Profiling Faculty Adoption of Generative AI: A Latent Profile Analysis of Platform Engagement and Inferred Drivers
Diese Studie nutzt die latente Profilanalyse von objektiven Plattform-Logdaten von 358 Fakultätsmitgliedern, um zwei unterschiedliche Profile der Nutzung generativer KI – „Lehrunterstützung“ und „Forschungsunterstützung“ – zu identifizieren und damit die Lücke zwischen selbstberichteten Intentionen und tatsächlichen Verhaltensweisen zu schließen, um differenzierte institutionelle Unterstützungsstrategien zu informieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu verstehen, wie eine Gruppe von Menschen ein neues, magisches Werkzeug nutzt. In der Welt der Wissenschaft wird dies oft als „Technologieadoption“ bezeichnet. Lange Zeit haben Forscher die Menschen gefragt: „Gefällt Ihnen dieses Werkzeug? Wie oft nutzen Sie es?“ Aber es gibt einen Haken: Menschen sind nicht immer ehrlich. Sie sagen vielleicht, dass sie ein Werkzeug jeden Tag nutzen, weil es cool klingt, oder sie vergessen die Male, in denen sie es tatsächlich benutzt haben. Diese Lücke zwischen dem, was Menschen sagen, was sie tun, und dem, was sie tatsächlich tun, ist ein großes Problem. Um dies zu beheben, beginnen Wissenschaftler, sich auf „digitale Fußabdrücke“ zu konzentrieren – die unsichtbaren Spuren, die wir hinterlassen, wenn wir auf Computern klicken, tippen und scrollen. Indem sie diese Fußabdrücke untersuchen, anstatt Fragen zu stellen, können Forscher die wahre Geschichte sehen. Diese Arbeit taucht in diese Welt ein und untersucht, wie Universitätsdozenten eine neue Art von „magischem Gehirn“ namens Generative KI nutzen. Sie fragt: Nutzen die Lehrer die KI nur, um ihre Hausaufgaben einfacher zu machen, oder nutzen sie sie, um neue Geheimnisse des Universums zu entdecken? Und spielt es eine Rolle, ob sie gut mit Computern umgehen können oder gerade erst damit anfangen?
Diese Studie mit dem Titel „Profiling Faculty Adoption of Generative AI“ wirft einen frischen Blick darauf, wie 358 Universitätsdozenten in Dalian, China, zwischen Januar und Juni 2025 tatsächlich eine intelligente Lernplattform genutzt haben. Anstatt Umfragen zu versenden und auf die Wahrheit zu hoffen, agierten die Forscher wie digitale Detektive. Sie analysierten die „Logs“ – die automatischen Aufzeichnungen über jeden Klick, jede Minute, die verbracht wurde, und jede genutzte Funktion durch die Dozenten. Sie wollten wissen, ob es verborgene Muster im Verhalten dieser Dozenten gab.
Unter Verwendung einer speziellen mathematischen Technik namens „Latent Profile Analysis“ (denken Sie an eine superintelligente Art, Menschen basierend auf ihren Gewohnheiten in Gruppen einzuteilen), fanden die Forscher heraus, dass die Dozenten ganz natürlich in zwei sehr unterschiedliche Lager fielen. Sie nutzten die KI nicht einfach nur ein bisschen oder viel; sie nutzten sie aus völlig unterschiedlichen Gründen.
Die erste Gruppe ist der „Teaching-Assistance Type“ (Lehrunterstützungs-Typ). Stellen Sie sich diese Lehrer als die „Klassenzimmer-Helfer“ vor. Sie tauchen meistens an Wochentagen auf, direkt während der normalen Schulzeiten, genau wie ein regulärer Arbeitstag. Sie nutzen die KI für Dinge, die ihnen beim Unterrichten helfen: das Erstellen von Unterrichtsplänen, das Bewerten von Aufgaben und das Erstellen von Lernmaterialien. Diese Lehrer neigen dazu, Anfänger in der Technologie zu sein. Sie nutzen das Werkzeug, um ihren täglichen Lehrberuf reibungsloser und schneller zu gestalten, aber sie tauchen normalerweise nicht tief in komplexe Forschungsaufgaben ein. Sie sind die zuverlässigen Arbeiter, die das Werkzeug nutzen, um ihren Hauptjob zu erledigen.
Die zweite Gruppe ist der „Research-Support Type“ (Forschungsunterstützungs-Typ). Dies sind die „Tiefen-Taucher“. Sie sind viel aktiver an Abenden und Wochenenden, Zeiten, in denen die meisten Menschen sich entspannen. Sie nutzen die KI nicht nur für einfache Aufgaben; sie nutzen sie für schwere Arbeit wie das Schreiben akademischer Arbeiten, das Verwalten komplexen Wissens und das Analanalysieren von Forschungsdaten. Diese Gruppe besteht hauptsächlich aus Experten, die sehr sicher im Umgang mit Technologie sind. Sie behandeln die KI wie einen mächtigen Partner bei ihren wissenschaftlichen Entdeckungen und nutzen sie für lange, anhaltende Zeiträume, um schwierige Probleme zu lösen.
Die Studie legt nahe, dass diese beiden Gruppen sehr verschieden sind. Die „Teaching-Assistance“-Lehrer sind wie Pendler, die den Zug nutzen, um pünktlich zur Arbeit zu kommen, während die „Research-Support“-Lehrer wie Entdecker sind, die den Zug nutzen, um spät in der Nacht in neue, unkartierte Länder zu reisen. Die Daten zeigten, dass beide Gruppen das Werkzeug nutzen, aber ihre Gewohnheiten, ihr Timing und ihr Kompetenzniveau sehr unterschiedlich sind.
Eine interessante Sache, die die Studie fand, ist, dass es wichtig ist, gut mit Computern umgehen zu können. Die „Tiefen-Taucher“ (Research-Support) waren viel wahrscheinlicher Experten, während die „Klassenzimmer-Helfer“ meist Anfänger waren. Dies deutet darauf darauf hin, dass, wenn man möchte, dass Lehrer KI für tiefe Forschung nutzen, sie zuerst mehr Training und Selbstvertrauen benötigen könnten.
Die Forscher sind vorsichtig darauf hinzuweisen, dass dies auf Daten von nur einer Universität basiert, daher können wir nicht zu 100 % sicher sein, dass dies für jede Schule auf der Welt gilt. Die Muster, die sie gefunden haben, sind jedoch innerhalb ihrer Daten klar und stark. Sie argumentieren, dass Schulen die Dozenten nicht alle gleich behandeln sollten. Anstatt allen die gleiche langweilige Schulung zu geben, sollten Schulen unterschiedliche Arten von Hilfe anbieten: schnelle, einfache Tipps für die „Klassenzimmer-Helfer“, die einfach nur Aufgaben schneller bewerten wollen, und fortgeschrittene Deep-Dive-Workshops für die „Tiefen-Taucher“, die die Grenzen der Wissenschaft erweitern wollen.
Indem sie sich auf die tatsächlichen digitalen Fußabdrücke statt nur auf das zu verlassen, was Menschen sagen, öffnet diese Arbeit ein Fenster in die reale Welt der Art und Weise, wie Lehrer sich an die Zukunft anpassen. Sie zeigt, dass zwar alle dasselbe Werkzeug benutzen, sie es aber auf zwei sehr unterschiedliche Arten nutzen, um zwei sehr unterschiedliche Probleme zu lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.