Интересное сегодня
Введение в проблематику использования AIGC в образовании
В эпоху стремительной цифровизации образования инструменты AIGC (Artificial Intelligence Generated Content — контент, генерируемый искусственным интеллектом) стали неотъемлемой частью рабочего процесса преподавателей высшей школы (HE — Higher Education). Однако большинство существующих академических работ фокусируются на первоначальном этапе внедрения технологий. Данное исследование заполняет пробел, анализируя причины, по которым педагоги выбирают долгосрочное использование этих инструментов.
Методологическая база исследования
Для достижения высокой точности выводов авторы использовали интеграцию двух признанных теоретических моделей:
- ECM (Expectation Confirmation Model) — модель подтверждения ожиданий, которая объясняет удовлетворенность пользователя после начала взаимодействия с технологией.
- UTAUT (Unified Theory of Acceptance and Use of Technology) — единая теория принятия и использования технологий, позволяющая оценить влияние социальных факторов и ожиданий производительности.
Для анализа данных 310 преподавателей из Китая был применен гибридный подход: PLS-SEM (Partial Least Squares Structural Equation Model) — метод структурного моделирования частных наименьших квадратов, и ANN (Artificial Neural Network) — моделирование искусственных нейронных сетей.
Ключевые факторы успеха внедрения ИИ
Анализ данных показал, что критическое влияние на решение продолжать использование ИИ оказывают следующие факторы:
«Удовлетворенность, ожидание эффективности и воспринимаемая полезность являются фундаментальными столпами, на которых строится профессиональная лояльность к инструментам ИИ».
Важно отметить, что такие переменные, как социальное влияние (давление коллег или общественное мнение) и воспринимаемый риск (страх перед ошибками ИИ или утечкой данных), не показали статистически значимого влияния на намерение продолжать использование. Это означает, что преподаватели опираются прежде всего на собственный практический опыт и результат от применения нейросетей.
Иерархия важности предикторов согласно нейросетевому анализу
Использование искусственных нейронных сетей позволило ранжировать значимость факторов для преподавателей в порядке убывания:
- Ожидание производительности (Performance Expectancy): Вера в то, что ИИ действительно экономит время и улучшает качество материалов.
- Удовлетворенность (Satisfaction): Общее ощущение комфорта от работы с инструментом.
- Подтверждение ожиданий (Expectation Confirmation): Соответствие полученных результатов изначальным прогнозам.
- Ожидание усилий (Effort Expectancy): Простота освоения интерфейса и алгоритмов работы.
- Воспринимаемая полезность (Perceived Usefulness): Конкретный прикладной эффект для обучения студентов.
Практическое значение результатов
Результаты показывают, что разработчики образовательного ПО должны фокусироваться не на агрессивном маркетинге или «социальном давлении», а на функциональной эффективности. Если инструмент помогает преподавателю качественно выполнять его прямые обязанности, риск и внешнее влияние отходят на второй план.
Заключение: Постоянное использование технологий AIGC зависит от того, насколько «бесшовно» технология встраивается в рабочий день преподавателя, подтверждая его ожидания относительно роста продуктивности и качества обучения.
Примечание: данное исследование проводилось в соответствии с Хельсинкской декларацией, все участники дали добровольное информированное согласие на обработку данных.
