Egyéni különbségek az egyetemi hallgatók mesterséges intelligencia-írástudásában Attitűdök, önhatékonyság és demográfiai tényezők vizsgálata
Article Sidebar
Main Article Content
Absztrakt
Jelen tanulmány az egyetemi hallgatók mesterséges intelligencia-írástudását vizsgálta az európai felsőoktatás kontextusában, különös tekintettel az írástudás kulcsdimenzióira, azok tanulási alkalmazására és az egyéni különbségekre. Egy nem reprezentatív kényelmi mintán (N=226) végzett kérdőíves adatgyűjtés során 15 konstruktumos kérdőívvel végeztünk adatgyűjtést. Az eredmények azt mutatták, hogy a hallgatók tudatosságot mutattak az Etikai kérdések és a Felelősségvállalás dimenzióiban, ugyanakkor alacsony vagy mérsékelt tudásszintről számoltak be az Általános attitűd és a Tanulási célú attitűd dimenziókban, rávilágítva az MI oktatási kontextusokba történő integrációjának hiányosságaira. A legalacsonyabb értékelést a Tanárok hatása dimenzió kapta, jelezve az intézményi támogatás korlátozott mértékét. Regressziós modellezéssel négy fő magyarázó dimenziót azonosítottunk a Tanulási célú attitűd vonatkozásában: a pozitív Általános attitűd és az Észlelt hatékonyság növelték az MI integrációját a tanulási folyamatokba, míg a Felelősségvállalás enyhén negatív hatással volt rá. Az Önhatékonyság mutatta a legerősebb pozitív hatást, rámutatva a magabiztosság fontosságára az eszközök kiválasztásában és alkalmazásában. Számos szignifikáns egyéni különbség is azonosítható volt a mintában. A férfi hallgatók magasabb tudásszintről számoltak be a Tapasztalat, a Tanulási célú attitűd és az Önhatékonyság dimenziókban. A fiatalabb hallgatók jobb Elméleti tudással rendelkeztek, míg az idősebbek nagyobb Hajlandóságot mutattak az MI technológiák megismerésére. A gazdasági területen tanulók magasabb tudásszintről számoltak be bölcsészettudományi és neveléstudományi képzésekre járó társaikkal szemben a Tapasztalat és a Megbízhatóság dimenziókban. A levelező képzésben tanuló hallgatók magasabb tudásszintről számoltak be az Etikai kérdések és a Felelősségvállalás terén, míg a nappali tagozatos hallgatók jobb Elméleti tudást mutattak. Az eredmények összhangban állnak az MI írástudás korábbi kutatásaival, és kiemelik az oktatási környezetben jelentkező hiányosságok áthidalására irányuló célzott beavatkozások szükségességét. A jövőbeli kutatások során érdemes lenne vizsgálni az MI írástudás longitudinális változásait, valamint az oktatók MI írástudásának szerepét a hallgatói percepciók és tanulási kompetenciák alakításában.
Letöltések
Article Details
Hivatkozások
An, X., Chai, C. S., Li, Y., Zhou, Y., Shen, X., Zheng, C., & Chen, M. (2022). Modeling English teachers’ behavioral intention to use artificial intelligence in middle schools. Education and Information Technologies, 28(5), 5187–5208. https://doi.org/10.1007/s10639-022-11286-z
APA [American Psychological Association]. (2019) Publication Manual of the American Psychological Association: The Official Guide to APA Style (7th ed). American Psychological Association.
Armutat, S., Wattenberg, M., & Mauritz, N. (2024). Artificial intelligence – Gender-specific differences in perception, understanding, and training interest. International Conference on Gender Research, 7(1), 36–43. https://doi.org/10.34190/icgr.7.1.2163
Chien, A. A., Lin, L., Nguyen, H., Rao, V., Sharma, T., & Wijayawardana, R. (2023). Reducing the carbon impact of generative AI inference (today and in 2035). HotCarbon ’23: Proceedings of the 2nd Workshop on Sustainable Computer Systems, 11(7), 1–7. https://doi.org/10.1145/3604930.3605705
Colby, K. M., Weber, S., & Hilf, F. D. (1971). Artificial paranoia. Artificial Intelligence, 2, 1–25.
Csizér, K., Albert, Á., & Piniel, K. (2021). The interrelationship of language learning autonomy, self-efficacy, motivation and emotions: The investigation of Hungarian secondary school students. In M. Pawlak (Szerk.), Investigating individual learner differences in second language learning (pp. 1–21). Springer Cham. https://doi.org/10.1007/978-3-030-75726-7_1
Csizér, K., & Fekete, I. (2024, február 9.). Students’ autonomous use of technology in learning and using foreign languages: A theoretical framework [Konferenciaelőadás]. Oktatás, Informatika, Pedagógia 2024 Konferencia, Debrecen, Hungary.
Dakakni, D., & Safa, N. (2023). Artificial intelligence in the L2 classroom: Implications and challenges on ethics and equity in higher education: A 21st century Pandora’s box. Computers and Education: Artificial Intelligence, 5, 100179. https://doi.org/10.1016/j.caeai.2023.100179
Dörnyei, Z., & Csizér, K. (2012). How to design and analyze surveys in SLA research? In A. Mackey & S. M. Gass (Szerk.), Research methods in second language acquisition: A practical guide (pp. 74–94). Wiley-Blackwell.
Eurobarometer. (2017). Attitudes towards the impact of digitisation and automation on daily life: Report. Publications Office of the European Union. https://doi.org/10.2759/835661
Fekete, I. (2023). Technology in English teaching: The Hungarian university context. Akadémiai Kiadó. https://doi.org/10.1556/9789634548706
Fekete, I., Folmeg, M., & Kóris, R. (2024). Lehetőségek a mesterséges intelligencia autonóm tanulói használatára a felsőoktatásban: Három eset bemutatása. In Zs. Géring (Szerk.), FHERC tanulmánykötet I.: Digitalizáció a felsőoktatásban (pp. 48–59). Budapest Business University. https://doi.org/10.29180/978-615-6342-88-1
Folgieri, R., Gil, M., Bait, M., & Lucchiari, C. (2024). AI-powered personalised learning platforms for EFL learning: Preliminary results. In O. Poquet, A. Ortega-Arranz, O. Viberg, I.-A. Chounta, B. McLaren, & J. Jovanovic (Szerk.), Proceedings of the 16th International Conference on Computer Supported Education. SCITEPRESS - Science and Technology Publications. https://doi.org/10.5220/0012672000003693
Folmeg, M., Fekete, I., & Koris, R. (2024). Towards identifying the components of students’ AI literacy: An exploratory study based on Hungarian higher education students’ perceptions. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/wzyrwj33
García-Peñalvo, F., & Vázquez-Ingelmo, A. (2023). What do we mean by GenAI? A systematic mapping of the evolution, trends, and techniques involved in generative AI. International Journal of Interactive Multimedia and Artificial Intelligence, 8(4), 7. https://doi.org/10.9781/ijimai.2023.07.006
Hmoud, M., Swaity, H., Hamad, N., Karram, O., & Daher, W. (2024). Higher education students’ task motivation in the generative artificial intelligence context: The case of ChatGPT. Information, 15, 33. https://doi.org/10.3390/info15010033
Hryciw, B. N., Seely, A. J. E., & Kyeremanteng, K. (2023). Guiding principles and proposed classification system for the responsible adoption of artificial intelligence in scientific writing in medicine. Frontiers in Artificial Intelligence, 6. https://doi.org/10.3389/frai.2023.1283353
Leaver, T., & Srdarov, S. (2023). ChatGPT isn’t magic: The hype and hypocrisy of generative artificial intelligence (AI) rhetoric. M/C Journal, 26(5). https://doi.org/10.5204/mcj.3004
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Nazari, M., & Saadi, G. (2024). Developing effective prompts to improve communication with ChatGPT: A formula for higher education stakeholders. Discover Education, 3(1). https://doi.org/10.1007/s44217-024-00122-w
Ng, D. T. K., Leung, J. K. L., Su, J., Ng, R. C. W., & Chu, S. K. W. (2023). Teachers’ AI digital competencies and twenty-first century skills in the post-pandemic world. Educational Technology Research and Development, 71(1), 137–161. https://doi.org/10.1007/s11423-023-10203-6
OECD. (2024). Recommendation of the Council on Artificial Intelligence. https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
Parker, L., Carter, C., Karakas, A., Loper, A. J., & Sokkar, A. (2024). Graduate instructors navigating the AI frontier: The role of ChatGPT in higher education. Computers and Education Open, 6, 100166. https://doi.org/10.1016/j.caeo.2024.100166
Pokrivcakova, S. (2023). Pre-service teachers’ attitudes towards artificial intelligence and its integration into EFL teaching and learning. Journal of Language and Cultural Education, 11(3), 100–114. https://doi.org/10.2478/jolace-2023-0031
Pretorius, L. (2023). Fostering AI literacy: A teaching practice reflection. Journal of Academic Language and Learning, 17(1), T1–T8. https://journal.aall.org.au/index.php/jall/article/view/891
Rajki, Z., Nagy, T., & Dringó-Horváth, I. (2024). A mesterséges intelligencia a felsőoktatásban: Hallgatói hozzáférés, attitűd és felhasználási gyakorlat. Iskolakultúra, 34(7), 3–22. https://doi.org/10.14232/iskkult.2024.7.3
Redecker, C. (2017). European framework for the digital competence of educators. Publication Office of the European Union. https://doi.org/10.2760/178382
Sándor, E., & Vékási, A. (2024). Az idegen nyelvi íráskészség fejlesztése és az autonóm tanulás az angol szaknyelvi órán a gazdasági felsőoktatásban a mesterséges intelligencia segítségével. In Zs. Géring (Ed.), FHERC tanulmánykötet I.: Digitalizáció a felsőoktatásban (pp. 110–130). Budapest Business University. https://doi.org/10.29180/978-615-6342-88-1
Schmidt, T., & Strassner, T. (2022). Artificial intelligence in foreign language learning and teaching. Anglistik: International Journal of English Studies, 33(1), 165–184. https://doi.org/10.33675/angl/2022/1/14
Snyder, K. (2023). We asked ChatGPT to write performance reviews and they are wildly sexist (and racist). Fast Company. https://www.fastcompany.com/90844066/chatgpt-write-performance-reviews-sexist-and-racist
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 31–40. https://doi.org/10.37074/jalt.2023.6.1.17
Turing, A. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.
UNICEF. (2021). Policy guidance on AI for children. https://www.unicef.org/globalinsight/media/2356/file/UNICEF-Global-Insight-policy-guidance-AI-children-2.0-2021.pdf
Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The digital competence framework for citizens: With new examples of knowledge, skills and attitudes. Publication Office of the European Union. https://doi.org/10.2760/115376
Weizenbaum, J. (1966). ELIZA: A computer program for the study of natural language communication between man and machine. Computational Linguistics, 9(1), 36–45.
Yurt, E., & Kasarci, I. (2024). A questionnaire of artificial intelligence use motives: A contribution to investigating the connection between AI and motivation. International Journal of Technology in Education, 7(2), 308–325. https://doi.org/10.46328/ijte.725