Learners’ Engagement with Artificial Intelligence: Validation of the Cognitive-Affective AI Engagement Model
Diese Studie validiert das Cognitive-Affective AI Engagement Model (CAAIEM) als ein zuverlässiges, vierdimensionales Framework zur Messung des Engagements von Universitätsstudierenden mit auf LLMs basierenden KI-Tools, wobei sie durch eine konfirmatorische Faktorenanalyse von Daten von 1.249 ungarischen Studierenden im ersten Studienjahr eine starke psychometrische Eigenschaft nachweist, während gleichzeitig die Notwendigkeit einer weiteren kulturübergreifenden Validierung angemerkt wird.
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
In den modernen Klassenzimmern findet eine stille Revolution statt, die nicht durch neue Lehrbücher oder Kreidetafeln vorangetrieben wird, sondern durch intelligente Computerprogramme, die in der Lage sind, Aufsätze zu schreiben, Probleme zu lösen und Gespräche zu führen. Diese Werkzeuge, bekannt als große Sprachmodelle, sind aus dem Bereich der Science-Fiction in das tägliche Leben der Studierenden übergegangen. Für Pädagogen und Forscher ist eine dringende Frage aufgetaucht: Wie treten Lernende tatsächlich mit diesen Technologien in Kontakt? Ist ihre Beziehung zur künstlichen Intelligenz lediglich eine Frage des Abhaks für die Nützlichkeit, oder beinhaltet sie tiefere Gefühle, Gewohnheiten und zukünftige Hoffnungen? Um dies zu verstehen, blicken Wissenschaftler auf das Engagement, ein Konzept, das beschreibt, wie tief eine Person in eine Aktivität involviert ist. Traditionell wurde dies durch die Linse betrachtet, ob ein Werkzeug nützlich oder einfach zu bedienen ist. Da künstliche Intelligenz jedoch immer konversationsfähiger und persönlicher wird, vermuten Forscher, dass das Bild komplexer ist. Es umfasst wahrscheinlich, wie oft ein Student mit dem Werkzeug interagiert, wie sehr er das Erlebnis genießt, wie sicher er sich in seiner Fähigkeit fühlt, es effektiv zu nutzen, und ob er plant, in den kommenden Jahren weiterhin damit zu lernen. Dieses Verständnis der verschiedenen Ebenen ist entscheidend, denn wenn Schulen und Entwickler sich nur darauf konzentrieren, ob ein Werkzeug funktioniert, könnten sie die emotionalen und verhaltensbedingten Treiber verpassen, die Studierende dazu bringen, immer wieder zum Lernen zurückzukehren.
Ein Forschungsteam der Universität Szeged in Ungarn machte sich daran, dieses unkartierte Gelände zu erforschen. Sie schlugen eine neue Art vor, wie Studierende mit künstlicher Intelligenz interagieren, und deuteten an, dass es sich nicht um ein einzelnes Gefühl handelt, sondern um eine Kombination aus vier verschiedenen Teilen. Sie nannten dies das kognitiv-affektive KI-Engagement-Modell. Der erste Teil ist die Interaktionsintensität, die schlichtweg misst, wie oft und wie intensiv ein Student diese Werkzeuge in seinem täglichen Leben und Studium nutzt. Der zweite Teil ist die instrumentelle Wirksamkeit, die den Glauben des Studenten einfängt, dass die Technologie ihm tatsächlich hilft, seine Arbeit schneller und besser zu erledigen. Der dritte Teil ist das affektive Engagement, ein Begriff, der sich auf die emotionale Seite des Erlebnisses bezieht: Empfinden die Studierenden Freude, Komfort und eine echte Zuneigung, wenn sie die KI nutzen? Das letzte Stück ist die Lernkontinuationsabsicht, die in die Zukunft blickt und misst, ob der Student plant, weiterhin über diese Technologien zu lernen und sie zu nutzen, während sie sich weiterentwickeln.
Um zu testen, ob dieses vierteilige Modell die Realität genau widerspiegelte, sammelten die Forscher eine große Gruppe von Erstsemestrigen. Sie luden 1.249 Studierende aus verschiedenen Fakultäten der Universität ein, an einer Studie teilzunehmen. Die Teilnehmer, die größtenteils zwischen 18 und 22 Jahre alt waren, füllten einen Fragebogen aus, der darauf ausgelegt war, jede dieser vier Bereiche zu messen. In den Fragen wurden sie gebeten, darüber zu berichten, wie häufig sie KI-Anwendungen nutzten, in welchem Maße sie zustimmten, dass KI ihre Leistung verbesserte, wie sehr sie die Nutzung genossen und ob sie beabsichtigten, in Zukunft weiterhin darüber zu lernen. Die Forscher verwendeten dann anspruchsvolle statistische Methoden, um zu sehen, ob sich die Antworten der Studierenden natürlich in den vier Kategorien gruppierten, die das Modell vorhersagte, oder ob die Daten eine andere Struktur nahelegten.
Die Ergebnisse waren eindeutig und unterstützten das neue Modell. Als die Forscher die Daten analysierten, fanden sie, dass die vier von ihnen vorgeschlagenen Kategorien tatsächlich der beste Weg waren, um das Engagement dieser Studierenden mit künstlicher Intelligenz zu beschreiben. Die Daten passten weder zu einem einfacheren Modell, bei dem alle Antworten auf ein einziges allgemeines Gefühl hindeuteten, noch passten sie zu einem Modell mit nur drei Kategorien. Stattdessen traten die vier distinkten Dimensionen als separate, aber miteinander verbundene Teile des Gesamterlebnisses hervor. Die Antworten der Studierenden zeigten konsistent, dass ihr Verhalten, ihr Glaube an die Nützlichkeit, ihre Emotionen und ihre Zukunftspläne allesamt messbare und unterscheidbare Aspekte ihres Engagements waren. Die Studie bestätigte, dass diese vier Teile zusammenwirken, um ein vollständiges Bild davon zu zeichnen, wie ein Lernender mit KI in Beziehung steht.
Die Forscher überprüften auch, um sicherzustellen, dass die gestellten Fragen zuverlässig waren und tatsächlich das maßen, was sie beabsichtigten zu messen. Sie stellten fest, dass die Fragen für jeden der vier Bereiche konsistent waren; zum Beispiel hingen die Fragen zum Vergnügen alle eng zusammen, ebenso wie die Fragen zu den Zukunftsplänen. Dies gab ihnen das Vertrauen, dass das Modell ein solides Instrument zum Verständnis des Schülerverhaltens ist. Darüber hinaus verifizierten sie, dass diese vier Bereiche unterschiedlich genug waren, um als separate Konzepte behandelt werden zu können, auch wenn sie miteinander verwandt waren. Beispielsweise neigte ein Student, der die KI als nützlich empfand, auch dazu, die Nutzung zu genießen, aber die Studie zeigte, dass Nützlichkeit und Vergnügen nicht dasselbe sind. Ähnlich verhielt es sich mit einem Studenten, der die KI häufig nutzte, im Vergleich zu einem, der schlichtweg plante, sie in der Zukunft zu nutzen – die Motivationen waren verschieden.
Diese Studie stellt einen bedeutenden Schritt dar, um die menschliche Seite der künstlichen Intelligenz in der Bildung zu verstehen. Indem die Forscher das Engagement in diese vier spezifischen Komponenten zerlegten, lieferten sie einen Rahmen, den Pädagogen und Entwickler nutzen können, um über einfache Nutzungsstatistiken hinauszublicken. Es legt nahe, dass für Studierende, um wirklich von der KI profitieren zu können, die Technologie nicht nur effektiv, sondern auch emotional resonant und mit ihren langfristigen Lernzielen im Einklang sein muss. Die Ergebnisse deuten darauf hin, dass eine erfolgreiche Integration dieser Werkzeuge Aufmerksamkeit dafür erfordert, wie sich Studierende gegenüber der Technologie fühlen und wie sie sich deren Nutzung in ihrer Zukunft vorstellen, und nicht nur, ob sie ihnen heute hilft, eine Aufgabe zu erledigen. Während sich die Studie auf eine spezifische Gruppe von Studierenden in Ungarn konzentrierte, bietet das von ihnen validierte Modell eine neue Sprache, um die komplexe Beziehung zwischen Lernenden und den intelligenten Maschinen zu beschreiben, die ihre Bildung zunehmend prägen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.