การยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูน (Generative AI) เพื่อการศึกษาของนิสิตครู: ความแตกต่างทางเพศ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อสำรวจการยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูนในการเรียนรู้ของนิสิตครู และเปรียบเทียบการยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูนในการเรียนรู้ของนิสิตครูที่มีเพศแตกต่างกัน โดยใช้กรอบแนวคิดทางทฤษฎีแบบ UTAUT2 ซึ่งประกอบด้วย 9 ด้าน เก็บรวบรวมข้อมูลจากนิสิตครูมหาวิทยาลัยพะเยา จำนวน 624 คน ใช้วิธีการวิเคราะห์ความตรงเชิงโครงสร้างของโมเดลด้วยการวิเคราะห์องค์ประกอบเชิงสำรวจ (Exploratory factor analysis) พบว่าโครงสร้าง 8 จาก 9 ด้านเป็นไปตามทฤษฎี วิเคราะห์ข้อมูลด้วยสถิติพื้นฐาน คือ ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และการทดสอบ Mann-Whitney U test ผลการวิเคราะห์ข้อมูลมีดังนี้
1) การสำรวจการยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูนในการเรียนรู้ของนิสิตครู ผลปรากฏว่า ความคาดหวังในประสิทธิภาพเป็นด้านที่นิสิตยอมรับและใช้ Gen AI มากที่สุด (M = 4.33, SD = 0.48) รองลงมาคือด้านความคาดหวังในความพยายาม (M = 4.25, SD = 0.71) และด้านแรงจูงใจด้านความบันเทิง (M = 3.90, SD = 0.91) ตามลำดับที่ลดลง ในขณะที่ความเคยชินเป็นด้านที่นิสิตยอมรับและใช้ปัญญาประดิษฐ์เพิ่มพูนน้อยที่สุด (M = 3.05, SD = 1.17) 2) ผลการเปรียบเทียบการยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูนในการเรียนรู้ของนิสิตครูที่มีเพศแตกต่างกัน พบว่า นิสิตชายมีการยอมรับและใช้ปัญญาประดิษฐ์เพิ่มพูนสูงกว่านิสิตหญิงเกือบทุกด้าน ยกเว้นด้านความเคยชินที่นิสิตชายไม่ได้สูงกว่านิสิตหญิงอย่างมีนัยสำคัญ
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
ธเนศร์ ระดมงาม. (2567). ปัจจัยด้านการยอมรับเทคโนโลยีและปัจจัยด้านคุณภาพบริการที่มีผลต่อการตัดสินใจใช้งานเทคโนโลยีปัญญาประดิษฐ์ในการศึกษาของนักศึกษาระดับปริญญาโท มหาวิทยาลัยรามคำแหง. สืบค้นเมื่อ 12 พฤศจิกายน 2568, จาก http://www.abstract.ru.ac.th/mbacampus/index.php/abstractData/viewIndex/487.
นันทิชา พูลพาณิชย์. (2565). ปัจจัยที่ส่งผลต่อทัศนคติการยอมรับเทคโนโลยี AI Chatbot โดยผู้ให้บริการเครือข่ายโทรศัพท์เคลื่อนที่ของกลุ่ม Baby Boomer. วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิตมหาวิทยาลัยธรรมศาสตร์.
ปฐวี ฉลวย, สิงหะ ฉวีสุข, และณฐพล พันธุวงศ์. (2560). การประยุกต์ใช้ทฤษฎีรวมการยอมรับการใช้เทคโนโลยี (UTAUT) และส่วนขยายทฤษฎีรวมการยอมรับการใช้เทคโนโลยี (UTAUT2) กับการทำธุรกรรมทางอิเล็กทรอนิกส์. วารสารเทคโนโลยีสารสนเทศลาดกระบัง. 4(2): ไม่ปรากฏเลขหน้า.
ปริญญา มิ่งสกุล. (2566). Generative AI เทคโนโลยีพลิกโฉมโลก. สืบค้นเมื่อ 7 สิงหาคม 2568, จาก https://www.krungsri.com/th/research/research-intelligence/generative-ai-2023.
พีระพงษ์ แสวงศรี. (2566). การยอมรับและใช้งานเทคโนโลยีปัญญาประดิษฐ์กับระบบการศึกษาของนักเรียนระดับมัธยมศึกษาตอนปลาย. วิทยานิพนธ์ปริญญาการจัดการมหาบัณฑิต มหาวิทยาลัยมหิดล.
วงศ์วิศว์ หมื่นเทพ. (2568). ปัจจัยที่ส่งผลต่อการเรียนรู้ด้วยปัญญาประดิษฐ์ (AI) ของวัยรุ่นในจังหวัดปทุมธานี. วารสารเสียงธรรมจากมหายาน. 11(4): 31-43.
วรรณิดา กอเงินกลาง, ศรัณย์ธร ศศิธนากรแก้ว, และภานนท์ คุ้มสุภา. (2567). ปัจจัยที่มีอิทธิพลต่อการยอมรับและพฤติกรรมการใช้งานปัญญาประดิษฐ์แชทจีพีทีอย่างต่อเนื่อง. วารสารมหาจุฬานาครทรรศน์. 11(2): 120-129.
อภิสรา คชรัฐแก้วฟ้า. (2566). การศึกษาผลกระทบจากการยอมรับใช้งานเทคโนโลยีปัญญาประดิษฐ์ (AI) ด้านความพึงพอใจในการทำงานของพนักงานออฟฟิศในประเทศไทย. วิทยานิพนธ์ปริญญาการจัดการมหาบัณฑิต มหาวิทยาลัยมหิดล.
อโรชา ตะโกอินทร์. (2563). ส่วนขยายทฤษฎีรวมการยอมรับการใช้เทคโนโลยี (UTAUT2) กับความตั้งใจใช้เครื่องใช้ไฟฟ้าประเภท Internet of Things ในกลุ่มผู้สูงอายุ. การค้นคว้าอิสระปริญญาบริหารธุรกิจมหาบัณฑิต มหาวิทยาลัยธรรมศาสตร์.
Ain, N., Kaur, K., & Waheed, M. (2015). The influence of learning value on learning management system use: An extension of UTAUT2. Information Development. 32(5): 1306-1321. https://doi.org/10.1177/0266666915597546.
Cronbach, Lee J. (1990). Essentials of Psychological Testing. (5th ed.). New York: Harper Collins.
Dwivedi et al. (2023). Instructional technology in higher education. New York, NY: McGraw-Hill.
Habibi, A., Muhaimin, M., Danibao, B. K., Wibowo, Y. G., Wahyuni, S., & Octavia, A. (2023). ChatGPT in higher education learning: Acceptance and use. Computers and Education: Artificial Intelligence. 5(100190): 1-9. https://doi.org/10.1016/j.caeai.2023.100190
Howard, M. C. (2016). A review of exploratory factor analysis decision and overview of current practices: what we are doing and how can we improve?. International Journal of Human-computer interaction. 32(1): 51-62.
Kasneci, E., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences. 103: 102274. https://doi.org/10.1016/j.lindif.2023.102274.
Kerby, D. S. (2014). The simple difference formula: An approach to teaching nonparametric correlation. Comprehensive Psychology, 3, 2165–2228.
Krejcie, & Morgan. (1970). Determining sample size for research activities. Educational and Psychological Measurement. 30(3): 607–610.
OECD. (2023). OECD digital education outlook 2023: Opportunities, guidelines and guardrails for effective and equitable use of AI in education. OECD Publishing. Retrieved 25 December 2025, from https://www.oecd.org/education/digital-education-outlook/.
Putjorn, T., & Putjorn, P. (2023). Augmented Imagination: Exploring Generative AI from the Perspectives of Young Learners. Conference: 2023 15th International Conference on Information Technology and Electrical Engineering (ICITEE). 353-358. DOI:10.1109/ICITEE59582.2023.10317680.
R Core Team. (2024). R: A Language and environment for statistical computing. (Version 4.4) [Computer software]. Retrieved 2 November 2025, from https://cran.r-project.org. (R packages retrieved from CRAN snapshot 2024-08-07).
Strzelecki, A. (2023). Students’ Acceptance of ChatGPT in Higher Education: An Extended Unified Theory of Acceptance and Use of Technology. Innov High Educ. 49: 223–245. https://doi.org/10.1007/s10755-023-09686-1.
Strzelecki, Artur, & ElArabawy, Sara. (2024). Investigation of the moderation effect of gender and study level on the acceptance and use of generative AI by higher education students: Comparative evidence from Poland and Egypt. British Journal of Educational Technology. 55: 1209-1230. DOI:10.1111/bjet.13425.
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting research instruments in science education. Research in science education. 48(6): 1273-1296.
The jamovi project. (2024). jamovi. (Version 2.6) [Computer Software]. Retrieved 6 November 2025, from https://www.jamovi.org.
UNESCO. (2023a). Guidance for generative AI in education and research. UNESCO. Retrieved 25 December 2025, from https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research.
_______. (2023b). Generative artificial intelligence in education: Think piece. UNESCO. Retrieved 25 December 2025, from https://www.unesco.org/en/articles/generative-artificial-intelligence-education-think-piece-stefania-giannini.
Watkins, M. W. (2018). Exploratory factor analysis: a guide to best practice. Journal of Black Psychology. 44(3): 219-246.
Wu, T., He, S., Liu, J., Sun, S., Liu, K., Han, Q.-L., & Tang, Y. (2023). A brief overview of ChatGPT: The history, status quo and potential future development. IEEE/CAA Journal of Automatica Sinica. 10(5): 1122-1136. https://doi.org/10.1109/JAS.2023.123618
