The Effect of Using Artificial Intelligence on Learning Performance in Iraq: The Dual Factor Theory Perspective
Notice bibliographique
Résumé
The adoption of artificial intelligence applications in higher education plays an important role in the improvement of the quality of education and learning practices and overcomes many educational' issues. The purpose of this study is to examine the factors influencing learning performance by using artificial intelligence in the educational process. The research model has been developed based on dual factor concept through examining “enablers” and “inhibitors” factors of artificial intelligence adoption in higher education toward improving the Learning Performance. The research model has been built based on a combination of the following theories, constructivism, TAM3, UTAUT, BM, status quo bias theory. The hypothesized model is validated empirically via a questionnaire including 57-item based on 5-point Likert scales completed by 383 respondents (random sampled). Structural equation modeling was used to evaluate the proposed model by analyzing the confirmatory factor and path effects across the AMOS software. The results demonstrate that the indicators of model fitness showed good fit. As for the results of the hypothesis test, it is clear that the results of the analysis show that the interaction and the engagement of learning have a significant effect on the collaboration for learning and thus have a significant effect on the learning performance. Perceived enjoyment, perceived usefulness, and perceived ease of use have a significant effect on using artificial intelligence. Facilitating conditions have no significant impact on using artificial intelligence. Consciousness has a positive effect on use while perceived risks and resistance do not significantly affect use and learning performance. The use of artificial intelligence has a positive and significant effect on learning performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».