Utafiti huu unachunguza tatizo la majibu fasaha na yenye kujiamini kutoka kwa akili bandia zalishi kukubaliwa na mtumiaji kama maarifa kabla ya uaminifu wake kuthibitishwa. Maarifa ya kujiamini-kidanganyifu (pseudoconfident knowledge) ni maudhui ya AI yanayopata hadhi ya maarifa mapema katika akili ya mtumiaji kwa sababu ya kuwasilishwa kwa namna thabiti, kamili na yenye kushawishi, ingawa uaminifu wake halisi, msingi wa vyanzo au usahihi wa ukweli bado haujawekwa; hapa “maarifa” hayatumiwi kwa maana ya maarifa yaliyothibitishwa katika epistemolojia ya jadi. Watafiti walijaribu mfumo huu wa kidhana kwa hojaji 216 zilizokusanywa mtandaoni kutoka kwa watu wenye umri wa miaka 18 na zaidi nchini Kazakhstan. Takwimu elekezi, majedwali mtambuka, jaribio la Pearson chi-square na Cramér's V vilitumika. Matokeo makuu ni kwamba usahihi wa kiepistemiki haukuwa na uhusiano wenye maana na mara kwa mara ya matumizi ya AI; badala yake, ulihusiana kwa maana na kwa kiwango cha kati na mikakati ya kuchakata majibu kama kulinganisha, kuhariri au kuthibitisha. Kwa kuwa utafiti ni wa msalaba wa wakati mmoja na umetumia sampuli isiyo ya uwezekano, uhusiano huu hauwezi kufasiriwa kama sababu na hauwezi kujumlishwa moja kwa moja kwa watumiaji wote wa AI.

“Kitendawili” kilicho katikati ya utafiti si kitendawili cha mantiki rasmi. Mkanganyiko wa kijamii-kiepistemiki ni kwamba uwezo wa mtumiaji kupata majibu kutoka AI na tabia ya kuitumia unaweza kukua haraka, ilhali uwezo wa kutathmini hadhi ya kiepistemiki ya majibu hayo si lazima ukue kwa kasi hiyo hiyo. Mtu anaweza kutumia AI kila siku, kuandika prompt nzuri na kupata maandishi yenye manufaa; lakini ikiwa hawezi kutenganisha kujiamini kwa balagha ya jibu na uhalalishaji wa kweli pamoja na uwezekano wa kuthibitishwa, anaweza kubaki katika hatari ya maarifa ya kujiamini-kidanganyifu.

Maarifa ya kujiamini-kidanganyifu ni nini?

Maarifa ya kujiamini-kidanganyifu ni hali ambapo maudhui yanayotolewa na akili bandia zalishi kwa uwazi, uthabiti, mpangilio wa kimantiki na kujiamini hukubaliwa na mtumiaji kama maarifa ya kuaminika kabla usahihi wake halisi au msingi wake wa vyanzo haujajaribiwa vya kutosha. Dhana hii haielezi tu majibu ya AI yaliyo makosa au yenye hallusination; hata kama jibu ni sahihi, ikiwa mtumiaji analipa hadhi ya maarifa kwa sababu tu ya namna lilivyowasilishwa kabla uaminifu wake haujawekwa, utaratibu huo huo wa kiepistemiki unaweza kutokea.

Taarifa potofu na maarifa ya kujiamini-kidanganyifu si kitu kimoja

Tofauti muhimu ya kidhana ya utafiti inaonekana hapa. Jibu la AI kuwa si sahihi ni kosa la modeli katika kiwango cha maudhui. Tatizo la kujiamini-kidanganyifu, kwa upande mwingine, linahusu hadhi ya kiepistemiki ambayo mtumiaji analipa jibu hilo. Jibu lisilo sahihi linaweza kukubaliwa kwa namna ya kujiamini-kidanganyifu; lakini jibu sahihi pia linaweza kupokelewa kama maarifa ya hakika kwa sababu tu ya usimulizi wake fasaha bila kuchunguza msingi wake.

Kwa hiyo, mada ya utafiti si swali la “je, AI inafanya hallusination?” pekee. Lengo la waandishi ni uhusiano kati ya matokeo yenye uwezekano au ambayo hayajathibitishwa vya kutosha kuwasilishwa katika umbo la dai lililokamilika na la uhakika kisarufi, na imani ambayo mtumiaji anatoa kwa umbo hilo.

Ngazi nne tofauti za kiepistemiki

Pengo la kiepistemiki katika matumizi ya kila siku ya AI ni nini?

Pengo la kiepistemiki ni kutolingana kwa kimuundo kati ya kuenea kwa haraka kwa akili bandia zalishi katika shughuli za kila siku kama kutafuta, kuandika, kujifunza na kueleza, na kutokua kwa kasi hiyo hiyo kwa uwezo wa watumiaji kutathmini kwa kina kiwango cha uaminifu na uhalalishaji wa majibu ya AI. Mtumiaji anaweza kuwa stadi kiutendaji, lakini akapata ugumu kutenganisha ushawishi na maarifa yaliyothibitishwa.

Kwa nini umahiri wa kiutendaji wa AI na ukomavu wa kiepistemiki vinatengana?

AI zalishi huunda mazingira ya taarifa tofauti na utafutaji wa kawaida wa intaneti. Katika injini ya utafutaji, mtumiaji mara nyingi hukutana na vyanzo kadhaa, huvichagua na kuunganisha vipande katika akili yake. AI zalishi, kwa upande mwingine, mara nyingi humpa mtumiaji jibu moja ambalo tayari limepangwa, lina maelezo, ni laini kisarufi na limekamilika. Urahisi huu unapopunguza gharama ya kiakili, unaweza kuleta athari ya pembeni: ukamilifu wa kimuundo wa jibu unaweza kuchanganywa na uaminifu wake wa kiepistemiki.

Kwa hiyo, “kujua kutumia AI” na “kujua ni kwa kiasi gani jibu la AI linaweza kuaminiwa” si umahiri mmoja. Utafiti unachukulia ujuzi wa AI si tu kama uwezo wa kuandika prompt, kutumia zana au kupata matokeo, bali pia kama uwezo wa kutambua mipaka ya modeli, kutenganisha madai, kurekebisha kiwango cha imani na kufanya uthibitishaji huru inapohitajika.

Uangalifu wa kiepistemiki na imani iliyosawazishwa

Uangalifu wa kiepistemiki (epistemic vigilance) ni uwezo wa kurekebisha kiwango cha imani kwa kutathmini chanzo, muktadha, uaminifu na hatari ya kosa katika taarifa iliyopokelewa kutoka nje. Utafiti unapoitumia dhana hii katika matumizi ya AI unakataa misimamo miwili iliyokithiri: kuamini majibu yote ya AI bila masharti na kujaribu kuthibitisha kila jibu la AI kwa kujitegemea kutoka mwanzo.

Njia inayopendekezwa na waandishi ni imani iliyosawazishwa. Kadiri gharama ya kosa, aina ya dai na hatari ya muktadha wa matumizi zinavyoongezeka, ndivyo kiwango cha uthibitishaji kinavyopaswa kuongezeka. Katika kazi rahisi ya kuzalisha mawazo, ukaguzi mdogo unaweza kutosha, ilhali chanzo cha kisayansi, hukumu ya kisheria, thamani ya namba au dai la kikanuni lenye uwezekano wa kuleta madhara makubwa linaweza kuhitaji uthibitishaji mkali zaidi.

Kwa nini jibu la AI linachukuliwa kama “ushuhuda-nusu”?

Utafiti unatafsiri majibu ya AI kama quasitestimony, yaani aina ya mawasiliano inayofanana kiutendaji na ushuhuda lakini isiyo na hadhi sawa ya kiepistemiki na ushuhuda wa binadamu. Binadamu anaposema jambo kwa uhakika, kwa kawaida hubeba wajibu fulani kuhusu msingi na usahihi wa dai lake. AI zalishi inaweza kuzungumza kwa umbo la kauli ya uhakika, lakini haina uzoefu binafsi, wajibu wa kimaadili au kujifunga kwa ndani katika ukweli wa kile inachosema.

Kwa hiyo, umbo la lugha na hadhi ya kiepistemiki vinaweza kutengana. Ingawa jibu la AI linaweza kuwa na muundo wa kisarufi wa dai la uhakika, kiepistemiki linaweza kuwa tu uwezekano, uundaji upya, nadharia tete au tafsiri ya awali. Hatari ya kujiamini-kidanganyifu huongezeka hali ya kiepistemiki iliyo na masharti au isiyo na uhakika inapogeuzwa kuwa taarifa ya uhakika.

Kujiamini-kidanganyifu kunaweza kuonekana kwa namna gani?

Utatuzi wa pembe tatu unaotegemea prompt

Katika sehemu ya mjadala, utafiti unapendekeza mkakati unaoitwa utatuzi wa pembe tatu unaotegemea prompt (prompt-based triangulation). Mtumiaji anaweza kuuliza swali lile lile kwa namna tofauti, kuomba maelezo mbadala, kuhoji misingi ya madai, kuomba kutajwa kwa maeneo ya kutokuwa na uhakika na kuuliza ni sehemu zipi zinahitaji uthibitishaji wa nje. Ikiwa aina tofauti za prompt huzalisha majibu yanayotofautiana wazi, hilo linaweza kuwa ishara kwamba jibu linapaswa kutathminiwa si kama maarifa yaliyokamilika, bali kama eneo la kutokuwa na uhakika linalohitaji ukaguzi zaidi.

Hata hivyo, kuna kikomo muhimu: katika hojaji ya utafiti, mikakati ya prompt haikupimwa kama kigezo huru. Kwa hiyo, utatuzi wa pembe tatu unaotegemea prompt si kipengele cha mafanikio kilichothibitishwa kwa majaribio katika utafiti huu, bali ni pendekezo la kidhana na la vitendo lililotengenezwa kutokana na matokeo.

Kutoka kosa la mtu mmoja hadi mrejesho wa kiepistemiki wa mfumo

Waandishi wanajadili kwamba maudhui ya kujiamini-kidanganyifu yanaweza kutobaki tu katika kiwango cha mtumiaji mmoja. Maandishi ya AI yasiyothibitishwa yanapoingizwa katika kazi, ripoti, blogu, maudhui ya mitandao ya kijamii au mazingira mengine ya taarifa, yanaweza kuwekewa faharasa upya, kunukuliwa na kutumiwa tena. Hivyo, mzunguko wa maudhui yenye uhalalishaji dhaifu katika mazingira ya pamoja ya taarifa unaweza kuongeza hatari ya mrejesho wa kiepistemiki kwa muda mrefu.

Utafiti unaweka tahadhari maalum kutotoa dai lililozidi hapa: haisemwi kwamba kila jibu la AI lenye kosa litaingia katika data za mafunzo ya baadaye au litasababisha moja kwa moja kuanguka kwa modeli. Dai lililo finyu zaidi ni kwamba mzunguko mkubwa wa maudhui ya mashine yasiyothibitishwa unaweza kuunda hatari inayojilimbikiza kwa ubora wa mazingira ya pamoja ya maarifa.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti una muundo wa hojaji ya mtandaoni ya wakati mmoja, ya msalaba na ya kujazwa na mshiriki mwenyewe. Jumla ya hojaji 216 zilikusanywa kupitia Google Forms. Washiriki walikuwa watu wenye umri wa miaka 18 na zaidi wanaoishi katika Jamhuri ya Kazakhstan. Sampuli ilikuwa ya hiari na isiyo ya uwezekano; kwa hiyo utafiti haulengi kutoa makadirio yanayowakilisha kwa takwimu idadi ya watu kwa ujumla.

Lengo la kimajaribio la utafiti si kuthibitisha nadharia yote ya “maarifa ya kujiamini-kidanganyifu” kwa jaribio moja la takwimu. Lengo jembamba zaidi ni kupima kama kiwango cha matumizi ya AI katika maisha ya kila siku na mwelekeo wa kutathmini majibu ya AI kiepistemiki vinaweza kutenganishwa.

Vigezo vitano vya msingi

\(U_i\), \(F_i\) na \(G_i\) kwa kiasi kikubwa zinaonyesha kiwango ambacho AI imeingia kiutendaji katika maisha ya kila siku, huku \(S_i\) na \(E_i\) vikihusiana kwa karibu zaidi na mwelekeo wa kukosoa kiepistemiki. Swali la udhibiti lilitumiwa kupima kwa kiwango cha chini kama mshiriki anatambua kwamba maelezo ya kina na yenye kujiamini peke yake hayatoi usahihi na uaminifu.

Mgawanyo wa asilimia

Asilimia ya kategoria ndani ya sampuli ilihesabiwa katika chanzo kwa Mlinganyo (1):

\[ p_j=\frac{n_j}{N}\times100 \]

Hapa \(n_j\) ni idadi ya uchunguzi katika kategoria \(j\); \(N\) ni jumla ya idadi ya uchunguzi halali katika uchambuzi husika. Kwa kuwa kulikuwa na majibu yaliyokosekana katika utafiti, thamani halali ya \(N\) si 216 kwa vigezo vyote.

Mgawanyo wenye masharti

Watafiti walichunguza jinsi jibu sahihi kiepistemiki linavyobadilika kulingana na mara kwa mara ya matumizi, mkakati wa kuchakata jibu na lengo la matumizi kwa kutumia migawanyo yenye masharti ifuatayo:

\[ P(E=1\mid F=f),\qquad P(E=1\mid S=s),\qquad P(E=1\mid G=g) \]

Muundo huu unawezesha kuchunguza jinsi viwango vya usahihi wa kiepistemiki vinavyosambazwa kati ya kategoria badala ya kulinganisha thamani za wastani.

Jaribio la Pearson chi-square

Jaribio la Pearson chi-square lilitumika kupima kama kuna uhusiano wa kitakwimu kati ya vigezo vya kategoria:

\[ \chi^2=\sum_{r=1}^{R}\sum_{c=1}^{C}\frac{(O_{rc}-E_{rc})^2}{E_{rc}} \]

\(O_{rc}\) ni marudio yaliyoonekana katika seli husika ya jedwali mtambuka; \(E_{rc}\) ni marudio yanayotarajiwa chini ya dhana kwamba vigezo viwili vinajitegemea. Jaribio la chi-square hutoa ushahidi wa kuwepo kwa uhusiano lakini halionyeshi ukubwa wake peke yake.

Cramér's V

Kwa kutathmini ukubwa wa uhusiano, chanzo kilitumia mgawo wa Cramér's V:

\[ V=\sqrt{\frac{\chi^2}{N\times \min(R-1,C-1)}} \]

Hapa \(N\) ni idadi ya uchunguzi halali katika uchambuzi, na \(R\) na \(C\) zinawakilisha idadi ya kategoria za safu na nguzo katika jedwali mtambuka. Katika ulinganisho mkuu wa utafiti, uhusiano kati ya mkakati wa kuchakata jibu na usahihi wa kiepistemiki uliripotiwa kuwa \(V=0.305\) na kutathminiwa na waandishi kuwa wa ukubwa wa kati.

Kutokuwa sawa kuu kwa kimajaribio

Muundo mzima wa kidhana-kimajaribio wa makala umefupishwa kwa Mlinganyo (5):

\[ O_i \uparrow \nRightarrow C_i \uparrow \]

\(O_i\) inawakilisha ushiriki wa kiutendaji katika matumizi ya kila siku ya AI; \(C_i\) inawakilisha mwelekeo wa kukosoa kiepistemiki. Alama \(\nRightarrow\) katika mlinganyo inaonyesha kwamba kutumia AI kwa kiwango kikubwa zaidi au mara nyingi zaidi haimaanishi lazima mwelekeo wa kukosoa kiepistemiki utaongezeka. Usemi huu si sheria ya hisabati ya lazima, bali ni uwakilishi unaofupisha uhusiano wa uchanganuzi ambao utafiti ulijaribu na matokeo yake yaliunga mkono.

Migawanyo kuu ya maelezo

Dokezo la uthabiti ndani ya chanzo: Baadhi ya asilimia katika aya za maelezo za makala zina tofauti ndogo na Jedwali 1. Thamani zilizo hapo juu zimechukuliwa kutoka Jedwali 1 la chanzo lililowasilishwa pamoja na idadi za kategoria na taarifa ya N halali; asilimia tofauti za maandishi hazikuunganishwa kimya kimya na chanzo.

Je, kutumia AI mara nyingi zaidi huongeza usahihi wa kiepistemiki?

Katika sampuli ya utafiti huu, hakukuwa na uhusiano wenye maana kitakwimu kati ya mara kwa mara ya matumizi ya AI na usahihi katika swali la udhibiti wa kiepistemiki: \(\chi^2(4)=5.881\), \(p=0.208\), \(V=0.171\). Kwa hiyo, hitimisho kwamba kutumia AI mara nyingi zaidi peke yake kunamaanisha ukomavu mkubwa wa kiepistemiki au tabia imara zaidi ya uthibitishaji haliungwi mkono na data hizi.

Ingawa kiwango katika kundi linalotumia AI mara 3–5 kwa wiki kinaonekana kuwa juu kuliko makundi mengine, jaribio la kitakwimu linalolinganisha makundi yote halina maana. Kwa hiyo si sahihi kubadilisha tofauti za asilimia moja moja kuwa hitimisho la kisababishi au la kujumlisha kwamba “mara kwa mara ya matumizi huongeza usahihi wa kiepistemiki”.

Kwa nini mkakati wa kuchakata jibu la AI unaonekana kuwa muhimu zaidi?

Mikakati ya kulinganisha jibu la AI na vyanzo vingine, kulihariri kabla ya kulitumia au kulijaribu kwa vitendo imehusishwa na viwango vya juu vya usahihi wa kiepistemiki, ilhali kutumia jibu kama lilivyo imehusishwa na kiwango cha chini cha usahihi. Uhusiano kati ya mkakati na usahihi wa kiepistemiki una maana kitakwimu na uliripotiwa katika utafiti kuwa wa ukubwa wa kati: \(\chi^2(4)=18.939\), \(p=0.0008\), \(V=0.305\).

Mstari wa mwisho pia unaonyesha tofauti muhimu: kutoiamini AI kwa ujumla hakumaanishi moja kwa moja msimamo thabiti wa kiepistemiki. Njia inayotetewa na utafiti si imani isiyo na masharti wala kutokuwa na imani isiyo na masharti, bali imani iliyosawazishwa kulingana na hatari na muktadha wa dai.

Dokezo la uthabiti ndani ya chanzo: Katika Jedwali 2 la chanzo, %68,2 na %65,5 zimetolewa kwa makundi ya kulinganisha na kuhariri mtawalia, ilhali simulizi inayofuata mara moja inataja %67,8 na %64,9. Jedwali lililo hapo juu linahifadhi thamani za jedwali la chanzo zinazolingana na thamani za n zilizoripotiwa; tofauti hii haijarekebishwa na Verianla kwa kutengeneza data mpya.

Lengo la matumizi na usahihi wa kiepistemiki

Licha ya tofauti zinazoonekana kati ya makundi, uhusiano kati ya lengo la matumizi na usahihi wa kiepistemiki haukufikia kizingiti cha kawaida cha umuhimu wa kitakwimu: \(\chi^2(5)=9.311\), \(p=0.097\), \(V=0.214\). Kwa hiyo, kwa mfano, haiwezi kuhitimishwa kwamba kutumia AI kwa kazi huongeza usahihi wa kiepistemiki.

Ujumbe wa kisayansi wa Kielelezo 1 cha chanzo

Ujumbe mkuu wa Kielelezo 1 cha chanzo ni kwamba kuingia kwa nguvu kwa AI katika maisha ya kila siku hakuzalishi moja kwa moja mwelekeo wa kukosoa kiepistemiki. Tofauti ya kimajaribio haitokei kati ya “wanaotumia AI na wasioutumia”, bali kati ya watumiaji wanaochakata jibu la AI chini ya mifumo tofauti ya imani na uthibitishaji.

Hitimisho linaloungwa mkono na utafiti

• Katika sampuli iliyochunguzwa, AI zalishi imeingia kwa kiwango kikubwa katika kazi za kila siku za taarifa na maandishi.
• Hakukuwa na uhusiano wenye maana kati ya mara kwa mara ya matumizi ya AI na usahihi katika swali la udhibiti wa kiepistemiki.
• Uhusiano wenye maana kitakwimu na wa ukubwa wa kati uliripotiwa kati ya mkakati wa kuchakata jibu la AI na usahihi wa kiepistemiki.
• Katika makundi yanayolinganisha, kuhariri na kufanya uthibitishaji wa vitendo, kiwango cha majibu sahihi kiepistemiki ni cha juu kuliko katika kundi linalotumia jibu kama lilivyo.
• Uwezo wa kiutendaji wa kutumia AI na ukomavu wa kiepistemiki si dhana moja.
• Inatetewa kwamba ujuzi wa AI unapaswa kujumuisha uthibitishaji, shaka ya kimetodolojia, tathmini ya vyanzo na imani iliyosawazishwa.

Hitimisho lisiloungwa mkono na utafiti

• Haithibitishi kwamba kuthibitisha majibu ya AI husababisha moja kwa moja ukomavu wa kiepistemiki.
• Haionyeshi kwamba kutumia AI mara nyingi zaidi huongeza fikra makini.
• Haionyeshi kwamba sampuli ya hiari ya watu 216 inawakilisha idadi yote ya watu wa Kazakhstan au watumiaji wote wa AI duniani.
• Haionyeshi kwamba swali moja la udhibiti wa kiepistemiki hupima kikamilifu ukomavu wote wa kiepistemiki.
• Haijaribu kwa njia ya kimajaribio kama utatuzi wa pembe tatu unaotegemea prompt huongeza usahihi wa kiepistemiki.
• Haionyeshi kwamba tofauti za asilimia kati ya makundi ya lengo la matumizi zina maana kitakwimu.
• Haidai kwamba kila jibu la AI lenye kushawishi ni kosa au kwamba kila jibu la AI ni la kujiamini-kidanganyifu.
• Haionyeshi kwamba kila jibu la AI lisilothibitishwa litachafua data za mafunzo ya modeli za baadaye.

Vikwazo vya utafiti

Sampuli ni ya hiari na isiyo ya uwezekano. Kwa hiyo, matokeo hayawezi kufasiriwa kama vigezo vya idadi ya watumiaji wote wa AI. Kwa kuwa utafiti ni wa msalaba, haiwezekani kutenganisha ikiwa mkakati wa kuchakata jibu huongeza ustahimilivu wa kiepistemiki au ikiwa watumiaji ambao tayari ni wakosoaji zaidi huchagua mikakati ya uthibitishaji mara nyingi zaidi.

Swali la udhibiti wa kiepistemiki ni kiashiria cha kiwango cha chini kilichotumiwa kupima tofauti kati ya uwasilishaji wenye kushawishi na ukubali wenye msingi; halipimi vipengele vyote vya ukomavu wa kiepistemiki. Waandishi wanapendekeza kwa utafiti wa baadaye uchambuzi wa mazungumzo halisi ya AI, kazi ngumu zaidi za majaribio, upimaji wa mikakati ya prompt na vipimo tofauti vya uaminifu wa vyanzo, uthibitishaji wa madai, unyeti wa lugha na imani iliyosawazishwa.

Kwa kuwa utatuzi wa pembe tatu unaotegemea prompt haukupimwa kama kigezo tofauti ndani ya hojaji, haupaswi kukubaliwa kama kitabiri huru cha kimajaribio kwa msingi wa utafiti huu.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: The Pseudo-Confidence Paradox: The Epistemic Gap in Everyday AI Use.

Waandishi: Lyazzat Tulbayevna Kurmanbayeva; Anar Saduakasovna Tanabayeva; Akmaral Ivanovna Doszhanova; Aidyn Aidaruly Olzhashov; Denis Bakarassov; Adilbek Knarovich Bisenbaev.

Mwandishi anayewajibika: Anar Saduakasovna Tanabayeva.

Taasisi: Mukhametzhan Tynyshbayev ALT University; International Information Technology University; Al-Farabi Kazakh National University; International University of Engineering and Technology; Institute of Philosophy, Political Science and Religion Studies, Ministry of Science and Higher Education of the Republic of Kazakhstan; Tengrion LLP.

Jarida: Philosophies.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Philosophies 2026, 11(3), 97.

DOI: 10.3390/philosophies11030097.

Tarehe ya kuchapishwa: 16 Juni 2026. Makala ilipokelewa 10 Aprili 2026, ikarekebishwa 25 Mei 2026 na kukubaliwa tarehe hiyo hiyo.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wenzao. Utafiti wa kidhana-kimajaribio unaounganisha mfumo wa kinadharia wa epistemolojia ya kijamii na hojaji ya mtandaoni ya wakati mmoja ya msalaba.

Sampuli: Jumla ya hojaji 216 zilikusanywa. Utafiti ulifanywa na washiriki wenye umri wa miaka 18 na zaidi wanaoishi katika Jamhuri ya Kazakhstan. Sampuli ilikuwa ya hiari na isiyo ya uwezekano. Kwa sababu ya majibu yaliyokosekana, thamani halali za N katika uchambuzi hubadilika.

Ukusanyaji wa data: Hojaji ya mtandaoni ya kujazwa na mshiriki mwenyewe, Google Forms.

Uchambuzi: Baada ya usafishaji wa data na usimbaji wa kategoria, migawanyo elekezi ya marudio na asilimia, majedwali mtambuka, jaribio la Pearson chi-square na Cramér's V vilitumika. Chanzo kinaeleza katika sehemu ya shukrani kwamba data zilichakatwa kwa mikono kwa kutumia IBM SPSS Statistics 27 na kwamba LLM haikutumika katika utafiti.

Matokeo makuu ya kimajaribio: Uhusiano wenye maana ulipatikana kati ya mkakati wa kuchakata jibu na usahihi wa kiepistemiki: \(\chi^2(4)=18.939,\ p=0.0008,\ V=0.305\). Hakukuwa na uhusiano wenye maana kati ya mara kwa mara ya matumizi ya AI na usahihi wa kiepistemiki: \(\chi^2(4)=5.881,\ p=0.208,\ V=0.171\). Ulinganisho kati ya lengo la matumizi na usahihi wa kiepistemiki pia haukufikia kizingiti cha kawaida cha umuhimu: \(\chi^2(5)=9.311,\ p=0.097,\ V=0.214\).

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Ridhaa iliyoarifiwa: Chanzo kinaeleza kwamba ushiriki katika hojaji ulikuwa wa hiari na bila kutambulisha majina; washiriki waliarifiwa kuhusu lengo la utafiti, faragha na haki ya kujiondoa wakati wowote, na ridhaa ilipatikana kwa kujaza hojaji kwa hiari.

Upatikanaji wa data: Imeelezwa kwamba data zilizojumlishwa zinazounga mkono matokeo zimewasilishwa ndani ya makala, hakuna data zinazoweza kumtambulisha mtu zilizokusanywa na ni matokeo ya jumla pekee yaliyoripotiwa.

Migongano ya maslahi: Waandishi wametangaza kutokuwa na mgongano wa maslahi. Imeelezwa pia kwamba Adilbek Knarovich Bisenbaev anafanya kazi katika Tengrion LLP, na kampuni haikuwa na nafasi katika muundo wa utafiti, ukusanyaji wa data, uchambuzi, tafsiri, uandishi au uamuzi wa kuchapisha.

Michango ya waandishi: Uundaji wa dhana A.K.B., A.S.T., L.T.K. na A.I.D.; uchambuzi rasmi A.S.T. na A.K.B.; rasimu ya awali A.K.B., A.S.T. na L.T.K.; mbinu D.B. na A.K.B.; uthibitishaji na uoneshaji D.B. na A.K.B.; utafiti A.S.T., L.T.K., A.I.D. na A.K.B.; rasilimali A.S.T. na A.K.B.; usimamizi wa data A.K.B.; mapitio/uhariri A.S.T., L.T.K., A.I.D., A.A.O. na A.K.B.; usimamizi L.T.K.; usimamizi wa mradi A.S.T.; upatikanaji wa ufadhili A.S.T. na A.K.B. ziliripotiwa.

Kutolingana kwa taarifa ya maadili ndani ya chanzo: Sehemu ya Institutional Review Board Statement katika PDF inaeleza utafiti kama “wa kidhana kabisa”, “usio na kipengele cha kimajaribio” na “usiohusisha washiriki binadamu”. Kauli hii hailingani wazi na hojaji ya washiriki 216 iliyoripotiwa katika sehemu ya mbinu ya makala hiyo hiyo na taarifa ya ridhaa iliyoarifiwa inayofuata mara moja. Verianla haisahihishi kimya kimya mgongano huu wala kutoa hukumu ya nje ya chanzo kuhusu kauli ipi ni sahihi kiuhariri.

Kutolingana kwa namba ndani ya chanzo: Kuna tofauti ndogo kati ya baadhi ya asilimia katika simulizi na asilimia katika Majedwali 1–3. Katika majedwali ya kulinganisha, Verianla imehifadhi asilimia zilizochapishwa kwenye majedwali pamoja na thamani husika za n na N halali; thamani tofauti katika maandishi zimetathminiwa kama tofauti za ndani ya chanzo.

Kikomo kikuu cha kimetodolojia: Muundo wa msalaba hauonyeshi sababu; sampuli ya hiari na isiyowakilisha haiwezi kujumlishwa kwa idadi yote ya watu; swali moja la udhibiti halipimi ukomavu wote wa kiepistemiki; utatuzi wa pembe tatu unaotegemea prompt haukujaribiwa kwa njia ya kimajaribio katika utafiti huu.

Kikomo cha matumizi ya kisayansi: Maandishi haya ya Verianla yanaeleza dhana, mbinu, matokeo ya namba na vikwazo vya utafiti asilia katika muundo wa kufundisha. Kwa marejeo ya kitaaluma, uundaji wa swali asilia, mjadala wa kina wa kinadharia na orodha ya marejeo, rekodi asilia ya DOI inapaswa kutumiwa.