AIEd Hifadhi ya MaarifaAIEd KB
Kwenye ukurasa huu

Soma ukurasa huu kwa Kiingereza

Madhana

Miundo ya Kupokea Teknolojia

Imeundwa 2026-10-13

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Miundo ya kupokea teknolojia ni mifumo ya kinadharia inayotumika kueleza na kutabiri kwa nini watu na taasisi hukubali, hupokea, na huendelea kutumia teknolojia mpya — na, katika utafiti wa AI katika elimu, kwa nini wanafunzi, walimu, na mashirika hupokea zana za generative AI. Badala ya mfano mmoja, huu ni familia ya nadhari zenye mizizi ya pamoja katika utafiti wa mifumo ya habari na saikolojia ya kijamii, ambapo Mfano wa Kukubalika kwa Teknolojia (TAM) ni iliyotumika zaidi. Hifadhi hii ya maarifa inazishughulikia miundo hii pamoja kwa sababu masudio ya kupokea GenAI kwa kawaida huichanganya (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) na kwa sababu dhana zao za msingi — ufaafu unaotambatika, urahisi wa matumizi unaotambatika, na ushawishi wa kijamii — hurudiaruka katika karibu kila somo la kukubalika kwa AI katika elimu.

Maswali ya Kutafakari

  • Fikiria wakati ulipokea programu, zana, au huduma mpya ya AI — na wakati uliacha moja. Nini kilichosogeza kila uamuzi: jinsi ilivyoonekana kuwa na manufaa, jinsi ilivyo rahisi, au walichokuwa wakifanya watu waliokuzunguka? Ni kipengele gani unashuku kuwa na uzito zaidi, na je, dodoso ya kweli inaweza kupata hilo?
  • Imani ya kawaida ni kwamba "ikiwa zana inaonekana wazi kuwa na manufaa, watu wataitumia." Umewahi kuona hali ambapo teknolojia yenye manufaa ya kweli bado imeshindwa kupitishwa, au ambayo yenye vikomo dhahiri ilienea hata hivyo? Nini kinaweza kueleza pengo kati ya ufaafu wa kielekezo na kupokea halisi?
  • Mifumo ya kupokea kama TAM ilibuniwa katika miaka ya 1980 kwa ajili ya mifumo rahisi vya kutosha. Ikiwa umewahi kutumia generative AI, inatofautianaje na kichakataji maneno au mfumo wa usimamizi wa kujifunza — na kwa nini mfano uliojengwa kuzunguka "urahisi wa matumizi" na "ufaafu" unaweza kupata shida kukamata jinsi watu wanavyohusiana na kitu kinachojibu tena?
  • Watafiti mara nyingi husema kuwa hatari inayotambatika na uaminifu vina uzito mdogo katika kupokea AI kuliko inavyotarajiwa. Kabla ya kusoma zaidi, unatabiri nini: je, wanafunzi hupokea AI kwa sababu wanaiamini, licha ya hatari, au masuala hayo ni madogo hasa kulingana na urahisi na shinikizo la kijamii?
  • Ukurasa huu unadai kuwa mifumo ya kupokea huchukulia kutumia zana kama uamuzi wa mara moja, lakini matumizi yenye ufanisi yanaweza kuwa hukumu inayoendelea. Ni wapi katika mazoezi yako mwenyewe au ya wanafunzi wako mstari kati ya "kuchagua kutumia AI" na "kuamua kila wakati jinsi ya kuitumia vizuri" unaonekana kupotea — na nini kingebadilika tukiipima hilo badala ya kupitishwa tu?
  • Watafiti wengine huweka wanafunzi katika "wahusika wa kupokea" tofauti badala ya kudhani kuwa mfano mmoja unawahusu wote. Ni tofauti zipi unazoona kati ya wanafunzi, wafanyakazi wenzako, au wanafunzi wako ambazo mfano mmoja wa wastani wa kupokea unaweza kuficha — na tofauti hizo zinawezaje kuunda jinsi unavyowasaidia?

Utangulizi

Ushahidi wa meta-analysis juu ya kupokea AI. Meta-analysis ya kupokea AI kwa wanafunzi wa elimu ya juu (mahusiano 233, masudio 32, N = 16,977) inapata mahusiano chanya ya wastani kwa mambo ya kibinafsi (r = 0.57), ya muktadha (r = 0.53), na ya kiteknolojia (r = 0.50), huku nia za matumizi zikiwa mtabiri mwenye nguvu zaidi (r = 0.64) na hatari/uaminifu unaotambatika ukiwa dhaifu kuliko inavyotarajiwa. Upinzani wake wa kati ni kwamba uwanja unategemea kupita kiasi mifumo ya jadi ya TAM/UTAUT iliyotangulia mifumo ya kisasa ya akili, na inapuuzia mambo maalum ya AI kama vile ubinadamu-na-ufananishaji na maadili — ikidai kuwa mapengo haya ni muhimu kwa kuendeleza nadharia na sera zinazotegemea ushahidi.

Familia ya mifano

Mfano wa Kukubalika kwa Teknolojia (TAM)

Uliopendekezwa na Davis (1989), TAM inaeleza kupokea kupitia imani mbili za msingi — Ufaafu Unaotambatika (PU) na Urahisi wa Matumizi Unaotambatika (PEOU) — ambazo huunda Mitazamo (ATT) ya watumiaji, kisha Nia ya Tabia (BI), kisha matumizi halisi. Ikiwa imejengwa juu ya nadharia ya mifumo ya habari (kurekebishwa kutoka Nadharia ya Kitendo chenye Hoja), TAM imekuwa mfumo unaotawala kwa kupokea GenAI katika elimu. Katika utafiti wa GenAI wa kielimu mara nyingi inapanuliwa kwa Ujuzi wa AI, Uaminifu, ushawishi wa kijamii, kujitambua, na matumizi mahususi ili kukamata utata wa kupokea zaidi ya kupitishwa rahisi.

UTAUT / UTAUT2 / UTAUT3

Nadharia Iliyounganishwa ya Kukubalika na Matumizi ya Teknolojia inaunganisha TAM na mifano minane ya awali katika vigezo vinne vya msingi — matarajio ya utendaji, matarajio ya juhudi, ushawishi wa kijamii, na hali zinazorahisisha (na UTAUT2 ikiongeza motisha ya kufurahia, thamani ya bei, na tabia; UTAUT3 ikiongeza ubunifu binafsi). Hifadhi ya maarifa inatumia UTAUT katika idadi ya walimu na wanafunzi: walimu wa hisabati wa sekondari wa Austria (UTAUT na walimu 448), walimu wa sayansi wa kabla ya huduma nchini Ghana (UTAUT + TPB), na wanafunzi nchini Lesotho (UTAUT3 + ARCS, wakitumia PLS-SEM na fsQCA). Jácome-Vásconez et al. wanapanua UTAUT2 na AI inayoeleweka (Random Forest, SHAP, NCA, IPMA, K-Means) kwa wanafunzi 522 wa chuo kikuu, wakipata tabia kuwa mtabiri mwenye nguvu zaidi wa nia ya ChatGPT na kuonyesha kuwa matarajio ya juhudi ni hali muhimu badala ya msukumo wa mstari — matokeo yanayoonekana tu wakati XAI inakamilisha uchanganuzi wa kurudia.

Nadharia ya Kitendo chenye Mpango (TPB)

TPB inaeleza nia kupitia mitazamo, kanuni za kibinafsi, na udhibiti wa tabia unaotambatika. Mara nyingi hufungwa na TAM/UTAUT katika masudio ya kupokea AI — mfano Rizun et al. wanaunganisha TAM, TPB, UTAUT, na mfumo wa FATE (Haki, Uwajibikisho, Uwazi, Maadili) kuunda mfano wa vigezo vya tabia na maadili vya kupokea ChatGPT kwa wanafunzi.

Utafiti wa kupokea kwa kawaida husimama katika nia; upanuzi wa TPB ambao badala yake ulipima ucheleweshaji licha ya nia ya kweli ulipata udhibiti wa tabia unaotambatika kuwa mtabiri hasi mwenye nguvu zaidi ya ucheleweshaji wa kujifunza unaosaidiwa na GenAI (β = −0.331) katika wanafunzi 1,243 wa chuo kikuu, huku kiungo cha nia–ucheleweshaji kikiwa na umuhimu tu katika wasiwasi wa kujifunza GenAI wa wastani-hadi-juu (Li et al. (2026)).

Kusambaa kwa Ubunifu (DOI)

Nadharia ya DOI ya Rogers inaeleza kupokea kama mchakato wa kijamii ambao ubunifu unasambaa kupitia idadi ya watu kwa wakati, ikisisitiza sifa za ubunifu (faida ya uhusiano, utangamano, utata, uwezekano wa kujaribiwa, uwezekano wa kuchunguzwa) na makundi ya wapokeaji. Inaonekana katika uchanganuzi wa kiwango cha taasisi cha hifadhi ya maarifa, mfano Al-Rahmi et al. wanaunganisha mfumo wa Teknolojia–Shirika–Mazingira (TOE) na DOI kuunda mfano wa kupokea AI wa shirika katika vyuo vikuu vya Saudi.

Teknolojia–Shirika–Mazingira (TOE)

TOE inaweka kupokea kama kitu kilichoundwa na miktadha ya kiteknolojia, ya shirika, na ya mazingira — kilichoanzia kama nyongeza ya TAM/UTAUT ya kiwango cha mtu binafsi kwa ajili ya kusoma kupokea kwa taasisi (angalia Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Matumizi katika hifadhi ya maarifa

Miundo ya kupokea inatumika katika hifadhi yote ya maarifa kuunda mfano wa kupitishwa kwa zana za AI kwa wanafunzi na mwalimu:

  • Upanuzi wa matumizi mahususi: Nguyen et al. walipanua TAM na matumizi mahususi kwa wanafunzi wa uhandisi/informatics, wakipata kuwa mitazamo na matumizi mahususi hutabiri moja kwa moja nia — na kuwa matumizi mahususi yanalinda dhidi ya kutegemea kupita kiasi.
  • Mfano mmoja wa kisosholojia-kisosholojia: Asag & Al Mamun waliunganisha TAM na UTAUT kwa wanafunzi wa uhandisi nchini Bangladesh (wakielezea 64% ya tofauti ya matumizi).
  • Wasifu unaozingatia mtu: Badala ya miundo inayozingatia vigezo, Saihi & Ahmed hufanya makundi ya wahusika wa kupokea GenAI, na Chen et al. wanatumia uchanganuzi wa wasifu la „latent” kutambua wasifu wanne wa kukubalika ChatGPT miongoni mwa walimu wa kabla ya huduma — wakionyesha mwendo wa uwanja zaidi ya akaunti za mstari, za mfano mmoja.
  • Uthibitisho wa kitamaduni mbalimbali: Martínez-Moreno et al. wanathibitisha kivitamaduni dhana za motisha zinazohusiana na kupokea katika Uswisi na Uchina.
  • Vigezo vya kisaikolojia: Wu et al. hujenga juu ya TAM kuhusisha motisha, Uwezo Binafsi, wasiwasi, na hisia ya hatari na kukubalika kwa zana za kielimu cha Kiingereza zinazosaidiwa na AI.
  • Upinzani wa uwezo wa kisheria: Kim anadai kuwa miundo ya TAM inayozingatia kupokea huchukulia matumizi kama uamuzi thabiti, wakati matumizi yenye ufanisi ya AI ni mchakato unaoendelea wa hukumu, marekebisho, na kupitisha kwa uteuzi — ikirekebisha Ujuzi wa AI kama uwezo wa kisheria na Ufikiri Mahususi badala ya kukubalika.

Kuongeza uwezo wa familia ya TPACK kando ya mifumo ya imani kama Nadharia ya Kitendo chenye Mpango kama watabiri sambamba hualika mwingiliano wa dhana na huacha mpangilio wa sababu kati ya uwezo, mitazamo na udhibiti bila kuamua; Mfano wa Uwezo–Uamuzi badala yake unaweka uwezo wa AI-TPACK juu ya mitazamo na udhibiti wa tabia unaotambatika (Mnguni (2026)).

  • Vigezo vya ML vya kupokea ChatGPT: Mbinu ya uchunguzi ya ML ilichunguza jinsi hisia na demografia za wanafunzi zinavyohusiana na matumizi ya ChatGPT ya kitaaluma yaliyokusudiwa, kwa kutumia uchanganuzi wa SHAP kutambua dhana muhimu zinazohusiana na kujifunza — kwa kipaumbele cha maana ya kielimu badala ya kuongeza utendaji wa algorithmi (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • Uelewevu na umuhimu wa taaluma kama mifumo ya kukubalika kwa walimu: Kwa kurekebisha nadharia ya uaminifu kwa otomatiki kuendana na kukubalika kwa walimu kwa mapendekeo ya AI, Feldman-Maggor et al. (2025) walipata kuwa uelewevu (unaoinuliwa na AI inayoeleweka) ulihusiana kwa chanya na uaminifu na kukubalika kwa zana ya kupanga vikundi ya AI, na kuwa maelezo yanayosukumwa na taaluma katika lugha ya mtaala yalifanya vizuri zaidi kuliko yale yanayosukumwa na data ya umuhimu wa kipengele katika zote tatu. Kukubalika pia kulisukumwa na upatanishaji wa kibunifu na uwezo wa kupunguza mzigo wa kazi — mambo ya hali zaidi ya uaminifu ambayo dhana za kawaida za TAM/UTAUT mara chache huzicamata, zikithibitisha hoja ya kupanua miundo ya kupokea na muktadha na uelewevu.

  • Kukubalika kupimwa katika kiwango cha nyenzo za kufundisha (2026). Wang, Chuang na Wu (2026) waliweka Matarajio ya Utendaji, Matarajio ya Juhudi, Kuchezesha Kunachohisiwa, na Nia ya Tabia katika vitabu viwili vya ujuzi wa AI vilivyo na kizingiti cha umri vilivyotumiwa na wanafunzi 794 wa K-12 na walimu 37, wakithibitisha muundo wa vipengele vinne kwa EFA na CFA za sampuli mbili na kusaidia kutokuwa na mabadiliko ya upimaji katika matoleo ya 9-12 na 13-18. Wanafunzi wadogo waliripoti viwango vya juu zaidi katika dhana zote nne, na kuchezesha kulikuwa na mahusiano makubwa zaidi na nia katika makundi yote mawili — huku koeffisheni ya kuchezesha-hadi-nia iliyosawazwa ikizidi 1.00 katika kikundi cha wanafunzi wadogo na HTMT ya .950 kati ya dhana hizo mbili. Waandishi husoma hilo kama mwingiliano wa dhana na uwezekano wa kuzuia badala ya athari kubwa, kikumbusho chenye manufaa kwamba vyombo vya kukubalika vilivyotumika kwa nyenzo vinaweza kuzalisha vipengele vilivyounganishwa kwa kimaana ambavyo hupata ugumu katika tafsiri ya kimuundo.

Vizuizi na upanuzi

Mwelekeo wa kikognitivi wa TAM pia unakamata kwa kiwango kidogo vipimo vya kihisia na vya uhusiano vya matumizi ya AI. Utafiti wa kina wa wanafunzi wa uuguzi na wataalam ulipata kuwa, kando ya dhana nne za kawaida za TAM, washiriki — hasa wanafunzi — walieleza AI kama chanzo cha msaada wa kisaikolojia-kijamii: faraja ya kihisia wakati wa msongo na nafasi ya kujiamini ya kutafakari. Hii inapanua ufaafu unaotambatika zaidi ya mapato ya utendaji hadi Ustawi katika mafunzo ya kitaalamu ya msongo mkubwa, ikipendekeza kuwa miundo ya kupokea inapaswa kuzingatia mambo ya kihisia na ya kisaikolojia-kijamii, si ufaafu wa zana tu.

Hisia ya Uwazi na kupuuza hatari kama upanuzi maalum wa zana. Dodoso ya mbinu mchanganyiko ya walimu 287 wenye uzoefu wa GenAI katika nchi 27 na mikoa (Dai et al. (2026)) inapanua TAM katika mwelekeo ambao familia ya mifano haijagusa karibu: uhuru unaotambatika wa zana yenyewe. Kwa kuongeza uhuru bandia unaotambatika (jinsi walimu wanavyosadiki GenAI inaweza kufanya kazi ya kufundisha iliyopangiwa kwa uhuru kiasi gani) na kupuuza hatari kwa dhana za kawaida, mfano wao wa kimuundo uliosafishwa ulielezea 79.8% ya tofauti katika nia ya tabia (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041), huku ufaafu unaotambatika ukiwa na uzito tena (PU → BI β =.832, p <.001) na urahisi wa matumizi ukilisha ufaafu (PEU → PU β =.479). Matokeo yenye mafunzo ni upotoshaji. Uhuru bandia haukutenda moja kwa moja juu ya nia (β =.026, ns) bali ulitenda kupitia ufaafu (AA → PU β =.188, p <.001; AA → PU → BI isiyo ya moja kwa moja =.156, 95% CI [.082,.240]) — walimu walioiona GenAI kuwa na uwezo zaidi waliipata kuwa na manufaa zaidi, si kupitishwa kwa haraka zaidi. Kupuuza hatari kulipunguza nia (RA → BI β = −.163, p <.001) bila kupunguza ufaafu unaotambatika (RA → PU ns), kwa sababu masuala ya walimu yalizungukia matumizi ya wanafunzi — wizi na uaminifu, maarifa ya msingi yaliyodhoofika na ufikiri wa kiwango cha juu, kutunga vitu visivyokuwepo, mwingiliano wa binadamu uliopungua, na hatari za kimaadili, za kisheria na za usawa — badala ya yao wenyewe. Urahisi wa matumizi haukuwa na umuhimu kwa ujumla (PEU → BI β =.068) lakini ulikuwa na umuhimu kati ya walimu 225 ambao walikuwa wametumia AI kwa kweli katika kufundisha (β =.138, p <.05), mtindo wa kawaida kwamba juhudi inasajiliwa tu baada ya makutano halisi; mitazamo ilibidi kuachwa wakati uhusiano wake na nia (r =.929) ulikiuka uhalali wa kutofautisha. Walimu waliweka GenAI katika viwango vya nusu-uhuru (130 katika Kiwango cha 2, "msaada wa mwalimu"; 94 katika Kiwango cha 3, "otomatiki ya sehemu"; mmoja katika Kiwango cha 6) na wakasisitiza kuwa maamuzi ya kupokea yafanywe kwa kila kesi. TAM bado inatabiri nia vizuri, lakini kwa AI inayoelekezwa kwa mwalimu dhana zinazosogeza mambo ni maalum za zana: jinsi zana inavyoonekana kuwa na uhuru, na matumizi ya nani hatari inaambatana nayo. Lebo ya "rafiki-mtesi" ya waandishi — inathaminiwa kama zana ya msaada, haina aminika kama wakala huru — ni mwenzake upande wa mwalimu wa upanuzi unaoelekezwa kwa mwanafunzi ulioorodheshwa hapo juu.

Hisia ya hatari kama upanuzi maalum wa kipengele. Dodoso ya wanafunzi 814 wa chuo kikuu wa Kichina (Du, Ning, Shi & Chen (2026)) inaunganisha Nadharia ya Tathmini ya Kikognitivi na Nadharia ya Motisha ya Ulinzi katika TAM/UTAUT2 kuuliza sio iwapo wanafunzi hupokea generative AI bali wanapata nini kutoka kwake. Dhana ya familia ya mifano kwamba hatari huzuia kupokea kwa usawa haiwezi kubaki: hisia ya hatari inagawanyika katika vipengele vya habari, usalama, kiteknolojia, maadili, na kisheria ambavyo husogeza faida katika mwelekeo tofauti. Hatari ya usalama — tishio ambalo wanafunzi wanaamini wanaweza kulisimamia kupitia mazoezi ya faragha — ilihusishwa chanya na msaada wa kitaaluma na maendeleo ya ujuzi unaotambatika, kwa kuendana na kukabiliana kunakolenga matatizo, wakati hatari ya habari, ambayo wanafunzi hawawezi kuthibitisha kwa urahisi, ilipunguza msaada wa kisaikolojia na kihisia, wa maisha ya kila siku, na wa burudani kupitia kuepukana. Uchanganuzi wa vizingiti pia ulionyesha athari zinazobadilisha ishara zaidi ya pointi za kukata maalum za kipengele, na uzoefu wa matumizi ulikuwa na umuhimu kwa njia ya pekee: wanafunzi walioitumia GenAI kwa zaidi ya mwaka waliripoti faida za juu zaidi katika nne za maeneo. Maana ya kivitendo kwa utafiti wa kukubalika ni kwamba "hatari inayotambatika" ni dhana nyembamba kupita kiasi kuundwa mfano — udhibiti, si uwepo wa hatari tu, ndicho kinachoamua iwapo wanafunzi hushiriki au kuacha.

Kiungo cha hatari na matumizi pia kinategemea mfumo: katika mifumo 49 ya TALIS 2024 iliyotoa vitu hivyo, ufaafu wa AI unaotambatika ulihusishwa chanya na matumizi ya AI katika yote 49, wakati hatari inayotambatika ilihusishwa hasi katika 40 na chanya katika tisa (Fang & Jin (2026)).

Dhana Zilizounganishwa

Makala Zilizounganishwa

Metadata

NgaziHigher Ed
Hadhira inayokusudiwaLearners
Teknolojia na MbinuAkili Bandia ya Kizazi, Miundo ya Kupokea Teknolojia
Mbinu za Utafiti na TathminiMbinu za Utafiti katika AIED
Misingi ya Akili Bandia katika ElimuUjuzi wa AI
SourceHistoryEditChat

Pachika ukurasa huu

Nakili msimbo ulio hapa chini ili kupachika ukurasa huu katika mfumo wa usimamizi wa kujifunza au tovuti nyingine. Toleo lililopachikwa linaonyesha maudhui ya ukurasa tu — linaficha kichwa cha tovuti, urambazaji, na kijachini.