AIEd علمی ذخیرہAIEd KB
اس صفحے پر

یہ صفحہ انگریزی میں پڑھیں

تصورات

ٹیکنالوجی اپنانے کے ماڈل

تخلیق شدہ 2026-08-18 · اپ ڈیٹ شدہ 2026-11-04

انگریزی صفحے کا خودکار ترجمہ، جو ابھی تک کسی مقامی بولنے والے کے ذریعے جانچا نہیں گیا۔

ٹیکنالوجی اپنانے کے ماڈل — اُن نظریات کا خاندان جو یہ بتاتا اور پیش گوئی کرتا ہے کہ افراد اور ادارے نئی ٹیکنالوجیز کو کیوں قبول کرتے، اپناتے اور استعمال جاری رکھتے ہیں، جن میں ٹیکنالوجی قبولیت کا ماڈل (TAM) سب سے زیادہ استعمال ہوتا ہے۔ تعلیم میں AI میں یہی معیاری عدسہ ہے جس سے یہ پوچھا جاتا ہے کہ سیکھنے والے، اساتذہ اور تنظیمیں جنریٹو AI ٹولز کیوں اپناتی ہیں، اور علم بنیاد اِنہیں یکجا دیکھتی ہے کیونکہ GenAI اپنانے کے مطالعات اِس خاندان کے ایک کے بجائے کئی ارکان سے مواد لیتے ہیں۔

غور کرنے کے لیے سوالات

  • کسی ایسے موقع کا سوچیں جب آپ نے کوئی نئی ایپ، ٹول یا AI سروس اپنائی — اور کوئی ایسا جب آپ نے چھوڑ دی۔ ہر فیصلہ واقعی کس چیز نے چلایا: وہ کتنی مفید لگی، کتنی آسان تھی، یا آپ کے ارد گرد کے لوگ کیا کر رہے تھے؟ آپ کے خیال میں کون سا عامل سب سے زیادہ اہم ہے، اور کیا کوئی سروے واقعی اُسے قید کر سکتا ہے؟
  • ایک عام عقیدہ ہے کہ 'اگر کوئی ٹول واضح طور پر مفید ہو، تو لوگ اُسے استعمال کریں گے۔' کیا آپ نے ایسی صورتیں دیکھی ہیں جہاں واقعی مفید ٹیکنالوجی پھر بھی نہ چل سکی، یا واضح طور پر محدود ٹیکنالوجی پھر بھی پھیل گئی؟ معروضی افادیت اور حقیقی اپنانے کے درمیان خلا کی وضاحت کیا کر سکتی ہے؟
  • TAM جیسے اپنانے کے فریم ورک 1980 کی دہائی میں نسبتاً سادہ نظاموں کے لیے بنائے گئے تھے۔ اگر آپ نے جنریٹو AI استعمال کیا ہے، تو وہ ورڈ پروسیسر یا لرننگ مینجمنٹ سسٹم سے کس طرح مختلف ہے — اور 'استعمال میں آسانی' اور 'افادیت' کے گرد بنایا گیا ماڈل اُس چیز سے لوگوں کے تعلق کو قید کرنے میں کیوں ناکام ہو سکتا ہے جو جواب دیتی ہے؟
  • محققین اکثر کہتے ہیں کہ AI اپنانے میں سمجھا جانے والا خطرہ اور بھروسہ توقع سے کم اہم ہیں۔ آگے پڑھنے سے پہلے، آپ کی پیش گوئی کیا ہے: کیا طلبہ AI اپناتے ہیں کیونکہ وہ اُس پر بھروسہ کرتے ہیں، خطرات کے باوجود، یا سہولت اور سماجی دباؤ کے سامنے وہ خدشات واقعی معمولی ہیں؟
  • یہ صفحہ دلیل دیتا ہے کہ اپنانے کے فریم ورک ٹول کے استعمال کو ایک بار کا فیصلہ سمجھتے ہیں، مگر مؤثر استعمال جاری فیصلہ ہو سکتا ہے۔ آپ کی اپنی یا آپ کے طلبہ کی مشق میں 'AI استعمال کرنے کا انتخاب' اور 'مسلسل یہ فیصلہ کرنا کہ اُسے اچھی طرح کیسے استعمال کیا جائے' کے درمیان لکیر کہاں دھندلی ہوتی ہے — اور اگر ہم محض استعمال کے بجائے یہی ناپیں تو کیا بدلے گا؟
  • کچھ محققین سیکھنے والوں کو مختلف 'اپنانے کی شخصیات' میں گروپ کرتے ہیں بجائے یہ فرض کرنے کے کہ ایک ماڈل سب پر لاگو ہوتا ہے۔ آپ اپنے سیکھنے والوں، ساتھیوں یا طلبہ میں کیا فرق دیکھتے ہیں جو اپنانے کا کوئی ایک اوسط ماڈل چھپا سکتا ہے — اور یہ فرق آپ کی اُن کی معاونت کے انداز کو کیسے بدل سکتے ہیں؟

تعارف

AI اپنانے پر میٹا تجزیاتی ثبوت۔ اعلیٰ تعلیمی طلبہ کے AI اپنانے کا میٹا تجزیہ (233 ارتباطات، 32 مطالعات، N = 16,977) انفرادی (r = 0.57)، سیاق و سباق (r = 0.53) اور تکنیکی (r = 0.50) عوامل کے لیے درمیانی مثبت ارتباط پاتا ہے، جن میں استعمال کے ارادے سب سے مضبوط پیش گو (r = 0.64) اور سمجھے جانے والے خطرات و بھروسہ توقع سے کمزور ہیں۔ اُس کی مرکزی تنقید یہ ہے کہ شعبہ روایتی TAM/UTAUT فریم ورکوں پر حد سے زیادہ انحصار کرتا ہے جو جدید ذہین نظاموں سے پہلے کے ہیں اور AI کے مخصوص عوامل جیسے انسان نما بنانا اور اخلاقیات کو نظرانداز کرتے ہیں — اور دلیل دیتا ہے کہ یہ خلا نظریے کی ترقی اور ثبوت پر مبنی پالیسی کے لیے اہم ہیں۔

  • استعمال میں آسانی نے پیش گوئی کرنا بند کر دیا جب نمونہ پہلے ہی اپنا چکا تھا۔ Wei, Zhang اور Heo (2026) پہلے سے AIGC استعمال کرنے والے 526 ڈیزائن طلبہ پر TAM کو بڑھاتے ہیں اور پاتے ہیں کہ سمجھی جانے والی آسانی واحد تکنیکی تصور تھی جو خود اعتمادی سے نمایاں طور پر منسلک نہیں تھی، جبکہ علم، بھروسہ، اعتبار، افادیت، ذہانت اور بے چینی میں سے ہر ایک منسلک تھا (Wei et al., 2026)۔ استعمال کے ارادے کا تعلق مقطعی ڈیٹا میں بیان کردہ انحصار سے مضبوطی سے تھا۔

ماڈل کا خاندان

ٹیکنالوجی قبولیت کا ماڈل (TAM)

Davis (1989) نے تجویز کیا، TAM اپنانے کی وضاحت دو بنیادی عقائد سے کرتا ہے — سمجھی جانے والی افادیت (PU) اور سمجھی جانے والی آسانی (PEOU) — جو صارف کے رویے (ATT)، پھر رویاتی ارادے (BI)، اور پھر حقیقی استعمال کو شکل دیتے ہیں۔ معلوماتی نظام کے نظریے (Theory of Reasoned Action سے ماخوذ) پر کھڑا، TAM تعلیم میں GenAI اپنانے کا غالب فریم ورک بن گیا ہے۔ تعلیمی GenAI تحقیق میں اُسے اکثر مصنوعی ذہانت کی لیٹریسی، اعتماد، سماجی اثر، خود تعین اور تنقیدی استعمال کے ساتھ بڑھایا جاتا ہے تاکہ محض استعمال سے آگے اپنانے کی پیچیدگی قید ہو سکے۔

UTAUT / UTAUT2 / UTAUT3

ٹیکنالوجی کی قبولیت اور استعمال کا متحد نظریہ TAM کو آٹھ سابقہ ماڈلوں کے ساتھ چار بنیادی عوامل میں سمیٹتا ہے — کارکردگی کی توقع، کوشش کی توقع، سماجی اثر، اور سہولت بخش حالات (UTAUT2 لطف انگیز محرک، قیمت کی قدر اور عادت جوڑتا ہے؛ UTAUT3 ذاتی جدت جوڑتا ہے)۔ علم بنیاد UTAUT کو اساتذہ اور طلبہ کی آبادیوں پر لاگو کرتی ہے: آسٹرین ثانوی ریاضی کے اساتذہ (448 اساتذہ کے ساتھ UTAUT)، گھانا کے زیرِ تربیت سائنس اساتذہ (UTAUT + TPB)، اور لیسوتھو کے طلبہ (UTAUT3 + ARCS، PLS-SEM اور fsQCA کے ساتھ)۔ Jácome-Vásconez et al. 522 یونیورسٹی طلبہ کے لیے UTAUT2 کو قابلِ تشریح AI (Random Forest, SHAP, NCA, IPMA, K-Means) کے ساتھ بڑھاتے ہیں، عادت کو ChatGPT کے ارادے کا سب سے مضبوط پیش گو پاتے ہیں اور دکھاتے ہیں کہ کوشش کی توقع خطی محرک کے بجائے ایک لازمی شرط ہے — یہ نتیجہ صرف اُس وقت نظر آتا ہے جب XAI ریگریشن کی تکمیل کرے۔

منصوبہ بند رویے کا نظریہ (TPB)

TPB ارادے کی وضاحت رویے، موضوعی اصولوں اور سمجھے جانے والے رویاتی قابو سے کرتا ہے۔ AI اپنانے کے مطالعات میں اُسے اکثر TAM/UTAUT کے ساتھ جوڑا جاتا ہے — مثلاً Rizun et al. TAM، TPB، UTAUT اور FATE (انصاف، جوابدہی، شفافیت، اخلاقیات) فریم ورک کو یکجا کر کے طلبہ کے ChatGPT اپنانے کے رویاتی اور اخلاقی محرکات کا ماڈل بناتے ہیں۔

اپنانے کی تحقیق عام طور پر ارادے پر رک جاتی ہے؛ TPB کی ایک توسیع جس نے حقیقی ارادے کے باوجود تاخیر ناپی، 1,243 انڈرگریجویٹس میں GenAI کی معاونت والی سیکھنے کی تاخیر کا سب سے مضبوط منفی پیش گو سمجھے جانے والا رویاتی قابو پایا (β = −0.331)، اور ارادے–تاخیر کا رشتہ صرف درمیانی سے زیادہ سیکھنے کی GenAI بے چینی پر نمایاں تھا (Li et al. (2026))۔

جدت کا پھیلاؤ (DOI)

Rogers کا DOI نظریہ اپنانے کی وضاحت ایک سماجی عمل کے طور پر کرتا ہے جس میں جدتیں وقت کے ساتھ آبادیوں میں پھیلتی ہیں، اور جدت کی خصوصیات (نسبتی فائدہ، مطابقت، پیچیدگی، آزمائشیت، مشاہدہ پذیری) اور اپنانے والوں کے زمروں پر زور دیتا ہے۔ یہ علم بنیاد کے اداراتی سطح کے تجزیوں میں آتا ہے، مثلاً Al-Rahmi et al. سعودی یونیورسٹیوں میں تنظیمی AI اپنانے کا ماڈل بنانے کے لیے ٹیکنالوجی–تنظیم–ماحول (TOE) فریم ورک کو DOI کے ساتھ جوڑتے ہیں۔

ٹیکنالوجی–تنظیم–ماحول (TOE)

TOE اپنانے کو تکنیکی، تنظیمی اور ماحولی سیاق سے شکل پاتا ہوا دیکھتا ہے — اداراتی اپنانے کے مطالعے کے لیے فرد کی سطح کے TAM/UTAUT کا ایک تکمیلی فریم ورک (دیکھیں Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education)۔

علم بنیاد میں اطلاقات

اپنانے کے ماڈل علم بنیاد میں طلبہ اور اساتذہ کے AI ٹولز اپنانے کا ماڈل بنانے کے لیے لاگو ہوتے ہیں:

  • تنقیدی استعمال کی توسیع: Nguyen et al. نے انجینئرنگ/CS طلبہ کے لیے TAM کو تنقیدی استعمال کے ساتھ بڑھایا، اور پایا کہ رویے اور تنقیدی استعمال براہِ راست ارادے کی پیش گوئی کرتے ہیں — اور یہ کہ تنقیدی استعمال حد سے زیادہ انحصار سے بچاتا ہے۔
  • متحد سماجی-علمی ماڈل: Asag & Al Mamun نے بنگلہ دیش کے انجینئرنگ طلبہ کے لیے TAM کو UTAUT کے ساتھ یکجا کیا (استعمال کے تغیر کا 64% بیان کرتے ہوئے)۔
  • فرد مرکز پروفائلز: متغیر مرکز ماڈلوں کے بجائے، Saihi & Ahmed GenAI اپنانے کی شخصیات کو گروپ کرتے ہیں، اور Chen et al. زیرِ تربیت اساتذہ میں چار ChatGPT قبولیت پروفائلز کی نشاندہی کے لیے latent profile analysis استعمال کرتے ہیں — جو شعبے کے واحد ماڈل، خطی بیانات سے آگے بڑھنے کو دکھاتا ہے۔
  • بین الثقافتی توثیق: Martínez-Moreno et al. سوئٹزرلینڈ اور چین میں اپنانے سے متعلق محرکاتی constructs کی بین الثقافتی توثیق کرتے ہیں۔
  • توقع کے ثالثوں کے ساتھ ایک علمی ثالث: Belief to behavior: how AI self-efficacy shapes AI acceptance through AI literacy ترکی کے 622 انڈرگریجویٹس میں AI خواندگی کو AI خود اعتمادی اور قبولیت کے درمیان رکھتے ہیں۔ بالواسطہ راستہ نمایاں تھا (B = 0.15, 95% CI [0.12, 0.19]) اور براہِ راست راستہ برقرار رہا (B = 0.43, R² = 0.29)؛ قبولیت نے AI بے چینی کے ساتھ بھی کمزور منفی تعلق دکھایا (B = -0.34, R² = 0.05)۔ جہاں نیچے کا زیادہ بھروسے کا کام اعتماد کو کارکردگی کی توقع کے ذریعے گزارتا ہے، یہ مطالعہ اُسے اُس راستے سے گزارتا ہے جو طلبہ ٹیکنالوجی کے بارے میں جانتے ہیں۔
  • نفسیاتی متعلقات: Wu et al. TAM پر کھڑے ہو کر محرک، خود اعتمادی، بے چینی اور خطرے کے تصور کو AI کی معاونت والی انگریزی سیکھنے کی قبولیت سے جوڑتے ہیں۔
  • ریگولیٹری قابلیت کی تنقید: Kim دلیل دیتے ہیں کہ اپنانے پر مرکوز TAM ماڈل استعمال کو ایک مستحکم فیصلہ سمجھتے ہیں، جبکہ مؤثر AI استعمال فیصلے، نظرثانی اور انتخابی اپنانے کا جاری عمل ہے — جو مصنوعی ذہانت کی لیٹریسی کو قبولیت کے بجائے ریگولیٹری قابلیت اور تنقیدی سوچ کے طور پر دوبارہ بیان کرتا ہے۔

TPACK خاندان کی صلاحیت کو Theory of Planned Behavior جیسے عقیدے کے فریم ورکوں کے ساتھ متوازی پیش گو کے طور پر جوڑنا construct کے باہمی تداخل کو دعوت دیتا ہے اور صلاحیت، رویے اور قابو کی سببی ترتیب کو غیر فیصلہ شدہ چھوڑ دیتا ہے؛ Capability–Decision Model اس کے بجائے AI-TPACK صلاحیت کو رویے اور سمجھے جانے والے رویاتی قابو سے اوپر رکھتا ہے (Mnguni (2026))۔

  • ChatGPT اپنانے کے ML عوامل: ایک تلاشی ML طریقے نے جانچا کہ طلبہ کے تصورات اور آبادیاتی خصوصیات تعلیمی ChatGPT استعمال کے ارادے سے کیسے جڑتے ہیں، اور SHAP تجزیے سے سیکھنے سے متعلق کلیدی constructs کی نشاندہی کی — الگورتھمی کارکردگی زیادہ سے زیادہ کرنے کے بجائے تعلیمی معنی کو ترجیح دیتے ہوئے (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education)۔

  • قابلِ تشریحیت اور شعبے کی مطابقت بطور اساتذہ کے لیے قبولیت کے محرک: آٹومیشن میں بھروسے کے نظریے کو AI سفارشات کی استاد کی قبولیت پر لاگو کرتے ہوئے، Feldman-Maggor et al. (2025) نے پایا کہ سمجھ پذیری (جو قابلِ تشریح AI سے بڑھتی ہے) بھروسے اور AI گروپنگ ٹول کی قبولیت، دونوں کے ساتھ مثبت طور پر منسلک تھی، اور یہ کہ نصابی زبان میں شعبے سے چلنے والی وضاحتیں تینوں پر ڈیٹا سے چلنے والی خصوصیت کی اہمیت والی وضاحتوں سے بہتر رہیں۔ قبولیت کو مزید پيدگوجیکل ہم آہنگی اور کام کے بوجھ میں کمی کی صلاحیت نے چلایا — ایسے حالاتی عوامل جو بھروسے سے آگے ہیں اور معیاری TAM/UTAUT constructs شاذ و نادر ہی قید کرتے ہیں، جو اپنانے کے ماڈلوں کو سیاق و سباق اور قابلِ تشریحیت کے ساتھ بڑھانے کی دلیل کو مضبوط کرتا ہے۔

  • تدریسی مواد کی سطح پر ناپی گئی قبولیت (2026)۔ Wang, Chuang and Wu (2026) نے 794 K-12 طلبہ اور 37 اساتذہ کے استعمال کردہ دو عمر کے لحاظ سے درجہ بند AI خواندگی گائیڈ بکس کے لیے کارکردگی کی توقع، کوشش کی توقع، سمجھی جانے والی لطف انگیزی اور رویاتی ارادے کو عملی شکل دی، تقسیم شدہ نمونے کے EFA اور CFA سے چار عوامل کے ڈھانچے کی توثیق کی اور 9-12 اور 13-18 ایڈیشنز میں پیمائشی عدم تغیر کی تائید کی۔ کم عمر سیکھنے والوں نے چاروں constructs پر زیادہ سطحیں بیان کیں، اور دونوں کوہورٹس میں لطف انگیزی ارادے کا سب سے مضبوط متعلقہ عامل تھی — کم عمر گروپ میں لطف انگیزی سے ارادے کا معیاری coefficient 1.00 سے بڑھ گیا اور دونوں constructs کے درمیان HTMT .950 تھا۔ مصنفین اِسے بڑے اثر کے بجائے construct کا باہمی تداخل اور ممکنہ دباؤ پڑھتے ہیں، جو ایک مفید یاد دہانی ہے کہ مواد پر لاگو قبولیت کے آلات تجرباتی طور پر الجھے ہوئے عوامل پیدا کر سکتے ہیں جو ساختی تشریح کو پیچیدہ بنا دیتے ہیں۔

حدود اور توسیعات

TAM کا علمی زور AI استعمال کی جذباتی اور تعلقاتی جہتوں کو بھی کم قید کرتا ہے۔ نرسنگ طلبہ اور فیکلٹی کا معیاری مطالعہ نے پایا کہ چار کلاسیکی TAM constructs کے ساتھ ساتھ شرکاء — زیادہ تر طلبہ — نے AI کو نفسیاتی-سماجی سہارے کے ماخذ کے طور پر بیان کیا: دباؤ کے وقت جذباتی تسلی اور عکاسی کے لیے ایک رازدار جگہ۔ یہ سمجھی جانے والی افادیت کو کارکردگی کے فائدوں سے آگے بہبود تک بڑھاتا ہے، زیادہ دباؤ والی پیشہ ورانہ تربیت میں، اور تجویز کرتا ہے کہ اپنانے کے ماڈل صرف آلہ جاتی افادیت نہیں بلکہ جذباتی اور نفسیاتی-سماجی عوامل پر بھی توجہ دیں۔

خودمختاری کا تصور اور خطرے سے گریز بطور ٹول مخصوص توسیعات۔ 27 ممالک اور خطوں کے 287 GenAI کا تجربہ رکھنے والے اساتذہ کے مخلوط طریقہ سروے (Dai et al. (2026)) TAM کو اُس سمت بڑھاتے ہیں جسے ماڈل خاندان نے بمشکل چھیڑا: خود ٹول کی سمجھی جانے والی خودمختاری۔ کلاسیکی constructs میں سمجھی جانے والی مصنوعی خودمختاری (کہ اساتذہ کتنا سمجھتے ہیں کہ GenAI کوئی سونپا گیا تدریسی کام کتنی خودمختاری سے کر سکتا ہے) اور خطرے سے گریز جوڑنے پر، اُن کا نکھرا ہوا ساختی ماڈل رویاتی ارادے کے تغیر کا 79.8% بیان کرتا ہے (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041)، جس میں سمجھی جانے والی افادیت پھر غالب ہے (PU → BI β =.832, p <.001) اور استعمال میں آسانی افادیت کو سہارا دیتی ہے (PEU → PU β =.479)۔ سبق آموز نتائج راستے کی موڑ ہیں۔ مصنوعی خودمختاری نے براہِ راست ارادے پر عمل نہیں کیا (β =.026, ns) بلکہ افادیت کے ذریعے کیا (AA → PU β =.188, p <.001؛ بالواسطہ AA → PU → BI =.156, 95% CI [.082,.240]) — جن اساتذہ نے GenAI کو زیادہ قابل سمجھا اُنہوں نے اُسے زیادہ مفید پایا، فوراً زیادہ قابلِ اپنانہ نہیں۔ خطرے سے گریز نے ارادہ کم کیا (RA → BI β = −.163, p <.001) بغیر سمجھی جانے والی افادیت کم کیے (RA → PU ns)، کیونکہ اساتذہ کے خدشات اپنے بجائے طلبہ کے استعمال پر مرکوز تھے — نقل اور سالمیت، کمزور ہوتا بنیادی علم اور اعلیٰ درجے کی سوچ، ہیلوسینیشن، کم ہوتا انسانی تعامل، اور اخلاقی، قانونی و مساوات کے خطرات۔ استعمال میں آسانی مجموعی طور پر غیر نمایاں تھی (PEU → BI β =.068) مگر اُن 225 اساتذہ میں نمایاں تھی جنہوں نے واقعی تدریس میں AI استعمال کیا تھا (β =.138, p <.05)، یعنی وہی مانوس نمونہ کہ کوشش صرف حقیقی سامنے آنے کے بعد رجسٹر ہوتی ہے؛ رویہ اُس وقت چھوڑنا پڑا جب ارادے کے ساتھ اُس کا ارتباط (r =.929) امتیازی صداقت کو توڑنے لگا۔ اساتذہ نے GenAI کو نیم خودمختار سطحوں پر رکھا (130 سطح 2 پر، "استاد کی معاونت"؛ 94 سطح 3 پر، "جزوی آٹومیشن"؛ ایک سطح 6 پر) اور اصرار کیا کہ اپنانے کے فیصلے کیس بہ کیس کیے جائیں۔ TAM اب بھی ارادے کی اچھی پیش گوئی کرتا ہے، مگر اساتذہ کے لیے AI میں وہ constructs اہم ہیں جو ٹول مخصوص ہیں: ٹول کتنا خودمختار لگتا ہے، اور خطرہ کس کے استعمال سے جڑتا ہے۔ مصنفین کا "frenemy" لیبل — سہارے کے ٹول کے طور پر قدر پانا، خودمختار ایجنٹ کے طور پر بھروسہ نہ کرنا — اوپر درج طلبہ کے لیے توسیعات کا استاد کی طرف ہم منصب ہے۔

خطرے کا تصور بطور جہت مخصوص توسیع۔ 814 چینی یونیورسٹی طلبہ کے سروے (Du, Ning, Shi & Chen (2026)) Cognitive Appraisal Theory اور Protection Motivation Theory کو TAM/UTAUT2 میں جوڑتا ہے تاکہ یہ نہ پوچھا جائے کہ طلبہ جنریٹو AI اپناتے ہیں یا نہیں بلکہ یہ کہ اُنہیں اُس سے کیا ملتا ہے۔ ماڈل خاندان کا مفروضہ کہ خطرہ یکساں طور پر اپنانے کو دباتا ہے، قائم نہیں رہتا: خطرے کا تصور معلوماتی، سلامتی، تکنیکی، اخلاقی اور قانونی جہتوں میں بٹ جاتا ہے جو فائدوں کو مخالف سمتوں میں ہلاتی ہیں۔ سلامتی کا خطرہ — ایسا خطرہ جسے طلبہ سمجھتے ہیں کہ رازداری کی مشقوں سے سنبھال سکتے ہیں — سمجھی جانے والی تعلیمی معاونت اور مہارت کی ترقی کے ساتھ مثبت طور پر منسلک تھا، جو مسئلہ مرکوز مقابلے سے ہم آہنگ ہے، جبکہ معلوماتی خطرہ، جسے سیکھنے والے آسانی سے تصدیق نہیں کر سکتے، اجتناب کے ذریعے نفسیاتی و جذباتی سہارے، روزمرہ زندگی اور فراغت کے فائدے کھا گیا۔ حد کے تجزیوں نے مزید دکھایا کہ اثرات جہت مخصوص نقطۂ کٹاؤ کے بعد نشان بدل لیتے ہیں، اور استعمال کا تجربہ الگ سے اہم تھا: ایک سال سے زیادہ GenAI استعمال کرنے والے طلبہ نے چاروں میدانوں میں زیادہ فائدے بیان کیے۔ قبولیت کی تحقیق کے لیے عملی مضمر یہ ہے کہ "سمجھا جانے والا خطرہ" ماڈل بنانے کے لیے حد سے زیادہ موٹا construct ہے — قابو پانے کی صلاحیت، نہ کہ محض خطرے کی موجودگی، یہ طے کرتی ہے کہ طلبہ شامل ہوں یا کنارہ کش۔

حالیہ ایک توسیع معمول کی سمت اُلٹ دیتی ہے اور مضمون مخصوص محرکاتی عقائد کو TAM تصورات کے ساتھ نہیں، اُن سے اوپر رکھتی ہے۔ Xue, Xu, Qi & Lu (2026) بتاتے ہیں کہ افادیت کی قدر سمجھی جانے والی افادیت کی β = 0.43 پر پیش گوئی کرتی ہے اور کامیابی کی توقع استعمال میں آسانی کی β = 0.39 پر، جبکہ TAM کے بنیادی راستے کمزور ہوتے مگر نمایاں رہتے ہیں۔

خطرے کا استعمال سے رشتہ نظام پر بھی منحصر ہے: 49 TALIS 2024 نظاموں میں جنہوں نے آئٹمز شامل کیے، سمجھی جانے والی AI افادیت تمام 49 میں AI استعمال کے ساتھ مثبت طور پر منسلک تھی، جبکہ سمجھا جانے والا خطرہ 40 میں منفی اور نو میں مثبت طور پر منسلک تھا (Fang & Jin (2026))۔

کارکردگی کی توقع ایسا رشتہ اُٹھا سکتی ہے جسے قبولیت کی تحقیق استعمال کے ارادے کے طور پر پڑھتی ہے۔ Kim, Kim and Zhang (2026) میں کارکردگی کی توقع نے AI پر حد سے زیادہ بھروسے کی B = 0.6107 پر پیش گوئی کی اور وہ پہلا ثالث تھا جس کے ذریعے خود اعتمادی، داخلی محرک اور خارجی محرک حد سے زیادہ بھروسے تک پہنچے۔ صرف توقع کا بالواسطہ راستہ تینوں پیش گوؤں کے لیے مثبت تھا، خود اعتمادی کے لیے 0.1355 (95% CI [0.0542, 0.2330])، اس لیے توقع محض یہ پیش گوئی نہیں کر رہی تھی کہ طلبہ ٹول استعمال کریں گے یا نہیں۔

عام غلط فہمیاں

  • "TAM کے constructs اپنانے کی وضاحت کرتے ہیں۔" Asag and Al Mamun نے بنگلہ دیش کے انجینئرنگ طلبہ کے لیے TAM کو UTAUT کے ساتھ یکجا کیا اور تغیر کا 64% بیان کیا۔ بیک وقت کافی اور نامکمل: اپنانے کو چلانے والی تقریباً ایک تہائی چیز کلاسیکی قبولیت constructs سے باہر ہے۔
  • "قبولیت کے ماڈلوں کو شعبے کی ترمیم کی ضرورت نہیں۔" کلاسیکی constructs میں سمجھی جانے والی مصنوعی خودمختاری — کہ اساتذہ کتنا سمجھتے ہیں کہ GenAI کوئی سونپا گیا تدریسی کام کتنی خودمختاری سے کر سکتا ہے — اور خطرے سے گریز جوڑنے سے ماڈل ٹھوس طور پر بدلا۔ اصل constructs اُن ٹولز کے لیے بنے تھے جن میں ایجنسی نہیں، اور GenAI میں سمجھی جانے والی ایجنسی ہے۔
  • "میٹا تجزیاتی اپنانے کا تخمینہ کسی بھی آبادی کو بیان کرتا ہے۔" اعلیٰ تعلیمی طلبہ کا میٹا تجزیہ آبادی کی سطح کا تخمینہ ہے؛ 64% بیان کرنے والا انجینئرنگ کا نتیجہ ایک مخصوص آبادی کا ہے۔ ایک کو دوسرے پر ڈالنا ایسا استحکام فرض کرتا ہے جو ثبوت قائم نہیں کرتا۔

منسلک تصورات

منسلک مضامین

میٹا ڈیٹا

درجہHigher Ed
مطلوبہ سامعینLearners
ٹیکنالوجیز اور طریقےجنریٹو AI, ٹیکنالوجی اپنانے کے ماڈل
تحقیقی طریقے اور جائزہAIED میں تحقیقی طریقے
تعلیم میں AI کی بنیادیںمصنوعی ذہانت کی لیٹریسی
ذریعہتاریخچہترمیم کریںگفتگو

اس صفحے کو ایمبیڈ کریں

نیچے دیا گیا کوڈ نقل کریں تاکہ اس صفحے کو کسی سیکھنے کے انتظامی نظام یا دوسری ویب سائٹ پر ایمبیڈ کری سکیں۔ ایمبیڈ شدہ نسخہ صرف صفحے کا مواد دکھاتا ہے — یہ سائٹ کا ہیڈر، نیویگیشن اور فوٹر چھپا دیتا ہے۔