Sintesi Tecnica: Norme Sociali e Coinvolgimento degli Studenti nell'Apprendimento Supportato da GenAI

Definizione del Problema

Sebbene l'Intelligenza Artificiale Generativa (GenAI) stia trasformando rapidamente l'istruzione superiore attraverso strumenti come sistemi di raccomandazione intelligente e valutazione automatizzata, i meccanismi che collegano l'accettazione dell'IA al reale coinvolgimento degli studenti rimangono insufficientemente compresi. La ricerca esistente si concentra spesso sulle funzionalità tecniche o sull'adozione iniziale della tecnologia, trascurando i processi psicologici che traducono l'accettazione in comportamenti di apprendimento sostenuti e profondi. Inoltre, il ruolo delle norme sociali — le aspettative percepite da parte di insegnanti, pari e istituzioni — come condizione di contorno in questo processo ha ricevuto un'attenzione limitata. Esiste una lacuna nella comprensione di come gli atteggiamenti individuali, i fattori motivazionali (intenzione) e le credenze di capacità (auto-efficacia) interagiscano all'interno di un contesto sociale per guidare il coinvolgimento in ambienti dinamici di GenAI.

Metodologia

Lo studio ha impiegato un design quantitativo trasversale per testare un modello teorico integrato che combina la Teoria del Comportamento Pianificato (TPB) e la Teoria Cognitiva Sociale (SCT).

• Partecipanti: I dati sono stati raccolti da 2.568 studenti (inclusi studenti universitari e di specializzazione) in dieci università in Cina, rappresentando diversi livelli educativi (università e college giunior) e discipline (Lettere, Scienze, Ingegneria, ecc.).
• Strumento: Un questionario strutturato online somministrato tramite la piattaforma Wenjuanxing comprendeva cinque costrutti latenti misurati su scale Likert a cinque punti:
  1. Atteggiamenti verso l'IA: Valutazioni cognitive ed emotive dell'IA (6 item).
  2. Auto-efficacia nell'IA: Fiducia nell'uso efficace degli strumenti di IA (4 item).
  3. Intenzione di Uso: Volontà di continuare a usare l'IA per l'apprendimento (4 item).
  4. Coinvolgimento dello Studente: Coinvolgimento multidimensionale (comportamentale, emotivo, cognitivo, agente) nei contesti di GenAI (19 item).
  5. Norme Sociali di Supporto: Percezione di incoraggiamento e supporto di risorse da parte dell'ambiente sociale (4 item).
• Analisi: I ricercatori hanno utilizzato il Modellamento di Equazioni Strutturali con Minimi Quadrati Parziali (PLS-SEM) tramite SmartPLS 4. L'analisi ha comportato:
  • La valutazione della affidabilità e della validità del modello di misurazione (Alfa di Cronbach, Affidabilità Composita, AVE, HTMT).
  • Il test di effetti diretti, mediatori e moderatori utilizzando il bootstrapping (5.000 campionamenti).
  • La valutazione delle dimensioni dell'effetto ($f^2$) e della rilevanza predittiva ($R^2$, SRMR).

Contributi Chiave

Lo studio apporta tre contributi teorici primari:

1. Integrazione Teorica: Estende l'integrazione di TPB e SCT specificamente ai contesti di apprendimento con GenAI, proponendo un percorso sequenziale in cui gli atteggiamenti plasmano l'auto-efficacia, la quale poi influenza l'intenzione, guidando infine il coinvolgimento. Significativamente, posiziona l'auto-efficacia come temporalmente antecedente all'intenzione in questo specifico contesto, sostenendo che gli apprendenti debbano percepire la propria capacità prima di formare intenzioni sostenute.
2. Espansione dei Risultati: Sposta il focus dalla mera adozione della tecnologia al coinvolgimento dello studente come risultato primario, catturando la profondità dell'interazione richiesta negli ambienti di GenAI.
3. Condizioni di Contorno Contestuali: Concettualizza le norme sociali di supporto non solo come predittori diretti, ma come critici moderatori che rafforzano la traduzione di atteggiamenti in credenze, intenzioni e comportamenti.

Risultati

Il modello strutturale ha dimostrato un adattamento soddisfacente ($SRMR = 0,033$, $NFI = 0,885$, $R^2 = 0,688$ per il coinvolgimento).

• Effetti Diretti: Gli atteggiamenti verso l'IA predicono in modo significativo e positivo il coinvolgimento dello studente ($\beta = 0,330$).
• Effetti Mediatori:
  • L'Auto-efficacia media parzialmente la relazione tra atteggiamenti e coinvolgimento ($\beta = 0,129$).
  • L'Intenzione di Uso media parzialmente la relazione tra atteggiamenti e coinvolgimento ($\beta = 0,151$).
  • Mediazione Sequenziale: Esiste una mediazione a catena significativa: Atteggiamenti verso l'IA $\rightarrow$ Auto-efficacia $\rightarrow$ Intenzione di Uso $\rightarrow$ Coinvolgimento dello Studente ($\beta = 0,068$).
• Effetti Moderatori: Le Norme Sociali di Supporto moderano significativamente le relazioni tra gli atteggiamenti verso l'IA e:
  • L'Auto-efficacia ($\beta = 0,081$)
  • L'Intenzione di Uso ($\beta = 0,111$)
  • Il Coinvolgimento dello Studente ($\beta = 0,162$)
  • Interpretazione: Gli effetti positivi degli atteggiamenti verso l'IA su questi risultati sono significativamente più forti quando le norme sociali di supporto sono elevate rispetto a quando sono basse.
• Dimensioni dell'Effetto: L'atteggiamento verso l'IA ha mostrato un effetto grande sull'auto-efficacia ($f^2 = 0,657$) ed effetti medi su intenzione e coinvolgimento. Gli effetti di interazione (moderazione) sono piccoli in magnitudo ma statisticamente significativi, indicando che influenzano significativamente la forza delle relazioni principali.

Significato e Rivendicazioni

Gli autori affermano che questo studio fornisce una spiegazione completa di come gli apprendenti passino dalla percezione all'azione negli ambienti di apprendimento supportati dall'IA.

• Chiarificazione del Meccanismo: I risultati confermano che gli atteggiamenti positivi verso l'IA sono fondamentali, ma la loro traduzione in coinvolgimento è mediata dalla fiducia dell'apprendente (auto-efficacia) e dalla motivazione (intenzione). Crucialmente, lo studio postula che l'auto-efficacia agisca come un prerequisito per l'intenzione in questo contesto, dove la fiducia nella capacità precede la formazione di intenzioni d'uso sostenute.
• Importanza Contestuale: Lo studio sottolinea che i fattori psicologici individuali non operano nel vuoto. Le norme sociali di supporto agiscono come critiche condizioni di contorno che amplificano l'impatto degli atteggiamenti positivi. In contesti collettivisti, l'allineamento del comportamento con le aspettative sociali percepite aumenta significativamente la probabilità di coinvolgimento.
• Implicazione Pratica: Gli autori suggeriscono che un'integrazione efficace dell'IA richiede un approccio coordinato: promuovere atteggiamenti positivi, costruire la fiducia degli apprendenti attraverso esperienze scaffolded (supportate) e coltivare attivamente ambienti istituzionali e tra pari favorevoli.

Il documento conclude che, sebbene il design trasversale limiti l'inferenza causale, il modello integrato offre un quadro robusto per comprendere l'interazione dinamica tra fattori cognitivi, motivazionali e contestuali nell'era dell'IA Generativa.