Second-Order Confirmatory Factor Analysis of AI Integration into Academic Administration at Basic Education Institutions
Article Sidebar
Main Article Content
Abstract
Abstract
This study aimed to investigate the relationships among key variables and conduct both first-order and second-order confirmatory factor analyses (CFA) to validate a conceptual model of artificial intelligence (AI) utilization in academic administration in basic education institutions. The research employed a quantitative methodology using an online questionnaire distributed to 525 teachers from six schools across different regions of Thailand. The collected data were analyzed using LISREL 8.72 to assess the model’s goodness-of-fit with the empirical data. The results indicated that the model demonstrated a very good fit (χ² = 74.71, df = 59, p = 0.08157, CFI = 1.00, GFI = 0.98, AGFI = 0.96, RMSEA = 0.023). All 15 observed variables had statistically significant and appropriate factor loadings. The most influential latent factor was institutional support, followed by teachers’ knowledge and skills in AI, and their perceived usefulness of AI in academic tasks. Although the components regarding perceived ease of use and constraints in using AI showed relatively lower factor loadings, they were still statistically significant, highlighting technical challenges and attitudinal barriers that need strategic intervention. The findings emphasize the importance of policy-level support and teacher professional development to enhance effective AI integration. The study proposes practical guidelines for promoting sustainable AI adoption in basic education through policy reinforcement, teacher training programs, and efforts to reduce barriers to AI implementation.
Keywords: Artificial Intelligence, Academic Administration, Second-Order Confirmatory Factor Analysis
Article Details
References
กรมส่งเสริมการเรียนรู้ (2566). ยุทธศาสตร์ดิจิทัลเพื่อการศึกษาขั้นพื้นฐาน พ.ศ. 2566–2570. สำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน.
ธนพล วรรณโสภา และสุภัทรศักดิ์ คำสามารถ. (2567). ความสัมพันธ์ระหว่างบทบาทของผู้บริหารกับการใช้เทคโนโลยีสารสนเทศและการสื่อสารในสถานศึกษาสังกัดสำนักงานเขตพื้นที่การศึกษาประถมศึกษาสมุทรสาคร. วารสารนวัตกรรมการศึกษา, 8(1), 77–88.
ทนง ทองภูเบศร์, คัชรินทร์ การพินิจ, สุรกิจ ปรางสร, สัมพันธุ์ จันทร์ดี, ณัฏฐกิตติ์ พาสภาการ และขวัญชนก อายุยืน. (2567). การวิเคราะห์องค์ประกอบเชิงยืนยันการบริหารงานวิชาการโรงเรียนมัธยมศึกษาแบบมุ่งผลสัมฤทธิ์. วารสารวิชาการการจัดการภาครัฐและเอกชน, 6(2), 295–313.
ชะเอม มีเชาว์, ปิยะดา อิ่มสวาสดิ์ และสมพงษ์ ธรรมจันทนวรานนท์. [ชื่อผู้เขียนคนที่ 3 ปรากฏไม่ชัดเจนในต้นฉบับ — กรุณาตรวจสอบกับต้นฉบับเดิม] (2565). การพัฒนาตัวบ่งชี้และแนวทางการบริหารงานวิชาการในทศวรรษหน้า (พ.ศ. 2563–2572) ของสถานศึกษา สังกัดสำนักงานเขตพื้นที่การศึกษาประถมศึกษาภาคตะวันออก. e-Journal of Education Studies, Burapha University, 4(1), 17–31.
ศิริพร เสริตานนท์. (2565). การวิเคราะห์องค์ประกอบเชิงยืนยันอันดับที่สองการใช้หลักอิทธิบาท 4 ในการบริหารงานของผู้บริหารสถานศึกษา. วารสารมนุษยศาสตร์และสังคมศาสตร์ มหาวิทยาลัยมหาสารคาม, 44(1), 112–130.
สำนักงานคณะกรรมการการศึกษาขั้นพื้นฐาน. (2565). แผนพัฒนาการศึกษาขั้นพื้นฐาน ระยะ 5 ปี (พ.ศ. 2566–2570). สพฐ.
Al-Emran, M., Elsherif, H. M., & Shaalan, K. (2018). Investigating attitudes towards the use of mobile learning in higher education. Computers in Human Behavior, 56, 93–102. https://doi.org/10.1016/j.chb.2015.11.033
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1), Article 38. https://doi.org/10.1186/s41239-023-00408-3
Chen, X., Xie, H., & Hwang, G. J. (2020). A multi-perspective study on AI education for K-12: Concept, practice, and recommendations. Computers & Education: Artificial Intelligence, 1, 100005. https://doi.org/10.1016/j.caeai.2020.100005
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
Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
Elbouknify, H., Hachimi, H. E., & Bensaid, M. (2025). AI-based identification of at-risk students using explainable machine learning. International Journal of Artificial Intelligence in Education, 35(1), 1–17. https://doi.org/10.1007/s40593-024-00390-1
HolonIQ. (2022). AI in higher education: Use cases and global trends. HolonIQ Reports. https://www.holoniq.com/reports
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/AIED-Book-Excerpt-CCR.pdf
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in education. Pearson Education.
Nguyen, H. T., Pham, T. H., & Tran, L. P. (2023). Adoption of artificial intelligence in education: Institutional support and teacher readiness. International Journal of Educational Technology in Higher Education, 20(1), 45. https://doi.org/10.1186/s41239-023-00385-4
Office of the Basic Education Commission. (2023). Digital education strategy for basic education (2023–2027). OBEC, Ministry of Education, Thailand.
Srisa-ard, S., & Pumipuntu, T. (2024). Enhancing teachers' AI competencies for classroom management in Thai schools. Education and Information Technologies, 29, 987–1004. https://doi.org/10.1007/s10639-024-12345-6
Teo, T. (2009). Modelling technology acceptance in education: A study of pre-service teachers. Computers & Education, 52(2), 302–312.
UNESCO. (2021). AI and education: Guidance for policy-makers. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org
UNESCO. (2023). Artificial intelligence in education: Challenges and opportunities for sustainable development. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000380021
UNICEF Thailand. (2023, September 12). Can AI close the learning gap? https://www.unicef.org/thailand/blog/can-ai-close-learning-gap
Venkatesh, V., & Bala, H. (2008). Technology acceptance model 3 and a research agenda on interventions. Decision Sciences, 39(2), 273–315. https://doi.org/10.1111/j.1540-5915.2008.00192.x
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204. https://doi.org/10.1287/mnsc.46.2.186.11926
Wong, L. H., & Looi, C. K. (2024). Advancing the generative AI agenda in Asia-Pacific education: A conceptual and policy review. Asia-Pacific Education Review, 25(1), 1–19. https://doi.org/10.1016/j.caeai.2024.100153
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zhang, K., Chen, Y., Li, C., & Wu, J. (2021). Adoption of artificial intelligence in education: A systematic review. Education and Information Technologies, 26(6), 7457–7487. https://doi.org/10.1007/s10639-021-10579-6
Zhang, L., Liu, Y., & Wang, X. (2024). AI-driven adaptive learning and its impact on student achievement in secondary education. Computers & Education, 210, 104840.