Futuro della Scienza dell'Educazione: Uso, Fiducia e Carico Cognitivo dell'IA Generativa come Predittori della Percezione Accademica Personale nell'Istruzione Superiore

Sommario

Questo studio esamina come l'uso e la fiducia dell'IA generativa influenzino il rendimento accademico degli studenti dell'istruzione superiore attraverso il carico cognitivo. L'uso della modellazione strutturale parziale delle equazioni dei minimi quadrati (PLS-SEM) su dati di 390 studenti rivela che entrambi i fattori aumentano significativamente il carico cognitivo, il che prevede positivamente le prestazioni e ne media gli effetti.

Abstract

Questo studio indaga le complesse relazioni tra l'uso dell'IA generativa, la fiducia nell'IA, il carico cognitivo e le prestazioni accademiche tra gli studenti dell'istruzione superiore. Basata sulla teoria del carico cognitivo e sulla letteratura sulla fiducia, la ricerca esamina come il coinvolgimento degli studenti con gli strumenti di IA generativa e la loro fiducia in questi sistemi influenzino i risultati accademici, con il carico cognitivo come meccanismo mediatore. È stato impiegato un disegno di ricerca trasversale quantitativo su un campione casuale stratificato di 390 studenti dell'istruzione superiore. I dati sono stati raccolti utilizzando scale validate che misurano l'uso dell'IA generativa nella fiducia nell'IA (dimensioni simili all'uomo e funzionalità), il carico cognitivo (carico intrinseco, carico estraneo e apprendimento autopercepito) e le prestazioni accademiche. La modellazione strutturale parziale delle equazioni ai minimi quadrati (PLS-SEM) con procedure di bootstrapping (5.000 ricampioni) è stata utilizzata per testare le relazioni dirette e medianti ipotizzate. I risultati hanno rivelato che l'uso dell'IA generativa (β = 0,34, p < 0,001) e la fiducia nell'IA (β = 0,28, p < 0,001) erano significativamente associati positivamente al carico cognitivo. Il carico cognitivo era anche positivamente associato al rendimento accademico (β = 0,52, p < 0,001). Inoltre, il carico cognitivo media in modo significativo le relazioni tra l'uso dell'IA generativa e il rendimento accademico (β = 0,18, p < 0,001) e tra la fiducia nell'IA e il rendimento accademico (β = 0,15, p < 0,001). Il modello spiegava il 45% della varianza nelle prestazioni accademiche, e PLS Predict confermava un alto potere predittivo. I risultati estendono la teoria del carico cognitivo ai contesti di apprendimento potenziati dall'IA e suggeriscono che il carico cognitivo possa funzionare come un importante percorso esplicativo che collega fattori correlati all'IA ai risultati accademici. Praticamente, lo studio sottolinea l'importanza di promuovere l'alfabetizzazione in IA, progettare ambienti di apprendimento che ottimizzano il carico cognitivo e dare priorità all'affidabilità funzionale nello sviluppo di strumenti di IA. Questo studio fornisce prove empiriche che il carico cognitivo rappresenta un meccanismo mediatore significativo attraverso cui l'uso e la fiducia dell'IA generativa nell'IA si traducono in rendimenti accademici.

Introduzione

Il rapido progresso dell'intelligenza artificiale generativa (GenAI) ha provocato un cambiamento di paradigma nell'istruzione superiore, trasformando radicalmente il modo in cui gli studenti accedono, elaborano e costruiscono la conoscenza¹. Strumenti come ChatGPT, Gemini e Claude sono diventati sempre più integrati negli ambienti accademici, con stime recenti che suggeriscono che oltre il 30% degli studenti universitari utilizzi regolarmente queste tecnologie per attività legate ai corsi². Questa rivoluzione tecnologica presenta sia opportunità senza precedenti che sfide significative per educatori, amministratori e ricercatori che cercano di comprendere come l'integrazione dell'IA influenzi i processi e i risultati dell'apprendimento³.

Sebbene l'IA generativa offra il potenziale per tutoraggio personalizzato, feedback immediato e maggiore produttività, gli studenti non consumano semplicemente informazioni generate dall'IA in modo^{passivo 4}. Piuttosto, l'apprendimento potenziato dall'IA coinvolge processi di interazione continua in cui gli studenti formulano prompt, valutano i risultati, confrontano le risposte generate dall'IA con fonti esterne, calibrano la loro dipendenza dai sistemi di IA e integrano contenuti generati da macchine nei compiti^{accademici 5}. Queste richieste interazionali introducono nuove dinamiche cognitive che vanno oltre i modelli tradizionali di utilizzo della tecnologia e possono contemporaneamente ridurre certi carichi cognitivi creando nuove forme di sforzo e sovraccarico cognitivo. Al centro di queste preoccupazioni c'è la questione di come l'uso dell'IA influenzi i processi cognitivi alla base dell'apprendimento, una questione che rimane in gran parte inesplorata nella letteratura empirica. La teoria del carico cognitivo (CLT) fornisce un solido quadro teorico per esaminare queste domande. La CLT sostiene che l'apprendimento sia limitato dalla capacità limitata della memoria di lavoro e che un design didattico efficace debba gestire tre tipi di carico cognitivo: carico intrinseco derivante dalla complessità dei contenuti, carico estraneo imposto da una progettazione didattica scadente e carico pertinente diretto alla costruzione e automazione degli^{schemi 6}. Negli ambienti di apprendimento potenziati dall'IA, queste distinzioni diventano particolarmente^{evidenti 7}. Gli studenti che interagiscono con strumenti di IA generativa devono contemporaneamente elaborare i contenuti dei corsi, valutare le informazioni generate dall'IA per accuratezza e rilevanza, e integrare diverse fonti di conoscenza che possono aumentare significativamente le esigenze cognitive⁸.

È importante sottolineare che la teoria del carico cognitivo concettualizza il carico cognitivo come un costrutto multidimensionale costituito da carichi intrinseci, estranei e rilevanti, ciascuno dei quali può influenzare l'apprendimento in modo^{diverso 9}. Il carico intrinseco deriva dalla complessità intrinseca del materiale di apprendimento, il carico estraneo riflette un carico cognitivo inutile generato da un design didattico inefficace o da richieste di elaborazione irrilevanti, e il carico germanico si riferisce all'impegno cognitivo produttivo associato alla costruzione di schemi e ai processi di apprendimento significativi. Di conseguenza, il carico cognitivo non dovrebbe essere interpretato come uniformemente benefico o dannoso. Sebbene il carico intrinseco e rilevante possa favorire una comprensione più profonda in condizioni appropriate, un carico eccessivo e superfluo può interferire con l'apprendimento consumando risorse cognitive limitate.

Oltre ai modelli di utilizzo, la fiducia degli studenti nei sistemi di IA emerge come un fattore psicologico critico che plasma l'interazione umano-IA¹⁰. Attingendo ai quadri fondamentali della fiducia, la fiducia nell'IA può essere concettualizzata in due dimensioni distinte: fiducia simile a quella umana, che comprende percezioni di benevolenza, integrità e prevedibilità; e la fiducia nella funzionalità, che riflette fiducia nell'affidabilità, competenza e affidabilità della tecnologia stessa¹¹. Ricerche precedenti hanno stabilito la fiducia come determinante dell'adozione e del continuo utilizzo^{della tecnologia,} ma le sue conseguenze cognitive rimangono in gran parte inesplorate. La relazione tra fiducia nell'IA e carico cognitivo è teoricamente complessa e non dovrebbe essere interpretata come uniformemente positiva o^{lineare 13}. Da un lato, una fiducia adeguata nell'IA può incoraggiare gli studenti a coinvolgersi più profondamente con i contenuti generati dall'IA, investire sforzi cognitivi nella valutazione delle risposte e integrare informazioni generate da macchine nei compiti di^{apprendimento 14}. La relazione tra fattori legati all'IA e le prestazioni accademiche rappresenta l'esito finale di interesse per educatori e^{istituzioni 15}. Le prestazioni accademiche sono state operative in vari modi nella ricerca educativa, con alcuni studi che utilizzano misure oggettive come la media dei^{voti 16}, mentre altri si basano sull'efficacia accademica percepita dagli^{studenti 17}. Le misure autopercepite catturano la consapevolezza metacognitiva degli studenti delle loro capacità di apprendimento e delle loro prestazioni nei compiti, che la ricerca ha dimostrato essere fortemente associate al rendimento accademico^{reale 18}. Nei contesti di apprendimento potenziato dall'IA, capire come gli studenti percepiscono il proprio apprendimento diventa particolarmente importante, poiché queste percezioni possono guidare il successivo coinvolgimento con strumenti e strategie di apprendimento IA¹⁹.

Nonostante la crescente diffusione dell'IA generativa nell'istruzione superiore, la ricerca empirica che ne esamina le conseguenze cognitive e accademiche rimane^{scarsa 20}. Gli studi esistenti si sono concentrati principalmente su modelli di adozione, questioni etiche o applicazioni^{disciplinari 21}, con un'attenzione limitata ai meccanismi psicologici che collegano l'uso dell'IA agli esiti di^{apprendimento 22}. Inoltre, sebbene la fiducia sia stata ampiamente studiata nell'e-commerce e nell'interazione^{uomo-computer,} il suo ruolo nei contesti dell'IA educativa rimane teoricamente poco sviluppato e empiricamente non testato. Il presente studio affronta queste lacune esaminando le associazioni tra l'uso dell'IA generativa, la fiducia nell'IA, il carico cognitivo e le prestazioni accademiche, modellando il carico cognitivo come possibile percorso mediante. Basato sulla teoria del carico^{cognitivo 24} e sulla letteratura del trust, questo studio propone e testa un modello di mediazione che esamina cinque ipotesi: (H1) l'uso dell'IA generativa influenza positivamente il carico cognitivo; (H2) la fiducia nell'IA influenza positivamente il carico cognitivo; (H3) il carico cognitivo influenza positivamente il rendimento scolastico; (H4) il carico cognitivo media la relazione tra l'uso dell'IA generativa e il rendimento accademico; e (H5) il carico cognitivo media la relazione tra fiducia nell'IA e rendimento accademico.

L'integrazione dell'intelligenza artificiale generativa (GenAI) nell'istruzione superiore rappresenta uno dei cambiamenti tecnologici più significativi nella pratica pedagogica^{contemporanea 25}. Strumenti come ChatGPT, sviluppato da OpenAI, hanno dimostrato capacità straordinarie nel generare testi simili a quelli umani, risolvere problemi complessi e fornire supporto educativo^{personalizzato 26}. Indagini empiriche recenti hanno documentato una diffusa adozione tra gli studenti universitari. Gli studenti utilizzano GenAI per diversi scopi accademici, tra cui brainstorming, sintesi di contenuti, correzione di bozze e spiegazione dei concetti²⁷. Questa proliferazione ha spinto gli studiosi a esaminare sia le possibilità che le sfide associate alla GenAI nei contesti educativi. I sostenitori sostengono che gli strumenti GenAI possano migliorare l'apprendimento fornendo feedback immediato, supportando compiti complessi e offrendo molteplici prospettive sui contenuti^{disciplinari 28}. Gli studenti che utilizzano ChatGPT per le attività di programmazione hanno mostrato una qualità del codice migliorata e tempi di completamento ridotti, suggerendo potenziali benefici cognitivi di scarico. Allo stesso modo, GenAI può personalizzare le esperienze di apprendimento adattando i contenuti alle esigenze e ai ritmi di apprendimento individuali^{degli studenti.} Tuttavia, i critici hanno sollevato preoccupazioni sull'integrità accademica, il potenziale plagio e l'erosione delle capacità di pensiero critico quando gli studenti si affidano eccessivamente ai contenuti generati dall'IA^30,31. Queste prospettive contrastanti sottolineano la necessità di un'indagine empirica rigorosa su come l'uso della GenAI influenzi i processi fondamentali di apprendimento.

La teoria del carico cognitivo (CLT) fornisce un quadro completo per comprendere le esigenze cognitive imposte dai compiti di apprendimento e dai disegni didattici. La CLT si basa sull'architettura consolidata della cognizione umana, che comprende una memoria a lungo termine praticamente illimitata e una memoria di lavoro severamente limitata sia in capacità che in durata³². Secondo CLT, l'apprendimento avviene quando le informazioni vengono elaborate con successo nella memoria di lavoro e successivamente memorizzate come schemi nella memoria a lungo termine. La teoria distingue tra tre tipi di carico cognitivo: carico intrinseco, determinato dalla complessità intrinseca del materiale di apprendimento e dall'esperienza esistente dell'apprendente; carico extrafluo, imposto da materiali didattici e attività mal progettati che non contribuiscono direttamente all'apprendimento; e carico rilevante, che si riferisce alle risorse cognitive dedicate alla costruzione e automazione degli schemi³³. La ricerca ha costantemente dimostrato che un design didattico efficace deve gestire questi tre tipi di carico per ottimizzare gli esiti di^{apprendimento 34}. Un carico esterno elevato devia le risorse cognitive dai processi di apprendimento, compromettendo le prestazioni, mentre carichi intrinseci e pertinenti appropriati facilitano una comprensione profonda e il trasferimento^{di conoscenze 35}. uno strumento completo per misurare queste dimensioni di carico in contesti educativi, che consente un'indagine empirica del carico cognitivo in diversi contesti di apprendimento. Più recentemente, gli studiosi hanno esteso la CLT agli ambienti di apprendimento potenziati dalla tecnologia, esaminando come gli strumenti digitali influenzino l'elaborazione^{cognitiva 36}. La relazione tra l'uso dell'IA generativa e il carico cognitivo è teoricamente complessa e empiricamente poco^{esplorata 37}. Da un lato, gli strumenti GenAI possono ridurre il carico superfluo semplificando la ricerca di informazioni, sintetizzando fonti diverse e presentando le informazioni in formati accessibili³⁸. Gli studenti non devono più navigare in più database o interpretare testi complessi in modo indipendente, liberando potenzialmente risorse cognitive per un'elaborazione più^{profonda 39}.

La fiducia è un meccanismo psicologico fondamentale che plasma l'interazione tra uomini e tecnologia. Nel contesto dei sistemi informativi, la fiducia è multidimensionale, comprendendo credenze sulla competenza, benevolenza e integrità dei sistemi^tecnologici. Applicata all'IA, la fiducia può essere distinta secondo due dimensioni concettualmente distinte: la fiducia simile a quella umana, che coinvolge l'attribuzione di qualità antropomorfe come la benevolenza e la prevedibilità; e la fiducia nella funzionalità, che riflette la fiducia nelle prestazioni affidabili delle capacità tecniche⁴¹. Questa distinzione è particolarmente rilevante nei contesti educativi, dove gli studenti devono decidere quanto affidarsi ai contenuti generati dall'IA per i compiti accademici. Secondo il modello di verosimiglianza di elaborazione, gli individui elaborano le informazioni attraverso la via centrale o periferica a seconda della motivazione e delle capacità. Quando la fiducia è alta, gli studenti possono impegnarsi nell'elaborazione centrale delle rotte, esaminando e sviluppando contenuti generati dall'IA, aumentando così il carico cognitivo diretto verso l'apprendimento⁴². La performance accademica costituisce la variabile criterio ultima nella ricerca educativa, operativa sia attraverso misure oggettive come le medie dei voti sia attraverso misure soggettive che catturano l'efficacia accademica percepita dagli^{studenti 43}. Le misure autopercepite offrono preziose intuizioni sulla consapevolezza metacognitiva degli studenti riguardo alle loro capacità di apprendimento e hanno dimostrato forti associazioni con indicatori di performance oggettivi. Una percezione di sé per valutare l'efficacia accademica percepita dagli studenti, inclusi elementi relativi all'efficienza dell'apprendimento e al completamento^{dei compiti 44}. Questo approccio è particolarmente appropriato nei contesti potenziati dall'IA, dove la fiducia degli studenti nella propria capacità di apprendere con e attraverso strumenti di IA può influenzare i reali risultati di apprendimento.

Protocollo

La tabella dei materiali riassume gli strumenti, i software e le scale utilizzate nello studio, inclusi scale adattate e validate per l'uso dell'IA generativa, fiducia nell'IA, carico cognitivo, performance accademica autopercepita, procedure di campionamento e sondaggi, e strumenti di analisi dei dati (SPSS e SmartPLS). Inoltre, l'approvazione etica non era applicabile per questo studio poiché non prevedeva alcuna manipolazione sperimentale, procedure mediche o interventi che potessero comportare rischi fisici o psicologici per i partecipanti. La ricerca ha utilizzato un questionario online non invasivo e auto-somministrato per raccogliere dati sulle percezioni, esperienze e comportamenti degli studenti riguardo all'uso dell'IA generativa in ambito accademico. Poiché lo studio non ha comportato interazioni dirette oltre il completamento di un sondaggio, non sono stati somministrati studi clinici, procedure biomediche o trattamenti sperimentali, e i partecipanti non sono stati sottoposti a condizioni sperimentali che potessero causare danni o disagio. Prima della raccolta dei dati, a tutti i partecipanti è stato fornito un modulo dettagliato di consenso informato che spiegava lo scopo dello studio, la natura volontaria della loro partecipazione e le misure adottate per garantire anonimato e riservatezza. Il consenso informato è stato ottenuto implicitamente tramite la compilazione e la presentazione del questionario, come esplicitamente indicato nel modulo di consenso informato. Ai partecipanti è stato assicurato che le loro risposte sarebbero state utilizzate esclusivamente per scopi di ricerca accademica e che non sarebbero state raccolte o segnalate informazioni personali identificabili. Inoltre, i partecipanti sono stati informati del loro diritto di ritirarsi dallo studio in qualsiasi momento prima di inviare il questionario, senza conseguenze. Tutti i dati sono stati archiviati in modo sicuro su dispositivi protetti da password accessibili solo al team di ricerca, e sono stati riportati risultati aggregati per impedire l'identificazione dei singoli rispondenti. Queste misure hanno garantito che lo studio fosse condotto in conformità con i principi etici della Dichiarazione di Helsinki e le linee guida istituzionali per la ricerca che coinvolge partecipanti umani, nonostante il requisito formale di revisione IRB non fosse applicabile.

Progettazione della ricerca

Questo studio utilizza un disegno di ricerca quantitativo e trasversale per indagare le complesse relazioni tra l'uso dell'IA generativa, la fiducia nell'IA, il carico cognitivo e le prestazioni accademiche degli studenti dell'istruzione superiore. Questo progetto è stato attualizzato tramite una strategia di sondaggio, scelta per la sua efficienza ed efficacia nella raccolta di dati standardizzati da un ampio campione, consentendo così un solido test statistico delle relazioni ipotetiche. Il metodo del sondaggio facilita la misurazione sistematica di ogni costrutto utilizzando scale validate, garantendo che i dati raccolti siano sia affidabili che comparabili tra tutti i rispondenti. Inoltre, l'adozione di un approccio trasversale, in cui i dati vengono raccolti in un singolo momento, è particolarmente appropriata per questa indagine, poiché consente di esaminare la prevalenza attuale dell'uso e della fiducia dell'IA generativa tra gli studenti, valutando contemporaneamente le interconnessioni tra queste variabili e la loro influenza collettiva sul carico cognitivo e sulle prestazioni accademiche all'interno della popolazione target dello studio.

Partecipanti e procedura di campionamento

La popolazione target di questo studio era composta da studenti iscritti a istituti di istruzione superiore che avevano esperienza attiva nell'uso di strumenti di IA generativa, in particolare ChatGPT e simili grandi modelli linguistici, a scopo accademico. Per garantire una sezione rappresentativa di questa popolazione e migliorare la generalizzazione dei risultati, è stata impiegata una tecnica di campionamento casuale stratificato. Il frame di campionamento è stato ottenuto dall'ufficio del registro universitario, comprendente un elenco completo degli studenti attualmente iscritti in tutte le facoltà. La stratificazione si basava su due variabili demografiche chiave: la disciplina accademica e l'anno di studio. La disciplina accademica era suddivisa in quattro principali strati disciplinari: scienze umanistiche e sociali, scienze naturali, ingegneria e tecnologia, e economia e affari. L'anno di studio era stratificato in quattro livelli: studenti triennali del primo anno, secondo, terzo anno e quarto anno, oltre a studenti post-laurea (Master e Dottorato). Questo approccio a doppia stratificazione garantiva la rappresentanza proporzionale di ciascun sottogruppo all'interno del corpo studentesco, prevenendo sovrarappresentazione o sottorappresentazione di qualsiasi campo accademico o livello accademico. Da ogni strato, i partecipanti sono stati selezionati casualmente utilizzando un generatore di numeri casuali, con il numero estratto proporzionale alla rappresentazione di quello strato nella popolazione studentesca complessiva. Questo approccio sistematico alla selezione dei partecipanti ha garantito che il campione finale riflettesse accuratamente la diversità della popolazione studentesca dell'istruzione superiore, inclusi i background accademici e la progressione educativa.

Per quanto riguarda la demografia dei partecipanti, il campione di 390 intervistati comprendeva un mix diversificato di studenti di varie fasce d'età, tipicamente tra i 18 e i 35 anni o più, con una rappresentazione equilibrata delle identità di genere proporzionale alla demografia istituzionale. Il campione includeva studenti di tutti e quattro gli anni universitari così come studenti post-laurea, garantendo una copertura delle diverse fasi dello sviluppo accademico e dei diversi livelli di esposizione agli strumenti di IA. Le discipline accademiche erano rappresentate proporzionalmente, con studenti provenienti da discipline umanistiche, scientifiche, ingegneristiche e aziendali inclusi nel campione. Inoltre, sono state raccolte informazioni demografiche di base, come l'esperienza tecnologica precedente, la frequenza dell'uso dell'IA generativa e lo stato della lingua madre, per fornire contesto alle variabili principali oggetto di indagine. Questa profilazione demografica completa aveva due scopi: primo, permetteva la caratterizzazione descrittiva del campione e, in secondo luogo, consentiva ai ricercatori di controllare le variabili di confusione potenziali nelle analisi successive. La documentazione dettagliata della procedura di campionamento e delle caratteristiche demografiche garantisce che altri ricercatori possano replicare questo studio con precisione, soddisfacendo così il requisito scientifico di riproducibilità e permettendo confronti significativi tra diversi contesti istituzionali e culturali. Inoltre, questo approccio rigoroso ha rafforzato la validità esterna dei risultati, permettendo una generalizzazione più sicura dei risultati alla più ampia popolazione studentesca dell'istruzione superiore. I dati per questo studio sono stati raccolti utilizzando un questionario online strutturato e auto-somministrato. Il questionario è suddiviso in cinque sezioni, progettate per misurare i costrutti fondamentali dello studio utilizzando scale consolidate e validate. Tutti gli elementi, salvo diversa indicazione, saranno misurati su una scala di Likert a cinque punti, che va da 1 ("Fortemente in disaccordo") a 5 ("Fortemente d'accordo").

Strumentazione e misure

L'uso dell'IA generativa, in particolare ChatGPT, è stato quantificato utilizzando una scala di 8 item adattata da uno studio⁴⁵. Questa scala va oltre la semplice frequenza d'uso per catturare la natura multifaccettata dell'interazione degli studenti con l'IA. Gli elementi si concentrano su tre dimensioni chiave: (a) la frequenza di utilizzo per vari compiti accademici, (b) gli scopi specifici per cui viene impiegato (ad esempio, brainstorming, sintesi dei contenuti, correzione di bozze) e (c) l'efficacia percepita da parte degli studenti dello strumento nel migliorare il loro lavoro accademico legato alla lingua. La fiducia nell'IA è stata concettualizzata come una costruzione multidimensionale, attingendo ai quadri consolidati della fiducia^{interpersonale 46} e della fiducia tecnologica. La scala è composta da due dimensioni distinte. Fiducia umana: questa sottoscala di 6 elementi misura fino a che punto gli studenti attribuiscono qualità simili a quelle umane all'IA, come benevolenza, integrità e prevedibilità. Ad esempio, gli item valutano se gli studenti credono che l'IA agisca nel loro interesse o fornisca informazioni imparziali. Fiducia nella funzionalità: questa sottoscala di 5 elementi valuta la fiducia nelle prestazioni funzionali dell'IA. Si concentra sull'affidabilità, competenza e affidabilità della tecnologia stessa, catturando la convinzione che l'IA abbia le funzionalità necessarie per svolgere efficacemente i compiti accademici.

Il carico cognitivo è stato misurato utilizzando una scala adattata da un altro studio^{, il 47}, basato sulla CLT. Per catturare la struttura triarchica della CLT, la scala è suddivisa in tre sottoscale: Carico intrinseco (3 elementi): questa sottoscala valuta la complessità e la difficoltà percepite insite nei materiali e nei compiti di apprendimento stessi. Un esempio potrebbe essere: "Gli argomenti trattati nei miei corsi sono molto complessi." Carico extraneo (3 elementi): Questa sottoscala misura il carico cognitivo imposto dal design didattico e dal modo in cui le informazioni vengono presentate. Un esempio è: "Le istruzioni per i compiti sono spesso poco chiare e difficili da seguire. Apprendimento autopercepito (4 elementi): A seguito di ricerche educative precedenti, questa sottoscala è stata utilizzata come indicatore approssimativo dell'elaborazione cognitiva pertinente piuttosto che come misura diretta del carico rilevante^{in sé 48}. Gli elementi catturano la percezione degli studenti sullo sforzo mentale investito nella comprensione, nella comprensione e nei processi di costruzione degli schemi associati all'apprendimento significativo. Tuttavia, poiché l'apprendimento autopercepito può concettualmente sovrapporsi a percezioni più ampie di capacità e risultati accademici, dovrebbe essere interpretato con cautela come una rappresentazione parziale e operativa di un coinvolgimento cognitivo produttivo piuttosto che come una misura definitiva del carico rilevante. Include elementi legati alla comprensione, alla comprensione e alla sensazione di aver padroneggiato il materiale. Seguendo precedenti consolidati nella ricerca educativa⁴⁶, la performance accademica è stata operativizzata utilizzando una scala di auto-percezione. Veniva impiegato uno strumento a 4 elementi. Questo approccio è appropriato per catturare la valutazione soggettiva degli studenti sulla loro efficacia di apprendimento e sul loro rendimento accademico. La scala si concentra sull'efficacia accademica percepita e include affermazioni come: "Sono fiducioso nella mia capacità di completare con successo i miei studi" e "Sento di aver imparato a gestire i miei compiti accademici in modo efficiente ed efficace."

Strategia di analisi dei dati

La modellazione strutturale parziale delle equazioni dei minimi quadrati (PLS-SEM) è stata utilizzata per esaminare le relazioni tra l'uso dell'IA generativa, la fiducia nell'IA, il carico cognitivo e la percezione della performance accademica auto-percepita. La selezione del PLS-SEM è stata guidata sia da considerazioni metodologiche che analitiche. Innanzitutto, lo studio adotta una prospettiva di modellazione orientata alla previsione e esplorativa, volta a esaminare i percorsi associativi tra costrutti relativamente emergenti nei contesti di apprendimento potenziato dall'IA, piuttosto che testare una teoria causale pienamente affermata. In secondo luogo, PLS-SEM è considerato appropriato per modelli complessi che coinvolgono molteplici costrutti latenti e vie di mediazione, soprattutto quando l'obiettivo principale è la spiegazione della varianza e l'analisi predittiva. Inoltre, PLS-SEM è robusto in condizioni di distribuzioni dati non normali ed è adatto per la ricerca in indagini nelle scienze sociali utilizzando campioni di dimensioni moderate. Data la natura esplorativa della ricerca sull'IA generativa nell'istruzione superiore e l'enfasi dello studio sull'esame delle associazioni predittive tra costrutti percettivi, PLS-SEM è stato considerato metodologicamente appropriato per la presente analisi.

I dati raccolti saranno analizzati utilizzando un approccio in due fasi, impiegando modellazione strutturale parziale delle equazioni dei minimi quadrati (PLS-SEM) con il software SmartPLS 4. PLS-SEM è una tecnica basata sulla varianza adatta a modelli predittivi complessi e non richiede che i dati siano distribuiti normalmente. Passo 1: Valutazione del modello di misura. Il primo passo consiste nella valutazione dell'affidabilità e validità dei costrutti. L'affidabilità della consistenza interna sarà valutata utilizzando l'affidabilità alfa e composita di Cronbach, con una soglia di 0,70. La validità convergente sarà stabilita esaminando i carichi esterni degli indicatori (dovrebbero essere > 0,70) e la varianza media estratta (AVE) per ciascun costrutto (dovrebbe essere > 0,50). La validità discriminante, che garantisce che i costrutti siano empiricamente distinti, sarà valutata utilizzando il criterio di Fornell-Larcker e il rapporto Eterotratto-Monotratto (HTMT) delle correlazioni. Passo 2: Valutazione del modello strutturale. Una volta confermato che il modello di misura è affidabile e valido, il modello strutturale verrà valutato per testare le ipotesi dello studio. Questo comporta l'esame dei coefficienti di percorso (β) per verificarne la rilevanza e la rilevanza utilizzando una procedura di bootstrapping con 5.000 ricampioni. I criteri chiave per la valutazione includeranno il coefficiente di determinazione (R²): misurare il potere predittivo del modello (cioè la varianza spiegata nelle variabili endogene, in particolare il rendimento accademico). Rilevanza predittiva (Q²): Utilizzo della procedura di benda per valutare l'accuratezza predittiva del modello. Dimensioni dell'effetto (f²): Valutare l'impatto sostanziale di ogni variabile indipendente sulle variabili dipendenti. Analisi della mediazione: Testare il ruolo mediatore del carico cognitivo nella relazione tra gli antecedenti correlati all'IA (uso generativo dell'IA, fiducia nell'IA) e le prestazioni accademiche. Il significato degli effetti indiretti sarà valutato utilizzando intervalli di confidenza bootstrapped.

Risultati

Statistica descrittiva

Le statistiche descrittive sono state calcolate per riassumere le tendenze centrali e la dispersione delle variabili chiave in questo studio, tra cui l'uso dell'IA generativa, la fiducia umana, la fiducia nella funzionalità, il carico intrinseco, il carico estraneo, l'apprendimento autopercepito e il rendimento accademico. L'analisi descrittiva è stata condotta utilizzando la versione 26 di SPSS, e i risultati sono presentati nella Tabella 1

Discussione

La prima grande scoperta di questo studio ha rivelato che l'uso dell'IA generativa è positivamente associato al carico cognitivo (β = 0,34, p < 0,001), un risultato coerente con l'Ipotesi 1. Questo risultato suggerisce che gli studenti che riportano un uso più frequente di strumenti di IA generativa come ChatGPT riportano anche un carico cognitivo più elevato durante le loro attività di apprendimento. Questa associazione positiva tra l'uso dell'IA generativa e il carico cognitiv...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Computes Q² for predictive relevance of the structural model.
Bootstrapping Procedure (5,000 resamples)	SmartPLS 4 (built-in)	N/A	Used to assess significance of path coefficients (β) and indirect effects.
Cognitive Load Scale – Extraneous Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Cognitive burden from instructional design and information presentation.
Cognitive Load Scale – Intrinsic Load (3-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Perceived complexity/difficulty of learning materials/tasks.
Cognitive Load Scale – Self-Perceived Learning (4-item)	Hadie & Yusoff (2021)	N/A (validated scale)	Proxy for germane cognitive processing; captures mental effort for understanding and schema construction.
Fornell-Larcker Criterion	SmartPLS 4 (built-in)	N/A	Assesses discriminant validity of constructs.
Generative AI Usage Scale (8-item)	Abbas et al. (2023)	N/A (adapted scale)	Measures frequency, purpose, and perceived efficacy of Generative AI (ChatGPT) use for academic tasks. 5-point Likert scale.
HTMT Ratio of Correlations	SmartPLS 4 (built-in)	N/A	Heterotrait-Monotrait ratio; additional discriminant validity check.
Informed Consent Form	Study team (institutional guidelines)	N/A	Detailed description of study purpose, voluntary participation, anonymity, confidentiality, and right to withdraw. Implied consent via survey completion.
Online Questionnaire Platform	Not specified (generic)	N/A	Structured, self-administered web-based questionnaire; all items on 5-point Likert scale (1 = Strongly Disagree to 5 = Strongly Agree).
Sampling Frame	University Registrar’s Office	N/A (institutional record)	Complete list of currently enrolled students across all faculties used for stratified random sampling.
Self-Perceived Academic Performance Scale (4-item)	Adapted from educational research precedent	N/A (adapted scale)	Subjective assessment of academic efficacy and achievement (e.g., confidence in coursework, efficient task management).
SmartPLS 4 Software	SmartPLS GmbH	Version 4	Variance-based structural equation modeling software; used for PLS-SEM analysis, bootstrapping, blindfolding.
SPSS version 26	IBM	N/A	Used for preliminary data screening, descriptive statistics, and any pre-PLS-SEM data management (if applicable).
Stratified Random Sampling Procedure	Study team (manual)	N/A	Strata based on academic discipline (4 categories) and year of study (5 levels: 1st-4th year undergrad + postgrad). Random number generator used within strata.
Trust in AI Scale – Functionality Trust (5-item)	Adapted from technology trust literature	N/A (adapted scale)	Measures perceived reliability, competence, and dependability of AI for academic tasks.
Trust in AI Scale – Human-like Trust (6-item)	Adapted from interpersonal trust (Rempel et al.) and technology trust literature	N/A (adapted scale)	Assesses benevolence, integrity, and predictability attributed to AI.