Beyond Familiarity: LLM Use, Perceived Accuracy, and Student-Generated Improvements in a University Setting

Mohammad Mahyoob Albuhairy

doi:10.53286/fdxrq953

المؤلفون

محمد مهيوب البحيري أستاذ اللغويات الحاسوبية المشارك، قسم اللغات والترجمة، كلية الآداب والعلوم الإنسانية، جامعة طيبة، المدينة المنورة، المملكة العربية السعودية. https://orcid.org/0000-0002-6664-1017

DOI:

https://doi.org/10.53286/fdxrq953

الكلمات المفتاحية:

النماذج اللغوية الكبيرة، التعليم العالي، تصورات الطلاب، التفاعل بين الإنسان والذكاء الاصطناعي، المساعدة في البرمجة

الملخص

تُحدث النماذج اللغوية الكبيرة (Large Language Models- LLMs) تحولًا جوهريًا في التعليم العالي، إلا أن العوامل المؤثرة في تبني الطلاب لها ومستوى ثقتهم بها لا تزال غير مفهومة فهمًا كافيًا، ولا سيما في السياقات التعليمية التي لم تحظَ بتمثيل كافٍ في الأدبيات البحثية. تستقصي هذه الدراسة مستوى وعي طلاب الجامعات بالنماذج اللغوية الكبيرة، وأنماط استخدامها، وتصوراتهم، وتوصياتهم بشأنها، من خلال دراسة مسحية مقطعية شملت طلاب الهندسة وعلوم الحاسوب وعلوم البيانات. واستُخدمت التحليلات الإحصائية الوصفية والاستدلالية لفحص أنماط التبني وتصورات الطلاب. وأظهرت النتائج أن 90% من الطلاب كانوا على دراية بهذه النماذج، وأن 62% منهم استخدموها في مهام البرمجة، إلا أن 51% فقط أفادوا باستخدامها بانتظام يوميًا أو أسبوعيًا، مما يدل على أن المنفعة وسهولة الاستخدام المدركة وحدهما لا تكفيان لتفسير تبني هذه النماذج. كما أدرك الطلاب قيمتها في توفير الوقت ودعم عملية التعلم. وأكدوا باستمرار أن الدقة، وشفافية المصادر، وإمكانية التحقق تمثل متطلبات أساسية للاستخدام المسؤول، مما يبرز الثقة بوصفها عاملًا حاسمًا في استمرار استخدامها. وبناءً على هذه النتائج، تقترح الدراسة نموذج قبول التكنولوجيا المعزز بالثقة (Trust-Calibrated Technology Acceptance Model, TC-TAM)، الذي يوسّع نموذج قبول التكنولوجيا (Technology Acceptance Model, TAM) من خلال دمج الجدارة بالثقة المتصورة بوصفها عاملًا جوهريًا يؤثر في تبني النماذج اللغوية الكبيرة. وتقدم الدراسة توصيات عملية للمعلمين، ومطوري تطبيقات الذكاء الاصطناعي، وصناع السياسات لدعم دمج الذكاء الاصطناعي بصورة شفافة وعادلة ومسؤولة، كما تسهم في إثراء الأدبيات العلمية من خلال تقديم أدلة تجريبية مستمدة من سياق تعليمي لم يحظَ بالدراسة الكافية، بما يعزز البحث في مجال الذكاء الاصطناعي التوليدي في التعليم العالي.

التنزيلات

تنزيل البيانات ليس متاحًا بعد.

المراجع

Akpinar, N. J., Avula, S., Lee, C. J., Dang, B., Razat, K., & Murdock, V. (2026, April). LLM or Human? Perceptions of Trust and Quality in Research Summaries. In Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (pp. 1–25).

Al-Garaady, J., & Albuhairy, M. M. (2023). ChatGPT's capabilities in spotting and analyzing writing errors experienced by EFL learners. Arab World English Journals, Special Issue on CALL, (9).

Albuhairy, M. M., Al-Garaady, J., & Alblwi, A. (2023). A proposed framework for human-like language processing of ChatGPT in academic writing. International Journal of Emerging Technologies in Learning (iJET), 18(14).

Bernabei, M., Colabianchi, S., Falegnami, A., & Costantino, F. (2023). Students’ use of large language models in engineering education: A case study on technology acceptance, perceptions, efficacy, and detection chances. Computers and Education: Artificial Intelligence, 5, 100172.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3), 319–34.

Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627–660.

Hossain, S., Khanam, S., Haniya, S., & Nasr, N. R. (2025). AI Literacy and LLM Engagement in Higher Education: A Cross-National Quantitative Study. arXiv preprint arXiv:2507.03020.

Jang, C. (2024). Coping with vulnerability: The effect of trust in AI and privacy-protective behaviour on the use of AI-based services. Behaviour & Information Technology, 43(11), 2388-2400

Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., ... & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and individual differences, 103, 102274.

Kazemitabaar, M., Chow, J., Ma, C. K. T., Ericson, B. J., Weintrop, D., & Grossman, T. (2023, April). Studying the effect of AI code generators on supporting novice learners in introductory programming. In Proceedings of the 2023 CHI conference on human factors in computing systems (pp. 1-23).

Lee, H., Atif, A., & Kang, K. (2026). Analyzing AI utilization in education through learner question types: A constructivist approach. Australasian Journal of Educational Technology, 42(1), 79–96. https://doi.org/10.14742/ajet.10657

Li, R., Li, M., & Qiao, W. (2025). Engineering students’ use of large language model tools: An empirical study based on a survey of students from 12 universities. Education Sciences, 15(3), 280.

Mirabile, M., Corazza, G. E., & Alonso-Moral, J. M. (2026). Trust in human–AI collaboration in finance: a bibliometric–systematic literature review. AI & SOCIETY, 1–30.

Lyu, W., Wang, Y., Chung, T., Sun, Y., & Zhang, Y. (2024, July). Evaluating the effectiveness of llms in introductory computer science education: A semester-long field study. In Proceedings of the eleventh ACM conference on learning@ scale (pp. 63-74).

O’Neill, S., Mulgrew, D., & Bagdasar, O. (2025). On the Use of Large Language Models for Improving Student and Staff Experience in Higher Education. Open Education Studies, 7(1), 20250086.

Peng, Q., Zhang, C., Mangal, R., Pasareanu, C., & Jia, L. (2025, April). Random Perturbation Attack on LLMs for Code Generation. In 2025 IEEE/ACM 4th International Conference on AI Engineering–Software Engineering for AI (CAIN) (pp. 285–287). IEEE.

Perkins, M. (2023). Academic integrity considerations of AI large language models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching and Learning Practice, 20(2), 1-24.

Raihan, N., Siddiq, M. L., Santos, J. C., & Zampieri, M. (2025, February). Large language models in computer science education: A systematic literature review. In Proceedings of the 56th ACM technical symposium on computer science education V. 1 (pp. 938–944).

Rasnayaka, S., Wang, G., Shariffdeen, R., & Iyer, G. N. (2024, April). An empirical study on usage and perceptions of llms in a software engineering project. In Proceedings of the 1st international workshop on large language models for code (pp. 111-118).

Singal, A., & Goyal, S. (2025). Comparative evaluation of AI platforms “Google Gemini 2.5 Flash, Google Gemini 2.0 Flash, DeepSeek V3 and ChatGPT 4o” in solving multiple-choice questions from different subtopics of anatomy. Surgical and Radiologic Anatomy, 47(1), 193.

Scherer, R., Siddiq, F., & Tondeur, J. (2019). The technology acceptance model (TAM): A meta-analytic structural equation modeling approach to explaining teachers’ adoption of digital technology in education. Computers & education, 128, 13-35.

Xu, J., Shen, R., Li, J., & Hu, D. (2025). Artificial intelligence literacy among Chinese Master of Education students: Current situation, influencing factors and generative pathways. Australasian Journal of Educational Technology, 41(6), 1–17. https://doi.org/10.14742/ajet.10656.