📄 social_science

Modeling Artificial Intelligence Tool Adoption in Mathematics Teacher Education: A TAM-Based Structural Equation Modeling

Questo studio utilizza un modello di accettazione della tecnologia aumentato per analizzare le intenzioni di adozione dell'IA tra 268 insegnanti di matematica tirocinanti a Patna, in India, rivelando che, mentre l'Utilità Percepita e la Facilità d'Uso guidano fortemente atteggiamenti e intenzioni comportamentali positivi, fattori esterni come l'Autoefficacia Tecnologica e le Condizioni Facilitanti hanno un impatto diretto relativamente basso.

Autori originali: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

Pubblicato 2026-07-14

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Vivek Kumar Rawat, M. T.V. Nagaraju, Kumari Dipti

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di convincere un gruppo di futuri insegnanti di matematica a iniziare a usare un assistente robotico super intelligente e dotato di intelligenza artificiale nelle loro classi. Potresti pensare: "Se solo credessero di essere bravi con i computer, o se la scuola fornisse una buona connessione Wi-Fi, lo userebbero!". Ma un nuovo studio dall'India suggerisce che il "trucco" non funziona proprio in questo modo.

I ricercatori, Vivek Kumar Rawat, M. T.V. Nagaraju e Kumari Dipti, hanno deciso di testare questa idea utilizzando una "mappa" chiamata Modello di Accettazione della Tecnologia (TAM). Hanno chiesto a 268 tirocinanti insegnanti di Patna, in India, di compilare un sondaggio sui loro sentimenti verso gli strumenti di IA. Considera questo sondaggio come un enorme anello digitale delle emozioni che misura sei cose diverse: quanto ritengono utile l'IA, quanto sia facile da usare, come si sentono nei confronti di essa, se hanno intenzione di usarla, quanto si sentano sicuri con la tecnologia e quale supporto fornisce la scuola.

La Grande Sorpresa: Non si Tratta di Fiducia o Supporto (Almeno Non Direttamente)

Ecco il colpo di scena: lo studio ha scoperto che il semplice fatto di sentirsi sicuri delle proprie abilità tecnologiche (chiamata "Autoefficacia Tecnologica") o di avere una scuola che promette di aiutare (chiamate "Condizioni Facilitanti") non ha reso gli studenti direttamente desiderosi di usare l'IA in questo specifico contesto.

Infatti, i dati hanno mostrato che il legame tra "Mi sento sicuro" e "Penso che questo strumento sia utile" non era statisticamente significativo per questo gruppo. I ricercatori hanno osservato che questi fattori mostravano "poco effetto diretto", indicando che la fiducia nelle proprie capacità e il supporto fornito dall'ambiente non hanno valore predittivo per l'adozione a meno che il loro valore esperienziale non venga reso esplicito. Persino l'idea che "se ho intenzione di usarlo, lo troverò facile" non ha retto ai numeri.

I Veri Motori: "È Utile?" e "È Facile?"

Allora, cosa ha funzionato? Lo studio ha scoperto che le due chiavi principali per sbloccare il desiderio degli studenti di usare l'IA erano l'Utilità Percepita e la Facilità d'Uso Percepita.

Pensa a questo: immagina di tenere in mano un nuovo e sofisticato controller per videogiochi.

Utilità Percepita (PU): Questa è la domanda: "Questo controller mi aiuterà davvero a battere il boss finale?". Lo studio ha scoperto che se i tirocinanti insegnanti credevano che l'IA avrebbe effettivamente reso le loro future lezioni di matematica migliori, erano molto più propensi a piacergli e a volerla usare. Questo è stato il fattore più forte, agendo come un potente magnete che li attirava verso la tecnologia.
Facilità d'Uso Percepita (PEOU): Questa è la domanda: "Questo controller sarà un incubo da capire?". Se lo strumento sembrava facile da gestire, faceva sentire meglio gli studenti riguardo al suo utilizzo.

Lo studio ha dimostrato che quando gli studenti vedevano l'IA come utile, la rendeva più facile da usare, e questa combinazione creava un atteggiamento positivo. È come scoprire che una nuova app non solo ti fa risparmiare tempo (Utile), ma ha anche un pulsante che dice "Fallo tu per me" (Facile). È allora che clicchi effettivamente su "Scarica".

I Numeri Non Mentono

I ricercatori non hanno solo tirato a indovinare; hanno eseguito i calcoli attraverso un complesso motore statistico chiamato Modellazione delle Equazioni Strutturali. I risultati erano incredibilmente chiari.

Il fattore "Utilità" aveva un forte effetto positivo sull' "Atteggiamento" (un punteggio di 0,532).
Il fattore "Facilità d'Uso" aiutava anch'esso, sebbene in modo un po' meno marcato (un punteggio di 0,127).
Il modello che hanno costruito si adattava ai dati così perfettamente che il tasso di errore era essenzialmente zero (RMSEA = 0,000) e il punteggio di "aderenza" era un perfetto 1,000. Ciò significa che la loro mappa di come questi sentimenti si connettono è molto accurata per questo gruppo di studenti.

Il Mistero della "Mediazione"

I ricercatori hanno anche testato una teoria specifica: la "fiducia in se stessi" (Autoefficacia) rende l'idea che lo strumento sia "utile", il che poi porta a piacerlo? Hanno controllato questo percorso con attenzione. Il risultato? No. Il percorso indiretto era troppo piccolo per essere conteggiato. Nel mondo di questi 268 tirocinanti insegnanti, il semplice sentirsi sicuri non li ha ingannati facendogli pensare che l'IA fosse utile. Avevano bisogno di vedere prima il beneficio reale.

La Conclusione

Quindi, se sei un dirigente scolastico o un formatore di insegnanti che vuole portare l'IA nell'educazione matematica, questo studio suggerisce un percorso chiaro. Non limitarti a comprare i computer e dire agli insegnanti: "Potete farcela!" o "Abbiamo un ottimo supporto!". Sebbene queste cose siano gradite, non sono l'interruttore magico da sole.

Inveve, devi mostrare loro esattamente come l'IA renderà le loro lezioni di matematica migliori (Utilità) e dimostrare che non sarà un mal di testa da imparare (Facilità d'Uso). Una volta che vedranno che lo strumento è un partner utile e facile da usare, il loro atteggiamento cambierà e saranno pronti ad adottarlo. Lo studio conferma che per questi futuri insegnanti, il "perché" e il "come" contano molto di più dell' "io posso" o del "noi abbiamo", a meno che questi ultimi non siano legati a esperienze esplicite e chiare del valore della tecnologia.

Sintesi Tecnica: Modellazione dell'adozione di strumenti di Intelligenza Artificiale nella formazione dei docenti di matematica

Definizione del problema
Sebbene gli strumenti di Intelligenza Artificiale (IA) — come i sistemi di tutoraggio intelligente e le piattaforme di apprendimento adattivo — offrano un potenziale significativo per ridefinire l'istruzione matematica attraverso il supporto personalizzato e la visualizzazione concettuale, la loro adozione tra i futuri docenti di matematica rimane inconsistente. Questa inconsistenza è attribuita alle variazioni nelle percezioni, alla prontezza digitale e ai livelli di supporto istituzionale. La letteratura esistente ha applicato ampiamente il Modello di Accettazione della Tecnologia (TAM) a tecnologie educative generali (ad es., e-learning, app mobili), ma vi è una scarsità di ricerca empirica che esamini specificamente l'adozione dell'IA nell'ambito della formazione dei docenti di matematica. Inoltre, l'interazione specifica tra i costrutti centrali del TAM e variabili esterne come l'Autoefficacia Tecnologica (TSE) e le Condizioni Facilitanti (FC) in questo specifico contesto richiede una validazione empirica per garantire l'integrità contestuale.

Metodologia
Lo studio ha impiegato un disegno di ricerca quantitativo trasversale basato sui Modelli di Equazioni Strutturali (SEM) per testare un modello TAM aumentato.

Campione: Lo studio ha intervistato 268 futuri docenti di matematica iscritti in istituzioni nel distretto di Patna, nel Bihar, in India, utilizzando un campionamento intenzionale.
Strumento: I dati sono stati raccolti tramite un questionario psicometricamente validato composto da 36 item su una scala Likert a cinque punti, che misurava sei costrutti latenti: Autoefficacia Tecnologica (TSE), Condizioni Facilitanti (FC), Utilità Percepita (PU), Facilità d'Uso Percepita (PEOU), Atteggiamento Verso l'Uso (ATU) e Intenzione Comportamentale (BI). La scala ha dimostrato un'alta affidabilità (Alfa di Cronbach = 0,869).
Analisi: La ricerca ha utilizzato l'Analisi Fattoriale Confermativa (CFA) per validare il modello di misurazione, seguita dalla Stima di Massima Verosimiglianza per testare le ipotesi strutturali. Il fit del modello è stato valutato utilizzando indici tra cui CFI, RMSEA, TLI e GFI.

Risultati Chiave
La modellazione delle equazioni strutturali ha prodotto un modello con un eccezionale indice di adattamento (CFI = 1,000, RMSEA = 0,000, TLI = 1,028), validando la robustezza del framework proposto.

Ipotesi Supportate:
- L'Utilità Percepita (PU) è risultata essere un forte predittore sia della Facilità d'Uso Percepita (PEOU) ( $\beta$ = 0,485, $p < ,001$ ) che dell'Atteggiamento Verso l'Uso (ATU) ( $\beta$ = 0,532, $p < ,001$ ).
- La Facilità d'Uso Percepita (PEOU) ha influenzato significativamente l'Atteggiamento Verso l'Uso (ATU) ( $\beta$ = 0,127, $p < ,001$ ).
- Questi risultati confermano le tradizionali relazioni del TAM in cui l'utilità e la facilità d'uso guidano gli atteggiamenti positivi.
Ipotesi Non Supportate:
- L'Autoefficacia Tecnologica (TSE) non ha influenzato significativamente l'Utilità Percepita (PU) ( $\beta$ = 0,056, $p > ,05$ ), contraddicendo studi precedenti che suggeriscono che l'autoefficacia sia un driver primario della percezione dell'utilità.
- Le Condizioni Facilitanti (FC) non hanno mostrato un'influenza diretta significativa sull'Intenzione Comportamentale (BI) nel percorso testato.
- Analisi di Mediazione: Lo studio ha testato se la PU mediates la relazione tra TSE e ATU. L'effetto indiretto non è stato statisticamente significativo, indicando che in questo specifico contesto, l'autoefficacia non si traduce in cambiamenti di atteggiamento attraverso la sola utilità percepita.

Contributi Chiave
Lo studio contribuisce alla letteratura:

Contestualizzando il TAM per l'IA nell'educazione matematica: Fornisce una base empirica per comprendere l'adozione dell'IA specificamente tra i futuri docenti di matematica, un vuoto identificato nelle revisioni precedenti.
Raffinando le Variabili Esterne: Mette in discussione l'applicabilità universale di TSE e FC come predittori diretti in questo dominio specifico, suggerendo che il loro impatto possa essere più complesso o indiretto rispetto a quanto teorizzato nella letteratura generale sull'adozione tecnologica.
Validazione del Modello: Stabilisce un modello strutturalmente solido con eccellenti indici di fit, offrendo un framework affidabile per la ricerca futura nella formazione dei docenti potenziata dall'IA.

Significatività e Rivendicazioni
Gli autori affermano che i risultati forniscono una base empirica per decisori politici ed educatori che mirano a integrare la preparazione all'IA nei programmi di formazione dei docenti. Lo studio suggerisce che, per favorire l'adozione dell'IA, i programmi di formazione dei docenti debbano dare priorità alla dimostrazione dei vantaggi didattici pratici (Utilità Percepita) e alla garanzia della usabilità (Facilità d'Uso Percepita) degli strumenti di IA, poiché questi sono i principali motori di un atteggiamento positivo e dell'intenzione comportamentale.

Sebbene lo studio rilevi che il supporto istituzionale (Condizioni Facilitanti) e l'autoefficacia siano necessari, i risultati indicano che essi sono insufficienti da soli a guidare l'adozione senza un esplicito valore esperienziale. Di conseguenza, gli autori propongono una "strategia a due facce" per l'intervento istituzionale: rafforzare i sistemi di credenze interne attraverso iniziative di sviluppo delle competenze e, contemporaneamente, ottimizzare le strutture di supporto esterno. Il documento conclude che questa concettualizzazione, teoricamente fondata ed empiricamente approvata, può guidare l'implementazione strategica delle tecnologie IA per potenziare i futuri docenti di matematica.

Articoli simili