Preservice Teachers’ Acceptance and Use of Generative Artificial Intelligence for Education: gender differences
Article Sidebar
Main Article Content
Abstract
This study aimed to investigate pre-service teachers’ acceptance and use of Generative Artificial Intelligence (Gen AI) in learning and to compare levels of acceptance and use between male and female pre-service teachers. The study was guided by the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2), which consists of nine constructs. Data were collected from 624 pre-service teachers at the University of Phayao. The structural validity of the model was examined using Exploratory Factor Analysis (EFA), and the results indicated that eight out of the nine constructs were consistent with the theoretical framework. Descriptive statistics, including means and standard deviations, along with Mann-Whitney U test, were employed for data analysis. The findings are summarized as follows:
1) With regard to Preservice Teachers’ acceptance and use of Gen AI in learning, performance expectancy was identified as the dimension with the highest level of acceptance and use (M = 4.33, SD = 0.48), followed by effort expectancy (M = 4.25, SD = 0.71) and hedonic motivation (M = 3.90, SD = 0.91), respectively. In contrast, habit was the dimension with the lowest level of acceptance and use (M = 3.05, SD = 1.17). 2) A comparison of acceptance and use of Gen AI in learning between male and female pre-service teachers revealed that male students demonstrated higher levels of acceptance and use of AI than female students across almost all dimensions, except for habit, in which no statistically significant difference was found between the two groups.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
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
