤثر الفروق الفردية غير المقاسة، مثل المهارات الرقمية والخبرة السابقة مع الذكاء الاصطناعي، على مسارات نموذج قبول التكنولوجيا (TAM) وتستدعي مزيدًا من الاستكشاف. أخيرًا، يحد التصميم العرضي للدراسة من الاستنتاجات السببية بشأن العلاقات بين مكونات TAM، مما يشير إلى الحاجة إلى أبحاث طولية تستخدم تصاميم لوحات متقاطعة وتحليلات تعلم موضوعية لفهم هذه الديناميات بشكل أفضل. بشكل عام، بينما تشير الدراسة إلى أن EP له ارتباط مباشر طفيف بالنوايا، إلا أنه لا يعدل مسارات القبول، مما يبرز ضرورة المزيد من التحقيق في دور الذكاء الاصطناعي التكيفي في التعليم المهني.
DOI: https://doi.org/10.3389/fpsyg.2026.1772129
PMID: https://pubmed.ncbi.nlm.nih.gov/41798025
Publication Date: 2026-02-19
Author(s): Shuhua Hou et al.
Primary Topic: Online Learning and Analytics
Overview
This study examines the role of English proficiency as a potential moderator in the Technology Acceptance Model (TAM) pathways within AI-enhanced English MOOCs for vocational students. Utilizing an extended TAM framework that includes Perceived Ease of Use (PEOU), Perceived Usefulness (PU), Behavioral Intention (BI), and Perceived Learning Outcomes (PLO), the research surveyed 516 learners from an AI-powered MOOC. Confirmatory factor analysis demonstrated strong measurement properties, while structural analysis revealed significant direct effects among the TAM components. Notably, English proficiency did not significantly moderate any of the TAM pathways, although a small positive direct effect on BI was observed. These findings suggest that effective AI personalization can alleviate language-related barriers, enabling consistent TAM mechanisms across varying proficiency levels.
The study highlights a critical gap in existing research regarding the moderation of language proficiency in the context of AI-enhanced vocational MOOCs. While previous studies have acknowledged the importance of learner traits such as self-efficacy and digital literacy, English proficiency has been largely overlooked as a key moderator. The absence of significant moderation effects may stem from methodological limitations, including the use of a single-item proficiency measure and an imbalanced sample. Despite these constraints, the results indicate that well-designed AI tools can foster equitable engagement in language learning, suggesting that the impact of individual differences may be less pronounced in advanced educational technologies. Future research should focus on employing more robust measures of proficiency and exploring additional moderators to further validate these insights and enhance the understanding of technology acceptance in diverse educational contexts.
Introduction
The integration of Artificial Intelligence (AI) into educational technology, particularly in language learning through AI-enhanced Massive Open Online Courses (MOOCs), has transformed the landscape of Vocational Education and Training (TVET). These platforms utilize adaptive algorithms and intelligent tutoring systems to offer personalized and interactive learning experiences, which are crucial for developing both technical skills and English language proficiency in a globalized economy. The Technology Acceptance Model (TAM) serves as a foundational framework for understanding user acceptance of these technologies, emphasizing the roles of Perceived Usefulness (PU) and Perceived Ease of Use (PEOU). However, existing research often overlooks the impact of individual differences, particularly English proficiency, on technology acceptance processes.
This study aims to fill this gap by investigating the moderating role of English proficiency within an extended TAM framework, specifically in the context of AI-enhanced vocational MOOCs. The authors hypothesize that English proficiency influences the relationships between PEOU, PU, behavioral intention (BI), and perceived learning outcomes (PLO), with stronger effects observed among higher-proficiency learners. By employing a survey of vocational students, the research seeks to contribute both theoretically and practically. Theoretically, it positions vocational learners as a critical boundary condition for TAM, suggesting that AI-adaptivity should account for linguistic competence and occupational constraints. Practically, the study aims to provide design heuristics for creating equitable AI-MOOC environments tailored to learners with varying English proficiency levels, thereby enhancing accessibility and effectiveness in vocational education.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including controlled experiments and surveys, to gather comprehensive data. Participants were selected based on specific inclusion criteria, ensuring a representative sample relevant to the research questions.
Data analysis was conducted using statistical software, applying techniques such as regression analysis and ANOVA to evaluate the relationships between variables. Qualitative data were analyzed thematically, allowing for the identification of patterns and insights that complemented the quantitative findings. The methodology was designed to ensure reliability and validity, with appropriate measures taken to minimize bias and enhance the robustness of the results.
Results
The results indicate that the absence of moderation in the AI-enhanced vocational MOOC suggests that the psychological mechanisms connecting technology perceptions to adoption and perceived learning are consistent across different proficiency levels. Specifically, the relationships among perceived ease of use (PEOU), perceived usefulness (PU), behavioral intention (BI), and perceived learning outcomes (PLO) were robust, indicating that learners, regardless of proficiency, viewed the system’s usability and value similarly. This uniformity may be attributed to the AI system’s adaptive algorithms and personalized feedback, which likely reduced cognitive load for lower-proficiency learners navigating English-mediated interfaces. Such findings align with existing literature that emphasizes the benefits of well-designed AI tools in creating supportive learning environments.
Additionally, the vocational context’s strong goal orientation may contribute to uniformly high perceptions of usefulness, as learners recognize the tool’s relevance to job-related English skills. The study reaffirms the validity of the Technology Acceptance Model (TAM) in the context of AI-powered vocational language MOOCs, particularly highlighting the strong link between BI and PLO (β = 0.814), which supports the extension of TAM to include learning outcomes. While higher-proficiency learners exhibited a slightly stronger initial engagement intention, this did not significantly impact the primary TAM relationships, suggesting that once engaged, all learners’ acceptance processes were similarly influenced by perceived ease of use and usefulness. Future research should explore perceived adaptivity to further elucidate these dynamics.
Discussion
The discussion section of the research paper synthesizes evidence regarding the intersection of artificial intelligence (AI) and Massive Open Online Courses (MOOCs) in the context of Vocational Education and Training (TVET). It highlights the transformative potential of AI-enhanced personalization in improving English as a Foreign Language (EFL) learners’ proficiency, motivation, and engagement. While AI tools have been shown to enhance learning outcomes through individualized pacing and immediate feedback, the literature often overlooks the challenges faced by low-proficiency learners, particularly in English-dominant environments. The authors argue that pre-existing language competence may significantly influence the perceived value and usability of AI tools, suggesting that English proficiency acts as a boundary condition for technology acceptance.
The section further elaborates on the Technology Acceptance Model (TAM) and its relevance to vocational education, emphasizing the role of individual differences, such as motivation and self-regulation, in technology adoption. The authors propose that English proficiency moderates key TAM paths, affecting the relationships between perceived ease of use (PEOU), perceived usefulness (PU), behavioral intention (BI), and perceived learning outcomes (PLO). They outline hypotheses that posit how varying levels of English proficiency can amplify or attenuate these relationships, ultimately impacting learners’ engagement and success in AI-enhanced MOOCs. The discussion concludes by addressing methodological considerations for testing these moderation effects, underscoring the need for rigorous psychometric evaluation and the implications of learner heterogeneity in MOOCs.
Limitations
The section on limitations highlights several critical constraints affecting the study’s findings. Firstly, the measurement of English proficiency (EP) relied on a single-item self-report, which may not adequately capture the complexity of language skills and could introduce measurement error, thus weakening the moderation analyses (H4-H6). The study’s claim that AI-adaptivity can substitute for EP in alleviating cognitive load remains untested due to the lack of direct measurement of AI-adaptivity and the removal of reverse-coded items, which may have led to acquiescence bias. Future research should incorporate multi-item or objective measures of EP and develop validated indicators for AI-adaptivity to directly assess this substitution hypothesis.
Secondly, the analytical approach faced limitations due to the reliance on hierarchical regression with a single-item moderator and an imbalanced sample, particularly a small high-proficiency group (n = 18), which reduced statistical power. The sample’s homogeneity, drawn from a single Chinese vocational college and a specific AI-enhanced MOOC platform, limits the generalizability of the findings across different cultural and educational contexts. Future studies should aim for comparative analyses across diverse settings and AI tools. Additionally, unmeasured individual differences, such as digital literacy and prior AI experience, may influence the Technology Acceptance Model (TAM) pathways and warrant further exploration. Lastly, the cross-sectional design of the study restricts causal inferences regarding the relationships among TAM constructs, suggesting a need for longitudinal research employing cross-lagged panel designs and objective learning analytics to better understand these dynamics. Overall, while the study indicates that EP has a minor direct link to intention, it does not moderate acceptance pathways, highlighting the necessity for further investigation into the role of adaptive AI in vocational education.