Przyszłość nauki edukacyjnej: wykorzystanie generatywnej AI, zaufanie i obciążenie poznawcze jako predyktory samoodczuwanej wydajności akademickej w szkolnictwie wyższym

Podsumowanie

Niniejsze badanie sprawdza, jak użycie generatywnej sztucznej inteligencji i zaufanie do AI wpływają na wyniki akademickich studentów szkół wyższych poprzez obciążenie poznawcze. Zastosowanie częściowej metody najmniejszych kwadratów do modelowania równań strukturalnych (PLS-SEM) na danych z 390 studentów ujawnia, że oba czynniki znacząco zwiększają obciążenie poznawcze, które pozytywnie przewiduje wyniki i pośredniczy w ich efektach.

Streszczenie

Niniejsze badanie dotyczy złożonych relacji między wykorzystaniem generatywnej sztucznej inteligencji, zaufaniem do AI, obciążeniem kognitywnym a osiągnięciami akademickimi wśród studentów szkolnictwa wyższego. Badanie, oparte na teorii obciążenia kognitywnego i literaturze dotyczącej zaufania, bada, jak zaangażowanie studentów w narzędzia generatywnej sztucznej inteligencji i zaufanie do tych systemów wpływają na wyniki akademickie, przy czym obciążenie kognitywne jest mechanizmem pośredniczącym. Zastosowano projekt badania ilościowego przekrojowego z losową próbą warstw 390 studentów szkolnictwa wyższego. Dane zebrano za pomocą zweryfikowanych skal mierzących wykorzystanie generatywnej sztucznej inteligencji, zaufanie do AI (wymiary podobne do ludzkich i funkcjonalne), obciążenie kognitywne (obciążenie wewnętrzne, obciążenie zewnętrzne i postrzegane samodzielnie uczenie się) oraz osiągnięcia akademickie. Do testowania założonych relacji bezpośrednich i pośrednich zastosowano modelowanie równań strukturalnych z najmniejszymi kwadratami cząstkowymi (PLS-SEM) z procedurami bootstrapping (5000 ponownych prób). Wyniki wykazały, że wykorzystanie generatywnej sztucznej inteligencji (β = 0.34, p < 0.001) i zaufanie do AI (β = 0.28, p < 0.001) były istotnie pozytywnie związane z obciążeniem kognitywnym. Obciążenie kognitywne było również pozytywnie związane z osiągnięciami akademickimi (β = 0.52, p < 0.001). Ponadto, obciążenie kognitywne istotnie pośredniczy w relacjach między wykorzystaniem generatywnej sztucznej inteligencji a osiągnięciami akademickimi (β = 0.18, p < 0.001) oraz między zaufaniem do AI a osiągnięciami akademickimi (β = 0.15, p < 0.001). Model wyjaśnił 45% wariancji osiągnięć akademickich, a PLS Predict potwierdził wysoką siłę predykcyjną. Wyniki rozszerzają teorię obciążenia kognitywnego na konteksty uczenia się wzbogacone o AI i sugerują, że obciążenie kognitywne może pełnić rolę ważnej ścieżki wyjaśniającej, łączącej czynniki związane z AI z wynikami akademickim. Praktycznie, badanie podkreśla znaczenie wspierania piśmienności AI, projektowania środowisk uczenia się, które optymalizują obciążenie kognitywne oraz priorytetowego traktowania niezawodności funkcjonalnej w rozwoju narzędzi AI. Niniejsze badanie dostarcza dowodów empirycznych na to, że obciążenie kognitywne działa jako istotny mechanizm pośredniczący, poprzez który wykorzystanie generatywnej sztucznej inteligencji i zaufanie do AI przekładają się na osiągnięcia akademickie.

Wprowadzenie

Szybki rozwój generatywnej sztucznej inteligencji (GenAI) spowodował przemianę paradygmatu w szkolnictwie wyższym, zasadniczo zmieniając sposób, w jaki studenci uzyskają dostęp, przetwarzają i konstruują wiedzę¹. Narzędzia takie jak ChatGPT, Gemini i Claude stały się coraz bardziej zakorzenione w środowiskach akademickich, przy czym ostatnie szacunki sugerują, że ponad 30% studentów uniwersyteckich regularnie stosuje te technologie w celach związanych z pracą kursową². Ta technologiczna rewolucja oferuje zarówno bezprecedensowe możliwości, jak i znaczne wyzwania dla edukatorów, administratorów i badaczy, którzy starają się zrozumieć, jak integracja AI wpływa na procesy i wyniki uczenia się³.

Mimo że generatywna AI oferuje potencjał spersonalizowanego tutorowania, natychmiastowej opinii i zwiększonej produktywności, studenci nie po prostu pasywnie konsumują informacje generowane przez AI⁴. Zajmując się nauczaniem wzbogaconym o AI, studenci angażują się w ciągłe procesy interakcyjne, w których formułują polecenia, oceniają wyniki, porównują odpowiedzi generowane przez AI z zewnętrznymi źródłami, kalibrują swoją zależność od systemów AI i integrują treści generowane przez maszyny w zadaniach akademickie⁵. Te wymagania interakcyjne wprowadzają nowe dynamiki poznawcze, które wykraczają poza tradycyjne modele użytkowania technologii i mogą jednocześnie zmniejszać pewne obciążenia poznawcze, tworząc jednocześnie nowe formy wysiłku i przeciążenia poznawczego. Kluczowym zagadnieniem jest pytanie, jak użycie AI wpływa na procesy poznawcze leżące u podstaw uczenia się, pytanie, które pozostaje w dużej mierze niezbadane w literaturze empirycznej. Teoria obciążenia poznawczego (CLT) dostarcza solidnej teoretycznej ramy do badania tych zagadnień. CLT zakłada, że uczenie się jest ograniczone przez ograniczoną pojemność pamięci krótkotrwałej i że skuteczne projektowanie nauczania musi zarządzać trzema rodzajami obciążenia poznawczego: obciążeniem intrinsycznym wynikającym ze złożoności treści, obciążeniem nadmiernym wynikającym z niewłaściwego projektowania instrukcji i obciążeniem germane skierowanym na budowanie schematów i automatyzację⁶. W środowiskach nauczania wzbogaconego o AI te rozróżnienia stają się szczególnie istotne⁷. Studenci korzystający z narzędzi generatywnej AI muszą jednocześnie przetwarzać treści kursowe, oceniać informacje generowane przez AI pod kątem dokładności i istotności oraz integrować różnorodne źródła procesów wiedzy, co może znacznie zwiększyć wymagania poznawcze⁸.

Istotne jest, że teoria obciążenia poznawczego traktuje obciążenie poznawcze jako wielowymiarową konstrukcję składającą się z obciążenia intrinsycznego, nadmiernego i germane, z których każde może wpływać na uczenie się w różny sposób⁹. Obciążenie intrinsyczne wynika z wrodzonej złożoności materiału nauczania, obciążenie nadmierne odzwierciedla niepotrzebne obciążenie poznawcze generowane przez nieskuteczny projekt instrukcji lub nieistotne wymagania przetwarzania, a obciążenie germane odnosi się do produktywnego zaangażowania poznawczego związanego z budowaniem schematów i znaczącymi procesami uczenia się. W związku z tym obciążenie poznawcze nie powinno być interpretowane jako jednolicie korzystne czy szkodliwe. Podczas gdy obciążenie intrinsyczne i germane mogą wspierać głębsze zrozumienie w odpowiednich warunkach, nadmiernie duże obciążenie nadmierne może przeszkadzać w nauce, zużywając ograniczone zasoby poznawcze.

Poza wzorcami użytkowania, zaufanie studentów do systemów AI pojawia się jako kluczowy czynnik psychologiczny kształtujący interakcję człowiek-AI¹⁰. Korzystając z podstawowych ram zaufania, zaufanie do AI można skonceptualizować w dwóch odrębnych wymiarach: zaufanie podobne do ludzkiego, obejmujące postrzeganie dobroci, uczciwości i przewidywalności; oraz zaufanie funkcjonalne, odzwierciedlające pewność siebie w zakresie niezawodności, kompetencji i niezawodności samej technologii¹¹. Poprzednie badania wskazały, że zaufanie jest czynnikiem decydującym o przyjęciu i dalszym korzystaniu z technologii¹², jednak jego konsekwencje poznawcze pozostają w dużej mierze niezbadanym obszarem. Relacja między zaufaniem do AI a obciążeniem poznawczym jest teoretycznie złożona i nie powinna być interpretowana jako jednolicie pozytywna lub liniowa¹³. Z jednej strony, odpowiednie zaufanie do AI może zachęcać studentów do głębszego angażowania się z treściami generowanymi przez AI, inwestowania wysiłku poznawczego w ewaluację odpowiedzi i integrowania informacji generowanych przez maszyny w zadaniach uczenia się¹⁴. Relacja między czynnikami związanymi z AI a wynikami nauki stanowi ostateczny wynik interesujący edukatorów i instytucje¹⁵. Wynik nauki był operacjonalizowany na różne sposoby w badaniach edukacyjnych, przy czym niektóre badania korzystały z obiektywnych wskaźników, takich jak średnia ocen

Protokół

Tabela materiałów zawiera podsumowanie instrumentów, oprogramowania i skal użytych w badaniu, w tym skal dostosowanych i zweryfikowanych do oceny użycia generatywnej AI, zaufania do AI, obciążenia poznawczego, postrzeganego przez samych respondentów wyniku akademickiego, procedur pobierania prób i ankiet, oraz narzędzi do analizy danych (SPSS i SmartPLS). Co więcej, zgoda etyczna nie była zastosowana w tym badaniu, ponieważ nie obejmowało ono żadnych eksperymentalnych manipulacji, procedur medycznych czy interwencji, które mogłyby stwarzać fizyczne lub psychologiczne ryzyko dla uczestników. W badaniu wykorzystano nieinwazyjne, samodzielnie wypełniane ankieta online w celu zgromadzenia danych dotyczących postrzegania, doświadczeń i zachowań studentów dotyczących używania generatywnej AI w środowiskach akademickich. Ponieważ badanie nie obejmowało żadnych bezpośrednich interakcji poza wypełnieniem ankiety, nie stosowano żadnych badań klinicznych, procedur biomedycznych ani eksperymentalnych terapii, a uczestnicy nie byli poddawani żadnym warunkom eksperymentalnym, które mogłyby spowodować szkodę lub dystres. Przed rozpoczęciem zbierania danych wszystkim uczestnikom udostępniono szczegółową formę zgody świadomej wyrażonej na wyraźnym zgłoszeniu, wyjaśniającą cel badania, dobrowolny charakter uczestnictwa oraz środki zabezpieczające anonimowość i poufność. Zgoda świadoma została uzyskana niejawnym sposobem poprzez wypełnienie i przesłanie ankiety, zgodnie z wyraźnym zapisaniem w formie zgody świadomej. Uczestnikom zapewniono, że ich odpowiedzi będą wykorzystywane wyłącznie do celów badań akademickich, a żadne informacje pozwalające na identyfikację osoby nie zostaną zebrane ani ujawnione. Ponadto uczestnikom wyjaśniono, że mają prawo wycofania się z badania w dowolnym momencie przed przesłaniem ankiety, bez żadnych konsekwencji. Wszystkie dane były przechowywane bezpiecznie na urządzeniach chronionych hasłem, do których dostęp mieli wyłącznie członkowie zespołu badawczego, a zgranowane wyniki zostały ujawnione, aby uniknąć identyfikacji pojedynczych respondentów. Środki te zapewniły, że badanie było przeprowadzane zgodnie z zasadami etycznymi Deklaracji Helsińskiej i wytycznymi instytucjonalnymi dotyczącymi badań z udziałem ludzi, mimo że formalny wymóg przeglądu IRB nie był stosowany.

Projekt badania

Badanie to wykorzystuje ilościowy, przekrojowy projekt badawczy w celu zbadania złożonych relacji między użyciem generatywnej AI, zaufaniem do AI, obciążeniem poznawczym a wynikami akademickim wśród studentów szkół wyższych. Wdrożenie to zostało sprecyzowane poprzez strategię ankietową, wybraną ze względu na jej efektywność i skuteczność w zbieraniu standaryzowanych danych z dużej próby, umożliwiając jednocześnie solidne statystyczne testowanie założonych relacji. Metoda ankietowa umożliwia systematyczne pomiar każdej konstrukcji za pomocą zweryfikowanych skal, zapewniając, że zebrane dane są zarówno wiarygodne, jak i porównywalne wśród wszystkich respondentów. Co więcej, przyjęcie przekrojowego podejścia, w którym dane są zbierane w jednym punkcie czasowym, jest szczególnie odpowiednie dla tego badania, ponieważ pozwala na badanie bieżącej częstości używania generatywnej AI i zaufania wśród studentów, jednocześnie oceniając powiązania między tymi zmiennymi a ich wpływ na obciążenie poznawcze i wyniki akademickie w populacji docelowej badania.

Uczestnicy i procedura pobierania prób

Populacją docelową tego badania byli studenci uczelni wyższych, którzy mieli aktywne doświadczenie w używaniu narzędzi generatywnej AI, konkretnie ChatGPT i podobnych dużych modeli językowych, do celów akademickich. Aby zapewnić reprezentatywną próbę tej populacji i zwiększyć ogólność wyników, zastosowano stratyfikowaną losową technikę pobierania prób. Ramka próby została uzyskana z urzędu rejestracyjnego uczelni, zawierającego pełną listę obecnie zapisanych studentów na wszystkich wydziałach. Stratyfikacja została przeprowadzona na podstawie dwóch kluczowych zmiennych demograficznych: dyscypliny akademickiej i roku studiów. Dyscyplinę akademicką podzielono na cztery główne kategorie: nauki humanistyczne i społeczne, nauki przyrodnicze, inżynieria i technologia oraz biznes i ekonomia. Rok studiów został podzielony na cztery poziomy: pierwszoroczniacy, drugoroczniacy, trzecioroczniacy oraz czwartoroczniacy na studiach licencjackich, a także studenci podyplomowcy (magisterscy i doktoranccy). Podwójna stratyfikacja zapewniła proporcjonalne reprezentowanie każdej podgrupy wśród studentów, zapobiegając nadmiernej reprezentacji lub niedostatecznej reprezentacji jakiegokolwiek dziedziny akademickiej lub poziomu akademickiego. Z każdego szczebla wybierano losowo uczestników za pomocą generatora liczb losowych, przy czym wylosowana liczba była proporcjonalna do reprezentacji tego szczebla w ogólnej populacji studentów. Systematyczne podejście do wyboru uczestników zapewniło, że końcowa próba dokładnie odzwierciedlała różnorodność populacji studentów szkół wyższych, obejmującą tło akademickie i postęp edukacyjny.

Jeśli chodzi o demografię uczestników, próba 390 respondentów obejmowała zróżnicowaną grupę studentów z róż

Wyniki

Statystyki opisowe

Statystyki opisowe zostały obliczone w celu podsumowania centralnych tendencji i rozproszenia kluczowych zmiennych w niniejszym badaniu, w tym użycie generatywnej AI, zaufanie podobne do ludzkiego, zaufanie funkcjonalne, obciążenie intrinsyczne, obciążenie ekstrinsyczne, samoocena uczenia się oraz osiągnięcia akademickie. Analiza opisowa została przeprowadzona za pomocą SPSS wersja 26, a wyniki są przedstawione w Tabeli 1 poniżej.

Dyskusja

Pierwsze główne odkrycie tego badania ujawniło, że używanie generatywnej sztucznej inteligencji jest pozytywnie związane z obciążeniem kognitywnym (β = 0.34, p < 0.001), co jest zgodne z Hipotezą 1. To odkrycie sugeruje, że studenci, którzy zgłaszają częstsze używanie narzędzi generatywnej sztucznej inteligencji, takich jak ChatGPT, zgłaszają również wyższe obciążenie kognitywne podczas swoich aktywności uczenia się. Ta pozytywna asocjacja między używaniem generatywnej sztucznej inteligencji a obciążeniem kognit...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Blindfolding Procedure	SmartPLS 4 (wbudowane)	N/A	Oblicza Q² dla predykcyjnej trafności modelu strukturalnego.
Bootstrapping Procedure (5,000 powtórzeń)	SmartPLS 4 (wbudowane)	N/A	Używane do oceny znaczenia współczynników ścieżek (β) i efektów pośrednich.
Cognitive Load Scale – Extraneous Load (3-item)	Hadie & Yusoff (2021)	N/A (skala zweryfikowana)	Poznawcze obciążenie związane z projektowaniem instrukcji i prezentacją informacji.
Cognitive Load Scale – Intrinsic Load (3-item)	Hadie & Yusoff (2021)	N/A (skala zweryfikowana)	Postrzegana złożoność/trudność materiałów/zadań edukacyjnych.
Cognitive Load Scale – Self-Perceived Learning (4-item)	Hadie & Yusoff (2021)	N/A (skala zweryfikowana)	Zastąpienie dla poznawczego przetwarzania; uchwytuje wysiłek umysłowy na rzecz rozumienia i budowy schematów.
Kryterium Fornell-Larcker	SmartPLS 4 (wbudowane)	N/A	Ocenia ważność dyskryminacyjną konstruktów.
Generative AI Usage Scale (8-item)	Abbas i in. (2023)	N/A (skala przystosowana)	Miara częstotliwości, celu i postrzeganej skuteczności użycia Generującej AI (ChatGPT) do zadań akademickich. 5-punktowa skala Likerta.
HTMT Ratio of Correlations	SmartPLS 4 (wbudowane)	N/A	Ratio heterotrait-monotrait; dodatkowa kontrola ważności dyskryminacyjnej.
Formularz zgody świadomej	Zespół badawczy (wytyczne instytucjonalne)	N/A	Szczegółowy opis celu badania, dobrowolnego uczestnictwa, anonimowości, poufności i prawa do wycofania się. Zgoda zawarta w założeniu na zakończenie ankiety.
Platforma ankiety online	Nie określono (ogólne)	N/A	Ustrukturyzowany, samodzielnie administrowany, internetowy kwestionariusz; wszystkie pozycje w 5-punktowej skali Likerta (1 = Zdecydowanie nie zgadzam się do 5 = Zdecydowanie zgadzam się).
Ramka próbna	Biuro dziekana uniwersytetu	N/A (rejestr instytucjonalny)	Pełna lista obecnie zapisanych studentów ze wszystkich wydziałów używana do warstwowej losowej próby.
Self-Perceived Academic Performance Scale (4-item)	Przystosowana od precedensu badań edukacyjnych	N/A (przystosowana skala)	Subiektywna ocena efektywności akademickiej i osiągnięć (np. pewność siebie w kursach, efektywne zarządzanie zadaniami).
Oprogramowanie SmartPLS 4	SmartPLS GmbH	Wersja 4	Oprogramowanie do modelowania równań strukturalnych opartych na wariancji; używane do analizy PLS-SEM, bootstrappingu, blindfoldingu.
SPSS version 26	IBM	N/A	Używane do wstępnego przesiewania danych, statystyk opisowych i wszelkiego zarządzania danymi przed PLS-SEM (jeśli dotyczy).
Warstwowa losowa procedura próbki	Zespół badawczy (manual)	N/A	Warstwy oparte na dyscyplinie akademickiej (4 kategorie) i roku studiów (5 poziomów: 1-4 rok studiów licencjackich + podyplomowe). Generator liczb losowych używany w obrębie warstw.
Trust in AI Scale – Functionality Trust (5-item)	Przystosowana od literatury dotyczącej zaufania do technologii	N/A (przystosowana skala)	Miara postrzeganej niezawodności, kompetencji i wiarygodności AI do zadań akademickich.
Trust in AI Scale – Human-like Trust (6-item)	Przystosowana od interpersonalnego zaufania (Rempel i in.) i literatury dotyczącej zaufania do technologii	N/A (przystosowana skala)	Ocenia dobroczynność, integralność i przewidywalność przypisywane AI.