AI технологи ашиглах чадвар ба суралцахуйн үр ашгийн төсөөлөл: Цагийн менежментийн зуучлах үүрэг (ОУУБИС-ийн солонгос хэл суралцагч оюутнуудын жишээн дээр)
:
https://doi.org/10.65168/:
үүсгэгч хиймэл оюун ухаан, AI ашиглах чадвар, өөрийн удирдлагат суралцахуй, суралцах стратегиХураангуй
Энэхүү судалгаа нь солонгос хэл суралцагч оюутнуудын хиймэл оюун ухаан (AI)-д суурилсан технологийг ашиглах чадвар болон суралцахуйн үр ашгийн төсөөллийн хоорондын хамаарлыг шинжлэн, үүнд цагийн менежментийн зуучлах үүргийг тодорхойлохыг зорив. Судалгаанд Олон Улсын Улаанбаатарын Их Сургуулийн 100 оюутныг хамруулж, цуглуулсан өгөгдлийг дүрслэх статистик, корреляцийн шинжилгээ, регрессийн шинжилгээ болон зуучлах нөлөөний шинжилгээний аргуудаар боловсруулав.
Судалгааны үр дүнгээс үзэхэд AI технологи ашиглах чадвар нь цагийн менежментэд (β=.387, p<.001) болон суралцахуйн үр ашгийн төсөөлөлд (β = .342, p< .001) эерэг, статистикийн ач холбогдол бүхий нөлөө үзүүлж байв. Түүнчлэн цагийн менежмент нь AI технологи ашиглах чадвар болон суралцахуйн үр ашгийн төсөөллийн хооронд статистикийн ач холбогдол бүхий зуучлах үүрэг гүйцэтгэж байгааг илрүүлсэн. Энэ нь AI технологийг үр дүнтэй ашиглах чадвар нь суралцагчийн цаг ашиглалттай холбоотой зан үйлийн зохицуулалтыг дэмжиж, улмаар суралцах үйл явцыг илүү үр ашигтай гэж үнэлэхэд нөлөөлж байгааг харуулж байна. Харин AI технологи ашиглах давтамжийн нөлөөг авч үзэхэд, зохион байгуулалтгүй, зорилгогүй хэрэглээ нь суралцах үйл явцад сөрөг нөлөө үзүүлж болзошгүйг харуулсан. Гэвч энэхүү судалгаа нь өөрийн үнэлгээний болон нэг цаг үеийн өгөгдөлд тулгуурласан тул шалтгаан-үр дагаврын хамаарлыг бүрэн тогтоох боломжгүй бөгөөд цаашдын судалгаанд урт хугацааны судалгааны загвар болон AI ашиглалтын бодит бүртгэлийн өгөгдөл, сурлагын амжилт зэрэг объектив хэмжүүрүүдийг ашиглах шаардлагатай байна.
Ном зүй
Comrey, A. L., & Lee, H. B. (1992). A first course in factor analysis (2nd ed.). Lawrence Erlbaum Associates.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis (7th ed.). Pearson Education.
Kline, R. B. (2016). Principles and practice of structural equation modeling. Guilford Press.
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive science, 12(2), 257-285
Sweller, J., Van Merrienboer, J. and Paas, F. (1998) Cognitive Architecture and Instructional Design. Educational Psychology Review, 10, 251-296.
Zimmerman, B. J.(2000), Attaining self-regulation: A social cognitive perspective, Handbook of self-regulation. 13-39.
김진경. (2025). 기술수용모델에 기반한 대학생의 생성형 AI 활용 학습 사용의도에 대한 구조적 관계 분석. 13.
김진아. (2025). 대학생의 온라인 학습 유형별 학업행동: 자기조절학습과 기본심리욕구 충족을 중심으로. 7.
박성익, 김미경. (2004). 자기조절학습의 구성요인과 학습효과에 관한 고찰. 아시아교육연구, 5(2), 137–160.
방쌍리. (2023). 자기조절학습 전략 개발을 위한 수업 설계 및 적용 - 중국 대학 한국어고급읽기 수업을 중심으로. 27.
양명희. (2002). 자기조절 학습 구성변인과 학업 성취와의 관계 연구. “아시아교육연구”, 3(2), 47-70.
황기석. (2026). 학습 단계에 따른 AI 챗봇의 효과 분석: 학습 경험, 인지 부하, 학습 성과를 중심으로.
Analyzing the Educational Impact of AI Chatbots: Learning Experience, Cognitive Load and Performance Across Learning Stages. 23-30.
This work was supported by the Core University Program for Korean Studies of the Ministry of Education of the Republic of Korea and Korean Studies Promotion Service at the Academy of Korean Studies (AKS-2022-OLU-2250006).
