نویسندگان:

¹دانشجوی کارشناسی آموزش ابتدایی، گروه علوم تربیتی، دانشگاه فرهنگیان، زنجان، ایران

²استادیار، گروه مدیریت آموزشی، دانشگاه فرهنگیان، تهران، ایران

چکیده فارسی: هدف: هدف مطالعه حاضر، بررسی عوامل موثر در پذیرش و به‌کارگیری هوش مصنوعی توسط اعضای هیأت علمی و میزان سواد هوش مصنوعی آنان است. روش پژوهش: پژوهش کاربردی حاضر مبتنی بر فلسفه پراگماتیسم از نوع آمیخته (متوالی تشریحی) است. جامعه آماری بخش کمی اعضای هیأت علمی پردیس‌های دانشگاه‌ فرهنگیان در سال تحصیلی 1403-1402، به تعداد 1220 نفر بود که بر اساس فرمول کوکران 315 نفر به روش نمونه‌گیری تصادفی خوشه‌ای انتخاب شدند. در بخش کیفی نیز با استفاده از نمونه‌گیری هدفمند از نوع گلوله برفی 15 نفر از متخصصان انتخاب شدند. ابزار گردآوری داده‌ها مقیاس پذیرش هوش مصنوعی و سواد هوش مصنوعی و مصاحبه نیمه‌ساختاریافته بود. داده‌های کمی با استفاده از نرم‌افزار SPSS، و داده‌های کیفی به‌روش تحلیل مضمون تجزیه و تحلیل شد. یافته‌ها: نیت رفتاری، سهولت ادراک‌شده، سودمندی ادراک‌شده، ارتباط شغلی، هنجار ذهنی، شرایط تسهیل‌کننده و نگرش نسبت به استفاده بر پذیرش هوش مصنوعی موثر است. بنابر نتایج سواد هوش مصنوعی اعضای هیأت علمی در سطح مطلوبی قرار ندارد. نتیجه‌گیری: هدف قرار دادن سواد هوش مصنوعی اساتید دانشگاه‌ها مؤلفۀ کلیدی در غلبه بر مقاومت در برابر پذیرش هوش مصنوعی می‌باشد. از این رو حمایت بیشتر توسط مراجع ذی‌ربط و رؤسای سازمان‌های آموزشی برای کمک به اساتید جهت توسعه شایستگی و سواد هوش مصنوعی ضروری است.

Investigating AI Literacy, Application and Factors Influencing Artificial Intelligence Acceptance by Faculty Members

English Abstract: Objective: The aim of this study is to investigate the factors that affect the acceptance of artificial intelligence among faculty members, as well as their level of artificial intelligence literacy. Methods: The current applied research is grounded in the philosophy of pragmatism, utilizing a mixed-method (sequential explanatory approach). The statistical population for the quantitative aspect consisted of 1220 faculty members at Farhangian University campuses during the academic year 2023-2024. Through Cochran's formula, 315 individuals were selected via random cluster sampling. For the qualitative component, 15 experts were chosen using snowball sampling. Quantitative data were analyzed using SPSS, while thematic analysis was applied to the qualitative data. Results: Factors such as behavioral intention, perceived ease of use, perceived usefulness, job relevance, social norms, facilitating conditions, and attitude towards AI have been identified as influencing artificial intelligence acceptance. The results revealed that the artificial intelligence literacy levels of faculty members were suboptimal. The second-order factor analysis of the structure showed significant fit indices, validating the statistical analysis. Conclusion: Enhancing AI literacy of professors in higher education is crucial in addressing resistance to AI adoption. Therefore, increased support from relevant authorities and educational leaders is essential to assist professors in developing their artificial intelligence skills and literacy.