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 s....

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 ....

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.