MANJE JE VIŠE: prikaz skraćivanja upitnika o stavovima studenata prema umjetnoj inteligenciji (SATAI)
|
|
Odgoj danas za sutra: Premošćivanje jaza između učionice i realnosti 3. međunarodna znanstvena i umjetnička konferencija Učiteljskoga fakulteta Sveučilišta u Zagrebu Suvremene teme u odgoju i obrazovanju – STOO4 u suradnji s Hrvatskom akademijom znanosti i umjetnosti
|
|
|
| Sekcija - Odgoj i obrazovanje za digitalnu transformaciju | Broj rada: 1 |
Kategorija: Izvorni znanstveni rad |
Sažetak |
|
|
|
Ključne riječi: |
|
|
Uvod i pregled istraživanja
DruštvoInformacijska znanja,tehnologija konceptpostala je neizostavni dio suvremenog društva, prožimajući sve aspekte ljudskog djelovanja, od svakodnevnih osobnih aktivnosti do složenih profesionalnih zadataka (Trisoni i sur., 2023). Njezina sveprisutnost očituje se u kontinuiranoj digitalizaciji procesa, automatizaciji rutinskih zadataka te transformaciji tradicionalnih metoda rada i komunikacije. Ova tehnološka integracija posebno je vidljiva u obrazovnom sektoru, gdje digitalni alati i platforme sve više oblikuju način na koji se znanje prenosi i usvaja. Rastući trend digitalizacije dodatno je 1950-ihubrzan predvidioglobalnim Peterdogađajima Drucker,poput temeljipandemije seCOVID-19, našto primjenije informacijsko-komunikacijskihrezultiralo tehnologijaubrzanim prihvaćanjem digitalnih rješenja u svim aspektimapodručjima životadruštva. Umjetna inteligencija može se definirati kao polje računalne znanosti koje ima za cilj rješavanje različitih problema kognitivne prirode, poput rješavanja problema ili učenja te postavljanja korisnih smjernica za stvaranje i korištenje inteligentnih računalnih sustava koji oponašaju karakteristične sposobnosti ljudskih bića (Drucker,Chassignol 1993)i sur, 2018., Chen i sur. 2020). URazvoj današnjekoncepta dobaumjetne digitalizacijainteligencije obrazovanjaseže postajedo ključ1950. godine kada je Alan Turing izumio Turing-ov test. Sljedeći značajan korak bio je razvoj ELIZE, prvog chatbot računalnog programa 1960-ih. Godine 1977. IBM je razvio Deep Blue, šahovsko računalo koje je kasnije pobijedilo svjetskog šahovskog prvaka.
Noviji trendovi uključuju osnivanje Applea 2011. te pokretanje OpenAI-a 2015. godine, koji su osnovali Elon Musk i suradnici (Smith i sur. 2006; Van der Vorst i Jelicic, 2019) sve do 2016. godine kada je na Georgia Institute of Technology u Sjedinjenim Državama grupi studenata predstavljena Jill Watson, prva virtualna asistentica u nastavi (Kim i sur. 2020). Eksponencijalni razvoj istraživanja umjetne inteligencije u obrazovnom kontekstu tijekom protekla dva desetljeća afirmirao je ovo područje kao značajnu znanstvenu domenu, pri čemu empirijske studije sustavno evaluiraju potencijal implementacije umjetne inteligencije u razvoju inovativnih pedagoških alata i personaliziranih pristupa učenju. Empirijska studija Zhanga i Dafoea (2019) o percepciji strojnog učenja među općom populacijom generirala je ambivalentne rezultate. Dok su ispitanici identificirali specifične dobrobiti implementacije strojnog učenja, istovremeno su iskazali zabrinutost vezanu uz potencijalne negativne implikacije, uključujući mogućnost štetnih posljedica, depersonalizaciju iskustava, restrikciju autonomije odlučivanja te potencijalnu zamjenu ljudskog faktora u različitim domenama djelovanja. Stopa razvoja AI brzo raste te postoji velik broj aplikacija koje su implementirane i testirane u nastavi (Akgun i Greenhow, 2021). Publikacija Digital Educational Outlook prezentira komparativnu analizu inicijativa zemalja članica OECD-a u kontekstu implementacije generativne umjetne inteligencije u obrazovne sustave, te elaborira skup strateških preporuka za njezinu buduću primjenu u obrazovnom procesu (OECD, 2023. Obrazovanje je doživjelo niz promjena i pod utjecajem je umjetne inteligencije koja sa sobom donosi prilike za transformaciju i prilagodbu načina na koji se odvija proces poučavanja/učenja (Mureșan, 2023). Evaluacija implementacije umjetne inteligencije iz studentske perspektive predstavlja imperativ u znanstvenim istraživanjima, s obzirom na njihovu dualnu ulogu kao primarnih korisnika i potencijalnih sukreatora obrazovnih servisa (Djokic i sur., 2024). Suvremeni trendovi u obrazovnoj tehnologiji manifestiraju se kroz personalizirane i adaptivne sustave učenja koji, generirajući individualizirani sadržaj i formativne povratne informacije temeljene na specifičnim potrebama i preferiranim stilovima učenja pojedinca, značajno utječu na povećanje motivacije za učenje (Kaledio i sur., 2024; Harry, 2023; Mrnjaus i sur., 2023). Za razliku od nastavnika, umjetna inteligencija šalje trenutno konstruktivne povratne informacije omogućujući time da studenti/učenici razumiju svoje snage i sposobnosti (Lai i sur., 2024). Mjerenje stavova prema umjetnoj inteligenciji može biti važan prioritetčimbenik u uspjehu ili neuspjehu primjene umjetne inteligencije u obrazovanju. Pozitivni stavovi učenika o učenju mogu poboljšati postignuća u učenju (Alias i sur., 2018; Zhai i sur., 2019) te pomoći kreatorima kurikuluma i učiteljima da optimiziraju nastavu (O’Hara, 2022). To je također povezano i s idejom kako će općeniti stavovi ljudi prema umjetnoj inteligenciji vjerojatno igrati veliku ulogu u njihovom prihvaćanju umjetne inteligencije (Schepman & Rodway, 2020). S obzirom na rastući značaj umjetne inteligencije u obrazovanju, javlja se potreba za redovitim praćenjem stavova studenata i nastavnika prema ovoj tehnologiji (Makridakis, 2017.; Olhede i Wolfe, 2018). Postojeći instrumenti za mjerenje ovih stavova, uključujući SATAI upitnik (Suh i Ahn, 2022), često su dugački i vremenski zahtjevni za primjenu. Ovo predstavlja značajan praktični problem, posebice u kontekstu obrazovnih institucija gdje je vrijeme za provođenje istraživanja često ograničeno. Iako duži upitnici općenito pružaju detaljnije podatke, njihova duljina može negativno utjecati na motivaciju ispitanika i kvalitetu odgovora, te potencijalno smanjiti stopu odaziva u istraživanjima. Dodatno, u dinamičnom području kao što je umjetna inteligencija, potrebno je često ponavljati mjerenja kako bi se osiguralapratile konkurentnost učenika na globalnom tržištu rada (Valacich & Schneider, 2015). Nastava Informatikepromjene u stavovima, školama ima ključnu ulogu u razvijanju digitalnih vještina, koje su temeljne za suvremeni svijet te je digitalna kompetencija 2006. godine istaknuta kao jedno od osam ključnih područja razvoja u sklopu europskog referentnog okvira koje propisuje Europska komisija (Europska komisija, 2019). U kontekstu sljedećeg stupnja primjene IKT teknologije u obrazovanju se apostrofiraju pojmovi kao pametno obrazovanje (eng. Smart Education) (Homen & Dumančić, 2023).
Prema istraživanjima Europske izvršne agencije za obrazovanje i kulturu (Eurydice, 2025), digitalne vještine postale su sastavni dio obrazovnih strategija u Europskoj uniji. Pandemija COVID-19to dodatno je istaknulanaglašava potrebu za digitalizacijomefikasnijim školstva,instrumentom. naglasivšiSkraćena kakoverzija mnogiSATAI obrazovniupitnika sustavizadržava nisu bili spremni za prijelaz na online nastavu (Europska komisija, 2022). Možzadovoljavajuće sepsihometrijske rećikarakteristike daoriginalne je razina digitalne izloženosti današnjih generacija učenika, koje se često naziva i digitalnim domorocima (Beatty & Egan, 2020), u nesrazmjeru s razinom digitalne izloženosti obrazovnog sustava.
U Hrvatskoj, kurikulum nastave Informatike propisuje Ministarstvo znanosti i obrazovanja, no njegova primjena uvelike ovisi o dostupnoj tehnologiji u školama. Iz usporedne analize mreže Eurydice o obrazovnim sustavima europskih zemalja vidljivo je da su pojedine europske države uvele Informatiku kao obavezan predmet u ranim razredima osnovne škole, dok druge provode integrirani model u sklopu drugih predmeta (Europska komisija, 2023).
Dosadašnja istraživanja pokazuju da je digitalna podjela jedan od ključnih izazova u obrazovanju (Lythreatis, Kumar Singh & El-Kassar, 2022). Neki autori ističu kako tehnologija u obrazovanju može imati i druge negativne posljedice, poput smanjenja kritičkog razmišljanja i povećane ovisnosti o digitalnim alatima (Kraner, 2022). No,verzije, uz pravilnu implementaciju, digitalna pismenost može značajno poboljšati obrazovne ishode i pripremiti učenike za budućkraće karijere.vrijeme Primjerice, Tomljenović i Zovko (2016) su pokazali da se bolji rezultati u nastavi matematike ostvaruju uporabom IKT, u odnosu na klasično izvođenje nastave, bez primjene IKT. Korištenje IKT-a u nastavi ne zamjenjuje klasične načine i metode poučavanja, već služi učiteljima i nastavnicima kao alat koji je u stanju obogatiti, unaprijediti ili pak nadopuniti pojedine dijelove nastavnog procesa (Dukić, Petrinšak & Pinjušić, 2020). Hrvatska ne odskače značajno od europskog prosjeka u računalnoj i informacijskoj pismenosti, ali unutar obrazovnog sustava postoje velike razlike u opremljenosti škola, što može utjecati na jednake mogućnosti za sve učenike (NCVVO, 2025).
Cilj i hipoteze istraživanja
Cilj istraživanja je ispitati dostupnu IKT opremu koju učenici koriste u nastavi, a nastavnici u pripremi i izvođenju nastave, u osnovnim školama na području Grada Zagreba. Dodatno, želi se ispitati zadovoljstvo nastavnika stanjem dostupne opreme, zadovoljstvo mogućnostima opreme koju koriste za pripremu i izvođenje nastave, učestalost korištenja pojedinih uređaja i tehnologija, tehničke karakteristike i starost tih uređaja te mogućnost ostvarivanja ishoda učenja u sklopu nastavnog predmeta informatika s opremom koju škole imaju na raspolaganju.
U istraživanju su postavljene sljedeće hipoteze:
H1. Stavovi nastavnika se ne razlikuju statistički značajno s obzirom na spol nastavnika.
H2. Stavovi nastavnika se statistički značajno razlikuju s obzirom na radno iskustvo nastavnika.
H3. Stavovi nastavnika se statistički značajno razlikuju s obzirom na razinu opremljenosti škole.primjene.
Metode istraživanjaMetodologija
Provedeno je kvantitativno istraživanje pomoću anketnog upitnika na platformi Google Obrasci. Anketa je podijeljena u šest segmenata u kojima se ispituje:
Cilj ovog istraživanja je razvoj i validacija skraćene verzije SATAI upitnika uz očuvanje njegovih ključnih psihometrijskih karakteristika.
Na temelju dosadašnjih istraživanja i teorijskih polazišta postavljena su sljedeća istraživačka pitanja:
1. Može li se razviti skraćena verzija SATAI upitnika koja zadržava psihometrijske karakteristike originalne verzije?
2. Hoće li skraćena verzija SATAI upitnika pokazati zadovoljavajuću faktorsku strukturu koja odgovara teorijskom modelu stavova prema umjetnoj inteligenciji?
3. Hoće li rezultati dobiveni skraćenom verzijom SATAI upitnika visoko korelirati s rezultatima dobivenim originalnom verzijom?
4. U kojoj mjeri će skraćena verzija SATAI upitnika pokazati zadovoljavajuću unutarnju konzistenciju?
Razvoj skraćene verzije upitnika motiviran je imperativom kreiranja ekonomičnijeg instrumenta koji bi umanjio vremenske zahtjeve administracije i kognitivno opterećenje ispitanika, istovremeno održavajući psihometrijske karakteristike u vidu valjanosti i pouzdanosti pri evaluaciji stavova prema umjetnoj inteligenciji u obrazovnom kontekstu.
Ispitanici
osobneIstraživanje karakteristikečini stratificirani uzorak od 276 studenata (N=276) s tri visokoškolske institucije: Filozofskog fakulteta Sveučilišta u Osijeku, Filozofskog fakulteta Sveučilišta u Rijeci te Učiteljskog fakulteta Sveučilišta u Zagrebu. Uzorak je obuhvaćao studente različitih godina studija koji su dobrovoljno pristupili istraživanju, pri čemu je selekcijski proces bio usmjeren na osiguravanje reprezentativne distribucije ispitanika kaokroz sve relevantne studijske programe navedenih institucija. Proces prikupljanja podataka realiziran je putem digitalne platforme Google Forms, što suje škola,omogućilo spol,učinkovitu radnodiseminaciju iskustvo,instrumenta. uključenostInstrument je konstruiran s naglaskom na optimizaciju jasnoće i razumljivosti čestica, usmjerujući se na ključne istraživačke konstrukte. Procedura prikupljanja podataka implementirana je u programperiodu e-školeod travnja do lipnja 2024. godine, uz osiguravanje informiranog pristanka sudionika i slično;
2.anonimnosti broj učenika i broj razrednih odjela u školama u kojoj radi ispitanik te broj učenika i razrednih odjela koji pohađaju nastavu Informatike;
3. podaci o digitalnoj tehnologiji u školi koji obuhvaćaju popis opreme koja se koristi od strane nastavnika i učenika te učestalost korištenja svakog pojedinog uređaja;
4. starost opreme koju učenici koriste u nastavi Informatike;
5. starost opreme koju nastavnici koriste za pripremu i/ili izvođenje nastave;
6. subjektivni stavovi nastavnika o adekvatnosti dostupne opreme - Likertova skala stavova s 5 nivoa gdje prvi nivo označava „uopće se ne slažem“ a peti nivo označava „u potpunosti se slažem“.podataka
Ispitanici su 15 nastavnika Informatike u osnovnim školama na području Zagreba. Anketa je provedena u lipnjuInstrument i rujnu 2024. godine. Podaci su analizirani pomoću deskriptivne statistike, a korelacijske analize korištene su za ispitivanje povezanosti između razine opremljenosti i stavova nastavnika. Statistička analiza je provedena alatom Statistica, verzija 14.2.0.18.
Rezultatipostupak
AnketniSATAI uzorakupitnik sadrž(Stavovi studenata prema umjetnoj inteligenciji) razvijen je na Sungkyunkwan sveučilištu u Južnoj Koreji provjerom pouzdanosti i 15 ispitanika,valjanosti od kojihstrane osam doktora znanosti iz područja računalnog obrazovanja na uzorku od 305 studenata. Nastavnici ga mogu koristiti za dijagnosticiranje trenutnih stavova studenata prema AI ili za provjeru učinkovitosti novih AI obrazovnih metoda. Za provođenje istraživanja u Hrvatskoj dobivena je 10pisana učiteljicasuglasnost autora instrumenta Suhn i Ahn (2022). Originalna SATAI ljestvica (prilog 1) sastoji se od 26 čestica koje se sastoje od tri komponente (kognitivni, afektivni i bihevioralni čimbenici), a svako pitanje se mjeri pomoću Likertove skale od 5 učiteljastupnjeva Informatike.u 93,3%rasponu ispitanikaod 1 (uopće se ne slažem) do 5 (u potpunosti se slažem). Prijevod SATAI upitnika na hrvatski jezik proveden je uključenoprema standardnim postupcima međukulturalne adaptacije mjernih instrumenata. Originalni upitnik najprije su nezavisno prevela dva stručnjaka s izvrsnim poznavanjem engleskog jezika i područja umjetne inteligencije u programobrazovanju. e-škole.Zatim Raspodjelaje ispitanikatreći stručnjak usporedio i objedinio ta dva prijevoda. Dobivena verzija prevedena je natrag na engleski jezik od strane profesionalnog prevoditelja koji nije bio upoznat s obziromoriginalnom verzijom. Povratni prijevod uspoređen je s originalnom verzijom kako bi se utvrdila ekvivalentnost. Nakon toga, panel stručnjaka (n=5) pregledao je prijevod i procijenio njegovu sadržajnu valjanost. Provedeno je i preliminarno testiranje na radnimanjoj stažskupini studenata (n=20) kako bi se provjerila jasnoća i razumljivost čestica. Finalna verzija upitnika formirana je prikazannakon namanjih Grafikonuprilagodbi 1.temeljem
Grafikon 1. Radno iskustvo na poziciji učitelja/nastavnika Informatikeinformacija.
Odgovori na pitanja o dostupnoj IKT opremi za nastavu Informatike u školi su prikazani na Grafikonu 2. Vidljivo je iz odgovora da su u svim školama prisutna stolna računala, u 53,3% njih prisutna suRezultati i prijenosna računala, a tableti i pametne ploče u 60%. Dodatna oprema poput uređaja za snimanje, robota za programiranje, projektora i sličnog dostupna je u 73,3% škola. Pametni telefoni dostupni su samo u jednoj školi. rasprava
Sve
analize
Grafikon 2. Dostupna oprema u informatičkoj učionici
Učestalost korištenja opreme u nastavi Informatike je prikazana na Grafikonu 3. Ponuđeneprovedene su 4pomoću kategorijeJASP učestalosti0.18.3. korištenja:(JASP nikada,tim, rijetko,2024.). čestoProcijenili smo unutarnju faktorsku strukturu SATAI konfirmatornom faktorskom analizom (CFA) koristeći polikorične korelacijske matrice s Robust Maximum Likelihood (MLR). Kao indekse prilagodbe modela koristili smo: (a) Sattora-Bentler skalirani hi-kvadrat (χ2 ) (Satorra & Bentler, 2001.); (b) korijen srednje kvadratne pogreške aproksimacije (RMSEA; Steiger, 2000.), gdje su vrijednosti < 0,05 prihvaćne kao dobre, 0,05–0,08 kao umjerene; (c) usporedni indeks prilagodbe (CFI) i; Vrijednosti Tucker-Lewisovog indeksa (TLI) između .90 i vrlo.95 često/uvijek.označavaju Izprihvatljivo, odgovoraa jevrijednosti vidljivoiznad da.95 nezanemarivdobro brojodgovaraju ispitanika(Hu koristi& vlastituBentler, opremu1999.); zai ostvarenjestandardizirani obrazovnihkorijen ishoda:srednje 13,33%kvadratne često,vrijednosti 33,33%(SRMR) rijetko.s Pametni< sat su navedeni jedini0,08 kao opremaindikacija kojadobrog seuklapanja nikada(Hu ne& koristi.Bentler, Upotreba pametnog telefona je navedena da se koristi „rijetko“ u 53,33% uzoraka no iz Grafikona 2. je vidljivo da samo 6,67% ispitanika navodi da škola posjeduje pametne telefone za izvođenje nastave. Zaključak je da u navedenim slučajevima učenici vjerojatno koriste vlastitu opremu.
Grafikon 31999). Dostupna oprema u školama koju učenici koriste u nastavi
Zatim je ispitana vrsta i učestalost opreme koju nastavnici koriste za pripremu i izvođenje nastave. Odgovori su vidljivi na Grafikonu 4. Također je vidljivo da nastavnici trebaju koristiti djelomično i svoju vlastitu opremu za ostvarenje obrazovnih ishoda: 13,33% uvijek, 20% rijetko.
Grafikon 4. Oprema koju učitelji koriste za pripremu i izvođenje nastave te učestalost njezina korištenja
Rezultati na pitanje o učestalosti nabave nove IKT opreme u školi su prikazani na Grafikonu 5. Rezultati prikazuju da se kod čak 60% ispitanika oprema obnavlja rjeđe od svakih 4 godine. Zanimljivo je da čak 26,67% ispitanika ne zna koliko se često nabavlja nova IKT oprema s kojom oni rade.
Grafikon 5. Učestalost nabave nove informatičke opreme
Subjektivni stavovi ispitanika na niz pitanja, s deskriptivnom statistikom odgovora, prikazani su u Tablici 1. Iz odgovora je vidljivo da su nastavnici izrazili niže slaganje s tvrdnjama u vezi adekvatnosti opreme i učestalosti obnavljanja opreme za izvođenje nastave. Višim ocjenama su ispitanici ocijenili tvrdnje da je uz postojeću razinu opremljenosti IKT-om moguće ostvariti obrazovne ishode predviđene kurikulumom.
Tablica 1.1 Deskriptivna statistika odgovora na pitanja s Likertovom skalom
Indeks podudaranja originalne i skraćene verzije upitnika
|
|
|
|
|
|
|
|
|
| ||
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.076 |
.051 |
- |
||
Skraćena verzija upitnika sastoji se od upola manjeg broja čestica, njih 12 (prilog 2). Analiza skraćene verzije upitnika (Tablica 1) ukazuje na model koji pokazuje zadovoljavajuće psihometrijske karakteristike, što je u skladu s trendom razvoja kraćih verzija psihologijskih mjernih instrumenata (Whittaker & Worthington, 2016; Stanton i Stanton., 2002). Model demonstrira granično prihvatljive pokazatelje prikladnosti, sugerirajući kako struktura upitnika odgovara teorijskim pretpostavkama (Schepman i Rodway, 2020). Ovakvi nalazi podupiru opravdanost skraćivanja originalnog upitnika, što je u skladu sa suvremenim pristupima razvoju mjernih instrumenata koji naglašavaju ravnotežu između psihometrijske preciznosti i praktične primjenjivosti (Dimson i sur., 2020). Kratka forma upitnika, koja sadrži četiri čestice po skali, predstavlja efikasniji mjerni instrument, što je posebno važno u kontekstu istraživanja stavova prema umjetnoj inteligenciji gdje je vrijeme ispitivanja često ograničeno (Chen i sur., 2021). Važno je naglasiti da nije bilo potrebe za dodavanjem rezidualnih kovarijanci, što prema Browne i Cudeck (1992) ukazuje na čistoću faktorske strukture i dobru diskriminativnu valjanost subskala.
Uspoređujući indekse prikladnosti između originalne i skraćene verzije, možemo uočiti značajna poboljšanja u skraćenoj verziji. CFI i TLI indeksi pokazuju vrijednosti iznad preporučene granice od .95 za skraćenu verziju (.961 i .950), dok su za originalnu verziju te vrijednosti niže (.900 i .888). Ovo ukazuje na poboljšanu prikladnost modela nakon skraćivanja. RMSEA vrijednost u skraćenoj verziji (.076) također pokazuje poboljšanje u odnosu na originalnu verziju (.086), približavajući se preporučenoj vrijednosti ispod .08 koja označava prihvatljivu prikladnost (MacCallum i sur., 1996). SRMR indeks u obje verzije zadovoljava kriterij za dobru prikladnost (< .08), s nešto boljom vrijednošću za skraćenu verziju (.051 naspram .061).
Analiza modifikacijskih indeksa originalne verzije upitnika pokazala je potrebu za dodavanjem nekoliko rezidualnih kovarijanci (između čestica 7 i 8, 2 i 3, 14 i 15, te 18 i 19) kako bi se poboljšala prikladnost modela. Te kovarijance upućuju na preklapanja u sadržaju pojedinih čestica koja nadilaze njihovo zajedničko zasićenje latentnim faktorima. Nasuprot tome, skraćena verzija ne zahtijeva dodavanje rezidualnih kovarijanci, što sugerira da su odabrane čestice koje reprezentiraju jasnije i distinktivnije aspekte odgovarajućih konstrukata, bez značajnih preklapanja u sadržaju. Prema preporukama Klinea (2015), izostanak potrebe za dodavanjem rezidualnih kovarijanci u modelu predstavlja značajan indikator teorijske čistoće instrumenta i jasne diferencijacije između latentnih faktora.
Proces skraćivanja upitnika rezultirao je ne samo praktično primjenjivijim instrumentom, već i statistički čišćom strukturom. Tome je doprinijela pažljiva selekcija čestica koja je uzela u obzir faktorska zasićenja, sadržajnu reprezentativnost i izbjegavanje redundantnih ili preklapajućih indikatora. Ovakav pristup je u skladu s preporukama stručnjaka za razvoj mjernih instrumenata (DeVellis, 2016), koji naglašavaju da kraći upitnici mogu nadmašiti duže verzije u psihometrijskim karakteristikama ako su čestice pomno odabrane prema jasnim kriterijima.
Tablica 2
Deskriptivna statistika i pouzdanost originalne i skraćene verzije upitnika
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
Afektivna |
Ponašajna |
Total |
Kognitivna |
Afektivna |
Ponašajna |
Total |
|
|
3.50 |
|
|
|
|
|
|
|
|
|||||
|
|
0.946 |
|
|
|
|
|
|
|
|
|||||
|
|
.902 |
|
|
|
|
|
|
|
|
|||||
|
|
.901 |
|
|
|
|
|
|
|
| |||||
|
|
|
|
|
|
|
|
| ||||||
|
|
|
|
|
|
|
|
| ||||||
|
|
|
|
|
|
|
|
| ||||||
|
|
|
|
|
|
|
|
| ||||||
|
|
|||||||||||||
NajvećaPouzdanost razinaobje slaganjaverzije upitnika (Tablica 2) pokazuje visoke vrijednosti, što je u skladu s tvrdnjompreporukama za pouzdanost mjernih instrumenata u području stavova (Nunnally & Bernstein, 2017). Činjenica da biskraćena verzija zadržava visoku pouzdanost (α > .80 za sve subskale) posebno je značajna jer potvrđuje da redukcija broja čestica nije narušila unutarnju konzistenciju instrumenta. Ovi nalazi su u skladu s istraživanjima koja pokazuju da dobro konstruirani kraći instrumenti mogu održati visoku pouzdanost uz bolju opremljenost nastava Informatike bila značajno sadržajnija/drukčija/boljasmanjenje opterećenja ispitanika (srednjaKrupić ocjenai 4,6Ručević uz2015; standardnuGosling, devijaciju 0,63)2024). Odgovori na navedeno pitanje su prikazani u Grafikonu 6.
Detaljniji pregled deskriptivnih pokazatelja (Tablica 2) otkriva znčajnu konzistentnost između originalne i skraćene verzije upitnika. Aritmetičke sredine ukupnih rezultata gotovo su identične (M = 3.14 za originalnu i M = 3.13 za skraćenu verziju), što ukazuje da obje verzije na sličan način pozicioniraju ispitanike na kontinuumu stavova prema umjetnoj inteligenciji. Ova podudarnost vidljiva je i na razini pojedinačnih subskala, gdje su razlike u aritmetičkim sredinama minimalne (najveća razlika iznosi svega 0.06 za ponašajnu subskalu).
GrafikonZa 6.procjenu Stavovipouzdanosti nastavnikakorištena su dva koeficijenta – McDonald's omega (ω) i Cronbach's alpha (α), što je u skladu sa suvremenim preporukama za izvještavanje o kvalitetipouzdanosti nastave(Dunn Informatikei uzsur., korištenje2014). boljeMcDonald's opremeomega smatra se preciznijom mjerom pouzdanosti kada je narušena pretpostavka o tau-ekvivalentnosti, što je često slučaj u psihologijskim mjernim instrumentima (Zinbarg i sur., 2005). Vrijednosti oba koeficijenta pokazuju izvrsnu pouzdanost za obje verzije upitnika, s nešto nižim, ali i dalje visoko zadovoljavajućim vrijednostima za afektivnu i ponašajnu subskalu skraćene verzije.
Posebno je značajno da kognitivna subskala skraćene verzije pokazuje blago povećanje pouzdanosti (ω = .912) u usporedbi s originalnom verzijom (ω = .902), unatoč značajnom smanjenju broja čestica. Ovaj pomalo iznenađujući nalaz može se objasniti povećanom homogenošću konstrukta nakon uklanjanja čestica koje su potencijalno mjerile druge aspekte kognitivne komponente stava. Kako navode Boyle (1991) i Smith i McCarthy (1995), eliminacija čestica koje uvode heterogenost u konstrukt može rezultirati povećanjem, a ne smanjenjem pouzdanosti, što se pokazalo i u našem slučaju.
Tablica 2.3 Analiza stavova nastavnika s obzirom na spol ispitanika
Korelacije između subskala i ukupnih rezultata originalne (O) i skraćene (S) verzije SATAI upitnika
|
|
|
|
|
|
|||||
|
|
1 |
|
|
|
|
5 |
6 |
7 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Skraćena |
|
|
|
|
|
|
|
|
|
|
|
.987** |
.866** |
|
|
|
|
|
|
|
|
|
|
1.000** |
.698** |
|
|
.866** |
|
|
|
|
|
|
|
.957** |
.705** |
|
.877** |
.667** |
|
|
|
|
|
|
|
||||||
|
|
|
|
| ||||||
|
|
|
| ||||||
|
|
|
| ||||||
.642 | |||||||||
U Tablici 3. su prikazani rezultati analize usporedbe stavova nastavnika s obzirom na radno iskustvo ispitanika. Rezultati ne pokazuju statistički značajnu razliku u stavovima nastavnika s obzirom na duljinu radnog staža nastavnika. Srednja vrijednost parametra p za niz tvrdnji je p=0,49.
Tablica 3. Analiza stavova nastavnika s obzirom na radno iskustvo ispitanika
|
|
|
| |
|
|
|
| |
|
|
|
|
|
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
||||
Tablica 4. prikazuje prikazuje statističku analizu razlike u stavovima s obzirom na razinu opremljenosti škole. Također se nije pokazala statistički značajna razlika u stavovima među ispitanicima koji rade u slabije opremljenim školama u odnosu na ispitanike iz bolje opremljenih škola (uz srednju vrijednost- p parametra< p=0,58).
Tablica 4. Analiza stavova nastavnika s obzirom na razinu opremljenosti škole
|
|
| |
|
|
| |
|
|
|
|
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
| |||
U Tablici 5. je prikazana statistička analiza razlike u stavovima s obzirom na učestalost nabavke nove opreme u školi. Također se nije pokazala statistički značajna razlika, uz srednju vrijednost- p parametra< p= 0,4..01
Tablica 5. Analiza stavova nastavnika s obzirom na učestalost nabave nove opreme
|
|
|
| |
|
|
|
| |
|
|
|
|
|
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
|
|
|
| |
| ||||
Rasprava
Rezultati pokazuju da su hrvatske škole u prosjeku solidno opremljene, no postoje značajne razlike među školama. Prema istraživanju ICILS (NCVVO, 2014), hrvatski učenici postižu rezultate bliske europskom prosjeku u računalnoj pismenosti, što ukazuje na relativno dobar sustav informatike u obrazovanju. Unatoč naporima projekta e-Škole, digitalna podjela između škola ostaje izazov. Slično istraživanje u Njemačkoj pokazalo je da škole u bogatijim regijama imaju znatno bolju infrastrukturu od onih u manje razvijenim područjima (Spitzer, 2023).
NaKorelacija temeljuizmeđu provedenogukupnih rezultata (Tablica 3) originalne i skraćene verzije je iznimno visoka (r = .987), što prema Cohen et al. (2018) predstavlja izrazito snažnu povezanost i značajno prelazi preporučene minimalne vrijednosti za paralelne forme instrumenta (r > .70). Izraženo koeficijentom determinacije (r² = .974), to znači da skraćena verzija objašnjava 97.4% varijance originalne verzije upitnika, što sugerira gotovo potpunu ekvivalentnost u mjerenju istog konstrukta.
Iznimno istraživanjavisoke korelacije između odgovarajućih subskala originalne i skraćene verzije instrumenta (sve iznad .95) značajno nadilaze uobičajene vrijednosti dokumentirane u literaturi o opremljenostipsihometrijskoj osnovnihvalidaciji školaskraćenih Gradamjernih Zagrebainstrumenata informacijsko-komunikacijskom tehnologijom(Smith i stavovimasur., nastavnika2006). oNajsnažnija nastavipovezanost Informatike, uočenoutvrđena je da,za iakokognitivnu većinasubskalu (r = 1.00), školato posjedujeje osnovnuizuzetno informatičkurijedak opremu,nalaz postojekoji razlikesugerira da četiri odabrane čestice u raziniskraćenoj tehnološkeverziji infrastrukture.savršeno Overeprezentiraju razlikekonstrukt mogumjeren utjecatis nadevet kvalitetučestica originalne verzije. Korelacije za afektivnu (r = .957) i učinkovitostponašajnu nastave(r Informatike= te.953) nasubskalu razvojtakođer digitalnihsu kompetencijaizuzetno učenika.visoke, potvrđujući da skraćene verzije ovih subskala vrlo precizno zahvaćaju iste konstrukte kao i originalne verzije.
Interkorelacije između različitih subskala (npr. korelacija između kognitivne i afektivne subskale: r = .667 za skraćenu verziju; r = .698 za originalnu verziju) vrlo su slične u obje verzije upitnika, što dodatno potvrđuje da skraćena verzija replicira ne samo pojedinačne konstrukte, već i njihove međusobne odnose. Ovi nalazi imaju značajne implikacije za validnost konstrukta jer potvrđuju da skraćivanje upitnika nije narušilo teorijski utemeljene odnose između različitih aspekata stavova prema umjetnoj inteligenciji.
IstraživanjuSlika se1. odazvaoStrukturalni mali broj ispitanika. Mogući razlog za slab odaziv može biti period provođenja anketnogmodel upitnika
*SO-faktor sevišeg poklopioreda
ManjakStrukturalni motivacijemodel također(Slika je1) vidljivpotvrđuje uhijerarhijsku odgovorimaprirodu anketnog upitnika, u pitanjima o brzini interneta, broju pojedinih uređaja ili učestalosti nabavi opreme za izvođenje nastave Informatike, gdje su odgovori u više slučajeva bili nepotpuni ili posve izostali. Takva neupućenost u opremu kojom škola raspolaže može biti direktno povezana s kvalitetom nastave Informatike, odnosno s načinom i metodama njezinog provođenja.
Slab odaziv može se pripisati i općenitoj preopterećenosti učitelja Informatike koji osim poslova vezanih uz nastavu Informatike u školama u kojima rade imaju i brojna druga, službena ili neslužbena zaduženja. Česta zaduženja koja obavljaju učitelji Informatike obuhvaćaju IKT podršku, administraciju e-dnevnika i slične poslove vezane uz tehnološka pitanja. Osim toga, učitelji Informatike često moraju biti na raspolaganju kolegama koji se ne snalaze vješto u baratanju tehnologijom te im stoga treba pomoć oko izvršavanja školskih obaveza koje uključuju korištenje IKT-a. Konkretne razloge slabog odaziva možemo okvirno pripisati gore navedenim razlozima. Obzirom na veličinu uzorka rezultati ovog istraživanja mogu poslužiti kao smjernica te je dobiveni uzorak poželjno proširiti dodatnim istraživanjem kako bi rezultati bili relevantniji.
Analiza rezultata ankete i razlika u stavovima s obzirom na spol nastavnika nije pokazala statističku značajnost,konstrukta, što je u skladu s očekivanjem.teorijskim Timepostavkama o stavovima prema umjetnoj inteligenciji (Kim i sur., 2022). Visoka faktorska opterećenja na faktoru drugog reda podržavaju postojanje općenitijeg konstrukta koji objašnjava značajan dio varijance u specifičnijim dimenzijama, što je potvrđenaposebno prvaizraženo postavljenaza hipotezaafektivnu istraživanja:komponentu. StavoviOvakva nastavnikastruktura podudara se s nalazima sličnih istraživanja u području stavova prema umjetnoj inteligenciji (Zhang i Aslan, 2021; Archibald i sur., 2023). Za razliku od dosadašnjih istraživanja koja su se oslanjala prvenstveno na kvalitativne metode i pitanja otvorenog tipa za procjenu stavova prema AI u obrazovanju (Kim & Kim, 2019; Park & Shin, 2017), SATAI predstavlja učinkovit kvantitativan pristup mjerenju ovog konstrukta. Ova metodološka inovacija omogućuje precizniju procjenu i lakšu usporedbu rezultata različitih obrazovnih konteksta (Bostrom i sur 2024; Wang i sur. 2022). Rezultati pružaju snažnu empirijsku podršku za korištenje skraćene verzije SATAI upitnika, demonstrirajući da ona uspješno zadržava psihometrijske karakteristike originalne verzije uz dodatne praktične razlikujuprednosti. statističkiOvo je posebno značajno u kontekstu sve većeg interesa za istraživanje stavova prema umjetnoj inteligenciji u obrazovanju (Martinez, 2022) i potrebe za efikasnim i pouzdanim mjernim instrumentima u ovom području.
Prema zaključku
Cilj ovog istraživanja bio je razviti i validirati skraćenu verziju upitnika o stavovima studenata prema umjetnoj inteligenciji (SATAI). Rezultati pružaju snažnu empirijsku podršku za učinkovitost skraćenog SATAI upitnika, demonstrirajući kako on zadržava psihometrijske karakteristike originalne verzije uz značajne praktične prednosti. Skraćeni SATAI nudi nekoliko praktičnih prednosti: smanjeno opterećenje i umor ispitanika, potencijalno povećane stope odgovora, veću učinkovitost u prikupljanju i analizi podataka te održan psihometrijski integritet s upola manje čestica. Ove prednosti čine skraćeni SATAI posebno vrijednim za istraživače i nastavnike koji žele učinkovito procijeniti stavove studenata prema umjetnoj inteligenciji u obrazovnim kontekstima. Zaključno, ovo istraživanje pruža dokaze za valjanost i pouzdanost skraćenog SATAI upitnika. Njegova sposobnost da zahvati iste konstrukte kao i originalna verzija s manje čestica predstavlja značajan metodološki napredak u području. Preporučujemo usvajanje ove skraćene verzije za buduća istraživanja i praktične primjene u obrazovnim okruženjima, jer ona nudi učinkovitiji, a jednako efektivan alat za mjerenje stavova studenata prema umjetnoj inteligenciji u obrazovanju. Stavove prema umjetnoj inteligenciji potrebno je redovito mjeriti s obzirom na spolbrzi razvoj ovih tehnologija i njihov duboki utjecaj na društvo. Podaci o prihvaćanju umjetne inteligencije od strane studenata mogu informirati nastavnike o načinima na koje bi možda trebalo upravljati uvođenjem umjetne inteligencije. Naša nova skraćena verzija stavova studenata prema umjetnoj inteligenciji koristan je alat koji pomaže u postizanju ovih ciljeva. SATAI može pomoći nastavnicima da objektivno mjere stavove studenata prema umjetnoj inteligenciji, omogućuje nastavnicima brzu i pouzdanu procjenu studentskih stavova te olakšava longitudinalno praćenje promjena u stavovima. Rezultati se mogu koristiti za dizajniranje, modificiranje, primjenu i prilagodbu obrazovnih programa kako bi zadovoljili potrebe studenata i nastavnika.
Ograničenja i smjernice za buduća istraživanja
Unatoč značajnim doprinosima, istraživanje ima nekoliko ograničenja koja otvaraju prostor za buduća istraživanja: usredotočenost na kvantitativnom mjerenju stavova bez konceptualnog razumijevanja AI, ograničena generalizacija zbog specifičnosti uzorka, potreba za dodatnom validacijom u različitim kulturološkim kontekstima. Buduća istraživanja trebalo bi usmjeriti na razvoj komplementarnih instrumenata za mjerenje konceptualizacije AI, proširenje validacije na različite studentske populacije i obrazovne kontekste, longitudinalna istraživanja stabilnosti stavova prema AI te integraciju kvalitativnih metoda za dublje razumijevanje formiranja stavova.
Literatura
Ahuja, V., Nair, L. V. (2021). Artificial Intelligence and technology in COVID Era: A narrative review. Journal of Anaesthesiology Clinical Pharmacology, 37(1), 28-34.
Alias, N., Al-Rahmi, W. M., Yahaya, N., Al-Maatouk, Q. (2018). Big data, modeling, simulation, computational platform and holistic approaches for the fourth industrial revolution. International Journal of Engineering and Technology (UAE), 7(4), 3722-5.
Akgun, S., Greenhow, C. (2021). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics. https://doi.org/10.1007/s43681-021-00096-7
Archibald, A., Hudson, C., Heap, T., Thompson, R. R., Lin, L., DeMeritt, J., & Lucke, H. (2023). A validation of AI-enabled discussion platform metrics and relationships to student efforts. TechTrends, 67(2), 285-293.
Bartneck, C., Lütge, C., Wagner, A., Welsh, S., Bartneck, C., Lütge, C., ... & Welsh, S. (2021). What Is Ethics?. An introduction to ethics in robotics and AI, 17-26. https://doi.org/10.1007/978-3-030-51110-4_2.
Bostrom, A., Demuth, J. L., Wirz, C. D., Cains, M. G., Schumacher, A., Madlambayan, D., ... & Williams, J. K. (2024). Trust and trustworthy artificial intelligence: A research agenda for AI in the environmental sciences. Risk Analysis, 44(6), 1498-1513.
Boucher, P. N. (2020). Artificial intelligence: How does it work, why does it matter, and what can we do about it?. EPRS | European Parliamentary Research Service
Browne, M. W., Cudeck, R. (1992). Alternative ways of assessing model fit. Sociological methods & research, 21(2), 230-258.
Chassignol, M., Khoroshavin, A., Klimova, A., Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia computer science, 136, 16-24.
Chen, X., Xie, H., Zou, D., Hwang, G. J. (2020). Application and theory gaps during the rise of artificial intelligence in education. Computers and Education: Artificial Intelligence, 1, 100002. DOI: 10.1080/10447318.2020.1801227
DrugaDemchenko, hipoteza:M. V., Gulieva, M. E., Larina, T. V., Simaeva, E. P. (2021). Digital transformation of legal education: Problems, risks and prospects. European Journal of Contemporary Education, 10(2), 297–307.
Djokic, I., Milicevic, N., Djokic, N., Malcic, B., Kalas, B. (2023). Students‟ Perceptions of the use of Artificial Intelligence in Educational Services. Amfiteatru Economic, 26(65), 294-310. Shttps://doi.org/10.24818/EA/2024/65/294tavovi nastavnika se statistički značajno razlikuju s obzirom na radno iskustvo nastavnika opovrgnuta je jer statistička analiza pokazuje da ne postoji statistički značajna razlika u stavovima nastavnika s obzirom na radno iskustvo. Takav rezultat nije u skladu s očekivanjem. Očekivan je kritičniji stav mlađih učitelja prema stanju i dostupnosti opreme te veća sklonost prema češćoj nabavi i obnavljanju opreme.
StavoviDimson, nastavnikaE., premaMarsh, opremljenostiP., školaStaunton, takođerM. ne(2020). pokazujuDivergent statističkiESG značajnu razliku, čime je i treća hipoteza: Stavovi nastavnika se statistički značajno razlikuju s obzirom na razinu opremljenosti škole opovrgnuta. Takav rezultat također nije očekivan jer se logičnim činilo da će nastavnici koji rade u školama s manje opreme imati snažniju tendenciju prema nabavi nove opreme i negativniji stav prema mogućnostima izvođenja nastave s dostupnom opremom. ratings.
IstraživanjeEstévez nijeAlmenzar, pokazalo jasne razlike u stavovima nastavnika prema opremi koju imaju na raspolaganju. Razlog za to može biti mogućnost prilagodbe nastavnika na postojeće radne uvjete. Konkretno, nastavnici koji s manje opreme uspijevaju ispuniti sve ishode učenja imaju i manju potrebu za nabavom nove opreme. To potvrđuje i odgovor ispitanika na treću tvrdnju gdje se većina ispitanika donekle (46,7%) ili u potpunosti (33,3%) slaže s tvrdnjom da uspijevaju ostvariti sve ishode učenja predviđene kurikulumom uz opremu koju imaju na raspolaganju. Iako se stavovi nastavnika statistički značajno ne razlikuju u okviru radnog iskustva i opremljenosti škola, većina se nastavnika u potpunosti ili donekle slaže s tvrdnjom da bi uz bolju opremu nastava Informatike bila sadržajnija, drukčija ili bolja. Stoga bi bilo za očekivati da više nastavnika smatra kako škola u kojoj rade ne nabavlja dovoljno često opremu, međutim to nije slučaj prema odgovorima ispitanika u ovom upitniku. U skladu s očekivanjima su stavovi nastavnika prema pojedinim uređajima i njihova zastupljenost u nastavi. U nastavi dominira korištenje stolnih ili prijenosnih računala, dok većina nastavnika gotovo nikad ili vrlo rijetko koristi pametne telefone, a nikad pametne satove.
Istraživanje je također pokazalo da iako je pojedina oprema dostupna, ona često nije u stanju koje omogućava optimalno izvođenje nastave Informatike. Iako su svi ishodi učenja zadovoljeni, postavlja se pitanje koliko učenici zapravo razvijaju informacijsku i računalnu pismenost. Iako taj aspekt nije bio konkretno predmet ovog istraživanja, pojedine prakse ukazuju da možda u nekim školama to nije na prihvatljivoj razini. Primjerice škole koje imaju računala starija od 10 godina nemaju jednake uvjete za rad kao škole koje imaju računala stara do dvije godine. Također, mnoge škole imaju na raspolaganju tablete, ali ih često ili ne koriste u nastavi zbog njihovih tehničkih ograničenja ili koriste tek za jednostavne zadatke i pristup sadržajima na webu. Ono što ipak ukazuje na pozitivne prakse u pojedinim školama je korištenje zanimljive dodatne opreme poput Microbit pločica ili grafičkih tableta i robota. Učenici koji imaju mogućnost raditi s takvim uređajima imaju daleko bogatiju i sadržajniju nastavu Informatike, a samim time bolje razvijaju i digitalne kompetencije. Međutim, takva razina opremljenosti nije dostupna svim školama, što dodatno ukazuje na digitalnu podjelu koja se javlja u školama na području Grada Zagreba. Iako je 14 od 15 škola uključeno u Carnetov program e-škole, iz rezultata je vidljivo da je razlika u opremljenosti i dalje prisutna. Provedeno istraživanje potvrdilo je početnu pretpostavku neusklađene opremljenosti škola, a utjecaj toga bit će vidljiv u daljnjim istraživanjima, konkretno u onima koja će se odnositi na razvoj digitalnih kompetencija.
Zaključak
Istraživanja provedena u proteklih 10 godina pokazuju pozitivan položaj Hrvatske u odnosu na ostale europske države u okviru nastave Informatike te digitalnog opismenjavanja učenika. Kako bi se nastavila pozitivna praksa i smanjila digitalna podjela, a samim time i omogućilo svakom učeniku stjecanje potrebnih digitalnih vještina za život i rad u suvremenom dobu potrebno je provesti dodatna istraživanja usredotočena na korištenje IKT u nastavi te ulagati u projekte koji za cilj imaju digitalizaciju društva. Ovo istraživanje pokazalo je da su osnovne škole u Zagrebu relativno dobro opremljene, ali postoji prostor za napredak, posebice u ravnomjernoj raspodjeli resursa.
Unatoč pokazanoj razlici u razini opremljenosti škola nije utvrđena statistička značajnost u zadovoljstvu nastavnika dostupnom opremom te stavovima o mogućnostima za ostvarivanje obrazovnih ishoda. Dodatno, ovim istraživanjem je pokazana potreba za redovitim i planskim ulaganjem u digitalnu infrastukturu škola te motivaciju i edukaciju nastavnika. Stoga ovo istraživanje može poslužiti kao motivacija za daljnja istraživanja IKT u obrazovanju, kao i nastave Informatike općenito.
Iako se IKT javlja u svim aspektima školstva te se koristi u svim predmetima na nekoj razini, njezino korištenje i dalje je najistaknutije u nastavi Informatike. Samim time Informatika kao nastavni predmet dobiva na važnosti jer upravo u sklopu nastavnih sadržaja tog predmeta učenici ostvaruju najviše ishoda učenja vezani za digitalne kompetencije te učenike priprema za izazove digitalnog društva.
Literatura
Beatty M., C.,Fernández & Egan, S. (2020). Screen Time in Early Childhood: A Review of Prevalence, Evidence and Guidelines. 13. 17-31. Dohvaćeno iz https://shorturl.at/PmIam
Drucker, P. F. (1993). The Rise of the Knowledge Society. The Wilson Quarterly, 17(2), 52-71. Dohvaćeno iz https://www.jstor.org/stable/40258682
Dukić,Llorca, D., Petrinšak,Gómez, S.E., &Martinez Pinjušić,Plumed, P. (2020). ICT in the Primary School: Practice and Attitudes of Informatics Teachers. Tehnički glasnik, 14(3), 257-264. Dohvaćeno iz https://doi.org/10.31803/tg-20200403052511
Europska komisija. (2019). Key Competences for Lifelong Learning. Luksemburg: Europska unija. Dohvaćeno iz https://data.europa.eu/doi/10.2766/569540
Europska komisija.F. (2022). Glossary of human-centric artificial intelligence. PreporukaSevilla: VijećaJoint oResearch ključnimCentre kompetencijama(Seville za cjeloživotno učenjeSite). Preuzeto 15. siječnja 2025. iz Službene Web stranice Europske unije: https://education.ec.europa.eu/hr/focus-topics/improving-quality/key-competences
Europska komisija. (2023). Informatičko obrazovanje u školama u Europi. Eurydice, Europska izvršna agencija za obrazovanje i kulturu. Luksemburg: Ured za publikacije Europske unije. Dohvaćeno iz https://data.europa.eu/doi/10.2797/7295442760/860665.
Eurydice.Fetzer, J. H., Fetzer, J. H. (2025)1990). EurydiceWhat Hrvatskais artificial intelligence? (pp. 3-27). DohvaćenoSpringer iz Eurydice:Netherlands. https://www.eurydice.hr/hr/sadrzaj/mreza-eurydice/
Homen, M., Dumancic, M. (2023). Report on Smart Education in the Republic of Croatia. In: Zhuang, R., et al. Smart Education in China and Central & Eastern European Countries. Lecture Notes in Educational Technology. Springer, Singapore. https://doi.org/10.1007/978-981-19-7319-2_594-009-1900-6_1
Gosling, J. (2024). Attachment Moderates the Relationship Between Adverse Pandemic-Related Events and Impaired Quality of Life (Doctoral dissertation, Xavier University).
Kraner,Harry, D.A. (2023). Role of AI in Education. Interdiciplinary Journal and Hummanity (INJURITY), 2(3), 260-268.
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. http://dx.doi.org/10.1080/10705519909540118.
Hwang, G. J., Chien, S. Y. (2022). PrednostiDefinition, iroles, nedostaciand korištenjapotential internetskihresearch medijaissues uof odgojuthe imetaverse učenju.in education: An artificial intelligence perspective. ProbuditiComputers kreativnost;and ZbornikEducation: radovaArtificial međunarodnogIntelligence, znanstvenoga skupa: Izazovi učenja i poučavanja u kontekstu pandemije i migracija3, 200-216. Dohvaćeno iz100082.
Idroes, G. M., Noviandy, T. R., Maulana, A., Irvanizam, I., Jalil, Z., Lensoni, L., ... Idroes, R. (2023). Student perspectives on the role of artificial intelligence in education: A survey-based analysis. Journal of Educational Management and Learning, 1(1), 8-15. https://ojs.kbf.unist.hr/index.php/proceedings/issue/view/35doi.org/10.60084/jeml.v1i1.58
Lythreatis,İnan, S.R., KumarAksoy, Singh, S.B., &Salman, El-Kassar,O. K. M. (2023). Estimation performance of the novel hybrid estimator based on machine learning and extended Kalman filter proposed for speed-sensorless direct torque control of brushless direct current motor. Engineering Applications of Artificial Intelligence, 126, 107083.
JASP Team (2024). JASP (Version 0.18.3)[Computer software].
Kaledio, P., Robert, A.-N., Frank, L. (2024). The Impact of Artificial Intelligence on Students' Learning Experience. Available at SSRN 4716747 SSRN: https://ssrn.com/abstract=4716747 or http://dx.doi.org/10.2139/ssrn.4716747
Kim, J., Merrill, K., Xu, K., Sellnow, D. D. (2020). My teacher is a machine: Understanding students’ perceptions of AI teaching assistants in online education. International Journal of Human–Computer Interaction, 36(20), 1902-1911.
Kim, J., Lee, H., Cho, Y. H. (2022). TheLearning digitaldesign divide:to Asupport reviewstudent-AI collaboration: Perspectives of leading teachers for AI in education. Education and futureInformation researchTechnologies, agenda.27(5), Technological6069-6104.
Krupić, D., Ručević, S. (2015). Faktorska struktura i validacija upitnika Dimenzionalna procjena osobina ličnosti (DiPOL) za adolescente. Psihologijske teme, 24(3), 347-367.
Lai, S., Potter, Y., Kim, J., Zhuang, R., Song, D., & Evans, J. (2024). Evolving AI Collectives to Enhance Human Diversity and SocialEnable Change,Self-Regulation. 175arXiv preprint arXiv:2402.12590.
Makridakis, S. (2017). DohvaćenoThe izforthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures, 90, 46-60.
Markauskaite, L., Marrone, R., Poquet, O., Knight, S., Martinez-Maldonado, R., Howard, S., Tondeur, J., De Laat, M., Buckingham Shum, S., Gašević, D., Siemens, G. (2022). Rethinking the entwinement between artificial intelligence and human learning: What capabilities do learners need for a world with AI? Computers and Education: Artificial Intelligence, 3, 100056. https://doi.org/10.1016/j.techfore.2021.121359caeai.2022.100056
NCVVO.Martinez, C. (2025)2022). NacionalniArtificial centarintelligence zaand vanjskoaccessibility: vrednovanjeExamples obrazovanjaof a technology that serves people with disabilities.. DohvaćenoRetrieved izNovember Nacionalni11, centar2022, zafrom vanjsko vrednovanje obrazovanja: https://www.ncvvo.hr/inclusivecitymaker.com/artificial-intelligence-accessibility-examples-technology-serves-people-disabilities/
NCVVO.Mrnjaus, K., Vrcelj, S., Kušić, S. (2014)2023). Umjetna inteligencija i obrazovanje: suparnici ili saveznici?. NCVVOJahr–European MeđuarodnaJournal istraživanjaof -Bioethics, ICILS.14(2), Dohvaćeno429-445. iz ICILS 2013; Priprema za život u digitalnom dobu: https://www.ncvvo.hr/medunarodna-istrazivanja/icils/doi.org/10.21860/j.14.2.9
Spitzer,Mureșan, M. (2023). Impact of Artificial Intelligence on Education. In DigitalnaProceedings demencijaof the 32nd International RAIS Conference on Social Sciences and Humanities (Svez.pp. 2)81-85). NakladaScientia Ljevak.Moralitas Research Institute.
Valacich,O’Hara, P. A. (2022, ). Introduction to the special issue: William M. Dugger’s concepts of social and institutional economics. In Forum for Social Economics. Routledge.
Olhede, S. C., Wolfe, P. J. (2018). The growing ubiquity of algorithms in society: implications, impacts and innovations. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 376(2128), 20170364.
Park, S., & Shin, Y. S. (2017). Kim. DY: Design and Implementation of Protocols.
Salminen, J., Yoganathan, V., Corporan, J., Jansen, B. J., & Schneider,Jung, C.S. G. (2015)2019). Machine learning approach to auto-tagging online content for content marketing efficiency: A comparative analysis between methods and content type. InformationJournal Systemsof Today;Business Managing in the Digital World.Research, Prentice101, Hall Press, United States.203–217.
Tomljenović,Satorra, K.A., & Zovko,Bentler, V.P. M. (2016)2001). The Use of ICT in Teaching Mathematics—A Comparativescaled Analysisdifference chi-square test statistic for moment structure analysis. Psychometrika, 66(4), 507–514. http://dx.doi.org/10.1007/ BF02296192.
Schepman, A., Rodway, P. (2020). Initial validation of the Successgeneral attitudes towards Artificial Intelligence Scale. Computers in human behavior reports, 1, 100014.Seo, K., Tang, J., Roll, I., Fels, S., & Yoon, D. (2021). The impact of 7thartificial Gradeintelligence Primaryon Schoollearner–instructor Students.interaction Croatianin online learning. International Journal of Education :Educational HrvatskiTechnology Časopisin ZaHigher OdgojEducation, i18(1), Obrazovanje,1–23.
Smith, C., McGuire, B., Huang, T., Yang, G. (2006). The history of artificial intelligence. University of Washington, 27, 22-24.
Stanton, P., Stanton, J. (2002). Corporate annual reports: research perspectives used. Accounting, Auditing & Accountability Journal, 15(4), 478-500.
Steiger, J. H. (2000). Point estimation, hypothesis testing, and interval estimation using the RMSEA: Some comments and a reply to Hayduk and Glaser. Structural Equation Modeling, 7(2), 215–221.149–162. http://dx.doi.org/10.1207/S15328007SEM0702_1.
Suh, W., Ahn, S. (2022). Development and validation of a scale measuring student attitudes toward artificial intelligence. Sage Open, 12(2), 21582440221100463.
Trisoni, R., Ardiani, I., Herawati, S., Mudinillah, A., Maimori, R., Khairat, A., Nazliati, N. (2023). The Effect of Artificial Intelligence in Improving Student Achievement in High Schools. In International Conference on Social Science and Education (ICoeSSE 2023) (pp. 546-557). Atlantis Press.
Van der Vorst, T., Jelicic, N. (2019). Artificial Intelligence in Education: Can AI bring the full potential of personalized learning to education? 30th European Conference of the International Telecommunications Society (ITS): "Towards a Connected and Automated Society", Helsinki, Finland, 16th-19th June, 2019, International Telecommunications Society (ITS), Calgary
Wang, X., Pang, H., Wallace, M. P., Wang, Q., Chen, W. (2022). Learners’ perceived AI presences in AI-supported language learning: a study of AI as a humanized agent from community of inquiry. Computer Assisted Language Learning.
https://doi.org/10.15516/cje.v18i0.21771080/09588221.2022.2056203
Whittaker, T. A., Worthington, R. L. (2016). Item response theory in scale development research: A critical analysis. The Counseling Psychologist, 44(2), 216-225.
Yang, G., Ouyang, Y., Ye, Z., Gao, R.,Zeng, Y. (2022). Social-path embedding-based transformer for graduation development prediction. Applied Intelligence.
https://doi.org/10.1007/s10489-022-03268-y
Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y., Istenic, A., Spector, M., ... Li, Y. (2021). A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity, 2021(1), 8812542.
Zhang, B., Dafoe, A. (2019). Artificial intelligence: American attitudes and trends. Available at SSRN 3312874.
Zhang, K., Aslan, A. B. (2021). AI technologies for education: Recent research & future directions. Computers and Education: Artificial Intelligence, 2, 100025.
|
|
Teaching (Today for) Tomorrow: Bridging the Gap between the Classroom and Reality 3rd International Scientific and Art Conference |
|
|
|
Abstract |
|
respondents' attitudes towards artificial intelligence in education compared to the longer version (26 items). The conclusion of the research
|
|
Key words: |
|
|