การสำรวจนักศึกษา 451 คนจากมหาวิทยาลัยราชภัฏ 7 แห่งในไทยขยายกรอบ UTAUT โดยวาง metacognitive awareness และ self-regulated learning เป็นตัวกลางระหว่างปัจจัยการยอมรับเทคโนโลยีกับความตั้งใจใช้ GenAI และให้ความตั้งใจทำนายการใช้ GenAI ที่ผู้ตอบรายงานเองในฐานะคู่คิด เงื่อนไขสนับสนุนจากสถาบันสัมพันธ์แรงที่สุดกับ metacognition และ self-regulation แต่ไม่มีความสัมพันธ์ตรงที่มีนัยสำคัญกับความตั้งใจ เส้นทางทางอ้อมที่มีนัยสำคัญผ่าน metacognition ส่วน social influence เป็นตัวทำนายตรงที่แรงที่สุดของความตั้งใจ ตามด้วย metacognition ขณะที่ effort expectancy และ self-regulated learning ไม่ทำนายความตั้งใจในแบบจำลองนี้
ข้อค้นพบสำคัญ
- เงื่อนไขสนับสนุนสัมพันธ์กับ metacognition ที่ β=.595 และ self-regulated learning ที่ β=.514 แต่ไม่สัมพันธ์โดยตรงกับความตั้งใจอย่างมีนัยสำคัญที่ β=.061, p=.430
- เส้นทางทางอ้อมจากเงื่อนไขสนับสนุนไปยังความตั้งใจผ่าน metacognition เท่ากับ β=.186 และเป็นรูปแบบ indirect-only mediation ในแบบจำลองที่ทดสอบ
- social influence เป็นตัวทำนายตรงที่แรงที่สุดของความตั้งใจที่ β=.357 ตามด้วย metacognition ที่ β=.312 ขณะที่ effort expectancy และ self-regulated learning ไม่ทำนายความตั้งใจ; แบบจำลองอธิบายความแปรปรวนของตัวแปรตามได้ 62.1%–70.9%
ทำไมจึงมีความสำคัญระดับโลก
งานช่วยย้ายการอภิปรายเรื่อง GenAI ในมหาวิทยาลัยจากคำถามว่า “นักศึกษาจะใช้หรือไม่” ไปสู่คำถามว่าสภาพแวดล้อมของสถาบันและทักษะกำกับการคิดเชื่อมกับการใช้เครื่องมืออย่างไร สำหรับมหาวิทยาลัยในระบบที่ทรัพยากรไม่เท่ากัน ผลชี้ว่าคู่มือ การสนับสนุน และบรรทัดฐานทางสังคมอาจสำคัญกว่าการทำให้เครื่องมือใช้ง่ายเพียงอย่างเดียว อย่างไรก็ดี การออกแบบหลักสูตรหรือมาตรการยังควรทดสอบด้วยการทดลองหรือข้อมูลติดตาม และต้องวัดคุณภาพงาน การเรียนรู้ ความเที่ยงตรง ความซื่อสัตย์ทางวิชาการ และความเหลื่อมล้ำ ไม่ใช่ดูแค่ความตั้งใจใช้
บทบาทของนักวิจัยไทย
Natthawan Phoonson, Thada Jantakoon และ Rukthin Laoha จากบริบทวิชาการของมหาวิทยาลัยราชภัฏมหาสารคามพัฒนาและทดสอบแบบจำลองกับนักศึกษาจากมหาวิทยาลัยราชภัฏ 7 แห่ง ทำให้งานสะท้อนระบบอุดมศึกษาภูมิภาคของไทยมากกว่างานที่เก็บเฉพาะมหาวิทยาลัยขนาดใหญ่ในกรุงเทพฯ คุณูปการของไทยคือการเชื่อม UTAUT กับ metacognition และ self-regulation ในบริบทการใช้ GenAI จริงที่ผู้เรียนรายงาน แต่ไม่ควรเหมารวมไปยังนักศึกษาทั้งประเทศโดยยังไม่มีรายละเอียดการสุ่มและองค์ประกอบสาขาวิชาที่เพียงพอ
ข้อจำกัดที่ควรรู้
การวัดทั้งหมดเกิดในเวลาเดียวกันและมาจากผู้ตอบคนเดียว จึงเสี่ยงต่อ common-method variance และไม่กำหนดลำดับเหตุ–ผล แม้แบบจำลองจะวาง mediation ไว้ก็ตาม การใช้ GenAI เป็นข้อมูลรายงานตนเอง ไม่ใช่ log การใช้งานหรือคุณภาพผลงาน ความเชื่อมั่นภายในสูงกว่า .95 ในหลายตัวสร้างบ่งชี้ว่าข้อคำถามบางข้ออาจซ้ำกัน การตรวจ full collinearity ของผู้เขียนยังชี้ความเป็นไปได้ของอคติวิธีร่วม ตัวอย่างจำกัดที่มหาวิทยาลัยราชภัฏ 7 แห่งและไม่มีผลการเรียนหรือการประเมินทักษะ จึงยังสรุปไม่ได้ว่า GenAI หรือ metacognition ทำให้การเรียนดีขึ้น