Мотивация использования искусственного интеллекта: адаптация диагностического инструментария

Контекст и актуальность. Искусственный интеллект является технологией, потенциально способной кардинально изменить все сферы жизни человека. Его быстрая интеграция в повседневную реальность интенсифицирует исследования, посвященные психологии использования нейросетей. Однако развитие эмпирических исследований в отечественном научном поле ограничено недостатком валидизированного психодиагностического инструментария, позволяющего оценивать отношение пользователей к нейросетям и особенности мотивации их использования. Цель. Адаптировать для российской популяции методику диагностики мотивов использования искусственного интеллекта и провести ее валидизацию. Гипотеза. Предполагалось, что двухфакторная структура опросника «Мотивы использования искусственного интеллекта» позволяет создать русскоязычную версию методики с удовлетворительными психометрическими свойствами, а состав ее факторов будет воспроизводить оригинальную модель. Методы и материалы. В исследовании приняли участие 368 студентов вузов и учреждений среднего профессионального образования (средний возраст – 19 лет, 75% выборки – женщины). Конвергентная валидность проверялась с помощью опросника отношения к технологиям для подростков и родителей и диагностики карьерной вовлеченности. Для обработки и анализа данных были использованы эксплораторный и конфирматорный факторный анализ, корреляции Спирмена. Результаты. Подтвердилась двухфакторная структура опросника «Мотивы использования искусственного интеллекта»: «Самоэффективность», связанная с использованием ИИ, и «Субъективная ценность» задачи (деятельности), второй фактор содержит четыре субшкалы. Все шкалы характеризуются высокой внутренней согласованностью, общие психометрические показатели опросника подтверждают его надежность и валидность. Выводы. Русскоязычная версия методики диагностики мотивов использования искусственного интеллекта сохраняет факторную структуру оригинальной методики и обладает высокими психометрическими свойствами для ее использования в психологической науке и практике.

Введение

По статистике ВЦИОМ, нейросетями пользуется 81% людей моложе 34 лет, которые используют их для работы с информацией, а 14% пользователей обращались к нейросетям за общением[1]. Отношение людей к искусственному интеллекту (ИИ) неоднозначно – одни испытывают тревогу от развития этой технологии, других это мотивирует на то, чтобы изучать нейросети, работать с ними, делегируя технологии какую-то часть своих задач. При этом люди склонны считать продукцию ИИ своей собственной (Mayer, 2025).

Что меняет использование нейросетей в нашей жизни? Наиболее ярко это проявляется в системе образования, которая состоит из активных пользователей ИИ благодаря обучающимся. Высказывается мнение, что процесс обучения должен скоро поменяться в силу того, что ИИ дает возможность эффективного самообучения. Следовательно, педагоги будут выполнять, скорее, роль наставников, которые предотвращают бездумное получение информации (Gocen, Aydemir, 2020). Пожалуй, это опасение можно считать одним из самых серьезных – есть риск снижения критического мышления у представителей цифрового поколения, активно использующих ИИ-инструменты, что объясняется теорией когнитивной разгрузки (Gerlich, 2025). Кроме критического мышления в «зоне риска» оказывается творческое мышление, поскольку нейросети начинают превосходить по этому показателю среднестатистических людей (Bellemare-Pepin et al., 2026), что, в свою очередь, создает потенциальную угрозу вытеснения их из сферы искусства, как, например, уже происходит в кинематографе.

Несмотря на такие преимущества использования ИИ, как персонализированное обучение (Yu, Guo, 2023) и повышение мотивации обучающихся (Yuan, Liu, 2025), можно сделать предположение, что в ближайшее время произойдет ее серьезное изменение, т.к. использование нейросетей влечет за собой новую форму академической нечестности. Учащиеся прибегают к их помощи для написания разнообразных работ (Субботина, 2024), а педагоги – для их проверки (Кузьменко, 2025), что приводит к своеобразному противостоянию обеих сторон образовательного процесса. В условиях социальной аномии (Мещерякова, 2012) легкий способ получения успеха (в том числе и академического) скорее всего приведет к резкому снижению учебной мотивации и перестройке системы образования: «Новые технологии породят еще большую дифференциацию между учениками. Умные школьники будут использовать их с долей разумности, то есть подходя к вопросу креативно. Те, кто был неуспешным, возведут этот разрыв в квадрат, поскольку будут не тестировать модели для задачи, а использовать их в лоб, не имея способности проверить качество ответа, воспользоваться ответом на практике» (Казакова, Кузьминов, 2025, с. 23). Решение обозначенной проблемы возможно совместными усилиями общества (Yu, Guo, 2023) – только в этом случае ИИ станет помощником человека, выводя его развитие на качественно иной уровень.

Влияние ИИ на человека – бурно развивающаяся область психологической науки, однако можно констатировать, что это развитие пока идет в основном в теоретическом ключе. Выполнение эмпирических работ осложняется отсутствием методического инструментария.

В психологическом поле исследований можно найти следующие методические средства:

- Шкала измерения общего отношения к искусственному интеллекту (General Attitudes towards Artificial Intelligence Scale). Шкала имеет двухфакторную структуру: положительное отношение и отрицательное (Schepman, Rodway, 2022).

- Шкала принятия искусственного интеллекта (The Artificial Intelligence Assessment Scale). Она «позволяет преподавателям выбирать подходящий уровень использования GenAI при оценивании в зависимости от результатов обучения, которых они хотят достичь» (Perkins et al., 2024).

- Шкала ИИ-тревожности (Anartificial Intelligence Anxiety Scale). Включает тревожность относительно: обучения ИИ; схожести ИИ с человеком; замены человека искусственным интеллектом; того, что техника может выйти из-под контроля (Wang, Wang, 2019).

- Шкала доверия к искусственному интеллекту (Trust in Automation Scale). Несмотря на то, что шкала измеряет доверие к автоматизации, она применима в том числе и к работе с ИИ (McGrath et al., 2025).

При этом на русском языке можно найти всего лишь одну методику, посвященную диагностике отношения к технологиям (Солдатова и др., 2021), которая измеряет такие аспекты, как технофилия, технорационализм, технофобия, технопессимизм.

Можно видеть, что фокус исследований приходится на диагностику отношения к ИИ как к новой технологии, при этом без внимания находится область, связанная с мотивацией его использования. Именно этим фактом, а также дефицитом методических средств для изучения психологических аспектов использования ИИ обусловлены актуальность и цель настоящей работы – адаптировать для российской популяции методику диагностики мотивов использования искусственного интеллекта.

Гипотеза исследования. Русскоязычная версия методики диагностики мотивов использования ИИ обладает удовлетворительными психометрическими свойствами, а ее факторная структура совпадает с оригинальной методикой и теорией ожидаемой ценности.

Теоретическая основа

Выбор теоретических рамок для описания изменений мотивации людей в эпоху ИИ – сложная задача для исследователя, учитывая большое количество мотивационных теорий в психологии. Одним из поворотных моментов в истории развития мотивации деятельности стала теория ожидаемой ценности (ТОЦ), которая была сформулирована Дж.У. Аткинсоном в 1964 г., а окончательная версия представлена в 2002 г. Ж. Экклс, А. Уигфилд (Eccles, Wigfield, 2002). Предшественником ТОЦ можно считать теорию поля К. Левина, полагавшего, что у объектов существует валентность, которую можно раскрыть в виде субъективной ценности для человека. Так и в современной ТОЦ (см. рисунок) мотивация зависит от субъективной ценности выполняемой задачи или деятельности (Value) и самоэффективности (Expectancy). В данном контексте самоэффективность – это убеждение человека в том, что он может эффективно решить задачу, другими словами, это ожидаемый успех, который зависит от субъективной оценки своих возможностей, предыдущего опыта, социального сравнения.

В теории выделяют 4 типа субъективной ценности задачи (деятельности):

1. Ценность достижения (Attainment). Она связана с ценностной сферой человека, что определяет важность достижения цели, решения задачи.
2. Практическая ценность (Utility). Определяется тем, насколько человеку будет в будущем полезно то, чего он достигает на данный момент времени.
3. Внутренняя ценность (Interest). Это внутренняя мотивация, интерес к тому, что человек делает.
4. Предполагаемые затраты ресурсов (Cost). Поскольку любая деятельность происходит с затратой ресурса, то мотивация к ней зависит от его размера. Высокая «цена» деятельности может демотивировать человека.

Именно на основании теории ожидаемой ценности построен опросник «Мотивы использования ИИ» (A Questionnaire of Artificial Intelligence Use Motives), который был валидизирован в 2024 г. турецкими учеными Юртом и Казарчи (Yurt, Kasarci, 2024). Опросник был выбран авторами в целях адаптации к российской популяции.

Материалы и методы

Исследование включало в себя три последовательных этапа. На первом этапе (август 2025 г.) была проведена кросс-культурная адаптация шкалы, включавшая процедуры перевода, обратного перевода и экспертной оценки, а также пилотное тестирование для верификации ясности и однозначности формулировок утверждений. На втором этапе (сентябрь 2025 г.) проводилась апробация переведенной версии опросника на выборке студентов высших учебных заведений г. Москвы. На третьем этапе (октябрь-декабрь 2025 г.) была сформирована репрезентативная выборка с соблюдением этических норм, включавших добровольное информированное согласие респондентов.

Этап 1. Процедура перевода шкалы

Для обеспечения культурной и языковой эквивалентности инструмента была проведена адаптация шкалы с применением стандартизированной процедуры прямого и обратного перевода (Brislin, 1970). Экспертный прямой перевод, который проводился тремя специалистами в области психологии и менеджмента, и последующая консенсусная оценка позволили сформировать промежуточную русскоязычную версию. Ее обратный перевод независимым экспертом-билингвом и сравнение с оригиналом подтвердили семантическое соответствие утверждений, что является необходимым условием для дальнейшей психометрической валидации.

Этап 2. Пилотная апробация шкалы

Пилотное тестирование опросника было проведено на выборке из 20 студентов, обучающихся на образовательных программах по психологии в вузе г. Москвы. По результатам анализа обратной связи, полученной от участников пилотной фазы, формулировки отдельных утверждений были скорректированы. Финальная версия шкалы для сбора данных состояла из 20 утверждений.

Этап 3. Сбор данных

В предыдущих исследованиях было продемонстрировано, что самоэффективность и ценность деятельности, составляющие основу теории Ж. Экклс и А. Уигфилда (Wigfield, Eccles, 2000), являются определяющими для выбора профессии и карьерных траекторий (Eccles, Wigfield, 2002). Соответственно, выборка была сформирована из студентов как активных участников рынка труда и в силу их социализации в период развития цифровых технологий уверенных пользователей этих ресурсов.

В анонимном онлайн-опросе приняли участие 368 обучающихся из учреждений среднего профессионального образования (20,1%) и высших учебных заведений (79,9%) Москвы и Санкт-Петербурга. Средний возраст респондентов составил 18,8 года (SD = 2,05). В структуре выборки преобладали женщины — 75% (n = 276), доля мужчин составила 25% (n = 92).

Инструменты

Оригинальная версия шкалы «Мотивация использования ИИ» включала 20 утверждений, ориентированных на оценку самоэффективности, связанной с использованием ИИ, и субъективной ценности деятельности или задачи (Yurt, Kasarci, 2024).

Для оценки конвергентной валидности шкалы использовались следующие опросники:

1. Шкала «Карьерная вовлеченность», разработанная А. Хирши с коллегами (Hirschi и др., 2014) и адаптированная для российской репрезентации Н.В. Волковой с соавторами (Волкова и др., 2026), которая состоит из 10 вопросов. Она была использована для оценки трех измерений этого показателя: планирования карьеры (4 утверждения; коэффициент альфа Кронбаха (α) = 0,87), карьерного нетворкинга (3 утверждения; α = 0,84) и карьерного саморазвития (3 утверждения; α = 0,73).
2. Опросник отношения к технологиям для подростков и родителей (Солдатова и др., 2021), который разрабатывался с учетом когнитивных и эмоциональных аспектов отношения к технологиям у подростков и родителей подростков 14–17 лет, использовался для оценки технофобии (4 утверждения; α = 0,8), технофилии (8 утверждений; α = 0,82), технорационализма (4 утверждения; α = 0,64) и технопессимизма (3 утверждения; α = 0,76). Шкала состоит из 19 вопросов.

Выбор шкал обусловлен результатами исследований, подтвердивших наличие положительной взаимосвязи между мотивацией достижений в рамках ТОЦ (Wigfield, Eccles, 2000) и выбором профессионального пути (Eccles, Wigfield, 2002; Lauermann и др., 2017), а также результатами академической успеваемости (Иванюшина и др., 2016), которая связана с саморазвитием и карьерой.

Статистический анализ данных проводился с помощью соответствующих библиотек языка программирования R.

Результаты

После проверки анкет на корректность заполнения и удаления записей с пропусками была оценена нормальность распределения данных посредством оценки значений асимметрии и эксцесса, модуль которых не превышал 2.

Факторная структура

Матрица корреляций утверждений опросника была проанализирована перед проведением эксплораторного факторного анализа для определения пар, которые имели высокие значимые коэффициенты (более 0,8). В результате было удалено одно утверждение из субшкалы «Внутренняя ценность».

Эксплораторный факторный анализ (ЭФА) был выполнен для проверки теоретической структуры опросника и качества утверждений в пакете psych языка программирования R методом максимального правдоподобия с промакс (promax)-вращением. На данном этапе исключались пункты с низкими факторными нагрузками (ниже 0,30) и с выраженными перекрестными нагрузками; дополнительно оценивалось теоретическое соответствие пунктов выделенным факторам. В результате был исключен вопрос из субшкалы, оценивающей предполагаемые затраты ресурсов, который продемонстрировал наибольшую нагрузку на фактор самоэффективности. Оставшиеся 18 пунктов распределились между двумя факторами с совокупной долей объясненной дисперсии 56,7%. Корреляционная структура данных характеризуется высокой долей общей дисперсии (критерий Кайзера–Мейера–Олкина, KMO = 0,95) и значимым критерием сферичности Бартлетта (χ² = 4218,73; df = 153; p < 0,001).

Конфирматорный факторный анализ (КФА) был выполнен в пакете lavaan языка программирования R для оценки структуры опросника и теоретической модели (см. рисунок). Модель факторов второго порядка на основе 18 утверждений показала приемлемое соответствие данным (Satorra-Bentler χ2(128) = 335,08; CFI = 0,95; RMSEA = 0,066 (90% CI от 0,058 до 0,075), SRMR = 0,05). Структура шкал и стандартизированные факторные нагрузки представлены в табл. 1.

Таблица 1 / Table 1

Стандартизированные факторные нагрузки утверждений опросника

Standardised factor loadings of the questionnaire items

Примечание: Номера утверждений соответствуют содержанию, представленному в Приложении.

Note: The item numbers correspond to the content provided in Appendix.

В завершении анализа были оценены показатели надежности субшкал (табл. 2). Все утверждения имели статистически значимые стандартизированные факторные нагрузки 0,5 или выше (см. табл. 1), а каждый латентный конструкт обеспечивал не менее 50% дисперсии связанных с ним показателей, то есть среднее значение извлеченной дисперсии (AVE) для каждой субшкалы составляло более 0,5, что в совокупности подтверждает конвергентную валидность факторов первого порядка (Cheung и др., 2024). Конвергентная валидность фактора второго порядка «Субъективная ценность» задачи (деятельности) оценивалась косвенно, через величину и значимость нагрузок факторов первого порядка. Все стандартизированные нагрузки были высокими (λ = 0,865-0,953, p < 0,001), а доверительные интервалы не включали ноль. Кроме того, фактор второго порядка объяснял значительную долю дисперсии входящих в него субшкал (от 75% до 90%), что подтверждает конвергентную валидность конструкции второго порядка.

Таблица 2 / Table 2

Описательные статистики и показатели надежности субшкал

Descriptive statistics and reliability indicators of subscales (N = 368)

Примечания: AVE – среднее значение извлеченной дисперсии; α – коэффициент Альфа-Кронбаха; CR – надежность конструкта.

Note: AVE – average variance extracted; α – The Cronbach's alpha coefficient; CR – construct reliability.

На основании предыдущих исследований (Rönkkö, Cho, 2022) дискриминантная валидность между латентным фактором первого порядка «Самоэффективность» и фактором второго порядка «Субъективная ценность» была подтверждена на основе латентной корреляции (r = 0,743, p < 0,001), доверительный интервал которой не включал единицу [95% CI: 0,676; 0,810].

Валидность опросника

Конвергентная валидность опросника, наряду с рассмотрением его факторной структуры и показателей AVE, оценивалась посредством анализа корреляций с теоретически релевантными конструктами, ранее показавшими значимую взаимосвязь с ТОЦ и использованием цифровых технологий.

В табл. 3 представлены корреляции Спирмена. Все пять измерений шкалы мотивации использования ИИ положительно коррелируют с тремя компонентами карьерной вовлеченности, а также технорационализмом и технофилией, с которой взаимосвязь самая сильная. В большинстве случаев технофобия и технопессимизм не демонстрируют значимых корреляций с исследуемыми переменными либо эти связи носят слабый отрицательный характер. Так, были выявлены лишь две статистически значимые корреляции: между технопессимизмом и внутренним интересом к использованию ИИ (r = −0,13, p < 0,05), а также между технофобией и самоэффективностью (r = −0,18, p < 0,001). Соответственно, данные корреляционного анализа подтверждают конвергентную валидность опросника.

Таблица 3 / Table 3

Результаты корреляционного анализа

Results of correlation analysis

Примечание: «*» — корреляция значима на уровне 0,05; «**» — корреляция значима на уровне 0,01; «***» — корреляция значима на уровне 0,001.

Note: «*» — correlation is significant at the 0,05 level; «**» — correlation is significant at the 0,01 level; «***» — correlation is significant at the 0,001 level.

Важно отметить, что мотивация использования ИИ в большей степени определяется позитивными ресурсами (технофилия, технорационализм, три измерения карьерной вовлеченности), чем негативными установками (технопессимизм, технофобия). Соответственно, стратегии стимулирования использования ИИ должны быть ориентированы не столько на преодоление страхов, сколько на формирование интереса, уверенности и осмысленной полезности ИИ в профессиональном и карьерном плане.

Обсуждение результатов

Факторная структура

В результате ЭФА и КФА было выделено два фактора в соответствии с теорией Ж. Экклс и А. Уигфилда (Wigfield, Eccles, 2000) – самоэффективность и субъективная ценность задачи (деятельности), последний из которых состоит из четырех мотивационных компонент. Полученные результаты в целом соотносятся с опросником, предложенным Юртом и Казарчи (Yurt, Kasarci, 2024). Однако в результате проведенного анализа были исключены два утверждения, соответственно, наша финальная версия состояла из 18 вопросов. Таким образом, валидированный нами опросник содержит 18 утверждений, которые распределены между пятью субшкалами для оценки мотивации использования ИИ (см. Приложение).

Валидность

В ходе обзора литературы была установлена положительная взаимосвязь между самоэффективностью, субъективными ценностями задачи (деятельности) в рамках ТОЦ (Wigfield, Eccles, 2000) и выбором профессионального пути (Eccles, Wigfield, 2002; Lauermann и др., 2017), а также результатами академической успеваемости (Иванюшина и др., 2016), которая связана с саморазвитием и карьерой. Соответственно, было выдвинуто теоретическое предположение о взаимозависимости между шкалой, предложенной Юртом и Казарчи (Yurt, Kasarci, 2024) на основе этой теории, и карьерной вовлеченностью как формой проактивного карьерного поведения (Hirschi и др., 2014), которая выражается через планирование карьеры, карьерное саморазвитие и установление профессиональных связей, в совокупности оказывающих влияние на профессиональное развитие человека (Волкова и др., 2026). Кроме того, использование приложений ИИ тесно связано с отношением к технологиям (Солдатова и др., 2021). Коэффициенты корреляции показали значимые положительные значения с позитивными ресурсами (технофилия, технорационализм, три измерения карьерной вовлеченности) и отсутствие или слабые отрицательные связи с технопессимизмом и технофобией, что подтверждает валидность опросника. Таким образом, можно сделать вывод, что опросник является валидным и надежным инструментом для применения на русскоязычной выборке как с точки зрения формальных психометрических показателей, так и с позиции его психологической направленности и содержательного наполнения.

Практическая значимость

Важно отметить, что все пять измерений мотивации использования ИИ продемонстрировали умеренно высокие положительные корреляции (r ≈ 0,54–0,75). Соответственно, повышение одной мотивационной компоненты (например, практической полезности или интереса) с высокой вероятностью сопровождается ростом других, а мотивация использования ИИ может рассматриваться как комплексная система. В этом контексте интервенции, направленные на ее повышение через, например, обучающие программы, целесообразно проектировать с учетом одновременного усиления всех пяти мотивационных составляющих в рамках ТОЦ.

С другой стороны, использование ИИ воспринимается не как изолированная технологическая практика, а как инструмент карьерного развития, поскольку все мотивационные показатели умеренно и значимо коррелируют с карьерным планированием, карьерным нетворкингом и карьерным саморазвитием (r ≈ 0,22–0,35). Соответственно, продвижение ИИ-приложений будет более эффективным, если они позиционируются как средство повышения карьерных перспектив или как ресурс для профессионального роста и расширения профессиональных связей.

Положительное эмоционально-ценностное отношение к технологиям существенно усиливает мотивацию использования приложений ИИ, чему может способствовать формирование позитивного технологического опыта. Скептические или тревожные ожидания относительно технологий, выраженные через технопессимизм, в целом не играют решающей роли в формировании мотивации использования ИИ. Однако технофобия, которая значимо и умеренно отрицательно связана с самоэффективностью, снижает мотивацию через подрыв уверенности в собственной способности успешно использовать ИИ. Соответственно, обучающие и поддерживающие меры должны быть направлены на повышение самоэффективности, особенно для людей с высоким уровнем тревожности.

Технорационализм умеренно коррелирует со всеми мотивационными переменными (r ≈ 0,34–0,42), а также сильно связан с технофилией и отрицательно – с технофобией. Соответственно, рациональное, взвешенное отношение к технологиям через осознание их возможностей и ограничений будет поддерживать мотивацию использования ИИ без чрезмерного оптимизма или страха.

Заключение

1. Мы видим потенциал развития настоящего исследования в адаптации существующего зарубежного методического инструментария, а также в разработке нового, отечественного, позволяющего работать с психологическими феноменами, вызываемыми появлением и развитием ИИ. Наше исследование показало, что возможности ИИ расширяют и углубляют мотивационную сферу личности, могут быть направлены на развитие самоэффективности и повышают ценность деятельности, что является важнейшим ресурсом учащейся молодежи и образования в целом.
2. Психометрическая адаптация. Адаптированная версия шкалы «Мотивация использования ИИ» для русскоязычной выборки подтвердила свою надежность и валидность. В соответствии с теорией Ж. Экклс и А. Уигфилда (Wigfield, Eccles, 2000) шкала включает два фактора «самоэффективность» и «субъективная ценность» задачи (деятельности). При этом фактор «субъективная ценность» состоит из четырех мотивационных компонент: 1) внутренняя ценность, 2) воспринимаемая ценность достижений, 3) практическая ценность, 4) предполагаемые затраты ресурсов.
3. Полученные результаты подтверждают применимость теории Ж. Экклес и А. Уигфилда (Eccles, Wigfield, 2002), основанной на ожидании успеха и субъективных ценностях деятельности, к анализу мотивации использования ИИ на русскоязычной репрезентации.
4. Шкала позволяет дифференцированно оценивать мотивационные компоненты, что может быть полезно для педагогов и карьерных консультантов. Например, низкие показатели по субшкале «Предполагаемые затраты ресурсов» могут свидетельствовать о недостаточном понимании сценариев, где ИИ‑навыки могут быть полезны, и, соответственно, требовать определенного обучения.
5. Адаптированный опросник может стать основой для разработки программ мотивации обучающихся и сотрудников организаций, направленных на усиление использования ИИ-технологий. Соответственно, методический арсенал практических психологов дополнен еще одним надежным и валидным инструментом психодиагностики.
6. Технорационализм рассматривается как защитный фактор, который выражается в рациональном, взвешенном отношении к технологиям, а также в осознании их преимуществ и ограничений, выступает устойчивым фактором поддержки мотивации использования ИИ.

Ограничения. Исследование ограничено выборкой студентов из крупных городов России. В будущем целесообразно проверить шкалу на других выборках, включая менее населенные локации, а также с учетом других возрастных групп. Кроме того, в дальнейшем перспективно изучить влияние более широкого набора социально-демографических факторов на мотивацию использования нейросетей.

Limitations. The study is limited to a sample of students from large cities in Russia. In the future, it would be advisable to test the scale on other samples, including less populated locations, as well as taking into account other age groups. Furthermore, it would be promising to examine the influence of a broader range of socio-demographic factors on the motivation to use neural networks.

1 Демина, К. (2025). Нейросети: инструмент, а не магия. ВЦИОМ. Новости. URL: https://wciom.ru/analytical-reviews/analiticheskii-obzor/neiroseti-instrument-a-ne-magija (дата обращения: 21.01.2026)

1. Волкова, Н.В., Бордунос, А.К., Чикер, В.А. (2026). Адаптация методики диагностики развития карьеры: шкала «Карьерная вовлеченность». Социальная психология и общество, 17(1), 146–165. https://doi.org/10.17759/sps.2026170109
   Volkova, N.V., Bordunos, A.K., Chiker, V.A. (2026). Adaptation of the questionnaire for career development: “Career engagement scale”. Social Psychology and Society, 17(1), 146—165. (In Russ.). https://doi.org/10.17759/sps.2026170109
2. Иванюшина, В.А., Александров, Д.А., Мусабиров, И.Л. (2016). Структура академической мотивации: Ожидания и субъективные ценности освоения университетского курса. Вопросы образования, 4, 229—250. https://doi.org/10.17323/1814-9545-2016-4-229-250
   Ivanyushina, V.A., Aleksandrov, D.A., Musabirov, I.L. (2016). The structure of academic motivation: Expectations and subjective values of mastering a university course. Educational Issues, 4, 229—250. (In Russ.). https://doi.org/10.17323/1814-9545-2016-4-229-250
3. Казакова, Е.И., Кузьминов, Я.И. (2025). Мы должны воспитать культуру критического отношения к ответам искусственного интеллекта. Вопросы образования, 1, 8—24. https://doi.org/10.17323/vo-2025-25882
   Kazakova, E.I., Kuz'minov, Ya.I. (2025). We must cultivate a culture of critical thinking about artificial intelligence responses. Educational Issues, 1, 8—24. (In Russ.). https://doi.org/10.17323/vo-2025-25882
4. Кузьменко, М.В. (2025). Искусственный интеллект в школьном математическом образовании: осведомленность, готовность и использование учителями математики. Психологическая наука и образование, 30(3), 125–139. https://doi.org/10.17759/pse.2025300310
   Kuzmenko, M.V. (2025). Artificial intelligence in school mathematics education: awareness, readiness, and usage among mathematics teachers. Psychological Science and Education, 30(3), 125–139. https://doi.org/10.17759/pse.2025300310
5. Мещерякова, Н.Н. (2012). Проявления аномии в российском обществе. Мир науки, культуры, образования, 3(34), 281—283.
   Meshcheryakova, N.N. (2012). Manifestations of Anomie in Russian Society. World of Science, Culture, Education, 3(34), 281—283. (In Russ.).
6. Солдатова, Г.У., Нестик, Т.А., Рассказова, Е.И., Дорохов, Е.А. (2021). Психодиагностика технофобии и технофилии: разработка и апробация опросника отношения к технологиям для подростков и родителей. Социальная психология и общество, 12(4), 170—188. (In Russ.). https://doi.org/10.17759/sps.2021120410
   Soldatova, G.U., Nestik, T.A., Rasskazova, E.I., Dorokhov, E.A. (2021). Psychodiagnostics of Technophobia and Technophilia: Development and Testing a Questionnaire of Attitudes towards Technology for Adolescents and Parents. Social Psychology and Society, 12(4), 170—188. (In Russ.). https://doi.org/10.17759/sps.2021120410
7. Субботина, М.В. (2024). Искусственный интеллект и высшее образование — враги или союзники. Вестник Российского университета дружбы народов, Серия: Социология. 24(1), 176—183. https://doi.org/10.22363/2313-2272-2024-24-1-176-183
   Subbotina, M.V. (2024). Artificial intelligence and higher education: enemies or allies? Bulletin of the Peoples' Friendship University of Russia, Series: Sociology, 24(1), 176—183. (In Russ.). https://doi.org/10.22363/2313-2272-2024-24-1-176-183
8. Bellemare-Pepin,, Lespinasse, F., Thölke, P. et al. (2026). Divergent creativity in humans and large language models. Scientific Report, 16(1279). https://doi.org/10.1038/s41598-025-25157-3
9. Brislin, R.W. (1970). Back-Translation for Cross-Cultural Research. Journal of Cross-Cultural Psychology, 1(3), 185–216. https://doi.org/10.1177/135910457000100301
10. Cheung, G.W., Cooper-Thomas, H.D., Lau, R.S., Wang, L.C. (2024). Reporting reliability, convergent and discriminant validity with structural equation modeling: A review and best-practice recommendations. Asia Pacific Journal of Management, 41(2), 745–783. https://doi.org/10.1007/s10490-023-09871-y
11. Eccles, J.S., Wigfield, A. (2002). Motivational Beliefs, Values, and Goals. Annual Review of Psychology, 53, 109— https://doi.org/10.1146/annurev.psych.53.100901.135153
12. Gocen, A., Aydemir, F. (2020). Artificial Intelligence in Education and Schools. Research on Education and Media, 12(1). https://doi.org/10.2478/rem-2020-0003
13. Hirschi, A., Freund, P.A., Herrmann, A. (2014). The Career Engagement Scale: Development and Validation of a Measure of Proactive Career Behaviors. Journal of Career Assessment, 22(4), 575— https://doi.org/10.1177/1069072713514813
14. Lauermann, F., Tsai, Y.-M., Eccles, J.S. (2017). Math-related career aspirations and choices within Eccles et al.’s expectancy–value theory of achievement-related behaviors. Developmental Psychology, 53(8), 1540— https://doi.org/10.1037/dev0000367
15. McGrath, M.J., Lack, O., Tisch, J., Duenser, A. (2025). Measuring trust in artificial intelligence: validation of an established scale and its short form. Frontiers in Artificial Intelligence. 8:1582880. https://doi.org/10.3389/frai.2025.1582880
16. Mayer, J.D. (2025). How Human Personality Will Change With the Use of Artificial Intelligence. Personality Science, 6. https://doi.org/10.1177/27000710251386963
17. Perkins, M., Furze, L., Roe, J., MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/53761/q3azde36
18. Rönkkö, M., Cho, E. (2022). An Updated Guideline for Assessing Discriminant Validity. Organizational Research Methods, 25(1), 6–14. https://doi.org/10.1177/1094428120968614
19. Schepman, A., Rodway, P. (2022). The General Attitudes towards Artificial Intelligence Scale (GAAIS): Confirmatory Validation and Associations with Personality, Corporate Distrust, and General Trust. International Journal of Human–Computer Interaction, 39(8), 1—18. https://doi.org/10.1080/10447318.2022.2085400
20. Wang, Y.-Y., Wang, Y.-S. (2019). Development and validation of anartificial intelligence anxiety scale: an initial application in predicting motivated learning behavior. Interactive Learning Environments, 30(2), 1—16. https://doi.org/10.1080/10494820.2019.1674887
21. Wigfield, A., Eccles, J.S. (2000). Expectancy–Value Theory of Achievement Motivation. Contemporary Educational Psychology, 25(1), 68— https://doi.org/10.1006/ceps.1999.1015
22. Yu, H., Guo, Y. (2023). Generative artificial intelligence empowers educational reform: current status, issues, and prospects. Frontiers in Education, 8(1183162). https://doi.org/3389/feduc.2023.1183162
23. Yuan, L., Liu, X. (2025). The effect of artificial intelligence tools on EFL learners’ engagement, enjoyment, and motivation. Computers in Human Behavior, 162(108474). https://doi.org/10.1016/j.chb.2024.108474
24. 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