ความไว้วางใจและการรับรู้ประโยชน์ต่อการปรับตัวในการใช้ปัญญาประดิษฐ์เป็นผู้ช่วยสอนเสมือนจริงในบริบทการเรียนรู้ด้วยตนเองของนักศึกษาสาขาเทคโนโลยีดิจิทัลเพื่อธุรกิจ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยศิลปากร
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อศึกษาอิทธิพลของการรับรู้ประโยชน์และความไว้วางใจที่มีต่อการปรับตัวในการใช้ปัญญาประดิษฐ์เป็นผู้ช่วยสอนเสมือนจริงของนักศึกษาสาขาเทคโนโลยีดิจิทัลเพื่อธุรกิจ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยศิลปากร `โดยใช้วิธีการวิจัยเชิงปริมาณแบบภาคตัดขวาง เก็บรวบรวมข้อมูลจากกลุ่มตัวอย่างนักศึกษาระดับปริญญาตรีจำนวน 260 คน ด้วยวิธีการเลือกตัวอย่างแบบสะดวกผ่านแบบสอบถามออนไลน์ เครื่องมือวิจัยผ่านการตรวจสอบความตรงเชิงเนื้อหาและความเชื่อมั่นตามเกณฑ์มาตรฐาน สถิติที่ใช้ในการวิเคราะห์ข้อมูลคือโมเดลสมการโครงสร้างแบบกำลังสองน้อยที่สุดบางส่วน เพื่อทดสอบสมมติฐานเกี่ยวกับความสัมพันธ์เชิงสาเหตุระหว่างการรับรู้ประโยชน์ ความไว้วางใจ และการปรับตัว
ผลการวิจัยพบว่าการรับรู้ประโยชน์ของปัญญาประดิษฐ์ส่งผลทางบวกต่อความไว้วางใจและการปรับตัวในการใช้งานอย่างมีนัยสำคัญทางสถิติ โดยตัวแปรในโมเดลร่วมกันพยากรณ์การปรับตัวได้ร้อยละ 68.1 ข้อค้นพบที่สำคัญชี้ให้เห็นว่าความไว้วางใจทำหน้าที่เป็นตัวแปรส่งผ่านแบบบางส่วนที่ช่วยเชื่อมโยงอิทธิพลระหว่างการรับรู้ประโยชน์ไปสู่การปรับตัวเชิงพฤติกรรมจริง นอกจากนี้แบบจำลองยังมีความถูกต้องเชิงพยากรณ์ในระดับกลาง ซึ่งยืนยันว่าผลลัพธ์ที่ได้มีความน่าเชื่อถือเชิงประจักษ์ และความไว้วางใจดิจิทัลเป็นหัวใจสำคัญที่เปลี่ยนจากการรับรู้คุณค่าในเชิงทฤษฎีไปสู่การปรับเปลี่ยนวิถีการเรียนรู้อย่างยั่งยืน สถาบันการศึกษาควรส่งเสริมทั้งทักษะเทคนิคควบคู่ไปกับการสร้างความตระหนักในคุณค่าและจริยธรรมของปัญญาประดิษฐ์ เพื่อสร้างระบบนิเวศการเรียนรู้ที่นักศึกษามีความเชื่อมั่นและสามารถบูรณาการเทคโนโลยีเข้ากับการพัฒนาตนเองได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright © 2025 ICT Silpakorn All rights reserved.
เอกสารอ้างอิง
Alkaabi, A., Jabeen, F., & Dwivedi, A. (2025). Artificial intelligence adoption in the service industry: investigating the role of perceived usefulness and ease of use. International Journal of Productivity and Performance Management, 1049-1065.
Alsalloum, G., Badr, Y., Alzaatreh, A., Shamayleh, A., Kumail, M., Ahmad, N. A., & Hadjiat, Y. (2026). Acceptance and Readiness for AI Among United Arab Emirates–Based Health Care Practitioners: Exploratory Cross-Sectional Survey. JMIR AI, 5, e80173.
Cohen, J. (1992) Quantitative Methods in Psychology: A Power Primer. Psychological Bulletin, 112, 155-159. https://doi.org/10.1037/0033-2909.112.1.155
Croitoru, M. B., Florea, N. V., Florea, D., Savu, M. O., & Croitoru, G. (2025). The Role of Artificial Intelligence in Human Resource Management: Implications for Employee Motivation, Performance, and Technology Acceptance. Annals of “Dunarea de Jos” University of Galati Fascicle I. Economics and Applied Informatics, 31(2).
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of informationtechnology. MIS Quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.2307/3151312
Gaskin, J. (2011). Common Method Bias. Gaskination's StatWiki. http://statwiki.kolobkreations.com
Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
Handoko, B. L., Thomas, G. N., & Indriaty, L. (2024). Adoption and Utilization of Artificial Intelligence to Enhance Student Learning Satisfaction. Bina Nusantara University.
Ingard, A. (2026). Advanced principles and practices in structural equation modeling: The art of research and publication standards [หลักการและแนวปฏิบัติขั้นสูงในแบบจำลองสมการโครงสร้าง: ศิลปะแห่งการวิจัยและมาตรฐานการตีพิมพ์]. Asia Digital Printing.
Kundu, A., & Bej, T. (2021). Experiencing Trust in Artificial Intelligence (AI) in Education: A Review of Literature. Journal of Educational Computing Research, 59(8), 1-25.
Luhana, K. K., Memon, A. B., & Khan, I. (2023). The Rise of Artificial Intelligence and Its Influence on Employee Performance and Work. Global Social Sciences Review, 8(2), 463-479.
Mahmud, M., Ahmad, G., & Afridi, Z. (2020). AI in Employee Performance Management: Process Mining for Enhancing Productivity and Growth. International Journal of Human Capital and Information Technology Professionals, 11(1), 34-45.
Min, H., Peng, T. K., & Shoss, M. K. (2016). The brutality of 'hard data': How the use of bureaucratic records as measures of performance affects our understanding of common method bias. Journal of Organizational Behavior, 37(8), 1152-1172. DOI: 10.1002/job.2109
Nguyen, P., Watson, G. P., Barnes, D., Agrawal, S., Schuster, A. M., & Cotten, S. R. (2026). Navigating workplace AI adoption: The influence of perceptions and affective attitudes on employees’ intentions to use AI at work. Journal of Management & Organization, 1-26. https://doi.org/10.1017/jmo.2026.10090
Nunnally, J. C., & Bernstein, I. R. (1994). Psychometric theory (3rd ed.). McGraw‑Hill.
Omirali, A., Kozhakhmet, K., & Zhumaliyeva, R. (2025). Digital Trust in Transition: Student Perceptions of AI-Enhanced Learning for Sustainable Educational Futures. Sustainability, 17, 7567.
Podsakoff, P. M., MacKenzie, S. B., & Podsakoff, N. P. (2012). Sources of method bias in social science research and recommendations on how to control it. Annual Review of Psychology, 63, 539-569. DOI: 10.1146/annurev-psych-120710-100452
Tantiathimongkhon, T., Ketcham, M., & Rattanasiriwongwut, M. (2026). The strategic-behavioral analysis: Factors influencing AI-Powered learning platform adoption in Thai higher education. Journal of Information Technology Education: Research, 25, Article 12.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478. https://doi.org/10.2307/30036540
Yakubu, M. A., Sain, Z. H., Lawal, U. S., & Hakim, M. A. R. (2025). Student Perceptions of Artificial Intelligence as a Virtual Tutor and Its Relation to Self-Efficacy in Learning. Indonesian Journal of Progressive Pedagogy, 1(1), 1-11.
Zhu, J., Guan, C., Zhang, H., Wang, L., Zhang, Y., & Bian, X. (2026). Examining the association between AI-enhanced education and medical students’ self-directed learning using an integrated TAM-UTAUT2 model. Frontiers in Medicine, 13, 1817255.
