DOI: https://doi.org/10.1038/s41539-025-00333-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40628752
تاريخ النشر: 2025-07-08
المؤلف: Alexander-John Karran وآخرون
الموضوع الرئيسي: الأخلاقيات والآثار الاجتماعية للذكاء الاصطناعي
نظرة عامة
تدرس هذه الدراسة قبول تطبيقات الذكاء الاصطناعي (AI) في التعليم من وجهات نظر مختلف أصحاب المصلحة، بما في ذلك الطلاب والمعلمين وأولياء الأمور. وتبرز المخاوف الحرجة مثل خصوصية البيانات، ووكالة الذكاء الاصطناعي، والشفافية، والقدرة على الشرح، والنشر الأخلاقي. باستخدام منهجية الفينيت، شملت الدراسة 1,198 مشاركًا قاموا بتقييم أربعة سيناريوهات مع عناصر متلاعب بها من وكالة الذكاء الاصطناعي والشفافية. تكشف النتائج عن تباينات كبيرة في القبول والثقة عبر مجموعات أصحاب المصلحة المختلفة وتطبيقات الذكاء الاصطناعي، مما يبرز تعقيد دمج الذكاء الاصطناعي في السياقات التعليمية.
تؤكد الورقة على الإمكانات التحويلية للذكاء الاصطناعي، وخاصة تقنيات الذكاء الاصطناعي التوليدي مثل ChatGPT، التي من المتوقع أن تعطل الأنظمة التعليمية التقليدية وطرق التدريس. يُعرف الذكاء الاصطناعي بأنه محاكاة عمليات الذكاء البشري بواسطة الآلات، بما في ذلك التعلم، والتفكير، والتكيف. تكمن وعود الذكاء الاصطناعي في التعليم في قدرته على تقديم تجارب تعلم تكيفية وشخصية، تلبي القدرات المعرفية الفريدة لكل طالب. علاوة على ذلك، يوفر دمج الذكاء الاصطناعي في الممارسات التعليمية فرصًا لتعزيز الكفاءة، وتوسيع الوصول، وإمكانية ديمقراطية التعليم، وهو ما قد لا تحققه الطرق التقليدية.
الطرق
تستخدم الدراسة منظورًا متعدد أصحاب المصلحة لمعالجة تعقيدات التحولات التعليمية، كما دعت اليونسكو وبدعم من أطر عمل فولان وكوين. يبرز هذا النهج أهمية إشراك أصحاب المصلحة المتنوعين لتعزيز الابتكارات التعليمية المستدامة التي تتناسب مع السياق ومن المحتمل أن يتم اعتمادها. من خلال النظر في التداخلات داخل الأنظمة التعليمية، تهدف الدراسة إلى تعزيز شرعية واستدامة التغييرات المقترحة.
لتحقيق هذه الديناميات، استخدم الباحثون منهجية الفينيت التجريبية (EVM)، التي تسمح بالتلاعب بالمتغيرات المستقلة ضمن إطار سياقي. تعتبر هذه الطريقة فعالة بشكل خاص لتقييم المعتقدات حول الأنظمة التي لم يتم تنفيذها على نطاق واسع بعد، حيث تلتقط تصورات المستخدمين ونواياهم السلوكية بشأن التقنيات الناشئة. تفحص الدراسة بشكل خاص تأثير أربعة متغيرات مستقلة—الوكالة، الشفافية، القدرة على الشرح، والخصوصية—على مجموعة متنوعة من المتغيرات التابعة، بما في ذلك المنفعة العالمية (GU)، والفائدة الفردية (IU)، والعدالة، والثقة، والمخاطر، ونية الاستخدام (ITU). يتناول هذا النهج الشامل القضايا الرئيسية المتعلقة بقبول الذكاء الاصطناعي التوليدي في البيئات التعليمية.
النتائج
أشارت نتائج تحليل الانحدار المتعدد إلى أن النموذج توقع بشكل كبير نية استخدام (ITU) الذكاء الاصطناعي، حيث ظهرت الوكالة كمتنبئ سلبي كبير (β = -0.2519، p < 0.001). في المقابل، لم تُظهر الشفافية، والقدرة على الشرح، والخصوصية تأثيرات مباشرة كبيرة على ITU. كشفت تحليلات الارتباط عن علاقات معتدلة بين المنفعة المدركة (PU) والمنفعة العالمية (GU)، مما يشير إلى أن تصورات المنفعة الفردية الأعلى ترتبط بزيادة تصورات المنفعة العامة. استكشفت تحليلات الوساطة التأثيرات غير المباشرة للمتغيرات المستقلة على ITU من خلال وسطاء مثل GU، والعدالة، والثقة، كاشفة أن الوكالة أثرت سلبًا على GU والعدالة، بينما أثرت كل من GU والعدالة إيجابيًا على ITU. بالنسبة لسيناريوهات محددة، وجدت التحليلات للطلاب المعرضين لـ "Correct-AI" تأثيرات وساطة كبيرة للوكالة من خلال GU والعدالة على ITU. بالمثل، في سيناريو "Answer-AI"، أثرت الخصوصية إيجابيًا على GU، مما أثر بدوره إيجابيًا على ITU. أظهر سيناريو "Emotion-AI" أن القدرة على الشرح أثرت إيجابيًا على GU، مما أدى إلى زيادة ITU. بين أولياء الأمور، أثرت الوكالة سلبًا على الثقة، التي أثرت إيجابيًا على ITU، مما يشير إلى أن تأثير الوكالة على ITU يتم وساطته من خلال الثقة. بالنسبة للمعلمين، أثرت القدرة على الشرح بشكل كبير على GU والفائدة المدركة، وكلاهما أثر إيجابيًا على ITU، بينما أثرت الوكالة سلبًا على GU. من الجدير بالذكر أن تحليلات الوساطة عبر السيناريوهات أبرزت أهمية GU كوسيط في فهم تأثيرات الوكالة والقدرة على الشرح على ITU، مما يبرز دور القيم النفعية في تشكيل نوايا أصحاب المصلحة لاستخدام الذكاء الاصطناعي في السياقات التعليمية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على درجات القبول والثقة المتفاوتة في تطبيقات الذكاء الاصطناعي بين مجموعات أصحاب المصلحة المختلفة—الطلاب، وأولياء الأمور، والمعلمين—في السياقات التعليمية. تشمل الوسطاء الرئيسيين الذين يؤثرون على نية استخدام الذكاء الاصطناعي المنفعة العالمية، والعدالة، والثقة، التي تتأثر بعوامل مثل وكالة الذكاء الاصطناعي، والشفافية، والقدرة على الشرح. على سبيل المثال، أظهر الطلاب تصورات أقل للمنفعة العالمية والعدالة عندما أظهرت أنظمة الذكاء الاصطناعي مستويات أعلى من الاستقلالية، خاصة في سيناريو Correct-AI، مما يشير إلى مخاوف بشأن العدالة وفوائد الذكاء الاصطناعي المستقل. على العكس من ذلك، في سيناريو Emotion-AI، أثرت القدرة على الشرح إيجابيًا على المنفعة المدركة، مما يشير إلى أن الطلاب يقدرون الوضوح في عمليات الذكاء الاصطناعي، خاصة عندما يتعلق الأمر بالدعم العاطفي.
كما أعرب أولياء الأمور والمعلمون عن آراء دقيقة؛ تأثرت ثقة أولياء الأمور في قدرة الذكاء الاصطناعي على التصرف بمسؤولية سلبًا من خلال الوكالة العالية في سيناريو Correct-AI، بينما فضل المعلمون أنظمة الذكاء الاصطناعي التي كانت أقل استقلالية ولكن أكثر قابلية للشرح. تؤكد النتائج على أهمية تحقيق توازن بين وكالة الذكاء الاصطناعي والشفافية والموثوقية لتعزيز القبول عبر مجموعات أصحاب المصلحة. بشكل عام، تقترح الدراسة أن نهج “مقاس واحد يناسب الجميع” لدمج الذكاء الاصطناعي في التعليم غير كافٍ؛ بدلاً من ذلك، فإن الاستراتيجيات المخصصة التي تعالج المخاوف والتصورات المحددة لمختلف أصحاب المصلحة ضرورية لتعزيز الثقة والاستخدام الفعال لتقنيات الذكاء الاصطناعي في البيئات التعليمية.
DOI: https://doi.org/10.1038/s41539-025-00333-2
PMID: https://pubmed.ncbi.nlm.nih.gov/40628752
Publication Date: 2025-07-08
Author(s): Alexander-John Karran et al.
Primary Topic: Ethics and Social Impacts of AI
Overview
This study investigates the acceptance of artificial intelligence (AI) applications in education from the perspectives of various stakeholders, including students, teachers, and parents. It highlights critical concerns such as data privacy, AI agency, transparency, explainability, and ethical deployment. Utilizing a vignette methodology, the research involved 1,198 participants who evaluated four scenarios with manipulated elements of AI agency and transparency. The findings reveal significant variations in acceptance and trust across different stakeholder groups and AI applications, underscoring the complexity of integrating AI in educational contexts.
The paper emphasizes the transformative potential of AI, particularly generative AI technologies like ChatGPT, which are poised to disrupt traditional educational systems and pedagogical methods. AI is defined as the simulation of human intelligence processes by machines, encompassing learning, reasoning, and adaptation. The promise of AI in education lies in its ability to deliver adaptive and personalized learning experiences, catering to the unique cognitive capabilities of each student. Moreover, the integration of AI into educational practices offers opportunities for enhanced efficiency, broader access, and the potential democratization of education, which traditional methods may not achieve.
Methods
The study employs a multi-stakeholder perspective to address the complexities of educational transformations, as advocated by UNESCO and supported by Fullan and Quinn’s frameworks. This approach emphasizes the importance of involving diverse stakeholders to foster sustainable educational innovations that are contextually relevant and likely to be adopted. By considering the interdependencies within educational systems, the study aims to enhance the legitimacy and sustainability of proposed changes.
To investigate these dynamics, the researchers utilized an experimental vignette methodology (EVM), which allows for the manipulation of independent variables within a contextual framework. This method is particularly effective for assessing beliefs about systems not yet widely implemented, as it captures user perceptions and behavioral intentions regarding emerging technologies. The study specifically examines the impact of four independent variables—Agency, Transparency, Explainability, and Privacy—on various dependent variables, including Global Utility (GU), Individual Usefulness (IU), Justice, Confidence, Risk, and Intention to Use (ITU). This comprehensive approach addresses key concerns related to the adoption of generative AI in educational settings.
Results
The results of the multiple regression analysis indicated that the model significantly predicted the intention to use (ITU) AI, with agency emerging as a significant negative predictor (β = -0.2519, p < 0.001). In contrast, transparency, explainability, and privacy did not show significant direct effects on ITU. Correlation analyses revealed moderate relationships between perceived utility (PU) and global utility (GU), suggesting that higher individual utility perceptions correlate with increased overall utility perceptions. Mediation analyses further explored the indirect effects of the independent variables on ITU through mediators such as GU, justice, and confidence, revealing that agency negatively impacted GU and justice, while both GU and justice positively influenced ITU. For specific scenarios, the analysis for students exposed to "Correct-AI" found significant mediation effects of agency through GU and justice on ITU. Similarly, in the "Answer-AI" scenario, privacy positively impacted GU, which in turn positively influenced ITU. The "Emotion-AI" scenario showed that explainability positively affected GU, leading to greater ITU. Among parents, agency negatively impacted confidence, which positively influenced ITU, indicating that agency's effect on ITU is mediated by confidence. For teachers, explainability significantly influenced GU and perceived usefulness, both of which positively impacted ITU, while agency negatively affected GU. Notably, the mediation analyses across scenarios highlighted the importance of GU as a mediator in understanding the effects of agency and explainability on ITU, emphasizing the role of utilitarian values in shaping stakeholders' intentions to use AI in educational contexts.
Discussion
The discussion section of the research paper highlights the varying degrees of acceptance and trust in AI applications among different stakeholder groups—students, parents, and teachers—in educational contexts. Key mediators influencing the intention to use AI include global utility, justice, and confidence, which are affected by factors such as AI agency, transparency, and explainability. For instance, students showed lower perceptions of global utility and justice when AI systems exhibited higher levels of autonomy, particularly in the Correct-AI scenario, indicating concerns about the fairness and benefits of autonomous AI. Conversely, in the Emotion-AI scenario, explainability positively impacted perceived utility, suggesting that students value clarity in AI operations, especially when emotional support is involved.
Parents and teachers also expressed nuanced views; parents’ confidence in AI’s ability to act responsibly was negatively impacted by high agency in the Correct-AI scenario, while teachers preferred AI systems that were less autonomous but more explainable. The findings underscore the importance of balancing AI agency with transparency and trustworthiness to enhance acceptance across stakeholder groups. Overall, the study suggests that a one-size-fits-all approach to AI integration in education is inadequate; instead, tailored strategies that address specific concerns and perceptions of different stakeholders are essential for fostering trust and effective use of AI technologies in educational settings.