بررسی ویژگی‌های روانسنجی مقیاس دانش استفاده از هوش مصنوعی در جامعه‌ی ایرانی
الموضوعات :زهرا اخوی ثمرین 1 , سعید خاکدال قوجه بگلو 2 , مریم قهرمانلو 3
1 - گروه مشاوره، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران
2 - کارشناس ارشد مشاوره خانواده
3 - گروه مشاوره، دانشکده روانشناسی و علوم تربیتی، دانشگاه محقق اردبیلی، اردبیل ایران
الکلمات المفتاحية: دانش هوش مصنوعی, آگاهی, استفاده, ارزیابی, اخلاق,
ملخص المقالة :
پژوهش حاضر با هدف بررسی ویژگی‌های روانسنجی مقیاس دانش استفاده از هوش مصنوعی در جامعه‌ی ایرانی انجام گرفت. روش پژوهش توصیفی از نوع پیمایشی بود. جامعه‌ی آماری شامل کلیه‌ی افراد جامعه‌ی ایران در سال 1403 که اطلاعات مقدماتی در زمینه‌ی کامپیوتر و هوش مصنوعی داشتند بود که بالای 20 سال سن داشتند و از میان آنها با استفاده از روش نمونه‌گیری دردسترس 340 نفر (137مرد، 203 زن) انتخاب شدند. داده‌ها از طریق مقیاس دانش استفاده از هوش مصنوعی، پرسشنامه‌ی انگیزه‌های استفاده از هوش مصنوعی و فرم کوتاه مقیاس نگرش نسبت به هوش مصنوعی جمع‌آوری شدند. نتایج تحلیل عاملی تأییدی چهار عامل آگاهی ، استفاده ، ارزیابی و اخلاق را برای مقیاس دانش استفاده از هوش مصنوعی تأیید کرد. نتایج ضرایب همبستگی پیرسون برای بررسی روایی همزمان (همگرا و واگرا) مقیاس دانش استفاده از هوش مصنوعی نشان داد که بین خرده مقیاس‌های، مقیاس دانش استفاده از هوش مصنوعی و خرده مقیاس پرسشنامه‌ی انگیزه‌های استفاده از هوش مصنوعی و خرده مقیاس پذیرش هوش مصنوعی در فرم کوتاه مقیاس نگرش نسبت به هوش مصنوعی همبستگی مثبت معنادار و با خرده مقیاس ترس از هوش مصنوعی در فرم کوتاه مقیاس نگرش نسبت به هوش مصنوعی همبستگی منفی معنادار وجود دارد. همسانی درونی خرده مقیاس‌های، مقیاس دانش استفاده از هوش مصنوعی بر حسب آلفای کرونباخ با ضرایب همبستگی 72/0 تا 82/0 مورد تأیید قرار گرفت. بنابراین براساس یافته‌های این پژوهش می‌توان نتیجه گرفت که مقیاس دانش استفاده از هوش مصنوعی برای سنجش این سازه در نمونه‌ای از جامعه‌ی ایرانی از ویژگی‌های روانسنجی مناسبی برخوردار است و می‌تواند ابزاری مفید برای پژوهشگران در زمینه‌ی پژوهش‌های مرتبط با دانش استفاده از هوش مصنوعی باشد.
References
Ausat, A. M. A., Siti Astuti, E., & Wilopo. (2022). Analisis faktor yang berpengaruh pada adopsi e-commerce dan dampaknya bagi kinerja UKM di Kabupaten Subang. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 9(2), 333–346.
Azdrifam, Nasser. (1403). A systematic review of robotics research in the field of education: lessons from the past and future directions. Quarterly Journal of Information and Communication in Educational Sciences. 15 (1), 147-165.
Brennen, J. S., & Kreiss, D. (2020). Digitalization and digitization. In The International Encyclopedia of Communication Theory and Philosophy (pp. 556–561). Wiley.
Brundage, S. Avin, J. Clark, H. Toner, P. Eckersley, B. Garfinkel, D. (2018). Amodei The malicious use of artificial intelligence: Forecasting, prevention, and mitigation University of Oxford arXiv preprint arXiv:1802.07228.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.
Cetindamar, D., Kitto, K., Wu, M., Zhang, Y., Abedin, B., & Knight, S. (2022). Explicating AI literacy of employees at digital workplaces. IEEE Transactions on Engineering Management, 71, 810–823.
Cornelia Sindermann· Peng Sha · Min Zhou· Jennifer Wernicke · Helena S. Schmitt· Mei Li ·Rayna Sariyska · Maria Stavrou · Benjamin Becker· Christian Montag,(2024). Assessing the Attitude Towards Artifcial Intelligence: Introduction of a Short Measure in German, Chinese, and English Language. KI - Künstliche Intelligenz (2021) 35:109–118.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... & Schafer, B. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28(4), 689–707.
Ghasemi, Vahid. (2012). Structural equation modeling in social research using Amos Graphics. Tehran: Sociologists.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Gunkel, D. J. (2012). The machine question: Critical perspectives on AI, robots, and ethics. MIT Press.
Hallaq, T. (2016). Evaluating online media literacy in higher education: Validity and reliability of the digital online media literacy assessment (DOMLA). Journal of Media Literacy Education, 8(1), 62–84.
Hagendorff .T. (2020) The ethics of AI ethics: An evaluation of guidelines Minds and Machines, 30 (1) , pp. 99-120.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign. Retrieved from Center for Curriculum Redesign.
Jarrahi, M. H. (2018). Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586.
Kroenke, D. M., & Boyle, R. J. (2019). Using MIS (11th ed.). Pearson Education.
Laudon, K. C., & Laudon, J. P. (2020). Management information systems: Managing the digital firm (16th ed.). Pearson Education.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Paper presented at the CHI ‘20: CHI Conference on Human Factors in Computing Systems, April 21.
Mohsenin, Shahriar; Esfidani, Mohammad Rahim. (2013). Structural equations based on partial least squares approach using Smart-PLS software: educational and practical. Tehran, Mehraban Publishing House.
Mueller, S. T., Hoffman, R. R., Clancey, W., Emrey, A., & Klein, G. (2019). Explanation in human-AI systems: A literature meta-review, synopsis of key ideas and publications, and bibliography for explainable AI. arXiv preprint [arXiv:1902.01876].
Ng, W. (2012). Can we teach digital natives digital literacy? Computers & Education, 59(3), 1065–1078.
