ปัจจัยเชิงสาเหตุของความฉลาดรู้ทางปัญญาประดิษฐ์และผลต่อประสิทธิภาพการเรียนรู้ของนักศึกษาระดับอุดมศึกษา

ฐาปนี เพ็งสุข; ปณิธาน เมฆกมล; สาวิตรี บุญมี

ผู้แต่ง

ฐาปนี เพ็งสุข คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏอุดรธานี
ปณิธาน เมฆกมล คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏอุดรธานี
สาวิตรี บุญมี คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏอุดรธานี

คำสำคัญ:

ความฉลาดรู้ทางปัญญาประดิษฐ์, ประสบการณ์การใช้ AI, ความตระหนักด้านจริยธรรม AI, ความสามารถทางดิจิทัล, ประสิทธิภาพการเรียนรู้

บทคัดย่อ

บทความวิจัยนี้มีวัตถุประสงค์เพื่อ 1. ศึกษาปัจจัยเชิงสาเหตุที่มีอิทธิพลต่อความฉลาดรู้ทางปัญญาประดิษฐ์ของนักศึกษาระดับอุดมศึกษา และ 2. ศึกษาอิทธิพลของความฉลาดรู้ทางปัญญาประดิษฐ์ต่อประสิทธิภาพการเรียนรู้ของนักศึกษา โดยพิจารณาปัจจัยด้านความสามารถทางดิจิทัล ประสบการณ์การใช้ AI ความตระหนักด้านจริยธรรม AI และการสนับสนุนจากสถาบัน การวิจัยนี้เป็นการวิจัยเชิงปริมาณแบบอธิบาย กลุ่มตัวอย่างคือ นักศึกษาระดับอุดมศึกษา อำเภอเมือง จังหวัดอุดรธานี จำนวน 470 คน เก็บรวบรวมข้อมูลด้วยแบบสอบถาม และวิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา การวิเคราะห์องค์ประกอบเชิงยืนยัน และแบบจำลองสมการโครงสร้าง (SEM)

ผลการวิจัยพบว่า โมเดลมีความสอดคล้องกับข้อมูลเชิงประจักษ์ในเกณฑ์ดี (χ²/df = 2.372, CFI = 0.976, RMSEA = 0.054) ประสบการณ์การใช้ AI มีอิทธิพลเชิงบวกต่อความฉลาดรู้ทางปัญญาประดิษฐ์มากที่สุด (β = 0.802, p < .001) รองลงมาคือ ความตระหนักด้านจริยธรรม AI (β = 0.240, p < .01) ขณะที่การสนับสนุนจากสถาบันมีอิทธิพลเชิงลบอย่างมีนัยสำคัญ (β = −0.104, p < .05) ส่วนความสามารถทางดิจิทัลไม่ส่งผลอย่างมีนัยสำคัญ นอกจากนี้ ความฉลาดรู้ทางปัญญาประดิษฐ์มีอิทธิพลเชิงบวกต่อประสิทธิภาพการเรียนรู้ (β = 0.690, p < .001) ผลการวิจัยชี้ให้เห็นว่า การพัฒนาความฉลาดรู้ทางปัญญาประดิษฐ์ ควรมุ่งส่งเสริมประสบการณ์การใช้ AI ควบคู่กับการปลูกฝังจริยธรรม AI อย่างเป็นระบบเพื่อยกระดับประสิทธิภาพการเรียนรู้ของนักศึกษาในยุคปัญญาประดิษฐ์

เอกสารอ้างอิง

Baumgartner, H. & Homburg, C. (1996). Applications of Structural Equation Modeling in Marketing and Consumer Research: A Review. International Journal of Research in Marketing, 13(2), 139–161.

Bentler, P. M. & Bonett, D. G. (1980). Significance tests and goodness of fit in the analysis of covariance structures. Psychological Bulletin, 88(3), 588–606.

Bewersdorff, A. et al. (2025). Taking The Next Step with Generative Artificial Intelligence: The Transformative Role of Multimodal Large Language Models in Science Education. Learning and Individual Differences, 118, 102601.

Chun, Z. et al. (2025). Exploring The Interplay Among Artificial Intelligence Literacy, Creativity, Self-Efficacy, and Academic Achievement in College Students. Education and Information Technologies, 30, 1–34.

Cortina, J. M. (1993). What is coefficient alpha? An examination of theory and applications. Journal of Applied Psychology, 78(1), 98–104.

Fornell, C. & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50.

Hair, J. F. et al. (2019). Multivariate data analysis. Hampshire: Cengage Learning.

Hu, L. T. & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis. Structural Equation Modeling, 6(1), 1–55.

Kline, R. B. (2023). Principles and practice of structural equation modeling. New York: Guilford Publications.

Kohnke, L. et al. (2025). Preparing future educators for AI-enhanced classrooms: Insights into AI literacy and integration. Computers and Education: Artificial Intelligence, 8, 100398.

Long, D. & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. (pp. 1–16). New York: Association for Computing Machinery.

MacCallum, R. C. et al. (1996). Power analysis and determination of sample size for covariance structure modeling. Psychological Methods, 1(2), 130–149.

Ngoveni, M. (2025). Bridging the AI knowledge gap: The urgent need for AI literacy and institutional support. The International Journal of Technologies in Learning, 32(2), 83.

Ng, D. T. K. et al. (2021). Conceptualizing AI literacy. Computers and Education: Artificial Intelligence, 2, 100041.

Nunnally, J. C. & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). New York: McGraw-Hill.

Scherer, R. et al. (2021). Profiling teachers’ readiness for online teaching and learning in higher education: Who’s ready?. Computers in Human Behavior, 118, 106675.

Schermelleh-Engel, K. et al. (2003). Evaluating the fit of structural equation models. Methods of Psychological Research Online, 8(2), 23–74.

Singh, E. et al. (2025). AI-enhanced education: Exploring the impact of AI literacy on Generation Z’s academic performance in Northern India. Quality Assurance in Education, 33(2), 185–202.

Sun, L. & Zhou, L. (2024). Does generative artificial intelligence improve the academic achievement of college students?. Journal of Educational Computing Research, 62(7), 1676–1713.

Techasermwattanakul, P. & Suwannatthachote, P. (2025). The application of generative AI in educational research: A systematic literature review. Journal of Education and Innovation, 27(1), 160–174.

Tinmaz, H. et al. (2022). A systematic review on digital literacy. Smart Learning Environments, 9(1), 1-18.

Tongchai, A. & Malakul, S. (2025). Thai Teachers' Perceptions of Integrating Generative AI in K-12 Education: Opportunities and Challenges. TechTrends, 1-13.

UNESCO. (2018). A global framework of reference on digital literacy skills for indicator 4.4.2. Paris: United Nations Educational, Scientific and Cultural Organization.

UNESCO. (2022). Recommendation on the ethics of artificial intelligence. Paris: United Nations Educational, Scientific and Cultural Organization.

Wang, C. et al. (2025). Factors influencing university students’ behavioral intention to use generative artificial intelligence: Integrating the theory of planned behavior and AI literacy. International Journal of Human–Computer Interaction, 41(11), 6649–6671.

Yamane, T. (1973). Statistics: An introductory analysis (3rd ed.). New York: Harper & Row.

Yang, J. et al. (2025). A framework for AI ethics literacy: Development, validation, and its role in fostering students' self-rated learning competence. Scientific Reports, 15(1), 38030.

Yang, Y. et al. (2025). Navigating the landscape of AI literacy education: Insights from a decade of research (2014–2024). Humanities and Social Sciences Communications, 12, 1-12.