Document Type : Original Article
Authors
1 Associate Professor, Department of Knowledge & Information Science, Azarbaijan Shahid Madani University, Tabriz, Iran.
2 Assistant Professor, Department of Educational Sciences, Azarbaijan Shahid Madani University, Tabriz, Iran.
Abstract
Keywords
مقدمه
هوش مصنوعی برای اولین بار در سال 1956 توسط مککارتی[1] "علم و مهندسی ساخت ماشینهای هوشمند" تعریف شد (یاهشی[2] و همکاران، 2024). هوش مصنوعی فناوری است که رایانهها و ماشینها را قادر میسازد تا یادگیری، درک، حل مسئله، تصمیمگیری، خلاقیت و استقلال انسان را شبیهسازی کنند (استرایکر و کاولاکوغلو[3]، 2024). در واقع هوش مصنوعی به توانایی ماشین برای انجام وظایفی اشاره دارد که عموماً به هوش انسانی نیاز دارند. کاربردهای رایج هوش مصنوعی شامل بازی، ترجمه زبان، سیستمهای خبره و روباتیک است. با وجود اینکه، مفهوم ماشینهایی که هوش را تقلید میکنند به دوران باستان باز میگردد، اما ظهور هوش واقعی در ماشینها با توسعه کامپیوترهای دیجیتال در دهه 1940 امکانپذیر شد. اکنون پروژههای اولیه هوش مصنوعی (بازی شطرنج و حل مسائل ریاضی) در مقایسه با کارهای پیچیدهتر مانند تشخیص الگوی بصری، تصمیمگیری پیچیده و استفاده از زبان طبیعی، نسبتاً ساده به نظر میرسد (کوپلند[4]، 2024). هوش مصنوعی بر بسیاری از جنبههای زندگی انسان تأثیر میگذارد؛ از کاربردهای هوش مصنوعی در زندگی روزمره میتوان به لوازمخانگی هوشمند، تلفنهای هوشمند، گوگل، سیری و غیره اشاره کرد. بهعلاوه در حال حاضر، استفاده از هوش مصنوعی در حوزههایی چون تجارت، علم، هنر، آموزش برای افزایش تجربه کاربر و بهبود کارایی، گسترش یافته است (انجی[5] و همکاران، 2021 b).
در عصر دیجیتال امروزی، مفهوم "سواد کاربردی" گسترش یافته است و طیفی از سوادهای "جدید" یا "چندگانه" (باکینگهام[6]، 2004) چون سواد اطلاعانی، سواد رسانهای، سواد دیجیتالی، سواد تصویری، ... و اخیرا سواد هوش مصنوعی را شامل میشود. سواد هوش مصنوعی ظهور مجموعه مهارتهای جدیدی است که در پاسخ به نیازهای این عصر، باید یاد گرفته شود (انجی و همکاران، 2021 b). به عبارت دیگر توانایی درک، استفاده، نظارت و نقد برنامههای هوش مصنوعی توسط یک فرد بدون اینکه لزوماً خود بتوانند مدلهای هوش مصنوعی را توسعه دهد، معمولاً به عنوان "سواد هوش مصنوعی" شناخته میشود (لانگ[7] و همکاران، 2021؛ انجی و همکاران، 2021 a). نیز سواد هوش مصنوعی، را میتوان مجموعه مهارتهای استفاده، کاربرد و تعامل با هوش مصنوعی ذکر کرد (لریاس[8] و همکاران ،2024). سواد هوش مصنوعی شامل سه جزء، مفاهیم هوش مصنوعی، استفاده از مفاهیم هوش مصنوعی برای ارزیابی، و استفاده از مفاهیم هوش مصنوعی برای درک دنیای واقعی از طریق حل مسئله است (کنگ[9] و همکاران، 2021).
سواد هوش مصنوعی به کاربران این امکان را میدهد تا این فناوری را به طور موثر در زندگی روزمره ادغام کنند (انجی و همکاران، 2021 a). از طرف دیگر آشنایی با فناوری، پیچیدگی درک شده را کاهش و استفاده از آن را افزایش میدهد (ونکاتش[10] و همکاران، 2012)؛ یعنی سواد هوش مصنوعی ترس از جنبههای فنی هوش مصنوعی را کاهش میدهد و به پذیرش آن کمک میکند. نیز سواد هوش مصنوعی، کاربران را قادر میسازد تا به طور مستقل مسائل را تشخیص داده و حل کنند (لانگ و ماگرکو[11]، 2020). چهار بعد آگاهی[12]، کاربرد[13]، ارزیابی[14] و اخلاق[15] به عنوان مؤلفههای سواد هوش مصنوعی (وانگ[16]و همکاران، 2023) ذکر شدهاند.
سواد هوش مصنوعی به کاربران کمک میکند تا درک کنند که هوش مصنوعی چگونه کار میکند، اعتماد و پذیرش دستگاههای هوشمند را افزایش میدهد (لانگ و ماگرکو، 2020)؛ همچنین با توجه به اینکه درک کاربر، کلید طراحی تعاملات فناوری بصری و رضایتبخش است (نورمن[17]، 2013)، کاربران باسواد هوش مصنوعی، دستگاههای هوشمند را به طور مؤثرتری هدایت میکنند و از امکانات پیشرفته آن بهره میبرند (لانگ و ماگرکو، 2020).
نیز کارکنان باسواد هوش مصنوعی، میتوانند از دستگاههای هوشمند برای افزایش بهرهوری و نوآوری استفاده نمایند (داونپورت و رونانکی[18]، 2018)، یعنی سواد هوش مصنوعی نیروی کار را برای استفاده موثر از ابزارهای هوش مصنوعی آماده میکند. بهعلاوه کاربران میبایست پیامدهای اخلاقی فناوریهای هوش مصنوعی را درک نمایند، درک اخلاق هوش مصنوعی برای استفاده مسئولانه از فناوری بسیار مهم است (فلوریدی[19]، 2019). درک هوش مصنوعی به کاربران کمک میکند تا پیامدهای اجتماعی و اخلاقی استفاده از دستگاه هوشمند مانند نظارت یا تأثیرات زیستمحیطی را در نظر بگیرند (جوبین[20] و همکاران، 2019). بهعلاوه کاربران باسواد هوش مصنوعی میتوانند مزایا و محدودیتهای دستگاههای هوشمند را ارزیابی کنند و تصمیمات آگاهانه بگیرند (انجی و همکاران، 2021 a).
با توجه به کاربرد گسترده هوش مصنوعی در جهان، تقویت سواد هوش مصنوعی برای همه شهروندان ضروری است. در واقع نیاز جامعه به آموزش و تقویت سواد هوش مصنوعی شهروندان تحصیلکرده، برای موفقیت در جامعه دیجیتال مدرن، در حال افزایش است (کنگ و همکاران، 2021). آموزش سواد هوش مصنوعی در مراکز آموزشی، نسلهای جوان را برای آینده مبتنی بر این فناوری آماده میکند (تورتزکی[21] و همکاران، 2019). هوش مصنوعی مانند هر فناوری تحولآفرین جدید، علیرغم خطرات آن، فرصتهای زیادی برای بهبود تجارب دانشجویان (مقدمی، 1401) و سایر افراد جامعه دارد. لذا این چالش آموزش (آموزش و پرورش و آموزش عالی) است که یادگیران را برای کار با هوش مصنوعی آماده کند (انجی و همکاران، 2021 b؛ یی[22]، 2021)، سواد هوش مصنوعی آگاهی، استفاده، ارزیابی و مباحث اخلاقی هوش مصنوعی را برای دانشجویان تسهیل میکند.
بهعلاوه سواد هوش مصنوعی دسترسی عادلانه به فناوریهای هوش مصنوعی را برای همه افراد تضمین میکند (میائو[23] و همکاران، 2021) و بهواسطه آن میتواند شکاف بین کاربران آگاه [از فناوری] و کاربران کمتر آشنا را پر کند (ون دورسن و وان دایک[24]، 2019) یعنی توانمندی افراد با ظرفیتهای مختلف را افزایش میدهد. با توجه به مطالب گفته شده، میتوان چنین فرض کرد که سواد هوش مصنوعی افراد میتواند در افزایش مهارت آنها در دستگاههای هوشمند موثر باشد. از طرف دیگر، اگرچه هوش مصنوعی به طور فزایندهای در فناوریهایی که کاربران از آن استفاده میکنند، وجود دارد، اما درک عمومی از این فناوریها اغلب محدود است (لانگ و ماگرکو، 2020). بهعلاوه، علیرغم گسترش هوش مصنوعی در صنفهای مختلف، درک عمومی از فناوریهای هوش مصنوعی و نحوه تعریف سواد هوش مصنوعی کمتر مورد بررسی قرار گرفته است (انجی و همکاران، 2021 a). پژوهشهای پیشین (لاوپیچلر[25] و همکاران، 2022؛ انجی و همکاران، 2021a؛ لانگ و ماگرکو، 2020) نیز به محدود بودن پژوهشهای انجام شده در زمینه سواد هوش مصنوعی اشاره کردهاند. با این وجود، اشاعه هوش مصنوعی در بین عموم مردم باعث ترویج مطالعات در مورد کاربرد هوش مصنوعی در زندگی روزمره شده است (لریاس و همکاران، 2024) و بحث در این خصوص را افزایش داده است (چرنی[26]، 2024).
علیرغم اینکه برخی از پژوهشهای پیشین (خطیب زنجانی و کریمی، 1403؛ زنگانه و همکاران، 1403) در داخل کشور، هوش مصنوعی را از منظر کلی علوم انسانی مورد بررسی قرار دادهاند، اما مطالعات انجام شده در خصوص سواد هوش مصنوعی در زمان انجام این پژوهش در پیشینه محدود بود.
با در نظر گرفتن این واقعیت که زیرساختها، از جمله زیرساخت فناوری در کشورهای مختلف و حتی مناطق مختلف یک کشور متفاوت است، بنابراین به نظر میرسد علاوه بر ارائه یک برنامه ثابت برای ارتقاء سواد هوش مصنوعی، برنامهریزی متناسب با بافت هر منطقه یا دانشگاه نیز مدنظر قرار گیرد؛ بهبیان دیگر یک سایز ممکن است برای همه مناسب نباشد؛ لذا با توجه به اهمیت آموزش هوش مصنوعی و سواد هوش مصنوعی به دانشجویان میتوان اذعان کرد که بررسی وضعیت موجود سواد هوش مصنوعی دانشجویان دانشگاههای مختلف و مهارت آنها در دستگاههای هوشمند به منظور برنامهریزی، بهبود و ارتقاء توانمندی و مهارت سرمایه انسانی آینده ضروری است. در این راستا پژوهش حاضر قصد دارد تاثیر سواد هوش مصنوعی بر مهارت امنیتی دستگاههای هوشمند را در بین دانشجویان دانشکده علوم تربیتی و روانشناسی دانشگاه شهید مدنی آذربایجان مورد بررسی قرار دهد. به منظور تحقق هدف پژوهش، سوالات و فرضیه زیر طرح شد:
سوال اول: وضعیت سواد هوش مصنوعی دانشجویان و مهارت امنیتی دستگاهها در میان چگونه است؟
سوال دوم: وضعیت سواد هوش مصنوعی و مهارت امنیتی دستگاهها بر اساس متغیرهای جمعیت شناختی دانشجویان (جنسیت، مقطع تحصیلی، رشته تحصیلی و معدل) چگونه است؟
سوال سوم: آیا رابطه معناداری بین متغیرهای پژوهش (آگاهی، کاربرد، ارزیابی، اخلاق هوش مصنوعی و مهارت امنیتی دستگاهها) وجود دارد؟
فرضیه اول: ابعاد سواد هوش مصنوعی (آگاهی، کاربرد، ارزیابی، اخلاق) قادر به پیشبینی مهارت امنیتی دستگاهها است.
پیشینه پژوهش
پژوهش در خصوص دانش و درک هوش مصنوعی و سواد هوش مصنوعی مورد توجه پژوهشگران مختلف قرار گرفته است. آلاماکی[27] و همکاران (2024) در مطالعه درک دانشجویان کارشناسی مدیریت بازرگانی در هلند از هوش مصنوعی نشان دادند که دانش و درک دانشجویان از اصول اولیه هوش مصنوعی کم است. پژوهش پیمایشی علیمی[28] و همکاران (2021) از میزان آگاهی، دسترسی و استفاده دانشجویان از هوش مصنوعی برای یادگیری در ایالت کوارا اندونزی نشان داد که اکثریت دانشجویان از امکان استفاده از هوش مصنوعی برای یادگیری آگاهی نداشتند و بین آگاهی دانشجویان دختر و پسر از استفاده از هوش مصنوعی برای یادگیری تفاوت معناداری وجود نداشت. این مطالعه نشان داد که توانایی دانش آموزان برای کشف منابع دیجیتال مانند هوش مصنوعی به آگاهی و دسترسی آنها به فناوریهای دیجیتال بستگی دارد. فقدان دسترسی به این فناوریهای دیجیتال باعث عدم استفاده و مهارت کم در استفاده میشود. کلس و آیدین[29] (2021) در بررسی دیدگاه دانشجویان از مفهوم هوش مصنوعی در دانشکدههای علوم تربیتی، هنر و علوم و اقتصاد و علوم اداری یکی از دانشگاههای منطقه آناتولی شرقی نشان دادند که درک هوش مصنوعی دانشجویان دانشکده علوم تربیتی نسبت به دانشجویان دانشکده علوم اقتصادی و اداری و دانشکده هنر و علوم بهتر بود. بهعلاوه ادراکات منفی همه گروههای نمونه از مفهوم هوش مصنوعی بیشتر از ادراکات مثبت بود. از طرف دیگر مطالعه پیمایشی لی و همکاران[30] (2024) از درک دانشجویان یکی از دانشگاههای کره از سواد هوش مصنوعی و آموزش هوش مصنوعی حاکی از علاقمندی اکثر دانشجویان دانشگاه به یادگیری هوش مصنوعی بود. بهعلاوه لازمه درک بهتر سواد هوش مصنوعی، آموزش آن به دانشجویان است. در این خصوص کنگ و همکاران (2021) به طراحی و اجرای یک دوره سواد هوش مصنوعی برای بهبود درک دانشجویان دانشگاه هنگگنگ از هوش مصنوعی و توانمندسازی آنها پرداختند؛ پس از گذراندن یک دوره 7 ساعته هوش مصنوعی، شرکتکنندگان به پیشرفت قابلتوجهی در درک مفاهیم هوش مصنوعی، سواد هوش مصنوعی درک شده و توانمندسازی هوش مصنوعی دست یافتند. نیز در آموزش گروهی سواد هوش مصنوعی، وجود افراد مطلع از هوش مصنوعی در یادگیری و درک بهتر سایر اعضای گروه میتواند نقش داشته باشد. آلاماکی و همکاران (2024) ننشان دادند که در گروههایی که یک نفر درک عمیقتری از مفاهیم هوش مصنوعی داشت، کل گروه نیز شروع به درک این مفاهیم کردند. بهعلاوه هوش مصنوعی میتواند در ارتقاء سواد اطلاعاتی موثر باشد. مقدمی (1401) در بررسی فرصتهای هوش مصنوعی بر میزان سواد اطلاعاتی دانشجویان مقطع دکتری دانشگاه تهران، کسب دانش موضوعی و آگاهی از اصطلاحات، شکستن الگوها و تجسم سوژهها و همچنین تسهیل تحقیقات میانرشتهای را از فرصتهای هوش مصنوعی در حوزه سواد اطلاعاتی ذکر کرد.
از طرف دیگر، تجربه قبلی دانشجویان نیز در استفاده از فناوری در درک بهتر هوش مصنوعی و سواد هوش مصنوعی میتواند تاثیر داشته باشد. لی و همکاران (2024) نشان دادند دانشجویانی که تجربه قبلی آموزش نرمافزار داشتند، دانش برتر، درک بهتر مفاهیم هوش مصنوعی و اعتماد به نفس بیشتری در استفاده از فناوریهای هوش مصنوعی، بهویژه در مهارتهای کدنویسی کامپیوتری نشان دادند. از سوی دیگر، دانشجویانی که کمتر در معرض آموزشهای قبلی هوش مصنوعی بودند، نیاز به فرصتهای یادگیری بیشتر و دانش کافی از مهارتهای برنامهنویسی رایانه را ابراز کردند. بهعلاوه، دانشجویانی که آموزش نرمافزار را در طول مدرسه دریافت کردهاند، مهارتهای بهتری نسبت به کسانی که فقط آموزش کوتاهمدت در دانشگاه دریافت کردهاند، نشان دادند. علاوه بر دانشجویان، سواد هوش مصنوعی گروهای دیگر نیز مورد توجه بوده است. لریاس و همکاران (2024) در ارزیابی سطح سواد و دانش هوش مصنوعی مدرسان دانشگاه پلی تکنیک پورتالگره[31] پرتغال به میانگین ابعاد سهگانه مورد بررسی، یعنی سواد هوش مصنوعی (56/3)، خودکارآمدی هوش مصنوعی (86/2) و خود مدیریتی هوش مصنوعی (41/3) و در مجموع 28/3 (مقیاس لیکرت از 1 تا 5) اشاره کردند.
بخشی از پژوهشهای انجام شده در زمینه سواد هوش مصنوعی به مطالعه مروری و بررسی پیشینه پژوهش در این خصوص پرداختند. لانگ و ماگرکو (2020) در یک مطالعه مروری پس از تعریف سواد هوش مصنوعی بر اساس تحقیقات موجود، چارچوب مفهومی از شایستگیهای اصلی سواد هوش مصنوعی را پیشنهاد کردند. از نظر این محققان بسیاری از تحقیقات مورد بررسی آنها در دو سال گذشته منتشر شدهاند، و هنوز به تحقیقات تجربی بیشتری برای درک بهترین روش آموزش هوش مصنوعی به مخاطبان غیرمتخصص نیاز است. نیز انجی و همکاران (2021 a) در یک مطالعه مروری چهار جنبه دانستن و درک، استفاده و اعمال، ارزیابی و ایجاد، و مسائل اخلاقی را برای تقویت سواد هوش مصنوعی پیشنهاد میکنند؛ بیشتر محققانی که در این خصوص مطالعه کرده بودند معتقدند که افراد علاوه بر یادگیری چگونگی استفاده از برنامههای هوش مصنوعی، باید در مورد مفاهیم زیربنایی هوش مصنوعی برای مشاغل آینده خود نیز بیاموزند و نگرانیهای اخلاقی را برای استفاده مسئولانه از هوش مصنوعی درک کنند. شیری[32] (2024) در یک مطالعه مروری، طبقهبندی جدیدی از سواد هوش مصنوعی با 13 بعد[33] (1) مفهومسازی هوش مصنوعی (درک، آگاهی، دانش)، 2) زمینهسازی سواد هوش مصنوعی، 3) دانش کاربردی، 4) کاربردهای هوش مصنوعی و بینرشتهای بودن آن، 5) مهارتها: استفاده، تشخیص، تعامل و تعامل با ابزارهای هوش مصنوعی، بررسی انتقادی، 6) دادهها، 7) جنبههای اخلاقی، حقوقی، اجتماعی، مسائل، دغدغهها، 8) محیط (فیزیکی)، 9) محیط (دیجیتال)، 10) زمینه سازمانی، 11) افراد: زمینه فردی، 12) تجسم/ملموس بودن، 13) زمان و گاهشماری) پیشنهاد کرد. صلاحیتهای 13گانه را میتوان برای تطبیق فرصتهای آموزشی، یادگیری و برنامههای درسی در حوزهها و رشتهها مختلف استفاده کرد و اصلاح یا افزایش داد. بهعلاوه لاوپیچلر و همکاران (2022) در ارزیابی پیشینه پژوهش در زمینه سواد هوش مصنوعی در آموزش عالی و بزرگسالان، نشان دادند که تحقیقات در این زمینه هنوز در مراحل ابتدایی است و از نظر نحوه تعریف سواد هوش مصنوعی در آموزش بزرگسالان و همچنین اینکه چه محتوایی باید به افراد غیرمتخصص آموزش داده شود، نیاز به بازنگری است. از طرف دیگر انجی و همکاران (2021b) بر نیاز به وجود یک مقیاس تایید شده از نظر روانسنجی برای اندازهگیری سواد هوش مصنوعی (به عنوان ابزاری برای خودارزیابی یا برای آزمون عملکرد) تاکید کردند.
سواد هوش مصنوعی نقش بسیار مهمی در شکل دادن نحوه تعامل افراد با دستگاههای هوشمند دارد. مهارت امنیتی دستگاهها، یکی از خرده مقیاسهای سواد دیجیتال مطرح شده است. پپیتو و آکلدان[34] (2022) در بررسی سواد دیجیتالی (مهارت فناوری، مهارت انتقادی، مهارت امنیت شخصی و مهارت امنیت دستگاهها) دانشجویان شرکتکننده در یک دوره آموزشی در شهر داوائو (فیلیپین) به این نتیجه رسیدند که از بین این ابعاد، کمترین میانگین مربوط به بعد مهارت امنیت دستگاه مربوط بود؛ اگرچه این میانگین نیز در حد خوب یعنی 96/3 از 5 بود. نیز یافتههای بخشی از پژوهش بکریزاده و همکاران (1402) نشان داد که میانگین مهارت امنیتی دستگاهها (از ابعاد سواد دیجیتالی) در بین کتابداران دانشگاه پیام نور در طیف 5 درجهای لیکرت، 38/3 بود. عزیزی و همکاران (1403) نیز در بررسی مهارتهای امنیتی (از ابعاد مهارتهای دیجیتال) دانشجویان میانگین 9/2 در طیف 5 درجهای لیکرت را گزارش کردند.
جمعبندی پیشینه پژوهش
استفاده روزافزون از هوش مصنوعی در حوزههای مختلف و زندگی روزمره، ضرورت تقویت سواد هوشی مصنوعی را الزامی کرده است؛ مطالعات متعدد انجام شده در سطح جهانی نیز ضرورت پرداختن به این موضوع را تایید میکند. با این وجود، مطالعات انجام شده در خصوص سواد هوش مصنوعی در داخل کشور و منابع فارسی محدود است، لذا ضرورت انجام پژوهش در این خصوص مشهود است. بهعلاوه ضرورت پژوهش در خصوص سواد هوش مصنوعی دانشجویان بهعنوان قشر آگاه و سرمایه انسانی آینده بسیار الزامی به نظر میرسد.
روش
این پژوهش کاربردی با رویکرد کمی و به روش پیمایشی انجام شد. جامعه آماری، دانشجویان روزانه و شبانه کارشناسی و کارشناسی ارشد دانشکده علوم تربیتی و روانشناسی دانشگاه شهید مدنی آذربایجان به تعداد 1307 نفر بود که نمونه مورد مطالعه به روش نمونهگیری تصادفی ساده انتخاب شد. به منظور انتخاب حجم نمونه از جدول کرجسی و مورگان[35] (1970) استفاده شد. لازم به ذکر است که منبع اخیر علیرغم قدیمی بودن، بواسطه سادگی و اصول آماری صحیح هنوز مورد استفاده قرار میگیرد؛ بهنحوی که ویرایش هشت کتاب پراستناد روشهای تحقیق در علوم تربیتی[36] در بحث روشهای نمونهگیری، به جدول کرجسی و مورگان به عنوان ابزاری کاربردی برای تعیین حجم نمونه اشاره میکند (کوهن[37] و همکاران، 2018، 143).
ابزار گرداوری اطلاعات پرسشنامه بود که به صورت حضوری در فرمت چاپی به تعداد 300 عدد بین دانشجویان به صورت تصادفی در کلاسها توزیع شد و فقط 194 مورد (67/64 درصد) عودت داده شد. بخش اول پرسشنامه، اطلاعات جمعیتشناختی پاسخگویان بود؛ بخش دوم پرسشنامه سواد هوش مصنوعی بود، که حاوی 12 سوال و چهار بعد آگاهی، کاربرد، ارزیابی و اخلاق است. لازم به ذکر است که سه سوال از 12 سوال، سواد هوش مصنوعی نمرهگذاری معکوس داشت. نتایج تحلیل عاملی برای روایی پرسشنامه سواد هوش مصنوعی حاکی از این بود که بار عاملی برای تمامی گویهها بیش از 5/0 و در سطح قابلقبول است؛ همچنین ضریب آلفای کرونباخ برای هر یک از ابعاد بیش از 7/0 و در مجموع 83/0 بود (وانگ و همکاران 2023). بهعلاوه چلبی و همکاران (2023) روایی و پایایی پرسشنامه فوق را با تحلیل عاملی تأییدی و آلفای کرونباخ تایید کردند (چلبی[38] و همکاران، 2023). بخش سوم پرسشنامه، خرده مقیاس چهار سوالی مهارت امنیتی دستگاهها[39] از پرسشنامه سواد دیجیتالی (رودریگز-دیوس، ایگارتوآ و گونزالس-وازکز[40]، 2016) بود؛ نتایج تحلیل عاملی پژوهشگران فوق برای سواد دیجیتال، شامل شش عامل با مقادیر ویژه بیش از 1/0 که 3/44 درصد از کل واریانس را تشکیل میدهند؛ بهعلاوه پژوهشگران مذکور، ضریب آلفای کرونباخ برای خرده مقیاس چهار سوالی مهارت امنیتی دستگاهها را 72/0 گزارش کردند. با توجه به اینکه سواد هوش مصنوعی نقش مهمی در شکل دادن به نحوه تعامل افراد با دستگاههای هوشمند دارد، ارتباط این متغیرها در مطالعه حاضر بررسی میشود. گردآوری داده پژوهش حاضر در اردیبهشت و خرداد 1403 انجام شد.
در این پژوهش، تعریف مفهومی و عملیاتی متغیرهای سواد هوش مصنوعی با استناد به وانگ و همکاران (2023) ارائه میشود. آگاهی، به توانایی شناسایی و درک فناوری هوش مصنوعی در حین استفاده از برنامههای مرتبط با هوش مصنوعی اشاره دارد. کاربرد، توانایی بهکارگیری و بهرهبرداری از فناوری هوش مصنوعی برای انجام ماهرانه وظایف تعریف شده است. ارزیابی، به توانایی تجزیه و تحلیل، انتخاب و ارزیابی انتقادی برنامههای کاربردی هوش مصنوعی و نتایج آنها اشاره دارد. اخلاق، به توانایی آگاهی از مسئولیتها و خطرات مرتبط با استفاده از فناوری هوش مصنوعی اشاره دارد. در تعریف عملیاتی بعد آگاهی، میانگین پاسخ پاسخگویان به سه گویه (تمایز بین دستگاه هوشمند و غیر هوشمند، آشنایی با نحوه کمک هوش مصنوعی به فرد، و شناسایی هوش مصنوعی در برنامهها و محصولات مورد استفاده) مدنظر است؛ بعد کاربرد، میانگین پاسخ پاسخگویان به سه گویه (استفاده ماهرانه از برنامهها و محصولات هوش مصنوعی در زندگی روزمره، یادگیری برنامه یا محصول جدید هوش مصنوعی، و استفاده از برنامهها و محصولات هوش مصنوعی برای بهبود کارآیی) است. بعد ارزیابی، میانگین پاسخ پاسخگویان به سه گویه (ارزیابی قابلیتها و محدودیتهای برنامهها و محصولات هوش مصنوعی، انتخاب راه حل مناسب از بین راحلهای ارائه شده یک سیستم هوشمند، و انتخاب مناسبترین برنامه یا محصول هوش مصنوعی از بین انواع مختلف) است. بعد اخلاق، میانگین پاسخ پاسخگویان به سه گویه (رعایت اصول اخلاقی هنگام استفاده از برنامه یا محصول هوش مصنوعی، مراقبت از حریم خصوصی و امنیت اطلاعات هنگام استفاده از برنامه یا محصول هوش مصنوعی، و هشیاری نسبت به سوء استفاده از هوش مصنوعی) است. همچنین تعریف مفهومی و عملیاتی مهارت امنیتی دستگاهها با استناد به رودریگز-دیوس، ایگارتوآ و گونزالس-وازکز (2016) ارائه میشود. مهارت امنیتی دستگاهها، مهارت لازم برای ایمن نگه داشتن دستگاههای دیجیتال و جلوگیری از تهدیدات احتمالی مانند ویروسها، جاسوسافزارها و اقدامات احتیاطی تعریف شده است. تعریف عملیاتی این خرده مقیاس، میانگین پاسخ پاسخگویان به چهار گویه (استفاده از نرمافزار برای شناسایی و حذف ویروسها، چگونگی تشخیص ویروس در دستگاه دیجیتال خود، آشنایی با نحوه مسدود کردن ایمیل/هرزنامههای خواسته و ناخواسته، و مواجه و رفع مشکل هنگام استفاده از دستگاه (کامپیوتر، تلفن هوشمند و غیره) است.
به منظور استفاده از ابزارهای فوق در پژوهش حاضر، نسخه انگلیسی به فارسی ترجمه شد و متن ترجمه شده علاوه بر همکاران پژوهش، مورد تایید متخصص زبان انگلیسی نیز قرار گرفت. بهعلاوه نظر تعداد محدودی از دانشجویان توانمند و برجسته از نمونه مورد مطالعه در خصوص شفاف و گویا بودن سوالات پرسشنامه جویا شد و نظرات اعمال شد. پس از گردآوری داده، تحلیل عاملی تاییدی از طریق مدلسازی معادلات ساختاری[41] با استفاده از نرمافزار Smart PLS 3 انجام شد و روایی و پایایی ابزار تایید شد؛ خروجیهای مدلسازی معادلات ساختاری در بخش یافتهها ارائه شده است. همچنین به منظور تجزیه و تحلیل دادهها و پاسخ به سوالات و فرضیه پژوهش از آمار توصیفی (میانگین، انحراف معیار، چولگی و کشیدگی) و استنباطی (آزمون تیمستقل برای مقایسه میانگین دو گروه مستقل، آزمون تحلیل واریانس برای مقایسه میانگین بیش از دو گروه، آزمون پیرسون برای بررسی رابطه همبستگی بین دو یا چند متغیر و آزمون رگرسیون برای بررسی میزان تاثیر متغیر مستقل بر متغیر وابسته) با استفاده از نرمافزار Spss استفاده شد.
یافتهها
در این بخش ابتدا اطلاعات جمعیتشناختی پاسخگویان، یافتههای مربوط به تحلیل عاملی تاییدی و سپس نتایج مربوط به سوالات و فرضیه پژوهش ارائه میشود.
اطلاعات جمعیت شناختی
اکثریت 5/83 درصدی پاسخگویان، دانشجویان دختر بودند؛ همچنین اکثریت 4/80 درصدی پاسخگویان از مقطع کارشناسی بودند. پاسخگویان رشته روانشناسی 2/23، علوم تربیتی 2/22 درصد، علوم ورزشی و علم اطلاعات هر کدام 1/19 درصد، و مطالعات خانواده 5/16 درصد بودند. معدل پاسخگویان بر اساس خوداظهاری آنها در محدوده 12 تا 71/19 بود. حدود 60 درصد پاسخگویان معدل 17 و بالاتر داشتند؛ میانگین معدل پاسخگویان 17 و انحراف معیار 22/1 حاکی از آن است که معدل بیشتر پاسخگویان فاصله زیادی با میانگین ندارد. لازم به ذکر است که تعداد 175 نفر از پاسخگویان گزینه معدل را در پرسشنامه تکمیل کرده بودند؛ یعنی 19 پاسخگو (8/9 درصد) به معدل اشاره نکرده بودند (جدول 1).
جدول 1. اطلاعات جمعیت شناختی پاسخگویان
|
متغیر |
فراوانی |
درصد |
جمع |
|
|
جنسیت |
دختر |
162 |
5/83 |
194 |
|
پسر |
32 |
5/16 |
||
|
مقطع تحصیلی |
کارشناسی |
156 |
4/80 |
194 |
|
|
ارشد |
38 |
6/19 |
|
|
رشته تحصیلی |
علوم تربیتی |
43 |
2/22 |
194 |
|
مطالعات خانواده |
32 |
5/16 |
||
|
علم اطلاعات |
37 |
1/19 |
||
|
روانشناسی |
45 |
2/23 |
||
|
علوم ورزشی |
37 |
1/19 |
||
|
معدل |
18-71/19 |
42 |
24 |
175 |
|
17-95/17 |
64 |
6/36 |
||
|
16-99/16 |
41 |
4/23 |
||
|
12-92/15 |
28 |
16 |
||
تحلیل عاملی تاییدی بر اساس مدلسازی معادلات ساختاری
مدلسازی معادلات ساختاری، یکی از روشهای قدرتمند در تحلیل دادهها است که امکان بررسی روابط بین متغیرهای مشاهده شده (گویهها) و متغیرهای پنهان (سازهها) را فراهم میسازد. در این مطالعه با استفاده از نرمافزار Smart PLS برازش مدل بر اساس شاخصهای پایایی ترکیبی، روایی همگرا[42]، روایی واگرا[43] و همچنین بارهای عاملی بررسی شد. در پژوهش حاضر آلفای کرونباخ برای دو عامل آگاهی و کاربرد در محدوده 6/0 و کمتر از 7/0 است و در خروجی Smart PLs با رنگ قرمز نشان داده شده است و حاکی از سطح غیرقابل قبول در این نرمافزار است. لازم به ذکر است که با توجه به اینکه هر بعد فقط سه گویه داشت، لذا هیچ گویهای حذف نشد. از طرف دیگر ممون و رحمان[44] (2013) به نقل از چرچیل (1979) و چین (1998) و بلند و آلتمن[45] (1997) مقدار آلفای کرونباخ 6/0 را برای تأیید سازگاری درونی، قابل قبول ذکر کردند. به منظور رفع این ابهام، از پایایی ترکیبی[46] که بسیار شبیه آلفای کرونباخ است (نتمایر[47]، 2003)، به عنوان جایگزین استفاده شد. پایایی ترکیبی معیاری برای بررسی سازگاری درونی در گویههای یک مقیاس است. مقادیر پایایی ترکیبی عددی بین صفر و یک است؛ از نظر هایر[48] و همکاران (2014) اگر مقادیر پایایی ترکیبی بین 6/0 و 7/0 باشد، قابلقبول است و سازگاری داخلی بین گویههای یک مقیاس را نشان میدهد (نونالی و برشتاین[49]، 1994). در پژوهش حاضر مقادیر پایایی ترکیبی بین 768/0 تا 876/0 و در سطح قابلقبول است، لذا سازگاری درونی گویهها تایید میشود.
جدول 2. آلفای کرونباخ، پایایی ترکیبی و میانگین واریانس استخراجشده
|
عامل |
کرونباخ |
پایایی ترکیبی |
میانگین واریانس استخراجشده |
|
آگاهی |
619/0 |
786/0 |
552/0 |
|
اخلاق |
704/0 |
815/0 |
602/0 |
|
ارزیابی |
788/0 |
876/0 |
702/0 |
|
کاربرد |
642/0 |
808/0 |
588/0 |
|
مهارت امنیتی دستگاهها |
719/0 |
826/0 |
543/0 |
روایی همگرا[50] نیز میزان همبستگی بین هر عامل با گویههایش را نشان میدهد. بدین منظور از میانگین واریانس استخراج شده [51] استفاده شد. این معیار نشان میدهد چه مقدار از واریانس توسط سازه پنهان توضیح داده میشود. از نظر فورنل و لارکر (1981) و هایر و همکاران (2014) میانگین واریانس استخراجشده نباید کمتر از 5/0 باشد تا سطح قابل قبولی از اعتبار همگرا را نشان دهد؛ به این معنی که سازه پنهان حداقل 50 درصد واریانس خود را توضیح دهد (هایر و همکاران، 2014؛ فرنل و لاکر[52]، 1981). در پژوهش حاضر مقادیر به دست آمده برای هر پنج عامل بالاتر از 5/0 است و حاکی از روایی همگرا است (جدول 2).
همچنین برخی پژوهشگران (اندرسون[53]، گربینگ، 1988؛ دان[54] و همکاران، 1994) ارزیابی اعتبار همگرا را از طریق بررسی بارهای عاملی پیشنهاد کردهاند. بارهای عاملی نشاندهنده میزان ارتباط بین متغیرهای مشاهدهشده و متغیرهای پنهان هستند. استیونز[55] (2002) مقدار بار عاملی بیشتر از 4/0 را پیشنهاد میکند؛ هایر و همکاران (2011) نیز معتقدند گویههای دارای بار عاملی کمتر از 4/0 باید حذف شوند. بارهای عاملی بالاتر از 7/0 نشاندهنده اعتبار و قابلقبول بودن رابطه هستند. شکل 1، بارهای عاملی متغیرهای پژوهش را در مدل معادلات ساختاری نشان میدهد، همه بارهای عاملی بیشتر از 6/0 است لذا بین متغیرهای مشاهدهشده و پنهان پژوهش ارتباط وجود دارد و اعتبار همگرا در این مدل تایید میشود.
نیز روایی واگرا، معیاری است که یک سازه را به طور قطعی از سایر سازهها متمایز میکند. معیار فورنل-لارکر (1981) یکی از تکنیکهای بررسی روایی واگرا است (کامپوس و کامپوس[56]، 2023). بر اساس این معیار، در صورتی که مقادیر مورب از همه مقادیر در یک سطر و ستون بزرگتر باشد، روایی همگرا وجود دارد. شکل 2، خروجی نرمافزار Smart PLs را برای معیار فورنل-لارکر نشان میدهد و تمامی مقادیر منطبق با این معیار است، لذا روایی همگرا تایید میشود.
شکل 1. مدل معادلات ساختاری و بارهای عاملی
شکل 2. روایی واگرا (معیار فورنل-لارکر)
در خصوص برازش مدل، درSmartPLS ، ریشه میانگین مربعات خطای تقریب[57] به واسطه مبتنی بودن بر کوواریانس به طور مستقیم ارائه نمیشود و بهجای آن ریشه میانگین مربعات باقیمانده استاندارد شده[58] به عنوان معیاری برای برازش مدل ارائه میشود. از نظر رینگل[59] و همکاران (2024) اگر ریشه میانگین مربعات باقیمانده استاندارد شده 08/0 و کمتر باشد و شاخص برازش هنجار شده[60] 9/0 و بیشتر باشد، مدل از برازش خوبی برخوردار است. در پژوهش حاضر ریشه میانگین مربعات باقیمانده استاندارد شده 089/0 هر چند کمی از حد مرز بالاتر است، میتواند در محدوده قابلقبول حداقلی فرض شود. نیز در پژوهش حاضر شاخص برازش هنجار شده 622/0 بود که کمتر از حد مطلوب است. علیرغم اینکه بارهای عاملی تمامی گویهها بالاتر از 6/0 بود، اما کیفیت کلی برازش مدل به سطح قابل قبول نرسیده است؛ این نتیجه میتواند به واسطه روابط ضعیف دو سازه آگاهی و اخلاق با سازه مهارت امنیتی دستگاهها باشد.
پاسخ سوال اول: وضعیت سواد هوش مصنوعی و مهارت امنیتی دستگاهها در میان دانشجویان چگونه است؟
جدول 3، آمار توصیفی (میانگین، انحراف معیار و چولگی و کشیدگی) متغیرهای پژوهش را نشان میدهد. در ابعاد سواد هوش مصنوعی، به ترتیب بُعد اخلاق با بیشترین میانگین، 89/4 و انحراف معیار 19/1، بُعد آگاهی با میانگین 76/4 و انحراف معیار 07/1، بُعد ارزیابی میانگین 44/4 و انحراف معیار 11/1، بُعد کاربرد میانگین 42/4 و انحراف معیار 10/1 و میانگین کل سواد هوش مصنوعی 63/4 و انحراف معیار 84/0 بود. میانگین سواد هوش مصنوعی پاسخگویان در ابعاد چهارگانه و در مجموع بالاتر از میانگین فرضی (4) بود. همچنین مهارت امنیتی دستگاهها با میانگین 24/4 و انحراف معیار 21/1 بالاتر از حد متوسط بود. شاخصهای آماری چولگی و کشیدگی از ملاکهای تعیین نرمال بودن دادهها هستند. چولگی دادهها در محدوده بین 2+ و 2- و کشیدگی دادهها بین 7+ و 7- حاکی از وضعیت نرمال بودن دادهها برای انجام تحلیلهای پارامتری است (هایر و همکاران، 2010؛ بایرن[61]، 2010). چولگی و کشیدگی متغیرها نیز در محدوده قابلقبول 2+ و 2- بود که حاکی از توزیع نرمال دادهها برای انجام آمار استنباطی پارامتریک است.
جدول 3. آمار توصیفی متغیرهای پژوهش
|
متغیر |
میانگین |
انحراف معیار |
چولگی |
کشیدگی |
|
آگاهی |
76/4 |
07/1 |
31/0- |
264/0 |
|
کاربرد |
42/4 |
10/1 |
225/0- |
419/0 |
|
ارزیابی |
44/4 |
11/1 |
217/0- |
255/0 |
|
اخلاق |
89/4 |
19/1 |
668/0- |
683/0 |
|
سواد هوش مصنوعی (کل) |
63/4 |
84/0 |
418/0- |
351/1 |
|
مهارت |
24/4 |
21/1 |
259/0- |
020/0 |
پاسخ سوال دوم: وضعیت سواد هوش مصنوعی و مهارت امنیتی دستگاهها بر اساس متغیرهای جمعیتشناختی دانشجویان (جنسیت، مقطع تحصیلی، رشته تحصیلی و معدل) چگونه است؟
جدول 4، سواد هوش مصنوعی و مهارت امنیتی دستگاهها بر اساس متغیرهای جمعیتشناختی دانشجویان را نشان میدهد. بر اساس آزمون تی مستقل در میانگین سواد هوش مصنوعی دانشجویان بر حسب جنسیت و مقطع تحصیلی آنها از نظر آماری تفاوت معنیداری مشاهده نشد. همچنین بر اساس آزمون تحلیل واریانس (آنوا) تفاوت آماری معنیداری در سواد هوش مصنوعی دانشجویان بر حسب رشتههای مورد مطالعه وجود نداشت. بهعلاوه رابطه بین سواد هوش مصنوعی و معدل دانشجویان بر اساس آزمون پیرسون از نظر آماری معنیدار نبود.
میانگین مهارت امنیتی دستگاهها در میان دانشجویان دختر 16/4 و دانشجویان پسر 65/4 بود؛ بر اساس آزمون تی مستقل (t,-2.09, p=0.03) تفاوت معنیداری در میانگین مهارت امنیتی دستگاهها بر حسب جنسیت دانشجویان وجود داشت. همچنین میانگین مهارت امنیتی دستگاهها در دانشجویان مقطع کارشناسی 34/4 و دانشجویان ارشد 86/3 بود و بر اساس آزمون تی مستقل (t, 2.23, p=0.03) در میانگین مهارت امنیتی دستگاهها بر حسب مقطع تحصیلی دانشجویان تفاوت آماری معنیداری وجود داشت. نتایج آزمون تحلیل واریانس (f, 2.43, p=0.049) نیز حاکی از تفاوت آماری معنیدار در میانگین مهارت امنیتی دستگاهها بر حسب رشته تحصیلی دانشجویان بود؛ این تفاوت میانگین بین دانشجویان علم اطلاعات 57/4 و دانشجویان مطالعات 76/3 بود. همچنین رابطه بین مهارت امنیتی دستگاهها و معدل دانشجویان بر اساس آزمون پیرسون از نظر آماری معنیدار نبود.
جدول 4. سواد هوش مصنوعی و مهارت امنیتی دستگاهها بر اساس متغیرهای جمعیتشناختی
|
متغیرهای مورد بررسی |
آزمون |
آماره آزمون |
سطح معنیداری |
|
سواد هوش مصنوعی بر حسب جنسیت |
تیمستقل |
568/0- |
57/0 |
|
سواد هوش مصنوعی بر حسب مقطع |
تیمستقل |
71/1 |
09/0 |
|
سواد هوش مصنوعی بر حسب رشته |
آنوا |
60/1 |
175/0 |
|
سواد هوش مصنوعی بر حسب معدل |
پیرسون |
046/0 |
549/0 |
|
مهارت امنیتی ... بر حسب جنسیت |
تیمستقل |
09/2- |
03/0* |
|
مهارت امنیتی ... بر حسب مقطع |
تیمستقل |
23/2 |
03/0* |
|
مهارت امنیتی ... بر حسب رشته |
آنوا |
43/2 |
049/0* |
|
مهارت امنیتی ... بر حسب معدل |
پیرسون |
050/0- |
508/0 |
پاسخ سوال دوم: آیا رابطه معناداری بین متغیرهای پژوهش (آگاهی، کاربرد، ارزیابی، اخلاق هوش مصنوعی و مهارت امنیتی دستگاهها) وجود دارد؟
ضریب همبستگی، عددی مثبت یا منفی بین صفر یک است، صفر به معنی عدم وجود همبستگی و یک به معنی همبستگی کامل است. از نظر میوت[62] (2018) در ضریب همبستگی مقادیر 0 تا 19/0 به عنوان خیلی ضعیف، مقدار 2/0 تا 39/0 ضعیف، مقادیر 4/0 تا 59/0 به عنوان متوسط، 6/0 تا 79/0 قوی و 8/0 تا 1 به عنوان همبستگی بسیار قوی نشان داده میشود. در این مطالعه بهمنظور بررسی رابطه بین ابعاد چهارگانه سواد هوش مصنوعی، سواد هوش مصنوعی (کل) و مهارت امنیتی دستگاهها از آزمون همبستگی پیرسون استفاده شد (جدول 5). در بین ابعاد سواد هوش مصنوعی بیشترین همبستگی (r, 0.660, p=0.001) بین دو بعد کاربرد و ارزیابی (حد قوی) و کمترین همبستگی (r, 0.243, p=0.001) بین کاربرد و اخلاق (ضعیف) بود. نتایج آزمون همبستگی پیرسون در رابطه بین مهارت امنیتی دستگاهها با کاربرد (r, 0.533, p=0.001) و ارزیابی (r, 0.560, p=0.001) هر دو در حد متوسط بود. نتایج آزمون همبستگی پیرسون (r, 0.533, p=0.001) نشان داد که رابطه مثبت و معناداری بین سواد هوش مصنوعی با مهارت امنیتی دستگاهها در حد متوسط وجود دارد. همبستگی بین تمام متغیرها مثبت بود، یعنی با افزایش یک متغیر، متغیر دیگر نیز افزایش مییابد.
جدول 5. آزمون همبستگی پیرسون برای بررسی رابطه بین متغیرهای پژوهش
|
متغیرهای مورد بررسی |
مقادیر آزمون |
کاربرد ... |
ارزیابی ... |
اخلاق ... |
مهارت ... |
|
آگاهی |
آماره |
496/0** |
496/0** |
380/0** |
351/0** |
|
Sig |
001/0 |
001/0 |
001/0 |
001/0 |
|
|
کاربرد |
آماره |
1 |
660/0** |
243/0** |
533/0** |
|
Sig |
- |
001/0 |
001/0 |
001/0 |
|
|
ارزیابی |
آماره |
496/0** |
1 |
258/0** |
560/0** |
|
Sig |
001/0 |
- |
001/0 |
001/0 |
|
|
سواد هوش مصنوعی (کل) |
آماره |
- |
- |
- |
539/0** |
|
Sig |
- |
- |
- |
001/0 |
|
|
مهارت امنیتی دستگاهها |
آماره |
533/0** |
560/0** |
189/0** |
1 |
|
Sig |
001/0 |
001/0 |
001/0 |
- |
پاسخ فرضیه (اول): ابعاد سواد هوش مصنوعی قادر به پیشبینی مهارت امنیتی دستگاهها است.
بهمنظور بررسی تاثیر ابعاد سواد هوش مصنوعی بر مهارت امنیتی دستگاهها آزمون رگرسیون خطی چندگانه با استفاده از نرمافزارSPSS انجام شد که نتایج آن در جدول 6، ارائه شده است. در این آزمون آگاهی، کاربرد، ارزیابی و اخلاق متغیرهای پیشبین و مهارت امنیتی دستگاهها متغیر وابسته است. ضریب همبستگی 601/0 و ضریب تعیین (R2) 362/0 است. ضریب تعیین درصد تغییرات در متغیر وابسته توسط متغیرهای مستقل را نشان میدهد که توسط این مدل رگرسیون تبیین شده است. در پژوهش حاضر ضریب تعیین حاکی از آن است که 2/36 درصد از تغییرات متغیر وابسته توسط متغیرهای مستقل تبیین شده است.
مقدار آمارهی آزمون معنیداری مدل ( آماره تحلیل واریانس) برابر با 78/26 است. با توجه به اینکه سطح معناداری آزمون کمتر از 01/0 است؛ مدل با اطمینان 99 درصد معنیدار است. از ابعاد سواد هوش مصنوعی، بعد کاربرد با ضریب بتا (279/0) قدرت پیشبینیکننده مثبت دارد و از نظر آماری در سطح معنادار (001/0) است. بر اساس ضریب بتا (279/0) میتوان نتیجه گرفت که با افزایش یک واحد نمره در بعد کاربرد، مهارت امنیتی دستگاهها در میان دانشجویان 279/0 واحد افزایش مییابد. همچنین بعد ارزیابی با ضریب بتا (356/0) قدرت پیشبینیکننده مثبت دارد و از نظر آماری در سطح معنادار (001/0) است. ضریب بتا (356/0) حاکی از آن است که با افزایش یک واحد نمره در بعد ارزیابی، مهارت امنیتی دستگاهها در میان دانشجویان 356/0 واحد افزایش مییابد.
جدول 6. خلاصه مدل رگرسیون، تحلیل واریانس و مشخصههای آماری رگرسیون ابعاد سواد هوش مصنوعی بر مهارت امنیتی دستگاهها
|
مدل |
R |
R2 |
F |
Sig |
|
1 |
601/0 |
362/0 |
78/26 |
001/0 |
|
متغیر/شاخص |
B |
Beta |
t |
Sig |
|
مقدار ثابت |
926/0 |
- |
33/2 |
021/0** |
|
آگاهی |
033/0 |
029/0 |
4/0 |
690/0 |
|
کاربرد |
305/0 |
279/0 |
48/3 |
001/0** |
|
ارزیابی |
388/0 |
356/0 |
44/4 |
001/0** |
|
اخلاق |
018/0 |
018/0 |
29/0 |
774/0 |
بحث و نتیجهگیری
سواد هوش مصنوعی میتواند به عنوان شاخصی برای تعریف شایستگیهایی دانشجویان در زندگی روزمره و حرفهای آینده مورد استفاده قرار گیرد. در واقع سواد هوش مصنوعی دانشجویان را قادر کند که از هوش مصنوعی به عنوان ابزاری برای یادگیری به روشی اخلاقی استفاده نمایند. پژوهش حاضر به بررسی تاثیر سواد هوش مصنوعی دانشجویان دانشکده علوم تربیتی و روانشناسی دانشگاه شهید مدنی آذربایجان بر مهارت امنیتی دستگاههای هوشمند پرداخت.
وضعیت سواد هوش مصنوعی دانشجویان و مهارت امنیتی دستگاهها
بر اساس یافتهها میانگین سواد هوش مصنوعی دانشجویان در مجموع و همچنین ابعاد چهارگانه (آگاهی، کاربرد، ارزیابی و اخلاق) کمی بالاتر از میانگین فرضی 4 در طیف 7 گزینهای لیکرت بود، که حاکی از سطح متوسط سواد هوش مصنوعی در بین این دانشجویان بود؛ با این وجود سطح سواد هوش مصنوعی دانشجویان با سطح مطلوب فاصله دارد. لریاس و همکاران (2024) نیز همسو با یافتههای پژوهش حاضر میانگین سواد هوش مصنوعی پاسخگویان را کمی بالاتر از حد متوسط گزارش کردند، با این تفاوت که پاسخگویان، مدرسان دانشگاه پلیتکنیک پورتالگره پرتغال بودند. همچنین یافته پژوهش علیمی و همکاران (2021) که حاکی از عدم آگاهی دانشجویان در ایالت کوارا اندونزی از هوش مصنوعی و کاربرد آن در یادگیری بود تا حدودی با یافته پژوهش حاضر که بعد کاربرد و آگاهی از سواد هوش مصنوعی با حد مطلوب فاصله دارد همسو است. همسویی این دو پژوهش را میتوان در وجود شکاف در آگاهی و کاربرد هوش مصنوعی در میان دانشجویان ذکر کرد، اگرچه این شکاف در پژوهش حاضر بواسطه کسب حد متوسط در دو متغیر(آگاهی و کاربرد) و همچنین سال انجام پژوهش کمتر است. در مجموع ارتقاء سواد هوش مصنوعی به سطح مطلوب مستلزم تلاشهای هدفمند برای ادغام هوش مصنوعی در سیستمهای آموزشی و افزایش آگاهی در مورد اهمیت آن است.
در میان ابعاد چهارگانه سواد هوش مصنوعی، دانشجویان در بعد اخلاق نسبت به سایر ابعاد وضعیت بهتری داشتند، که حاکی از توجه به مباحث اخلاقی در استفاده از هوش مصنوعی است. کمترین میانگین در ابعاد چهارگانه، بعد کاربرد هوش مصنوعی بود، این بعد توانمندی فرد را در این خصوص نشان میدهد. همسو با این یافته لریاس و همکاران (2024) خودکارآمدی هوش مصنوعی مدرسان دانشگاه پلیتکنیک پورتالگره، کمترین میانگین در ابعاد سهگانه مورد بررسی بود؛ با این تفاوت که در پژوهش حاضر میانگین بالاتر از حد متوسط و در پژوهش اخیر کمتر از حد متوسط بود و جامعه آماری نیز دو گروه متفاوت دانشجویان و مدرسان دانشگاه بودند؛ این تفاوت میانگین میتواند حاکی از توجه نسل جوانتر به هوش مصنوعی باشد.
همچنین در پژوهش حاضر میانگین مهارت امنیتی دستگاهها (یعنی استفاده از نرمافزار برای شناسایی و حذف ویروسها، چگونگی تشخیص ویروس در دستگاه دیجیتال خود، آشنایی با نحوه مسدود کردن ایمیل/هرزنامههای خواسته و ناخواسته، و مواجه و رفع مشکل هنگام استفاده از دستگاه (کامپیوتر، تلفن هوشمند و غیره)، علیرغم اینکه کمی بالاتر از حد متوسط بود، با حد مطلوب فاصله داشت. بکریزاده و همکاران (1402) نیز همسو با پژوهش حاضر، سطح مهارت امنیتی دستگاهها در بین کتابداران دانشگاه پیام نور را در حد کمی بالاتر از متوسط گزارش کردند. بهعلاوه تا حدودی همسو با پژوهش حاضر، پپیتو و آکلدان (2022) در بررسی مهارت امنیتی دستگاهها در میان دانشجویان در فیلیپین، سطح خوب این مهارت را گزارش کردند. این در حالی است که یافتههای عزیزی و همکاران (1403) در خصوص مهارتهای امنیتی دیجیتالی دانشجویان حاکی از حد نسبتا متوسط بود که البته گردآوری داده در سال 1398-1399 انجام شده بود و این تفاوت در سطح مهارت دو پژوهش میتواند ناشی از اختلاف زمانی باشد.
وضعیت سواد هوش مصنوعی و مهارت امنیتی دستگاهها بر اساس متغیرهای جمعیت شناختی دانشجویان
بر اساس یافتهها تفاوتی در میانگین سواد هوش مصنوعی دانشجویان بر اساس متغیرهای جمعیت شناختی جنسیت، مقطع تحصیلی و رشته تحصیلی وجود نداشت. همسو با پژوهش حاضر علیمی و همکاران (2021) نیز عدم وجود تفاوت آماری معنیدار در سواد هوش مصنوعی دانشجویان ایالت کوارا اندونزی را گزارش کردند. نیز در پژوهش حاضر رابطه معناداری بین سواد هوش مصنوعی و معدل دانشجویان مشاهده نشد؛ بهعبارت دیگر سواد هوش مصنوعی دانشجویان با معدلهای مختلف تقریباً مشابه بود. میانگین معدل پاسخگویان در حدود 17 و انحراف معیار 22/1 بود، یعنی بیشتر پاسخگویان سطح نسبتا مشابهی در معدل داشتند، لذا بهدلیل همگنی نسبی معدل پاسخگویان، ممکن است تاثیر معدل بر سواد هوش مصنوعی آشکار نشده باشد. علیرغم عدم وجود رابطه معنیدار بین این دو متغیر، سواد هوش مصنوعی همچنان یک مهارت حیاتی برای اشتغال، یادگیری مادامالعمر و سازگاری با دنیای فناوریمحور امروز است؛ کسب سطح بالاتر از حد متوسط در سواد هوش مصنوعی میتواند حاکی از آمادگی نسبی پاسخگویان برای کار و زندگی در دنیای دیجیتال امروز باشد. لازم به ذکر است که یافتههای پژوهش حاضر بر اساس خوداظهاری دانشجویان است، لذا در کاربرد نتایج باید به این نکته مدنظر قرار گیرد. نیز به نظر میرسد دسترسی برابر دانشجویان به امکانات فناوری فراهم شده در دانشگاهها، خانوادهها و غیره، باعث شده است که سواد هوش مصنوعی دانشجویان صرفنظر از ویژگیهای جمعیتشناختی آنها مشابه باشد. سواد هوش مصنوعی نسبتا مشابه دانشجویان رشتههای مختلف دانشکده علوم تربیتی و روانشناسی میتواند در برنامهریزی برای تقویت این مهارت موثر باشد. در این راستا یافتههای آلاماکی و همکاران (2024) حاکی از اهمیت آموزش گروهی سواد هوش مصنوعی بود.
بر اساس یافتهها میزان مهارت امنیتی دستگاهها بر حسب جنسیت، مقطع تحصیلی و رشته تحصیلی دانشجویان تفاوت آماری معنادار داشت. دانشجویان پسر مهارت امنیتی بیشتری داشتند. مهارت امنیتی دانشجویان مقطع کارشناسی بیشتر از دانشجویان مقطع ارشد بود. این یافته میتواند بواسطه فرصت محدود دانشجویان ارشد بدلیل اشتغال برخی از آنها و همچنین تمرکز بر پایاننامه باشد. همچنین میانگین مقیاس مهارت امنیتی دستگاهها بر حسب رشتههای مورد بررسی (علوم تربیتی، علوم ورزشی، روانشناسی، مطالعات خانواده و علم اطلاعات) حاکی از آن بود که فقط بین دانشجویان مطالعات خانواده و علم اطلاعات تفاوت آماری معنادار وجود داشت. در واقع عدم وجود تفاوت به دلیل اینکه رشته پاسخگویان در حوزه کلان علوم اجتماعی بودند، قابل توجیه است. تفاوت میانگین در بین دو گروه نیز میتواند ناشی از سرفصل دروس دو رشته باشد؛ بهنحوی که سرفصل علم اطلاعات حاوی دروس عملی و نظری در حوزه فناوری اطلاعات است و سرفصل رشته مطالعات خانواده از سه بخش روانشناسی، جامعهشناسی و فقه و حقوق تشکیل شده است و دروس مرتبط با فناوری در این رشته محدود است.
رابطه بین متغیرهای پژوهش (آگاهی، کاربرد، ارزیابی، اخلاق هوش مصنوعی و مهارت امنیتی دستگاهها)
بر اساس یافتهها میتوان نتیجه گرفت که رابطه ابعاد سواد هوش مصنوعی با یکدیگر و همچنین با مهارت امنیتی دستگاهها در تمامی موارد مثبت و معنیدار است؛ یعنی با افزایش هر بعد سواد هوش مصنوعی دانشجویان، بعد دیگر نیز افزایش مییابد، اگر چه شدت و ضعف این رابطهها متفاوت بود. بهعبارت دیگر دانشجویانی که آگاهی بیشتری در خصوص هوش مصنوعی داشتند، کاربرد و ارزیابی بهتری نیز از این فناوری داشتند؛ آگاهی از سودمندی و استفاده راحت از فناوری هوش مصنوعی، زمینه ارزیابی و کاربرد بهتر ان است که همسو با مدلهای پذیرش فناوری است. همچنین دانشجویانی که کاربرد و استفاده بیشتری از هوش مصنوعی داشتند، ارزیابی بهتری از هوش مصنوعی و مهارت امنیتی بیشتری در حفظ دستگاهها داشتند. نیز دانشجویانی که ارزیابی بهتری از هوش مصنوعی داشتند، مهارت امنیتی بیشتری در حفظ دستگاهها نشان دادند. به بیان دیگر نگاه انتقادی پاسخگویان به هوش مصنوعی، منجر به مهارت آنها در فناوریهای هوشمند میشود. در مقایسه با سایر ابعاد، همبستگی و رابطه بین بعد اخلاق هوش مصنوعی و مهارت امنیتی دستگاهها علیرغم معنیدار بودن، در حد ضعیف بود. با توچه به اینکه مهارت در حفظ امنیت دستگاه هوشمند یک توانایی عملی است و اخلاق هوش مصنوعی جنبه نظری دارد، لذا وجود رابطه ضعیف میتواند به دلیل ماهیت این دو متغیر باشد؛ بعلاوه متغیرهای دیگری چون تجربه فردی و آموزشهای پیشین که در پژوهش حاضر مورد بررسی قرار نگرفته است، نیز میتواند در این رابطه دخیل باشد. به نظر میرسد که آموزش اخلاق هوش مصنوعی در صورت تلفیق با مهارتهای عملی در دستگاههای هوشمند، میتواند اثربخش باشد.
پیشبینی مهارت امنیتی دستگاهها از طریق ابعاد سواد هوش مصنوعی دانشجویان
بر اساس یافتهها از بین ابعاد سواد هوش مصنوعی، بعد کاربرد و ارزیابی سواد هوش مصنوعی در افزایش مهارت امنیتی دستگاهها در میان دانشجویان تاثیر دارد؛ بهعبارت دیگر دانشجویانی که از هوش مصنوعی استفاده کردهاند و توانایی بهتری در ارزیابی هوش مصنوعی و همچنین مهارت امنیتی بیشتری در حفظ دستگاه هوشمند داشتند. به نظر میرسد افزایش آگاهی از تهدیدات سایبری از طریق ارزیابی یا استفاده از ابزارهای هوش مصنوعی در تشخیص بدافزارها و حفظ امنیت دستگاه هوشمند موثر باشد. پذیرش هوش مصنوعی بهنحوی پذیرش یک فناوری است؛ اگرچه این پذیرش و کاربرد ممکن است به دلیل خودکار بودن نگرانیهای اخلاقی داشته باشد.
در یک جمعبندی کلی میتوان گفت که وضعیت موجود سواد هوش مصنوعی (آگاهی، کاربرد، ارزیابی و اخلاق) دانشجویان مورد مطالعه و میزان مهارت امنیتی آنها در حفظ دستگاه هوشمند علیرغم اینکه بالاتر از حد متوسط است ولی با وضعیت مطلوب فاصله دارد. همچنین وضعیت سواد هوش مصنوعی دانشجویان بر اساس متغیرهای جمعیتشناختی مورد بررسی (جنسیت، مقطع تحصیلی و معدل) در مجموع تقریبا مشابه بود؛ این امر برنامهریزی برای تقویت سواد هوش مصنوعی دانشجویان را برای برنامهریزان ذیربط تسهیل میکند. در خصوص محدودیتهای پژوهش حاضر میتوان به مواردی چون پیمایش بر اساس خوداظهاری پاسخگویان، مقطعی بودن، نرخ بازگشت پایین پرسشنامه، عدم تناسب در تعداد جامعه مورد مطالعه بر اساس مقطع تحصیلی (تعداد دانشجویان ارشد در برخی رشتهها بسیار کم بود)، به ویژه بر اساس جنسیت، به غیر از رشته علوم ورزشی، تعداد دانشجویان پسر در سایر رشتههای مورد بررسی بسیار محدود بود؛ همچنین پژوهش حاضر گویهای در خصوص توزیع سنی و سطح تجربه فناوری پاسخگویان در پرسشنامه ارائه نکرده بود. این موارد امکان تحلیلهای بیشتر را محدود نمود. با توجه به یافتهها و محدودیتهای پژوهش پیشنهادات زیر ارائه میگردد:
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
[1] . McCarthy
[2] . Yahşi
[3] . Stryker & Kavlakoglu
[4] . Copeland
[5] . NG
[6] . Buckingham
[7] . Long
[8] . Lérias
[9] . Kong
[10] . Venkatesh
[11] . Long & Magerko
[12] . Awareness
[13]. Usage
[14]. Evaluation
[15]. Ethics
[16] . Wang
[17] . Norman
[18] . Davenport & Ronanki
[19] . Floridi
[20] . Jobin
[21] . Touretzky
[22] . Yi
[23] . Miao
[24] . Van Deursen & van Dijk
[25] . Laupichler
[26] . Černý
[27] . Alamäki
[28] . Alimi
[29] . Keles & Aydin
[30] . Lee
[31] . Polytechnic Institute of Porto
[32] . Shiri
[33]. Conceptualization of AI (understanding, awareness, knowledge); Contextualization of AI Literacy; Applied knowledge; AI applications and its interdisciplinarity; Skills: Use, recognize, interact and engage with, critically examine AI tools; Data; Ethical, legal, social aspects, issues, concerns; Environment (physical); Environment (digital); Organizational context; People: Individual context; Embodiment/tangibility; Time and chronology
[34] . Pepito & Acledan
[35] . Krejcie & Morgan
[36] . Research methods in education
[37] . Cohen
[38] . Celebi
[39]. Devices security skill
[40] . Rodríguez-de-Dios, Igartua & González-Vázquez
[41]. Structural Equation Modeling (SEM)
[42] . Convergent Validity
[43] . Discriminant validity
[44] . Memon & Rahman
[45] . Bland & Altman
[46] . Composite reliability
[47] . Netemeyer
[48] . Hair
[49] . Nunnally & Berstein
[50] . Convergent Validity
[51] . Average Variance Extracted (AVE)
[52] . Fornell & Larcker
[53] . Anderson & Gerbing
[54] . Dunn
[55] . Stevens
[56] . Campos & Campos
[57] . RMSEA
[58] . SRMR
[59] . Ringle
[60] . Normed Fit Index(NFI)
[61] . Byrne
[62] . Miot
)