The relationship between students’ self-regulated learning skills and technology acceptance of GenAI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Generative artificial intelligence (GenAI) has quickly become prolific in our daily lives, including the higher education sector. Although an AI-fuelled world is unpredictable, there is an urgent need to understand how university students use GenAI to support their learning and the factors influencing GenAI adoption. In this study, underpinned by self-regulated learning (SRL) theory and the technology acceptance model, we examined how university students’ adoption of GenAI is influenced by their SRL skills. Given the importance of SRL skills on students’ selection of study strategies, we hypothesised that SRL constructs would have a strong association with their adoption of GenAI. To explore this, we conducted an international survey-based study of 435 students from two universities in Australia and Canada to capture students’ use of GenAI within the first year of its wider adoption. Our findings reveal that SRL constructs of self-efficacy and social support predict the perceived ease of use of GenAI. Intrinsic motivation and effort regulation also predicted the perceived usefulness of GenAI, with a stronger association for students using GenAI for university learning than those who used it for non-academic purposes such as work or personal use. We discuss implications of our findings for educators. Implications for practice or policy: University teachers should demonstrate and model GenAI use that fosters SRL skill development, such as self-efficacy, social support, intrinsic motivation and effort regulation. University administrators should prioritise academic development to equip instructors with skills for fostering SRL with GenAI tools. The institution should provide guidance on GenAI tool usage and SRL strategies through social support strategies.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle