A technológiahasználat előrejelzése
A technológiaelfogadás kutatásának egyik legismertebb kerete az UTAUT2 modell, amely azt próbálja megérteni, hogy milyen pszichológiai és környezeti tényezők befolyásolják az emberek döntését egy új eszköz vagy rendszer használatáról. Az UTAUT2 nemcsak azt veszi figyelembe, hogy hasznosnak vagy könnyen használhatónak találunk-e egy technológiát, hanem azt is, hogy mit gondol róla a környezetünk, kapunk-e támogatást a használatához, mennyire élvezetesnek tartjuk, és mennyire válik a mindennapi rutin részévé.
Az eredeti modell – és annak továbbfejlesztett változatai – többszörösen bizonyították, hogy képesek megbízhatóan előre jelezni, milyen valószínűséggel fogja valaki ténylegesen használni az adott technológiát. Egyes kutatások szerint az UTAUT2 a technológiahasználati szándék varianciájának akár 70–80%-át is képes megmagyarázni, ami különösen erőssé teszi olyan területeken, ahol új, még nem rutinszerű technológiák bevezetéséről van szó – például a mesterséges intelligencia esetében.
Az MI elfogadása a felsőoktatásban
A felsőoktatásban a mesterséges intelligencia megjelenése új kérdéseket vet fel: nemcsak azt kell mérlegelni, hogy a technológia segít-e a tanulásban vagy tanításban, hanem azt is, hogyan változtatja meg a szerepeket, a felelősségvállalást és a tanulási folyamat természetét. Egy MI asszisztens nem egyszerűen egy új oktatási eszköz – a diák számára lehet tutor, partner vagy puszta segédeszköz is, attól függően, hogy milyen kontextusban használja, és milyen mértékű autonómiát tulajdonít neki.
Az alábbiakban öt friss tanulmányt tekintünk át, amelyek az UTAUT-modell különböző változatait alkalmazva vizsgálják, hogyan viszonyulnak a hallgatók és az oktatók az MI megoldásokhoz, különösen a generatív nyelvi modelleken alapuló rendszerekhez.
Átfogó UTAUT-áttekintés
Ez a tanulmány egy klasszikus UTAUT-alapú szisztematikus irodalmi áttekintés, amely 2010 és 2022 között megjelent, felsőoktatási kontextusban végzett technológiaelfogadási kutatásokat elemzi. A különlegessége abban rejlik, hogy nem egyetlen technológiát vizsgál, hanem összehasonlítja az UTAUT-modell alkalmazását hallgatók és oktatók körében, valamint különböző technológiai típusokra (pl. LMS, mobil tanulás, AR/VR, mesterséges intelligencia).
Kulcsmegállapítások
- A modell a hallgatóknál általában jobban teljesít: a szándékos használat és a tényleges használat előrejelzése pontosabb, mint oktatók esetén.
- A performance expectancy minden csoportban a legerősebb előrejelző, de a social influence hatása hallgatóknál jóval hangsúlyosabb.
- Az MI-alapú technológiák esetén (a korai példákban, pl. intelligens tutoroknál) a facilitáló feltételek szerepe különösen meghatározó – vagyis az, hogy mennyire adottak az eszközhasználathoz szükséges intézményi és technikai feltételek.
- A tényleges használat mérése továbbra is gyenge pont: a legtöbb kutatás a szándékot vizsgálja, nem azt, hogy mi történik utána.
Miért releváns ez most?
Ez az elemzés egy olyan időszakot ölel fel, amikor a felsőoktatásban az MI még nem jelent meg tömegesen, és a „technológiahasználat” túlnyomórészt LMS-ekre, mobil applikációkra vagy AR-eszközökre vonatkozott. Az eredmények tehát nem tükrözik a generatív MI által kiváltott fordulatot, viszont segítenek megérteni, milyen alapbeállítottságok és mintázatok jellemezték a különböző szereplőket az átalakulás előtt.
Tanulság
A szerzők amellett érvelnek, hogy az UTAUT-modell továbbra is értékes keret marad az oktatási technológiaelfogadás vizsgálatában – de hangsúlyozzák, hogy a modell kibővítése és adaptálása szükséges olyan helyzetekben, ahol a használat nemcsak szándék kérdése, hanem egyre inkább strukturális realitás. Ez különösen igaz az MI esetén, amelyet nem csak „elfogadni” kell – hanem használni, értelmezni, ellenőrizni és értékelni is.\
MI elfogadása UTAUT2 alapján
A szisztematikus irodalmi áttekintés 50, 2018 és 2023 között megjelent tanulmány alapján elemzi, hogyan viszonyulnak a felsőoktatási szereplők az AI-technológiákhoz. Az UTAUT2 modellt használva azonosították az elfogadást segítő és gátló tényezőket a hallgatók, oktatók és adminisztratív munkatársak körében.
A tanulmány jelentősége nemcsak a terjedelmében áll: időben épp a generatív AI-robbanás előtti periódust zárja le. A ChatGPT előtti korszak tanulmányait foglalja össze, egy olyan időszakot, amikor az AI még nem váltotta ki a tanárokból és intézményekből a maihoz hasonló egzisztenciális fenyegetettségérzést – ugyanakkor az elfogadás már mérhető és sokszor pozitív volt.
Főbb megállapítások
- A legmegbízhatóbb prediktorok a teljesítményelvárás és az AI használatával járó élvezet (hedonikus motiváció) voltak – ezek minden szereplőnél megjelentek.
- A hallgatók számára emellett fontos a társas megerősítés és az eszköz könnyű kezelhetősége. Az oktatók esetében inkább a támogató háttér (facilitáló feltételek) és a praktikus előnyök számítanak.
- A STEM és nem-STEM szakok között világos eltérés mutatkozott: előbbieknél az önbizalom és a szakmai relevancia erősítette az elfogadást, míg utóbbiaknál gyakoribb a szkepszis és a tudáshiány.
- Moderáló tényezőként megjelent a technológiai előélet, az életkor és az intézményi kontextus is (pl. köz- vs. magánegyetemek különbségei).
Következtetés
A tanulmány fő tanulsága, hogy az UTAUT2 modell nemcsak értelmezni, de előre is képes jelezni, milyen valószínűséggel fogják a különböző felsőoktatási csoportok ténylegesen használni az AI-technológiákat. A teljesítményelvárás és az élményfaktor (hedonikus motiváció) a legerősebb prediktorok: ahol ezek magasak, ott a használat valószínűsége is nő.
Emellett az is világossá válik, hogy a hallgatók, oktatók és intézmények más-más okból és más feltételek mellett fogadják el vagy utasítják el az AI-t. Ez a differenciáltság azt sugallja: a sikeres AI-integrációhoz nem elég általános stratégiákat alkalmazni. Akkor fogják valóban használni, ha az eszköz igazodik az adott csoport igényeihez, motivációihoz és előzetes tapasztalataihoz.
A jövőbeli kutatásoknak érdemes a használat valószínűségét nemcsak szándékon keresztül, hanem tényleges viselkedésen is mérni – különösen a generatív AI új helyzeteiben, ahol a használat már nemcsak választás, hanem idővel kényszer vagy elvárás is lehet.
Saját modell komplexitással
Carlos Enrique George-Reyes és munkatársai a Tecnológico de Monterrey kutatóiként egy meglepően alapos, módszertanilag rendkívül igényes tanulmányt közöltek 2025 júniusában. Céljuk az volt, hogy létrehozzanak és érvényesítsenek egy kérdőívet, amely megbízhatóan méri, milyen tényezők befolyásolják a hallgatók mesterséges intelligenciával kapcsolatos elfogadását a felsőoktatásban.
A modell az UTAUT2 egy testreszabott változatára épül, de kiegészült egy külön változóval: az észlelt komplexitással. A kutatók abból indultak ki, hogy ha a hallgatók túl bonyolultnak látják az AI használatát, akkor nem fogják használni – függetlenül attól, hogy egyébként hasznosnak tartják.
A modell kulcsa: az egyszerűségérzet
A kutatók egy UTAUT2-alapú modellt használtak, de módosították azt: kihagyták a társas befolyás (social influence) és a hedonikus motiváció tényezőit, mivel ezek szerintük inkább a technológia elfogadása utáni élményhez, mintsem a kezdeti döntéshez kapcsolódnak. Helyettük beemeltek egy új, központi változót: az észlelt komplexitást, amely közvetítő szerepet játszik az AI-használat valószínűségében. A modell szerint minél kevésbé érzik bonyolultnak a technológia használatát, annál nagyobb eséllyel fogadják el.
A strukturális egyenletmodellezés (SEM) alapján az egyik legfontosabb tényező a szokásosság volt: akik rendszeresen használták már az AI-t, azok jóval kevésbé érezték bonyolultnak – és így nagyobb eséllyel használták tovább.
A használat valószínűsége komplex módon épül fel
A modell 57%-os magyarázó erővel jósolta meg az AI elfogadását (R² = 0.567), ami erős érték a társadalomtudományi kutatásokban. A kulcs tehát nem csupán az, hogy az AI „okos” vagy „jól működik”, hanem hogy:
- érthető, kezelhető, és megtapasztalható-e,
- az intézmény támogatja-e a használatát, és
- a hallgatók mennyire érzik, hogy megéri használni.
Miért érdekes ez most?
Ez a tanulmány 2023–2024-ben zajlott, vagyis éppen abban a pillanatban, amikor a generatív nyelvi modellek (mint a ChatGPT) hirtelen és tömegesen beléptek az oktatásba – de még azelőtt, hogy e technológiák tényleges használata szabályozási, etikai vagy pedagógiai kérdéseket vetett volna fel.
A szerzők nem is foglalkoznak a hallgatók manipulációs lehetőségeivel vagy a plágium problémájával – helyette egy jól kezelhető, mérhető, pedagógiailag integrálható technológiát feltételeznek. Ez teszi a tanulmányt kiváló viszonyítási alapává: így nézett ki az AI-használat valószínűsége egy olyan időszakban, amikor a mesterséges intelligenciát még nem kellett megvédeni saját magától.
LLM-használat valós kontextusban
Ez a tanulmány egy radikálisan más irányból közelít: nem az AI elfogadását méri, hanem a tényleges használatot vizsgálja – és annak következményeit. A hollandiai Groningeni Egyetemen végzett kutatásban 150 egyetemi hallgatót kérdeztek meg arról, hogy miként és milyen célra használják a generatív mesterséges intelligenciát tanulmányaik során.
A szerzők nem alkalmaznak UTAUT-modellt, és nem próbálnak „elfogadási szándékot” mérni. Ehelyett azt vizsgálják, hogyan jelenik meg ténylegesen a ChatGPT és más LLM-alapú eszközök a diákok tanulási gyakorlatában – különös tekintettel a motivációra, stratégiai döntésekre és az etikai határok érzékelésére.
Főbb megállapítások
- A diákok jelentős része nem a tudásszerzés, hanem a tanulmányi túlélés eszközeként használja a generatív AI-t.
- A használat gyakran instrumentális és felületes, például gyors szöveggenerálás, összefoglalók, vagy beadandók előállítása céljából.
- A hallgatók többsége nem lát problémát a használatban – különösen, ha az nem jár explicit másolással.
- Az AI-használat egyfajta tanulási stratégia lett, amely nem váltja ki a tanulást, de átszervezi azt: a diákok az AI-t használva döntik el, mire fókuszálnak, mit hagynak ki, és mit bíznak „a gépre”.
Nincs modell – van gyakorlat
A szerzők szándékosan elutasítják a mérnöki modelleket (mint az UTAUT), és helyette kvalitatív eszközökkel közelítenek a jelenséghez. Érvelésük szerint az elfogadás mérése már nem elegendő, amikor a technológia tényleges használata de facto jelen van, és az intézmények gyakran nincs válaszuk arra, hogyan reagáljanak.
Tanulság: az AI nem opció, hanem infrastruktúra
A tanulmány implicit állítása az, hogy a generatív AI – különösen a nagy nyelvi modellek – nem választási lehetőségként, hanem új tanulási ökoszisztémaként jelent meg a felsőoktatásban. Az elfogadás kérdése helyett ma már a használat irányítása, támogatása és korlátozása a tét.
A stratégia a kérdés – nem az elfogadás
Ahogy a holland kutatás is világosan mutatja: a diákok jelentős része nem a tudásszerzés, hanem a tanulmányi túlélés eszközeként használja a generatív AI-t.
A többség nem lát problémát benne – különösen, ha ez nem explicit másolást jelent. A mesterséges intelligencia így nem kiváltja a tanulást, hanem átszervezi azt. A diákok az AI segítségével döntik el, mit tanulnak meg mélyen, mit hagynak ki, és mit „bíznak a gépre”.
Ez a gyakorlat már itt van – és nem a jövőben, hanem a jelenben zajlik. Az egyetlen érdemi kérdés már nem az, hogy elfogadják-e a hallgatók az MI-t – hanem hogy az egyetem ad-e hozzá keretet, irányt és pedagógiai kontrollt.
Meddig maradhat ki az egyetem a diákok MI-használatából?
A hallgatók már használják. A kérdés most az, hogy az egyetem irányítja-e, értelmezi-e, és be tudja-e ágyazni ezt a folyamatot a tanulás minőségének javítása érdekében – vagy magukra hagyja őket.
A GoSchool abban segít, hogy a mesterséges intelligencia ne kontrollálatlan eszköz, hanem irányított, tananyagalapú tanulási partner legyen. Az oktató által meghatározott tartalomból tanul, a hallgatók pedig természetes nyelven kérdezhetnek, gyakorolhatnak és felfedezhetnek.
Tanári kontroll. Hallgatói önállóság. MI-támogatás a tananyaghoz kötve. Ismerd meg, mit jelent a kurzushoz rendelt MI-tutor a gyakorlatban.