*المراسلة:
جانغ هيون كيم
alohakim@skku.edu
قسم علوم التفاعل، جامعة سونغكيوكوان، سيول، جمهورية كوريا
قسم تفاعل الإنسان مع الذكاء الاصطناعي، جامعة سونغكيوكوان، سيول، جمهورية كوريا
قسم التربية البدنية، جامعة كوريا، سيول، جمهورية كوريا

الكلمات الرئيسية: الذكاء الاصطناعي، الاعتماد على الذكاء الاصطناعي، الكفاءة الذاتية الأكاديمية، الضغط الأكاديمي، توقعات الأداء، ChatGPT

إن الظهور السريع للذكاء الاصطناعي (AI) كتكنولوجيا ثورية يعيد تشكيل كل جانب من جوانب حياتنا (لوند ووانغ، 2023). لقد غيرت الطريقة التي نتفاعل بها مع التكنولوجيا ولديها القدرة على دفع تقدم كبير في عدة مجالات (لوند ووانغ، 2023؛ زانغ وآخرون، 2023أ، ب). على الرغم من أن الناس يستخدمون أنواعًا متنوعة من الذكاء الاصطناعي، مثل مكبرات الصوت الذكية أو المساعدين الافتراضيين، تركز الدراسة الحالية على الذكاء الاصطناعي التوليدي، مثل ChatGPT. يتأثر هذا بشكل رئيسي بتأثير ChatGPT. كانت إطلاق ChatGPT من OpenAI حدثًا عالميًا، حيث أصبح ChatGPT بسرعة واحدة من أكثر تقنيات الذكاء الاصطناعي شعبية (ليبرينز وآخرون، 2023). لقد سجل رقمًا قياسيًا بين التطبيقات الاستهلاكية التي تتوسع بسرعة، حيث حصل على مليون

مستخدمين في غضون خمسة أيام فقط من إطلاقه، وحقق قاعدة مستخدمين تبلغ 100 مليون في غضون شهرين بحلول نوفمبر 2022.

لقد درس العديد من الباحثين ChatGPT نظرًا لفوائده وإمكاناته (دويفيدي وآخرون، 2023؛ فيتريا، 2023؛ لوند ووانغ، 2023). ومع ذلك، كما ذكر شين وآخرون (2023)، فإن ChatGPT هو سلاح ذو حدين. أصبحت المشكلات المتعلقة بالأخلاقيات (ليبرينز وآخرون، 2023)، ومخاوف الخصوصية (بول وآخرون، 2023)، والقلق (صلاح وآخرون، 2023) قضايا عامة. علاوة على ذلك، أدى الاستخدام المتزايد لـ ChatGPT إلى اعتماد الأفراد المتزايد على الذكاء الاصطناعي، مما أدى إلى حالات من سوء الاستخدام والإساءة (كاسنيتشي وآخرون، 2023؛ كينغ وChatGPT، 2023).

على الرغم من عدم وجود دراسات سابقة، تم التنبؤ بأن الاعتماد المفرط على تكنولوجيا الذكاء الاصطناعي سيكون له آثار سلبية على الناس، مثل تقليل التفكير النقدي وانخفاض في قدرات حل المشكلات. لمعالجة هذه القضايا، هناك حاجة إلى جهود عاجلة. على حد علمنا، لم تقم أي دراسات سابقة بإجراء تحليل شامل للاعتماد على الذكاء الاصطناعي. بالنظر إلى ضرورة وعجلة هذه المشكلة، يجب التحقيق تجريبيًا في خصائص الفئات الضعيفة والعوامل النفسية التي تؤثر على أفعالهم. تستخدم هذه الدراسة ChatGPT لاستكشاف اعتماد الطلاب الجامعيين على الذكاء الاصطناعي وسلوكيات سوء الاستخدام.

تماشيًا مع الدراسات السابقة (جون وتشوي، 2015؛ مون، 2023)، افترضت هذه الدراسة أن الكفاءة الذاتية الأكاديمية هي مؤشر حاسم على الاستخدام الإشكالي للذكاء الاصطناعي من قبل الطلاب. تم استخدام نموذج تفاعل الشخص-العاطفة-الإدراك-التنفيذ (I-PACE) لتوفير أساس نظري للارتباط بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي. علاوة على ذلك، تؤثر عوامل أخرى، مثل الضغط الأكاديمي وتوقعات الأداء، على هذه العلاقة. أخيرًا، تم إجراء تحليلات إضافية لفهم الآثار الضارة لاستخدام ChatGPT على الطلاب الجامعيين.

يعمل نموذج I-PACE (براند وآخرون، 2016) كإطار مفاهيمي لفهم الآليات المعنية في تقدم واستمرار السلوكيات الإدمانية المتعلقة بتطبيقات الإنترنت أو المواقع المحددة. يتكون هذا النموذج من أربعة عناصر: الإنسان، والعاطفي، والمعرفي، والتنفيذي. يغطي العنصر الأول الخصائص الفردية، مثل الشخصية والسمات النفسية، والإدراك الاجتماعي، والضعف المعرفي. يتكون العنصر الثاني من العوامل العاطفية التي تؤثر على سلوك الفرد، بما في ذلك الاستجابات العاطفية لمختلف المحفزات واستراتيجيات التكيف. يتضمن العنصر الثالث العمليات المعرفية والتحيزات التي تشكل الأفراد. يشير العنصر الأخير إلى السلوك الفعلي للفرد، مثل درجة استخدام التكنولوجيا، وضبط النفس، واتخاذ القرار بشأن تطبيقات الإنترنت. تظهر العادات الإدمانية وتستمر من خلال التفاعلات بين هذه العناصر الأربعة.

اعتبارًا من عام 2023، يوفر هذا النموذج أساسًا نظريًا قيمًا للتحقيق في الاستخدام المفرط للتكنولوجيا في بيئات متنوعة (إلهاي وآخرون، 2018؛ هو وآخرون، 2023؛ روثن وآخرون، 2018). ومع ذلك، لا يزال تطبيق نموذج I-PACE للتحقيق في الأسباب الكامنة والعمليات الداخلية وراء الاعتماد على الذكاء الاصطناعي غير مستكشف. هذه الدراسة هي الأولى التي تستخدم هذا النموذج كأساس نظري رئيسي للتحقيق في الاعتماد على الذكاء الاصطناعي.

تركز هذه الدراسة على العوامل الشخصية في نموذج I-PACE، حيث تحقق في السمات الفردية، مثل الكفاءة الذاتية الأكاديمية والضغط الأكاديمي، التي أثبتت أنها مؤشرات قوية للسلوكيات الإشكالية بين طلاب الجامعات (لي وآخرون، 2020؛ مون، 2023؛

بارماكسız، 2022). يُعتبر الذكاء الاصطناعي أداة مفيدة للطلاب، حيث يوفر الدعم الأكاديمي والعاطفي (الشاطر، 2022؛ كوينتانس-جونيور وآخرون، 2023). استنادًا إلى ذلك، توقعنا أن الكفاءة الذاتية الأكاديمية والضغط مرتبطان بتوقعات أداء الطلاب تجاه الذكاء الاصطناعي على الرغم من عدم وجود دراسات سابقة. علاوة على ذلك، قد يؤدي زيادة توقعات الأداء إلى زيادة اعتماد الطلاب على الذكاء الاصطناعي. ومن ثم، تتضمن هذه الدراسة توقعات الأداء كعنصر إضافي حاسم يؤثر على الاعتماد على الذكاء الاصطناعي في إطار البحث.

تشير الكفاءة الذاتية، وهي مفهوم مستمد من نظرية التعلم الاجتماعي (باندورا، 1986)، إلى ثقة الشخص في قدرته على أداء أو إتقان مهمة معينة. ومع ذلك، فإنها تختلف اعتمادًا على المهمة أو الحالة (باجارس، 2002). الكفاءة الذاتية الأكاديمية هي اعتقاد الشخص في قدرته على النجاح في المدرسة (خان، 2013؛ لي وآخرون، 2020؛ بارماكسız، 2022). يظهر الأفراد الذين لديهم معتقدات كفاءة ذاتية أكاديمية عالية إحساسًا قويًا بالثقة في قدرتهم على التخطيط والتنظيم وتنفيذ المهام الأكاديمية بفعالية. يظهرون حماسًا أكبر للتعلم، ويبذلون جهدًا أكبر، ويظهرون عزيمة أعلى لتحقيق أهدافهم مقارنةً بأولئك الذين لديهم كفاءة ذاتية أكاديمية منخفضة (هونك و برودبنت، 2016).

في هذه الدراسة، نعرف الاعتماد على الذكاء الاصطناعي بأنه الاعتماد المفرط على تقنيات وتطبيقات الذكاء الاصطناعي عبر جوانب مختلفة من الحياة، بما في ذلك الدراسات الأكاديمية، والروتين اليومي، والتفاعلات الاجتماعية. يتميز هذا الشكل من الاعتماد ليس فقط بالاستخدام المفرط للأدوات المدعومة بالذكاء الاصطناعي ولكن أيضًا بالاعتماد النفسي الكبير على هذه التقنيات. بينما يُعتبر مصطلح “الاعتماد” محايدًا بطبيعته، تستهدف تحقيقاتنا بشكل خاص سلوكيات الاستخدام الإشكالية التي تظهر نتيجة لهذا الاعتماد.

وفقًا لنظرية الكفاءة الذاتية (جاكسون وآخرون، 2019)، فإن الطلاب الذين يعانون من ضعف الثقة الأكاديمية يكونون أكثر عرضة للإحباط وقد لا يتمكنون من إكمال الأنشطة الأكاديمية. في مثل هذه الحالات، قد يسعون للحصول على مساعدة خارجية لتعويض عجزهم مثل ChatGPT، وهو بديل مريح يعتمد على الذكاء الاصطناعي. يتيح استخدام ChatGPT للطلاب الحصول على إجابات سريعة ومباشرة من خلال طرح الأسئلة، مما قد يعزز أدائهم الأكاديمي على المدى القصير (الشاطر، 2022؛ رحمن وواتانوب، 2023). وبالتالي، قد يعتمد الطلاب أكثر على الذكاء الاصطناعي للحصول على حلول فورية بدلاً من حل المشكلات بشكل مستقل. على المدى الطويل، من المحتمل أن يفرط الطلاب الذين يعانون من ضعف الكفاءة الذاتية الأكاديمية في استخدام الذكاء الاصطناعي.

داخل نموذج I-PACE، تم تأكيد تأثير الكفاءة الذاتية الأكاديمية على الاستخدام غير المناسب للتكنولوجيا (هونغ وآخرون، 2021؛ لي وآخرون، 2021). وقد أفادت الدراسات السابقة باستمرار أن الكفاءة الذاتية الأكاديمية مرتبطة عكسياً بالسلوك الإدماني (بيرانويو وآخرون، 2009؛ أوداچي، 2013). متماشياً مع الدراسات السابقة حول الاعتماد على الذكاء الاصطناعي، نقترح الفرضية التالية:

H1: يرتبط الكفاءة الذاتية الأكاديمية سلبًا بالاعتماد على الذكاء الاصطناعي.

الضغط الأكاديمي هو ضغط نفسي ناتج عن الضغط المستمر أثناء السعي لتحقيق هدف أكاديمي (بدوي وغابرييل، 2015؛ ستراثرز وآخرون، 2000) ويشكل خطرًا في تحفيز مشكلات نفسية وسلوكية بين الطلاب (ريدي وآخرون، 2018). ضمن إطار نموذج I-PACE، يلعب الضغط الأكاديمي دورًا حاسمًا كعامل معرفي اجتماعي يساهم في استخدام التكنولوجيا بشكل إشكالي. وقد أبرزت الدراسات السابقة العلاقة السلبية بين الكفاءة الذاتية الأكاديمية والضغط الأكاديمي، مما يشير إلى أن انخفاضًا في الأكاديمي
الكفاءة الذاتية تؤدي إلى زيادة في الضغط الأكاديمي (نيلسن وآخرون، 2018؛ فانتجيهم وفان هوت، 2015).

تنص نظرية التكيف مع الضغوط (لازاروس وفولكمان، 1984) على أن الأفراد في المواقف المجهدة يتحفزون للبحث عن طرق للتكيف مع الضغوط والتحديات التي يواجهونها. ومع ذلك، قد تزيد آليات التكيف غير الفعالة من احتمال اعتماد سلوكيات غير تكيفية أو إدمانية (كومباس وآخرون، 2001؛ ميتزجر وآخرون، 2017). توفر تقنية الذكاء الاصطناعي للطلاب وسيلة سهلة وسريعة للوصول إلى المعلومات الأكاديمية والإجابات، مما يلبي احتياجاتهم الأكاديمية على المدى القصير ويقلل من الضغوط الأكاديمية (راني وآخرون، 2023؛ زو وآخرون، 2023). علاوة على ذلك، أظهرت الدراسات أن تقنيات الذكاء الاصطناعي مثل الدردشة مع الروبوتات يمكن أن تخفف من المشكلات النفسية للمستخدمين وبالتالي تحسن صحتهم النفسية. على سبيل المثال، اقترح مينغ ودai (2021) وبارك وآخرون (2019) أن الدردشة مع الروبوتات تساعد في تخفيف الضغوط وتحسين المزاج.

ومع ذلك، قد تؤدي مثل هذه الإشباعات الشخصية إلى تفاقم التعلق المفرط بالذكاء الاصطناعي، مما يدفع الأفراد الذين يعانون من ضغوط أكاديمية إلى البحث عن الدعم الأكاديمي والعاطفي منه (راني وآخرون، 2023). في النهاية، يصبح الأفراد أكثر عرضة للاعتماد على الذكاء الاصطناعي. استنادًا إلى الروابط بين الكفاءة الذاتية الأكاديمية، والضغط الأكاديمي، والاعتماد على الذكاء الاصطناعي، نقترح أن العلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي تتوسطها الضغوط الأكاديمية. بالنظر إلى أن الأفراد ذوي الكفاءة الذاتية الأكاديمية المنخفضة يميلون إلى تجربة ضغوط أكاديمية متزايدة، فقد يلجأون بشكل متزايد إلى الذكاء الاصطناعي كآلية للتكيف، مما يؤدي إلى اعتماد مفرط على هذه التكنولوجيا. ومن ثم، نقترح الفرضية التالية:

H2: الضغط الأكاديمي يتوسط العلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي.

يشير دوايدي وآخرون (2019) إلى توقعات الأداء على أنها الدرجة التي يعتقد فيها الأفراد أن استخدام تقنية معينة يحسن من أدائهم. هذه جانب معرفي مهم يؤثر على مواقف (المستخدمين المحتملين)، مما يؤثر بدوره على استعدادهم لاستخدام التكنولوجيا والاستخدام الفعلي. لقد طبق الباحثون في مجالات مختلفة توقعات الأداء على مجالات متنوعة للتنبؤ بمواقف المستخدمين وسلوكيات قبولهم تجاه المنتجات التكنولوجية (تشواه وآخرون، 2016؛ ديفيس، 1989؛ الكاسيه وآخرون، 2016).

وفقًا لـ Brand وآخرون (2016)، يقترح نموذج I-PACE أن التحيزات المعرفية الناشئة عن التوقعات والأوهام المتعلقة بالتكنولوجيا يمكن أن تؤثر على العلاقة بين العوامل النفسية والتبني الإشكالي للتكنولوجيا. وبالتالي، تعتبر هذه الدراسة الإدراك النفسي للذكاء الاصطناعي كتحيز معرفي قد يعتدل العلاقة بين الاعتماد على الذكاء الاصطناعي والمقدمات المقترحة له (الكفاءة الذاتية الأكاديمية والضغط الأكاديمي). لذلك، افترضنا أن الطلاب الذين لديهم كفاءة ذاتية أكاديمية أقل من المحتمل أن يكون لديهم توقعات وأوهام أعلى حول التكنولوجيا، مما يؤدي إلى الإفراط في استخدام الذكاء الاصطناعي كاستراتيجية للتكيف. وبالتالي، اقترحنا الفرضية التالية:

H3: توقعات الأداء تتوسط العلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي.

قد يزيد الضغط الأكاديمي من التصورات والمشاعر السلبية (جون وتشوي، 2015)، مما يؤدي إلى تفاقم تأملات الأفراد حول كفاءتهم الذاتية الأكاديمية وتقنيات الذكاء الاصطناعي.

بالنظر إلى أن الذين يفتقرون إلى الكفاءة الذاتية الأكاديمية هم أكثر عرضة لتجربة الضغط الأكاديمي (Nielsen et al., 2018)، نرى أنهم من المرجح أن يدركوا الذكاء الاصطناعي كأداة مفيدة وبالتالي يعتمدون عليه أكثر (Lin et al., 2021; Pitafi et al., 2020). لذلك، نفترض أن الضغط الأكاديمي وتوقعات الأداء هما متغيران وسطيان متسلسلان في العلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي. ومن ثم، صغنا الفرضية التالية:

H4: الضغط الأكاديمي وتوقعات الأداء يتوسطان بشكل تسلسلي تأثير الكفاءة الذاتية الأكاديمية على الاعتماد على الذكاء الاصطناعي.

لقد استكشفت الدراسات السابقة بشكل موسع الأضرار المرتبطة بسلوكيات الإدمان المختلفة (De Wit، 2009؛ Sriwilai & Charoensukmongkol، 2016؛ Zeljko، 2022). على سبيل المثال، بالنسبة لطلاب الجامعات، قد تؤثر السلوكيات الإشكالية سلبًا على الأداء الأكاديمي (Nayak، 2018؛ Noreen، 2013) والصحة النفسية (Babadi-Akashe et al.، 2014؛ Sujarwoto et al.، 2023). وبناءً عليه، نشك في أن الاعتماد على الذكاء الاصطناعي له عدة آثار سلبية على الطلاب. لذلك، كانت هذه الدراسة تهدف إلى الإجابة على سؤال البحث التالي.

RQ: ما هي عواقب الاعتماد على الذكاء الاصطناعي؟

لجمع البيانات من مستخدمي ChatGPT، أجرينا استبيانًا عبر الإنترنت في أغسطس 2023 في كوريا الجنوبية بموافقة لجنة المراجعة المؤسسية في جامعتنا. تم إجراء الاستبيان باستخدام منصة استبيانات عبر الإنترنت موثوقة تقدمها شركة Embrain، وهي شركة كورية جنوبية بارزة متخصصة في الاستبيانات عبر الإنترنت.

تم دعوة طلاب الجامعات في سيول، كوريا الجنوبية، للمشاركة في هذه الدراسة. تم اختيار المشاركين من خلال سؤالهم عما إذا كانت لديهم أي تجربة في استخدام ChatGPT. تم تضمين ما مجموعه 300 مشارك في هذه الدراسة. تقدم الجدول 1 الخصائص الديموغرافية للمشاركين.

تم الحصول على العناصر المستخدمة في هذه الدراسة من دراسات سابقة. قام مترجم محترف بترجمة العناصر إلى الكورية للحفاظ على التناسق والتكافؤ بين العناصر في الاستبيان الكوري ولغتها الأصلية. ثم قام باحثان ثنائيا اللغة بمراجعة الترجمات بدقة. تم تقييم جميع العناصر على مقياس ليكرت المكون من خمس نقاط.

لتقييم الثقة الأكاديمية الذاتية بين الطلاب، تم استخدام استبيان الكفاءة الذاتية الأكاديمية (Nielsen et al., 2018)، الذي يتكون من سبع عبارات، بما في ذلك “أعتقد أنه مع الجهد الكافي طوال الفصل الدراسي، يمكنني التفوق في الامتحان.” لقد تم استخدام هذه الأداة على نطاق واسع في الدراسات السابقة (Akanni & Oduaran, 2018; Hitches et al., 2022).

تم قياس الضغط الأكاديمي للطلاب باستخدام سبعة عناصر (يو، 2018)، بما في ذلك “أنا قلق بشأن عدم رضا درجاتي” و “أنا قلق بشأن تأمين وظيفة جيدة بعد التخرج.” وقد تم تأكيد موثوقية هذه الأداة في دراسات سابقة (جارفيز وآخرون، 2020؛ جون وتشوي، 2015).

تم قياس توقعات الأداء باستخدام ثلاثة عناصر مأخوذة من أرونسون وكارلسميث (1962)، والتي تتضمن عبارات مثل “أعتقد أن استخدام ChatGPT سيساعدني في حل المشكلة بشكل أفضل.” وقد تم تأكيد موثوقية هذه المقياس سابقًا (نان وآخرون، 2022؛ تشانغ وآخرون، 2023أ).

تم قياس الاعتماد على الذكاء الاصطناعي باستخدام ستة عناصر تم تطويرها بواسطة أندرياسن وآخرون (2012) وقد تم التحقق من صحتها في دراسات سابقة (هو وآخرون، 2023؛ لي-وان وآخرون، 2015). تم تضمين عبارات مثل “حاولت تقليل استخدام ChatGPT دون جدوى”.

لفهم الآثار السلبية للاستخدام المفرط لـ ChatGPT بين طلاب الجامعات، قمنا بتضمين سؤال مفتوح في نهاية الاستبيان، يطلب من المشاركين الكتابة بحرية (في كلمتين على الأقل) عن الآثار السلبية لاستخدام ChatGPT.

تم استخدام النسخة 29 من SPSS للتحليلات الوصفية والارتباطية. بعد ذلك، تم استخدام النموذج 6 في PROCESS الذي طوره هايز (هايز، 2012) لإجراء اختبار تأثير الوساطة. تم فحص أهمية تأثير الوساطة باستخدام 5000 عينة ومنهجية البوتستراب المئوية المصححة للانحياز.

لتحليل النوعي، قام مترجمان محترفان بترجمة البيانات من الكورية إلى الإنجليزية. ثم قام المؤلفان الأول والثاني بفحص البيانات من خلال دمج البيانات المتطابقة (مثل: التفكير النقدي، Critical thinking، وcritical think). في حالة وجود أي غموض، تفاوض جميع المؤلفين حتى توصلوا إلى توافق. أخيرًا، تم تحليل البيانات بصريًا باستخدام سحب الكلمات.

ملاحظة ASF، الكفاءة الذاتية الأكاديمية؛ AID، الاعتماد على الذكاء الاصطناعي؛ AS، الضغط الأكاديمي؛ PE، توقعات الأداء؛ SD، الانحراف المعياري؛ .

ملاحظة ASF، الكفاءة الذاتية الأكاديمية؛ AID، الاعتماد على الذكاء الاصطناعي؛ AS، الضغط الأكاديمي؛ PE، توقعات الأداء؛ b، معامل الانحدار القياسي؛ CI، فترة الثقة؛ LLCI، الحد الأدنى لفترة الثقة؛ ULCI، الحد الأقصى لفترة الثقة؛ * .

.

كما هو موضح في الجدول 2، لوحظت علاقات ذات دلالة إحصائية بين الكفاءة الذاتية الأكاديمية (المتوسط=3.796، الانحراف المعياري=0.862)، الاعتماد على الذكاء الاصطناعي (المتوسط=2.806، الانحراف المعياري=0.788)، الضغط الأكاديمي (المتوسط=3.568، الانحراف المعياري=0.587)، وتوقعات الأداء (المتوسط=3.782، الانحراف المعياري=0.732). كانت الكفاءة الذاتية الأكاديمية مرتبطة سلبياً بالاعتماد على الذكاء الاصطناعي. ) وضغط الدراسة الأكاديمية ( ). ومع ذلك، لم يكن هناك ارتباط بين الكفاءة الذاتية الأكاديمية وتوقعات الأداء ( الضغط الأكاديمي ) وتوقعات الأداء ( كانت مرتبطة بشكل إيجابي بالاعتماد على الذكاء الاصطناعي. وكان الضغط الأكاديمي مرتبطًا بشكل إيجابي بتوقعات الأداء. ).

تظهر الجداول 3 و 4؛ الشكل 1 نتائج دراسة الوساطة.
لم يتم العثور على علاقة ذات دلالة إحصائية بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي. ، SE سي آي )، وبالتالي لا تدعم H1.

أظهرت نتائج تحليل الوساطة علاقة سلبية كبيرة بين الكفاءة الذاتية الأكاديمية والضغط الأكاديمي. ، SE 95% فاصل الثقة ). علاوة على ذلك، كان الضغط الأكاديمي مرتبطًا بالاعتماد على الذكاء الاصطناعي ( ، SE ، 95% CI [0.064، 0.320]). وُجد أن الضغط الأكاديمي عمل كمتغير وسيط بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي، مما يدعم H2 ( ، SE 95% فاصل الثقة ).

علاوة على ذلك، على الرغم من أن الكفاءة الذاتية الأكاديمية لم تؤثر بشكل كبير على توقعات الأداء للذكاء الاصطناعي كان لتوقعات الأداء تأثير كبير على الاعتماد على الذكاء الاصطناعي ، SE 95% فاصل الثقة 0.691]). من الجدير بالذكر أن توقعات الأداء لم تعمل كمتغير وسيط بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي ( ، SE 95% فاصل الثقة )، وبالتالي لا تدعم H3.

علاوة على ذلك، أظهر الضغط الأكاديمي ارتباطًا إيجابيًا بتوقعات الأداء. ، SE سي آي . وُجد تأثير غير مباشر متتالي كبير للكفاءة الذاتية الأكاديمية على الاعتماد على الذكاء الاصطناعي، يتم التوسط فيه من خلال الضغط الأكاديمي وتوقعات الأداء، )، وبالتالي دعم H4.

تعتمد الطلاب على الذكاء الاصطناعي له آثار سلبية عدة. الجدول 5 يوضح أهم 10 عواقب للاعتماد على الذكاء الاصطناعي. من بينها، ذكر الطلاب بشكل واسع زيادة الكسل. السرقة الأدبية معلومات غير صحيحة )، انخفاض الإبداع ( )، مخفضة
حرج ( ) والتفكير المستقل ( ) ، مستويات أقل من البحث عن المعلومات ( ) ، حل المشكلات ( ) ، وقدرات الحكم على المعلومات ( ) وإمكانية وجود مشاكل تتعلق بحقوق الطبع والنشر ( ).

تظهر الشكل 2 الآثار السلبية التي ذكرها الطلاب أكثر من ثلاث مرات.

استكشفت هذه الدراسة العلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي، مع الضغط الأكاديمي وتوقعات الأداء كوسيطين باستخدام نموذج I-PACE. كما بحثت هذه الدراسة في العواقب المحتملة للاعتماد على الذكاء الاصطناعي.

على عكس توقعاتنا، لم يكن هناك ارتباط قوي بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي. هذا يتعارض مع الدراسات السابقة (Li et al., 2020; Odaci, 2011; Parmaksız, 2022)، مما يشير إلى أن انخفاض الكفاءة الأكاديمية لا يؤدي بالضرورة إلى سلوكيات إشكالية بين الطلاب. ومع ذلك، حددت هذه الدراسة ارتباطًا غير مباشر بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي يتم التوسط فيه من خلال الضغط الأكاديمي. لذلك، على الرغم من أن الكفاءة الذاتية الأكاديمية لا تؤثر مباشرة على سلوك استخدام الطلاب للذكاء الاصطناعي بشكل إشكالي، إلا أن الطلاب الذين لديهم كفاءة ذاتية أكاديمية منخفضة لا يزالون يعتمدون على الذكاء الاصطناعي عندما يكونون تحت ضغط أكاديمي. ذكر Zhu et al. (2011) أن الناس لديهم ميل عام للاعتقاد بأن تكنولوجيا الإنترنت تعمل كأداة قيمة للبحث والتعليم. وفقًا لنظرية التكيف مع الضغط (Lazarus & Folkman, 1984)، عندما يعاني الطلاب من ضغط أكاديمي، يميلون إلى البحث عن دعم أكاديمي لتخفيفه. تؤكد نتائجنا هذا؛ من بين الطلاب، أفادوا بأنهم يستخدمون ChatGPT للمساعدة الأكاديمية، مثل دروس الواجبات المنزلية، وفهم المفاهيم، وإرشادات البحث. من المثير للاهتمام، على الرغم من أن الدراسات السابقة أفادت بأن الناس قد يسعون للحصول على مساعدة عاطفية من الوكلاء المحادثة عند مواجهة الضغط (Meng & Dai, 2021)، إلا أن 9% فقط من الطلاب في دراستنا استخدموا ChatGPT للبحث عن الدعم النفسي. لذلك، بما يتماشى مع الدراسات الحالية (Bergdahl & Bergdahl, 2002;

الاستخدام العشوائي أدى إلى انخفاض الأداء الأكاديمي السلبية – معلومات غير صحيحة نقص الجهد

الشكل 2 عواقب الاعتماد على الذكاء الاصطناعي

Wilks, 2008)، تؤكد هذه الدراسة أن السعي الناجح للحصول على المساعدة الأكاديمية قد يخفف بشكل كبير من ضغط الطلاب.

علاوة على ذلك، كشفت هذه التحقيقات أن انخفاض الكفاءة الذاتية الأكاديمية لم يؤثر على توقعات أداء المستخدمين للذكاء الاصطناعي. ومع ذلك، تم العثور على علاقة كبيرة بين توقعات الأداء والاعتماد على الذكاء الاصطناعي. بما يتماشى مع نتائج Dwivedi et al. (2019) وNan et al. (2022)، تعتبر توقعات الأداء مؤشرًا مهمًا لسلوك اعتماد المستخدم. على الرغم من أنه نادرًا ما تم استخدامه كمؤشر محتمل في الدراسات السابقة حول السلوكيات الإدمانية (Han et al., 2017)، إلا أنه كان متغيرًا مهمًا في الدراسة الحالية. قد يكون ذلك بسبب تفرد وظيفة ChatGPT وسلوك استخدام الطلاب الفعلي؛ استخدم معظم الطلاب ChatGPT للمساعدة الأكاديمية ( ) ودعم الكتابة (49%).

بالإضافة إلى ذلك، أظهرت هذه الدراسة أن الكفاءة الذاتية الأكاديمية كانت مرتبطة بشكل غير مباشر بالاعتماد على الذكاء الاصطناعي من خلال وساطة الضغط الأكاديمي وتوقعات الأداء. تشير هذه النتيجة إلى أن الطلاب الذين لديهم كفاءة ذاتية أكاديمية منخفضة يظهرون مستويات أعلى من الضغط الأكاديمي، مما يؤدي إلى زيادة التوقعات من تكنولوجيا الذكاء الاصطناعي وبالتالي يؤدي إلى مستويات أعلى من الاعتماد على الذكاء الاصطناعي. يتماشى هذا مع الإطار السلوكي المعرفي (Davis, 2001)، الذي ينص على أن انخفاض الكفاءة الذاتية الأكاديمية هو حدث خارجي يؤدي إلى الضغط الأكاديمي بين الطلاب. لذلك، اعتقد الطلاب أن الذكاء الاصطناعي يوفر وسيلة بديلة لحل المشكلات، مما يؤدي إلى الاعتماد على الذكاء الاصطناعي.

أخيرًا، كما أكد Ray (2023)، على الرغم من أن تكنولوجيا الذكاء الاصطناعي توفر للطلاب وصولًا سهلًا وسريعًا إلى المعلومات، لا يمكن تجاهل إساءة استخدام الذكاء الاصطناعي. أفاد المشاركون في هذه الدراسة بمشكلات متنوعة، من بينها انخفاض القدرة الشخصية (مثل الإبداع، التفكير النقدي، والتفكير المستقل) وزيادة في معدلات الكسل والانتحال تستحق مزيدًا من الاهتمام. لذلك، بما يتماشى مع Mhlanga (2023)، فإن توجيه الطلاب نحو الاستخدام الصحيح والمناسب للذكاء الاصطناعي أمر بالغ الأهمية.

تتمتع نتائج الدراسة الحالية بتداعيات نظرية وعملية كبيرة. على حد علمنا، هذه واحدة من أولى الدراسات التي تستكشف المقدمات الداخلية والعواقب المحتملة للاعتماد على الذكاء الاصطناعي. علاوة على ذلك، درست هذه الدراسة الضغط الأكاديمي وتوقعات الأداء كوسائط محتملة متتالية للعلاقة بين الكفاءة الذاتية الأكاديمية والاعتماد على الذكاء الاصطناعي. تساهم هذه الدراسة أيضًا في الأدبيات الموجودة. لقد أغنت استكشافات هذا الموضوع البحث حول السلوكيات الإشكالية والمواضيع المتعلقة بالذكاء الاصطناعي. علاوة على ذلك، وسعت هذه الدراسة استخدام نموذج I-PACE لفحص السلوك الإشكالي. وهذا يظهر الصلة والقدرة التفسيرية للإطار النظري ضمن نطاق دراستنا. بالإضافة إلى إضافة إلى الأدبيات حول تطبيق المتغيرات، مثل الكفاءة الذاتية الأكاديمية والضغط الأكاديمي، وسعت هذه الدراسة تطبيق توقعات الأداء في نموذج I-PACE.

من منظور عملي، تشير النتائج إلى أنه يجب استثمار المزيد من الوقت والطاقة لتقليل ضغط الطلاب الأكاديمي وتخفيف السلوكيات المعتمدة على الذكاء الاصطناعي. بالإضافة إلى ذلك، فإن توجيه الطلاب نحو الاستخدام المعقول لتكنولوجيا الذكاء الاصطناعي وتحسين معرفتهم بالذكاء الاصطناعي (Ng et al., 2021) ضروري لضمان الاستفادة الكاملة من إمكانيات تكنولوجيا الذكاء الاصطناعي ولتخفيف آثارها السلبية. أخيرًا، فإن معالجة المعلومات المضللة وتعزيز موثوقية تكنولوجيا الذكاء الاصطناعي هي مهام حاسمة تتطلب تحسينًا مستمرًا.

على الرغم من أن هذه الدراسة قدمت مساهمات كبيرة، يجب الاعتراف بحدودها ومعالجتها في الدراسات المستقبلية. أولاً، كانت جمع البيانات عرضيًا؛ لذلك، لم يكن من الممكن تأكيد العلاقات السببية بين المتغيرات. يجب على الدراسات المستقبلية إجراء دراسة أكثر عمقًا باستخدام طرق مثل الملاحظات الطولية. بالإضافة إلى ذلك، أجريت هذه الدراسة بين طلاب الجامعات في كوريا الجنوبية؛ لذلك، قد لا تكون النتائج قابلة للتعميم على مجموعات سكانية أخرى. يمكن أن تغني الدراسات المستقبلية الأدبيات حول المقدمات والعواقب للاعتماد على الذكاء الاصطناعي باستخدام عينة من طلاب الجامعات من دول أخرى.

علاوة على ذلك، كانت تحليلات العواقب تعتمد على تقارير ذاتية من الطلاب، مما يجعل النتائج ذات طابع شخصي للغاية. يجب على الدراسات المستقبلية إجراء تحليل متعمق لعواقب الاعتماد على الذكاء الاصطناعي من منظور البحث التجريبي. أخيرًا، في هذه الدراسة، استكشفنا اعتماد طلاب الجامعات على الذكاء الاصطناعي من منظور واسع، دون النظر إلى فصل وجهتي نظر محددتين: الاستخدام المقبول للذكاء الاصطناعي كأداة للمساعدة ضمن القيود التي تفرضها الدورات الأكاديمية والاستخدام غير المقبول للذكاء الاصطناعي للغش التعاقدي – وسيلة رخيصة وموثوقة لتجاوز النزاهة الأكاديمية (Manoharan et al., 2023). لذلك، نوصي بأن تعيد الدراسات المستقبلية تقييم اعتماد طلاب الجامعات على الذكاء الاصطناعي من خلال أخذ هذه الجوانب المتميزة في الاعتبار، مما يوفر رؤى أعمق حول كل من الاستخدام المشروع وغير المشروع للذكاء الاصطناعي في البيئات الأكاديمية. بالإضافة إلى ذلك، كما اقترح Nora وZhang (2010)، يمكن أن تكون العلاقة بين الكفاءة الذاتية وسلوك الغش مجموعة محتملة من متغيرات البحث للدراسات المستقبلية التي تستكشف الاعتماد على الذكاء الاصطناعي.

لتحقيق في المقدمات الداخلية والعواقب المحتملة للاعتماد على الذكاء الاصطناعي، درست هذه الدراسة العلاقات بين الكفاءة الذاتية الأكاديمية، الضغط الأكاديمي، توقعات الأداء، والاعتماد على الذكاء الاصطناعي باستخدام نموذج I-PACE. باستخدام عينة من 300 طالب جامعي في سيول، كوريا الجنوبية، أظهرت النتائج أن الكفاءة الذاتية الأكاديمية لم تكن مرتبطة بشكل كبير بالاعتماد على الذكاء الاصطناعي. ومع ذلك، تم التوسط في هذه العلاقة من خلال الضغط الأكاديمي وتوقعات الأداء. كانت عواقب الاعتماد على الذكاء الاصطناعي متنوعة؛ كانت أعلى خمس آثار سلبية هي زيادة الكسل، انتشار المعلومات المضللة، انخفاض الإبداع، وتقليل التفكير النقدي والمستقل. وسعت هذه الدراسة نظريًا على الدراسات السابقة من خلال تقديم توصيات تدخل محتملة لتقليل اعتماد الطلاب على الذكاء الاصطناعي.

لا شيء.

تشانغ شونان: التصور، المنهجية وكتابة المسودة الأصلية؛ تشاو شيانغ يينغ: التصور والتحقيق؛ زو تونغ: المنهجية والبرمجيات؛ جانغ هيون كيم: التصور، الإشراف، الحصول على التمويل وكتابة المراجعة والتحرير.

تم دعم هذا العمل من قبل مؤسسة البحث الوطنية في كوريا (NRF) منحة ممولة من الحكومة الكورية (RS-2023-00208278).

البيانات التي تدعم نتائج هذه الدراسة متاحة من المؤلف المراسل عند الطلب المعقول.

يعلن المؤلفون أنهم ليس لديهم مصالح متنافسة.

نشر على الإنترنت: 17 مايو 2024

Akanni, A. A., & Oduaran, C. A. (2018). Perceived social support and life satisfaction among freshmen: Mediating roles of academic self-efficacy and academic adjustment. Journal of Psychology in Africa, 28(2), 89-93. https://doi.org/10.1080/143302 37.2018.1454582.

Alshater, M. (2022). M. Exploring the role of artificial intelligence in enhancing academic performance: A case study of ChatGPT. Available at SSRN. https://doi.org/10.2139/ssrn.4312358.
Andreassen, C. S., Torsheim, T., Brunborg, G. S., & Pallesen, S. (2012). Development of a Facebook addiction scale. Psychological Reports, 110(2), 501-517. https://doi.org/10.2466/02.09.18.PR0.110.2.501-517.
Aronson, E., & Carlsmith, J. M. (1962). Performance expectancy as a determinant of actual performance. The Journal of Abnormal and Social Psychology, 65(3), 178. https://doi.org/10.1037/h0042291.
Babadi-Akashe, Z., Zamani, B. E., Abedini, Y., Akbari, H., & Hedayati, N. (2014). The relationship between mental health and addiction to mobile phones among university students of Shahrekord, Iran. Addiction & Health, 6(3-4), 93. https://www.ncbi. nlm.nih.gov/pmc/articles/PMC4354213/.
Bandura, A. (1986). Social foundations of thought and action. Englewood Cliffs NJ, 1986, 23-28. https://goo.su/iEzU.
Bedewy, D., & Gabriel, A. (2015). Examining perceptions of academic stress and its sources among university students: The perception of academic stress scale. Health Psychology Open, 2(2), 2055102915596714. https://doi. org/10.1177/2055102915596714.
Beranuy, M., Oberst, U., Carbonell, X., & Chamarro, A. (2009). Problematic internet and mobile phone use and clinical symptoms in college students: The role of emotional intelligence. Computers in Human Behavior, 25(5), 1182-1187. https://doi. org/10.1016/j.chb.2009.03.001.
Bergdahl, J., & Bergdahl, M. (2002). Perceived stress in adults: Prevalence and association of depression, anxiety and medication in a Swedish population. Stress and Health: Journal of the International Society for the Investigation of Stress, 18(5), 235-241. https://doi.org/10.1002/smi.946.
Brand, M., Young, K. S., Laier, C., Wölfling, K., & Potenza, M. N. (2016). Integrating psychological and neurobiological considerations regarding the development and maintenance of specific internet-use disorders: An Interaction of person-affect-cognition-execution (I-PACE) model. Neuroscience & Biobehavioral Reviews, 71, 252-266. https://doi.org/10.1016/j. neubiorev.2016.08.033.
Chuah, S. H. W., Rauschnabel, P. A., Krey, N., Nguyen, B., Ramayah, T., & Lade, S. (2016). Wearable technologies: The role of usefulness and visibility in smartwatch adoption. Computers in Human Behavior, 65, 276-284. https://doi.org/10.1016/j. chb.2016.07.047.
Compas, B. E., Connor-Smith, J. K., Saltzman, H., Thomsen, A. H., & Wadsworth, M. E. (2001). Coping with stress during childhood and adolescence: Problems, progress, and potential in theory and research. Psychological Bulletin, 127(1), 87. https://doi. org/10.1037/0033-2909.127.1.87.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. Mis Quarterly, 319-340. https://doi.org/10.2307/249008.
Davis, R. A. (2001). A cognitive-behavioral model of pathological internet use. Computers in Human Behavior, 17(2), 187-195. https://doi.org/10.1016/S0747-5632(00)00041-8.
De Wit, H. (2009). Impulsivity as a determinant and consequence of drug use: A review of underlying processes. Addiction Biology, 14(1), 22-31. https://doi.org/10.1111/j.1369-1600.2008.00129.x.
Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the unified theory of acceptance and use of technology (UTAUT): Towards a revised theoretical model. Information Systems Frontiers, 21, 719-734. https://doi. org/10.1007/s10796-017-9774-y.
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., & Ahuja, M. (2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.jinfomgt.2023.102642.
Elhai, J. D., Tiamiyu, M., & Weeks, J. (2018). Depression and social anxiety in relation to problematic smartphone use: The prominent role of rumination. Internet Research, 28(2), 315-332. https://doi.org/10.1108/IntR-01-2017-0019.
Elkaseh, A. M., Wong, K. W., & Fung, C. C. (2016). Perceived ease of use and perceived usefulness of social media for e-learning in Libyan higher education: A structural equation modeling analysis. International Journal of Information and Education Technology, 6(3), 192. https://doi.org/10.7763/IJIET.2016.V6.683.
Fitria, T. N. (2023). Artificial intelligence (AI) technology in OpenAI ChatGPT application: A review of ChatGPT in writing English essay. ELT Forum: Journal of English Language Teaching, 12(1), 44-58. https://doi.org/10.15294/elt.v12i1.64069.
Han, S., Kim, K. J., & Kim, J. H. (2017). Understanding nomophobia: Structural equation modeling and semantic network analysis of smartphone separation anxiety. Cyberpsychology Behavior and Social Networking, 20(7), 419-427. https://doi. org/10.1089/cyber.2017.0113.
Hayes, A. F. (2012). PROCESS: A versatile computational tool for observed variable mediation, moderation, and conditional process modeling. In: University of Kansas, KS. http://www.afhayes.com/public/process2012.pdf.
Hitches, E., Woodcock, S., & Ehrich, J. (2022). Building self-efficacy without letting stress knock it down: Stress and academic self-efficacy of university students. International Journal of Educational Research Open, 3, 100124. https://doi.org/10.1016/j. ijedro.2022.100124.

Hong, W., Liu, R. D., Ding, Y., Jiang, S., Yang, X., & Sheng, X. (2021). Academic procrastination precedes problematic mobile phone use in Chinese adolescents: A longitudinal mediation model of distraction cognitions. Addictive Behaviors, 121, 106993. https://doi.org/10.1016/j.addbeh.2021.106993.
Honicke, T., & Broadbent, J. (2016). The influence of academic self-efficacy on academic performance: A systematic review. Educational Research Review, 17, 63-84. https://doi.org/10.1016/j.edurev.2015.11.002.
Hu, B., Mao, Y., & Kim, K. J. (2023). How social anxiety leads to problematic use of conversational AI: The roles of loneliness, rumination, and mind perception. Computers in Human Behavior, 145, 107760. https://doi.org/10.1016/j.chb.2023.107760.
Jackson, A., Mentzer, N., & Kramer-Bottiglio, R. (2019). Pilot analysis of the impacts of soft robotics design on high-school student engineering perceptions. International Journal of Technology and Design Education, 29(5), 1083-1104. https://doi. org/10.1007/s10798-018-9478-8.
Jarvis, J. A., Corbett, A. W., Thorpe, J. D., & Dufur, M. J. (2020). Too much of a good thing: Social capital and academic stress in South Korea. Social Sciences, 9(11), 187. https://doi.org/10.3390/socsci9110187.
Jun, S., & Choi, E. (2015). Academic stress and internet addiction from general strain theory framework. Computers in Human Behavior, 49, 282-287. https://doi.org/10.1016/j.chb.2015.03.001.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., & Hüllermeier, E. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274.
Khan, M. (2013). Academic self-efficacy, coping, and academic performance in college. International Journal of Undergraduate Research and Creative Activities, 5(1), 4. https://doi.org/10.7710/2168-0620.1006.
King, M. R., & ChatGPT. (2023). A conversation on artificial intelligence, chatbots, and plagiarism in higher education. Cellular and Molecular Bioengineering, 16(1), 1-2. https://doi.org/10.1007/s12195-022-00754-8.
Lazarus, R. S., & Folkman, S. (1984). Stress, appraisal, and coping. Springer publishing company. https://goo.su/8sRkSa.
Lee-Won, R. J., Herzog, L., & Park, S. G. (2015). Hooked on Facebook: The role of social anxiety and need for social assurance in problematic use of Facebook. Cyberpsychology Behavior and Social Networking, 18(10), 567-574. https://doi.org/10.1089/ cyber.2015.0002.
Li, L., Gao, H., & Xu, Y. (2020). The mediating and buffering effect of academic self-efficacy on the relationship between smartphone addiction and academic procrastination. Computers & Education, 159, 104001. https://doi.org/10.1016/j. compedu.2020.104001.
Li, Y., Li, G. X., Yu, M. L., Liu, C. L., Qu, Y. T., & Wu, H. (2021). Association between anxiety symptoms and problematic smartphone use among Chinese university students: The mediating/moderating role of self-efficacy. Frontiers in Psychiatry, 12, 581367. https://doi.org/10.3389/fpsyt.2021.581367.
Liebrenz, M., Schleifer, R., Buadze, A., Bhugra, D., & Smith, A. (2023). Generating scholarly content with ChatGPT: Ethical challenges for medical publishing. The Lancet Digital Health, 5(3), e105-e106. https://doi.org/10.1016/S2589-7500(23)00019-5.
Lin, C. W., Lin, Y. S., Liao, C. C., & Chen, C. C. (2021). Utilizing technology acceptance model for influences of smartphone addiction on behavioural intention. Mathematical Problems in Engineering, 2021, 1-7. https://doi.org/10.1155/2021/5592187.
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: How may AI and GPT impact academia and libraries? Library Hi Tech News, 40(3), 26-29. https://doi.org/10.1108/LHTN-01-2023-0009.
Manoharan, S., Speidel, U., Ward, A. E., & Ye, X. (2023, June). Contract Cheating-Dead or Reborn? In 2023 32nd Annual Conference of the European Association for Education in Electrical and Information Engineering (EAEEIE) (pp. 1-5). IEEE. https://doi. org/10.23919/EAEEIE55804.2023.10182073.
Meng, J., & Dai, Y. (2021). Emotional support from Al chatbots: Should a supportive partner self-disclose or not? Journal of Computer-Mediated Communication, 26(4), 207-222. https://doi.org/10.1093/jcmc/zmab005.
Metzger, I. W., Blevins, C., Calhoun, C. D., Ritchwood, T. D., Gilmore, A. K., Stewart, R., & Bountress, K. E. (2017). An examination of the impact of maladaptive coping on the association between stressor type and alcohol use in college. Journal of American College Health, 65(8), 534-541. https://doi.org/10.1080/07448481.2017.1351445.
Mhlanga, D. (2023). Open AI in education, the responsible and ethical use of ChatGPT towards lifelong learning. Education, the Responsible and Ethical Use of ChatGPT Towards Lifelong Learning (February 11, 2023). https://doi.org/10.2139/ssrn. 4354422.
Mun, I. B. (2023). Academic stress and first-/third-person shooter game addiction in a large adolescent sample: A serial mediation model with depression and impulsivity. Computers in Human Behavior, 145, 107767. https://doi.org/10.1016/j. chb.2023.107767.
Nan, D., Lee, H., Kim, Y., & Kim, J. H. (2022). My video game console is so cool! A coolness theory-based model for intention to use video game consoles. Technological Forecasting and Social Change, 176, 121451. https://doi.org/10.1016/j. techfore.2021.121451.
Nayak, J. K. (2018). Relationship among smartphone usage, addiction, academic performance and the moderating role of gender: A study of higher education students in India. Computers & Education, 123, 164-173. https://doi.org/10.1016/j. compedu.2018.05.007.
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 100041. https://doi.org/10.1016/j.caeai.2021.100041. 2.
Nielsen, T., Dammeyer, J., Vang, M. L., & Makransky, G. (2018). Gender fairness in self-efficacy? A rasch-based validity study of the General Academic self-efficacy scale (GASE). Scandinavian Journal of Educational Research, 62(5), 664-681. https://doi.org/1 0.1080/00313831.2017.1306796.

Nora, W. L. Y., & Zhang, K. C. (2010). Motives of cheating among secondary students: The role of self-efficacy and peer influence. Asia Pacific Education Review, 11, 573-584. https://doi.org/10.1007/s12564-010-9104-2.
Noreen, A. (2013). Relationship between internet addiction and academic performance among university undergraduates. Educational Research and Reviews, 8(19), 1793-1796. https://doi.org/10.5897/ERR2013.1539.
Odaci, H. (2011). Academic self-efficacy and academic procrastination as predictors of problematic internet use in university students. Computers & Education, 57(1), 1109-1113. https://doi.org/10.1016/j.compedu.2011.01.005.
Odacı, H. (2013). Risk-taking behavior and academic self-efficacy as variables accounting for problematic internet use in adolescent university students. Children and Youth Services Review, 35(1), 183-187. https://doi.org/10.1016/j. childyouth.2012.09.011.
Pajares, F. (2002). Gender and perceived self-efficacy in self-regulated learning. Theory into Practice, 41(2), 116-125. https://doi. org/10.1207/s15430421tip4102_8.

Park, S., Choi, J., Lee, S., Oh, C., Kim, C., La, S., Lee, J., & Suh, B. (2019). Designing a chatbot for a brief motivational interview on stress management: Qualitative case study. Journal of Medical Internet Research, 21(4), e12231. https://doi. org/10.2196/12231.
Parmaksız, İ. (2022). The mediating role of personality traits on the relationship between academic self-efficacy and digital addiction. Education and Information Technologies, 27(6), 8883-8902. https://doi.org/10.1007/s10639-022-10996-8.
Paul, J., Ueno, A., & Dennis, C. (2023). ChatGPT and consumers: Benefits, pitfalls and future research agenda. International Journal of Consumer Studies, 47(4), 1213-1225. https://doi.org/10.1111/ijcs. 12928.
Pitafi, A. H., Kanwal, S., & Khan, A. N. (2020). Effects of perceived ease of use on SNSs-addiction through psychological dependence, habit: The moderating role of perceived usefulness. International Journal of Business Information Systems, 33(3), 383-407. https://doi.org/10.1504/JBIS.2020.105831.
Quintans-Júnior, L. J., Gurgel, R. Q., Araújo, A. A. D. S., Correia, D., & Martins-Filho, P. R. (2023). ChatGPT: The new panacea of the academic world. Revista Da Sociedade Brasileira De Medicina Tropical, 56, e0060-2023. https://doi. org/10.1590/0037-8682-0060-2023.
Rahman, M. M., & Watanobe, Y. (2023). ChatGPT for education and research: Opportunities, threats, and strategies. Applied Sciences, 13(9), 5783. https://doi.org/10.3390/app13095783.
Rani, P. S., Rani, K. R., Daram, S. B., & Angadi, R. V. (2023). Is it feasible to reduce academic stress in Net-Zero Energy buildings? Reaction from ChatGPT. Annals of Biomedical Engineering, 1-3. https://doi.org/10.1007/s10439-023-03286-y.
Ray, P. P. (2023). ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. Internet of Things and Cyber-Physical Systems. https://doi.org/10.1016/j.iotcps.2023.04.003.
Reddy, K. J., Menon, K. R., & Thattil, A. (2018). Academic stress and its sources among university students. Biomedical and Pharmacology Journal, 11(1), 531-537. https://doi.org/10.13005/bpj/1404.
Rothen, S., Briefer, J. F., Deleuze, J., Karila, L., Andreassen, C. S., Achab, S., Thorens, G., Khazaal, Y., Zullino, D., & Billieux, J. (2018). Disentangling the role of users’ preferences and impulsivity traits in problematic Facebook use. PloS One, 13(9), e0201971. https://doi.org/10.1371/journal.pone.0201971.
Salah, M., Alhalbusi, H., Abdelfattah, F., & Ismail, M. M. (2023). Chatting with ChatGPT: Investigating the impact on Psychological Well-being and self-esteem with a focus on harmful stereotypes and job Anxiety as Moderator. https://doi.org/10.21203/ rs.3.rs-2610655/v2.
Shen, Y., Heacock, L., Elias, J., Hentel, K. D., Reig, B., Shih, G., & Moy, L. (2023). ChatGPT and other large language models are double-edged swords. Radiology, 307(2), e230163. https://doi.org/10.1148/radiol.230163.
Sriwilai, K., & Charoensukmongkol, P. (2016). Face it, don’t Facebook it: Impacts of social media addiction on mindfulness, coping strategies and the consequence on emotional exhaustion. Stress and Health, 32(4), 427-434. https://doi.org/10.1002/ smi. 2637.
Struthers, C. W., Perry, R. P., & Menec, V. H. (2000). An examination of the relationship among academic stress, coping, motivation, and performance in college. Research in Higher Education, 41, 581-592. https://doi.org/10.1023/A:1007094931292.
Sujarwoto, Saputri, R. A. M., & Yumarni, T. (2023). Social media addiction and mental health among university students during the COVID-19 pandemic in Indonesia. International Journal of Mental Health and Addiction, 21(1), 96-110. https://doi. org/10.1007/s11469-021-00582-3.
Vantieghem, W., & Van Houtte, M. (2015). Are girls more resilient to gender-conformity pressure? The association between gender-conformity pressure and academic self-efficacy. Sex Roles, 73, 1-15. https://doi.org/10.1007/s11199-015-0509-6.
Wilks, S. E. (2008). Resilience amid academic stress: The moderating impact of social support among social work students. Advances in Social Work, 9(2), 106-125. https://doi.org/10.18060/51.
You, J. W. (2018). Testing the three-way interaction effect of academic stress, academic self-efficacy, and task value on persistence in learning among Korean college students. Higher Education, 76(5), 921-935. https://doi.org/10.1007/ s10734-018-0255-0.
Zeljko, B. (2022). Internet addiction disorder (IAD) as a consequence of the expansion of Information technologies. International Journal of Cognitive Research in Science Engineering and Education, 10(3), 155-165. https://doi. org/10.23947/2334-8496-2022-10-3-155-165.
Zhang, S., Che, S., Nan, D., & Kim, J. H. (2023a). How does online social interaction promote students’ continuous learning intentions? Frontiers in Psychology, 14. https://doi.org/10.3389/fpsyg.2023.1098110.
Zhang, S., Shan, C., Lee, J. S. Y., Che, S., & Kim, J. H. (2023b). Effect of chatbot-assisted language learning: A meta-analysis. Education and Information Technologies, 1-21. https://doi.org/10.1007/s10639-023-11805-6.
Zhu, Y. Q., Chen, L. Y., Chen, H. G., & Chern, C. C. (2011). How does internet information seeking help academic performance? The moderating and mediating roles of academic self-efficacy. Computers & Education, 57(4), 2476-2484. https://doi. org/10.1016/j.compedu.2011.07.006.
Zhu, Z., Qin, S., Yang, L., Dodd, A., & Conti, M. (2023). Emotion regulation tool design principles for arts and design university students. Procedia CIRP, 119, 115-120. https://doi.org/10.1016/j.procir.2023.03.085.

Publisher’s Note
Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

*Correspondence:
Jang Hyun Kim
alohakim@skku.edu
Department of Interaction Science, Sungkyunkwan University, Seoul, Republic of Korea
Department of HumanArtificial Intelligence Interaction, Sungkyunkwan University, Seoul, Republic of Korea
Department of Physical Education, Korea University, Seoul, Republic of Korea

Keywords Artificial intelligence, AI dependency, Academic self-efficacy, Academic stress, Performance expectations, ChatGPT

The rapid emergence of Artificial intelligence (AI) as a revolutionary technology is reshaping every aspect of our lives (Lund & Wang, 2023). It has transformed the way we interact with technology and has the potential to drive significant advances in several fields (Lund & Wang, 2023; Zhang et al., 2023a, b). Although people use diverse types of AI, such as AI speakers or virtual assistants, the current study focuses on generative AI, e.g., ChatGPT. This is mainly influenced by the impact of ChatGPT. The release of OpenAI’s ChatGPT was a global sensation, with ChatGPT quickly becoming one of the most popular AI technologies (Liebrenz et al., 2023). It set a record among rapidly expanding consumer applications, acquiring a million

users within just five days of its release, and achieving a user base of 100 million within two months by November 2022.

Numerous researchers have examined ChatGPT considering its benefits and potential (Dwivedi et al., 2023; Fitria, 2023; Lund & Wang, 2023). However, as Shen et al. (2023) mentioned, ChatGPT is a double-edged sword. Problems related to ethics (Liebrenz et al., 2023), privacy concerns (Paul et al., 2023), and anxiety (Salah et al., 2023) have become public concerns. Moreover, the increasing use of ChatGPT has led to individuals’ growing dependence on AI, resulting in instances of misuse and abuse (Kasneci et al., 2023; King & ChatGPT, 2023).

Despite a lack of previous studies, overreliance on AI technology has been predicted to have negative effects on people, such as reduced critical thinking and a decrease in prob-lem-solving abilities. To address these issues, urgent efforts are necessary. To the best of our knowledge, no previous studies have conducted a comprehensive analysis of AI dependency. Considering the necessity and urgency of this problem, the characteristics of vulnerable populations and the psychological factors that impact their actions must be empirically investigated. This study uses ChatGPT to explore university students’ AI dependence and misuse behaviors.

In line with previous studies (Jun & Choi, 2015; Mun, 2023), this study posited that academic self-efficacy is a crucial predictor of students’ problematic use of AI. The Interaction of the Person-Affect-Cognition-Execution (I-PACE) model was used to provide a theoretical basis for the association between academic self-efficacy and AI dependency. Moreover, other factors, such as academic stress and performance expectations, influence this relationship. Finally, additional analyses were conducted to understand the detrimental impacts of ChatGPT use on university students.

The I-PACE model (Brand et al., 2016) serves as a conceptual framework to understand the mechanisms involved in the progression and persistence of addictive behaviors related to specific Internet applications or websites. This model comprises four elements: human, affective, cognitive, and executive. The first element covers individual characteristics, such as personality and psychopathological traits, social cognition, and cognitive vulnerability. The second element consists of the emotional factors that influence an individual’s behavior, including emotional responses to different stimuli and coping strategies. The third element includes the cognitive processes and biases that shape individuals. The last element refers to the actual behavior of an individual, such as the degree of technology use, self-control, and decision-making regarding Internet applications. Addictive habits emerge and are maintained through the interactions between these four elements.

As of 2023, this model offers a valuable theoretical foundation for investigating the excessive utilization of technology in diverse settings (Elhai et al., 2018; Hu et al., 2023; Rothen et al., 2018). However, the application of the I-PACE model to investigate the underlying causes and internal processes behind AI dependency remains unexplored. This study is the first to use this model as the primary theoretical basis for investigating AI dependency.

This study focuses on personal factors in the I-PACE model, investigating individual attributes, such as academic self-efficacy and academic stress, which have proven to be strong indicators of problematic behaviors among college students (Li et al., 2020; Mun, 2023;

Parmaksız, 2022). AI is considered a useful tool for students, providing academic and emotional support (Alshater, 2022; Quintans-Júnior et al., 2023). Drawing on this, we predicted that academic self-efficacy and stress are associated with students’ performance expectations towards AI despite the lack of prior studies. Moreover, an increase in performance expectations may increase students’ reliance on AI. Hence, this study includes performance expectations as an additional crucial element that influences AI dependency in the research framework.

Self-efficacy, a concept derived from social cognitive theory (Bandura, 1986), refers to a person’s confidence in their capacity to perform or master a certain task. However, it varies depending on the task or situation (Pajares, 2002). Academic self-efficacy is a person’s belief in their ability to succeed in school (Khan, 2013; Li et al., 2020; Parmaksız, 2022). Individuals with high academic self-efficacy beliefs demonstrate a keen sense of confidence in their ability to effectively plan, organize, and execute academic tasks. They display greater enthusiasm for learning, exert more effort, and demonstrate a higher determination to achieve their objectives compared to those with low academic self-efficacy (Honicke & Broadbent, 2016).

In this study, we define AI dependency as an excessive reliance on AI technologies and applications across various aspects of life, including academic studies, daily routines, and social interactions. This form of dependency is marked not only by the overutilization of AI-assisted tools but also by a significant psychological dependence on these technologies. While the term “dependency” is inherently neutral, our investigation specifically targets the problematic usage behaviors that emerge as a result of this reliance.

According to self-efficacy theory (Jackson et al., 2019), students with low academic confidence are more prone to frustration and may be unable to complete academic activities. In such cases, they may seek external help to compensate for their inability such as ChatGPT, a convenient AI alternative. Using ChatGPT allows students to obtain quick and direct answers by simply asking questions, which may enhance their academic performance in the short term (Alshater, 2022; Rahman & Watanobe, 2023). Consequently, students may rely more on AI for immediate solutions rather than solving problems independently. In the long term, students with low academic self-efficacy are likely to overuse AI.

Within the I-PACE model, the impact of academic self-efficacy on the inappropriate use of technology has been confirmed (Hong et al., 2021; Li et al., 2021). Prior studies have consistently reported that academic self-efficacy is inversely connected with addictive behavior (Beranuy et al., 2009; Odacı, 2013). Consistent with previous studies on AI dependency, we propose the following hypothesis:

H1: Academic self-efficacy is negatively associated with AI dependency.

Academic stress is a psychological strain caused by persistent pressure while pursuing an academic goal (Bedewy & Gabriel, 2015; Struthers et al., 2000) and poses a risk of triggering psychological and behavioral issues among students (Reddy et al., 2018). Within the I-PACE model framework, academic stress plays a crucial role as a social cognitive factor contributing to problematic technology use. Earlier studies have highlighted the negative association between academic self-efficacy and academic stress, indicating that a decrease in academic
self-efficacy leads to an increase in academic stress (Nielsen et al., 2018; Vantieghem & Van Houtte, 2015).

The stress-coping theory (Lazarus & Folkman, 1984) states that individuals in stressful situations are motivated to find ways to cope with stress and the challenges they encounter. However, ineffective coping mechanisms may increase the probability of adopting maladaptive or addictive behaviors (Compas et al., 2001; Metzger et al., 2017). AI technology provides students with an easy and quick way to access academic information and answers, thus meeting their academic needs in the short term and reducing academic stress (Rani et al., 2023; Zhu et al., 2023). Moreover, studies have shown that AI technologies such as chatbots can alleviate users’ psychological problems and thus improve their mental health. For example, Meng and Dai (2021) and Park et al. (2019) suggested that chatting with chatbots helps relieve stress and lightens the mood.

However, such personalized gratification may exacerbate overattachment to AI, leading academically stressed individuals to seek academic and emotional support from it (Rani et al., 2023). Ultimately, individuals become increasingly vulnerable to AI dependency. Based on the associations between academic self-efficacy, academic stress, and AI dependency, we suggest that the relationship between academic self-efficacy and AI dependency is mediated by academic stress. Considering that individuals with low academic self-efficacy tend to experience heightened academic stress, they may increasingly resort to AI as a coping mechanism, resulting in excessive dependence on this technology. Hence, we propose the following hypothesis:

H2: Academic stress mediates the association between academic self-efficacy and AI dependency.

Dwivedi et al. (2019) refers to performance expectations as the degree to which individuals believe that utilizing a specific technology improves their performance. This is an important cognitive aspect that affects the attitudes of (potential) users, which, in turn, affects their willingness to use technology and actual usage. Scholars in various fields have applied performance expectations to various domains to predict user attitudes and acceptance behaviors toward technological products (Chuah et al., 2016; Davis, 1989; Elkaseh et al., 2016).

According to Brand et al. (2016), the I-PACE model proposes that cognitive biases originating from technology-related expectations and illusions can impact the connection between psychological factors and the problematic adoption of technology. Consequently, this study considers the psychological perception of AI as a cognitive bias that potentially moderates the association between AI dependency and its proposed antecedents (academic self-efficacy and academic stress). Therefore, we hypothesized that students with lower academic self-efficacy are likely to have higher expectations and illusions about technology, leading to the overuse of AI as a coping strategy. Consequently, we proposed the following hypothesis:

H3: Performance expectations mediates the association between academic self-efficacy and AI dependency.

Academic stress may heighten negative perceptions and emotions (Jun & Choi, 2015), exacerbating individuals’ reflections on their academic self-efficacy and AI technologies.

Considering that those who lack academic self-efficacy are more prone to experience academic stress (Nielsen et al., 2018), we argue that they are more likely to perceive AI as a useful tool and subsequently rely more on it (Lin et al., 2021; Pitafi et al., 2020). Thus, we assume that academic stress and performance expectations are serial mediating variables in the association between academic self-efficacy and AI dependency. Hence, we formulated the following hypothesis:

H4: Academic stress and performance expectations serially mediate the effect of academic self-efficacy on AI dependency.

Previous studies have extensively explored the harm associated with different addictive behaviors (De Wit, 2009; Sriwilai & Charoensukmongkol, 2016; Zeljko, 2022). For example, for university students, problematic behaviors may negatively impact academic performance (Nayak, 2018; Noreen, 2013) and mental health (Babadi-Akashe et al., 2014; Sujarwoto et al., 2023). Accordingly, we suspect that relying on AI has several negative effects on students. Therefore, this study aimed to answer the following research question.

RQ: What are the consequences of AI dependency?

To collect data from ChatGPT users, we conducted an online survey in August 2023 in South Korea with the approval of the institutional review board of our university. The survey was conducted using a reputable online survey platform offered by Embrain, a prominent South Korean company specializing in online questionnaires.

University students in Seoul, South Korea, were invited to participate in this study. Participants were selected by asking them if they had any experience using ChatGPT. A total of 300 participants were included in this study. Table 1 presents the demographic characteristics of the participants.

The items used in this study were obtained from previous studies. A professional translator translated the items into Korean to maintain the consistency and equivalence of the items in the Korean questionnaire with their original language. Two bilingual researchers then thoroughly reviewed the translations. All items were rated on a five-point Likert scale.

To assess academic self-confidence among students, the academic self-efficacy questionnaire was used (Nielsen et al., 2018), which comprises seven statements, including “I believe that with sufficient effort throughout the semester, I can excel in the exam.” This instrument has been widely used in previous studies (Akanni & Oduaran, 2018; Hitches et al., 2022).

Students’ academic stress was measured using seven items (You, 2018), including “I am anxious about my grades not being satisfactory” and “I am worried about securing a good job after graduation.” The reliability of this instrument has been confirmed in previous studies (Jarvis et al.,2020; Jun & Choi, 2015).

Performance expectations was measured using three items taken from Aronson and Carlsmith (1962), which includes statements such as “I think using ChatGPT will help me solve the problem better.” The reliability of this scale has been previously confirmed (Nan et al., 2022; Zhang et al., 2023a).

AI dependency was measured using six items developed by Andreassen et al. (2012) and has been validated in previous studies (Hu et al., 2023; Lee-Won et al., 2015). Statements such as “I tried to reduce the use of ChatGPT without success” were included.

To understand the negative impacts of ChatGPT overuse among university students, we included an open-ended question at the end of the questionnaire, asking respondents to write freely (in at least two words) about the negative impacts of using ChatGPT.

SPSS version 29 was used for descriptive and correlational analyses. Subsequently, Model 6 in PROCESS developed by Hayes (Hayes, 2012) was used to conduct a mediation effect test. The importance of the mediation effect was examined using 5000 samples and the biascorrected percentile bootstrap approach.

For the qualitative analysis, two professional translators translated the data from Korean into English. The first and second authors then examined the data by combining identical data (e.g., critical thinking, Critical thinking, and critical think). In case of ambiguities, all the authors negotiated until they reached a consensus. Finally, the data were visually analyzed using word clouds.

Note ASF, academic self-efficacy; AID, AI dependency; AS, academic stress; PE, performance expectations; SD, standard deviation; .

Note ASF, academic self-efficacy; AID, AI dependency; AS, academic stress; PE, performance expectations; b, standardized regression coefficient; CI, confidence interval; LLCI, lower limit confidence interval; ULCI, upper limit confidence interval; * .

.

As shown in Table 2, significant correlations were observed among academic self-efficacy (Mean=3.796, SD=0.862), AI dependency (Mean=2.806, SD=0.788), academic stress (Mean=3.568, SD=0.587), and performance expectations (Mean=3.782, SD=0.732). Academic self-efficacy was negatively correlated with AI dependency ( ) and academic stress ( ). However, academic self-efficacy did not correlate with performance expectations ( ). Academic stress ( ) and performance expectations ( ) were positively correlated with AI dependency. Academic stress was positively correlated with performance expectations ( ).

Tables 3 and 4; Fig. 1 show the findings of the mediation study.
No statistically significant relationship was found between academic self-efficacy and AI dependency ( , SE CI ), thus not supporting H1.

The results of the mediation analysis indicated a significant negative relationship between academic self-efficacy and academic stress ( , SE , 95% CI ). Moreover, academic stress was associated with AI dependency ( , SE , 95% CI [0.064, 0.320]). It was found that academic stress acted as an intermediary variable between academic self-efficacy and AI dependency, thus supporting H2 ( , SE , 95% CI ).

Furthermore, although academic self-efficacy did not significantly impact the performance expectations of AI ( ), performance expectations had a significant impact on AI dependency ( , SE , 95% CI , 0.691]). Notably, performance expectations did not act as an intermediary variable between academic self-efficacy and AI dependency ( , SE , 95% CI ), thus not supporting H3.

Moreover, academic stress exhibited a positive association with performance expectations ( , SE CI ). A significant consecutive indirect influence of academic self-efficacy on AI dependency, mediated through academic stress and performance expectations, was found ( ), thus supporting H4.

AI dependency has several negative effects on students. Table 5 lists the top 10 consequences of AI dependency. Among them, students widely mentioned increased laziness ( ), plagiarism ( ), incorrect information ( ), decreased creativity ( ), reduced
critical ( ) and independent thinking ( ), lower levels of information-seeking ( ), problem-solving ( ), and information-judgment abilities ( ), and possibility of copyright issues ( ).

Figure 2 shows the negative impacts mentioned by the students more than three times.

This study explored the association between academic self-efficacy and AI dependency, with academic stress and performance expectations as mediators using the I-PACE model. This study also investigated the potential consequences of AI dependency.

Contrary to our predictions, there was no strong association between academic self-efficacy and AI dependency. This is inconsistent with previous studies (Li et al., 2020; Odaci, 2011; Parmaksız, 2022), indicating that low academic efficacy does not necessarily lead to problematic behavior among students. However, this study identified an indirect connection between academic self-efficacy and AI dependency mediated by academic stress. Therefore, although academic self-efficacy does not directly affect students’ problematic AI usage behavior, students with low academic self-efficacy still rely on AI when they are under academic pressure. Zhu et al. (2011) stated that people have a general tendency to believe that Internet technology serves as a valuable tool for research and education. According to the stress-coping theory (Lazarus & Folkman, 1984), when students suffer from academic stress, they tend to seek academic support to alleviate it. Our findings validate this; among the students, reported that they use ChatGPT for academic help, such as homework tutoring, conceptual understanding, and research guidance. Interestingly, although previous studies have reported that people may seek emotional help from conversational agents when experiencing stress (Meng & Dai, 2021), only 9% of the students in our study used ChatGPT to seek psychological support. Therefore, in line with existing studies (Bergdahl & Bergdahl, 2002;

indiscriminate use decreased academic performance passive – incorrect information ack of effort

Fig. 2 Consequences of AI dependency

Wilks, 2008), this study confirms that successfully seeking academic help may considerably alleviate students’ stress.

Furthermore, this investigation revealed that low academic self-efficacy did not affect users’ AI performance expectations. However, a significant relationship between performance expectations and AI dependency was found. Consistent with the results of Dwivedi et al. (2019) and Nan et al. (2022), performance expectations is an important predictor of user adoption behavior. Although it has rarely been used as a potential predictor in previous studies on addictive behaviors (Han et al., 2017), it was a significant variable in the present study. This may be due to the uniqueness of the functionality of ChatGPT and the actual student usage behavior; most students used ChatGPT for academic assistance ( ) and writing support (49%).

Additionally, this study showed that academic self-efficacy was indirectly related to AI dependency through mediation of academic stress and performance expectations. This finding suggests that students with low academic self-efficacy exhibit higher levels of academic stress, resulting in increased expectations from AI technology and thus leading to higher levels of AI dependency. This aligns with the cognitive-behavioral framework (Davis, 2001), which states that low academic self-efficacy is an external event that leads to academic stress among students. Therefore, students believed that AI provided an alternative way to solve problems, leading to AI dependency.

Finally, as emphasized by Ray (2023), although AI technology provides students with easy and quick access to information, AI misuse cannot be ignored. The participants in this study reported diverse issues, among which a decrease in personal ability (e.g., creativity, critical thinking, and independent thinking) and an increase in laziness and plagiarism rates deserve further attention. Therefore, in line with Mhlanga (2023), guiding students toward the correct and appropriate use of AI is crucial.

The findings of the current study have significant theoretical and practical implications. To the best of our knowledge, this is one of the first studies exploring the internal antecedents and potential consequences of AI dependency. Moreover, this study examined academic stress and performance expectations as potential consecutive mediators of the relationship between academic self-efficacy and AI dependency. This study also contributes to existing literature. Explorations of this topic have enriched research on problematic behaviors and AI-related topics. Furthermore, this study expanded the utilization of the I-PACE model to examine problematic behavior. This demonstrates the relevance and explanatory capacity of the theoretical framework within the scope of our study. In addition to adding to the literature on the application of variables, such as academic self-efficacy and academic stress, this study extended the application of performance expectations in the I-PACE model.

From a practical perspective, the results suggest that more time and energy should be invested to reduce students’ academic stress and mitigate AI-dependent behaviors. Additionally, guiding students toward reasonable use of AI technology and improving their AI literacy (Ng et al., 2021) are necessary to ensure that the potential of AI technology can be fully utilized and that its negative impacts can be mitigated. Finally, addressing misinformation and enhancing the reliability of AI technology are crucial tasks that requires continuous improvement.

Although this study made substantial contributions, its limitations must be acknowledged and addressed in future studies. First, data collection was cross-sectional; therefore, causal relationships between the variables could not be confirmed. Future studies should conduct a more in-depth study using methods such as longitudinal observations. Additionally, this study was conducted among college students in South Korea; therefore, the findings may not be generalizable to other populations. Future studies could enrich the literature on the antecedents and consequences of AI dependency using a sample of college students from other countries.

Moreover, the analyses of consequences were based on students’ self-reports, making the findings highly subjective. Future studies should conduct an in-depth analysis of the consequences of AI dependency from the perspective of empirical research. Finally, in this study, we explored college students’ reliance on AI from a broad perspective, without considering and separating the two specific viewpoints: the acceptable use of AI as a tool for assistance within the constraints set by academic courses and the unacceptable use of AI for contract cheating-a cheap and reliable means to circumvent academic integrity (Manoharan et al., 2023). Therefore, we recommend that future studies reevaluate college students’ dependence on AI by taking these distinct aspects into account, offering deeper insights into both the legitimate and illicit use of AI in academic environments. In addition, as suggested by Nora and Zhang (2010), the relationship between self-efficacy and cheating behavior could serve as a potential set of research variables for future studies exploring AI dependency.

To investigate the internal antecedents and potential consequences of AI dependency, this study examined the relationships among academic self-efficacy, academic stress, performance expectations, and AI dependency using the I-PACE model. Using a sample of 300 college students in Seoul, South Korea, the results showed that academic self-efficacy was not significantly associated with AI dependency. However, this association was mediated by academic stress and performance expectations. The consequences of AI dependency varied; the top five negative effects were increased laziness, the spread of misinformation, decreased creativity, and reduced critical and independent thinking. This study theoretically expanded on previous studies by providing potential intervention recommendations to reduce students’ AI dependency.

None.

Zhang Shunan: conceptualization, methodology and writing- original draft preparation; Zhao Xiangying: conceptualization and investigation; Zhou Tong: methodology and software; Jang Hyun Kim: conceptualization, supervision, funding acquisition and writing- reviewing and editing.

This work was supported by the National Research Foundation of Korea (NRF) grant funded by the Korean Government (RS-2023-00208278).

The data that supporting the findings of this study are available from the corresponding author upon reasonable request.

The authors declare that they have no competing interests.

Published online: 17 May 2024

Akanni, A. A., & Oduaran, C. A. (2018). Perceived social support and life satisfaction among freshmen: Mediating roles of academic self-efficacy and academic adjustment. Journal of Psychology in Africa, 28(2), 89-93. https://doi.org/10.1080/143302 37.2018.1454582.

Alshater, M. (2022). M. Exploring the role of artificial intelligence in enhancing academic performance: A case study of ChatGPT. Available at SSRN. https://doi.org/10.2139/ssrn.4312358.
Andreassen, C. S., Torsheim, T., Brunborg, G. S., & Pallesen, S. (2012). Development of a Facebook addiction scale. Psychological Reports, 110(2), 501-517. https://doi.org/10.2466/02.09.18.PR0.110.2.501-517.
Aronson, E., & Carlsmith, J. M. (1962). Performance expectancy as a determinant of actual performance. The Journal of Abnormal and Social Psychology, 65(3), 178. https://doi.org/10.1037/h0042291.
Babadi-Akashe, Z., Zamani, B. E., Abedini, Y., Akbari, H., & Hedayati, N. (2014). The relationship between mental health and addiction to mobile phones among university students of Shahrekord, Iran. Addiction & Health, 6(3-4), 93. https://www.ncbi. nlm.nih.gov/pmc/articles/PMC4354213/.
Bandura, A. (1986). Social foundations of thought and action. Englewood Cliffs NJ, 1986, 23-28. https://goo.su/iEzU.
Bedewy, D., & Gabriel, A. (2015). Examining perceptions of academic stress and its sources among university students: The perception of academic stress scale. Health Psychology Open, 2(2), 2055102915596714. https://doi. org/10.1177/2055102915596714.
Beranuy, M., Oberst, U., Carbonell, X., & Chamarro, A. (2009). Problematic internet and mobile phone use and clinical symptoms in college students: The role of emotional intelligence. Computers in Human Behavior, 25(5), 1182-1187. https://doi. org/10.1016/j.chb.2009.03.001.
Bergdahl, J., & Bergdahl, M. (2002). Perceived stress in adults: Prevalence and association of depression, anxiety and medication in a Swedish population. Stress and Health: Journal of the International Society for the Investigation of Stress, 18(5), 235-241. https://doi.org/10.1002/smi.946.
Brand, M., Young, K. S., Laier, C., Wölfling, K., & Potenza, M. N. (2016). Integrating psychological and neurobiological considerations regarding the development and maintenance of specific internet-use disorders: An Interaction of person-affect-cognition-execution (I-PACE) model. Neuroscience & Biobehavioral Reviews, 71, 252-266. https://doi.org/10.1016/j. neubiorev.2016.08.033.
Chuah, S. H. W., Rauschnabel, P. A., Krey, N., Nguyen, B., Ramayah, T., & Lade, S. (2016). Wearable technologies: The role of usefulness and visibility in smartwatch adoption. Computers in Human Behavior, 65, 276-284. https://doi.org/10.1016/j. chb.2016.07.047.
Compas, B. E., Connor-Smith, J. K., Saltzman, H., Thomsen, A. H., & Wadsworth, M. E. (2001). Coping with stress during childhood and adolescence: Problems, progress, and potential in theory and research. Psychological Bulletin, 127(1), 87. https://doi. org/10.1037/0033-2909.127.1.87.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. Mis Quarterly, 319-340. https://doi.org/10.2307/249008.
Davis, R. A. (2001). A cognitive-behavioral model of pathological internet use. Computers in Human Behavior, 17(2), 187-195. https://doi.org/10.1016/S0747-5632(00)00041-8.
De Wit, H. (2009). Impulsivity as a determinant and consequence of drug use: A review of underlying processes. Addiction Biology, 14(1), 22-31. https://doi.org/10.1111/j.1369-1600.2008.00129.x.
Dwivedi, Y. K., Rana, N. P., Jeyaraj, A., Clement, M., & Williams, M. D. (2019). Re-examining the unified theory of acceptance and use of technology (UTAUT): Towards a revised theoretical model. Information Systems Frontiers, 21, 719-734. https://doi. org/10.1007/s10796-017-9774-y.
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., & Ahuja, M. (2023). So what if ChatGPT wrote it? Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642. https://doi.org/10.1016/j.jinfomgt.2023.102642.
Elhai, J. D., Tiamiyu, M., & Weeks, J. (2018). Depression and social anxiety in relation to problematic smartphone use: The prominent role of rumination. Internet Research, 28(2), 315-332. https://doi.org/10.1108/IntR-01-2017-0019.
Elkaseh, A. M., Wong, K. W., & Fung, C. C. (2016). Perceived ease of use and perceived usefulness of social media for e-learning in Libyan higher education: A structural equation modeling analysis. International Journal of Information and Education Technology, 6(3), 192. https://doi.org/10.7763/IJIET.2016.V6.683.
Fitria, T. N. (2023). Artificial intelligence (AI) technology in OpenAI ChatGPT application: A review of ChatGPT in writing English essay. ELT Forum: Journal of English Language Teaching, 12(1), 44-58. https://doi.org/10.15294/elt.v12i1.64069.
Han, S., Kim, K. J., & Kim, J. H. (2017). Understanding nomophobia: Structural equation modeling and semantic network analysis of smartphone separation anxiety. Cyberpsychology Behavior and Social Networking, 20(7), 419-427. https://doi. org/10.1089/cyber.2017.0113.
Hayes, A. F. (2012). PROCESS: A versatile computational tool for observed variable mediation, moderation, and conditional process modeling. In: University of Kansas, KS. http://www.afhayes.com/public/process2012.pdf.
Hitches, E., Woodcock, S., & Ehrich, J. (2022). Building self-efficacy without letting stress knock it down: Stress and academic self-efficacy of university students. International Journal of Educational Research Open, 3, 100124. https://doi.org/10.1016/j. ijedro.2022.100124.

Hong, W., Liu, R. D., Ding, Y., Jiang, S., Yang, X., & Sheng, X. (2021). Academic procrastination precedes problematic mobile phone use in Chinese adolescents: A longitudinal mediation model of distraction cognitions. Addictive Behaviors, 121, 106993. https://doi.org/10.1016/j.addbeh.2021.106993.
Honicke, T., & Broadbent, J. (2016). The influence of academic self-efficacy on academic performance: A systematic review. Educational Research Review, 17, 63-84. https://doi.org/10.1016/j.edurev.2015.11.002.
Hu, B., Mao, Y., & Kim, K. J. (2023). How social anxiety leads to problematic use of conversational AI: The roles of loneliness, rumination, and mind perception. Computers in Human Behavior, 145, 107760. https://doi.org/10.1016/j.chb.2023.107760.
Jackson, A., Mentzer, N., & Kramer-Bottiglio, R. (2019). Pilot analysis of the impacts of soft robotics design on high-school student engineering perceptions. International Journal of Technology and Design Education, 29(5), 1083-1104. https://doi. org/10.1007/s10798-018-9478-8.
Jarvis, J. A., Corbett, A. W., Thorpe, J. D., & Dufur, M. J. (2020). Too much of a good thing: Social capital and academic stress in South Korea. Social Sciences, 9(11), 187. https://doi.org/10.3390/socsci9110187.
Jun, S., & Choi, E. (2015). Academic stress and internet addiction from general strain theory framework. Computers in Human Behavior, 49, 282-287. https://doi.org/10.1016/j.chb.2015.03.001.
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., & Hüllermeier, E. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274.
Khan, M. (2013). Academic self-efficacy, coping, and academic performance in college. International Journal of Undergraduate Research and Creative Activities, 5(1), 4. https://doi.org/10.7710/2168-0620.1006.
King, M. R., & ChatGPT. (2023). A conversation on artificial intelligence, chatbots, and plagiarism in higher education. Cellular and Molecular Bioengineering, 16(1), 1-2. https://doi.org/10.1007/s12195-022-00754-8.
Lazarus, R. S., & Folkman, S. (1984). Stress, appraisal, and coping. Springer publishing company. https://goo.su/8sRkSa.
Lee-Won, R. J., Herzog, L., & Park, S. G. (2015). Hooked on Facebook: The role of social anxiety and need for social assurance in problematic use of Facebook. Cyberpsychology Behavior and Social Networking, 18(10), 567-574. https://doi.org/10.1089/ cyber.2015.0002.
Li, L., Gao, H., & Xu, Y. (2020). The mediating and buffering effect of academic self-efficacy on the relationship between smartphone addiction and academic procrastination. Computers & Education, 159, 104001. https://doi.org/10.1016/j. compedu.2020.104001.
Li, Y., Li, G. X., Yu, M. L., Liu, C. L., Qu, Y. T., & Wu, H. (2021). Association between anxiety symptoms and problematic smartphone use among Chinese university students: The mediating/moderating role of self-efficacy. Frontiers in Psychiatry, 12, 581367. https://doi.org/10.3389/fpsyt.2021.581367.
Liebrenz, M., Schleifer, R., Buadze, A., Bhugra, D., & Smith, A. (2023). Generating scholarly content with ChatGPT: Ethical challenges for medical publishing. The Lancet Digital Health, 5(3), e105-e106. https://doi.org/10.1016/S2589-7500(23)00019-5.
Lin, C. W., Lin, Y. S., Liao, C. C., & Chen, C. C. (2021). Utilizing technology acceptance model for influences of smartphone addiction on behavioural intention. Mathematical Problems in Engineering, 2021, 1-7. https://doi.org/10.1155/2021/5592187.
Lund, B. D., & Wang, T. (2023). Chatting about ChatGPT: How may AI and GPT impact academia and libraries? Library Hi Tech News, 40(3), 26-29. https://doi.org/10.1108/LHTN-01-2023-0009.
Manoharan, S., Speidel, U., Ward, A. E., & Ye, X. (2023, June). Contract Cheating-Dead or Reborn? In 2023 32nd Annual Conference of the European Association for Education in Electrical and Information Engineering (EAEEIE) (pp. 1-5). IEEE. https://doi. org/10.23919/EAEEIE55804.2023.10182073.
Meng, J., & Dai, Y. (2021). Emotional support from Al chatbots: Should a supportive partner self-disclose or not? Journal of Computer-Mediated Communication, 26(4), 207-222. https://doi.org/10.1093/jcmc/zmab005.
Metzger, I. W., Blevins, C., Calhoun, C. D., Ritchwood, T. D., Gilmore, A. K., Stewart, R., & Bountress, K. E. (2017). An examination of the impact of maladaptive coping on the association between stressor type and alcohol use in college. Journal of American College Health, 65(8), 534-541. https://doi.org/10.1080/07448481.2017.1351445.
Mhlanga, D. (2023). Open AI in education, the responsible and ethical use of ChatGPT towards lifelong learning. Education, the Responsible and Ethical Use of ChatGPT Towards Lifelong Learning (February 11, 2023). https://doi.org/10.2139/ssrn. 4354422.
Mun, I. B. (2023). Academic stress and first-/third-person shooter game addiction in a large adolescent sample: A serial mediation model with depression and impulsivity. Computers in Human Behavior, 145, 107767. https://doi.org/10.1016/j. chb.2023.107767.
Nan, D., Lee, H., Kim, Y., & Kim, J. H. (2022). My video game console is so cool! A coolness theory-based model for intention to use video game consoles. Technological Forecasting and Social Change, 176, 121451. https://doi.org/10.1016/j. techfore.2021.121451.
Nayak, J. K. (2018). Relationship among smartphone usage, addiction, academic performance and the moderating role of gender: A study of higher education students in India. Computers & Education, 123, 164-173. https://doi.org/10.1016/j. compedu.2018.05.007.
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 100041. https://doi.org/10.1016/j.caeai.2021.100041. 2.
Nielsen, T., Dammeyer, J., Vang, M. L., & Makransky, G. (2018). Gender fairness in self-efficacy? A rasch-based validity study of the General Academic self-efficacy scale (GASE). Scandinavian Journal of Educational Research, 62(5), 664-681. https://doi.org/1 0.1080/00313831.2017.1306796.

Nora, W. L. Y., & Zhang, K. C. (2010). Motives of cheating among secondary students: The role of self-efficacy and peer influence. Asia Pacific Education Review, 11, 573-584. https://doi.org/10.1007/s12564-010-9104-2.
Noreen, A. (2013). Relationship between internet addiction and academic performance among university undergraduates. Educational Research and Reviews, 8(19), 1793-1796. https://doi.org/10.5897/ERR2013.1539.
Odaci, H. (2011). Academic self-efficacy and academic procrastination as predictors of problematic internet use in university students. Computers & Education, 57(1), 1109-1113. https://doi.org/10.1016/j.compedu.2011.01.005.
Odacı, H. (2013). Risk-taking behavior and academic self-efficacy as variables accounting for problematic internet use in adolescent university students. Children and Youth Services Review, 35(1), 183-187. https://doi.org/10.1016/j. childyouth.2012.09.011.
Pajares, F. (2002). Gender and perceived self-efficacy in self-regulated learning. Theory into Practice, 41(2), 116-125. https://doi. org/10.1207/s15430421tip4102_8.

Park, S., Choi, J., Lee, S., Oh, C., Kim, C., La, S., Lee, J., & Suh, B. (2019). Designing a chatbot for a brief motivational interview on stress management: Qualitative case study. Journal of Medical Internet Research, 21(4), e12231. https://doi. org/10.2196/12231.
Parmaksız, İ. (2022). The mediating role of personality traits on the relationship between academic self-efficacy and digital addiction. Education and Information Technologies, 27(6), 8883-8902. https://doi.org/10.1007/s10639-022-10996-8.
Paul, J., Ueno, A., & Dennis, C. (2023). ChatGPT and consumers: Benefits, pitfalls and future research agenda. International Journal of Consumer Studies, 47(4), 1213-1225. https://doi.org/10.1111/ijcs. 12928.
Pitafi, A. H., Kanwal, S., & Khan, A. N. (2020). Effects of perceived ease of use on SNSs-addiction through psychological dependence, habit: The moderating role of perceived usefulness. International Journal of Business Information Systems, 33(3), 383-407. https://doi.org/10.1504/JBIS.2020.105831.
Quintans-Júnior, L. J., Gurgel, R. Q., Araújo, A. A. D. S., Correia, D., & Martins-Filho, P. R. (2023). ChatGPT: The new panacea of the academic world. Revista Da Sociedade Brasileira De Medicina Tropical, 56, e0060-2023. https://doi. org/10.1590/0037-8682-0060-2023.
Rahman, M. M., & Watanobe, Y. (2023). ChatGPT for education and research: Opportunities, threats, and strategies. Applied Sciences, 13(9), 5783. https://doi.org/10.3390/app13095783.
Rani, P. S., Rani, K. R., Daram, S. B., & Angadi, R. V. (2023). Is it feasible to reduce academic stress in Net-Zero Energy buildings? Reaction from ChatGPT. Annals of Biomedical Engineering, 1-3. https://doi.org/10.1007/s10439-023-03286-y.
Ray, P. P. (2023). ChatGPT: A comprehensive review on background, applications, key challenges, bias, ethics, limitations and future scope. Internet of Things and Cyber-Physical Systems. https://doi.org/10.1016/j.iotcps.2023.04.003.
Reddy, K. J., Menon, K. R., & Thattil, A. (2018). Academic stress and its sources among university students. Biomedical and Pharmacology Journal, 11(1), 531-537. https://doi.org/10.13005/bpj/1404.
Rothen, S., Briefer, J. F., Deleuze, J., Karila, L., Andreassen, C. S., Achab, S., Thorens, G., Khazaal, Y., Zullino, D., & Billieux, J. (2018). Disentangling the role of users’ preferences and impulsivity traits in problematic Facebook use. PloS One, 13(9), e0201971. https://doi.org/10.1371/journal.pone.0201971.
Salah, M., Alhalbusi, H., Abdelfattah, F., & Ismail, M. M. (2023). Chatting with ChatGPT: Investigating the impact on Psychological Well-being and self-esteem with a focus on harmful stereotypes and job Anxiety as Moderator. https://doi.org/10.21203/ rs.3.rs-2610655/v2.
Shen, Y., Heacock, L., Elias, J., Hentel, K. D., Reig, B., Shih, G., & Moy, L. (2023). ChatGPT and other large language models are double-edged swords. Radiology, 307(2), e230163. https://doi.org/10.1148/radiol.230163.
Sriwilai, K., & Charoensukmongkol, P. (2016). Face it, don’t Facebook it: Impacts of social media addiction on mindfulness, coping strategies and the consequence on emotional exhaustion. Stress and Health, 32(4), 427-434. https://doi.org/10.1002/ smi. 2637.
Struthers, C. W., Perry, R. P., & Menec, V. H. (2000). An examination of the relationship among academic stress, coping, motivation, and performance in college. Research in Higher Education, 41, 581-592. https://doi.org/10.1023/A:1007094931292.
Sujarwoto, Saputri, R. A. M., & Yumarni, T. (2023). Social media addiction and mental health among university students during the COVID-19 pandemic in Indonesia. International Journal of Mental Health and Addiction, 21(1), 96-110. https://doi. org/10.1007/s11469-021-00582-3.
Vantieghem, W., & Van Houtte, M. (2015). Are girls more resilient to gender-conformity pressure? The association between gender-conformity pressure and academic self-efficacy. Sex Roles, 73, 1-15. https://doi.org/10.1007/s11199-015-0509-6.
Wilks, S. E. (2008). Resilience amid academic stress: The moderating impact of social support among social work students. Advances in Social Work, 9(2), 106-125. https://doi.org/10.18060/51.
You, J. W. (2018). Testing the three-way interaction effect of academic stress, academic self-efficacy, and task value on persistence in learning among Korean college students. Higher Education, 76(5), 921-935. https://doi.org/10.1007/ s10734-018-0255-0.
Zeljko, B. (2022). Internet addiction disorder (IAD) as a consequence of the expansion of Information technologies. International Journal of Cognitive Research in Science Engineering and Education, 10(3), 155-165. https://doi. org/10.23947/2334-8496-2022-10-3-155-165.
Zhang, S., Che, S., Nan, D., & Kim, J. H. (2023a). How does online social interaction promote students’ continuous learning intentions? Frontiers in Psychology, 14. https://doi.org/10.3389/fpsyg.2023.1098110.
Zhang, S., Shan, C., Lee, J. S. Y., Che, S., & Kim, J. H. (2023b). Effect of chatbot-assisted language learning: A meta-analysis. Education and Information Technologies, 1-21. https://doi.org/10.1007/s10639-023-11805-6.
Zhu, Y. Q., Chen, L. Y., Chen, H. G., & Chern, C. C. (2011). How does internet information seeking help academic performance? The moderating and mediating roles of academic self-efficacy. Computers & Education, 57(4), 2476-2484. https://doi. org/10.1016/j.compedu.2011.07.006.
Zhu, Z., Qin, S., Yang, L., Dodd, A., & Conti, M. (2023). Emotion regulation tool design principles for arts and design university students. Procedia CIRP, 119, 115-120. https://doi.org/10.1016/j.procir.2023.03.085.

Publisher’s Note
Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.