🤖 AI

AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude

Deze mixed-methods studie onder 103 Thaise bachelorstudenten computertechniek toont een sterke, gegeneraliseerde acceptatie van AI-automatiseringstools (specifiek n8n) aan, die primair wordt gedreven door prestatieverwachting, terwijl het een divergentie onthult tussen kwantitatief enthousiasme en kwalitatieve scepsis met betrekking tot de kwaliteit van de output, waardoor de curriculaire integratie van dergelijke tools met gerichte instructieve steunstructuren wordt ondersteund.

Oorspronkelijke auteurs: Aung Pyae

Gepubliceerd 2026-06-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Aung Pyae

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 een docent bent die een nieuwe, superintelligente robotassistent wil introduceren aan een klas toekomstige ingenieurs. Voordat je ze de ruimte geeft om er dingen mee te bouwen, wil je weten: Vinden ze het eigenlijk wel leuk? Vinden ze het nuttig? En vertrouwen ze het?

Dit artikel is het rapportcijfer van een studie waarbij 103 computer engineering-studenten in Thailand een specifiek type "robotbrein"-tool (genaamd n8n) hebben uitgeprobeerd tijdens een reeks workshops. De onderzoekers wilden zien of deze studenten klaar zijn om AI-automatisering in hun toekomstige carrières te omarmen.

Hier is de uitslag, met behulp van eenvoudige analogieën:

1. De Opzet: Een "Proefrit" voor de Toekomst

Beschouw de workshops als een proefrit voor een nieuwe auto. De studenten hebben de auto niet alleen over de auto gelezen; ze zaten zelf achter het stuur gedurende twee uur. Ze gebruikten een gratis, open-source tool genaamd n8n om verschillende digitale taken met elkaar te verbinden (zoals het maken van een AI-agent die een bericht leest en het opslaat in een database).

Na de "proefrit" vulden de studenten een korte enquête in. De enquête vroeg hen om de tool te beoordelen op zes verschillende "meetinstrumenten" die zijn geleend van beroemde technologische theorieën:

Prestatieverwachting: "Zal dit mij helpen mijn werk te doen?"
Inspanningsverwachting: "Is dit moeilijk te leren?"
Gedragsintentie: "Zal ik dit opnieuw gebruiken?"
Zelfeffectiviteit: "Voel ik me in staat om dit te gebruiken?"
Hedonische Motivatie: "Is dit leuk?"
Outputkwaliteit: "Geeft de tool goede resultaten?"

2. De Resultaten: Het "Halo-effect"

De studenten gaven de tool zeer hoge cijfers op alle fronten. Bijna iedereen was het erover eens dat de tool nuttig en gemakkelijk in gebruik was, en iets wat ze opnieuw zouden gebruiken.

De Grote Verrassing (De "Halo"):
Normaal gesproken verwacht je bij het vragen naar een nieuwe tool dat mensen verschillende meningen hebben over verschillende aspecten (bijv. "Het is nuttig, maar saai," of "Het is leuk, maar moeilijk te gebruiken").

Echter, de onderzoekers ontdekten iets interessants: De studenten konden de verschillen tussen deze categorieën nog niet onderscheiden.

De Analogie: Stel je voor dat je naar een glimmende nieuwe smartphone kijkt door een licht beslagen raam. Je ziet dat het een telefoon is en hij ziet er geweldig uit, maar je kunt de camera nog niet goed onderscheiden van het scherm of de batterij van de processor.
De Bevinding: Omdat de studenten de tool slechts gedurende een korte tijd gebruikten (één workshop), voegden hun hersenen alle zes de vragen samen tot één enkel gevoel: "Ik vind deze tool leuk." De specifieke details (zoals of het leuk is versus nuttig) waren in hun geest nog niet gescheiden. De onderzoekers noemen dit een "algemene acceptatiehouding."

3. De "Vertrouwenskloof": De Stille Sceptici

Hoewel de enquêtecijfers uitstekend waren (iedereen zei dat de tool hoogwaardige resultaten leverde), vertelden de open vragen een iets ander verhaal.

De Analogie: Stel je een groep mensen voor die een nieuwe taart proeven. 95% zegt: "Deze is heerlijk!" Maar een kleine groep van 5% fluistert: "Wacht even, de glazuur is een beetje inconsistent; soms is het perfect, soms is het klonterig."
De Bevinding: De enquête zei dat de "Outputkwaliteit" geweldig was. Maar een enkeling in de commentaren merkte op dat de AI soms onnauwkeurige of inconsistente resultaten gaf.
Waarom dit ertoe doet: De onderzoekers realiseerden zich dat alleen omdat studenten de tool vertrouwen (gebaseerd op de enquête), het niet betekent dat ze een gekalibreerd vertrouwen hebben. Ze kunnen te veel vertrouwen, of ze weten misschien niet wanneer ze het werk moeten controleren. Het artikel suggereert dat studenten niet alleen moeten leren hoe ze de tool gebruiken, maar ook hoe ze een fout van de tool kunnen herkennen.

4. Wat dit betekent voor het Onderwijs

Het artikel sluit af met drie "hendels" (tools) die docenten kunnen gebruiken om studenten te helpen het meeste uit AI-automatisering te halen:

De Steunladder (Scaffolding): Omdat studenten de tool nuttig maar soms lastig vonden, moeten docenten een ladder van ondersteuning bouwen. Begin met gemakkelijke stappen en neem de begeleiding geleidelijk weg, zodat studenten het vertrouwen krijgen om zelf dingen te bouwen.
De Vertrouwensboost: Sommige studenten voelden dat ze de tool konden gebruiken, maar alleen als ze hulp hadden. Docenten moeten specifieke ondersteuning bieden om de kloof te overbruggen tussen "Ik weet wat dit doet" en "Ik kan dit zelf doen."
Vertrouwenskalibratie: Dit is de belangrijkste. Docenten moeten niet alleen laten zien hoe de tool perfect werkt. Ze moeten studenten laten zien wanneer de tool faalt. Dit helpt studenten om te leren het werk van de AI te verifiëren in plaats van er blindelings op te vertrouwen.

Samenvatting

Kortom, dit artikel zegt: Toekomstige ingenieurs zijn enthousiast over AI-automatiseringstools en vinden ze nuttig. Echter, na slechts één korte workshop zien ze de tool als één enkel "goed ding" in plaats van een complex apparaat met verschillende sterktes en zwaktes.

De belangrijkste les voor docenten is: Vier niet alleen het enthousiasme. Je moet studenten ook leren hoe ze met de incidentele fouten van de tool om moeten gaan, zodat ze slimme, kritische gebruikers worden in plaats van alleen maar tevreden gebruikers.

Technische Samenvatting: AI-Automatiseringstools in het Onderwijs voor Computertechniek

Probleemstelling
Nu generatieve AI en low-code workflowplatforms een integraal onderdeel worden van de softwarepraktijk, blijft er een cruciale empirische vraag over voor het onderwijs in computertechniek: accepteren bachelorstudenten deze tools als nuttig, bruikbaar en waardevol voor langdurige betrokkenheid? Hoewel de volgende generatie ingenieurs wordt verwacht te kunnen ontwerpen en redeneren over door AI versterkte automatiseringen, is er een gebrek aan bewijs met betrekking tot de houding van studenten tegenover dergelijke tooling, met name binnen Zuidoost-Aziatische onderwijscontexten. Bovendien ontbreekt het in de bestaande literatuur vaak aan een rigoureuze methodologische behandeling van kortvormige, enkelvoudige instrumenten die worden gebruikt om acceptatie direct na instructieve interventies te meten.

Methodologie
De studie maakt gebruik van een cross-sectioneel, verklarend mixed-methods design met 103 bachelorstudenten computertechniek aan een Thaise universiteit. De deelnemers, die beschikken over basis- tot intermediaire Python-vaardigheden en dagelijkse ervaring met algemene AI-tools, namen deel aan drie identiek gescripte workshops waarbij het open-source low-code platform n8n werd gebruikt.

Instrumentatie: Een 12-stems, vijfpunts Likert-vragenlijst werd post-workshop afgenomen, waarbij werd aangesloten bij zes constructen afgeleid van het Technology Acceptance Model (TAM), Unified Theory of Acceptance and Use of Technology (UTAUT) en UTAUT2: Performance Expectancy (PE), Effort Expectancy (EE), Behavioral Intention (BI), Self-Efficacy (SE), Hedonic Motivation (HM) en Output Quality (OQ). Elk construct werd gemeten door twee items.
Kwantitatieve Analyse: Om de beperkingen van een parsimonisch ontwerp (twee items per construct, $N=103$ $N = 103$ ) aan te pakken, werd in plaats van Structural Equation Modeling (SEM) gekozen voor robuuste non-parametrische en ordinaal-specifieke technieken. De analyses omvatten:
- Betrouwbaarheidsschatting met behulp van Spearman-Brown coëfficiënten en McDonald's omega ( $\omega$ ) gebaseerd op polychorische correlaties.
- Bootstrap betrouwbaarheidsintervallen (95%, $B=5.000$ ) voor constructgemiddelden.
- Eén-steekproef Wilcoxon signed-rank tests tegen het neutrale middelpunt (3.0).
- Spearman-correlaties met Holm-correctie voor meervoudige vergelijkingen.
- Dimensionaliteitsdiagnostiek: Horn's parallel analysis, Harman's single-factor test en Kaiser-Meyer-Olkin (KMO) maten om common-method bias en factor-separabiliteit te beoordelen.
Kwalitatieve Analyse: Een inductieve thematische analyse werd uitgevoerd op 13 inhoudelijke open vragen om convergenties en divergenties met de kwantitatieve data te identificeren.

Belangrijkste Resultaten

Hoge Acceptatieniveaus: Alle zes de constructen vertoonden gemiddelden die significant boven het neutrale middelpunt lagen ( $p < 0,0001$ ) met grote effectgroottes ( $r$ variërend van 0,68 tot 0,81). De rangorde van de gemiddelde scores was PE (4,28) > OQ (4,16) > EE (4,11) > BI (4,05) > SE (4,04) > HM (4,00).
Dimensionale Ineenstorting: Dimensionaliteitsdiagnostiek toonde aan dat de zes theoretisch onderscheidende constructen inklapten tot één algemene acceptatiefactor. Horn's parallel analysis behield slechts één factor (eigenwaarde 8,77 versus random benchmark ~1,76), en de Harman-test toonde een eerste-factor variantie van 73,1%. Dit suggere than in een kortvormige, post-workshop context, studenten niet empirisch differentiëren tussen de sub-facetten van acceptatie; zij reageren met een holistische "halo"-houding.
Kwantitatief-Kwalitatieve Divergentie: Hoewel de kwantitatieve scores voor Output Quality (OQ) hoog waren, onthulde kwalitatieve feedback een "betrouwbaarheids-sceptische minderheid". Een kleine subset van studenten uitte zorgen over inconsistente prompts en onnauwkeurige resultaten, wat aangeeft dat geaggregeerde goedkeuring niet gelijkstaat aan gekalibreerd vertrouwen in automatisering.
Sessieconsistentie: Kruskal-Wallis tests bevestigden geen statistisch significante verschillen in acceptatieprofielen tussen de drie workshop-sessies, wat de protocolgetrouwheid valideert.

Belangrijkste Bijdragen

Empirisch: De studie levert het eerste bewijs op constructniveau van de acceptatie van AI-automatiseringstools onder Thaise bachelorstudenten computertechniek, een populatie die ondervertegenwoordigd is in de TAM/UTAUT-literatuur.
Methodologisch: Het biedt een transparant analytisch kader voor kortvormige, ordinale, enkelvoudige bron-instrumenten. Door gebruik te maken van polychorische correlaties, non-parametrische tests en expliciete dimensionaliteitsdiagnostiek, demonstreert het paper hoe men gegevens rigoureus kan analyseren waar SEM ondergedetermineerd is, waarbij de standaardveronderstellingen van factor-separabiliteit worden vermeden.
Theoretisch: De bevinding dat canonieke TAM/UTAUT sub-facetten inklappen tot een enkele algemene acceptatiehouding in kortdurende instructieve settings, daagt de aanname uit dat deze constructen direct na een enkele blootstelling empirisch scheidbaar zijn. Dit suggereert dat het volledige nomologische netwerk van acceptatie mogelijk langdurige, longitudinale blootstelling vereist om tot uiting te komen.
Pedagogisch: De integratie van mixed methods identificeert drie theorie-gegronde instructieve hefbomen:
1. Instructie-sequencing scaffolds om frictie in de Effort Expectancy aan te pakken.
2. Self-efficacy ondersteuning om de kloof tussen het herkennen van nut en het gevoel bekwaam te zijn te overbruggen.
3. Vertrouwens-kalibratie interventies (bijv. gestructureerde kansen om fouten tegen te komen en te verifiëren) om de divergentie in percepties van Output Quality aan te pakken.

Betekenis en Claims
Het paper claimt dat hoewel de acceptatie van AI-automatiseringstools door bachelorstudenten breed positief is en geworteld is in instrumenteel nut, de directe post-workshop houding een gegeneraliseerd, ongedifferentieerd construct is in plaats van een reeks onderscheidbare psychologische factoren. Bijgevolg beargumenteren de auteurs dat kortvormige acceptatie-instrumenten geïnterpreteerd moeten worden als maten van een enkele attitude-dimensie, aangevuld met kwalitatieve probes om specifieke zorgen zoals betrouwbaarheid te detecteren.

De studie concludeert dat de curriculummatige adoptie van dergelijke tools wordt ondersteund door de data, maar dat effectieve pedagogiek verder moet gaan dan eenvoudige blootstelling. Het moet actief de "problematiek van gepaste afhankelijkheid" aanpakken door instructie te ontwerpen die het vertrouwen van studenten kalibreert door middel van verificatiegedrag, in plaats van ervan uit te gaan dat initiële enthousiasme automatisch overgaat in volwassen, gekalibreerde afhankelijkheid van geautomatiseerde systemen. De auteurs merken expliciet op dat hun bevindingen beperkt zijn tot één instelling en een cross-sectioneel design, wat causale inferentie uitsluit, en roepen op tot longitudinale studies om te volgen of de initiële gunstige attitudes rijpen tot gepaste langetermijngebruikgedragingen.