ปัจจัยที่มีผลต่อการยอมรับการใช้เทคโนโลยีเอไอสำหรับบริหารจัดการในสถาบันการศึกษา:  กรณีศึกษา มหาวิทยาลัยอุบลราชธานี

มหัทธกร เปลี่ยนสมัย

ผู้แต่ง

มหัทธกร เปลี่ยนสมัย มหาวิทยาลัยอุบลราชธานี

คำสำคัญ:

ปัญญาประดิษฐ์ (เอไอ) , การยอมรับนวัตกรรม , การยอมรับเทคโนโลยีเอไอ , ทฤษฎีการแพร่กระจายนวัตกรรม, สถาบันอุดมศึกษา

บทคัดย่อ

บทความนี้ศึกษาความสัมพันธ์ระหว่างการรับรู้ถึงประโยชน์ ความง่ายต่อการใช้งาน และการสนับสนุนขององค์กรกับการยอมรับเทคโนโลยีเอไอ โดยใช้วิธีวิจัยเชิงปริมาณในลักษณะภาคตัดขวาง ผลการศึกษาพบว่า การรับรู้ถึงประโยชน์และความง่ายต่อการใช้งาน มีอิทธิพลอย่างมีนัยสำคัญต่อการยอมรับเทคโนโลยีเอไอและเป็นปัจจัยสำคัญที่สุดต่อความตั้งใจในการใช้งานเอไอ โดยมีค่าสัมประสิทธิ์การถดถอย (B) เท่ากับ 0.417 และ 0.709 ค่าความสามารถในการอธิบายของโมเดล (R²) เท่ากับ 0.574 แสดงให้เห็นว่า ตัวแปรต้นสามารถอธิบายความแปรปรวนของตัวแปรตาม ร้อยละ 57.4 ขณะที่ค่าความกำหนดปรับแล้ว (adjusted R²) เท่ากับ 0.508 การสนับสนุนจากองค์กรและความเชื่อมั่นในตนเอง มีผลต่อการยอมรับเทคโนโลยีเอไอ แต่มีระดับอิทธิพลที่ต่ำกว่า ค่าสัมประสิทธิ์มาตรฐาน (beta) ของปัจจัยการสนับสนุนจากองค์กร เท่ากับ 0.017 และความเชื่อมั่นในตนเอง เท่ากับ 0.145 อิทธิพลทางสังคม ไม่พบว่ามีผลกระทบอย่างมีนัยสำคัญในการคาดการณ์การยอมรับเทคโนโลยีเอไอ สำหรับแนวทางส่งเสริมการยอมรับการใช้งานเอไอควรเพิ่มการรับรู้ถึงประโยชน์และความง่ายต่อการใช้งาน พัฒนาและฝึกอบรมการใช้งานเอไอเพื่อเพิ่มความมั่นใจของบุคลากร รวมถึงจัดสรรทรัพยากรเพื่อสนับสนุนเทคโนโลยีที่ใช้ในการบริหารจัดการองค์กร

เอกสารอ้างอิง

กองบริหารงานทั่วไป มหาวิทยาลัยมหิดล. (2568, 25 มิถุนายน). บทบาทของ AI กับการศึกษาไทยในปัจจุบัน. https://op.mahidol.ac.th/ga/learning-ai/

จุฬาลงกรณ์มหาวิทยาลัย. (2568, 6 มกราคม). ChulaGENIE เปิดโลกใหม่แห่งการทำงานและเรียนรู้ของบุคลากรจุฬาฯ เปิดทดลองใช้งานแล้ว. https://www.chula.ac.th/news/209949/

Balcombe, L. (2023). AI Chatbots in Digital Mental Health. Informatics, 10(4), 82. https://doi.org/10.3390/informatics10040082

Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman.

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

Dingel, J., Kleine, A. K., Cecil, J., Sigl, A. L., Lermer, E., & Gaube, S. (2024). Predictors of Health Care Practitioners' Intention to Use AI-Enabled Clinical Decision Support Systems: Meta-Analysis Based on the Unified Theory of Acceptance and Use of Technology. Journal of medical Internet research, 26, e57224. https://doi.org/10.2196/57224

Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education. Promise and Implications for Teaching and Learning. Boston: Center for Curriculum Redesign. https://www.researchgate.net/publication/332180327_Artificial_Intelligence_in_Education_Promise_and_Implications_for_Teaching_and_Learning

International Data Corporation (IDC). (2023). Worldwide AI and Generative AI Spending Guide. https://my.idc.com/getdoc.jsp?containerId=IDC_P33198

Kleine, A. K., Kokje, E., Lermer, E., & Gaube, S. (2023). Attitudes Toward the Adoption of 2 Artificial Intelligence-Enabled Mental Health Tools Among Prospective Psychotherapists: Cross-sectional Study. JMIR human factors, 10, e46859. https://doi.org/10.2196/46859

Lin, X. (2024). Factors Influencing College Students’ Use of AI Chatbots for Learning –Empirical study based on TAM extended model. 2024 5th International Conference on Artificial Intelligence and Electromechanical Automation. AIEA (pp. 151-159). Shenzhen: China. https://doi.org/10.1109/AIEA62095.2024.10692550

Moiseeva, A. (2020). Statistical natural language processing methods for intelligent process automation [Doctoral dissertation]. LMU München. https://doi.org/10.5282/edoc.26681

Naidoo, D. T. (2023). Integrating TAM and IS success model: exploring the role of blockchain and AI in predicting learner engagement and performance in e-learning, Frontiers in Computer Science, 18(5). https://doi.org/10.3389/fcomp.2023.1227749

Nikolopoulou, K. (2024). Generative Artificial Intelligence in Higher Education: Exploring Ways of Harnessing Pedagogical Practices with the Assistance of ChatGPT. International Journal of Changes in Education, 1(2), 103-111. https://doi.org/10.47852/bonviewIJCE42022489

Panagoulias, D. P., Virvou, M., & Tsihrintzis, G. A. (2024). A novel framework for artificial intelligence explainability via the Technology Acceptance Model and Rapid Estimate of Adult Literacy in Medicine using machine learning, Expert Systems with Applications, 248, 123375. https://doi.org/10.1016/j.eswa.2024.123375

Pillai, R., & Sivathanu, B. (2020). Adoption of AI-based chatbots for hospitality and tourism, International Journal of Contemporary Hospitality Management, 32(10), 3199-3226. https://doi.org/10.1108/IJCHM-04-2020-0259

Rogers, E. M. (2003). Diffusion of innovations. (5th ed.). Free Press.

Tram, N. H. M. (2024). Unveiling the Drivers of AI Integration Among Language Teachers: Integrating UTAUT and AI-TPACK. Computers in the Schools, 42(2), 100–120. https://doi.org/10.1080/07380569.2024.2441155

Triberti, S., Di Fuccio, R., Scuotto, C., Marsico, E., & Limone, P. (2024). “Better than my professor?” How to develop artificial intelligence tools for higher education. Frontiers in Artificial Intelligence, 7. https://doi.org/10.3389/frai.2024.1329605

Yamane, T. (1973). Statistics: An Introductory Analysis (3rd ed.). NY: Harper and Row.

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(39), 1–27. https://doi.org/10.1186/s41239-019-0171-0

Zhang, W., & Hou, Z. (2024). College Teachers’ Behavioral Intention to Adopt Artificial Intelligence-Assisted Teaching Systems. IEEE Access, 12, 152812-152824. https://doi.org/10.1109/ACCESS.2024.3445909