📄 social_science

Do Social Norms Matter in Promoting Students’ Engagement in GenAI-Supported Learning Environments? An Integrated Theoretical Model

Deze studie maakt gebruik van gegevens van 2.568 Chinese bachelorstudenten om aan te tonen dat positieve attitudes ten opzichte van generatieve AI de betrokkenheid van studenten significant vergroten via de sequentiële mediatie van gebruikintentie en zelfeffectiviteit, een proces dat verder wordt versterkt door ondersteunende sociale normen.

Oorspronkelijke auteurs: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Gepubliceerd 2026-08-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Chengjin Gao, Dong Yang, Gurpinder Singh Lalli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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 gigantische, futuristische bibliotheek binnenloopt waar de boeken terug kunnen praten, essays voor je kunnen schrijven en over geschiedenis kunnen discussiëren. Dit is de wereld van Generatieve AI in het onderwijs. Maar alleen omdat de bibliotheek open is, betekent dit niet dat iedereen naar binnen wil rennen om met de boeken te gaan kletsen. Sommige studenten zijn enthousiast, sommige zijn bang, en sommigen weten simpelweg niet hoe ze met de machines moeten praten. Dit is waar de wetenschap van de psychologie en het onderwijs samenkomen.

Om te begrijpen waarom een student besluit in deze AI-bibliotheek te duiken, kijken onderzoekers naar een paar kernideeën. Ten eerste is er Attitude: dit is simpelweg je onderbuikgevoel. Vind je AI cool en nuttig, of is het een eng robotje dat je huiswerk zal stelen? Ten tweede is er Self-Efficacy (eigen effectiviteit). Denk aan dit als je "ik kan het"-spier. Het gaat er niet om of je nu al goed bent in het gebruiken van AI, maar of je gelooft dat je er goed in kunt worden als je het probeert. Ten derde is er Intention (intentie), wat simpelweg het plan is om het hulpmiddel daadwerkelijk te gebruiken. Ten slotte zijn er Sociale Normen. Dit is de "vibe check" van je school. Zeggen je leraren, vrienden en de school zelf: "Hé, het gebruik van AI is een geweldig idee!", of fluisteren ze: "Raak dat niet aan, dat is tegen de regels"?

Waarom is dit belangrijk? Omdat scholen veel geld investeren in deze AI-tools, maar als studenten te bang zijn, te onzeker over zichzelf zijn, of het gevoel hebben dat hun vrienden hen beoordelen, zullen ze het niet gebruiken. En als ze het niet gebruiken, missen ze de kans om op een geheel nieuwe manier te leren. De grote vraag is: Hoe krijgen we studenten van "Ik suppose dat AI oké is" naar "Ik ben diep betrokken en leer elke dag met AI"?

De Studie: De AI-betrokkenheidsdetective

Een team onderzoekers uit China besloot detective te spelen om dit mysterie op te lossen. Ze verzamelden een enorme groep van 2.568 universiteitsstudenten en stelden hen een reeks vragen over hoe zij over AI dachten, hoe zelfverzekerd zij zich voelden bij het gebruik ervan, wat hun plannen waren en wat hun vrienden en docenten vonden. Vervolgens gebruikten ze een superintelligent wiskundig instrument (genaamd PLS-SEM, wat als een GPS werkt om verborgen verbanden in data te vinden) om precies in kaart te brengen hoe deze gevoelens met elkaar verbonden zijn.

Dit is wat ze vonden, uitgelegd als een verhaal:

1. De Vonk: Attitude is de Motor
De studie toonde aan dat als een student een positieve attitude heeft tegenover AI (ze vinden het nuttig en leuk), ze veel eerder geneigd zijn om betrokken te zijn. Betrokkenheid betekent hier dat ze niet alleen op knoppen klikken; ze denken diep na, stellen vragen en doen echt mee.

De Analogie: Denk aan de attitude tegenover AI als de brandstof in een auto. Als de brandstof van hoge kwaliteit is (positieve gevoelens), is de auto klaar om te gaan. Als de brandstof slecht is (negatieve gevoelens), start de auto niet, hoe goed de motor ook is.

2. De Tussenpersonen: Zelfvertrouwen en Plannen
Maar een positieve attitude is niet het enige dat telt. De onderzoekers ontdekten dat attitude werkt via twee tussenpersonen: Self-Efficacy en Intention.

De Kettingreactie: Een student met een positieve attitude begint eerst te geloven: "Ik kan dit echt leren gebruiken!" (Self-Efficacy). Zodra ze geloven dat ze het kunnen, maken ze een plan: "Ik ga deze tool gebruiken voor mijn volgende project" (Intention). Uiteindelijk verandert dat plan in actie (Engagement).
De Analogie: Stel je voor dat je op een skateboard wilt rijden.
- Attitude: Je vindt skateboarden geweldig uitzien.
- Self-Efficacy: Je zegt tegen jezelf: "Ik kan leren om mijn evenwicht te bewaren op dit board."
- Intention: Je besluit: "Ik ga naar het park en probeer het."
- Engagement: Je bent daadwerkelijk aan het skaten.
  De studie toonde aan dat het overslaan van het "ik kan het"-geloof of het "ik ga het doen"-plan het veel moeilijker maakt om daadwerkelijk te gaan skaten.

3. De Versterker: Sociale Normen
Dit is het meest interessante deel. De onderzoekers vonden dat Sociale Normen werken als een volumeknop of een turbocharger.

Hoe het werkt: Als een student een positieve attitude heeft, maar de docent zegt "AI is slecht" of de vrienden zeggen "Gebruik het niet", dan wordt de verbinding tussen hun attitude en hun actie zwakker. Maar, als de student een positieve attitude heeft én hun docenten en vrienden hen aanmoedigen ("Ja! Gebruik AI!"), dan explodeert die positieve attitude in veel grotere zelfverzekerdheid en veel diepere betrokkenheid.
De Analogie: Denk aan je attitude als een klein kampvuur.
- Lage Sociale Normen: Als iedereen om je heen aan het vuur blaast om het te doven (negatieve vibes), blijft het vuur klein, zelfs als je goed hout hebt (positieve attitude).
- Hoge Sociale Normen: Als iedereen de vlammen aanwakkert en er meer hout op gooit (ondersteunende vibes), verandert datzelfde kleine kampvuur in een kolkende brandstapel. De ondersteunende omgeving zorgt ervoor dat de positieve gevoelens veel harder werken.

4. Wat ze uitsloten
De studie maakte ook duidelijk dat het hebben van een positieve attitude alleen geen toverstaf is. Je kunt vinden dat AI geweldig is, maar als je niet gelooft dat je het kunt gebruiken (lage self-efficacy) of als je omgeving vijandig is (negatieve sociale normen), zul je niet diep betrokken raken. Het artikel suggereert dat je niet alleen tegen studenten kunt zeggen "AI is cool" en verwachten dat ze instappen; je moet hun zelfvertrouwen opbouwen en ervoor zorgen dat hun schoolomgeving hen ondersteunt.

5. Hoe zeker zijn ze?
De onderzoekers zijn zeer zeker van deze resultaten omdat ze een enorme hoeveelheid studenten gebruikten (meer dan 2.500) en strikte wiskunde om de verbanden te bewijzen. Ze vonden dat de "keten" van Attitude → Zelfvertrouwen → Plan → Actie echt en meetbaar is. Ze vonden ook dat het "Sociale Normen" turbocharger-effect statistisch significant is, wat betekent dat het geen toevalstreffer is; het verandert daadwerkelijk hoe studenten zich gedragen.

De Kernboodschap
Dit artikel vertelt ons dat om studenten enthousiast en diep betrokken te krijgen bij AI op school, we niet alleen de technologie kunnen overhandigen. We moeten:

Ervoor zorgen dat ze het idee leuk vinden om het te gebruiken.
Hen helpen te geloven dat ze in staat zijn het te gebruiken.
Ervoor zorgen dat hun docenten en vrienden hen aanmoedigen.

Als je deze drie zaken goed krijgt, zullen studenten de AI niet alleen gebruiken; ze zullen er echt mee betrokken zijn, waarbij ze leren en groeien op manieren die we pas net beginnen te begrijpen.

Technische Samenvatting: Sociale Normen en Studentenbetrokkenheid bij GenAI-ondersteund Leren

Probleemstelling

Hoewel Generatieve Kunstmatige Intelligentie (GenAI) het hoger onderwijs snel transformeert via instrumenten zoals intelligente aanbevelingssystemen en geautomatiseerde beoordeling, blijven de mechanismen die de link leggen tussen AI-acceptatie en daadwerkelijke studentenbetrokkenheid onvoldoende begrepen. Bestaand onderzoek richt zich vaak op technische functionaliteiten of initiële technologie-adoptie, waarbij de psychologische processen die acceptatie vertalen naar duurzaam, diepgaand leergedrag worden verwaarloosd. Voorts heeft de rol van sociale normen—waargenomen verwachtingen van docenten, leeftgenoten en instellingen—als een randvoorwaarde in dit proces beperkte aandacht gekregen. Er is een gat in het begrip van hoe individuele attitudes, motivationele factoren (intentie) en vermogensgeloof (zelfeffectiviteit) interageren binnen een sociale context om betrokkenheid te stimuleren in dynamische GenAI-omgevingen.

Methodologie

De studie maakte gebruik van een kwantitatief, cross-sectioneel ontwerp om een geïntegreerd theoretisch model te testen dat de Theory of Planned Behaviour (TPB) en de Social Cognitive Theory (SCT) combineert.

Deelnemers: Gegevens werden verzameld van 2.568 studenten (inclusief bachelor- en masterstudenten) verspreid over tien universiteiten in China, die diverse onderwijsniveaus (universiteiten en hogescholen) en disciplines (Geesteswetenschappen, Natuurwetenschappen, Engineering, etc.) vertegenwoordigen.
Instrument: Een gestructureerde online vragenlijst, afgenomen via het Wenjuanxing-platform, bevatte vijf latente constructen gemeten op vijfpunts Likert-schalen:
1. AI-attitudes: Cognitieve en affectieve evaluaties van AI (6 items).
2. AI-zelfeffectiviteit: Vertrouwen in het effectief gebruiken van AI-tools (4 items).
3. Intentie tot gebruik: Bereidheid om AI voor het leren te blijven gebruiken (4 items).
4. Studentenbetrokkenheid: Multidimensionale betrokkenheid (gedragsmatig, emotioneel, cognitief, agentisch) in GenAI-contexten (19 items).
5. Ondersteunende sociale normen: Waargenomen aanmoediging en ondersteuning van middelen vanuit de sociale omgeving (4 items).
Analyse: De onderzoekers maakten gebruik van Partial Least Squares Structural Equation Modelling (PLS-SEM) via SmartPLS 4. De analyse omvatte:
- Het beoordelen van de betrouwbaarheid en validiteit van het meetmodel (Cronbach's $\alpha$ , Composiet Betrouwbaarheid, AVE, HTMT).
- Het testen van directe, mediërende en modererende effecten met behulp van bootstrapping (5.000 resamples).
- Het evalueren van effectgroottes ( $f^2$ ) en voorspellende relevantie ( $R^2$ , SRMR).

Belangrijkste Bijdragen

De studie levert drie primaire theoretische bijdragen:

Theoretische Integratie: Het breidt de integratie van TPB en SCT specifiek uit naar GenAI-leercontexten, waarbij een sequentieel pad wordt voorgesteld waarbij attitudes de zelfeffectiviteit vormen, wat vervolgens de intentie beïnvloedt, wat uiteindelijk de betrokkenheid stuurt. Opvallend genoeg positioneert het zelfeffectiviteit als tijdelijk voorafgaand aan intentie in deze specifieke context, met het argument dat lerenden eerst hun capaciteiten moeten waarnemen voordat zij een duurzame intentie vormen.
Uitbreiding van de Uitkomst: Het verschuift de focus van louter technologie-adoptie naar studentenbetrokkenheid als de primaire uitkomst, waarbij de diepgang van de interactie wordt gevangen die vereist is in GenAI-omgevingen.
Contextuele Randvoorwaarden: Het conceptualiseert ondersteunende sociale normen niet enkel als directe voorspellers, maar als cruciale moderatoren die de vertaling van attitudes naar overtuigingen, intenties en gedragingen versterken.

Resultaten

Het structurele model vertoonde een bevredigende fit ($SRMR = 0,033$, $NFI = 0,885$, $R^2 = 0,688$ voor betrokkenheid).

Directe Effecten: AI-attitudes voorspellen studentenbetrokkenheid significant en positief ( $\beta = 0,330$ ).
Mediërende Effecten:
- Zelfeffectiviteit medieert de relatie tussen attitudes en betrokkenheid gedeeltelijk ( $\beta = 0,129$ ).
- Intentie tot Gebruik medieert de relatie tussen attitudes en betrokkenheid gedeeltelijk ( $\beta = 0,151$ ).
- Sequentiële Mediatie: Er bestaat een significante keten-mediatie: AI-attitudes $\rightarrow$ Zelfeffectiviteit $\rightarrow$ Intentie tot Gebruik $\rightarrow$ Studentenbetrokkenheid ( $\beta = 0,068$ ).
Modererende Effecten: Ondersteunende Sociale Normen modereren significant de relaties tussen AI-attitudes en:
- Zelfeffectiviteit ( $\beta = 0,081$ )
- Intentie tot Gebruik ( $\beta = 0,111$ )
- Studentenbetrokkenheid ( $\beta = 0,162$ )
- Interpretatie: De positieve effecten van AI-attitudes op deze uitkomsten zijn significant sterker wanneer de ondersteunende sociale normen hoog zijn vergeleken met wanneer deze laag zijn.
Effectgroottes: AI-attitudes vertoonden een groot effect op zelfeffectiviteit ( $f^2 = 0,657$ ) en gemiddelde effecten op intentie en betrokkenheid. De interactie-effecten (moderatie) waren klein in omvang maar statistisch significant, wat aangeeft dat ze de kracht van de hoofdrelaties betekenisvol beïnvloeden.

Betekenis en Claims

De auteurs stellen dat deze studie een uitgebreide verklaring biedt voor hoe lerenden overgaan van perceptie naar actie in AI-ondersteunde leeromgevingen.

Verheldering van het Mechanisme: De bevindingen bevestigen dat positieve AI-attitudes fundamenteel zijn, maar dat hun vertaling naar betrokkenheid wordt gemedieerd door het zelfvertrouwen (zelfeffectiviteit) en de motivatie (intentie) van de lerende. Cruciaal is dat de studie stelt dat zelfeffectiviteit fungeert als een voorwaarde voor intentie in deze context, waarbij vertrouwen in bekwaamheid voorafgaat aan de vorming van duurzame gebruiksintenties.
Contextuele Belangrijkheid: De studie benadrukt dat individuele psychologische factoren niet in een vacuüm opereren. Ondersteunende sociale normen fungeren als cruciale randvoorwaarden die de impact van positieve attitudes versterken. In collectivistische contexten vergroot de afstemming van gedrag op de waargenomen sociale verwachtingen de kans op betrokkenheid aanzienlijk.
Praktische Implicatie: De auteurs suggereren dat effectieve AI-integratie een gecoördineerde aanpak vereist: het bevorderen van positieve attitudes, het opbouwen van zelfvertrouwen bij de lerende door middel van gescaffelde ervaringen, en het actief cultiveren van ondersteunende institutionele en sociale omgevingen.

De paper concludeert dat hoewel het cross-sectionele ontwerp causale inferentie beperkt, het geïntegreerde model een robuust kader biedt voor het begrijpen van de dynamische wisselwerking tussen cognitieve, motivationele en contextuele factoren in het tijdperk van Generatieve AI.