eaerg5
dimitris avlonitis
2026-03-30
Dataset: 🤖 Students’ Perceptions of AI in Education
Exploring the Attitudes and Perspectives of Cybernetics Students on AI
by Gianina-Maria Petrașcu · Updated 3 years ago
Πληροφορίες για το επιλεγμένο dataset:
Το επιλεγμένο dataset περιέχει τα αποτελέσματα μίας έρευνας με σύνολο 16 ερωτήσεις, οι οποία διεξήχθη σε προπτυχιακούς φοιτητές 2ου & 3ου έτους, στη Σχολή Κυβερνητικής, Στατιστικής και Οικονομικής Πληροφορικής. Το dataset παρουσιάζει τις αντιλήψεις των φοιτητών σχετικά με το ρόλο της τεχνητής νοημοσύνης στην εκπαίδευση.
Η επιχειρηματική αναλυτική χρησιμοποιείται για να συνδυάσει και να οπτικοποιήσει δεδομένα, προερχόμενα από διάφορες πηγές, με σκοπό την απάντηση σε ερωτήματα και την επίλυση προβλημάτων. Καθώς βρισκόμαστε σε μία “τεχνολογικά εξελισσόμενη” περίοδο, η τεχνητή νοημοσύνη επηρεάζει ποια τους ανθρώπους σε πολλές φάσεις της ζωής τους. Μία από αυτές είναι και η εκπαίδευση και μέσω της χρήσης της επιχειρηματικής αναλυτικής μπορούμε επιτέλους να διακρίνουμε τα αποτελέσματα που αναζητούμε.
Κάποια από τα εωτήματα που μπορούν να απαντηθούν με την επιλογή αυτού του dataset και σύμφωνα με τις γνώσεις, την κατεύθυνση αλλά και τα χαρακτηριστικά των φοιτητών που πήραν μέρος στην αξιολόγηση, είναι:
α) Αν υπάρχουν ενδείξεις ανησυχίας από τους φοιτητές για την μελλοντική αντικατάστασή τους σε θέσεις εργασίας από την τεχνητή νοημοσύνη.
β) Την γενικότερη άποψη που επικρατεί στα περιβάλλοντα εκπαίδευσης για την τεχνητή νοημοσύνη, τουλάχιστον από την πλευρά των φοιτητών.
γ)Αν η τεχνητή νοημοσύνη επηρεάζει θετικά ή αρνητικά την γενικότερη γνώση των φοιτητών, με βάση τους μέσους όρους των βαθμών τους αλλά και την προσωπική άποψή τους
και άλλα ερωτήματα που μπορεί να παρουσιαστούν.
Οι μεταβλητές από τις οποίες αποτελείται το dataset, είναι στην ουσία οι ερωτήσεις από τις οποίες αποτελείται αυτή η αξιόλογηση και οι οποίες παροισιάστηκαν και στους φοιτητές.
Αναλυτικότερα είναι:
Μεταβλητή Τύπος Εύρος Τιμών Μονάδες Μέτρησης Q1.AI_knowledge Αριθμητική (Likert) 1–10 Επίπεδο γνώσης AI (1=χαμηλό, 10=υψηλό) Q2.#1.Internet Δυαδική 0-1 Πηγή ενημέρωσης (1=Ναι, 0=Όχι) Q2#2.Books/Papers Δυαδική 0-1 Πηγή ενημέρωσης (1=Ναι, 0=Όχι) Q2#3.Social_media Δυαδική 0-1 Πηγή ενημέρωσης (1=Ναι, 0=Όχι) Q2#4.Discussions Δυαδική 0-1 Πηγή ενημέρωσης (1=Ναι, 0=Όχι) Q2#5.NotInformed Δυαδική 0-1 Πηγή ενημέρωσης (1=Ναι, 0=Όχι) Q3#1.Loss_of_control Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q3#2.Job_replacement Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q3#3.Privacy Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q3#4.AI_rulling_society Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q4#1.AI_costly Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q4#2.Economic_crisis Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q4#3.Economic_growth Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q4#4.Job_loss Αριθμητική (Likert) 1–5 Συμφωνία (1=καθόλου, 5=πολύ) Q5.Feelings Αριθμητική (Likert) 1–4 Συναισθήματα (1=Curiosity, 2=Fear, 3=Indifference, 4=Trust) Q6#1.Education Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#2.Medicine Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#3.Agriculture Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#4.Constructions Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#5.Marketing Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#6.Administration Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q6#7.Art Δυαδική 0-1 Επηρέαση τομέα από AI (1=Ναι, 0=Όχι) Q7.Utility_grade Αριθμητική (Likert) 1–10 Χρησιμότητα AI (1=χαμηλό, 10=υψηλό) Q8.Advantage_teaching Αριθμητική (Likert) 1–5 Επιλογή πλεονεκτήματος Q9.Advantage_learning Αριθμητική (Likert) 1–5 Επιλογή πλεονεκτήματος Q10.Advantage_evaluation Αριθμητική (Likert) 1–5 Επιλογή πλεονεκτήματος Q11.Disadvantage_educational_process Αριθμητική (Likert) 1–5 Επιλογή μειονεκτήματος Q12.Gender Κατηγορική - Δυαδική 1-2 Επιλογή φύλου (1=κορίτσι, 2=αγόρι) Q13.Year_of_study Κατηγορική 1-2 Χρόνος σπουδών (1=2, 2=3) Q14.Major Κατηγορική 1–5 Κατεύθυνση (1=Economic Cybernetics, 2=Statistics and Economic Forecasting, 3=Economic Informatics) Q15.Passed_exams Δυαδική 0-1 Περασμένα μαθήματα (1=Ναι, 2=Όχι) Q16.GPA Αριθμητική (Likert) 1-10 Bαθμός GPA
Περιγραφικά στατιστικά του dataset:
Για όλο το dataset μπορούμε να χρησιμοποιήσουμε την εντολή:
library(ggplot2)Survey_AI <- read.csv("C:/Users/Dimitris/Documents/ea_erg1/Survey_AI.csv")summary(Survey_AI)## ID Q1.AI_knowledge Q2.AI_sources Q2.1.Internet
## Min. : 1.0 Min. : 1.000 Length:91 Min. :0.0000
## 1st Qu.:23.5 1st Qu.: 5.000 Class :character 1st Qu.:1.0000
## Median :46.0 Median : 6.000 Mode :character Median :1.0000
## Mean :46.0 Mean : 5.912 Mean :0.8132
## 3rd Qu.:68.5 3rd Qu.: 7.000 3rd Qu.:1.0000
## Max. :91.0 Max. :10.000 Max. :1.0000
## Q2.2.Books.Papers Q2.3.Social_media Q2.4.Discussions Q2.5.NotInformed
## Min. :0.0000 Min. :0.0000 Min. :0.0000 Min. :0.00000
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.00000
## Median :0.0000 Median :0.0000 Median :0.0000 Median :0.00000
## Mean :0.3516 Mean :0.4396 Mean :0.1978 Mean :0.06593
## 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:0.0000 3rd Qu.:0.00000
## Max. :1.0000 Max. :1.0000 Max. :1.0000 Max. :1.00000
## Q3.1.AI_dehumanization Q3.2.Job_replacement Q3.3.Problem_solving
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:2.000 1st Qu.:2.000 1st Qu.:4.000
## Median :2.000 Median :3.000 Median :4.000
## Mean :2.516 Mean :3.198 Mean :4.198
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:5.000
## Max. :5.000 Max. :5.000 Max. :5.000
## Q3.4.AI_rulling_society Q4.1.AI_costly Q4.2.Economic_crisis
## Min. :1.000 Min. :1.000 Min. :1.00
## 1st Qu.:1.000 1st Qu.:3.000 1st Qu.:2.00
## Median :3.000 Median :4.000 Median :3.00
## Mean :2.429 Mean :3.571 Mean :2.56
## 3rd Qu.:3.000 3rd Qu.:4.000 3rd Qu.:3.00
## Max. :5.000 Max. :5.000 Max. :5.00
## Q4.3.Economic_growth Q4.4.Job_loss Q5.Feelings Q6.Domains
## Min. :2.000 Min. :1.000 Min. :1.000 Length:91
## 1st Qu.:3.000 1st Qu.:3.000 1st Qu.:1.000 Class :character
## Median :4.000 Median :4.000 Median :1.000 Mode :character
## Mean :3.659 Mean :3.396 Mean :1.582
## 3rd Qu.:4.000 3rd Qu.:4.000 3rd Qu.:2.000
## Max. :5.000 Max. :5.000 Max. :4.000
## Q6.1.Education Q6.2.Medicine Q6.3.Agriculture Q6.4.Constructions
## Min. :0.0000 Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.0000 1st Qu.:1.0000 1st Qu.:0.0000 1st Qu.:0.0000
## Median :1.0000 Median :1.0000 Median :1.0000 Median :1.0000
## Mean :0.6703 Mean :0.8022 Mean :0.5055 Mean :0.5495
## 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :1.0000 Max. :1.0000 Max. :1.0000 Max. :1.0000
## Q6.5.Marketing Q6.6.Administration Q6.7.Art Q7.Utility_grade
## Min. :0.0000 Min. :0.0000 Min. :0.0000 Min. : 2.00
## 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.: 6.00
## Median :0.0000 Median :0.0000 Median :0.0000 Median : 8.00
## Mean :0.3626 Mean :0.3846 Mean :0.1319 Mean : 7.44
## 3rd Qu.:1.0000 3rd Qu.:1.0000 3rd Qu.:0.0000 3rd Qu.: 9.00
## Max. :1.0000 Max. :1.0000 Max. :1.0000 Max. :10.00
## Q8.Advantage_teaching Q9.Advantage_learning Q10.Advantage_evaluation
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:2.000
## Median :2.000 Median :2.000 Median :2.000
## Mean :1.923 Mean :1.879 Mean :2.253
## 3rd Qu.:3.000 3rd Qu.:2.000 3rd Qu.:3.000
## Max. :3.000 Max. :3.000 Max. :3.000
## Q11.Disadvantage_educational_process Q12.Gender Q13.Year_of_study
## Min. :1.000 Min. :1.000 Min. :1.000
## 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:1.000
## Median :2.000 Median :1.000 Median :2.000
## Mean :2.099 Mean :1.352 Mean :1.626
## 3rd Qu.:3.000 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :4.000 Max. :2.000 Max. :2.000
## Q14.Major Q15.Passed_exams Q16.GPA
## Min. :1.000 Min. :0.0000 Min. :5.200
## 1st Qu.:1.000 1st Qu.:0.5000 1st Qu.:7.200
## Median :2.000 Median :1.0000 Median :7.700
## Mean :1.923 Mean :0.7473 Mean :7.799
## 3rd Qu.:2.500 3rd Qu.:1.0000 3rd Qu.:8.700
## Max. :3.000 Max. :1.0000 Max. :9.700Αν θέλουμε να επιλέξουμε κάποιες βασικές αριθμητικές στήλες, μπορούμε να εμφανίσουμε επιπλέον την επικρατούσα τιμή, τη διακύμανση και την τυπική απόκλιση για πιο επιμελή διερεύνυση:
summary(Survey_AI [, c(
"Q1.AI_knowledge",
"Q5.Feelings",
"Q13.Year_of_study",
"Q16.GPA"
)])## Q1.AI_knowledge Q5.Feelings Q13.Year_of_study Q16.GPA
## Min. : 1.000 Min. :1.000 Min. :1.000 Min. :5.200
## 1st Qu.: 5.000 1st Qu.:1.000 1st Qu.:1.000 1st Qu.:7.200
## Median : 6.000 Median :1.000 Median :2.000 Median :7.700
## Mean : 5.912 Mean :1.582 Mean :1.626 Mean :7.799
## 3rd Qu.: 7.000 3rd Qu.:2.000 3rd Qu.:2.000 3rd Qu.:8.700
## Max. :10.000 Max. :4.000 Max. :2.000 Max. :9.700sd(Survey_AI$Q1.AI_knowledge, na.rm=TRUE)## [1] 1.970044var(Survey_AI$Q1.AI_knowledge)## [1] 3.881074sd(Survey_AI$Q5.Feelings, na.rm=TRUE)## [1] 0.9668498var(Survey_AI$Q5.Feelings)## [1] 0.9347985sd(Survey_AI$Q13.Year_of_study, na.rm=TRUE)## [1] 0.4864463var(Survey_AI$Q13.Year_of_study)## [1] 0.23663sd(Survey_AI$Q16.GPA, na.rm=TRUE)## [1] 0.9753056var(Survey_AI$Q16.GPA)## [1] 0.951221Διερεύνηση συσχετίσεων:
#Middle to high correlation
cor(Survey_AI$Q1.AI_knowledge, Survey_AI$Q7.Utility_grade)## [1] 0.3588534cor(Survey_AI$Q1.AI_knowledge, Survey_AI$Q16.GPA)## [1] 0.2734772cor(Survey_AI$Q7.Utility_grade, Survey_AI$Q16.GPA)## [1] 0.2769621cor(Survey_AI$Q1.AI_knowledge, Survey_AI$Q5.Feelings)## [1] 0.03884666cor(Survey_AI$Q12.Gender, Survey_AI$Q5.Feelings)## [1] 0.2240978cor(Survey_AI$Q12.Gender, Survey_AI$Q7.Utility_grade)## [1] -0.08636424cor(Survey_AI$Q12.Gender, Survey_AI$Q16.GPA)## [1] -0.2174615#Negative correlation
cor(Survey_AI$Q5.Feelings, Survey_AI$Q7.Utility_grade)## [1] -0.06006632cor(Survey_AI$Q3.2.Job_replacement, Survey_AI$Q1.AI_knowledge)## [1] -0.06703264Ως προς την ερώτηση 1 και την ερώτηση 7, μπορεί να σχηματιστεί μία σχέση αναγνώρισης και χρήσης της τεχνητής νοημοσύνης από τους φοιτητές, σε τί βαθμό και πιθανόν να μπορεί να εξαχθεί και μία σχέση σχετικά με τα αποτελέσματα των βαθμών των φοιτητών και αν βοηθήθηκαν μέσω της τεχνητής νοημοσύνης - ερωτήσεις 1 και 16 και 7 και 16.
Μπορούμε να έχουμε και μία γενικότερη σχέση ως προς τα συναισθήματα των φοιτητών για την τεχνητή νοημοσύνη και αν τελικά επηρεάζονται από την αντίστοιχη γνώση που κατέχουν ως προς τον τομέα αυτόν.
Τέλος, μπορούμε να δημιουργήσουμε μία συσχέτιση για την άποψη που έχουν τα δύο διαφορετικά φύλα ως προς τη χρήση της τεχνητής νοημοσύνης, και παρόλο που οι συσχετίσεις μεταξύ των φύλων και κάποιων μεταβλητών όπως ο GPA, utility grade κ.α. βγαίνουν αρνητικές, να δημιουργήσουμε ίσως μία σχέση για το πως η πλειοψηφία του κάθε φύλου αντιμετωπίζει τους κινδύνους για τους οποίους ανηχυσούν, μέσω της ερώτησης 5.
Δημιουργία διαγραμμάτων:
library(ggplot2)#scatterplot
ggplot(data = Survey_AI, aes(x = `Q1.AI_knowledge`, y = `Q7.Utility_grade`, color = factor(`Q14.Major`))) +
geom_point(size = 4, alpha = 0.7) +
geom_jitter(width = 0.4, height = 0.4, alpha = 0.6, size = 3)
labs(
title = "Knowledge of AI = Fear of replacement?",
color = "Area of Major"
) +
theme_classic()## NULLΤο γράφημα διασποράς απεικονίζει τη συχέτιση που υπάρχει μεταξύ της γνώσης των φοιτητών για την τεχνητή νοημοσύνη και τη γνώμη τους για το πόσο χρήσιμη θα μπορούσε να είναι η τεχνητή νοημοσύνη στις εκπαιδευτικές διαδικασίες. Οι φοιτητές έχουν κατηγοριοποιηθεί με βάση την κατεύθυνση του πτυχίου τους, σε αντιστοίχιση με το γράφημα:
- Economic Cybernetics
- Statistics and Economic Forecasting
- Economic Informatics
Μέσα από αυτή τη συσχέτιση είναι πολύ πιθανό ότι μπορούμε να εντωπίσουμε τους φοιτητές οι οποίοι χρησιμοποιούν την τεχνητή νοημοσύνη στο διάβασμά τους, σε τι βαθμό και αν γίνεται ωφέλιμη αξιοποίηση ή απλώς πρόχειρη χρήση.
#boxplot
ggplot(data = Survey_AI, aes(x = factor(`Q12.Gender`), y = Survey_AI$Q3.2.Job_replacemen, fill = factor(`Q12.Gender`))) +
geom_boxplot(alpha = 0.7) +
labs(
title = "Fear of replacement by Genders",
x = "Genders",
y = "job replacement",
fill = "Genders"
) +
theme_bw()## Warning: Use of `Survey_AI$Q3.2.Job_replacemen` is discouraged.
## ℹ Use `Q3.2.Job_replacemen` instead.
Το γράφημα απεικονίζει τους φοιτητές ανάλογα με το φύλο που επέλεξαν και κατά πόσο φοβούνται ότι η τεχνητή νοημοσύνη θα απειλήσει τις θέσεις δουλειάς τους στο μέλλον. Οι δύο κατηγορίες επιλογής είναι:
- Κορίτσια = 59
- Αγόρια = 32
Μπορούμε να συμπεράνουμε ότι οι φοιτητές και των δύο φύλων έχουν μέτριο έως υψηλό επίπεδο ανησυχίας με κάποιους να μην φοβούνται καθόλου, λίγο ή πολύ (τιμές 1 - 5). Τα αγόρια παρουσιάζουν ένα μεγαλύτερο ποσοστό ανησυχίας (κεντρική τάση → 4) και με μεγαλύτερη διακύμανση (2-5) χωρίς να υπάρχει όμως μεγάλη διαφορά και στις απόψεις των κοριτσιών (κεντρική τάση → 3) και διακύμανση (2-4).
ggplot(data = Survey_AI, aes(x = Q5.Feelings)) +
geom_histogram(aes(y = ..density..), binwidth = 0.9, fill = "purple", color = "yellow") +
geom_density(color = "yellow", linewidth = 1) +
labs(title = "Ιστόγραμμα + Καμπύλη Πυκνότητας")## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once per session.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Το ιστόγραμμα απεικονίζει το πώς νιώθουν οι φοιτητές ερωτώμενοι για την τεχνητή νοημοσύνη σε γενικό επίπεδο και σε τί βαθμό. Οι περισσότεροι φοιτητές απάντησαν ότι αντιμετωπίζουν την τεχνητή νοημοσύνη με ένα μεγάλο ποσοστό περιέργειας, όπως εξάγουμε από το dataset:
Curiosity
Fear
Indifference
Trust
ggplot(data = Survey_AI, aes(x = factor(Q16.GPA))) +
geom_bar(fill = "darkgreen", color = "magenta") +
labs(
title = "Κατανομή GPA μαθητών",
x = "GPA",
y = "Συχνότητα"
)
Το γράφημα απεικονίζει τους μέσους όρους βαθμολογίας των φοιτητών (1-10) το τελευταίο έτος. Από μόνο του ένα τέτοιο διάγραμμα είναι πολύ γενικό αλλά σε συνδυασμό με άλλα στοιχεία μπορεί να μας βοηθήσει στο να βρούμε ποιοι φοιτητές χρησιμοποιούν την τεχνητή νοημοσύνη και σε τί βαθμό και περαιτέρω, να αιτιολογήσουμε την απόρροια των απαντήσεων και γνώμεων των φοιτητών.
Μοντέλα Γραμμικής Παλινδρόμησης:
Για τα μοντέλα γραμμικής παλινδρόμησης με μία μεταβλητή, σταθερός άξονας ορίστηκε το utility grade, πόσο χρήσιμη και αξιοποιήσιμη θεωρούν οι φοιτητές ότι είναι η τεχνητή νοημοσύνη. Αρχικά δοκιμάστηκε η σχέση του utility grade με τα συναισθήματα που έχουν οι φοιτητές για αυτή (Feelings).
library(ggplot2)model1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings, data = Survey_AI)
coef(model1)## (Intercept) Survey_AI$Q5.Feelings
## 7.6520376 -0.1342738ggplot(Survey_AI, aes(x = Q5.Feelings, y = Q7.Utility_grade)) +
geom_jitter(width = 0.4, height = 0.3, alpha = 0.6) +
geom_abline(intercept = coef(model1)[1],
slope = coef(model1)[2],
colour = "red") +
theme_classic()
Έπειτα, δοκιμάστηκε και η συσχέτιση της γνώσης των φοιτητών (AI knowledge) ανάλογα με τα συναισθήματα που εξέφρασαν ως προς την τεχνητή νοημοσύνη.
model1_1 <- lm(Survey_AI$Q1.AI_knowledge ~ Survey_AI$Q5.Feelings, data = Survey_AI)
coef(model1_1)## (Intercept) Survey_AI$Q5.Feelings
## 5.78683386 0.07915361ggplot(Survey_AI, aes(x = Q5.Feelings, y = Q1.AI_knowledge)) +
geom_jitter(width = 0.4, height = 0.3, alpha = 0.6) +
geom_abline(intercept = coef(model1_1)[1],
slope = coef(model1_1)[2],
colour = "red") +
theme_classic()
Και οι δύο συσχετίσεις εμφάνισαν παρόμοια αποτελέσματα ως προς την στάση των φοιτητών απέναντι στην τεχνητή νοημοσύνη αλλά και την συνεχής χρήση της, παρόλα τα αποτελέσματα. Το δεύτερο μοντέλο έχει σχεδόν ελλειπής συσχέτιση οπότε επιλέγεται το πρώτο ως κύριως άξονας και προσθέτουμε μεταβλητές.
Συσχετίσεις SSE & R-squared:
Ως προς το πρώτο μοντέλο, model1,
summary(model1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings,
## data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.3835 -1.4506 0.4822 1.6165 2.8851
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.6520 0.4380 17.472 <2e-16 ***
## Survey_AI$Q5.Feelings -0.1343 0.2365 -0.568 0.572
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.17 on 89 degrees of freedom
## Multiple R-squared: 0.003608, Adjusted R-squared: -0.007587
## F-statistic: 0.3223 on 1 and 89 DF, p-value: 0.5717SSE1<-sum(model1$residuals^2)
summary(model1)$r.squared## [1] 0.003607963Ενώ για το δεύτερο μοντέλο model1_1,
summary(model1_1)##
## Call:
## lm(formula = Survey_AI$Q1.AI_knowledge ~ Survey_AI$Q5.Feelings,
## data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.024 -1.024 0.134 1.134 4.134
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.78683 0.39962 14.481 <2e-16 ***
## Survey_AI$Q5.Feelings 0.07915 0.21582 0.367 0.715
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.98 on 89 degrees of freedom
## Multiple R-squared: 0.001509, Adjusted R-squared: -0.00971
## F-statistic: 0.1345 on 1 and 89 DF, p-value: 0.7147SSE1_1<-sum(model1_1$residuals^2)
summary(model1_1)$r.squared## [1] 0.001509063Προσθήκη ανεξάρτητων μεταβλητών:
Συγκεκριμένα, εξετάστηκε ο συνδυασμός και των δύο μεταβλητών με δυνατή συσχέτιση, των Q1-AI knowledge & Q5-Feelings ως προς την στθαερή μεταβλητή Q7-Utility grade.
model2 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q1.AI_knowledge,
data = Survey_AI)
summary(model2)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.1990 -1.4678 0.1573 1.3839 4.5790
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.3555 0.7521 7.121 2.78e-10 ***
## Survey_AI$Q5.Feelings -0.1657 0.2219 -0.747 0.457235
## Survey_AI$Q1.AI_knowledge 0.3969 0.1089 3.644 0.000453 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.034 on 88 degrees of freedom
## Multiple R-squared: 0.1343, Adjusted R-squared: 0.1146
## F-statistic: 6.824 on 2 and 88 DF, p-value: 0.001758coef(model2)## (Intercept) Survey_AI$Q5.Feelings Survey_AI$Q1.AI_knowledge
## 5.3555086 -0.1656862 0.3968541summary(model2)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.1990 -1.4678 0.1573 1.3839 4.5790
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.3555 0.7521 7.121 2.78e-10 ***
## Survey_AI$Q5.Feelings -0.1657 0.2219 -0.747 0.457235
## Survey_AI$Q1.AI_knowledge 0.3969 0.1089 3.644 0.000453 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.034 on 88 degrees of freedom
## Multiple R-squared: 0.1343, Adjusted R-squared: 0.1146
## F-statistic: 6.824 on 2 and 88 DF, p-value: 0.001758SSE2<-sum(model2$residuals^2)
summary(model2)$r.squared## [1] 0.134261Ακολουθεί επίσης μία λίστα με διάφορους συνδυασμούς ως προς την ερώτηση “Τομείς που φοβάσται ότι η τεχνητή νοημοσύνη μπορεί να κυριαρχήσει στο μέλλον”.
model2_1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q3.2.Job_replacement,
data = Survey_AI)
summary(model2_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q3.2.Job_replacement, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.9512 -1.1626 0.1373 1.5045 3.8793
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.3739 0.7222 12.979 < 2e-16 ***
## Survey_AI$Q5.Feelings -0.1499 0.2271 -0.660 0.51083
## Survey_AI$Q3.2.Job_replacement -0.5307 0.1810 -2.932 0.00429 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.082 on 88 degrees of freedom
## Multiple R-squared: 0.09228, Adjusted R-squared: 0.07165
## F-statistic: 4.473 on 2 and 88 DF, p-value: 0.01412coef(model2_1)## (Intercept) Survey_AI$Q5.Feelings
## 9.3738716 -0.1499394
## Survey_AI$Q3.2.Job_replacement
## -0.5306909model2_1_1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement,
data = Survey_AI)
summary(model2_1_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge +
## Survey_AI$Q3.2.Job_replacement, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.341 -1.265 0.292 1.301 4.786
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.7889 0.8745 7.763 1.41e-11 ***
## Survey_AI$Q1.AI_knowledge 0.3736 0.1046 3.571 0.00058 ***
## Survey_AI$Q3.2.Job_replacement -0.4872 0.1699 -2.867 0.00518 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.951 on 88 degrees of freedom
## Multiple R-squared: 0.2032, Adjusted R-squared: 0.1851
## F-statistic: 11.22 on 2 and 88 DF, p-value: 4.56e-05coef(model2_1_1)## (Intercept) Survey_AI$Q1.AI_knowledge
## 6.7888932 0.3735852
## Survey_AI$Q3.2.Job_replacement
## -0.4872101model2_2 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q3.4.AI_rulling_society,
data = Survey_AI)
summary(model2_2)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q3.4.AI_rulling_society, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.9346 -1.1563 0.1896 1.8923 3.8816
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.62670 0.59924 14.396 <2e-16 ***
## Survey_AI$Q5.Feelings -0.08655 0.23182 -0.373 0.7098
## Survey_AI$Q3.4.AI_rulling_society -0.43243 0.18628 -2.321 0.0226 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.118 on 88 degrees of freedom
## Multiple R-squared: 0.0611, Adjusted R-squared: 0.03976
## F-statistic: 2.863 on 2 and 88 DF, p-value: 0.06241coef(model2_2)## (Intercept) Survey_AI$Q5.Feelings
## 8.62669547 -0.08654626
## Survey_AI$Q3.4.AI_rulling_society
## -0.43242817model2_2_1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.4.AI_rulling_society,
data = Survey_AI)
summary(model2_2_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge +
## Survey_AI$Q3.4.AI_rulling_society, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3815 -1.2462 0.3731 1.3037 4.5954
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.1660 0.8236 7.486 5.12e-11 ***
## Survey_AI$Q1.AI_knowledge 0.3704 0.1069 3.464 0.000825 ***
## Survey_AI$Q3.4.AI_rulling_society -0.3773 0.1751 -2.155 0.033925 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.988 on 88 degrees of freedom
## Multiple R-squared: 0.1724, Adjusted R-squared: 0.1536
## F-statistic: 9.168 on 2 and 88 DF, p-value: 0.0002417coef(model2_2_1)## (Intercept) Survey_AI$Q1.AI_knowledge
## 6.1659714 0.3703964
## Survey_AI$Q3.4.AI_rulling_society
## -0.3772699model2_3 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q4.4.Job_loss,
data = Survey_AI)
summary(model2_3)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q4.4.Job_loss, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.5932 -1.2838 0.2735 1.8975 3.2921
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.2464 0.8714 10.611 <2e-16 ***
## Survey_AI$Q5.Feelings -0.1920 0.2337 -0.821 0.4136
## Survey_AI$Q4.4.Job_loss -0.4427 0.2105 -2.103 0.0383 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.129 on 88 degrees of freedom
## Multiple R-squared: 0.0513, Adjusted R-squared: 0.02974
## F-statistic: 2.379 on 2 and 88 DF, p-value: 0.09855coef(model2_3)## (Intercept) Survey_AI$Q5.Feelings Survey_AI$Q4.4.Job_loss
## 9.2464451 -0.1919768 -0.4426597model2_3_1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge + Survey_AI$Q4.4.Job_loss,
data = Survey_AI)
summary(model2_3_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q1.AI_knowledge +
## Survey_AI$Q4.4.Job_loss, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.6608 -1.5504 0.3392 1.2968 4.6025
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.4144 0.9989 6.422 6.65e-09 ***
## Survey_AI$Q1.AI_knowledge 0.3730 0.1079 3.455 0.000849 ***
## Survey_AI$Q4.4.Job_loss -0.3475 0.1981 -1.754 0.082850 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.005 on 88 degrees of freedom
## Multiple R-squared: 0.1582, Adjusted R-squared: 0.1391
## F-statistic: 8.27 on 2 and 88 DF, p-value: 0.0005115coef(model2_3_1)## (Intercept) Survey_AI$Q1.AI_knowledge Survey_AI$Q4.4.Job_loss
## 6.4144204 0.3729689 -0.3474742Τέλος, δοκιμάστηκε και ο συνδυασμός περρισότερων παραμέτρων μαζί, από την ίδια ερώτηση αλλά σε διάφορους τομείς της εξέλιξης της τεχνητής νοημοσύνης στο μέλλον. Παρατηρούμε ότι όντως, όσο προσθέτουμε μεταβλητές - υποκατηγορίες των προβλημάτων που μπορεί να παρουσιαστούν στο μέλλον, η απόδοση του μοντέλου συσχέτισης αυξάνεται.
model3 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q1.AI_knowledge
+ Survey_AI$Q3.2.Job_replacement + Survey_AI$Q3.4.AI_rulling_society,
data = Survey_AI)
summary(model3)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement +
## Survey_AI$Q3.4.AI_rulling_society, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0505 -1.1263 0.4741 1.2483 4.8628
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.1598 0.9500 7.536 4.54e-11 ***
## Survey_AI$Q5.Feelings -0.1612 0.2157 -0.747 0.456959
## Survey_AI$Q1.AI_knowledge 0.3713 0.1056 3.516 0.000702 ***
## Survey_AI$Q3.2.Job_replacement -0.4173 0.2049 -2.037 0.044735 *
## Survey_AI$Q3.4.AI_rulling_society -0.1341 0.2080 -0.645 0.520773
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.961 on 86 degrees of freedom
## Multiple R-squared: 0.2134, Adjusted R-squared: 0.1768
## F-statistic: 5.832 on 4 and 86 DF, p-value: 0.0003352coef(model3)## (Intercept) Survey_AI$Q5.Feelings
## 7.1597841 -0.1611753
## Survey_AI$Q1.AI_knowledge Survey_AI$Q3.2.Job_replacement
## 0.3712615 -0.4172819
## Survey_AI$Q3.4.AI_rulling_society
## -0.1341211model3_1 <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q1.AI_knowledge
+ Survey_AI$Q3.2.Job_replacement + Survey_AI$Q3.4.AI_rulling_society
+ Survey_AI$Q3.1.AI_dehumanization,
data = Survey_AI)
summary(model3_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement +
## Survey_AI$Q3.4.AI_rulling_society + Survey_AI$Q3.1.AI_dehumanization,
## data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0882 -1.1482 0.3061 1.2262 4.8337
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.57385 0.98889 7.659 2.74e-11 ***
## Survey_AI$Q5.Feelings -0.20875 0.21707 -0.962 0.33895
## Survey_AI$Q1.AI_knowledge 0.35684 0.10548 3.383 0.00109 **
## Survey_AI$Q3.2.Job_replacement -0.31360 0.21647 -1.449 0.15109
## Survey_AI$Q3.4.AI_rulling_society -0.06444 0.21259 -0.303 0.76256
## Survey_AI$Q3.1.AI_dehumanization -0.29974 0.21193 -1.414 0.16092
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.95 on 85 degrees of freedom
## Multiple R-squared: 0.2315, Adjusted R-squared: 0.1863
## F-statistic: 5.12 on 5 and 85 DF, p-value: 0.0003747coef(model3_1)## (Intercept) Survey_AI$Q5.Feelings
## 7.57385410 -0.20874813
## Survey_AI$Q1.AI_knowledge Survey_AI$Q3.2.Job_replacement
## 0.35683721 -0.31360467
## Survey_AI$Q3.4.AI_rulling_society Survey_AI$Q3.1.AI_dehumanization
## -0.06443565 -0.29973873summary(model3_1)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement +
## Survey_AI$Q3.4.AI_rulling_society + Survey_AI$Q3.1.AI_dehumanization,
## data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.0882 -1.1482 0.3061 1.2262 4.8337
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.57385 0.98889 7.659 2.74e-11 ***
## Survey_AI$Q5.Feelings -0.20875 0.21707 -0.962 0.33895
## Survey_AI$Q1.AI_knowledge 0.35684 0.10548 3.383 0.00109 **
## Survey_AI$Q3.2.Job_replacement -0.31360 0.21647 -1.449 0.15109
## Survey_AI$Q3.4.AI_rulling_society -0.06444 0.21259 -0.303 0.76256
## Survey_AI$Q3.1.AI_dehumanization -0.29974 0.21193 -1.414 0.16092
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.95 on 85 degrees of freedom
## Multiple R-squared: 0.2315, Adjusted R-squared: 0.1863
## F-statistic: 5.12 on 5 and 85 DF, p-value: 0.0003747SSE3_1<-sum(model3_1$residuals^2)
summary(model3_1)$r.squared## [1] 0.2314748Παρόλα αυτά, αν προσθέσουμε στο μοντέλο την παράμετρο - μεταβλητή “χρήση τεχνητής νοημοσύνης για λύσεις μελλοντικών προβλημάτων” παρατηρούμε ότι η συσχέτιση του μοντέλου δεν αποδίδει όσο καλά όσο με τις υπόλοιπες μεταβλητές.
model3_low <- lm(Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings + Survey_AI$Q1.AI_knowledge
+ Survey_AI$Q3.2.Job_replacement + Survey_AI$Q3.4.AI_rulling_society
+ Survey_AI$Q3.1.AI_dehumanization + Survey_AI$Q3.3.Problem_solving,
data = Survey_AI)
summary(model3_low)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement +
## Survey_AI$Q3.4.AI_rulling_society + Survey_AI$Q3.1.AI_dehumanization +
## Survey_AI$Q3.3.Problem_solving, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.8605 -1.3055 0.1743 1.3761 4.7231
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.3178 1.3820 3.848 0.000231 ***
## Survey_AI$Q5.Feelings -0.1313 0.2146 -0.612 0.542206
## Survey_AI$Q1.AI_knowledge 0.3042 0.1055 2.883 0.005007 **
## Survey_AI$Q3.2.Job_replacement -0.2916 0.2115 -1.379 0.171650
## Survey_AI$Q3.4.AI_rulling_society -0.0617 0.2075 -0.297 0.766978
## Survey_AI$Q3.1.AI_dehumanization -0.1825 0.2132 -0.856 0.394247
## Survey_AI$Q3.3.Problem_solving 0.4938 0.2165 2.281 0.025069 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.903 on 84 degrees of freedom
## Multiple R-squared: 0.2763, Adjusted R-squared: 0.2246
## F-statistic: 5.345 on 6 and 84 DF, p-value: 0.000103coef(model3_low)## (Intercept) Survey_AI$Q5.Feelings
## 5.31779966 -0.13132867
## Survey_AI$Q1.AI_knowledge Survey_AI$Q3.2.Job_replacement
## 0.30417018 -0.29163134
## Survey_AI$Q3.4.AI_rulling_society Survey_AI$Q3.1.AI_dehumanization
## -0.06169586 -0.18253753
## Survey_AI$Q3.3.Problem_solving
## 0.49384449summary(model3_low)##
## Call:
## lm(formula = Survey_AI$Q7.Utility_grade ~ Survey_AI$Q5.Feelings +
## Survey_AI$Q1.AI_knowledge + Survey_AI$Q3.2.Job_replacement +
## Survey_AI$Q3.4.AI_rulling_society + Survey_AI$Q3.1.AI_dehumanization +
## Survey_AI$Q3.3.Problem_solving, data = Survey_AI)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.8605 -1.3055 0.1743 1.3761 4.7231
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.3178 1.3820 3.848 0.000231 ***
## Survey_AI$Q5.Feelings -0.1313 0.2146 -0.612 0.542206
## Survey_AI$Q1.AI_knowledge 0.3042 0.1055 2.883 0.005007 **
## Survey_AI$Q3.2.Job_replacement -0.2916 0.2115 -1.379 0.171650
## Survey_AI$Q3.4.AI_rulling_society -0.0617 0.2075 -0.297 0.766978
## Survey_AI$Q3.1.AI_dehumanization -0.1825 0.2132 -0.856 0.394247
## Survey_AI$Q3.3.Problem_solving 0.4938 0.2165 2.281 0.025069 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.903 on 84 degrees of freedom
## Multiple R-squared: 0.2763, Adjusted R-squared: 0.2246
## F-statistic: 5.345 on 6 and 84 DF, p-value: 0.000103SSE3_3<-sum(model3_low$residuals^2)
summary(model3_low)$r.squared## [1] 0.276307Συμπεράσματα:
Ο συνδυασμός των συγκεκριμένων μεταβλητών επιλέχτηκε για να εξακριβωθεί αν η χρήση της τεχνητής νοημοσύνης από τους φοιτητές, επηρεάζεται από το σύνολο γνώσεων που έχουν, την προσωπική τους άποψη για την τεχνητή νοημοσύνη και τις ανησυχίες τους σχετικά με τον ρόλο της τεχνητής νοημοσύνης στο μέλλον.
Το μεγαλύτερο SSE παρουσιάστηκε στο πρώτο μοντέλο (SSE1 = 418.9) ενώ το μικρότερο στο τελευταίο κύριο μοντέλο, με συσχετίσεις τη χρήση από τους χρήστες ως εξαρτημένη μεταβλητή και τα συναισθήματα, τη γνώση, το φόβο για αντικατάσταση σε θέσεις εργασίας, αλλαγή ανθρώπινου χαρακτήρα και παγκόσμια κυριαρχία της τεχνητής νοημοσύνης ως ανεξάρτητες μεταβλητές στο ίδιο μοντέλο (SSE = 323.1).
Ως προς το R-squared, πιο κοντά στο 1 ήταν του τελικού μοντέλου 3_1 πάλι με R-squared = 0.1863.
Από τις παραπάνω συσχετίσεις, παρόλο που στα αρχικά διαγράμματα δεν εμφανίζεται ισχυρή συσχέτιση και τα SSE είναι μεγάλα, όσο προσθέτουμε μεταβλητές στα μοντέλα που επηρεάζουν τις ανησυχίες και τους φόβους των χρηστών για την τεχνητή νοημοσύνη, βλέπουμε ότι παρόλα τα αρνητικά αποτελέσματα για τα οποία εμφανίζονται πιθανές ανησυχίες, οι φοιτητές συνεχίζουν να χρησιμοποιούν την τεχνητή νοημοσύνη στην καθημερινή τους ζωή, κάνοντας τα αποτελέσματα και τις ίδιες τις συσχετίσεις, αμφιλεγόμενες.
Συγκεκριμένα, στο τελευταίο διάγραμμα, έχουμε R-squared = 0.231 που δείχνει πολύ ασθενείς συσχέτιση μεταξύ των δεδομένων.
ggplot(Survey_AI, aes(x = Q1.AI_knowledge + Q5.Feelings + Q3.2.Job_replacement
+ Q3.1.AI_dehumanization + Q3.4.AI_rulling_society, y = Q7.Utility_grade)) +
geom_jitter(width = 0.4, height = 0.3, alpha = 0.6) +
geom_abline(intercept = coef(model3)[1],
slope = coef(model3)[2],
colour = "red") +
theme_classic()
Fin