Learners’ Engagement with Artificial Intelligence: Validation of the Cognitive-Affective AI Engagement Model
Deze studie valideert het Cognitive-Affective AI Engagement Model (CAAIEM) als een betrouwbaar, vierdimensionaal kader voor het meten van de betrokkenheid van universiteitsstudenten bij op LLM gebaseerde AI-tools, waarbij sterke psychometrische eigenschappen worden aangetoond door middel van een bevestigende factoranalyse van gegevens van 1.249 Hongaarse eerstejaarsstudenten, terwijl tegelijkertijd de noodzaak voor verdere cross-culturele validatie wordt opgemerkt.
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
In het moderne klaslokaal vindt een stille revolutie plaats, gedreven niet door nieuwe tekstboeken of schoolborden, maar door intelligente computerprogramma's die in staat zijn om essays te schrijven, problemen op te lossen en gesprekken te voeren. Deze hulpmiddelen, bekend als grote taalmodellen, zijn vanuit de wereld van sciencefiction naar het dagelijks leven van studenten verplaatst. Voor onderwijzers en onderzoekers is een prangende vraag ontstaan: hoe maken leerlingen daadwerkelijk contact met deze technologieën? Is hun relatie met kunstmatige intelligentie slechts een kwestie van het afvinken van een vakje voor nut, of houdt het diepere gevoelens, gewoonten en toekomstige hoop in? Om dit te begrijpen, kijken wetenschappers naar betrokkenheid (engagement), een concept dat beschrijft hoe diep een persoon bij een activiteit betrokken is. Traditioneel is dit bekeken vanuit het perspectief van of een hulpmiddel nuttig of gemakkelijk in gebruik is. Echter, naarmate kunstmatige intelligentie gesprekiger en persoonlijker wordt, vermoeden onderzoekers dat het beeld complexer is. Het omvat waarschijnlijk hoe vaak een student met het hulpmiddel interacteert, hoeveel plezier zij de ervaring beleven, hoeveel vertrouwen zij hebben in hun eigen vermogen om het effectief te gebruiken, en of zij van plan zijn om in de jaren die komen met het blijven leren. Het begrijpen van deze lagen is cruciaat, want als scholen en ontwikkelaars zich alleen richten op de vraag of een hulpmiddel werkt, missen ze mogelijk de emotionele en gedragsmatige drijfveren die studenten doen terugkeren om te leren.
Een team van onderzoekers van de Universiteit van Szeged in Hongarije zette zich af om dit onontgonnen terrein in kaart te brengen. Zij stelden een nieuwe manier voor om te kijken naar hoe studenten betrokken zijn bij kunstmatige intelligentie, waarbij zij suggereerden dat het niet één enkel gevoel is, maar een combinatie van vier afzonderlijke delen. Zij noemden dit het Cognitieve-Affectieve AI-betrokkenheidsmodel. Het eerste deel is interactie-intensiteit, wat simpelweg meet hoe vaak en hoe diep een student deze hulpmiddelen gebruikt in hun dagelijks leven en studie. Het tweede is instrumentele effectiviteit, wat het geloof van de student vastlegt dat de technologie hen daadwerkelijk helpt om hun werk sneller en beter te voltooien. Het derde is affectieve betrokkenheid, een term die verwijst naar de emotionele kant van de ervaring: ervaren de studenten plezier, comfort en een oprechte waardering wanneer zij de AI gebruiken? Het laatste stuk is de intentie tot voortgezette leerervaring, wat vooruitkijkt naar de toekomst en meet of de student van plan is om te blijven leren over en gebruik te maken van deze technologieën naarmate zij evolueren.
Om te testen of dit vierdelige model de werkelijkheid accuraat weerspiegelde, verzamelden de onderzoekers een grote groep eerstejaars universiteitsstudenten. Zij nodigden 1.249 studenten van diverse faculteiten aan de universiteit uit om deel te nemen aan een studie. De deelnemers, die voornamelijk tussen de 18 en 22 jaar oud waren, vulden een vragenlijst in die ontworpen was om elk van deze vier gebieden te meten. De vragen vroegen hen om te rapporteren hoe frequent zij AI-applicaties gebruikten, in hoeverre zij ermee instemden dat AI hun prestaties verbeterde, hoeveel zij ervan genoten het te gebruiken, en of zij van plan waren om in de toekomst meer over het te blijven leren. De onderzoekers gebruikten vervolgens geavanceerde statistische methoden om te zien of de antwoorden van de studenten van nature samenklonteren in de vier categorieën die het model voorspelde, of dat de gegevens een andere structuur suggereerden.
De resultaten waren duidelijk en ondersteunden het nieuwe model. Toen de onderzoekers de gegevens analyseerden, vonden zij dat de vier categorieën die zij hadden voorgesteld inderdaad de beste manier waren om te beschrijven hoe deze studenten betrokken waren bij kunstmatige intelligentie. De gegevens pasten niet in een eenvoudiger model waar alle antwoorden wezen naar slechts één algemeen gevoel, noch pasten ze in een model met slechts drie categorieën. In plaats daarvan kwamen de vier afzonderlijke dimensies naar voren als aparte maar verbonden delen van de totale ervaring. De antwoorden van de studenten toonden consequent aan dat hun gedrag, hun overtuigingen over nuttigheid, hun emoties en hun toekomstige plannen allemaal meetbare en onderscheidende aspecten van hun betrokkenheid waren. De studie bevestigde dat deze vier onderdelen samenwerken om een compleet beeld te vormen van hoe een leerling zich tot AI verhoudt.
De onderzoekers controleerden ook om er zeker van te zijn dat de vragen die zij stelden betrouwbaar waren en dat zij daadwerkelijk maten wat zij beoogden te meten. Zij vonden dat de vragen voor elk van de vier gebieden consistent waren; bijvoorbeeld, de vragen over plezier hingen allemaal nauw samen, net zoals de vragen over toekomstige plannen. Dit gaf hen het vertrouwen dat het model een solide instrument is voor het begrijpen van studentengedrag. Bovendien verifieerden zij dat deze vier gebieden verschillend genoeg van elkaar waren om als aparte concepten te worden behandeld, ook al waren ze gerelateerd. Bijvoorbeeld, een student die de AI nuttig vond, had ook de neiging om er plezier aan te beleven, maar de studie toonde aan dat bruikbaarheid en plezier niet hetzelfde zijn. Evenzo had een student die de AI frequent gebruikte andere motivaties dan een student die simpelweg van plan was het in de toekomst te gebruiken.
Deze studie vormt een belangrijke stap voorwaarts in het begrijpen van de menselijke kant van kunstmatige intelligentie in het onderwijs. Door betrokkenheid onder te verdelen in deze vier specifieke componenten, boden de onderzoekers een kader dat onderwijzers en ontwikkelaars kunnen gebruiken om verder te kijken dan eenvoudige gebruiksstatistieken. Het suggereert dat voor studenten om echt te profiteren van AI, de technologie niet alleen effectief moet zijn, maar ook emotioneel resonant en afgestemd op hun langetermijnleerdoelen. De bevindingen wijzen erop dat een succesvolle integratie van deze hulpmiddelen aandacht vereist voor hoe studenten zich bij de technologie voelen en hoe zij deze in hun toekomst zien, niet alleen of het hen helpt een taak vandaag te voltooien. Hoewel de studie zich richtte op een specifieke groep studenten in Hongarije, biedt het gevalideerde model een nieuwe taal voor het beschrijven van de complexe relatie tussen leerlingen en de intelligente machines die hun onderwijs steeds vaker vormgeven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.