Toekomst van de onderwijswetenschap: Generatief AI-gebruik, vertrouwen en cognitieve belasting als voorspellers van zelfwaargenomen academische prestaties in het hoger onderwijs

Samenvatting

Deze studie onderzoekt hoe het gebruik van generatieve AI en het vertrouwen in AI de academische prestaties van hogeronderwijsstudenten beïnvloeden via cognitieve belasting. Het gebruik van gedeeltelijke kleinste kwadraten-structurele vergelijkingsmodellering (PLS-SEM) op gegevens van 390 studenten toont aan dat beide factoren de cognitieve belasting significant verhogen, wat prestaties positief voorspelt en hun effecten bemiddelt.

Samenvatting

Deze studie onderzoekt de complexe relaties tussen het gebruik van generatieve AI, vertrouwen in AI, cognitieve belasting en academische prestaties onder studenten in het hoger onderwijs. Geworteld in de theorie van cognitieve belasting en vertrouwenliteratuur, onderzoekt het onderzoek hoe de betrokkenheid van studenten met generatieve AI-tools en hun vertrouwen in deze systemen de academische resultaten beïnvloedt, waarbij cognitieve belasting het bemiddelende mechanisme is. Er werd een kwantitatief dwarsdoorsnede-onderzoeksontwerp toegepast met een gestratificeerde willekeurige steekproef van 390 studenten uit het hoger onderwijs. Gegevens werden verzameld met gevalideerde schalen die het vertrouwen in het gebruik van generatieve AI in AI (mensachtig en functioneel dimensioneel), cognitieve belasting (intrinsieke belasting, buitensporige belasting en zelfwaargenomen leren) en academische prestaties meten. Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) met bootstrappingprocedures (5.000 resamples) werd gebruikt om de veronderstelde directe en bemiddelende relaties te testen. De resultaten toonden aan dat generatief AI-gebruik (β = 0,34, p < 0,001) en vertrouwen in AI (β = 0,28, p < 0,001) significant positief geassocieerd waren met cognitieve belasting. Cognitieve belasting was ook positief geassocieerd met academische prestaties (β = 0,52, p < 0,001). Bovendien bemiddelt cognitieve belasting significant de relaties tussen het gebruik van generatieve AI en academische prestaties (β = 0,18, p < 0,001) en tussen vertrouwen in AI en academische prestaties (β = 0,15, p < 0,001). Het model verklaarde 45% van de variantie in academische prestaties, en PLS Predict bevestigde een hoge voorspellende kracht. De bevindingen breiden de cognitieve belastingtheorie uit naar AI-versterkte leercontexten en suggereren dat cognitieve belasting kan functioneren als een belangrijk verklarend pad dat AI-gerelateerde factoren koppelt aan academische resultaten. In de praktijk benadrukt de studie het belang van het bevorderen van AI-geletterdheid, het ontwerpen van leeromgevingen die de cognitieve belasting optimaliseren en het prioriteren van functionele betrouwbaarheid bij de ontwikkeling van AI-tools. Deze studie levert empirisch bewijs dat cognitieve belasting dient als een belangrijk bemiddelend mechanisme waardoor het gebruik van generatieve AI en het vertrouwen in AI zich vertalen in academische prestaties.

Inleiding

De snelle vooruitgang van generatieve kunstmatige intelligentie (GenAI) heeft een paradigmaverschuiving in het hoger onderwijs teweeggebracht, die fundamenteel verandert hoe studenten kennis toegang, verwerken en opbouwen¹. Tools zoals ChatGPT, Gemini en Claude zijn steeds meer geïntegreerd in academische omgevingen, waarbij recente schattingen suggereren dat meer dan 30% van de universiteitsstudenten deze technologieën regelmatig gebruikt voor cursusgerelateerde activiteiten². Deze technologische revolutie biedt zowel ongekende kansen als aanzienlijke uitdagingen voor docenten, bestuurders en onderzoekers die willen begrijpen hoe AI-integratie leerprocessen en -resultaten beïnvloedt³.

Hoewel generatieve AI de mogelijkheid biedt voor gepersonaliseerde bijles, directe feedback en verhoogde productiviteit, consumeren studenten niet alleen AI-gegenereerde informatie passief⁴. AI-versterkt leren omvat in plaats daarvan continue interactieve processen waarbij studenten prompts formuleren, output evalueren, AI-gegenereerde antwoorden vergelijken met externe bronnen, hun afhankelijkheid van AI-systemen kalibreren en machinegegenereerde inhoud integreren in academische taken⁵. Deze interactieve eisen introduceren nieuwe cognitieve dynamieken die verder reiken dan traditionele technologiemodellen en tegelijkertijd bepaalde cognitieve lasten kunnen verminderen, terwijl ze nieuwe vormen van cognitieve inspanning en overbelasting creëren. Centraal in deze zorgen staat de vraag hoe AI-gebruik de cognitieve processen ten grondslag aan leren beïnvloedt, een vraag die grotendeels ononderzocht blijft in de empirische literatuur. De cognitieve belastingtheorie (CLT) biedt een robuust theoretisch kader om deze vragen te onderzoeken. CLT stelt dat leren wordt beperkt door de beperkte capaciteit van het werkgeheugen en dat effectief instructieontwerp drie soorten cognitieve belasting moet beheersen: intrinsieke belasting die voortkomt uit inhoudelijke complexiteit, buitensporige belasting veroorzaakt door slecht instructieontwerp, en relevante belasting gericht op schema-constructie en automatisering⁶. In AI-versterkte leeromgevingen worden deze onderscheidingen bijzonder opvallend⁷. Studenten die interactie hebben met generatieve AI-tools moeten tegelijkertijd cursusinhoud verwerken, door AI gegenereerde informatie evalueren op nauwkeurigheid en relevantie, en diverse kennisbronnen integreren die cognitieve eisen aanzienlijk kunnen verhogen⁸.

Belangrijk is dat cognitieve belastingtheorie cognitieve belasting conceptualiseert als een multidimensionaal construct bestaande uit intrinsieke, externe en relevante belasting, die elk het leren anders kunnen beïnvloeden⁹. Intrinsieke belasting ontstaat door de inherente complexiteit van leermateriaal, buitensporige belasting weerspiegelt onnodige cognitieve last veroorzaakt door ineffectief instructieontwerp of irrelevante verwerkingseisen, en relevante belasting verwijst naar productieve cognitieve betrokkenheid die samenhangt met schema-constructie en betekenisvolle leerprocessen. Daarom mag cognitieve belasting niet als uniform gunstig of schadelijk worden geïnterpreteerd. Hoewel intrinsieke en relevante belasting onder geschikte omstandigheden een dieper begrip kan ondersteunen, kan overmatige buitensporige belasting het leren belemmeren door beperkte cognitieve middelen te verbruiken.

Naast gebruikspatronen blijkt het vertrouwen van studenten in AI-systemen een cruciale psychologische factor te zijn die de interactie tussen mens en AI^vormgeeft. Met basis van fundamentele vertrouwenskaders kan vertrouwen in AI worden opgevat op twee verschillende dimensies: menselijk vertrouwen, dat percepties van welwillendheid, integriteit en voorspelbaarheid omvat; en functionaliteitsvertrouwen, wat vertrouwen weerspiegelt in de betrouwbaarheid, competentie en betrouwbaarheid van de technologie zelf¹¹. Eerder onderzoek heeft vertrouwen vastgesteld als bepalende factor voor de adoptie van technologie en het voortgezet gebruik^van technologie, maar de cognitieve gevolgen ervan blijven grotendeels onontkend. De relatie tussen vertrouwen in AI en cognitieve belasting is theoretisch complex en moet niet worden geïnterpreteerd als uniform positief of lineair¹³. Enerzijds kan passend vertrouwen in AI studenten aanmoedigen om dieper met door AI gegenereerde inhoud te werken, cognitieve inspanning te investeren in het evalueren van antwoorden en machinegegenereerde informatie te integreren in leertaken¹⁴. De relatie tussen AI-gerelateerde factoren en academische prestaties vormt het uiteindelijke uitkomst van belang voor docenten en instellingen¹⁵. Academische prestaties zijn op verschillende manieren geoperationaliseerd in onderwijsonderzoek, waarbij sommige studies objectieve maatstaven gebruiken zoals gemiddelde cijfers¹⁶, terwijl andere vertrouwen op de zelfwaargenomen academische effectiviteit^{van studenten 17}. Zelfwaargenomen metingen vangen het metacognitieve bewustzijn van studenten over hun leervermogen en taakprestaties, waarvan onderzoek heeft aangetoond dat het sterk geassocieerd is met daadwerkelijke academische prestaties¹⁸. In AI-versterkte leercontexten wordt het begrijpen hoe studenten hun eigen leren waarnemen bijzonder belangrijk, omdat deze percepties de latere betrokkenheid bij AI-tools en leerstrategieën kunnen sturen¹⁹.

Ondanks de groeiende prevalentie van generatieve AI in het hoger onderwijs, blijft empirisch onderzoek naar de cognitieve en academische gevolgen ervan schaars^. Bestaande studies richten zich voornamelijk op adoptiepatronen, ethische zorgen of disciplinaire toepassingen²¹, met beperkte aandacht voor de psychologische mechanismen die AI-gebruik koppelen aan leerresultaten²². Bovendien, hoewel vertrouwen uitgebreid is bestudeerd in e-commerce en mens-computerinteractie²³, blijft de rol ervan in educatieve AI-contexten theoretisch onderontwikkeld en empirisch ongetest. De huidige studie pakt deze hiaten aan door de verbanden te onderzoeken tussen generatief AI-gebruik, vertrouwen in AI, cognitieve belasting en academische prestaties, waarbij cognitieve belasting wordt gemodelleerd als een potentiële bemiddelende route. Geworteld in de cognitieve belastingtheorie²⁴ en vertrouwenliteratuur, stelt deze studie een bemiddelingsmodel voor en test het een bemiddelingsmodel dat vijf hypothesen onderzoekt: (H1) het gebruik van generatieve AI beïnvloedt cognitieve belasting positief; (H2) vertrouwen in AI beïnvloedt de cognitieve belasting positief; (H3) cognitieve belasting beïnvloedt de academische prestaties positief; (H4) cognitieve belasting bemiddelt de relatie tussen generatief AI-gebruik en academische prestaties; en (H5) bemiddelt de cognitieve belasting de relatie tussen vertrouwen in AI en academische prestaties.

De integratie van generatieve kunstmatige intelligentie (GenAI) in het hoger onderwijs vertegenwoordigt een van de belangrijkste technologische verschuivingen in de hedendaagse pedagogische praktijk²⁵. Tools zoals ChatGPT, ontwikkeld door OpenAI, hebben opmerkelijke capaciteiten getoond in het genereren van mensachtige tekst, het oplossen van complexe problemen en het bieden van gepersonaliseerde^{onderwijsondersteuning}. Recente empirische onderzoeken hebben wijdverspreide adoptie onder universiteitsstudenten gedocumenteerd. Studenten gebruiken GenAI voor diverse academische doeleinden, waaronder brainstormen, samenvatting van inhoud, proeflezen en conceptuitleg²⁷. Deze proliferatie heeft wetenschappers ertoe aangezet zowel de mogelijkheden als de uitdagingen van GenAI in onderwijscontexten te onderzoeken. Voorstanders stellen dat GenAI-tools het leren kunnen verbeteren door directe feedback te geven, complexe taken te ondersteunen en meerdere perspectieven op disciplinaire inhoud^{te bieden 28}. De studenten die ChatGPT gebruikten voor programmeertaken lieten een verbeterde codekwaliteit en een kortere voltooiingstijd zien, wat wijst op mogelijke voordelen voor cognitieve ontlading. Op dezelfde manier kan GenAI leerervaringen personaliseren door de inhoud aan te passen aan individuele behoeften en leertempo's^{van de leerling 29}. Critici hebben echter zorgen geuit over academische integriteit, de mogelijkheid tot plagiaat en de afname van kritisch denkvermogen wanneer studenten te veel vertrouwen op door AI gegenereerde inhoud^30,31. Deze concurrerende perspectieven benadrukken de noodzaak van rigoureus empirisch onderzoek naar hoe het gebruik van GenAI fundamentele leerprocessen beïnvloedt.

De cognitieve belastingstheorie (CLT) biedt een uitgebreid kader om de cognitieve eisen te begrijpen die worden gesteld door leertaken en instructieontwerpen. CLT is geworteld in de gevestigde architectuur van menselijke cognitie, die bestaat uit een feitelijk onbeperkt langetermijngeheugen en een sterk beperkt werkgeheugen in zowel capaciteit als duur³². Volgens CLT vindt leren plaats wanneer informatie succesvol wordt verwerkt in het werkgeheugen en vervolgens als schema's in het langetermijngeheugen wordt opgeslagen. De theorie onderscheidt drie typen cognitieve belasting: intrinsieke belasting, die wordt bepaald door de inherente complexiteit van het leermateriaal en de bestaande expertise van de leerling; buitensporige belasting, die wordt opgelegd door slecht ontworpen lesmateriaal en activiteiten die niet direct bijdragen aan het leren; en Germane Load, wat verwijst naar de cognitieve middelen die zijn gewijd aan schema-constructie en automatisering³³. Onderzoek heeft consequent aangetoond dat effectief instructieontwerp deze drie soorten belasting moet beheersen om de leerresultaten te optimaliseren³⁴. Een hoge externe belasting leidt cognitieve middelen weg van leerprocessen, waardoor de prestaties worden verminderd, terwijl passende intrinsieke en relevante belastingen diep begrip en kennisoverdracht bevorderen³⁵. Een uitgebreid instrument om deze belastingsdimensies in onderwijsomgevingen te meten, waardoor empirisch onderzoek van cognitieve belasting in diverse leercontexten mogelijk is. Meer recentelijk hebben wetenschappers CLT uitgebreid naar technologie-versterkte leeromgevingen, waarbij ze onderzoeken hoe digitale hulpmiddelen cognitieve verwerking beïnvloeden³⁶. De relatie tussen generatief AI-gebruik en cognitieve belasting is theoretisch complex en empirisch onderbelicht³⁷. Aan de ene kant kunnen GenAI-tools de overbodige belasting verminderen door het zoeken naar informatie te stroomlijnen, diverse bronnen te synthetiseren en informatie in toegankelijke formaten te presenteren³⁸. Studenten hoeven niet langer door meerdere databases te navigeren of complexe teksten zelfstandig te interpreteren, wat cognitieve middelen mogelijk vrijmaakt voor diepere verwerking³⁹.

Vertrouwen is een fundamenteel psychologisch mechanisme dat de interactie tussen mens en technologie vormgeeft. In de context van informatiesystemen is vertrouwen multidimensionaal en omvat het overtuigingen over de competentie, welwillendheid en integriteit van technologische systemen⁴⁰. Toegepast op AI kan vertrouwen worden onderscheiden langs twee conceptueel verschillende dimensies: mensachtig vertrouwen, waarbij toeschrijving van antropomorfe eigenschappen zoals welwillendheid en voorspelbaarheid wordt omvat; en functionaliteitsvertrouwen, wat vertrouwen weerspiegelt in de betrouwbare prestaties van technische capaciteiten⁴¹. Dit onderscheid is vooral relevant in onderwijscontexten, waar studenten moeten beslissen in hoeverre ze op AI-gegenereerde inhoud vertrouwen voor academische taken. Volgens het elaboration likelihood-model verwerken individuen informatie via de centrale of perifere route, afhankelijk van motivatie en vaardigheid. Wanneer het vertrouwen hoog is, kunnen studenten zich bezighouden met centrale route-verwerking, waarbij AI-gegenereerde inhoud wordt onderzocht en uitgewerkt wordt, waardoor de cognitieve belasting die gericht is op leren^toeneemt. Academische prestaties vormen de ultieme criterievariabele in onderwijsonderzoek, geoperationaliseerd via zowel objectieve maten zoals cijfergemiddelden als subjectieve metingen die de zelfwaargenomen academische effectiviteit van studenten vastleggen⁴³. Zelfwaargenomen metingen bieden waardevolle inzichten in het metacognitieve bewustzijn van studenten over hun leervermogen en hebben sterke associaties aangetoond met objectieve prestatie-indicatoren. Een zelfbeeld om de ervaren academische effectiviteit van studenten te beoordelen, inclusief items met betrekking tot leerefficiëntie en taakvoltooiing⁴⁴. Deze aanpak is vooral geschikt in AI-versterkte contexten, waar het vertrouwen van studenten in hun vermogen om te leren met en via AI-tools de daadwerkelijke leerresultaten kan beïnvloeden.

Protocol

De tabel met materialen vat de instrumenten, software en schalen samen die in het onderzoek zijn gebruikt, inclusief aangepaste en gevalideerde schalen voor generatief AI-gebruik, vertrouwen in AI, cognitieve belasting, zelfwaargenomen academische prestaties, steekproef- en enquêteprocedures, en data-analysetools (SPSS en SmartPLS). Bovendien was ethische goedkeuring niet van toepassing voor deze studie, omdat deze geen experimentele manipulatie, medische procedures of interventies betrof die fysieke of psychologische risico's voor de deelnemers konden opleveren. Het onderzoek gebruikte een niet-invasieve, zelf afgenomen online vragenlijst om gegevens te verzamelen over de percepties, ervaringen en gedragingen van studenten met betrekking tot het gebruik van generatieve AI in academische omgevingen. Omdat de studie geen directe interactie betrof behalve het invullen van een enquête, werden er geen klinische proeven, biomedische procedures of experimentele behandelingen uitgevoerd, en werden deelnemers niet blootgesteld aan experimentele omstandigheden die schade of stress konden veroorzaken. Voorafgaand aan de gegevensverzameling kregen alle deelnemers een gedetailleerd formulier voor geïnformeerde toestemming, waarin het doel van de studie, het vrijwillige karakter van hun deelname en de genomen maatregelen om anonimiteit en vertrouwelijkheid te waarborgen werden uitgelegd. Geïnformeerde toestemming werd impliciet verkregen door het invullen en indienen van de vragenlijst, zoals expliciet vermeld in het formulier voor geïnformeerde toestemming. Deelnemers kregen de verzekering dat hun antwoorden uitsluitend voor academisch onderzoek zouden worden gebruikt en dat er geen persoonlijk identificeerbare informatie zou worden verzameld of gerapporteerd. Bovendien werden deelnemers geïnformeerd over hun recht om zich op elk moment terug te trekken uit de studie voordat ze de vragenlijst indienden, zonder gevolgen. Alle gegevens werden veilig opgeslagen op met wachtwoorden beveiligde apparaten die alleen toegankelijk waren voor het onderzoeksteam, en geaggregeerde bevindingen werden gerapporteerd om identificatie van individuele respondenten te voorkomen. Deze maatregelen zorgden ervoor dat de studie werd uitgevoerd in overeenstemming met de ethische principes van de Verklaring van Helsinki en de institutionele richtlijnen voor onderzoek met menselijke deelnemers, ondanks dat de formele eis van IRB-beoordeling niet van toepassing was.

Onderzoeksontwerp

Deze studie maakt gebruik van een kwantitatief, cross-sectioneel onderzoeksontwerp om de complexe relaties te onderzoeken tussen generatief AI-gebruik, vertrouwen in AI, cognitieve belasting en academische prestaties onder studenten in het hoger onderwijs. Dit ontwerp werd geoperationaliseerd via een enquêtestrategie, gekozen vanwege de efficiëntie en effectiviteit bij het verzamelen van gestandaardiseerde gegevens uit een grote steekproef, waardoor robuuste statistische toetsing van de veronderstelde relaties mogelijk werd. De enquêtemethode faciliteert de systematische meting van elk construct met behulp van gevalideerde schalen, zodat de verzamelde gegevens zowel betrouwbaar als vergelijkbaar zijn voor alle respondenten. Bovendien is de toepassing van een dwarsdoorsnede-benadering, waarbij gegevens op één moment worden verzameld, bijzonder geschikt voor dit onderzoek, omdat het mogelijk maakt om de huidige prevalentie van generatief AI-gebruik en vertrouwen onder studenten te onderzoeken, terwijl tegelijkertijd de onderlinge verbanden tussen deze variabelen en hun gezamenlijke invloed op cognitieve belasting en academische prestaties binnen de doelgroep van de studie worden beoordeeld.

Deelnemers en steekproefprocedure

De doelgroep voor deze studie bestond uit studenten die waren ingeschreven aan instellingen voor hoger onderwijs en actieve ervaring hadden met generatieve AI-tools, specifiek ChatGPT en vergelijkbare grote taalmodellen, voor academische doeleinden. Om een representatieve dwarsdoorsnede van deze populatie te waarborgen en de generaliseerbaarheid van bevindingen te vergroten, werd een gestratificeerde steekproefnemingstechniek toegepast. Het steekproefframe werd verkregen van het universitaire administratiekantoor en bevat een volledige lijst van momenteel ingeschreven studenten van alle faculteiten. Stratificatie was gebaseerd op twee belangrijke demografische variabelen: academische discipline en studiejaar. De academische discipline werd ingedeeld in vier hoofdstraten: geesteswetenschappen en sociale wetenschappen, natuurwetenschappen, engineering en technologie, en bedrijfskunde en economie. Het studiejaar was gelaagd in vier niveaus: eerstejaars, tweedejaars, derdejaars en vierdejaars bachelorstudenten, evenals postdoctorale studenten (master en doctoraat). Deze dual-stratificatiebenadering zorgde voor evenredige vertegenwoordiging van elke subgroep binnen de studentenpopulatie, waardoor oververtegenwoordiging of ondervertegenwoordiging van elk academisch vakgebied of academisch niveau werd voorkomen. Uit elke laag werden deelnemers willekeurig geselecteerd met behulp van een willekeurige getallengenerator, waarbij het aantal evenredig werd getrokken aan de representatie van die laag in de totale studentenpopulatie. Deze systematische benadering van deelnemersselectie zorgde ervoor dat de eindsteekproef nauwkeurig de diversiteit van de studenten in het hoger onderwijs weerspiegelde, inclusief academische achtergronden en onderwijsontwikkeling.

Wat betreft de demografie van de deelnemers, bestond de steekproef van 390 respondenten uit een diverse mix van studenten uit verschillende leeftijdsgroepen, doorgaans tussen 18 en 35 jaar of ouder, met een evenwichtige representatie van genderidentiteiten die evenredig was aan de institutionele demografie. De steekproef omvatte studenten van alle vier de bachelorjaren en masterstudenten, wat zorgde voor dekking van verschillende stadia van academische ontwikkeling en uiteenlopende niveaus van blootstelling aan AI-tools. Academische disciplines waren proportioneel vertegenwoordigd, waarbij studenten uit de geesteswetenschappen, natuurwetenschappen, techniek en bedrijfskunde werden opgenomen in de steekproef. Daarnaast werd basis demografische informatie, zoals eerdere technologische ervaring, frequentie van generatief AI-gebruik en moedertaalstatus, verzameld om context te bieden voor de belangrijkste variabelen die onderzocht werden. Deze uitgebreide demografische profilering diende twee doelen: ten eerste maakte het een beschrijvende karakterisering van de steekproef mogelijk, en ten tweede stelde het onderzoekers in staat om potentiële verstorende variabelen in latere analyses te controleren. De gedetailleerde documentatie van de steekproefprocedure en demografische kenmerken zorgt ervoor dat andere onderzoekers deze studie nauwkeurig kunnen repliceren, waardoor wordt voldaan aan de wetenschappelijke eis van reproduceerbaarheid en zinvolle vergelijkingen mogelijk worden gemaakt tussen verschillende institutionele en culturele contexten. Bovendien versterkte deze rigoureuze steekproefbenadering de externe validiteit van de bevindingen, waardoor een zekerdere generalisatie van de resultaten mogelijk werd naar de bredere populatie van studenten in het hoger onderwijs. De gegevens voor deze studie zijn verzameld met behulp van een gestructureerde, zelf afgenomen online vragenlijst. De vragenlijst is verdeeld in vijf secties, ontworpen om de kernconstructies van de studie te meten met behulp van gevestigde en gevalideerde schalen. Alle items, tenzij anders vermeld, worden gemeten op een vijfpuntige Likert-schaal, variërend van 1 ("Sterk Oneens") tot 5 ("Sterk Eens").

Instrumentatie en maten

Het gebruik van generatieve AI, specifiek ChatGPT, werd gekwantificeerd met een schaal van 8 items, aangepast van een studie⁴⁵. Deze schaal gaat verder dan alleen de frequentie van gebruik en legt de veelzijdige aard van de interactie van studenten met AI vast. De items richten zich op drie belangrijke dimensies: (a) de frequentie van gebruik voor diverse academische taken, (b) de specifieke doeleinden waarvoor het wordt ingezet (bijv. brainstormen, inhoudssamenvatting, proeflezen), en (c) de waargenomen effectiviteit van het hulpmiddel door studenten om hun taalgerelateerde academische werk te verbeteren. Vertrouwen in AI werd geconceptualiseerd als een multidimensionaal construct, gebaseerd op gevestigde kaders van interpersoonlijk vertrouwen⁴⁶ en technologievertrouwen. De schaal bestaat uit twee verschillende dimensies. Menselijk vertrouwen: Deze subschaal met 6 items meet in hoeverre studenten menselijke eigenschappen aan de AI toeschrijven, zoals welwillendheid, integriteit en voorspelbaarheid. Bijvoorbeeld, items beoordelen of studenten geloven dat de AI in hun eigen belang handelt of onbevooroordeelde informatie biedt. Functionaliteitsvertrouwen: Deze subschaal met 5 items beoordeelt het vertrouwen in de functionele prestaties van de AI. Het richt zich op de betrouwbaarheid, competentie en betrouwbaarheid van de technologie zelf, waarmee het geloof wordt vastgelegd dat de AI de functionaliteit heeft die nodig is om academische taken effectief uit te voeren.

De cognitieve belasting werd gemeten met een schaal die is aangepast van een andere studie⁴⁷, die gebaseerd is op CLT. Om de triarchische structuur van CLT vast te leggen, is de schaal verdeeld in drie subschalen: Intrinsieke belasting (3 items): deze subschaal beoordeelt de waargenomen complexiteit en moeilijkheid die inherent zijn aan het leermateriaal en de taken zelf. Een voorbeelditem zou kunnen zijn: "De onderwerpen die in mijn cursuswerk aan bod komen zijn erg complex." Extraovere belasting (3 items): Deze subschaal meet de cognitieve last die wordt opgelegd door het instructieontwerp en de manier waarop informatie wordt gepresenteerd. Een voorbeeld is: "De instructies voor opdrachten zijn vaak onduidelijk en moeilijk te volgen. Zelfwaargenomen leren (4 items): Naar aanleiding van eerder onderwijsonderzoek werd deze subschaal gebruikt als een benaderende indicator van germane cognitieve verwerking in plaats van als directe maat voor de germane belasting^{zelf 48}. De items vangen de percepties van studenten over de mentale inspanning die wordt gestoken in het begrijpen, begrijpen en schemaconstructieprocessen die samenhangen met betekenisvol leren. Omdat zelfwaargenomen leren conceptueel kan overlappen met bredere percepties van academische capaciteit en prestaties, moet het echter voorzichtig worden geïnterpreteerd als een gedeeltelijke operationele representatie van productieve cognitieve betrokkenheid in plaats van als een definitieve maat voor de relevante belasting. Het bevat onderwerpen die te maken hebben met begrip, begrip en het gevoel dat je de stof beheerst. Volgens gevestigde precedenten in onderwijsonderzoek⁴⁶ werd academische prestaties geoperationaliseerd met behulp van een zelfperceptieschaal. Er werd een instrument met 4 onderdelen gebruikt. Deze benadering is geschikt om de subjectieve beoordeling van hun leervermogen en academische prestaties door studenten vast te leggen. De schaal richt zich op de waargenomen academische effectiviteit en bevat uitspraken als: "Ik heb vertrouwen in mijn vermogen om mijn vakken succesvol af te ronden," en "Ik heb het gevoel dat ik heb geleerd mijn academische taken efficiënt en effectief te beheren."

Strategie voor data-analyse

Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) werd gebruikt om de relaties te onderzoeken tussen generatief AI-gebruik, vertrouwen in AI, cognitieve belasting en zelfwaargenomen academische prestaties. De keuze voor PLS-SEM werd geleid door zowel methodologische als analytische overwegingen. Ten eerste hanteert de studie een voorspellingsgerichte en verkennende modelleringsbenadering die gericht is op het onderzoeken van associatieve paden tussen relatief opkomende constructen binnen AI-versterkte leercontexten, in plaats van het testen van een volledig gevestigde causale theorie. Ten tweede wordt PLS-SEM als geschikt beschouwd voor complexe modellen met meerdere latente constructen en mediatiepaden, vooral wanneer het primaire doel variantieverklaring en voorspellende analyse is. Daarnaast is PLS-SEM robuust onder omstandigheden van niet-normale dataverdelingen en geschikt voor sociaalwetenschappelijk enquêteonderzoek met matige steekproefgroottes. Gezien het verkennende karakter van generatief AI-onderzoek in het hoger onderwijs en de nadruk van de studie op het onderzoeken van voorspellende associaties tussen perceptuele constructies, werd PLS-SEM als methodologisch geschikt beschouwd voor de huidige analyse.

De verzamelde gegevens worden geanalyseerd met een tweestapsbenadering, waarbij gebruik wordt gemaakt van gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering (PLS-SEM) met SmartPLS 4-software. PLS-SEM is een variantiegebaseerde techniek die geschikt is voor complexe voorspellende modellen en vereist niet dat de data normaal verdeeld is. Stap 1: Beoordeling van het meetmodel. De eerste stap bestaat uit het evalueren van de betrouwbaarheid en validiteit van de constructen. De betrouwbaarheid van interne consistentie wordt beoordeeld met behulp van Cronbachs alfa- en composietbetrouwbaarheid, met een drempel van 0,70. De convergente validiteit wordt vastgesteld door de buitenste belastingen van de indicatoren te onderzoeken (moet > 0,70 zijn) en de gemiddelde variantie (AVE) voor elk construct (moet > 0,50 zijn). Discriminantvaliditeit, die ervoor zorgt dat de constructen empirisch verschillend zijn, zal worden beoordeeld met behulp van het Fornell-Larcker-criterium en de Heterotrait-Monotrait (HTMT) correlatieverhouding. Stap 2: Beoordeling van het structurele model. Zodra het meetmodel als betrouwbaar en geldig is bevestigd, wordt het structurele model geëvalueerd om de hypothesen van de studie te testen. Dit houdt in dat de padcoëfficiënten (β) worden onderzocht op significantie en relevantie met behulp van een bootstrappingprocedure met 5.000 resamples. De belangrijkste criteria voor beoordeling omvatten de bepalingscoëfficiënt (R²): Het meten van de voorspellende kracht van het model (d.w.z. de variantie die wordt verklaard in de endogene variabelen, met name academische prestaties). Voorspellende relevantie (Q²): Gebruik van de blinddoekprocedure om de voorspellende nauwkeurigheid van het model te beoordelen. Effectgroottes (f²): Het evalueren van de substantiële impact van elke onafhankelijke variabele op de afhankelijke variabelen. Mediatieanalyse: Het testen van de bemiddelende rol van cognitieve belasting in de relatie tussen AI-gerelateerde antecedenten (generatief AI-gebruik, vertrouwen in AI) en academische prestaties. De betekenis van de indirecte effecten zal worden beoordeeld met behulp van bootstrapped betrouwbaarheidsintervallen.

Resultaten

Beschrijvende statistieken

Beschrijvende statistieken werden berekend om de centrale tendensen en verspreiding van de belangrijkste variabelen in deze studie samen te vatten, waaronder generatief AI-gebruik, menselijk vertrouwen, functionaliteitsvertrouwen, intrinsieke belasting, extraoverbodige belasting, zelfwaargenomen leren en academische prestaties. De beschrijvende analyse werd uitgevoerd met SPSS versie 26, en de resultaten worden gepresenteerd in Tabel 1

Discussie

De eerste grote bevinding van deze studie toonde aan dat het gebruik van generatieve AI positief geassocieerd is met cognitieve belasting (β = 0,34, p < 0,001), een resultaat dat consistent is met hypothese 1. Deze bevinding suggereert dat studenten die vaker generatieve AI-tools zoals ChatGPT gebruiken, ook een hogere cognitieve belasting ervaren tijdens hun leeractiviteiten. Deze positieve associatie tussen generatief AI-gebruik en cognitieve belasting kan beter worden begrepe...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Blindfolding Procedure	SmartPLS 4 (built-in)	N/A	Berekent Q² voor de voorspellende relevantie van het structurele model.
Bootstrapping Procedure (5.000 hersteekproeven)	SmartPLS 4 (built-in)	N/A	Wordt gebruikt om de significantie van padcoëfficiënten (β) en indirecte effecten te beoordelen.
Cognitive Load Scale – Extraneous Load (3-item)	Hadie & Yusoff (2021)	N/A (gevalideerde schaal)	Cognitieve belasting door instructieontwerp en informatiepresentatie.
Cognitive Load Scale – Intrinsic Load (3-item)	Hadie & Yusoff (2021)	N/A (gevalideerde schaal)	Waargenomen complexiteit/moeilijkheid van leermaterialen/taken.
Cognitive Load Scale – Self-Perceived Learning (4-item)	Hadie & Yusoff (2021)	N/A (gevalideerde schaal)	Proxy voor germane cognitieve verwerking; vangt mentale inspanning voor begrip en schemaconstructie op.
Fornell-Larcker Criterium	SmartPLS 4 (built-in)	N/A	Beoordeelt de discriminerende validiteit van constructies.
Generative AI Usage Scale (8-item)	Abbas et al. (2023)	N/A (aangepaste schaal)	Meet de frequentie, doel en waargenomen effectiviteit van het gebruik van generatieve AI (ChatGPT) voor academische taken. 5-punts Likert-schaal.
HTMT Ratio of Correlations	SmartPLS 4 (built-in)	N/A	Heterotrait-Monotrait ratio; aanvullende controle op discriminerende validiteit.
Informed Consent Form	Study team (institutionele richtlijnen)	N/A	Gedetailleerde beschrijving van het doel van het onderzoek, vrijwillige deelname, anonimiteit, vertrouwelijkheid en het recht om zich terug te trekken. Geïmpliceerde toestemming via het invullen van de enquête.
Online Vragenlijst Platform	Niet gespecificeerd (generiek)	N/A	Gestructureerde, zelftoegediende, webgebaseerde vragenlijst; alle items op 5-punts Likert-schaal (1 = Sterk oneens tot 5 = Sterk eens).
Sampling Frame	University Registrar’s Office	N/A (institutioneel record)	Complete lijst van momenteel ingeschreven studenten over alle faculteiten, gebruikt voor gestratificeerde willekeurige steekproeven.
Self-Perceived Academic Performance Scale (4-item)	Aangepast van educatief onderzoeksprecedent	N/A (aangepaste schaal)	Subjectieve beoordeling van academische efficiëntie en prestaties (bijv. vertrouwen in cursussen, efficiënt taakbeheer).
SmartPLS 4 Software	SmartPLS GmbH	Versie 4	Variantie-gebaseerde structurele vergelijkingsmodelleringssoftware; gebruikt voor PLS-SEM-analyse, bootstrapping, verblinding.
SPSS version 26	IBM	N/A	Gebruikt voor voorlopige gegevensscreening, beschrijvende statistieken en eventuele pre-PLS-SEM gegevensbeheer (indien van toepassing).
Stratified Random Sampling Procedure	Study team (handmatig)	N/A	Strata op basis van academische discipline (4 categorieën) en studieniveau (5 niveaus: 1e-4e jaar bachelor + postgraduaat). Willekeurige getallengenerator gebruikt binnen strata.
Trust in AI Scale – Functionality Trust (5-item)	Aangepast van technologievertrouwensliteratuur	N/A (aangepaste schaal)	Meet de waargenomen betrouwbaarheid, competentie en betrouwbaarheid van AI voor academische taken.
Trust in AI Scale – Human-like Trust (6-item)	Aangepast van interpersoonlijk vertrouwen (Rempel et al.) en technologievertrouwensliteratuur	N/A (aangepaste schaal)	Beoordeelt welwillendheid, integriteit en voorspelbaarheid toegeschreven aan AI.