Factors affecting the acceptance of artificial intelligence technology among faculty members at the university of Tehran

Document Type : Original Article

Authors

1 Faculty of Psychology and Education, University of Tehran, Tehran, Iran.

2 Professor, Faculty of Psychology and Education, University of Tehran, Tehran, Iran.

3 Associate professor, Division of Research and Assessment, Faculty of Psychology and Education, University of Tehran, Tehran, Iran

Abstract

With the rapid advancement of artificial intelligence (AI), higher education has undergone fundamental transformations. This technology, by providing innovative tools and facilitating the personalization of the learning process, has enabled broader access to educational resources and improved teaching quality. The present study examines the acceptance and use of AI technology among faculty members based on the Unified Theory of Acceptance and Use of Technology (UTAUT). The statistical population includes faculty members of the University of Tehran in the 2024–2025 academic year, from whom 118 individuals were selected using a convenience sampling method. Data were collected through a standardized and adapted questionnaire and analyzed using SPSS-27 and AMOS-24 software. The findings indicated that performance expectancy, effort expectancy, and social influence have a significant positive impact (p<0.01) on behavioral intention, which in turn affects AI usage behavior. In contrast, facilitating conditions and perceived risk did not have a significant impact on the acceptance of this technology. The analysis of moderating variables revealed that gender moderates the relationship between perceived risk and intention to use AI, such that among female faculty members, perceived risk has a significant negative effect on behavioral intention. These findings highlight the importance of improving infrastructure, increasing awareness of AI benefits, facilitating access, and addressing concerns related to this technology. The results provide valuable insights for policymakers and educational administrators to facilitate AI adoption in higher education.

Keywords

Full Text

مقدمه

فناوری‌ها تاثیر بسزایی بر کمیت و کیفیت آموزش دارند و توانسته‌اند بسیاری از ناکارآمدی‌های نظام آموزش را با بهبود فرایند یاددهی – یادگیری رفع کنند(اسدزاده و همکاران، 1400). برخی از محققان براین باورند که این فناوری‌ها به‌ویژه بر نظام آموزشی و پژوهشی دانشگاه‌ها تاثیرات عمده‌ای گذاشته و باعث تغییر در راهبردها و روش‌ها شده است(تقوایی یزدی و همکاران، 1398).

در سال‌های اخیر، ادراکات یاددهندگان نسبت به هوش مصنوعی به‌عنوان موضوعی مورد توجه پژوهش‌ها قرار گرفته است. المنرا[1] و همکاران(2024) نشان داده اند که بررسی ادراکات معلمان در باره کاربرد هوش مصنوعی در آموزش  بسیار مورد توجه قرار گرفته است. این مطالعات به درک جامع از باورها و نگرش های معلمان نسبت به کاربرد هوش مصنوعی در آموزش کمک کرده است. تغییر ناگهانی به آموزش برخط در دوره کووید-19 نیز اهمیت پذیرش نوآوری در آموزش نسل جدید را افزایش داد (آکیموف[2] و همکاران، 2023). در نتیجه از نظر زیرساخت، آموزش نسل جدید شامل ارائه سکو‌ها، نرم افزارها و برنامه‌های آموزشی پیشرفته‌ای است که پارادایم آموزشی جدیدی را که با تعامل انسان و ماشین شناخته می‌شود، تسهیل می‌کنند(جناری[3] و همکاران،2023). با توجه به این موضوع،کاربرد هوش مصنوعی در آموزش از آن جهت برای معلمان و پژوهشگران جذاب است ،زیرامی تواند به شخصی سازی تجربه های یادگیری منجر شود (میزوموتو و اگوشی[4]، 2023؛ واند[5] و همکاران، 2023). استفاده از هوش مصنوعی می‌تواند مزایای متعددی از جمله بهبود محیط یادگیری (المحمدی و همکاران، 2017)، بهبود سطح مدیریت کلاس توسط معلم(تیومی[6]،2018)، تسهیل فرایند‌های ارزشیابی(هوانگ[7] و همکاران، 2021) و همچنین یادگیری شخصی‌سازی شده[8] برای دانش‌آموزان را به‌همراه داشته باشد(دیشون[9]، 2017).

این نکته نیز قابل توجه است که فناوری هوش مصنوعی به تدریج نقش معلمان را در فعالیت‌های یاددهی – یادگیری تغییر می‌دهد(ادواردز[10] و همکاران، 2018). از این رو آموزش معلمان و استادان در استفاده از هوش مصنوعی، هم در تدریس و هم در پژوهش بسیار مهم است(سانوسی[11] و همکاران، 2024).

پژوهش‌ها نشان می‌دهد استادان و دانشجویان ایرانی اشتیاق کافی و مستمری به آموزش عالی مجازی و یادگیری الکترونیک نشان نمی‌دهند و عوامل متعددی بر این عدم تمایل تاثیرگذار است (خورسندی و همکاران، 1402). پذیرش سیستم‌های فناوری اطلاعات نقش مهمی در سرمایه‌گذاری در آن دارد. پذیرش فناوری توسط کاربران یکی از عوامل کلیدی در موفقیت و تحقق نتایج مثبت آن برای سازمان مربوطه است و اگر کاربران بالقوه یک فناوری، در برابر استفاده از آن مقاومت کنند اهداف مورد نظر نمی‌تواند حاصل شود(سیگل به نقل از زنجانی،عابدی و نظری، 1397) .

پذیرش فناوری توسط یاددهندگان مولفه‌ای اساسی در فرایند نوآوری‌های آموزشی شناخته شده است(پریتو و همکاران، 2017). صرف نظر از ماهیت فناوری یا مزایای آن، موضوع پذیرش و استفاده از فناوری توسط فعالان حوزه آموزش همچنان توجه پژوهشگران را به خود جلب می‌کند(دوویدی[12] و همکاران، 2023) . به‌رغم مزایای فناوری هوش مصنوعی، این فناوری همیشه توسط کارکنان آموزش عالی، استادان و دانشجویان پذیرفته نمی‌شود(کریسینجر[13]، 2019).

مطالعات نشان داده‌اند پذیرش هوش مصنوعی توسط یاددهندگان تحت تاثیر عوامل مختلفی قرار دارد . بطور مثال مطلبی نژاد و همکاران (1402) اطمینان پذیری، نبود زیرساخت کافی و بی میلی معلمان به استفاده از هوش مصنوعی را از چالش‌های پذیرش هوش مصنوعی در آموزش از دیدگاه معلمان یافتند. مدل‌های نظری مختلفی برای بررسی پذیرش فناوری وجود دارد. در مقایسه با سایر مدل‌های نظری، مدل یکپارچه پذیرش و استفاده از فناوری[14] به دلیل پیش‌بینی پذیری و تفسیرپذیری بالاتر از محبوبیت بیشتری برخوردار است(وانگ[15] و همکاران، 2019). مدل گسترش یافته بر پایه‌ی انتخاب متغیرهای مهم و اثرگذار و ترکیب هشت مدل مختلف در زمینه پذیرش فناوری اطلاعات تشکیل شده است. این هشت مدل شامل مدل پذیرش فناوری[16] دیویس[17] (1989)، نظریه‌ی عمل مستدل[18] فیشبین و آیزن[19](1975)، نظریه‌ی رفتار برنامه‌ریزی شده[20] آیزن(1991) ، نظریه‌ی انگیزشی دیویس و همکاران(1992)، نظریه‌ی اشاعه نوآوری[21] راجرز(1962)،نظریه شناخت اجتماعی بندورا(1986) ، نظریه‌ی شناختی اجتماعی کامپیو و هیگینز[22] است و ترکیب مدل‌های پذیرش فناوری و نظریه‌ی رفتار برنامه‌ریزی است(ونکاتش و همکاران، 2003).

این مدل دارای هفت متغیر اصلی است که متغیرهای برونزای آن عبارتند از: عملکرد مورد انتظار[23] یعنی میزان باور کاربر به سودمندی و کاربردی بودن فناوری در انجام امور، تلاش مورد انتظار[24] یعنی میزان سادگی استفاده از سیستم و فناوری جدید، تاثیر اجتماعی[25] که میزان ادراک فرد درباره باورهای دیگران نسبت به اهمیت استفاده از فناوری جدید است، شرایط تسهیل کننده[26] به معنای باور افراد به تامین بودن زیرساخت‌ها و منابع فنی لازم برای پشتیبانی استفاده کاربر از فناوری (ونکاتش و همکاران، 2003). همچنین این مدل دو متغیر درونزا به نام قصد رفتاری[27] یعنی تمایل شخصی فرد برای درگیر شدن در رفتار خاصی (دیویس، 1989) و رفتار استفاده است.

در حال حاضر برنامه‌های متعددی برای هوش مصنوعی در زمینه‌های تحلیل‌های کسب و کار، بازرگانی، مدیریت، آموزش و همچنین در زندگی کاری و روزمره اکثر مردم وجود دارد. اما همچنان برخلاف هرفناوری دیگری، به‌نظر می‌رسد هوش مصنوعی احساسات مبهم و متفاوتی را در کاربران ایجاد می‌کند(لیختنثالر[28]، 2020). نگرانی‌های اخلاقی در رابطه با ابزارهای هوش مصنوعی در فرایند آموزش و پژوهش مانند سرقت علمی، قانون نشر، سوگیری و اطلاعات نادرست (سالام[29]، 2023)، سرکوب خلاقیت،  افزایش تنبلی (کوبا[30] و همکاران، 2023) و ضعف زیرساخت‌ها (خورسندی و همکاران، 1402) وجود دارد. بطور مثال فناوری‌های چت‌بات مزایایی مانند ایجاد و بهبود محتوای پژوهشی دارد و همچنین می‌توانند در خلق ایده‌های جدید کمک کنند اما نباید بطور کامل جایگزین فرایند پژوهش شوند(لاند و وانگ، 2023، بهاتیا[31]، 2023، هربولد[32] و همکاران، 2023).

در پژوهش‌های انجام شده برروی پذیرش فناوری جدید، ریسک ادراک شده[33] بعنوان یک عامل مهم در تمایل به استفاده از فناوری در نظر گرفته می‌شود(کیم و گو[34]،2012). ژانگ[35] و همکاران(2021) پیشنهاد کردند که باید به خطرات ناشی از کاربرد هوش مصنوعی در آموزش توجه شود. مطالعه شین[36] و همکاران (2017) همچنین بر کاوش نگرانی های دانش آموزان در مورد ریسک در مورد فناوری هوش مصنوعی متمرکز بود. در نتیجه ریسک ادراک شده یک عنصر کلیدی است که می‌تواند بر پذیرش هوش مصنوعی در محیط دانشگاه تاثیر بگذارد(ناگی،2024).

با توجه به تنوع فناوری‌ها و پیشرفت‌های سریع که در این حوزه رخ می‌دهد، تعدادی از محققان UTAUT را برای تطبیق آن با زمینه یا بهبود قدرت پیش‌بینی آن گسترش دادند(ونکاتش و همکاران، 2012). بنابراین و با توجه به توضیحات ارائه شده، سازه ریسک ادراک شده در این پژوهش به این مدل اضافه گردید.

هدف این پژوهش، بررسی پذیرش هوش مصنوعی در آموزش عالی از منظر اعضای هیات علمی دانشگاه تهران با استفاده از مدل یکپارچه پذیرش و استفاده از فناوری توسعه یافته است. این مطالعه به دنبال شناسایی عوامل موثر در پذیرش و استفاده از فناوری‌های هوش مصنوعی در فرایند آموزش و پژوهش، با تمرکز بر سازه‌های عملکرد مورد انتظار، تلاش مورد انتظار، تاثیر اجتماعی، شرایط تسهیل کننده و ریسک ادراک شده است. پذیرش فناوری هوش مصنوعی در ایران در چارچوب مدل‌های پذیرش فناوری صورت نگرفته است(ژو و همکاران، 2024). به‌علاوه این پژوهش خطرات احتمالی ابزارهای هوش مصنوعی را به امنیت محدود نکرده و خطرات و مضرات احتمالی این ابزارها را در فرایندهای آموزش را در نظر گرفته است. با توجه به نوظهور بودن فناوری هوش مصنوعی، به‌ویژه در قلمرو آموزش، و گسترش روزافزون آن در میان جامعه علمی، همسوسازی این فناوری با ساختار نظام آموزش عالی کشور از اهمیتی بنیادین برخوردار است. اعضای هیئت علمی، به‌عنوان ستون‌های اصلی فرآیند آموزش و پژوهش، نقشی محوری در پذیرش و کاربست مؤثر این فناوری ایفا می‌کنند. از این‌رو، بررسی دقیق نگرش‌ها و رفتارهای آنان نسبت به هوش مصنوعی و شناسایی عوامل مؤثر بر این نگرش‌ها، نه‌تنها ضروری، بلکه اجتناب‌ناپذیر است. این پژوهش با هدف روشن ساختن این ابعاد، در پی آن است تا با پر کردن شکاف‌های علمی موجود، بینش‌های ارزشمندی در اختیار سیاست‌گذاران و مدیران آموزشی قرار دهد تا از این طریق، زمینه‌سازی برای طراحی برنامه‌هایی هدفمند و کارآمد برای تسهیل پذیرش و بهره‌وری بهینه از هوش مصنوعی در آموزش عالی فراهم آید.

 

 

روش

پژوهش حاضر توصیفی از نوع همبستگی و از لحاظ هدف، کاربردی است. جامعه‌ی آماری این پژوهش شامل کلیه اعضای هیئت علمی دانشگاه تهران در سال تحصیلی 1403-1404 بود. با توجه به گستردگی جامعه‌ی آماری و محدودیت‌های اجرایی، از روش نمونه‌گیری در دسترس[37] استفاده شد. این روش به دلیل امکان دسترسی سریع‌تر به پاسخ‌دهندگان و افزایش نرخ بازگشت پرسشنامه‌ها انتخاب گردید.

برای جمع‌آوری داده‌ها، پرسشنامه‌ها به دو صورت فیزیکی و برخط در دسترس استادان قرار گرفت. نسخه‌ی فیزیکی پرسشنامه به صورت حضوری در دانشکده‌های مختلف توزیع شد، درحالی‌که نسخه‌ی برخط از طریق ایمیل و پیام‌رسان‌های دانشگاهی برای استادان ارسال گردید. طی مدت زمان تعیین‌شده برای پاسخ‌دهی، 118 عضو هیئت علمی به پرسشنامه‌ها پاسخ دادند. از این تعداد، 8 پرسشنامه به دلیل ناقص بودن یا پاسخ‌های نامعتبر حذف شدند و در نهایت 110 پرسشنامه مورد تحلیل قرار گرفت. توزیع شرکت‌کنندگان در پژوهش به تفکیک چهار متغیر جنسیت، سن، رشته تحصیلی و رتبه‌ی علمی در جدول 1 آورده شده است.

 

ابزار

گردآوری داده‌ها در این مطالعه به‌وسیله‌ی پرسشنامه‌ای براساس نسخه اصلی پرسشنامه مدل یکپارچه پذیرش و استفاده از فناوری(ونکاتش و همکاران، 2003) صورت گرفت. با توجه به زمینه و موضوع پژوهش یعنی کاربست هوش مصنوعی در آموزش اصلاحاتی در پرسشنامه صورت گرفت و متغیر دیگری به نام ریسک ادراک شده به آن اضافه گردید. این پرسشنامه از دو بخش سوالات جمعیت شناختی که شامل 4 سوال و گویه‌های پرسشنامه شامل 29 سوال تشکیل شده است. این پرسشنامه ابتدا برروی 40 نفر اجرا شد و ضریب همسانی درونی پرسشنامه محاسبه گردید. مقدار آلفای کرونباخ 801/0 برای کل پرسشنامه به‌دست آمد که همسانی درونی بسیار بالایی را نشان می‌دهد. همچنین ضرایب آلفای کرونباخ برای خرده مقیاس‌های عملکرد مورد انتظار 865/0 (گویه‌های 1-8) ، تلاش مورد انتظار 773/0 (گویه‌های 9-11)، تاثیر اجتماعی 703/0 (گویه‌های 12-15) ، شرایط تسهیلگر 631/0 (گویه‌های 16-19)، ریسک ادراک شده 623/0 (گویه‌های 20-24)، قصد رفتار 731/0 (گویه‌های 25-27)، رفتار استفاده 827/0 (گویه‌های 28-29) به‌دست آمد که نشان دهنده مقدار خوب و قابل قبول همسانی درونی خرده مقیاس‌های پرسشنامه است.

 

یافته‌ها

 

در این بخش ابتدا به داده‌های توصیفی شرکت‌کنندگان پژوهش می‌پردازیم:

 

جدول 1. اطلاعات توصیفی شرکت‌کنندگان پژوهش

متغیرها

 

فراوانی

درصد فراوانی

جنسیت

مرد

زن

مجموع

78

32

110

71%

29%

 

سن

30 – 39

40 – 49

50 <

29

37

44

26.4%

33.6%

40%

رتبه

استادیار

دانشیار

استاد

50

35

25

45.5%

31.8%

22.7%

دانشکدگان

فنی

غیرفنی

66

44

60%

40%

 

جدول یافته‌های توصیفی پژوهش شامل توزیع فراوانی و درصد فراوانی برای متغیرهای جنسیت، سن، رتبه علمی و دانشکدگان است. از نظر جنسیت، اکثریت شرکت‌کنندگان مرد بودند (71%) و زنان تنها 29% از نمونه را تشکیل می‌دادند. در توزیع سن، بیشترین شرکت‌کنندگان در گروه سنی بالای 50 سال قرار داشتند (40%)، در حالی که گروه‌های سنی 30 تا 39 سال (26.4%) و 40 تا 49 سال (33.6%) سهم کمتری داشتند. از لحاظ رتبه علمی، استادیاران با 45.5% بیشترین تعداد را داشتند، و پس از آن دانشیاران (31.8%) و استادان (22.7%) قرار گرفتند. همچنین، شرکت‌کنندگان از دانشکدگان فنی (60%) بیش از شرکت‌کنندگان از دانشکدگان غیرفنی (40%) بودند. این توزیع‌ها نشان‌دهنده ترکیب دموگرافیک نمونه و ویژگی‌های اساسی آن است.

 

جدول 2. اطلاعات توصیفی متغیرهای پژوهش

مولفه‌ها

میانگین

انحراف استاندارد

کجی

کشیدگی

عملکرد مورد انتظار

4

0.5

0.35-

1.184

تلاش مورد انتظار

3.24

0.77

0.177-

0.72-

تاثیر اجتماعی

3.32

0.68

0.23

0.35-

شرایط تسهیل‌کننده

3.07

0.64

0.09-

0.68-

ریسک ادراک شده

3.71

0.55

0.28-

0.27-

قصد رفتار

3.86

0.56

0.06-

0.15-

رفتار استفاده

3.6

0.84

0.413-

0.489-

 

 

برای تحلیل آماری از نرم افزارهای SPSS-27  و AMOS-24 استفاده شد. مفروضات آزمون‌های آماری مانند حذف داده‌های پرت یا گم شده، نرمال بودن توزیع داده‌ها، عدم هم‌خطی و استقلال خطاها ابتدا بررسی شدند. برای سنجش نرمال بودن توزیع داده‌ها از شاخص‌های کجی و کشیدگی استفاده شد که در این مورد اگر مقدار کجی و کشیدگی داده‌ها بین 2- و 2+ باشد به معنی نرمال بودن توزیع داده‌ها است(جورج و مالری[38]، 2010) که مطابق با نتایج جدول 2 مفروضه نرمال بودن در همه متغیرها برقرار است.  هم خطی چندگانه (شاخص  VIF در دامنه‌ی 02/1 تا 74/1 و شاخص تحمل در دامنه‌ی 574/0 تا 975/0) و استقلال داده‌ها (ضریب آماره دوربین واتسون برابر با 01/2 بود که نشان دهنده استقلال خطاهاست) مورد بررسی قرار گرفت که نتایج حاکی از برقراری این مفروضه‌ها بود.

 

جدول 3. ماتریس همبستگی بین متغیرهای پژوهش

متغیرهای تحقیق

1

2

3

4

5

6

7

عملکرد مورد انتظار

1

 

 

 

 

 

 

تلاش مورد انتظار

0.392**

1

 

 

 

 

 

تاثیر اجتماعی

0.298**

0.157

1

 

 

 

 

شرایط تسهیلگر

0.244*

0.596**

0.278**

1

 

 

 

ریسک ادراک شده

0.007-

0.056-

0.067-

0.15-

1

 

 

قصد رفتار

0.53**

0.435**

0.385**

0.281**

0.079-

1

 

رفتار استفاده

0.373**

0.423**

0.331**

0.331**

0.011-

0.548**

1

** p<0.01 * p<0.05

 

نتایج ماتریس همبستگی در جدول 3، نشان دهنده روابط معنی دار بین اکثر متغیرها است، به جز متغیر ریسک ادراک شده که با توجه به نتایج با هیچکدام از متغیرهای پژوهش ارتباط معنی‌داری ندارد. همچنین رابطه معنی‌داری بین متغیر تاثیر اجتماعی و تلاش مورد انتظار برقرار نیست. نتایج به‌دست آمده نشان دهنده این است که هرگونه افزایش در متغیرهای عملکرد مورد انتظار، تلاش مورد انتظار و تاثیر اجتماعی با افزایش در قصد رفتار و رفتار استفاده از هوش مصنوعی در آموزش توسط استادان است. افزایش در قصد رفتار استفاده از هوش مصنوعی نیز با افزایش در رفتار استفاده از هوش مصنوعی در آموزش توسط استادان همراه است.

پس از ارائه نتایج بالا، مدل ساختاری عوامل نظریه‌ی یکپارچه‌ی پذیرش و استفاده از فناوری بر پذیرش و استفاده از هوش مصنوعی در آموزش با استفاده از مدل‌یابی معادلات ساختاری به روش بیشینه درست‌نمایی[39] مورد بررسی قرار گرفت. در شکل 1 مدل پیشنهادی این پژوهش ارائه شده است.

 

شکل 1. مدل مفهومی پژوهش

 

در جدول‌های 4 و 5، مقادیر اثرات مستقیم و غیرمستقیم متغیرها و ضرایب مسیر استاندارد نشان داده شده است. نتایج تحلیل مسیر بین متغیرها نشان می‌دهد که برخی از روابط به طور معناداری بر قصد رفتار و رفتار استفاده تأثیر می‌گذارند. عملکرد مورد انتظار با ضریب استاندارد 354/0 و مقدار t برابر با 386/3 ، تأثیر مثبت و معناداری بر قصد رفتار دارد (P < 0.01). تلاش مورد انتظار نیز با ضریب استاندارد 394/0 و مقدار t برابر با 253/3، به طور معناداری بر قصد رفتار تأثیر می‌گذارد (P < 0.01). علاوه بر این، تأثیر اجتماعی نیز با ضریب استاندارد 270/0 و مقدار t برابر با 805/2، به طور معنادار قصد رفتار را تحت تأثیر قرار می‌دهد (P < 0.01). با این حال، شرایط تسهیلگر (ضریب استاندارد 027/0- و t برابر با 236/0-) و ریسک ادراک‌شده (ضریب استاندارد 068/0- و t برابر با 801/0-) تأثیر معناداری بر قصد رفتار ندارند (P > 0.05). نهایتاً، قصد رفتار به طور معناداری بر رفتار استفاده تأثیر می‌گذارد، با ضریب استاندارد 723/0 و مقدار t برابر با 499/4 (P < 0.01). این نتایج نشان‌دهنده نقش مهم قصد رفتار در پیش‌بینی رفتار استفاده و تأثیر متغیرهای کلیدی بر آن است.

 

جدول 4. تحلیل مسیر اثرات مستقیم متغیرهای پژوهش

متغیر برونداد ß متغیر میانجی

ضریب استاندارد

C.R

سطح معنی داری

عملکرد مورد انتظارß قصد رفتار

354/0

386/3

0.01 P<

تلاش مورد انتظارß قصد رفتار

394/0

253/3

0.01 P<

تاثیر اجتماعیß قصد رفتار

270/0

805/2

0.01 P<

شرایط تسهیلگرß قصد رفتار

027/0-

236/0-

0.05 P>

ریسک ادراک شده ß قصد رفتار

068/0-

801/0-

0.05 P>

قصد رفتار ß رفتار استفاده

723/0

499/4

0.01 P<

 

مطابق نتایج جدول 5، نتایج تحلیل مسیر نشان می‌دهد که عملکرد مورد انتظار(β=0/256) تلاش مورد انتظار (285/0=β)  و تأثیر اجتماعی (195/0=β) تأثیرات مثبت و معناداری بر رفتار استفاده از طریق قصد رفتار دارند و همگی در سطح معنی‌داری P<0.01 تأیید شده‌اند. این نتایج نشان‌دهنده آن است که هرچه افراد انتظار عملکرد بهتر، تلاش کمتر و حمایت اجتماعی بیشتری داشته باشند، قصد رفتار آنها تقویت می‌شود و در نهایت منجر به استفاده بیشتر از فناوری می‌گردد. با این حال، شرایط تسهیلگر(019/0-=β) و ریسک ادراک‌شده (049/0-=β) تأثیر معناداری (p>0.05) بر رفتار استفاده نداشته‌اند و فرضیات مربوط به این دو متغیر با ضریب‌های منفی رد شده‌اند.

 

جدول 5. تحلیل مسیر اثرات غیرمستقیم متغیرها

متغیر برونداد ß متغیر وابسته (از طریق متغیر میانجی)

ضریب استاندارد

سطح معنی‌داری

وضعیت

عملکرد مورد انتظارß رفتار استفاده (از طریق قصد رفتار)

256/0

0.01 P<

تائید

تلاش مورد انتظارß رفتار استفاده (از طریق قصد رفتار)

285/0

0.01 P<

تائید

تاثیر اجتماعیß رفتار استفاده (از طریق قصد رفتار)

195/0

0.01 P<

تائید

شرایط تسهیلگرß رفتار استفاده (از طریق قصد رفتار)

019/0-

0.05 P>

رد

ریسک ادراک شده ß رفتار استفاده (از طریق قصد رفتار)

049/0-

0.05 P>

رد

 

 

برای سنجش شاخص‌های برازش مدل، از پرکاربردترین آن‌ها استفاده شد. این شاخص‌ها عبارتند از: نسبت خی‌دو به درجه آزادی، جذر میانگین مربعات خطای تقریب[40]،شاخص برازش به‌هنجار[41]، شاخص برازش تطبیقی[42]، شاخص برازش افزایشی[43]. مقدار این شاخص‌ها در جدول 6 آمده است. نتایج شاخص‌های برازش مدل نشان می‌دهند که مدل پیشنهادی به‌خوبی با داده‌های مشاهده‌شده سازگار است. مقدار  CMIN/DF  برابر با 100/1 بوده که کمتر از 3 است و نشان‌دهنده برازش خوب مدل است RMSEA .با مقدار 03/0 کمتر از 08/0 است و در سطح بسیار خوبی است. همچنین،شاخص‌های  NFI، CFI، و IFI به ترتیب با مقادیر 936/0 ، 993/0 ، و 994/0 همگی بزرگتر از 90/0 هستند، و اعداد آن‌ها نزدیک به 1 هستند که نشان دهنده برازش قوی مدل است.

 

جدول 6. شاخص‌های برازش مدل پژوهش

مشخصه

مقدار مورد انتظار

مقدار مشاهده شده

CMIN/DF

کمتر از 3

100/1

RMSEA

کوچکتر از 08/0

03/0

NFI

بزرگتر از 90/0

936/0

CFI

بزرگتر از 90/0

993/0

IFI

برگتر از 90/0

994/0

 

 

نتایج تحلیل متغیرهای تعدیلگر در جدول زیر آمده است. نتایج نشان می‌دهد متغیر تعدیلگر جنسیت رابطه بین ریسک ادراک شده و قصد رفتار را (346/0 Z=**) تعدیل می‌کند. در زنان رابطه منفی و معنی داری (397/0- =β ، P<0.05) بین ریسک ادراک شده و قصد رفتاری در مقایسه با مردان (018/0 =β ، P>0.05) وجود دارد. نتایج در رابطه با رشته‌های استادان تفاوتی را بین استادان رشته‌های فنی با استادان رشته‌های غیرفنی در رابطه بین متغیرهای مستقل و قصد رفتار نشان نمی‌دهد.

 

جدول 7. تحلیل متغیرهای تعدیلگر

تعامل

متغیر تعدیلگر طبقه‌ای

ضریب استاندارد

ضریب غیراستاندارد

C.R

سطح معنی‌داری

Z

عملکرد مورد انتظار×جنسیتß قصد رفتار

مرد

317/0

211/0

685/2

007/0

839/0

زن

327/0

414/0

816/1

069/0

تلاش مورد انتظار×جنسیت ß قصد رفتار

مرد

401/0

181/0

850/2

004/0

111/0

زن

273/0

199/0

307/1

191/0

تاثیر اجتماعی×جنسیت ß قصد رفتار

مرد

405/0

235/0

278/3

001/0

063/1-

زن

152/0

097/0

891/0

373/0

شرایط تسهیلگر×جنسیت ß قصد رفتار

مرد

017/0-

01/0-

141/0-

888/0

102/0

زن

011/0

01/0

056/0

956/0

ریسک ادراک شده×جنسیت ß قصد رفتار

مرد

018/0

012/0

189/0

850/0

346/2-**

زن

397/0-

37/0-

56/0

014/0

عملکرد مورد انتظار×رشتهß قصد رفتار

فنی

325/0

198/0

131/2

033/0

175/1

غیرفنی

414/0

406/0

709/2

007/0

تلاش مورد انتظار×رشته ß قصد رفتار

فنی

452/0

166/0

343/2

019/0

339/0

غیرفنی

311/0

212/0

840/1

066/0

تاثیر اجتماعی×رشتهß قصد رفتار

فنی

323/0

165/0

157/2

165/0

462/0-

غیرفنی

169/0

111/0

256/1

209/0

شرایط تسهیلگر×رشته ß قصد رفتار

فنی

073/0-

034/0-

438/0-

662/0

164/1

غیرفنی

176/0

136/0

099/1

272/0

ریسک ادراک شده×رشته ß قصد رفتار

فنی

144/0-

071/0-

164/1-

244/0

086/1

غیرفنی

072/0

075/0

626/0

531/0

 

نتیجه‌گیری و بحث

پژوهش حاضر با هدف بررسی عوامل موثر در پذیرش فناوری هوش مصنوعی در آموزش عالی براساس مدل یکپارچه پذیرش و استفاده از فناوری توسعه یافته انجام شد.

یافته‌ها حاکی از آن است که عملکرد مورد انتظار، به‌عنوان یکی از متغیرهای بنیادین مدل یکپارچه پذیرش و استفاده از فناوری (ونکاتش و همکاران، 2003) تاثیر مثبت و معنی‌داری بر قصد رفتاری استادان دانشگاه تهران برای استفاده از فناوری هوش مصنوعی دارد. این یافته نشان می‌دهد، استادان بر این باورند که هوش مصنوعی می‌تواند به تسهیل فرایندهای آموزشی و پژوهشی آن‌ها کمک کرده و بهره‌وری و سرعت عملکرد آن‌ها را افزایش دهد. این یافته با نتایج پژوهش‌های دیگر همسو است و تائید می‌کند که سودمندی و کارایی یک فناوری، نقش کلیدی در پذیرش آن دارد (ویگا و آندراده[44]، 2021؛ وانگ و همکاران، 2021؛ کاشف و همکاران[45]، 2020). این نتیجه می‌تواند ریشه در نیازهای خاص استادان در زمینه‌های آموزشی و پژوهشی مانند مدیریت تدریس و ارزشیابی باشد که آن‌ها را به سمت فناوری‌هایی سوق می‌دهد که برای آن‌ها افزایش بهره‌وری و کارایی را به‌همراه دارند. به‌نظر می‌رسد در شرایطی که نظام آموزشی با محدودیت‌ و کاستی منابع و امکانات روبرو است، ادراک از کارایی فناوری می‌تواند از انگیزه‌های‌ اصلی پذیرش فناوری باشد.

تلاش مورد انتظار و تاثیر اجتماعی نیز تاثیر مثبت و معنی‌داری بر قصد استفاده از هوش مصنوعی را نشان می‌دهد. این نتایج نشان می‌دهد هرچه استفاده از ابزارهای هوش مصنوعی ساده‌تر و دارای دستورالعمل‌های قابل فهم‌تری برای کار کردن باشند، توسط استادان کاربر بیشتر پذیرفته می‌شوند (خلیل و همکاران، 2023؛ چترجی و بهاتاچارجی[46]، 2020؛ چوکارو و همکاران، 2021). سهولت استفاده از فناوری نوین به ویژه در مراحل اولیه پذیرش فناوری، نقش کلیدی دارد. همچنین در مورد تاثیر اجتماعی، استفاده از هوش مصنوعی در فرایندهای آموزش و پژوهش اگر توسط افراد مهم توصیه شود و کاربران تحت تاثیر استفاده دیگران از این فناوری قرار بگیرند، اشتیاق بیشتری به استفاده از این فناوری پیدا می‌کنند(لین و همکاران، 2022).

در این پژوهش دو متغیر شرایط تسهیلگر و ریسک ادراک شده رابطه معنی‌داری با قصد استفاده از هوش مصنوعی در آموزش توسط استادان نداشتند. این نتیجه مغایر با برخی پژوهش‌های انجام شده (رحیم و همکاران، 2022؛ چترجی و بهاتاچارجی، 2020) است. این موضوع می‌تواند ناشی از تفاوت زمینه پژوهش، نگرانی‌هایی که درباره زیرساخت‌ها و امکانات موجود ، دانش فنی معلمان و همچنین سطح دسترسی به ابزارهای هوش مصنوعی در کشور ایران وجود دارد، باشد که می‌تواند سبب عدم تمایل کاربران به استفاده از فناوری شود(شمامی و همکاران، 1397، امانی و همکاران، 1403). نتیجه برخی از پژوهش‌ها حاکی از عدم تاثیر گذاری شرایط تسهیلگر بر قصد استفاده از فناوری دارد(المهری و همکاران، 2020). علی رغم نگرانی‌هایی که درباره سیستم‌های هوش مصنوعی در خصوص حفظ امنیت، اطلاعات غلط و تاثیرات منفی آن در آموزش وجود دارد، یافته‌های این مطالعه نشان داد این موارد تاثیر منفی معنی داری بر قصد استفاده از این فناوری در آموزش و پژوهش توسط استادان دانشگاه تهران ندارد. این موضوع می‌تواند ناشی از آگاهی کم کاربران از یک فناوری باشد (عبداللطیف، 2023؛ چائو، 2019). یکی دیگر از دلایل غیرمعنی دار بودن تاثیر ریسک ادراک شده و شرایط تسهیل‌گر در این پژوهش، می‌تواند مسیرهای این دو متغیر باشد. در بسیاری از پژوهش‌ها نقش شرایط تسهیلگر بعنوان متغیر پیش‌بین برای رفتار استفاده بکار رفته است، و پژوهشگران یافته‌اند شرایط تسهیلگر درصد بیشتری از واریانس رفتار استفاده را نسبت به قصد رفتار پیش‌بینی می‌کند(ونکاتش و همکاران، 2003؛ دوئیدی و همکاران، 2011). همچنین در مطالعاتی نقش متغیرهای برون‌داد اضافه شده به این مدل، به‌عنوان متغیرهای بروندادی‌ که تاثیر غیرخطی بر رفتار استفاده و قصد رفتار دارند، مهم‌تر و موثرتر نشان داده شده است(برول و عمر[47]، 2017). بطور مثال در پژوهش حسن و همکاران(2022) ریسک ادراک شده از طریق تاثیر بر اعتماد و عملکرد مورد انتظار، و در پژوهش الزهرانی(2023) و چترجی و بهاتاچارجی(2020) از طریق تاثیر بر نگرش[48] بر قصد رفتار تاثیر معنی‌داری داشتند.

همچنین متغیر جنسیت به جز تعدیل اثر ریسک ادراک شده بر قصد رفتار، تاثیر معناداری بر هیچ یک از متغیرهای دیگر نداشت و هیچ تفاوت معنی داری بین مردان و زنان در قصد استفاده از فناوری هوش مصنوعی در آموزش مشاهده نشد که این یافته مغایر با پژوهش‌های دیگر (ونکاتش و همکاران، 2003؛ چونگ و همکاران، 2012) و همسو با برخی دیگر از پژوهش‌ها (درایش، 2023؛ راغب و همکاران، 2022؛ ذاکری و همکاران، 1390) است. این موضوع می‌تواند ناشی از تفاوت‌های فرهنگی (چای[49] و همکاران،2017) باشد یا می‌تواند ناشی از حجم کم نمونه زنان نسبت به مردان باشد. باید در نظر گرفته شود که الزام به استفاده از آموزش مجازی در دوران کرونا منجر به استفاده از فناوری های جدید توسط استادان و دانشجویان فارغ از جنسیت شد که همین امر باعث افزایش شایستگی‌ها و مهارت‌های دیجیتالی در بین استادان و معلمان در سال‌های اخیر شده است(درایش[50]، 2023) و  می تواند در عدم تفاوت معنادار زنان و مردان در استفاده از فناوری های جدید موثر باشد.

پژوهش‌های پیشین نشان داده‌اند که معلمان و استادان رشته‌های مختلف ممکن است نگرش‌های متفاوتی نسبت به پذیرش فناوری داشته باشند. به‌عنوان مثال (چیو و چرچیل، 2016) نشان داده است معلمان ریاضی نسبت به معلمان دیگر نگرش مثبت‌تری نسبت به فناوری دارند که این امر ممکن است به ماهیت علوم فنی و استفاده گسترده‌تر فناوری در این رشته‌ها مرتبط باشد. با این‌حال، در پژوهش حاضر، تفاوت معناداری میان استادان رشته‌های فنی و غیرفنی در قصد رفتاری استفاده از هوش مصنوعی در آموزش یافت نشد. مطالعات نشان داده‌اند انگیزه‌های کلی و ویژگی‌های فردی نظیر ادراک سودمند بودن فناوری و شرایط تسهیل‌کننده نقش تعیین‌کننده‌تری در پذیرش فناوری دارند و در حضور آن‌ها تاثیر متغیرهایی همچون رشته تحصیلی بر نگرش و قصد رفتار کاهش می‌یابد(ونکاتش و همکاران، 2012؛ توماس و همکاران، 2018). بنابراین، نتایج این مطالعه حاکی از آن است که در نظر گرفتن متغیرهای تعدیلگری همچون رشته تحصیلی و جنسیت به‌تنهایی به‌عنوان عامل تعدیلگر، احتمالا تاثیر محدودی در پیش‌بینی قصد استفاده از فناوری‌های جدید مانند هوش مصنوعی دارد.

با توجه به یافته‌های پژوهش، پیشنهاد می‌شود که سیاست‌گذاران آموزشی برای تسهیل پذیرش هوش مصنوعی، برنامه‌های آموزشی جامعی برای استادان طراحی کنند که بر کاربردپذیری این فناوری و همچنین سهولت استفاده از فناوری‌های هوش مصنوعی در امور آموزشی و پژوهشی تاکید داشته باشد. بعلاوه بهبود زیرساخت‌های مرتبط با فناوری‌های نوین از جمله هوش مصنوعی، تسهیل دسترسی به منابع و امکانات لازم و همچنین بهره‌گیری از نیروهای پشتیبان متخصص در دانشگاه برای پشتیبانی و حل مشکلات فنی مرتبط با استفاده از فناوری‌های هوش مصنوعی در دانشگاه توسط استادان از دیگر اقدامات مورد توجه است. توسعه دهندگان فناوری‌های هوش مصنوعی در آموزش نیز باید توجه کافی به کاربردی بودن ابزارهای توسعه یافته در حوزه آموزش و پژوهش نشان بدهند. با شناخت زوایای مختلف چالش‌ها، کبود امکانات و نیازهای موجود در آموزش عالی توسعه دهندگان می‌توانند به توسعه‌ی ابزارهایی کاربردی و سودمند بپردازند. بعلاوه توسعه‌ی این ابزارها باید با توجه به رابط کاربری مناسبی باشد تا امکان استفاده از آن‌ها ساده باشد. توجه به امنیت کاربران، حریم خصوصی و همچنین جلوگیری از خطرهای آموزشی و علمی همانند سرقت علمی و افزایش تنبلی و اهمالکاری در دانشجویان باید مورد توجه باشد. پژوهش‌های آینده می‌توانند به بررسی بیشتر تأثیر عوامل فرهنگی، زیرساختی و نگرانی‌های اخلاقی بر پذیرش هوش مصنوعی بپردازند و بهبود مدل‌های پذیرش فناوری را در زمینه‌های مختلف آموزشی مد نظر قرار دهند.

محدودیت‌های پژوهش

اجرای یک پژوهش آمیخته با استادان متخصص در حوزه هوش مصنوعی و فناوری آموزشی می‌توانست منجر به فهم دقیق‌تر از مسئله و ارائه نتایج بهتری شود. اما عدم دسترسی و مشارکت استادان دانشگاه خصوصا افراد متخصص در این حوزه، یکی از مسائل عمده در انجام این پژوهش بود که مانع از اجرای مصاحبه با استادان و همچنین سبب اجرای پژوهش با حجم نمونه پایین شود. از دیگر محدودیت‌های این پژوهش فقدان ابزارهای هوش مصنوعی در دانشگاه که در فرایند آموزش توسط استادان بکار گرفته شوند بود که می‌تواند در بررسی نگرش آن‌ها نسبت به این ابزار تاثیرگذار باشد.

 

 

تشکر و قدردانی

بدین‌وسیله نویسندگان از تمامی‌شرکت‌کنندگان در این پژوهش و صمیمانه تشکر و قدردانی می‌کنند.

 

ملاحظات اخلاقی

در جریان اجرای این پژوهش و تهیه مقاله کلیه قوانین کشوری و اصول اخلاق حرفه‌ای مرتبط با پژوهش رعایت شده است.

 

حامی‌مالی

کلیه هزینه‌های پژوهش حاضر توسط نویسندگان مقاله تأمین شده است.

 

تعارض منافع

بنابر اظهار نویسندگان، مقاله حاضر فاقد هرگونه تعارض منافع بوده است. این مقاله قبلاً در هیچ نشریه‌ای اعم از داخلی یا خارجی چاپ نشده است.

 

مشارکت نویسندگان

تمام نویسندگان در طراحی، اجرا و نگارش همه بخش‌های پژوهش حاضر مشارکت داشتند

 

[1] Almenara

[2] Akimov

[3] Gennari

[4] Mizumoto & Eguchi

[5] Wand

[6] Toumi

[7] Hwang

[8] Personalized learning

[9] Dishon

[10] Edwards

[11] Sanusi

[12] Dwivedi

[13] Chrisinger

[14] Unified Theory of Acceptance and Use of Technology (UTAUT)

[15] Wang

[16] Technology Acceptance Model

[17] Davis

[18] Theory of reasoned action

[19] Fishbein & Ajzen

[20] Theory of Planned Behavior (TPB)

[21] Innovation diffusion theory (IDT)

[22] Compeau & Higgins

[23] Performance expectancy

[24] Effort expectancy

[25] Social Influence

[26] Facilitator Condition

[27] Behavioral Intention

[28] likhtenthaler

[29] Sallam

[30] Koubaa

[31] Bhatia

[32] Herbold

[33] Perceived Risk

[34] Kim & Gou

[35] zhang

[36] shin

[37] Convenience Sampling

 

[38] George & Mallery

[39] maximum likelihood

[40] Root Mean Square Error Of Approximation (RMSEA)

[41] normed fit index

[42] Comparative Fit Index (CFI)

[43] Incremental Fit Index (IFI)

[44] Viega & Andrade

[45] Kashive

[46] Chatterjee & Bhattacharjee

[47] Bervell & Umar

[48] attitude

[49] Cai

[50] Darayesh

References

  1. Akimov, N. Kurmanov, N. Uskelenova, A. Aidargaliyeva, N. Mukhiyayeva, D. Rakhimova, S. Raimbekov, B. Utegenova,

    Al Darayseh, A. (2023). Acceptance of artificial intelligence in teaching science: Science teachers' perspective. Computers and Education: Artificial Intelligence, 4, 100132.

    Al-Abdullatif, A. M. (2023). Modeling Students’ perceptions of chatbots in learning: Integrating technology acceptance with the value-based adoption model. Education Sciences, 13(11), 1151.

    Almahri, F. A. J. Bell, D & Merhi, M. (2020, March). Understanding student acceptance and use of chatbots in the United Kingdom universities: a structural equation modelling approach. In 2020 6th International Conference on Information Management (ICIM) (pp. 284-288). IEEE.

    Alzahrani, L. (2023). Analyzing students’ attitudes and behavior toward artificial intelligence technologies in higher education. International Journal of Recent Technology and Engineering (IJRTE), 11(6), 65-73.

    Amani, H, Matlabi Nejad, A, Choupani, F & Zare Gachi, M. (2024). Systematic analysis of the effects of ChatGPT application in education. Quarterly Journal of Technology and Knowledge Research in Education, 4(2), 9–23 [In Persian]

    Asadzadeh, A, Mahdiyoun, R & Yarmohammadzadeh, P. (2021). Identifying obstacles to the use of information and communication technology in students’ educational activities: A case study of Urmia University. Information Management Sciences, 7(2), 175–198. SID. https://sid.ir/paper/1005872/fa [In Persian]

    Azizi, M, Izadi, S & Babaeian, F. (2020). Barriers to adoption and use of ICT in elementary schools. Rahyafte No in Educational Management, 11(41), 117–134 [In Persian]

    Bervell, B & Umar, I. N. (2017). Validation of the UTAUT model: Re-considering non-linear relationships of exogeneous variables in higher education technology acceptance research. Eurasia Journal of Mathematics, Science and Technology Education, 13(10), 6471-6490.

    Bhatia, P. (2023). ChatGPT for Academic Writing: A Game Changer or a Disruptive Tool? Journal of Anaesthesiology Clinical Pharmacology, 39(1), 1. https:// doi.org/10.4103/joacp.joacp_84_23

    Cabero-Almenara, J. Palacios-Rodríguez, A. Loaiza-Aguirre, M. I & Rivas-Manzano, M. D. R. D. (2024). Acceptance of educational artificial intelligence by teachers and its relationship with some variables and pedagogical beliefs. Education Sciences, 14(7), 740.

    Cai, Z. Fan, X & Du, J. (2017). Gender and attitudes toward technology use: A meta-analysis. Computers & Education, 105, 1-13.

    Chao, C. M. (2019). Factors determining the behavioral intention to use mobile learning: An application and extension of the UTAUT model. Frontiers in psychology, 10, 1652.

    Chatterjee, S & Bhattacharjee, K. K. (2020). Adoption of artificial intelligence in higher education: A quantitative analysis using structural equation modelling. Education and Information Technologies, 25, 3443-3463.

    Chiu, T. K. F & Churchill, D. (2016). Adoption of mobile devices in teaching: Changes in teacher beliefs, attitudes, attitudes and anxiety. Interactive Learning Environments, 24 (2), 317–327.

    Chrisinger, D. (2019). The solution lies in education: Artificial intelligence & the skills gap. On the Horizon, 27(1), 1–4. https://doi.org/10.1108/OTH-03-2019-096. [CrossRef]  

    Davis, F.D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Q. 13, 319–340. doi: 10.2307/249008

    Dwivedi, Y. K. Kshetri, N. Hughes, L. Slade, E. L. Jeyaraj, A. Kar, A. K & Wright, R. (2023), “So what if ChatGPT wrote it? ” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.

    Dwivedi, Y. K. Rana, N. P & Chen, H. (2011). "A Meta-analysis of the Unified Theory of Acceptance and Use of Technology (UTAUT)." In Governance and Sustainability in Information Systems, 366, 155-170

    Fishbein, M., and Ajzen, I. (1977). Belief, attitude, intention, and behavior: an introduction to theory and research. Philosophy Rhetoric 10

    Gennari, R. Matera, M. Morra, D. Melonio, A., Rizvi, M. (2023). Design for social digital well-being with young generations: Engage them and make them reflect, International Journal of Human – Computer Studies, Vol. 173, 103006, https://doi.org/10.1016/j.ijhcs.2023.10300

    Herbold, S. Hautli-Janisz, A. Heuer, U. Kikteva, Z & Trautsch, A. (2023). AI, write an essay for me: A large-scale comparison of human-written versus ChatGPT-generated essays. arXiv. https://doi.org/10.48550/ arxiv.2304.14276

    Huang, J. Saleh, S & Liu, Y. (2021). A Review on Artificial Intelligence in Education. Academic Journal of Interdisciplinary Studies, 10, 206.https://doi.org/10.36941/ajis-2021-0077

    Khorsandi Taskouh, A, Jameh Bozorg, Z & Askari, A. (2023). Emerging technologies in learning and education: Emphasis on challenges and required policies in the post-COVID era. Educational Technologies in Learning, 5(19), 128–106. https://doi.org/10.22054/jti.2023.72262.1364 [In Persian]

    Koubaa, A. Boulila, W. Ghouti, L. Alzahem, A & Latif, S. (2023). Exploring ChatGPT capabilities and limitations: A survey. IEEE Access, 11, 118698–118721. https://doi.org/10.1109/access.2023.3326474

    Lin, H. C. Ho, C. F & Yang, H. (2022). Understanding adoption of artificial intelligence-enabled language e-learning system: An empirical study of UTAUT model. International Journal of Mobile Learning and Organisation, 16(1), 74-94.

    Lund, B & Wang, T. (2023). Chatting about ChatGPT: How may AI and GPT impact academia and libraries? Social Science Research Network. https://doi.org/10.2139/ ssrn.4333415

    Matlabi Nejad, A, Fazeli, F & Elham Navai. (2023). Systematic review of opportunities and challenges of artificial intelligence for teachers. Quarterly Journal of Technology and Knowledge Research in Education, 3(1), 23–44 [In Persian]

    Mizumoto, A. Eguchi, M. (2023). Exploring the potential of using an AI language model for automated essay scoring, Research Methods in Applied Linguistics, Vol. 2, 100050, https://doi.org/10.1016/j.rmal.2023.100050.

    Nagy, A. S. Tumiwa, J. R. Arie, F. V & Erdey, L. (2024). An exploratory study of artificial intelligence adoption in higher education. Cogent Education, 11(1), 2386892.

    Ragheb, M. A. Tantawi, P. Farouk, N & Hatata, A. (2022). Investigating the acceptance of applying chat-bot (Artificial intelligence) technology among higher education students in Egypt. International Journal of Higher Education Management, 8(2).

    Raquel Chocarro, Mónica Cortiñas & Gustavo Marcos-Matás (2021) Teachers’ attitudes towards chatbots in education: a technology acceptance model approach considering the effect of social language, bot proactiveness, and users’ characteristics, Educational Studies, DOI: 10.1080/03055698.2020.1850426

    Sallam, M. (2023). The Utility of ChatGPT as an example of large language models in healthcare education, research and practice: Systematic review on the future perspectives and potential limitations. medRxiv.https://doi.org/10.1101/2023.02.19.23286155 

    Sánchez-Prieto, J. C. Olmos-Migueláñez, S & García-Peñalvo, F. J. (2017). MLearning and pre-service teachers: An Assessment of the behavioral intention using an expanded TAM model. Computers in Human Behavior, 72, 644–654.

    Sanusi, I. T. Ayanwale, M. A & Tolorunleke, A. E. (2024). Investigating pre-service teachers’ artificial intelligence perception from the perspective of planned behavior theory. Computers and Education: Artificial Intelligence, 6, 100202.

    Taghvayi Yazdi, M, Golafshani, A, Aghamirzaei Mahalli, T, Aghatbar Roudbari, J & Yousefi Saeidabadi, R. (2019). The status of ICT adoption and its impact on faculty members’ performance. Research in Medical Education, 11(2), 64–73. SID. https://sid.ir/paper/389040/fa [In Persian]

    Thomas, J. Larsen, K. R & Martin, F. (2018). The Role of Social Facilitation and Environmental Support in Technology Acceptance. Journal of Social Research in Computer Sciences, 36(4), 102-120.

    Tuomi, I., 2018. The impact of artificial intelligence on learning, teaching, and education. Luxembourg: Publications Office of the European Union. https://doi.org/10.2760/12297.

    Venkatesh, Thong & Xu (2012). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 36 (1), 157.

    Venkatesh, V. Morris, M. Davis, G & Davis, F. (2003). User Acceptance of Information Technology: Toward a Unified Model. MIS Quarterly, 27, 425-478.

    Wand, X. Li, L. Tan, S.C. Yang, L. Lei, J. (2023). Preparing for AI-enhanced education: Conceptualizing and empirically examining teachers’ AI readiness, Computers in Human Behavior, No. 146, 107796, https://doi.org/10.1016/j.chb.2023 .107798.

    Wang, Y. Liu, C. Tu, Y.-F. (2021). Factors Affecting the Adoption of AI-Based Applications in Higher Education: An Analysis of Teachers’ Perspectives Using Structural Equation Modeling. Educational Technology & Society, 24 (3), 116– 129.

    Wang, Y. Wan, K & Ren, Y. (2019). Research on factors influencing the acceptance of robot education for primary and secondary school teachers. Res. Vis. Educ, 40, 105-111.

    1. (2023). Components of education 4.0 in open innovation competence frameworks: Systematic review, Journal of Open Innovation: Technology, Market, and Complexity, Vol. 9, 100037, https://doi.org/ 10.1016/j.joitmc.2023.100037.

    Zakeri, A, Khajeh Lou, S. R, Afraei, H & Zangooi, Sh. (2011). Teachers’ attitudes toward the application of educational technologies in teaching. Educational Technology (Technology and Education), 6(2), 159–165. SID. https://sid.ir/paper/155394/fa [In Persian]

    Zanjani, M. A, Abedi, H & Nazari Ghazvini, S. (2018). Factors influencing the intention to use social networks based on technology acceptance and social network cognition theories among users. National Conference on New and Creative Ideas in Management, Accounting, Legal and Social Studies. SID. https://sid.ir/paper/898279/fa [In Persian]

Files

History

  • Receive Date: 10 December 2024
  • Revise Date: 23 January 2025
  • Accept Date: 14 March 2025
  • First Publish Date: 21 March 2025
  • Publish Date: 21 March 2025

Share

How to cite

Statistics