مستقبل العلوم التعليمية: استخدام الذكاء الاصطناعي التوليدي، الثقة، والحمل المعرفي كمؤشرات للتنبؤ بالأداء الأكاديمي المدرك ذاتيا في التعليم العالي

ملخص

تفحص هذه الدراسة كيف يؤثر استخدام الذكاء الاصطناعي التوليدي والثقة به على الأداء الأكاديمي بين طلاب التعليم العالي من خلال الحمل المعرفي. يكشف استخدام نمذجة المعادلات الهيكلية الجزئية ذات المربعات الصغرى (PLS-SEM) على بيانات من 390 طالبا أن كلا العاملين يزيدان بشكل كبير من الحمل المعرفي، مما يتنبأ إيجابيا بالأداء ويتوسط في تأثيراتهما.

الملخص

تبحث هذه الدراسة في العلاقات المعقدة بين استخدام الذكاء الاصطناعي التوليدي، والثقة في الذكاء الاصطناعي، والعبء المعرفي، والأداء الأكاديمي بين طلاب التعليم العالي. تستند الدراسة إلى نظرية الحمل المعرفي وأدبيات الثقة، حيث تفحص كيف يؤثر تفاعل الطلاب مع أدوات الذكاء الاصطناعي التوليدي وثقتهم في هذه الأنظمة على النتائج الأكاديمية، مع اعتبار الحمل المعرفي الآلية الوسيطة. تم استخدام تصميم بحث مقطع عرضي كمي مع عينة عشوائية طبقية من 390 طالب تعليم عالي. تم جمع البيانات باستخدام مقاييس مثبتة تقيس الثقة في استخدام الذكاء الاصطناعي التوليدي في الذكاء الاصطناعي (الأبعاد الشبيهة بالإنسان والوظائف)، والحمل المعرفي (الحمل الداخلي، والحمل الخارجي، والتعلم الذاتي المدرك)، والأداء الأكاديمي. تم استخدام نمذجة المعادلات الهيكلية ذات المربعات الصغرى الجزئية (PLS-SEM) مع إجراءات التمهيد (5,000 إعادة عينة) لاختبار العلاقات المباشرة والوسيطة المفترضة. كشفت النتائج أن استخدام الذكاء الاصطناعي التوليدي (β = 0.34، p < 0.001) والثقة في الذكاء الاصطناعي (β = 0.28، p < 0.001) كانا مرتبطين بشكل إيجابي بشكل ملحوظ بالحمل المعرفي. كان العبء المعرفي مرتبطا إيجابيا أيضا بالأداء الأكاديمي (β = 0.52، < 0.001). علاوة على ذلك، يتوسط الحمل المعرفي بشكل كبير العلاقات بين استخدام الذكاء الاصطناعي التوليدي والأداء الأكاديمي (β = 0.18، p < 0.001) وبين الثقة في الذكاء الاصطناعي والأداء الأكاديمي (β = 0.15، p < 0.001). شرح النموذج 45٪ من التباين في الأداء الأكاديمي، وأكد PLS Predict قوة تنبؤية عالية. توسع النتائج نظرية الحمل المعرفي لتشمل سياقات التعلم المعززة بالذكاء الاصطناعي وتشير إلى أن الحمل المعرفي قد يكون مسارا تفسيريا مهما يربط العوامل المتعلقة بالذكاء الاصطناعي بالنتائج الأكاديمية. عمليا، تؤكد الدراسة على أهمية تعزيز الثقافة في الذكاء الاصطناعي، وتصميم بيئات تعليمية تحسن العبء المعرفي، وإعطاء الأولوية للموثوقية الوظيفية في تطوير أدوات الذكاء الاصطناعي. توفر هذه الدراسة أدلة تجريبية على أن العبء المعرفي يعمل كآلية وسيطة مهمة يترجم من خلالها استخدام الذكاء الاصطناعي التوليدي والثقة به إلى الأداء الأكاديمي.

المقدمة

لقد أدى التقدم السريع للذكاء الاصطناعي التوليدي (GenAI) إلى تحول جذري في التعليم العالي، حيث غير بشكل جذري كيفية وصول الطلاب^{إلى المعرفة} ومعالجتهم وبناؤهم 1. أصبحت أدوات مثل ChatGPT وGemini وClaude أكثر تدميجا في البيئات الأكاديمية، حيث تشير التقديرات الحديثة إلى أن أكثر من 30٪ من طلاب الجامعات يستخدمون هذه التقنيات بانتظام في الأنشطة المتعلقة بالمقررات². تقدم هذه الثورة التكنولوجية فرصا غير مسبوقة وتحديات كبيرة للمعلمين والإداريين والباحثين الذين يسعون لفهم كيف يؤثر تكامل الذكاء الاصطناعي على عمليات التعلم والنتائج³.

بينما يوفر الذكاء الاصطناعي التوليدي إمكانية التدريس الخصوصي، والتغذية الراجعة الفورية، وزيادة الإنتاجية، لا يقتصر الطلاب على استهلاك المعلومات التي يولدها الذكاء الاصطناعي بشكل سلبي⁴. بل إن التعلم المعزز بالذكاء الاصطناعي يتضمن عمليات تفاعلية مستمرة حيث يقوم الطلاب بصياغة المحفزات، وتقييم المخرجات، ومقارنة الردود التي يولدها الذكاء الاصطناعي مع مصادر خارجية، ومعايرة اعتمادهم على أنظمة الذكاء الاصطناعي، ودمج المحتوى المولد آليا في المهام الأكاديمية⁵. تقدم هذه المطالب التفاعلية ديناميكيات معرفية جديدة تتجاوز نماذج استخدام التكنولوجيا التقليدية وقد تقلل في الوقت نفسه من بعض الأعباء المعرفية مع خلق أشكال جديدة من الجهد المعرفي والتحميل الزائد. جوهر هذه المخاوف هو سؤال كيف يؤثر استخدام الذكاء الاصطناعي على العمليات المعرفية التي تقوم عليها التعلم، وهو سؤال لا يزال إلى حد كبير غير مستكشف في الأدبيات التجريبية. توفر نظرية الحمل المعرفي (CLT) إطارا نظريا قويا لفحص هذه الأسئلة. يفترض CLT أن التعلم مقيد بقدرة الذاكرة العاملة المحدودة، وأن التصميم التعليمي الفعال يجب أن يدير ثلاثة أنواع من الأحمال المعرفية: الحمل الداخلي الناتج عن تعقيد المحتوى، الحمل الزائد المفروض بسبب سوء التصميم التعليمي، والحمل المرتبط الموجه نحو بناء المخطط والأتمتة⁶. في بيئات التعلم المعززة بالذكاء الاصطناعي، تصبح هذه الفروق بارزة بشكل خاص. يجب على الطلاب الذين يتفاعلون مع أدوات الذكاء الاصطناعي التوليدي معالجة محتوى المقرر في الوقت نفسه، وتقييم المعلومات التي يولدها من قبل الذكاء الاصطناعي من حيث الدقة والملاءمة، ودمج مصادر متنوعة من عمليات المعرفة التي قد تزيد بشكل كبير من المتطلبات المعرفية⁸.

من المهم أن نظرية الحمل المعرفي تصور الحمل المعرفي كمفهوم متعدد الأبعاد يتكون من أحمال داخلية وخارجية وذات صلة، وكل منها قد يؤثر على التعلم بشكل مختلف⁹. ينشأ الحمل الداخلي من التعقيد المتأصل في المواد التعلمية، والحمل الزائد يعكس عبئا معرفيا غير ضروري ناتج عن تصميم تعليمي غير فعال أو متطلبات معالجة غير ذات صلة، ويشير الحمل المرتبط بالتفاعل المعرفي المنتج المرتبط ببناء المخطط وعمليات التعلم ذات الصلة. وبالتالي، لا ينبغي تفسير العبء المعرفي على أنه مفيد أو ضار بشكل موحد. بينما قد يدعم الحمل الداخلي والمرتبط الفهم الأعمق في الظروف المناسبة، يمكن أن يتداخل الحمل الزائد الزائد مع التعلم من خلال استهلاك الموارد الإدراكية المحدودة.

بعيدا عن أنماط الاستخدام، تظهر ثقة الطلاب في أنظمة الذكاء الاصطناعي كعامل نفسي حاسم يشكل التفاعل بين الإنسان والذكاء الاصطناعي¹⁰. استنادا إلى أطر الثقة الأساسية، يمكن تصور الثقة في الذكاء الاصطناعي على بعدين مميزين: الثقة الشبيهة بالبشر، تشمل تصورات الخير والنزاهة والتوقع؛ وثقة الوظائف، مما يعكس الثقة في موثوقية وكفاءة وموثوقية التقنية نفسها¹¹. لقد أثبتت الأبحاث السابقة أن الثقة هي عامل محدد في تبني التكنولوجيا^{واستخدامها} المستمر، ومع ذلك لا تزال عواقبها الإدراكية غير مستكشفة إلى حد كبير. العلاقة بين الثقة في الذكاء الاصطناعي والحمل المعرفي معقدة نظريا ولا ينبغي تفسيرها على أنها إيجابية أو خطية بشكل موحد¹³. من ناحية، قد تشجع الثقة المناسبة في الذكاء الاصطناعي الطلاب على التفاعل بشكل أعمق مع المحتوى الذي ينشئه الذكاء الاصطناعي، واستثمار الجهد المعرفي في تقييم الاستجابات، ودمج المعلومات المولدة آليا في مهام التعلم¹⁴. تمثل العلاقة بين العوامل المتعلقة بالذكاء الاصطناعي والأداء الأكاديمي النتيجة النهائية التي تهم المعلمين والمؤسسات¹⁵. تم تطبيق الأداء الأكاديمي بطرق مختلفة عبر البحث التربوي، حيث استخدمت بعض الدراسات مقاييس موضوعية مثل المعدلات^{التراكمية 16}، بينما تعتمد دراسات أخرى على الكفاءة الأكاديمية التي يتصورها الطلاب^{بأنفسهم 17}. تعكس المقاييس التي تدرك الذات وعيا الطلاب بقدراتهم التعليمية وأداء المهام، وهو ما أظهرت الأبحاث ارتباطه القوي بالتحصيل الأكاديمي الفعلي¹⁸. في سياقات التعلم المعززة بالذكاء الاصطناعي، يصبح فهم كيف يدرك الطلاب تعلمهم الخاص، حيث قد توجه هذه التصورات التفاعل اللاحق مع أدوات واستراتيجيات التعلم¹⁹.

على الرغم من الانتشار المتزايد للذكاء الاصطناعي التوليدي في التعليم العالي، إلا أن الأبحاث التجريبية التي تفحص عواقبه المعرفية والأكاديمية لا تزال نادرة²⁰. ركزت الدراسات الحالية بشكل أساسي على أنماط التبني، والمخاوف الأخلاقية، أو التطبيقات التخصصية²¹، مع اهتمام محدود بالآليات النفسية التي تربط استخدام الذكاء الاصطناعي بنتائج التعلم²². علاوة على ذلك، رغم دراسة الثقة بشكل موسع في التجارة الإلكترونية والتفاعل بين الإنسان والحاسوب²³، إلا أن دورها في سياقات الذكاء الاصطناعي التعليمية لا يزال نظريا غير متطور وغير مختبر تجريبيا. تعالج الدراسة الحالية هذه الفجوات من خلال دراسة الروابط بين استخدام الذكاء الاصطناعي التوليدي، والثقة في الذكاء الاصطناعي، والحمل المعرفي، والأداء الأكاديمي، مع نمذجة الحمل المعرفي كمسار وسيط محتمل. تستند هذه الدراسة إلى نظرية الحمل المعرفي²⁴ وأدبيات الثقة، وتقترح وتختبر نموذجا للوساطة يفحص خمس فرضيات: (H1) يؤثر استخدام الذكاء الاصطناعي التوليدي إيجابيا على الحمل المعرفي؛ (H2) الثقة في الذكاء الاصطناعي تؤثر إيجابيا على الحمل المعرفي؛ (H3) يؤثر الحمل المعرفي إيجابيا على الأداء الأكاديمي؛ (H4) يتوسط الحمل المعرفي العلاقة بين استخدام الذكاء الاصطناعي التوليدي والأداء الأكاديمي؛ و(H5) الحمل المعرفي يتوسط العلاقة بين الثقة في الذكاء الاصطناعي والأداء الأكاديمي.

يمثل دمج الذكاء الاصطناعي التوليدي (GenAI) في التعليم العالي أحد أهم التحولات التكنولوجية^{في الممارسة} التربوية المعاصرة. أدوات مثل ChatGPT، التي طورتها OpenAI، أظهرت قدرات مذهلة في توليد نصوص شبيهة بالبشر، وحل المشكلات المعقدة، وتقديم دعم تعليمي مخصص²⁶. وقد وثقت تحقيقات تجريبية حديثة تبنيا واسع النطاق بين طلاب الجامعات. يستخدم الطلاب الذكاء الاصطناعي المولد لأغراض أكاديمية متنوعة، بما في ذلك العصف الذهني، تلخيص المحتوى، التدقيق اللغوي، وشرح المفاهيم²⁷. وقد دفع هذا الانتشار الباحثين إلى دراسة الإمكانيات والتحديات المرتبطة بالذكاء الاصطناعي التوليد في السياقات التعليمية. يجادل المؤيدون بأن أدوات الذكاء الاصطناعي المولد يمكن أن تعزز التعلم من خلال تقديم تغذية راجعة فورية، ودعم المهام المعقدة، وتقديم وجهات نظر متعددة حول المحتوى التخصصي.²⁸. أظهر الطلاب الذين استخدموا ChatGPT لمهام البرمجة جودة كود أفضل ووقت إكمال، مما يشير إلى فوائد محتملة لفقدان التحميل المعرفي. وبالمثل، يمكن ل GenAI تخصيص تجارب التعلم من خلال تكييف المحتوى حسب احتياجات الطلاب ووتيرة التعلم^{الفردية.} ومع ذلك، أثار النقاد مخاوف بشأن النزاهة الأكاديمية، واحتمالية حدوث الانتحال، وتآكل مهارات التفكير النقدي عندما يعتمد الطلاب بشكل مفرط على المحتوى الذي ينشئه الذكاء الاصطناعي^30,31. تؤكد هذه الرؤى المتنافسة على الحاجة إلى تحقيق تجريبي صارم في كيفية تأثير استخدام الذكاء الاصطناعي المولد على عمليات التعلم الأساسية.

توفر نظرية الحمل المعرفي (CLT) إطارا شاملا لفهم المتطلبات الذهنية التي تفرضها مهام التعلم وتصاميم التعليم. يرتكز CLT على البنية المعتمدة للإدراك البشري، والتي تتكون من ذاكرة طويلة المدى غير محدودة فعليا وذاكرة عاملة محدودة للغاية في السعة^{ومدة 32}. وفقا ل CLT، يحدث التعلم عندما تتم معالجة المعلومات بنجاح في الذاكرة العاملة وتخزينها لاحقا كمخططات في الذاكرة طويلة الأمد. تميز النظرية بين ثلاثة أنواع من الأحمال المعرفية: الحمل الجوهري، الذي يحدده التعقيد الكامن لمادة التعلم وخبرة المتعلم القائمة؛ الحمل الزائد، الذي يفرضه مواد تعليمية وأنشطة سيئة التصميم لا تساهم مباشرة في التعلم؛ وحمل العموم، الذي يشير إلى الموارد المعرفية المخصصة لبناء وأتمتة المخططات³³. أظهرت الأبحاث باستمرار أن التصميم التعليمي الفعال يجب أن يدير هذه الأنواع الثلاثة من الأحمال لتحسين نتائج التعلم³⁴. الحمل الزائد العالي يحول الموارد المعرفية بعيدا عن عمليات التعلم، مما يؤثر على الأداء، في حين أن الأحمال الجوهرية والمرتبطة المناسبة تسهل الفهم العميق ونقل المعرفة³⁵. أداة شاملة لقياس أبعاد هذه الحمل في البيئات التعليمية، تتيح التحقيق التجريبي في الحمل المعرفي عبر سياقات التعلم المتنوعة. مؤخرا، قام الباحثون بتوسيع CLT ليشمل بيئات التعلم المعززة بالتكنولوجيا، حيث درسوا كيف تؤثر الأدوات الرقمية على المعالجة المعرفية³⁶. العلاقة بين استخدام الذكاء الاصطناعي التوليدي والحمل المعرفي نظريا معقدة وغير مستكشفة تجريبيا³⁷. من جهة، قد تقلل أدوات الذكاء الاصطناعي المولد من الحمل الزائد من خلال تبسيط البحث عن المعلومات، ودمج مصادر متنوعة، وعرض المعلومات بصيغ يمكن الوصول إليها³⁸. لم يعد الطلاب بحاجة إلى التنقل في قواعد بيانات متعددة أو تفسير النصوص المعقدة بشكل مستقل، مما قد يحرر الموارد المعرفية للمعالجة الأعمق³⁹.

الثقة هي آلية نفسية أساسية تشكل التفاعل بين الإنسان والتكنولوجيا. في سياق نظم المعلومات، الثقة متعددة الأبعاد، وتشمل المعتقدات حول كفاءة وخير ونزاهة^{الأنظمة} التكنولوجية. عند تطبيقها على الذكاء الاصطناعي، يمكن التمييز بين الثقة على بعدين مفاهيميين مختلفين: الثقة الشبيهة بالإنسان، التي تتضمن نسب صفات أنثروبومورفية مثل اللطف والتنبؤ؛ وثقة الوظائف، مما يعكس الثقة في الأداء الموثوق للقدرات التقنية⁴¹. هذا التمييز ذو صلة خاصة في السياقات التعليمية، حيث يجب على الطلاب تحديد مدى اعتمادهم على المحتوى المولد بواسطة الذكاء الاصطناعي في المهام الأكاديمية. وفقا لنموذج الاحتمالية التفصيلية، يعالج الأفراد المعلومات إما عبر المسار المركزي أو الهامشي حسب الدافع والقدرة. عندما تكون الثقة عالية، قد يشارك الطلاب في معالجة المسار المركزي، حيث يبدقون ويشرحون المحتوى الذي يولده الذكاء الاصطناعي، مما يزيد من العبء المعرفي الموجه نحو التعلم⁴². يشكل الأداء الأكاديمي المتغير المعياري النهائي في البحث التعليمي، حيث يتم تطبيقه من خلال مقاييس موضوعية مثل المعدلات التراكمية ومقاييس ذاتية تلتقط الكفاءة الأكاديمية التي يتصورها الطلاب^{بأنفسهم 43}. توفر المقاييس الذاتية رؤى قيمة حول وعي الطلاب بقدراتهم العلمية فوق المعرفية وأظهرت ارتباطات قوية مع مؤشرات الأداء الموضوعية. تصور ذاتي لتقييم الكفاءة الأكاديمية المتصورة للطلاب، بما في ذلك البنود المتعلقة بكفاءة التعلم وإنجاز المهام⁴⁴. هذا النهج مناسب بشكل خاص في السياقات المعززة بالذكاء الاصطناعي، حيث قد تؤثر ثقة الطلاب في قدرتهم على التعلم باستخدام أدوات الذكاء الاصطناعي ومن خلالها على نتائج التعلم الفعلية.

البروتوكول

يلخص جدول المواد الأدوات والبرمجيات والمقاييس المستخدمة في الدراسة، بما في ذلك المقاييس المعدلة والمعتمدة لاستخدام الذكاء الاصطناعي التوليدي، والثقة في الذكاء الاصطناعي، والحمل المعرفي، والأداء الأكاديمي الذاتي المدرك، وإجراءات أخذ العينات والاستبيانات، وأدوات تحليل البيانات (SPSS و SmartPLS). علاوة على ذلك، لم تكن الموافقة الأخلاقية قابلة للتطبيق على هذه الدراسة لأنها لم تتضمن أي تلاعب تجريبي أو إجراءات طبية أو تدخلات قد تشكل مخاطر جسدية أو نفسية على المشاركين. استخدم البحث استبيانا إلكترونيا غير جراحي يتم إدارته ذاتيا لجمع بيانات حول تصورات الطلاب وتجاربهم وسلوكياتهم فيما يتعلق باستخدام الذكاء الاصطناعي التوليدي في البيئات الأكاديمية. ونظرا لأن الدراسة لم تتضمن تفاعلا مباشرا سوى إكمال المسح، لم تجرى أي تجارب سريرية أو إجراءات طبية حيوية أو علاجات تجريبية، ولم يتعرض المشاركون لأي ظروف تجريبية قد تسبب ضررا أو ضيقا. قبل جمع البيانات، تم تزويد جميع المشاركين بنموذج موافقة مفصل ومستنير يشرح هدف الدراسة، والطبيعة الطوعية لمشاركتهم، والإجراءات المتخذة لضمان إخفاء الهوية والسرية. تم الحصول على الموافقة المستنيرة ضمنيا من خلال إكمال وتقديم الاستبيان، كما هو مذكور صراحة في نموذج الموافقة المستنيرة. تم التأكيد للمشاركين أن ردودهم ستستخدم فقط لأغراض البحث الأكاديمي، وأنه لن يتم جمع أو الإبلاغ عن معلومات شخصية قابلة للتعريف. علاوة على ذلك، تم إبلاغ المشاركين بحقهم في الانسحاب من الدراسة في أي وقت قبل تقديم الاستبيان، دون عواقب. تم تخزين جميع البيانات بأمان على أجهزة محمية بكلمة مرور لا يمكن الوصول إليها إلا لفريق البحث، وتم الإبلاغ عن النتائج المجمعة لمنع تحديد هوية المستجيبين الأفراد. ضمنت هذه الإجراءات أن الدراسة أجريت وفقا للمبادئ الأخلاقية لإعلان هلسنكي والإرشادات المؤسسية للأبحاث التي تشمل المشاركين البشر، رغم أن المتطلبات الرسمية لمراجعة لجنة المراجعة غير مطبقة.

تصميم البحث

تستخدم هذه الدراسة تصميم بحث كمي ومقطعي للتحقيق في العلاقات المعقدة بين استخدام الذكاء الاصطناعي التوليدي، والثقة في الذكاء الاصطناعي، والعبء المعرفي، والأداء الأكاديمي بين طلاب التعليم العالي. تم تفعيل هذا التصميم من خلال استراتيجية مسح، اختيرت لكفاءتها وفعاليتها في جمع البيانات المعيارية من عينة كبيرة، مما أتاح اختبارا إحصائيا قويا للعلاقات المفترضة. تسهل طريقة الاستطلاع القياس المنهجي لكل بناء باستخدام مقاييس موثقة، مما يضمن أن البيانات المجمعة موثوقة وقابلة للمقارنة بين جميع المستجيبين. علاوة على ذلك، فإن اعتماد نهج مقطعي، حيث تجمع البيانات في نقطة زمنية واحدة، مناسب بشكل خاص لهذا التحقيق لأنه يسمح بفحص الانتشار الحالي لاستخدام الذكاء الاصطناعي التوليدي والثقة بين الطلاب، مع تقييم الروابط بين هذه المتغيرات وتأثيرها الجماعي على العبء المعرفي والأداء الأكاديمي ضمن فئة الدراسة المستهدفة.

المشاركون وإجراءات أخذ العينات

تتكون الفئة المستهدفة من هذه الدراسة من الطلاب المسجلين في مؤسسات التعليم العالي الذين لديهم خبرة نشطة في استخدام أدوات الذكاء الاصطناعي التوليدي، وخاصة ChatGPT ونماذج اللغة الكبيرة المماثلة، لأغراض أكاديمية. لضمان وجود مقطع تمثيلي لهذه المجموعة وتعزيز قابلية تعميم النتائج، تم استخدام تقنية أخذ عينات عشوائية طبقية. تم الحصول على إطار العينة من مكتب مسجل الجامعة، الذي يضم قائمة كاملة بالطلاب المسجلين حاليا من جميع الكليات. استند التصنيف الطبقي إلى متغيرين ديموغرافيين رئيسيين: التخصص الأكاديمي وسنة الدراسة. تم تصنيف التخصص الأكاديمي إلى أربع طبقات رئيسية: العلوم الإنسانية والاجتماعية، العلوم الطبيعية، الهندسة والتكنولوجيا، والأعمال والاقتصاد. تم تقسيم سنة الدراسة إلى أربعة مستويات: طلاب السنة الأولى، الثانية، السنة الثالثة، والرابعة، بالإضافة إلى طلاب الدراسات العليا (ماجستير ودكتوراه). ضمن هذا النهج الطبقي المزدوج تمثيلا نسبيا من كل مجموعة فرعية داخل جسم الطلاب، مما منع التمثيل المفرط أو النقص في أي مجال أكاديمي أو مستوى أكاديمي فقط. من كل طبقة، تم اختيار المشاركين عشوائيا باستخدام مولد أرقام عشوائية، مع رسم العدد بشكل متناسب مع تمثيل تلك الطبقة في إجمالي عدد الطلاب. ضمن هذا النهج المنهجي في اختيار المشاركين أن العينة النهائية تعكس بدقة تنوع طلاب التعليم العالي، بما في ذلك الخلفيات الأكاديمية والتقدم التعليمي.

فيما يتعلق بتركيبة المشاركين الديموغرافية، شكلت عينة 390 مشاركا مزيجا متنوعا من الطلاب من مختلف الفئات العمرية، عادة ما تتراوح أعمارهم بين 18 و35 عاما أو أكثر، مع تمثيل متوازن للهويات الجندرية يتناسب مع التركيبة الديموغرافية المؤسسية. شملت العينة طلابا من جميع سنوات البكالوريوس الأربع بالإضافة إلى طلاب الدراسات العليا، مما ضمن تغطية مراحل مختلفة من التطور الأكاديمي ومستويات مختلفة من التعرض لأدوات الذكاء الاصطناعي. تم تمثيل التخصصات الأكاديمية بشكل نسبي، مع تضمين طلاب من خلفيات العلوم الإنسانية والعلوم والهندسة والأعمال ضمن العينة. بالإضافة إلى ذلك، تم جمع معلومات ديموغرافية أساسية، مثل الخبرة التقنية السابقة، وتكرار استخدام الذكاء الاصطناعي التوليدي، وحالة اللغة الأم، لتوفير سياق للمتغيرات الرئيسية قيد البحث. خدم هذا التحليل الديموغرافي الشامل غرضين: أولا، سمح بتوصيف العينة بشكل وصفي، وثانيا، مكن الباحثين من التحكم في المتغيرات المربكة المحتملة في التحليلات اللاحقة. يضمن التوثيق التفصيلي لإجراءات أخذ العينة والخصائص الديموغرافية أن يتمكن الباحثون الآخرون من تكرار هذه الدراسة بدقة، مما يفي بمتطلبات العلم لإعادة التكرار ويتيح مقارنات ذات معنى عبر سياقات مؤسسية وثقافية مختلفة. علاوة على ذلك، عزز هذا النهج الدقيق في أخذ العينات صحة النتائج خارجيا، مما سمح بتعميم أكثر ثقة للنتائج على شريحة طلاب التعليم العالي الأوسع. تم جمع بيانات هذه الدراسة باستخدام استبيان إلكتروني منظم وذاتي الإدارة. ينقسم الاستبيان إلى خمسة أقسام، صممت لقياس البنى الأساسية للدراسة باستخدام مقاييس مثبتة ومعتمدة. جميع العناصر، ما لم يذكر خلاف ذلك، سيتم قياسها على مقياس ليكرت من خمس نقاط، يتراوح من 1 ("أختلف بشدة") إلى 5 ("أتفق بشدة").

الأجهزة والقياسات

تم قياس استخدام الذكاء الاصطناعي التوليدي، وتحديدا ChatGPT، باستخدام مقياس مكون من 8 عناصر مقتبس من دراسة⁴⁵. يتجاوز هذا المقياس تكرار الاستخدام البسيط ليشمل الطبيعة المتعددة لتفاعل الطلاب مع الذكاء الاصطناعي. تركز المواد على ثلاثة أبعاد رئيسية: (أ) تكرار الاستخدام للمهام الأكاديمية المختلفة، (ب) الأغراض المحددة التي تستخدم من أجلها (مثل العصف الذهني، تلخيص المحتوى، التدقيق اللغوي)، و(ج) الفعالية المدركة للطلاب للأداة في تعزيز أعمالهم الأكاديمية المتعلقة باللغة. تم تصور الثقة في الذكاء الاصطناعي كمفهوم متعدد الأبعاد، مستندا إلى أطر راسخة للثقة بين الأشخاص⁴⁶، والثقة التكنولوجية. يتكون المقياس من بعدين مميزين. الثقة الشبيهة بالبشر: يقيس هذا المقياس الفرعي المكون من 6 بنود مدى نسب الطلاب للذكاء الاصطناعي صفات شبيهة بالبشر، مثل الرحمة، والنزاهة، والقابلية للتنبؤ. على سبيل المثال، تقيم المقالات ما إذا كان الطلاب يعتقدون أن الذكاء الاصطناعي يتصرف لمصلحتهم أو يقدم معلومات غير متحيزة. الثقة بالوظائف: هذا المقياس الفرعي المكون من خمسة عناصر يقيم الثقة في الأداء الوظيفي للذكاء الاصطناعي. يركز على موثوقية وكفاءة وموثوقية التكنولوجيا نفسها، موكرا الاعتقاد بأن الذكاء الاصطناعي يمتلك الوظائف المطلوبة لأداء المهام الأكاديمية بفعالية.

تم قياس الحمل المعرفي باستخدام مقياس مقتبس من دراسة^{أخرى 47}، والتي تعتمد على CLT. لالتقاط البنية الثلاثية لتقنية التعلم التعليمي، يقسم المقياس إلى ثلاثة مقاييس فرعية: الحمل الداخلي (3 عناصر): يقيم هذا المقياس التعقيد والصعوبة المدركة في مواد التعلم والمهام نفسها. قد يكون مثال على الموضوع: "المواضيع التي يغطيها دراستي معقدة جدا." الحمل الزائد (3 عناصر): يقيس هذا المقياس الفرعي العبء المعرفي الذي يفرضه التصميم التعليمي وطريقة تقديم المعلومات. مثال على ذلك، "تعليمات الواجبات غالبا ما تكون غير واضحة وصعبة المتابعة. التعلم الذاتي الإدراكي (4 بنود): بعد أبحاث تعليمية سابقة، استخدم هذا المقياس الفرعي كمؤشر تقريبي للمعالجة المعرفية المباشرة بدلا من أن يكون مقياسا مباشرا للحمل المرتبط نفسه⁴⁸. تلتقط هذه العناصر تصورات الطلاب للجهد الذهني المبذول في الفهم والفهم وبناء المخطط المرتبطة بالتعلم المعنى. ومع ذلك، نظرا لأن التعلم الذاتي المدرك قد يتداخل مفهوميا مع تصورات أوسع للقدرة الأكاديمية والتحصيل، يجب تفسيره بحذر كتمثيل جزئي للتفاعل المعرفي المنتج بدلا من كونه مقياسا نهائيا للعبء المرتبط. تشمل هذه المواد مواد تتعلق بالفهم، والفهم، والشعور بإتقان المادة. وفقا لسوابق راسخة في البحث التربوي⁴⁶، تم تفعيل الأداء الأكاديمي باستخدام مقياس إدراك الذات. تم استخدام أداة مكونة من 4 بند. هذا النهج مناسب لالتقاط تقييم الطلاب الذاتي لفعاليتهم التعليمية وإنجازهم الأكاديمي. يركز المقياس على الفعالية الأكاديمية المتصورة ويشمل عبارات مثل: "أنا واثق من قدرتي على إكمال دراستي بنجاح"، و"أشعر أنني تعلمت إدارة مهامي الأكاديمية بكفاءة وفعالية."

استراتيجية تحليل البيانات

تم استخدام نمذجة المعادلات الهيكلية ذات المربعات الصغرى الجزئية (PLS-SEM) لفحص العلاقات بين استخدام الذكاء الاصطناعي التوليدي، والثقة بالذكاء الاصطناعي، والحمل المعرفي، والأداء الأكاديمي المدرك ذاتيا. تم توجيه اختيار PLS-SEM باعتبارات منهجية وتحليلية على حد سواء. أولا، تعتمد الدراسة منظورا نمذجا استكشافيا ومتطوعا على التنبؤ يهدف إلى فحص المسارات الترابطية بين البنى الناشئة نسبيا ضمن سياقات التعلم المعززة بالذكاء الاصطناعي بدلا من اختبار نظرية سببية راسخة بالكامل. ثانيا، يعتبر PLS-SEM مناسبا للنماذج المعقدة التي تتضمن عدة بنى كامنة ومسارات وساطة، خاصة عندما يكون الهدف الأساسي هو شرح التباين والتحليل التنبؤي. بالإضافة إلى ذلك، فإن PLS-SEM قوي في ظل ظروف توزيعات البيانات غير الطبيعية ومناسب لأبحاث المسح في العلوم الاجتماعية باستخدام أحجام عينات معتدلة. نظرا للطبيعة الاستكشافية لأبحاث الذكاء الاصطناعي التوليدي في التعليم العالي وتركيز الدراسة على دراسة الارتباطات التنبؤية بين البنى الإدراكية، اعتبر PLS-SEM مناسبا منهجية للتحليل الحالي.

سيتم تحليل البيانات المجمعة باستخدام نهج من خطوتين، باستخدام نمذجة المعادلات الهيكلية ذات المربعات الصغرى الجزئية (PLS-SEM) باستخدام برنامج SmartPLS 4. PLS-SEM هي تقنية تعتمد على التباين ومناسبة للنماذج التنبؤية المعقدة ولا تتطلب توزيع البيانات بشكل طبيعي. الخطوة 1: تقييم نموذج القياس. الخطوة الأولى تتضمن تقييم موثوقية وصحة التركيبات. سيتم تقييم موثوقية الاتساق الداخلي باستخدام موثوقية كرونباخ ألفا ومركبة، مع عتبة 0.70. سيتم تحديد صلاحية التقارب من خلال فحص الأحمال الخارجية للمؤشرات (يجب أن تكون > 0.70) ومتوسط التباين المستخرج (AVE) لكل بناء (يجب أن يكون > 0.50). سيتم تقييم الصلاحية التمييزية، التي تضمن أن تكون البنى متميزة تجريبيا، باستخدام معيار فورنيل-لاركر ونسبة الترابطات بين التجانس والسمة الأحادية (HTMT). الخطوة 2: تقييم النموذج الهيكلي. بمجرد تأكيد موثوقية وصحة نموذج القياس، سيتم تقييم النموذج البنيوي لاختبار فرضيات الدراسة. يتضمن ذلك فحص معاملات المسار (β) للدلالة والملاءمة باستخدام إجراء تمهيد مع 5000 عينة معاد إعادتها. المعايير الرئيسية للتقييم ستشمل معامل التحديد (R²): لقياس القدرة التنبؤية للنموذج (أي التباين المفسر في المتغيرات الداخلية، وخاصة الأداء الأكاديمي). الصلة التنبؤية (^Q2): استخدام إجراء العصابة على العينين لتقييم دقة النموذج التنبؤية. أحجام التأثير (f²): لتقييم التأثير الجوهري لكل متغير مستقل على المتغيرات التابعة. تحليل الوساطة: لاختبار الدور الوسيط للعبء المعرفي في العلاقة بين السوابق المرتبطة بالذكاء الاصطناعي (الاستخدام التوليدي للذكاء الاصطناعي، الثقة في الذكاء الاصطناعي) والأداء الأكاديمي. سيتم تقييم أهمية التأثيرات غير المباشرة باستخدام فترات ثقة معدلة (bootstraped).

النتائج

الإحصائيات الوصفية

تم حساب الإحصاءات الوصفية لتلخيص الاتجاهات المركزية والتشتت للمتغيرات الرئيسية في هذه الدراسة، بما في ذلك استخدام الذكاء الاصطناعي التوليدي، والثقة الشبيهة بالبشر، والثقة بالوظيفة، والحمل الداخلي، والحمل الخارجي، والتعلم الذاتي المدرك، والأداء الأكاديمي. تم إجراء التحليل الوصفي باستخدام النسخة 26 من SPSS، وتعرض النتائج في الجدول 1 أدناه.

...

المناقشة

كشفت أول نتيجة رئيسية في هذه الدراسة أن استخدام الذكاء الاصطناعي التوليدي مرتبط إيجابيا بالحمل المعرفي (β = 0.34، < 0.001)، وهو نتيجة تتوافق مع الفرضية 1. تشير هذه النتيجة إلى أن الطلاب الذين يبلغون عن استخدام أكثر تكرارا لأدوات الذكاء الاصطناعي التوليدي مثل ChatGPT يبلغون أيضا عن حمل معرفي أعلى أثناء أنشطتهم التعليمية. يمكن فهم هذا الارتباط الإيجابي بين استخدام الذكاء الاصطناعي التوليدي والحمل المعرفي بشكل أفضل من منظور تفاعل الإنسان والذكاء الاصطناعي بدلا من إطار استخدام تقني ...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
إجراء التعمية	SmartPLS 4 (مدموج)	N/A	يحسب Q² لأهمية التنبؤ للنموذج البنيوي.
إجراء البوتسترابينغ (5,000 إعادة عينة)	SmartPLS 4 (مدموج)	N/A	يستخدم لتقييم أهمية معاملات المسارات (β) والآثار غير المباشرة.
مقياس الحمل المعرفي - الحمل الزائد (3 عناصر)	Hadie & Yusoff (2021)	N/A (مقياس مصدق)	الحمل المعرفي من تصميم التعليم وعرض المعلومات.
مقياس الحمل المعرفي - الحمل الداخلي (3 عناصر)	Hadie & Yusoff (2021)	N/A (مقياس مصدق)	التعقيد/الصعوبة المتصورة لمواد/مهام التعلم.
مقياس الحمل المعرفي - التعلم الذاتي المتصور (4 عناصر)	Hadie & Yusoff (2021)	N/A (مقياس مصدق)	بديل للمعالجة المعرفية الجوهرية؛ يلتقط الجهد العقلي للفهم وبناء المخططات.
معيار فورنيل-لاركر	SmartPLS 4 (مدموج)	N/A	يقيم صلاحية التمييز بين الإنشاءات.
مقياس استخدام الذكاء الاصطناعي التوليدي (8 عناصر)	Abbas et al. (2023)	N/A (مقياس مُعدل)	يقيس تكرار، والغرض، والفعالية المتصورة لاستخدام الذكاء الاصطناعي التوليدي (ChatGPT) للمهام الأكاديمية. مقياس ليكرت من 5 نقاط.
نسبة HTMT للارتباطات	SmartPLS 4 (مدموج)	N/A	نسبة Heterotrait-Monotrait؛ فحص إضافي لصلاحية التمييز.
نموذج الموافقة المستنيرة	فريق الدراسة (الإرشادات المؤسسية)	N/A	وصف مفصل لهدف الدراسة، المشاركة الطوعية، عدم الكشف عن الهوية، السرية، والحق في الانسحاب. الموافقة ضمنية عبر إكمال الاستبيان.
منصة الاستبيان عبر الإنترنت	غير محدد (عام)	N/A	استبيان ويب منظم، ذاتي الإدارة؛ جميع العناصر على مقياس ليكرت من 5 نقاط (1 = أوافق بشدة إلى 5 = أعارض بشدة).
إطار العينة	مكتب المسجل الجامعي	N/A (سجل مؤسسي)	قائمة كاملة للطلاب المسجلين حاليًا في جميع الكليات المستخدمة للعينعة العشوائية الطبقية.
مقياس الأداء الأكاديمي الذاتي المتصور (4 عناصر)	مُعدل من سابقة البحث التربوي	N/A (مقياس مُعدل)	تقييم ذاتي للفعالية والإنجاز الأكاديمي (مثل الثقة في المقررات الدراسية، وإدارة المهام بكفاءة).
برنامج SmartPLS 4	SmartPLS GmbH	الإصدار 4	برنامج نمذجة المعادلات الهيكلية المستندة إلى التباين؛ يُستخدم لتحليل PLS-SEM، البوتسترابينغ، التعمية.
إصدار SPSS 26	IBM	N/A	يُستخدم لفحص البيانات الأولي، والإحصاءات الوصفية، وأي إدارة بيانات ما قبل PLS-SEM (إن وجد).
إجراء العينعة العشوائية الطبقية	فريق الدراسة (يدوي)	N/A	الطبقات بناءً على التخصص الأكاديمي (4 فئات) وسنة الدراسة (5 مستويات: سنوات 1-4 لدرجة البكالوريوس + الدراسات العليا). تم استخدام مولد الأرقام العشوائية ضمن الطبقات.
مقياس الثقة في الذكاء الاصطناعي - ثقة الوظيفة (5 عناصر)	مُعدل من الأدبيات الخاصة بالثقة في التكنولوجيا	N/A (مقياس مُعدل)	يقيس الموثوقية، الكفاءة، والاعتمادية المتصورة للذكاء الاصطناعي في المهام الأكاديمية.
مقياس الثقة في الذكاء الاصطناعي - الثقة الشبيهة بالبشر (6 عناصر)	مُعدل من الثقة بين الشخصية (Rempel et al.) وأدبيات الثقة في التكنولوجيا	N/A (مقياس مُعدل)	يقيس الرفاه، والنزاهة، والقابلية للتنبؤ المنسوبة إلى الذكاء الاصطناعي.