🤖 AI

Exploring the Adoption Intention in Using AI-Enabled Educational Tools Among Preservice Teachers in the Philippines: A Partial-Least Square Modeling

Deze studie maakt gebruik van PLS-SEM om gegevens van 563 Filipijnse aanstaande leraren te analyseren, waarbij blijkt dat interne motivatie- en emotionele factoren, met name prestatieverwachting en hedonistische motivatie, de belangrijkste drijfveren zijn voor hun intentie om door AI mogelijk gemaakte educatieve hulpmiddelen te adopteren, en dat deze de invloed van externe institutionele factoren overtreffen.

Oorspronkelijke auteurs: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Vanessa B. Sibug, Emerson Q. Fernando, Almer B. Gamboa, Roque Francis B. Dianelo, Agnes R. Regala, Joseph Alexander Bansil, Jan Henry B. Sunga, Vernon Grace M. Maniago, John Paul P. Miranda

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je je voorbereidt om leraar te worden. Je staat op het punt om een klaslokaal binnen te gaan voor je eerste echte praktijkervaring (je "practicum"), en je hebt een nieuwe, krachtige gereedschapskist voor je: AI-onderwijsinstrumenten. Dit zijn slimme programma's die je kunnen helpen bij het maken van lesplannen, het nakijken van werkstukken of het creëren van leuke quizzen.

Maar hier is de grote vraag: Zal je ze daadwerkelijk gebruiken?

Dit artikel is als een detectiveverhaal dat onderzoekt waarom sommige toekomstige leraren in de Filipijnen enthousiast zijn om deze AI-tools te gebruiken, terwijl anderen misschien aarzelen. De onderzoekers vroegen 563 studentleraren om een enquête in te vullen en gebruikten vervolgens een speciaal wiskundig model (een "recept" voor het begrijpen van menselijk gedrag) om uit te zoeken wat hun beslissingen drijft.

Hier is wat ze ontdekten, simpel uitgelegd:

1. De twee belangrijkste motoren: "Helpt het me?" en "Is het leuk?"

De studie vond dat twee dingen de grootste drijfveren zijn voor het gebruik van AI, die fungeren als de twee motoren van een raket:

Verwachte prestaties (De "Superkracht"-factor): Dit is het geloof dat het instrument het werk van de leraar daadwerkelijk gemakkelijker of beter zal maken. Als een studentleraar denkt: "Deze AI zal me helpen sneller werkstukken te nakijken en mijn lessen geweldig laten lijken", dan is de kans groot dat ze het gebruiken. Het is als het kopen van een high-tech stofzuiger omdat je weet dat die je huis beter schoonmaakt dan een bezem.
Hedonische motivatie (De "Vreugde"-factor): Dit gaat simpelweg over plezier hebben. Als het instrument speels, vermakelijk of plezierig aanvoelt om te gebruiken, willen leraren het gebruiken. Het is het verschil tussen een klus doen en een videospelletje spelen. Als de AI meer voelt als een leuk speeltje dan als een saai opdracht, gaat de adoptie omhoog.

2. De misvatting over "gemakkelijk te gebruiken"

Je zou denken: "Als een instrument makkelijk te gebruiken is, zullen mensen het zeker gebruiken." De studie vond dat dit niet helemaal waar is voor deze leraren.

De bevinding: Hoe "gemakkelijk" een instrument is (Verwachte inspanning) zorgde niet direct ervoor dat leraren het wilden gebruiken.
De draai: "Gemakkelijk te gebruiken" wordt echter sterk beïnvloed door drie interne gevoelens:
- Zelfvertrouwen: "Geloof ik dat ik dit aankan?" (Computerselfeffectiviteit).
- Angst: "Ben ik bang dat ik het kapot maak?" (Computerangst).
- Speelsheid: "Voelt dit als een spelletje?" (Computerspeelsheid).
De analogie: Denk aan een nieuw videospel. Zelfs als de bediening simpel is (gemakkelijk te gebruiken), speel je het niet als je bang bent voor de knoppen of je dom voelt terwijl je het leert. Maar als je je zelfverzekerd voelt en denkt dat het spel leuk is, wil je spelen, zelfs als het een beetje lastig is.

3. Het verrassende "groepsdruk"-effect

Meestal denken we dat als onze vrienden of bazen ons zeggen iets te doen, we het zullen doen. De studie vond het tegenovergestelde voor AI.

De bevinding: Sociale invloed (wat collega's of toezichthouders zeggen) had eigenlijk een negatief effect.
De analogie: Stel je voor dat een leraar wordt verteld: "Je moet deze AI gebruiken omdat de directeur het zegt." In plaats van gemotiveerd te voelen, kunnen ze zich gedwongen of rebellisch voelen. Het is als een ouder die je vertelt een bepaald groente te eten; soms maakt de druk je minder geneigd om het te eten, omdat je voelt dat je vrijheid wordt afgenomen. Ze willen de tools gebruiken omdat zij het willen, niet omdat ze het zijn opgedragen.

4. Wat niet veel uitmaakte

De studie keek naar andere factoren, maar ze waren niet de belangrijkste drijfveren:

Institutionele ondersteuning: Het hebben van goed internet of computers (Faciliterende voorwaarden) zorgde er niet automatisch voor dat leraren AI wilden gebruiken. Je kunt een Ferrari in de garage hebben, maar als je het niet wilt rijden, staat het er alleen maar.
Prijs: Omdat de meeste van deze tools gratis of goedkoop zijn, was "waar voor je geld" geen grote beslissende factor.
Gewoonte: Het feit dat ze eerder technologie hadden gebruikt, garandeerde niet dat ze specifiek AI zouden gebruiken.

De conclusie

Het artikel concludeert dat we, om toekomstige leraren AI te laten gebruiken, niet alleen betere computers moeten bouwen of ze moeten dwingen het te gebruiken. In plaats daarvan moeten we ons richten op het binnenste van de leraar:

Toon ze de magie: Bewijs dat AI hen echt helpt hun werk beter te doen (Prestaties).
Maak het leuk: Zorg ervoor dat de tools boeiend en plezierig zijn (Hedonisch).
Bouw zelfvertrouwen op: Help hen zich bekwaam voelen en verlaag hun angst voor technologie.
Stop de druk: Laat hen kiezen om het te gebruiken omdat ze de waarde zien, niet omdat een baas het hen heeft opgedragen.

Kortom, voor deze toekomstige leraren is interne motivatie de sleutel, niet externe regels of infrastructuur.

1. Probleemstelling

De studie adresseert een kritieke lacune in de lerarenopleiding: het begrijpen van de specifieke factoren die de gedragsintentie van aanstaande leraren beïnvloeden om door AI mogelijk gemaakte educatieve hulpmiddelen (ETT's) te adopteren tijdens hun stagefase (studentleraren). Hoewel educatieve technologie steeds vaker in klaslokalen wordt geïntegreerd, hangt effectieve adoptie niet alleen af van infrastructuur, maar van de psychologische en contextuele factoren die toekomstige opvoeders drijven.

Bestaande literatuur mist vaak specifieke inzichten in hoe aanstaande leraren AI-specifieke hulpmiddelen (bijvoorbeeld generatieve AI voor lesplanning, geautomatiseerde beoordelingssystemen) navigeren binnen de unieke beperkingen van een stage. De auteurs beogen te identificeren of interne motivatie- of cognitieve factoren of externe institutionele factoren meer voorspellend zijn voor de adoptie-intentie in de Filipijnse context.

2. Methodologie

Onderzoeksontwerp en Deelnemers

Ontwerp: Beschrijvend cross-sectioneel onderzoek.
Deelnemers: 563 aanstaande leraren van lerarenopleidingen in Centraal-Luzon, Filipijnen.
Demografie: Overwegend vrouwelijk (71,4%), gemiddelde leeftijd 21,06. Specialisaties omvatten Lichamelijke Opvoeding (50%), Basisonderwijs (24,5%) en Secundair Onderwijs (25,4%).
Context: Deelnemers waren op dat moment ingeschreven in stagecursussen. De studie contextueleerde AI-hulpmiddelen om platforms zoals Canva, Slidesgo, Quillbot, ChatGPT, Gemini, Copilot, Quizizz, Kahoot! en Gradescope te omvatten.

Theoretisch Kader

De studie maakt gebruik van een uitgebreide versie van de Unified Theory of Acceptance and Use of Technology 2 (UTAUT2).

Kernconstructen: Performance Expectancy (PE), Effort Expectancy (EE), Hedonic Motivation (HM), Social Influence (SI), Facilitating Conditions (FC), Price Value (PV) en Habit (HB).
Uitgebreide Constructen: Het model integreert Computer Self-Efficacy (CSE), Computer Anxiety (CA) en Computer Playfulness (CP) als antecedenten voor EE en HM.
Aanvullende Predictoren voor PE: Extrinsic Motivation (EM), Job Fit (JF), Relative Advantage (RA) en Outcome Expectations (OE).

Instrument en Analyse

Dataverzameling: Online enquête (Google Forms) met een 4-punts Likert-schaal.
Analysetechniek: Partial Least Squares Structural Equation Modeling (PLS-SEM).
Validatie:
- Betrouwbaarheid: Cronbach's alpha en Composite Reliability (CR) waren hoger dan 0,70.
- Validiteit: Convergente validiteit bevestigd via Factor Loadings (>0,70) en Average Variance Extracted (AVE > 0,50). Discriminante validiteit bevestigd via het Fornell-Larcker-criterium.
Hypothese: 12 primaire hypothesen werden getoetst met betrekking tot directe en indirecte relaties tussen de constructen en de Behavioral Intention to Use (BITU).

3. Belangrijkste Resultaten

De PLS-SEM-analyse leverde de volgende significante bevindingen op:

A. Directe Predictoren van Gedragsintentie (BITU)

Performance Expectancy (PE): De sterkste positieve predictor ( $\beta = 0,302, p < .001$ ). Leraren die geloven dat AI hun lesprestaties verbetert, zijn waarschijnlijker om deze te adopteren.
Hedonic Motivation (HM): De tweede sterkste positieve predictor ( $\beta = 0,292, p < .001$ ). Genot dat voortvloeit uit het gebruik van de hulpmiddelen drijft adoptie significant.
Effort Expectancy (EE): Niet significant ( $\beta = -0,013, p = .830$ ). De waargenomen gebruiksgemak had geen directe invloed op de intentie om AI-hulpmiddelen te gebruiken in deze context.

B. Antecedenten van Effort Expectancy (EE)

Hoewel EE BITU niet direct voorspelde, werd het significant gevormd door:

Computer Self-Efficacy (CSE): Positieve invloed ( $\beta = 0,469$ ).
Computer Playfulness (CP): Positieve invloed ( $\beta = 0,387$ ).
Computer Anxiety (CA): Verrassend, een kleine maar significante positieve invloed ( $\beta = 0,059$ ), wat suggereert dat hogere angst geassocieerd was met een hoger waargenomen inspanningsniveau (of dat de relatie complex is in deze specifieke steekproef).

C. Antecedenten van Performance Expectancy (PE)

PE werd significant voorspeld door:

Extrinsic Motivation (EM): Sterkste drijver ( $\beta = 0,487$ ).
Outcome Expectations (OE): ( $\beta = 0,236$ ).
Job Fit (JF): ( $\beta = 0,162$ ).
Relative Advantage (RA): ( $\beta = 0,071$ ).

D. Contextuele en Gewoontegerelateerde Factoren (Niet-significant of Negatief)

Social Influence (SI): Toonde een significant negatief effect ( $\beta = -0,096, p = .014$ ). Externe druk van collega's of toezichthouders verlaagde daadwerkelijk de intentie om AI-hulpmiddelen te gebruiken, waarschijnlijk door waargenomen bedreigingen voor autonomie.
Facilitating Conditions (FC): Geen significant effect ( $\beta = -0,029$ ). Institutionele ondersteuning alleen drijft adoptie niet.
Price Value (PV) & Habit (HB): Toonden slechts marginale effecten ( $p > 0,05$ ), wat aangeeft dat kosten en eerdere routines geen primaire drijfveren zijn voor deze demografische groep.

4. Belangrijkste Bijdragen

Verfijning van UTAUT2 in AI-context: De studie valideert het UTAUT2-kader voor AI-adoptie, maar benadrukt een afwijking: Effort Expectancy is geen directe drijver van intentie in deze specifieke context, wat standaardveronderstellingen uitdaagt waarbij gebruiksgemak van het grootste belang is.
Identificatie van het "Social Influence Paradox": De bevinding dat Social Influence een negatief effect heeft, is een kritieke bijdrage. Het suggereert dat voor aanstaande leraren top-down of door druk van collega's opgelegde mandates vrijwillige adoptie van AI kunnen belemmeren, met benadrukking van de noodzaak van autonomie.
Psychologische versus Institutionele Drijfveren: Het onderzoek levert empirisch bewijs dat interne factoren (motivatie, genot, zelfvertrouwen) aanzienlijk zwaarder wegen dan externe factoren (infrastructuur, institutionele mandates, kosten) bij de adoptie van AI door toekomstige leraren.
Contextuele Specificiteit: Het biedt de eerste grootschalige PLS-SEM-analyse van AI-adoptie specifiek onder Filipijnse aanstaande leraren tijdens hun stage, een demografische groep die vaak over het hoofd wordt gezien in wereldwijde studies over AI-onderwijs.

5. Betekenis en Implicaties

Voor Lerarenopleidingsprogramma's:
- Curricula moeten de focus verschuiven van het enkel bieden van infrastructuur (Facilitating Conditions) naar het kweken van intrinsieke motivatie en genot.
- Training moet persoonlijke relevantie (Job Fit) en outcome expectations benadrukken om Performance Expectancy te verhogen.
- Programma's moeten Computer Anxiety aanpakken en Self-Efficacy opbouwen via praktische, laag-risico verkenning in plaats van verplichte mandates.
Voor Beleid en Administratie:
- Administrators moeten coercieve "social influence"-tactieken vermijden. Adoptiestrategieën moeten vrijwillig en zelfgestuurd zijn.
- Investeringen in AI-hulpmiddelen moeten prioriteit geven aan functies die relative advantage en extrinsieke motivatie bieden (bijvoorbeeld tijdswinst, verbetering van cijfers) in plaats van alleen gebruiksgemak.
Theoretische Impact: De studie suggereert dat in de context van opkomende AI-technologieën, de "leuk"-factor (Hedonic Motivation) en het geloof in nut (Performance Expectancy) de primaire poortwachters zijn voor adoptie, terwijl traditionele barrières zoals "gebruiksgemak" secundair zijn zodra basiscompetentie is gevestigd.

Concluderend stelt het artikel dat succesvolle AI-integratie in lerarenopleidingen minder afhankelijk is van het bouwen van betere infrastructuur en meer van het cultiveren van een psychologisch klimaat waarin toekomstige leraren zich zelfverzekerd, autonoom en persoonlijk beloond voelen bij het gebruik van deze hulpmiddelen.