Perceptions of Artificial Intelligence among Philippine Undergraduate Students: Examining Instrument Construct and Demographic Influences on Knowledge and Beliefs
Notice bibliographique
Résumé
Research on Artificial Intelligence (AI) is ubiquitous, yet the perceptions of undergraduate students (UGS) in the Philippines regarding AI remain underexplored. We surveyed 537 UGS to evaluate their knowledge and beliefs about AI, aiming to inform policy guidelines in higher education institutions (HEIs). Prior to the survey, an exploratory factor analysis was conducted to establish the construct validity of an adapted instrument, revealing three factors: (1) perceived threat to human autonomy and employment, (2) perceived academic and economic utility, and (3) perceived negative consequences. Findings indicated that UGS generally possess a moderate level of self-reported knowledge about AI. Their beliefs were varied, showing a tendency towards neutrality regarding factor 1, agreement on factor 2, and apprehension towards factor 3. Demographic factors did not significantly influence these beliefs. However, gender, age group, program of study, and year level significantly affected their knowledge. The UGS also recognized the benefits of using AI, including learning assistance and interactive capabilities. Diminished interpersonal relationships and inaccurate information are among the drawbacks. Based on these findings, we urge policymakers in Philippine HIEs to develop informed guidelines on AI integration that address the identified concerns while leveraging its perceived benefits for ethical and responsible use of AI.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».