Будущее образовательной науки: использование генеративного ИИ, доверие и когнитивная нагрузка как предикторы самовосприятия академической успеваемости в высшем образовании

Краткое содержание

В данном исследовании рассматривается, как использование генеративного ИИ и доверие к нему влияют на академические успеваемости студентов высших учебных заведений через когнитивную нагрузку. Использование моделирования структурных уравнений с частичными наименьшими квадратами (PLS-SEM) на данных 390 студентов показывает, что оба фактора значительно увеличивают когнитивную нагрузку, что положительно предсказывает результаты и опосредует их влияние.

Аннотация

В данном исследовании рассматриваются сложные связи между использованием генеративного ИИ, доверием к ИИ, когнитивной нагрузкой и академической успеваемостью среди студентов высших учебных заведений. Основанные на теории когнитивной нагрузки и литературе по довериям, исследование изучает, как вовлечённость студентов в генеративные инструменты ИИ и их доверие к этим системам влияют на академические результаты, при этом когнитивная нагрузка выступает в качестве посредника. Был применён количественный поперечный исследовательский дизайн с стратифицированной случайной выборкой из 390 студентов высших учебных заведений. Данные собирались с использованием валидированных шкал измерения использования генеративного ИИ, доверия к ИИ (человеческий и функциональный измерения), когнитивной нагрузки (внутренняя нагрузка, лишняя нагрузка и самовосприятие обучения) и академическую успеваемость. Для проверки гипотетических прямых и медиаторных связей использовалось моделирование структурных уравнений с частичными наименьшими квадратами (PLS-SEM) с процедурами бутстрэппинга (5 000 повторных выборок). Результаты показали, что использование генеративного ИИ (β = 0,34, p < 0,001) и доверие к ИИ (β = 0,28, p < 0,001) были существенно положительно связаны с когнитивной нагрузкой. Когнитивная нагрузка также положительно связана с академической успеваемостью (β = 0,52, p < 0,001). Кроме того, когнитивная нагрузка существенно опосредует связь между использованием генеративного ИИ и академической успеваемостью (β = 0,18, p < 0,001) и между доверием к ИИ и академической успеваемостью (β = 0,15, p < 0,001). Модель объясняла 45% дисперсии в академической успеваемости, а PLS Predict подтвердил высокую предсказательную способность. Результаты расширяют теорию когнитивной нагрузки на контексты обучения, усиленные ИИ, и предполагают, что когнитивная нагрузка может служить важным объяснительным путём, связывающим факторы, связанные с ИИ, с академическими результатами. На практике исследование подчёркивает важность развития грамотности в области ИИ, проектирования учебных сред, оптимизирующих когнитивную нагрузку, и приоритета функциональной надёжности при разработке инструментов ИИ. Это исследование приводит эмпирические доказательства того, что когнитивная нагрузка служит значимым опосредующим механизмом, через который использование генеративного ИИ и доверие к нему трансформируются в академическую успеваемость.

Введение

Быстрый прогресс генеративного искусственного интеллекта (GenAI) вызвал сдвиг парадигмы в высшем образовании, фундаментально изменив способы доступа, обработки и формирования знаний^{студентами 1}. Инструменты, такие как ChatGPT, Gemini и Claude, всё больше внедряются в академическую среду, и последние оценки показывают, что более 30% студентов университетов регулярно используют эти технологии для учебных заданий^. Эта технологическая революция открывает как беспрецедентные возможности, так и серьёзные вызовы для педагогов, администраторов и исследователей, стремящихся понять, как интеграция ИИ влияет на процессы обучения и результаты³.

Хотя генеративный ИИ предлагает потенциал для персонализированного репетиторства, мгновенной обратной связи и повышения продуктивности, студенты не просто пассивно потребляют информацию, созданную^{ИИ 4.} Вместо этого обучение с помощью ИИ включает непрерывные интерактивные процессы, в ходе которых студенты формулируют подсказки, оценивают результаты, сравнивают ответы, сгенерированные ИИ, с внешними источниками, калибруют зависимость от систем ИИ и интегрируют машинно генерируемый контент в^{академические задачи 5}. Эти интерактивные требования вводят новую когнитивную динамику, выходящую за рамки традиционных моделей использования технологий и одновременно снижая определённые когнитивные нагрузки, создавая новые формы когнитивных усилий и перегрузки. В центре этих вопросов лежит вопрос о том, как использование ИИ влияет на когнитивные процессы, лежащие в основе обучения, — вопрос, который до сих пор остаётся неисследованным в эмпирической литературе. Теория когнитивной нагрузки (CLT) предоставляет прочную теоретическую основу для изучения этих вопросов. CLT утверждает, что обучение ограничено ограниченной ёмкостью рабочей памяти, и эффективное проектирование обучения должно управлять тремя типами когнитивной нагрузки: внутренней нагрузкой, возникшей из-за сложности содержания, лишней нагрузкой, вызванной плохим проектированием инструкции, и неотложной нагрузкой, направленной на построение схемы и^{автоматизацию 6}. В образовательных средах, усиленных ИИ, эти различия становятся особенно^{заметными 7}. Студенты, взаимодействующие с инструментами генеративного ИИ, должны одновременно обрабатывать содержание курса, оценивать информацию, сгенерированную ИИ, на точность и релевантность, а также интегрировать различные процессы источников знаний, которые могут значительно повысить когнитивные^{потребности 8}.

Важно, что теория когнитивной нагрузки концептуализирует когнитивную нагрузку как многомерную конструкцию, состоящую из внутренней, лишней и неотносимой нагрузки, каждая из которых может влиять на обучение^{по-разному 9}. Внутренняя нагрузка возникает из-за внутренней сложности учебного материала, лишняя нагрузка отражает ненужное когнитивное бремя, вызванное неэффективным проектированием обучения или нерелевантными требованиями к обработке, а неотносительная нагрузка относится к продуктивному когнитивному взаимодействию, связанному с построением схемы и осмысленными процессами обучения. Следовательно, когнитивная нагрузка не должна интерпретироваться как однородно полезная или вредная. Хотя внутренняя и незначущая нагрузка могут способствовать более глубокому пониманию при соответствующих условиях, чрезмерная внешняя нагрузка может мешать обучению, потребляя ограниченные когнитивные ресурсы.

Помимо моделей использования, доверие студентов к системам ИИ становится ключевым психологическим фактором, формирующим взаимодействие человека и^{ИИ 10}. Опираясь на фундаментальные рамки доверия, доверие к ИИ можно рассматривать по двум различным измерениям: человеческое доверие, охватывающее восприятие доброжелательности, честности и предсказуемости; и доверие к функциональности, отражающее уверенность в надёжности, компетентности и надежности самой технологии¹¹. Предыдущие исследования показали, что доверие является определяющим фактором внедрения и дальнейшего использования^{технологий 12}, однако его когнитивные последствия остаются в значительной степени неизученными. Связь между доверием к ИИ и когнитивной нагрузкой теоретически сложна и не должна интерпретироваться как однородно положительная или линейная¹³. С одной стороны, соответствующее доверие к ИИ может стимулировать студентов глубже взаимодействовать с контентом, созданным ИИ, вкладывать когнитивные усилия в оценку ответов и интегрировать машинно сгенерированную информацию в учебные^{задания 14}. Связь между факторами, связанными с ИИ, и академической успеваемостью представляет собой конечный результат, представляющий интерес для педагогов и учреждений¹⁵. Академическая успеваемость была реализована различными способами в образовательных исследованиях: некоторые исследования используют объективные показатели, такие как средний балл¹⁶, а другие опираются на самовоспринимаемую академическую эффективность^{студентов 17}. Самовоспринимаемые показатели отражают метакогнитивную осознанность учащихся их учебных способностей и выполнения задач, что, по данным исследований, тесно связано с реальными^{академическими достижениями 18}. В контекстах обучения с использованием ИИ особенно важно понимать, как студенты воспринимают собственное обучение, поскольку эти восприятия могут направлять дальнейшее взаимодействие с инструментами и стратегиями обучения^{ИИ 19}.

Несмотря на растущее распространение генеративного ИИ в высшем образовании, эмпирические исследования, изучающие его когнитивные и академические последствия, остаются^{редкими 20}. Существующие исследования в основном сосредоточены на моделях внедрения, этических вопросах или дисциплинарных^{применениях 21}, с ограниченным вниманием к психологическим механизмам, связывающим использование ИИ с результатами^{обучения 22}. Кроме того, хотя доверие было широко изучено в электронной коммерции и взаимодействии человека с^{компьютером 23}, его роль в образовательных контекстах ИИ остаётся теоретически недостаточно развитой и эмпирически непроверенной. Настоящее исследование устраняет эти пробелы, изучая связи между использованием генеративного ИИ, доверием к ИИ, когнитивной нагрузкой и академической успеваемостью, при этом когнитивная нагрузка моделируется как потенциальный путь посредничества. Основываясь на теории когнитивной^{нагрузки 24} и литературе по довериям, это исследование предлагает и тестирует модель медиации, рассматривающую пять гипотез: (H1) использование генеративного ИИ положительно влияет на когнитивную нагрузку; (H2) доверие к ИИ положительно влияет на когнитивную нагрузку; (H3) когнитивная нагрузка положительно влияет на учебную успеваемость; (H4) когнитивная нагрузка опосредует связь между использованием генеративного ИИ и академической успеваемостью; и (H5) когнитивная нагрузка опосредует связь между доверием к ИИ и академической успеваемостью.

Интеграция генеративного искусственного интеллекта (GenAI) в высшее образование представляет собой один из самых значимых технологических сдвигов в современной педагогической^{практике 25}. Такие инструменты, как ChatGPT, разработанные OpenAI, продемонстрировали впечатляющие возможности в генерации текстов, похожего на человека, решении сложных задач и предоставлении персонализированной образовательной^{поддержки 26}. Недавние эмпирические исследования зафиксировали широкое распространение среди студентов университетов. Студенты используют GenAI для различных академических целей, включая мозговой штурм, краткое содержание, корректуру и объяснение^{концепции 27}. Это распространение побудило учёных рассмотреть как возможности, так и вызовы, связанные с GenAI в образовательных условиях. Сторонники утверждают, что инструменты GenAI могут улучшить обучение, предоставляя мгновенную обратную связь, поддерживая сложные задачи и предлагая множество точек зрения на^{дисциплинарный контент 28}. Студенты, использующие ChatGPT для программирования, показали улучшение качества кода и сокращение времени завершения, что указывает на возможные преимущества для когнитивного отключения. Аналогично, GenAI может персонализировать учебный опыт, адаптируя контент под индивидуальные потребности ученика и темпы^{обучения 29}. Однако критики выражают обеспокоенность по поводу академической честности, возможного плагиата и ослабления критического мышления, когда студенты чрезмерно полагаются на контент, созданный^{ИИ 30,31}. Эти конкурирующие точки зрения подчёркивают необходимость тщательного эмпирического исследования того, как использование GenAI влияет на фундаментальные процессы обучения.

Теория когнитивной нагрузки (CLT) предоставляет комплексную основу для понимания когнитивных требований, связанных с учебными задачами и учебными структурами. CLT основан на устоявшейся архитектуре человеческого познания, которая включает фактически неограниченную долгосрочную память и крайне ограниченную рабочую память как по ёмкости, так и по^{продолжительности 32}. По данным CLT, обучение происходит, когда информация успешно обрабатывается в рабочей памяти и затем сохраняется в виде схем в долгосрочной памяти. Теория выделяет три типа когнитивной нагрузки: внутреннюю нагрузку, которая определяется внутренней сложностью учебного материала и существующей экспертизой учащегося; лишняя нагрузка, которая возникает из-за плохо спроектированных учебных материалов и занятий, не способствующих напрямую обучению; и немецкая нагрузка, которая относится к когнитивным ресурсам, предназначенным для построения схем и^{автоматизации 33}. Исследования последовательно показывают, что эффективное проектирование обучения должно управлять этими тремя типами нагрузки для оптимизации^{учебных результатов 34}. Высокая внешняя нагрузка отвлекает когнитивные ресурсы от процессов обучения, снижая производительность, тогда как соответствующие внутренние и существенные нагрузки способствуют глубокому пониманию и передаче^{знаний 35}. комплексный инструмент для измерения этих размеров нагрузки в образовательных условиях, позволяющий эмпирически исследовать когнитивную нагрузку в различных учебных контекстах. В последнее время учёные расширили CLT на технологически совершенные учебные среды, изучая, как цифровые инструменты влияют на когнитивную^{обработку 36}. Связь между использованием генеративного ИИ и когнитивной нагрузкой теоретически сложна и эмпирически недостаточно^{изучена 37}. С одной стороны, инструменты GenAI могут снизить лишнюю нагрузку, упрощая поиск информации, синтезируя разнообразные источники и представляя информацию в доступных^{форматах 38}. Студентам больше не нужно самостоятельно ориентироваться по нескольким базам данных или интерпретировать сложные тексты, что потенциально освобождает когнитивные ресурсы для более глубокой^{обработки 39}.

Доверие — это фундаментальный психологический механизм, формирующий взаимодействие человека и технологий. В контексте информационных систем доверие многомерно, охватывающее убеждения о компетентности, доброжелательности и целостности технологических^{систем 40}. Применённая к ИИ, доверие можно различать по двум концептуально различным измерениям: человеческое доверие, включающее атрибуцию антропоморфных качеств, таких как доброжелательность и предсказуемость; и доверие к функциональности, отражающее уверенность в надёжной работе технических^{возможностей 41}. Это различие особенно актуально в образовательных условиях, где студенты должны решать, насколько сильно использовать контент, созданный ИИ, для выполнения академических задач. Согласно модели вероятности разработки, люди обрабатывают информацию либо центральным, либо периферийным путём в зависимости от мотивации и способностей. Когда доверие высоко, студенты могут заниматься центральной обработкой маршрутов, тщательно анализируя и развивая контент, созданный ИИ, тем самым увеличивая когнитивную нагрузку, ориентированную на обучение⁴². Академическая успеваемость является высшим критерием в образовательных исследованиях, реализуемой как объективные показатели, такие как средние баллы, так и субъективные показатели, отражающие самовосприятие академической эффективности^{студентов 43}. Самовосприятие показателей дают ценные данные о метакогнитивной осознанности учащихся их учебных способностей и демонстрируют сильную связь с объективными показателями эффективности. Самовосприятие для оценки воспринимаемой академической эффективности студентами, включая вопросы, связанные с эффективностью обучения и выполнением^{задач 44}. Этот подход особенно уместен в условиях с использованием ИИ, где уверенность учащихся в своей способности учиться с помощью инструментов ИИ и через них может влиять на реальные результаты обучения.

Протокол

Таблица материалов обобщает инструменты, программное обеспечение и шкалы, использованные в исследовании, включая адаптированные и валидированные шкалы для генеративного использования ИИ, доверие к ИИ, когнитивную нагрузку, самовоспринимаемую академическую успеваемость, процедуры выборки и опросов, а также инструменты анализа данных (SPSS и SmartPLS). Кроме того, этическое одобрение не применимо к этому исследованию, так как оно не включало экспериментальных манипуляций, медицинских процедур или вмешательств, которые могли бы представлять физические или психологические риски для участников. В исследовании использовалась неинвазивная, самостоятельно проводимая онлайн-анкета для сбора данных о восприятии, опыте и поведении студентов относительно использования генеративного ИИ в академической среде. Поскольку в исследовании не было прямого взаимодействия, кроме завершения опроса, не проводились клинические испытания, биомедицинские процедуры или экспериментальные методы лечения, а участники не подвергались экспериментальным условиям, способным причинить вред или страдания. До сбора данных всем участникам предоставлялась подробная форма информированного согласия, объясняющая цель исследования, добровольный характер их участия и меры по обеспечению анонимности и конфиденциальности. Информированное согласие было получено косвенно через заполнение и подачу анкеты, как явно указано в форме информированного согласия. Участникам было заверено, что их ответы будут использоваться исключительно для академических исследований и что никакая личная информация не будет собираться или публиковаться. Кроме того, участникам было проинформировано о праве отказаться от участия в исследовании в любое время до подачи анкеты без последствий. Все данные хранились надёжно на устройствах с защищёнными паролем, доступных только исследовательской группе, а агрегированные результаты были представлены для предотвращения идентификации отдельных респондентов. Эти меры обеспечили проведение исследования в соответствии с этическими принципами Хельсинкской декларации и институциональными руководящими принципами для исследований с участием людей, несмотря на отсутствие формального требования о рассмотрении IRB.

Дизайн исследований

В этом исследовании используется количественный, поперечный дизайн для изучения сложных взаимосвязей между использованием генеративного ИИ, доверием к ИИ, когнитивной нагрузкой и академической успеваемостью среди студентов высших учебных заведений. Эта конструкция была реализована с помощью стратегии опроса, выбранной за её эффективность и результативность при сборе стандартизированных данных из большой выборки, что позволило провести надёжное статистическое тестирование гипотетических взаимосвязей. Метод опроса облегчает систематическое измерение каждой конструкции с использованием проверенных шкал, обеспечивая надёжность и сопоставимость собранных данных для всех респондентов. Кроме того, применение кросс-секционного подхода, при котором данные собираются в один момент времени, особенно уместно для этого исследования, поскольку позволяет изучить текущую распространённость использования генеративного ИИ и доверие среди учащихся, одновременно оценивая взаимосвязи между этими переменными и их совокупное влияние на когнитивную нагрузку и академическую успеваемость в целевой популяции.

Участники и процедура отбора проб

Целевая группа для этого исследования включала студентов, обучающихся в высших учебных заведениях, которые имели активный опыт использования инструментов генеративного ИИ, в частности ChatGPT и аналогичных крупных языковых моделей, в академических целях. Для обеспечения репрезентативного сечения этой популяции и повышения обобщимости результатов была использована стратифицированная метода случайной выборки. Отборная рамка была получена в университетском регистраторе и включает полный список студентов, обучающихся на всех факультетах. Стратификация была основана на двух ключевых демографических переменных: академической дисциплине и году обучения. Академическая дисциплина была разделена на четыре основных слоя: гуманитарные и социальные науки, естественные науки, инженерия и технологии, а также бизнес и экономика. Год обучения был разделён на четыре уровня: студенты первого курса, второго, третьего и четвёртого курсов бакалавриата, а также аспиранты (магистратура и докторантура). Такой подход двойной стратификации обеспечивал пропорциональное представительство каждой подгруппы в студенческом составе, предотвращая чрезмерное или недостаточное представительство в любой академической области или на академическом уровне. Из каждого слоя участники были случайным образом отобраны с помощью генератора случайных чисел, при этом количество отобранных числов было пропорционально представлению этой страты в общем студенческом составе. Такой системный подход к отбору участников обеспечил точное отражение в итоговой выборке разнообразия студентов высших учебных заведений, включая академический опыт и образовательный прогресс.

Что касается демографии участников, выборка из 390 респондентов включала разнообразное сочетание студентов разных возрастных групп, обычно от 18 до 35 лет и старше, с сбалансированным представительством гендерных идентичностей, пропорциональным институциональным демографическим составам. Выборка включала студентов всех четырёх курсов бакалавриата, а также аспирантов, что обеспечило охват различных стадий академического развития и разный уровень знакомства с инструментами ИИ. Академические дисциплины были представлены пропорционально, включая студентов из гуманитарных, естественных, инженерных и бизнес-направлений. Кроме того, была собрана базовая демографическая информация, такая как предыдущий опыт в технологиях, частота использования генеративного ИИ и статус родного языка, чтобы дать контекст основным переменным, исследуемым. Такое комплексное демографическое профилирование выполняло две цели: во-первых, позволяло описательно охарактеризовать выборку, а во-вторых, позволяло исследователям контролировать возможные смешивающие переменные в последующих анализах. Детальная документация процедуры отбора выборки и демографических характеристик гарантирует, что другие исследователи могут точно воспроизвести это исследование, тем самым удовлетворяя научное требование воспроизводимости и обеспечивая значимые сравнения в различных институциональных и культурных контекстах. Кроме того, такой строгий подход к выборке усилил внешнюю достоверность результатов, позволяя более уверенно обобщать результаты среди более широкой аудитории студентов высших учебных заведений. Данные для этого исследования были собраны с помощью структурированной, самостоятельно проводимой онлайн-анкеты. Анкета разделена на пять разделов, предназначенных для измерения основных конструкций исследования с использованием установленных и проверенных шкал. Все пункты, если не указано иное, будут измеряться по пятибалльной шкале Ликерта от 1 («Категорически не согласен») до 5 («Категорически согласен»).

Приборы и измерения

Использование генеративного ИИ, в частности ChatGPT, было количественно измерено с помощью 8-пунктной шкалы, адаптированной из исследования⁴⁵. Этот масштаб выходит за рамки простой частоты использования и отражает многогранность взаимодействия студентов с ИИ. Материалы сосредоточены на трёх ключевых аспектах: (a) частоте использования для различных академических заданий, (b) конкретных целей (например, мозговой штурм, резюме содержания, корректура) и (c) воспринимаемая эффективностью инструмента студентами для улучшения их языковых академических работ. Доверие к ИИ было концептуализировано как многомерная конструкция, основанная на устоявшихся рамках межличностного доверия⁴⁶ и доверия к технологиям. Масштаб состоит из двух различных измерений. Человеческое доверие: Эта подшкала из 6 пунктов измеряет, насколько студенты приписывают ИИ человеческие качества, такие как доброжелательность, честность и предсказуемость. Например, задания оценивают, считают ли студенты ИИ в их интересах или предоставляет ли объективную информацию. Доверие к функциональности: Эта подшкала из пяти элементов оценивает доверие к функциональной производительности ИИ. Она сосредоточена на надёжности, компетентности и надежности самой технологии, отражая убеждение в том, что ИИ обладает необходимой функциональностью для эффективного выполнения академических задач.

Когнитивная нагрузка измерялась с помощью шкалы, адаптированной из другого^{исследования 47}, основанной на CLT. Для отражания триархической структуры CLT шкала делится на три подшкалы: Внутренняя нагрузка (3 пункта): эта подшкала оценивает воспринимаемую сложность и сложность, присущие самим учебным материалам и задачам. Пример может быть: «Темы, рассматриваемые в моих курсах, очень сложные.» Посторонняя нагрузка (3 пункта): Эта подшкала измеряет когнитивную нагрузку, налагаемую учебным дизайном, и способом подачи информации. Например: «Инструкции по заданиям часто неясны и трудно их выполнять. Самовосприятие обучения (4 пункта): В соответствии с предыдущими образовательными исследованиями эта подшкала использовалась как приблизительный индикатор немецкой когнитивной обработки, а не как прямая мера непосредственной нагрузки⁴⁸. Задания отражают восприятие учениками умственных усилий, вкладываемых в понимание, понимание и процессы построения схем, связанные с осмысленным обучением. Однако, поскольку самовосприятие обучения может концептуально пересекаться с более широкими представлениями об академических способностях и достижениях, его следует осторожно интерпретировать как частичное операционное представление продуктивного когнитивного взаимодействия, а не как окончательную меру релевантной нагрузки. Он включает вопросы, связанные с пониманием, пониманием и ощущением освоения материала. Следуя установленным прецедентам в образовательных^{исследованиях 46}, академическая успеваемость была реализирована с помощью шкалы самовосприятия. Использовался инструмент из четырёх элементов. Этот подход подходит для фиксации субъективной оценки их эффективности обучения и академических достижений. Шкала сосредоточена на воспринимаемой академической эффективности и включает такие высказывания, как: «Я уверен в своей способности успешно завершить учебную работу» и «Я чувствую, что научился эффективно и результативно управлять своими академическими задачами».

Стратегия анализа данных

Моделирование структурных уравнений с частичными наименьшими квадратами (PLS-SEM) использовалось для изучения взаимосвязи между использованием генеративного ИИ, доверием к ИИ, когнитивной нагрузкой и самовоспринимаемой академической успеваемостью. Выбор PLS-SEM основывался как на методологической, так и с аналитической точки зрения. Во-первых, исследование использует ориентированный на прогнозирование и исследовательский подход к моделированию, направленный на изучение ассоциативных путей между относительно развивающимися конструкциями в контекстах обучения, усиленных ИИ, вместо проверки полностью устоявшейся теории причинности. Во-вторых, PLS-SEM считается подходящим для сложных моделей, включающих несколько латентных конструкций и путей медиации, особенно когда основная цель — объяснение дисперсии и предиктивный анализ. Кроме того, PLS-SEM устойчив при ненормальных распределениях данных и подходит для исследований в социальных науках с использованием умеренных размеров выборки. Учитывая исследовательский характер исследований генеративного ИИ в высшем образовании и акцент исследования на изучении предсказательных ассоциаций между перцептивными конструкциями, PLS-SEM был признан методологически уместным для настоящего анализа.

Собранные данные будут анализироваться с использованием двухэтапного подхода, с использованием моделирования структурных уравнений с частичными наименьшими квадратами (PLS-SEM) с программным обеспечением SmartPLS 4. PLS-SEM — это метод на основе дисперсии, подходящий для сложных предиктивных моделей и не требующий нормального распределения данных. Шаг 1: Оценка модели измерения. Первым шагом является оценка надёжности и валидности конструкций. Внутренняя согласованность будет оцениваться с помощью альфа- и композитной надёжности Кронбаха с порогом 0,70. Сходимость будет установлена путём анализа внешних нагрузок индикаторов (должно быть > 0,70) и средней извлекаемой дисперсии (AVE) для каждой конструкции (должна быть > 0,50). Дискриминантная валидность, обеспечивающая эмпирическую различность конструкций, будет оцениваться с помощью критерия Форнелля-Ларкера и отношения корреляций гетеротрет-монопризнак (HTMT). Шаг 2: Оценка структурной модели. После подтверждения надёжности и валидности модели измерения структурная модель будет оценена для проверки гипотез исследования. Это включает анализ коэффициентов пути (β) на предмет значимости и релевантности с помощью процедуры бутстреппинга с 5 000 повторных выборок. Ключевые критерии оценки включают коэффициент определения (R²): Измерять предсказательную силу модели (то есть дисперсию, объясняемую в эндогенных переменных, особенно в академической успеваемости). Предиктивная релевантность (^{Q 2}): Использование процедуры завязанности глаз для оценки предсказательной точности модели. Размеры эффектов (f²): Оценка существенного влияния каждой независимой переменной на зависимые переменные. Анализ медиации: Проверить посредническую роль когнитивной нагрузки в связи между предшественниками, связанными с ИИ (использование генеративного ИИ, доверие к ИИ) и академической успеваемостью. Значимость косвенных эффектов будет оцениваться с помощью bootstrapped доверительных интервалов.

Результаты

Описательная статистика

Описательная статистика была вычислена для суммирования центральных тенденций и рассеяния ключевых переменных в этом исследовании, включая использование генеративного ИИ, доверие к человеку, доверие к функционалу, внутреннюю нагрузку, лишнюю нагрузку, самовосприятие обучения и академическую успеваемость. Описательный анализ проводился с использованием версии SPSS 26, результаты представлены в Таблице 1 ниже.

Обсуждение

Первое крупное открытие этого исследования показало, что использование генеративного ИИ положительно связано с когнитивной нагрузкой (β = 0,34, p < 0,001), что соответствует гипотезе 1. Это открытие свидетельствует о том, что учащиеся, сообщающие о более частом использовании инструментов генеративного ИИ, таких как ChatGPT, также отмечают повышенную когнитивную нагрузку во время учебных занятий. Эту положительную связь между использованием генеративного ИИ и когнитивной нагрузко...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Процедура заклеивания глаз	SmartPLS 4 (встроенный)	Н/Д	Вычисляет Q² для предиктивной значимости структурной модели.
Процедура бутстрэппинга (5000 повторений)	SmartPLS 4 (встроенный)	Н/Д	Используется для оценки значимости коэффициентов путей (β) и косвенных эффектов.
Шкала когнитивной нагрузки – посторонняя нагрузка (3-балл)	Hadie & Yusoff (2021)	Н/Д (валидированная шкала)	Когнитивная нагрузка от дизайна инструкций и представления информации.
Шкала когнитивной нагрузки – интроспективная нагрузка (3-балл)	Hadie & Yusoff (2021)	Н/Д (валидированная шкала)	Воспринимаемая сложность/трудность учебных материалов/задач.
Шкала когнитивной нагрузки – самовосприятие обучения (4-балл)	Hadie & Yusoff (2021)	Н/Д (адаптированная шкала)	Прокси для специфической когнитивной обработки; учитывает умственные усилия для понимания и построения схем.
Критерий Fornell-Larcker	SmartPLS 4 (встроенный)	Н/Д	Оценивает дискриминантную валидность конструктов.
Шкала использования генерирующей ИИ (8-балл)	Abbas et al. (2023)	Н/Д (адаптированная шкала)	Измеряет частоту, цель и воспринимаемую эффективность использования генерирующей ИИ (ChatGPT) для академических задач. 5-балльная шкала Ликерта.
Отношение корреляций HTMT	SmartPLS 4 (встроенный)	Н/Д	Гетеротрайт-монотрейт отношение; дополнительная проверка дискриминантной валидности.
Форма информированного согласия	Команда исследования (институциональные рекомендации)	Н/Д	Подробное описание цели исследования, добровольного участия, анонимности, конфиденциальности и права на отказ. Подразумеваемое согласие через завершение опроса.
Платформа онлайн-опроса	Не указано (общее)	Н/Д	Структурированный, самоуправляемый веб-опросник; все пункты по 5-балльной шкале Ликерта (1 = полностью не согласен до 5 = полностью согласен).
Фрейм выборки	Офис ректора университета	Н/Д (институциональная запись)	Полный список текущих студентов всех факультетов, используемый для стратифицированной выборки.
Шкала самовосприятия академической эффективности (4-балл)	Адаптировано из предыдущих исследований в области образования	Н/Д (адаптированная шкала)	Субъективная оценка академической эффективности и достижений (напр., уверенность в учебных курсах, эффективное управление задачами).
Программное обеспечение SmartPLS 4	SmartPLS GmbH	Версия 4	Программное обеспечение для моделирования структурных уравнений на основе дисперсии; используется для анализа PLS-SEM, бутстрэппинга, заклеивания.
SPSS версия 26	IBM	Н/Д	Используется для предварительной проверки данных, описательной статистики и любого управления данными до PLS-SEM (если применимо).
Процедура стратифицированной случайной выборки	Команда исследования (ручное)	Н/Д	Страты на основе академической дисциплины (4 категории) и года обучения (5 уровней: 1-4 курсы бакалавриата + последипломное образование). Использование генератора случайных чисел в пределах страт.
Шкала доверия к ИИ – доверие к функциональности (5-балл)	Адаптировано из литературы по доверию к технологиям	Н/Д (адаптированная шкала)	Измеряет воспринимаемую надежность, компетентность и зависимость ИИ для академических задач.
Шкала доверия к ИИ – доверие к человеческому подобию (6-балл)	Адаптировано из литературы о межличностном доверии (Rempel et al.) и доверии к технологиям	Н/Д (адаптированная шкала)	Оценивает доброжелательность, целостность и предсказуемость, приписываемые ИИ.