Modeling Artificial Intelligence Tool Adoption in Mathematics Teacher Education: A TAM-Based Structural Equation Modeling
Diese Studie nutzt ein erweitertes Technology Acceptance Model, um die KI-Adoptionsabsichten unter 268 Mathematikstudierenden in Lehramtsausbildung in Patna, Indien, zu analysieren, wobei sich zeigt, dass, während die wahrgenommene Nützlichkeit und die wahrgenommene Benutzerfreundlichkeit die positiven Einstellungen und Verhaltensabsichten stark vorantreiben, externe Faktoren wie die technologische Selbstwirksamkeit und die erleichternden Bedingungen einen relativ geringen direkten Einfluss haben.
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, eine Gruppe von angehenden Mathematiklehrern davon zu überzeugen, einen superintelligenten, KI-gesteuerten Roboter-Assistenten in ihren Klassenzimmern einzusetzen. Sie denken vielleicht: „Wenn sie nur glauben, dass sie gut mit Computern können, oder wenn die Schule gutes WLAN stellt, werden sie ihn benutzen!“ Aber eine neue Studie aus Indien legt nahe, dass die Magie nicht ganz so funktioniert.
Die Forscher Vivek Kumar Rawat, M. T.V. Nagaraju und Kumari Dipti beschlossen, diese Idee mithilfe einer „Landkarte“ namens Technology Acceptance Model (TAM) zu testen. Sie baten 268 Lehramtsstudierende in Patna, Indien, einen Fragebogen über ihre Gefühle gegenüber KI-Tools auszufüllen. Betrachten Sie diesen Fragebogen als einen riesigen, digitalen Stimmungsring, der sechs verschiedene Dinge misst: wie nützlich sie die KI finden, wie einfach sie zu bedienen ist, wie sie darüber fühlen, ob sie planen, sie zu nutzen, wie sicher sie sich im Umgang mit Technik fühlen und welche Unterstützung die Schule bietet.
Die große Überraschung: Es geht nicht um Selbstvertrauen oder Unterstützung (zumindest nicht direkt)
Hier kommt die Wendung: Die Studie fand heraus, dass allein das Gefühl, kompetent in seinen Technik-Fähigkeiten zu sein (genannt „Technological Self-Efficacy“), oder eine Schule, die Unterstützung verspricht (genannt „Facilitating Conditions“), diese Studierenden in diesem speziellen Kontext nicht direkt dazu brachte, die KI nutzen zu wollen.
Tatsächlich zeigten die Daten, dass die Verbindung zwischen „Ich fühle mich sicher“ und „Ich halte dieses Werkzeug für nützlich“ für diese Gruppe statistisch nicht signifikant war. Die Forscher merkten an, dass diese Faktoren „wenig direkten Effekt“ zeigten, was darauf hindeutet, dass der Glaube an die eigenen Fähigkeiten und die durch das Umfeld gebotene Unterstützung keinen Vorhersagewert für die Einführung haben, sofern ihr erfahrungsbasierter Wert nicht explizit gemacht wird. Selbst die Vorstellung, dass „wenn ich plane, es zu nutzen, werde ich es einfach finden“, hielt in ihren Zahlen nicht stand.
Die wahren Treiber: „Ist es nützlich?“ und „Ist es einfach?“
Was hat also funktioniert? Die Studie fand heraus, dass die zwei wichtigsten Schlüssel, um den Wunsch der Studierenden zur Nutzung der KI freizusetzen, die wahrgenommene Nützlichkeit (Perceived Usefulness) und die wahrgenommene Benutzerfreundlichkeit (Perceived Ease of Use) waren.
Stellen Sie sich das so vor: Stellen Sie sich vor, Sie halten einen neuen, schicken Videospiel-Controller in der Hand.
- Wahrgenommene Nützlichkeit (PU): Das ist die Frage: „Wird dieser Controller mir wirklich helfen, den Boss-Level zu besiegen?“ Die Studie fand heraus, dass die Lehramtsstudierenden eher bereit waren, die KI zu mögen und nutzen zu wollen, wenn sie glaubten, dass die KI ihre zukünftigen Mathematiklektionen tatsächlich besser machen würde. Dies war der stärkste Faktor und wirkte wie ein schwerer Magnet, der sie zur Technologie zog.
- Wahrgenommene Benutzerfreundlichkeit (PEOU): Das ist die Frage: „Wird dieser Controller ein Albtraum zu verstehen sein?“ Wenn das Werkzeug einfach zu handhaben war, gab es den Studierenden ein besseres Gefühl bei der Nutzung.
Die Studie zeigte, dass wenn die Studierenden die KI als nützlich ansahen, dies dazu führte, dass sie das Werkzeug als einfacher in der Anwendung empfanden, und diese Kombination eine positive Einstellung erzeugte. Es ist, als fände man heraus, dass eine neue App einem nicht nur Zeit spart (Nützlich), sondern auch einen Button hat, auf dem steht „Mach es für mich“ (Einfach). Dann klickt man tatsächlich auf „Download“.
Die Zahlen lügen nicht
Die Forscher haben nicht nur geraten; sie haben die Zahlen durch eine komplexe statistische Engine namens Structural Equation Modeling laufen lassen. Die Ergebnisse waren unglaublich klar.
- Der Faktor „Nützlichkeit“ hatte einen starken, positiven Effekt auf die „Einstellung“ (ein Wert von 0,532).
- Der Faktor „Benutzerfreundlichkeit“ half ebenfalls, wenn auch etwas schwächer (ein Wert von 0,127).
- Das von ihnen erstellte Modell passte so perfekt zu den Daten, dass die Fehlerrate im Wesentlichen bei Null lag (RMSEA = 0,000) und der „Fit“-Wert bei einem perfekten 1,000 lag. Das bedeutet, dass ihre Landkarte, wie diese Gefühle zusammenhängen, für diese Gruppe von Studierenden sehr genau ist.
Das „Mediations“-Rätsel
Die Forscher testeten auch eine spezifische Theorie: Führt das „Gefühl von Kompetenz“ (Self-Efficacy) dazu, dass man das Werkzeug als „nützlich“ empfindet, was wiederum dazu führt, dass man es mag? Sie prüften diesen Pfad sorgfältig. Das Ergebnis? Nein. Der indirekte Pfad war zu klein, um zu zählen. In der Welt dieser 268 Lehramtsstudierenden führte das bloße Gefühl von Kompetenz nicht dazu, dass sie die KI als nützlich empfanden. Sie mussten zuerst den tatsächlichen Nutzen sehen.
Das Fazit
Wenn Sie also eine Schulleitung oder eine Lehrerausbildung leiten und KI in die Mathematikausbildung bringen wollen, legt diese Studie einen klaren Weg nahe. Kaufen Sie nicht einfach die Computer und sagen Sie den Lehrern: „Ihr könnt das!“ oder „Wir haben großartige Unterstützung!“ Während diese Dinge nett sind, sind sie für sich genommen kein magischer Schalter.
Stattdessen müssen Sie ihnen genau zeigen, wie die KI ihre Mathematiklektionen besser machen wird (Nützlichkeit) und beweisen, dass es kein Kopfzerbrechen bereiten wird, sie zu erlernen (Benutzerfreundlichkeit). Sobald sie sehen, dass das Werkzeug ein hilfreicher, einfach zu bedienender Partner ist, wird sich ihre Einstellung ändern und sie werden bereit sein, es anzunehmen. Die Studie bestätigt, dass für diese angehenden Lehrer das „Warum“ und das „Wie“ viel wichtiger sind als das „Ich kann“ oder das „Wir haben“, es sei denn, diese Faktoren sind an klare, explizite Erfahrungen des Wertes der Technologie gekoppelt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.