Preservice Teachers’ Motivation for using Artificial Intelligence and Suggestions for Improving Motivation Preservice Teachers’ Motivation to Use Artificial Intelligence and Suggestions for Development
Article Sidebar
Main Article Content
Abstract
This study aimed to investigate preservice teachers’ motivation to use artificial intelligence, compare the motivation to use artificial intelligence between male and female preservice teachers, and explore their suggestions. Data were collected from 518 participants. The data were analyzed using descriptive statistics, including mean and standard deviation, an independent samples t-test, and content analysis. The research findings were as follows.
- The results indicated that preservice teachers perceived themselves as having a relatively high level of motivation to use artificial intelligence (M = 3.78, S.D. = 0.66). When considering each component, the findings revealed that utility value was the factor with the highest level of motivation (M = 3.93, S.D. = 0.74), followed by attainment value (M = 3.82, S.D. = 0.72), intrinsic value/interest (M = 3.80, S.D. = 0.77), cost (M = 3.72, S.D. = 0.78), and expectancy (M = 3.65, S.D. = 0.73), respectively.
- The comparison of motivation to use artificial intelligence between preservice teachers with different genders revealed that there was no statistically significant difference in motivation between male and female preservice teachers.
- The development of motivation to use artificial intelligence should begin with strengthening self-confidence and expectancy for success through scaffolded learning activities, failure-safe environments, and continuous feedback. At the policy level, it is recommended to establish a supportive learning ecosystem, reduce psychological barriers, and integrate artificial intelligence competencies into program-level learning outcomes in order to promote sustainable AI use and enhance the teaching profession in the long term.
Downloads
Article Details
บทความที่ได้รับการตีพิมพ์ลิขสิทธิ์เป็นของวารสารครุศาสตร์ มหาวิทยาลัยราชภัฏบุรีรัมย์ อนุญาตให้เผยแพร่เพื่อการศึกษาและวิจัย ในวงการวิชาการ ไม่อนุญาตการใช้ประโยชน์เพื่อการแสวงหากำไร
ข้อความที่ปรากฏในบทความเป็นความคิดเห็นส่วนตัวของผู้แต่ง ซึ่งวารสารครุศาสตร์ มหาวิทยาลัยราชภัฏบุรีรัมย์ ได้ประเมินคุณภาพตามหลักวิชาการ ผลกระทบอันเกิดจากความคิดเห็นของผู้แต่งเป็นความรับผิดชอบของผู้แต่งเอง
References
ครรชิต ทรรศนะวิเทศ. (2562). แรงจูงใจในการทำงานกับผลประกอบการ. วารสารรัชต์ภาคย์, 13(28), 124-133.
งานทะเบียนและสถิตินิสิต มหาวิทยาลัยพะเยา. (2568). ข้อมูลจำนวนนิสิตระดับปริญญาตรี วิทยาลัยการศึกษา มหาวิทยาลัยพะเยา [เอกสารข้อมูลภายใน]. ฝ่ายวิชาการ วิทยาลัยการศึกษา มหาวิทยาลัยพะเยา.
พิทยาภรณ์ พุ่มพวง, สุธีรา ดีวิท, สุรินทร์ พิทักษ์สิกุล, ธัญพร ฟุ้งเฟื่อง, และ นันทิกา สุเตนัน. (2025). ปัจจัยการยอมรับเทคโนโลยีปัญญาประดิษฐ์ (AI) ที่มีอิทธิพลต่อความตั้งใจใช้งานของนักศึกษามหาวิทยาลัยราชภัฏเชียงราย. วารสารบัญชีปริทัศน์ มหาวิทยาลัยราชภัฏเชียงราย, 10(2), 163–180.
วิลาวัลย์ โพธิ์ทอง. (2568). การยอมรับและการใช้ปัญญาประดิษฐ์เพิ่มพูน(Generative AI) เพื่อการศึกษาของนิสิตครู: ความแตกต่างทางเพศ. วารสารครุศาสตร์ คณะครุศาสตร์ มหาวิทยาลัยราชภัฏนครสวรรค์, 8(4), 327-339.
อาภา กำวิจิตรรัตนโยธา. (2563). ผลของเป้าหมายการกำกับต่อความมุ่งมั่นในตนเอง: การเปรียบเทียบระหว่างวัยรุ่นและวัยผู้ใหญ่ตอนต้น. (วิทยานิพนธ์ปริญญามหาบัณฑิต สาขาวิชาจิตวิทยา). กรุงเทพมหานคร: จุฬาลงกรณ์มหาวิทยาลัย.
Best, J. W. (1981). Research in education (4th ed.). Prentice-Hall.
Bozer Özsaraç, E. N., & Ergin, E. (2025). What drives teachers’ use of AI in preschool education? A motivational perspective based on Expectancy-Value Theory. International Journal of Current Education Studies, 4(2), 1-29. https://doi.org/10.46328/ijces.191
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2023). Teacher support and student motivation to learn with artificial intelligence (AI) based chatbot. Interactive Learning Environments, 32(7), 3240–3256.
Cronbach, L. J. (1990). Essentials of psychological testing (5th ed.). New York: Harper Collins.
Diao, Y., Li, Z., Zhou, J., Gao, W., & Gong, X. (2024). A meta-analysis of college students’ intention to use generative artificial intelligence. arXiv:2409.06712, 1-15. https://doi.org/10.48550/arXiv.2409.06712
Draxler, F., Buschek, D., Tavast, M., Hämäläinen, P., Schmidt, A., Kulshrestha, J., & Welsch, R. (2023). Gender, age, and technology education influence the adoption and appropriation of LLMs. arXiv:2310.06556, 1-15. https://arxiv.org/abs/2310.06556
Eccles, J. S., & Wigfield, A. (2002). Motivational beliefs, values, and goals. Annual Review of Psychology, 53, 109–132.
Habibi, A., Muhaimin, M., Danibao, B. K., Wibowo, Y. G., Wahyuni, S., & Octavia, A. (2023). ChatGPT in higher education learning: Acceptance and use. Computers and Education: Artificial Intelligence, 5, 100190. https://doi.org/10.1016/j.caeai.2023.100190
Jo, H. (2022). Continuance intention to use artificial intelligence personal assistant: Type, gender, and use experience. Heliyon, 8(9), e10662. 1-13. https://doi.org/10.1016/j.heliyon.2022.e10662
Kabalisa, R., & Altmann, J. (2021). AI Technologies and Motives for AI Adoption by Countries and Firms: A Systematic Literature Review. In K. Tserpes et al. (Eds.), Economics of grids, clouds, systems, and services (pp. 41-55). Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-030-92916-9_4
Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607–610.
Lii, Y., Harris, M., Lawanna, T., & Dawod, A. Y. (2025). Key factors influencing preservice Chinese teachers’ willingness for implementing AI applications in higher education. IEEE Access, 13, 90572-90590.
Lin, P. Y., Chai, C. S., Jong, M. S. Y., Dai, Y., Guo, Y., & Qin, J. (2021). Modeling the structural relationship among primary students’ motivation to learn artificial intelligence. Computers and Education: Artificial Intelligence, 2, 100006. https://doi.org/10.1016/j.caeai.2020.100006
Pei-Yi Lin, Ching-Sing Chai, Morris Siu-Yung Jong, Yun Dai, Yanmei Guo, and Jianjun Qin. (2021). Modeling the structural relationship among primary students’ motivation to learn artificial intelligence. Computers and Education: Artificial Intelligence, Volume 2. https://doi.org/10.1016/j.caeai.2020.100006.
Ryan, R. M., & Deci, E. L. (2000). Intrinsic and extrinsic motivations: Classic definitions and new directions. Contemporary Educational Psychology, 25(1), 54-67. https://doi.org/10.1006/ceps.1999.1020
Sahar, F., & Hassan, Z. (2025). Big five personality traits and university students’ motivation to use AI applications: Evidence from Pakistan. International Journal of Academic Research for Humanities, 5(4), 77–90.
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting research instruments in science education. Research in Science Education, 48(6), 1273-1296.
Uerpairojkit, T. (2025). The invisible costs of education reform: Understanding teacher deprofessionalisation in Thailand. British Educational Research Journal, 00, 1–24. https://doi.org/10.1002/berj.70033
UNESCO. (2024). AI competency framework for teachers. https://doi.org/10.54675/ZJTE2084
Wang, F., King, R. B., Chai, C. S., & Zhou, Y. (2023). University students’ intentions to learn artificial intelligence: The roles of supportive environments and expectancy-value beliefs. International Journal of Educational Technology in Higher Education, 20, Article 51. https://doi.org/10.1186/s41239-023-00417-2
Yurt, E., & Kasarci, I. (2024). A questionnaire of artificial intelligence use motives: A contribution to investigating the connection between AI and motivation. International Journal of Technology in Education, 7(2), 308-325. https://doi.org/10.46328/ijte.725
Yurt, E., & Kaşarcı, İ. (2025). Exploring prospective teachers’ intentions for artificial intelligence integration in education: The role of motivation. AERA Open, 11. https://doi.org/10.1177/233285842514039
Zhang, C., Schießl, J., Plößl, L., Hofmannet, F., & Gläser-Zikuda, M. (2023). Acceptance of artificial intelligence among pre-service teachers: A multigroup analysis. International Journal of Educational Technology in Higher Education, 20, Article 49. https://doi.org/10.1186/s41239-023-00420-7
