综述：将AI素养整合到TAM-TPB模型中通过MASEM方法解释学生使用教育AI的意愿

《Computers in Human Behavior Reports》：Integrating AI Literacy into the TAM-TPB Model to Explain Students’ Intention to Use Educational AI through MASEM Approach

这篇综述运用元分析结构方程模型（MASEM），首次将技术接受模型（TAM）、计划行为理论（TPB）与人工智能素养（AIL）整合到一个统一框架中，揭示了影响学生采纳教育人工智能（EAI）意愿的关键因素。研究发现，AIL是预测使用意愿的最强预测因子（β = 0.408），其重要性超越了感知有用性（PU）。研究强调了从关注工具外部效用转向培养用户内部能力（AIL）的范式转变，并为不同经济水平和学段的教育实践提供了具体建议。

　　

引言

第四次工业革命推动了信息技术的飞速发展，人工智能（AI）已成为变革的核心驱动力。大型语言模型和ChatGPT等创新正在重塑包括教育在内的各个领域。近年来，教育人工智能（EAI）日趋成熟，涵盖了智能辅导系统、自动评估和情感分析等领域，并被广泛部署以提高教学质量和效率。实证研究表明，EAI可以增强学生的参与度、沟通技巧、动机和兴趣，显示出其解决教学挑战和推进高质量教育的潜力。至关重要的是，在实施之前，必须理解学习者采用EAI应用程序的行为意向（INT）。研究指出，EAI的应用应以学生为中心，强调其使用技术的意向，并探索影响其采纳行为的关键因素。

在用于研究学生使用EAI应用程序意向的模型中，技术接受模型（TAM）是研究人员最常用的模型。此外，TAM在AI用户接受度研究中具有灵活性，可以通过修改其外部变量或模型结构进行扩展。一个更为成熟的整合是通过将TAM与计划行为理论（TPB）相结合来实现的。Taylor和Todd（1995）开发了整合的TAM-TPB模型（I-TAM-TPB模型），它通过TAM中关于技术特征对行为态度影响的路径丰富了TPB中的态度建构机制；另一方面，它通过TPB中的主观规范（SN）和感知行为控制（PBC）弥补了TAM在社会影响和行为实施可行性方面的不足。在此基础上，最近的研究越来越多地将人工智能素养（AIL）——包括AI基础知识、伦理意识和有效的系统交互——纳入这些模型，以提高解释力。AIL被视为有效采用EAI的先决条件，因为素养较高的学生可以批判性地评估AI输出、识别偏见并更熟练地与系统交互，从而培养信任和采纳意向。此外，AIL可以减轻与EAI使用相关的风险，例如过度依赖AI、学术不端行为和数据安全问题。最近的一项系统综述证实了这一趋势，表明虽然TAM和TPB在AI接受度研究中被广泛应用，但它们很少以原始形式使用，通常会被扩展以捕捉AI特定特征。重要的是，AIL被强调为技术采纳的“新兴预测因子”，并鼓励将其纳入传统的接受度模型，预测其在TAM/TPB框架内的重要性将随着实证证据的积累而持续增长。

然而，尽管有越来越多的研究将AIL整合到TAM、TPB和I-TAM-TPB框架中，几个重要的缺陷仍然存在：现有研究结果不一致且常常相互矛盾；大多数研究集中在特定的学生群体或社会经济背景，其普适性存疑；以往的元分析仅限于检查变量间的双变量关系，尚未深入分析多变量间的复杂结构关系；尚无元分析综合研究将AIL与TAM和TPB整合以确定学生INT的决定因素，并阐明AIL如何与这些模型的核心构念相互关联。

为了解决这些空白，本研究使用I-TAM-TPB模型作为基线，并基于先前的证据 refine 其内部路径关系以构建一个扩展模型。然后，我们将AIL作为一个额外的构念纳入，形成了一个AIL整合的扩展模型。使用元分析结构方程模型（MASEM），我们测试了这个模型，以澄清构念之间的结构关系，并比较其与基线和扩展版本的解释力。

文献综述与假设发展

I-TAM-TPB模型（基线模型）

I-TAM-TPB模型整合了技术接受模型（TAM）和计划行为理论（TPB），通过四个构念直接预测使用意向（INT）：态度（ATT）——用户对技术使用的积极或消极评价；感知有用性（PU）——相信技术能提高绩效；主观规范（SN）——感知到的采纳或拒绝行为的社会压力；感知行为控制（PBC）——对执行行为的能力和资源的信心。ATT受到PU和感知易用性（PEU）的影响，PEU直接影响PU。因此，更高水平的PU、ATT、SN和PBC会强化INT，而更高的PEU会进一步放大PU并培养更有利的ATT。我们采用此框架作为我们的基线模型。

近年来，I-TAM-TPB模型已广泛应用于AI支持的教育环境，一些研究验证了其结构路径。然而，其他研究报道了偏离其原始假设的情况。因此，有必要使用MASEM方法整合现有研究的广度，深入揭示每条路径效应大小的差异，为I-TAM-TPB模型在AI支持的教育场景中的适用性和机制提供更全面可靠的实证基础。据此，我们提出了假设H1至H7。

内部扩展的I-TAM-TPB模型（内部扩展模型）

虽然I-TAM-TPB框架在预测技术接受行为方面优于单独的TAM或TPB，但学者们敦促其适应和扩展以适应特定的研究背景。TPB模型假设决定INT的三个核心变量（PBC、ATT和SN）是独立的。这一假设在实践中是不现实的，因为TPB模型的三个核心构念通常高度相关——这种模式被广泛认为是方法论偏见的常见来源。调查TPB构念之间这些潜在的相互关系至关重要，因为它为研究人员提供了新颖的理论见解，并丰富了TPB框架的概念清晰度。SN塑造了用户分享技术经验的态度，内化的社会压力显著影响行为态度，并阻止社会不认可的行为。实证证据证实了SN对学生EAI态度的影响。类似地，PBC也是态度的关键前因，因为更高的PBC减少了绩效担忧并培养了更积极的评价。研究表明，PBC通过揭示控制信念 underlie 决策，并且感知环境控制可以驱动信息系统接受。因此，当学生感到配备了必要的资源、知识和支持时，他们对EAI的态度变得更加有利，从而导致更大的参与度。

在EAI采纳研究中，学者们调查了TAM和TPB构念之间的关系， notably 在许多解决学生接受意向的模型中纳入了SN对PEU和PU的影响。例如，研究表明，SN显著预测中学生使用EAI工具的意向和PU。有研究报道了SN对大学生参与生成式AI进行探究式学习的PU有积极影响。有研究发现，SN可以有力地解释中学生使用EAI应用程序的PU。扩展这一点，有研究采用SEM显示SN通过其对PEU和PU的影响间接驱动GPT的使用。

因此，我们提出了假设H8至H11。

AIL整合的内部扩展模型

人工智能素养（AIL）指的是识别、利用、评估和伦理管理AI技术的能力。它包括四个维度：认知、使用、评价和伦理。认知——类似于数字能力——涉及在采纳前识别和理解AI功能。使用涉及有效操作AI工具以完成任务，反映了个人的技术技能和易用性。评价需要批判性分析AI输出并选择适当的应用程序，鉴于AI系统的复杂性和“黑箱”性质。最后，伦理涉及负责任的AI部署，确保在AI pervasive 的社会影响下遵守道德和治理标准。这些方面定义了个体使用AI技术的熟练程度和准备状态。

许多探索EAI工具应用的研究证实，学生的AIL可以积极影响学生的PU、PEU、AI使用态度和使用AI的INT。例如，有研究将AIL嵌入TAM框架用于ChatGPT支持的英语教学，证明AIL提升了PU和PEU，进而介导了其对学生使用AI意向的影响。有研究同样将AIL整合到TAM中考察本科生对AIGC的采纳，发现AIL显著提升了PU和PEU，这部分介导了其对使用意向的积极影响。有研究使用PLS-SEM在中国硕士生中证实，AIL强烈预测PEU、PU和使用AI进行文献阅读的意向。此外，一些研究强调了AIL在塑造态度方面的直接作用：有研究报告称，生成式AI素养是INT的积极预测因子，态度充当了中介变量；有研究发现AIL显著预测中学生对EAI的态度。

总之，本研究将AIL纳入内部扩展模型，并增加了新的影响路径（AIL→PU, AIL→PEU, AIL→ATT, AIL→INT）。据此，我们假设H12至H15。

调节变量

在教育技术采纳过程中，一个国家的经济发展水平是一个重要的宏观情境变量。数字鸿沟理论认为，尽管信息通信技术在教育中广泛使用，但经济发展和信息基础设施的差异仍然存在，甚至在某种程度上加剧了。经济条件不仅决定了学习者能否获得必要的设备和网络资源，还影响了他们使用这些技术的能力和应用方式，从而塑造了学习者对新兴教育技术的态度和行为。研究表明，经济发展水平是教育数字鸿沟的关键决定因素，高收入国家正从“技术接入”问题转向“技术使用”问题，而中低收入国家仍面临基础设施和资源可用性的挑战。这些发现表明，在经济发达地区，学习者更有可能形成对教育AI工具的直接认知体验，而在欠发达地区，资源限制可能加剧在塑造技术使用态度和意向时对外部支持和社会情境的依赖。总体而言，这条研究线索表明，经济发展水平作为一个宏观情境因素，可能会塑造TAM-TPB框架内构念间关系的变化。

同时，学生的教育水平（年级）可以被视为另一种微观情境变量。除了代表学校教育阶段外，它还反映了认知能力和信息处理方式的差异。根据皮亚杰的认知发展理论，低年级学生通常处于具体运算阶段，更依赖直觉经验和外部指导。相比之下，高年级学生更可能进入形式运算阶段，其特征是抽象推理、逻辑思维和元认知技能，这有助于更独立和抽象的信息处理。因此，不同教育水平的学习者可能通过不同的认知机制来接触新技术。实证证据支持这一观点。

因此，我们提出假设H16和H17。

研究方法

文献检索与筛选

我们进行了全面的文献检索（2020年至2025年6月），检索了多个学术数据库。搜索策略聚焦于可能出现在文章标题、摘要和关键词部分的潜在关键词组合。本元分析仅包括正式发表在期刊和会议论文集上的完整研究，排除灰色文献。初始搜索结果包括5030篇文章。去除重复后，对剩余文章进行了标题和摘要的手动筛选，以及全文评估。最终，有166项符合指定标准的研究被纳入元分析。

编码程序

我们采用了结构化的编码程序：首先，两名研究人员独立编码了30篇出版物的随机样本。随后进行讨论以解决分歧并标准化编码标准。之后，两名研究人员分别对所有文献进行编码。编码包含两类信息：1）详细信息，如作者、标题、论文来源、出版年份、学生群体、国家/地区、样本量等，并对相似变量进行了整合；2）效应量（皮尔逊相关系数）。此外，我们记录了每种关系的效应量以及每个构念的组合信度（CR）。编码完成后，交叉核对结果并使用Cohen‘s Kappa评估评分者间信度。平均Cohen’s Kappa值为0.953，表明评分者间信度极佳。

效应量计算与整合

我们使用相关系数来表示元分析中的效应量。虽然大多数纳入的研究同时报告了相关系数和标准化路径系数（β），但有四项研究仅提供了β值。对于这些情况，我们使用公式 r = 0.98β + 0.05λ（其中β > 0时λ=1；否则λ=0）将β转换为r。随后，我们应用Hunter和Schmidt方法进行Fisher‘s Z转换。对相关系数进行了测量不可靠性校正，并使用样本量作为权重计算每种关系的加权平均效应量及其95%置信区间（CIs）。同时考虑了固定效应和随机效应模型。具体而言，当I2和Q检验表明异质性较低（I2 < 50%）且Q统计量不显著（p > 0.10）时，应用固定效应模型；否则，使用随机效应模型进行更稳健的估计。此外，为了检验调节效应，我们对元分析中显示异质性的关系进行了亚组分析。研究按（a）区域经济发展水平（发达国家/地区与发展中国家/地区）和（b）学生教育阶段（K-12与高等教育）进行分类。最后，通过失安全N（Fail-safe N）和Egger’s回归检验检验发表偏倚。

MASEM

元分析允许研究人员在控制外部影响的情况下检查双变量关系。为了探索本研究中变量之间的预测关系，我们应用MASEM来检验基线模型、内部扩展模型和AIL整合的内部扩展模型。MASEM支持跨多个构念的理论驱动定量分析。由于MASEM需要统一的相关矩阵和一致的样本量，我们计算了纳入研究中样本量的调和平均值以确定有效样本量。然后，我们使用元分析中的合并相关矩阵作为CB-SEM中协方差矩阵的代理。由于MASEM分析中的原始数据是用于SEM分析的相关矩阵形式，无法使用基于最大似然估计的Bootstrap方法来检验直接效应（路径系数）、中介效应和总效应及其95%置信区间和显著性。因此，本研究使用基于蒙特卡洛模拟的方法（MCM）来解决这个问题。

我们使用AMOS 29.0评估了三个结构模型，使用RMSEA、SRMR、NFI、IFI、TLI和CFI评估拟合度，并使用AIC、BCC和ECVI比较模型。此外，SEM的潜变量通常需要至少三个测量指标，这在统计分析和实际原因上都是合理的。然而，在MASEM分析中，模型设置中每个构念只有一个测量指标，因此需要在SEM分析中进行额外设置。我们根据元分析中的论文计算了模型中第j个构念的CR平均值，进而得到平均信度。然后，我们将项目的残差方差设置为（1-），将项目的因子载荷设置为。在本研究中，每个构念的CR（均值）、残差方差和因子载荷见表3。

结果

元分析结果

表4显示了每对关系的效应量估计结果。首先，所有置信区间都不包含零，证实了每种关系的效应量在统计上是显著的。其次，根据Cohen（2016）推荐的效应量值，所有关系都表现出中等至强的正相关。每种关系的I2统计量均大于50%，且Q统计量的显著性小于0.1，表明存在异质性。因此，本研究使用随机效应模型合并效应量，高异质性也表明有必要进一步分析调节效应。为了评估潜在的发表偏倚，首先应用了Rosenthal的失安全N统计量并结合“5k + 10”准则。合并皮尔逊相关系数的失安全N值大大超过了阈值，表明没有整体发表偏倚。为了更高的敏感性，还进行了Egger‘s回归检验，所有p值均大于0.05，进一步表明不存在发表偏倚。值得注意的是，缺乏灰色文献似乎并未损害研究结果的整体解释，因为没有发现显著的发表偏倚。

亚组分析

我们检验了两个调节变量的作用，即国家经济水平和学生教育水平。调节分析确立了国家/地区经济水平的部分调节作用（见表5）。例如，AIL与INT之间的关系、AIL与ATT之间的关系、SN与PEU之间的关系、PBC与ATT之间的关系在不同经济水平间存在显著差异。具体而言，AIL与ATT的相关性在发达国家/地区（r = 0.754）强于发展中国家/地区（r = 0.576），表明在先进背景下，AI素养与积极态度的联系更紧密。相比之下，AIL与INT的相关性在发展中地区（r = 0.607）高于发达地区（r = 0.269），表明在资源有限条件下，AI素养在塑造行为意向方面扮演更关键的角色。此外，PBC与ATT的相关性在发展中地区（r = 0.642*）更强，突出了在资源受限情况下学生感知控制对其EAI态度的重要性。

调节分析也确立了学术阶段的调节作用（见表6）。例如，PU与ATT之间的关系、AIL与PU之间的关系、PEU与PU之间的关系、SN与ATT之间的关系、PEU与ATT之间的关系、SN与PEU之间的关系在不同学段间存在显著差异。具体而言，PU与ATT的相关性在高等教育（r = 0.614）强于K–12（r = 0.265），表明感知有用性在高级学术阶段与态度的联系更紧密。类似地，AIL与PU的相关性在高等教育（r = 0.555）高于K–12（r = 0.184），表明AI素养与高等教育学生的有用性感知有更强的关联。相比之下，SN与PEU的相关性在K–12（r = 0.589）强于高等教育（r = 0.454），反映了K–12学生的易用性感知更受社会规范的影响。此外，PEU–ATT（r = 0.543vs. 0.372）和SN–ATT（r = 0.507vs. 0.334）的相关性在高等教育中更强，强调了在后期学术阶段可用性和社会影响在塑造态度方面日益增长的作用。

MASEM分析结果

我们首先分析了基线模型。表7表明，基线模型中的所有估计路径均达到统计显著性，从而支持其有效性。基线模型的拟合参数（RMSEA = 0.240, SRMR = 0.090, NFI = 0.890, RFI = 0.669, IFI = 0.890, TLI = 0.670, CFI = 0.890）是三个模型中最差的。此外，该模型的ECVI、AIC和BCC值也是三个模型中最高的。基线模型解释了PU中48.2%的方差，ATT中52.5%的方差，以及使用EAI的INT中57.9%的方差。这些结果表明，虽然基线模型捕捉了核心的TAM–TPB机制，但其在EAI采纳背景下的解释力仍然有限。

我们通过将四条内部路径（SN→PU, SN→PEU, SN→ATT, PBC→ATT）整合到基线模型中，开发了内部扩展模型。内部扩展模型中所有假设的路径均得到支持并达到统计显著性（见表7）。内部扩展模型的拟合参数（RMSEA = 0.186, SRMR = 0.066, NFI = 0.960, RFI = 0.801, IFI = 0.961, TLI = 0.802, CFI = 0.960, ECVI = 0.115, AIC = 491.251, BCC = 491.330）优于基线模型。内部扩展模型解释了PU中49.7%的方差，ATT中62.5%的方差，使用EAI的INT中58.7%的方差，并且新增了对PEU的方差解释（R2 = 0.295）。因此，内部扩展模型扩大了对新变量（PEU）的解释，并提高了对PU、ATT和使用EAI的INT的解释力，模型拟合度进一步改善。

我们通过向内部扩展模型添加四条额外路径（AIL→PU, AIL→PEU, AIL→ATT, AIL→INT），进一步开发了AIL整合的内部扩展模型。该模型MASEM中获得的关系均显著（见表7），因此H1-H15全部有效。该模型显示出可接受的拟合度，并且在三个模型中具有最佳的整体拟合优度指数：RMSEA = 0.058, SRMR = 0.013, NFI = 0.997, RFI = 0.977, IFI = 0.997, TLI = 0.979, CFI = 0.997, ECVI = 0.026, AIC = 109.708, BCC = 109.829。在AIL整合的扩展模型中，PEU对PU（β = 0.433）和ATT（β = 0.086）有积极影响；PU对ATT（β = 0.288）和使用EAI的INT（β = 0.268）有积极影响；SN对使用EAI的INT有积极影响（β = 0.135）；PBC对使用EAI的INT有积极影响（β = 0.115）；ATT对使用EAI的INT有积极影响（β = 0.218）。此外，内部扩展模型的路径对AIL整合的内部扩展模型也至关重要。在新提出的路径中，SN对PEU（β = 0.315）和PU（β = 0.201）都有显著影响。SN和PBC对ATT分别有值为0.105和0.329的显著积极影响。新引入的变量AIL对PEU（β = 0.456）、PU（β = 0.219）和ATT（β = 0.193）施加了显著积极影响，并直接影响使用EAI的INT（β = 0.221）。AIL整合的内部扩展模型解释了PEU中43.8%的方差，PU中52.0%的方差，ATT中66.3%的方差，以及使用EAI的INT中62.4%的方差。因此，与基线和内部扩展模型相比，AIL整合的内部扩展模型对每个内生构念表现出更优的解释力，并显示出改善的模型拟合度。

中介效应分析

我们的间接效应分析显示（见表8），AIL通过PEU→ATT（β = 0.009）、PEU→PU（β = 0.053）、PEU→PU→ATT（β = 0.012）、PU（β = 0.059）、ATT（β = 0.042）、PU→ATT（β = 0.014）间接影响学生使用EAI的INT。SN通过以下路径间接影响学生使用EAI的INT，包括PEU→ATT（β = 0.006）、PEU→PU（β = 0.037）、PEU→PU→ATT（β = 0.009）、PU（β = 0.054）、PU→ATT（β = 0.013）、ATT（β = 0.024）。PEU通过PU（β = 0.116）、PU→ATT（β =0.028）、ATT（β = 0.019）间接影响学生使用EAI的INT。PU和PBC都通过ATT间接影响使用EAI的INT（PU → ATT → INT: β = 0.062; PBC → ATT → INT: β = 0.072*）。

结果显示，AIL、SN、PU和PBC通过部分中介影响使用EAI的INT，因为它们对使用EAI的INT的直接效应和总效应仍然显著——符合Baron和Kenny（1986）提出的部分中介标准。相比之下，由于没有从PEU到使用EAI的INT的直接路径，但总效应仍然显著，PEU对使用EAI的INT的影响被ATT完全中介。这种区别表明，虽然大多数预测因子对采纳施加直接和间接影响，但PEU通过其对有用性和态度的影响来塑造学生的意向。此外，我们通过检查每个变量的总效应（即直接效应和间接效应的总和；见表9）评估了每个变量在预测学生使用EAI的INT方面的相对重要性。AIL成为最具影响力的因素（β = 0.408），其次是PU（β = 0.330）、SN（β = 0.275）、ATT（β = 0.218）、PBC（β = 0.187）和PEU（β = 0.162）。

讨论与贡献

讨论

本研究通过整合TAM、TPB和AIL，考察了影响学生在教育背景下使用人工智能意向的因素。我们将基线I-TAM-TPB模型扩展为内部扩展模型和AIL增强模型，并通过MASEM验证了所有路径。通过模型比较，我们评估了构念间的内部关系以及整合AIL的理由。我们还分析了中介效应以及经济发展水平和教育水平的调节作用，以解释先前研究中的异质性。

基线模型和内部扩展模型的MASEM结果与先前研究一致。在TAM内，PU是ATT和INT的最强预测因子，与近期研究一致。PEU对PU和ATT也显示出显著的积极影响，与一些研究一致。在TPB内，我们的MASEM证实了SN、PBC和ATT对学生INT的积极影响，支持了一些研究的发现。基于内部扩展模型，与一些研究一致，我们的MASEM结果显示SN显著且积极地影响PU、PEU和ATT，表明外部社会因素强烈塑造学生对EAI的认知评价和态度。与一些研究一致，PBC对ATT也有显著的积极影响，表明学生对其技能、资源和支持的信心培养了更有利的态度和更高的采纳率。重要的是，扩展模型表现出比基线改善的解释力和模型拟合度，证实了增加的路径增强了TAM和TPB的理论完整性。

在AIL整合的内部扩展模型中，对于AIL变量，我们的MASEM结果证实它显著增强了PU、PEU、ATT，并直接加强了学生使用EAI的INT，与一些研究一致。除了其直接作用外，AIL还通过PU、PEU和ATT间接塑造INT。这些发现表明，更高的AIL增强了学生对EAI工具PU和PEU的感知，促进了积极的ATT，并加强了他们使用EAI的INT。AIL对INT施加了直接和间接影响，在所有预测因子中产生了最强的总效应。因此，将AIL纳入TAM/TPB模型是合理且必要的，因为它在塑造学生使用EAI意向方面扮演核心角色，这一角色得到了先前研究的支持。重要的是，这一发现挑战了经典TAM–TPB假设，即PU是INT的主导决定因素。AIL成为一个更具影响力的因素，突出了其作为决定性前因的作用。虽然PU主要反映了学生对EAI工具价值的主观判断，但AI素养构成了一个多维资源，包括概念理解、实际应用、输出评估、伦理意识和批判性思维。这些多维能力决定了学生能否将AI的潜力转化为有意义和可持续的学习收益。因此，AI素养不仅应被视为PU形成的先决条件，还应被视为使学生能够有效识别、使用和整合AI的基础能力。总之，虽然PU可能触发采纳EAI的初始动机，但正是AI素养最终决定了这种参与的可持续性、深度和有效性。此外，PU对ATT有强烈影响，而PEU的影响较弱，与近期研究一致。一种解释是，随着学生获得使用EAI工具的经验，他们变得更加熟练，减少了PEU对其ATT的影响。因此，学生越来越强调这些工具对学业表现和任务效率的实际价值，使得PU成为比PEU更强的决定因素。总体而言，虽然PEU在统计上仍然显著，但其在塑造对像EAI这样的颠覆性技术的态度方面的理论作用与PU相比已变得边缘化，表明TAM功能边界的转变。

特别有趣的是，本研究解决了先前实证研究中关于TAM、TPB和AI素养框架中关键影响路径的不一致性问题。具体来说，早期研究关于PBC、PEU、SN和AIL是否显著预测学生使用EAI的INT产生了混合结果。通过使用MASEM方法，本研究系统综合了来自166项独立研究的数据，并通过揭示当跨大规模数据聚合时所有四种关系在统计上均显著，解决了这些不一致性。具体而言，我们发现PBC和SN都能对INT施加显著的直接效应。此外，尽管PEU不直接预测INT，但我们的中介分析证实PEU通过多种间接路径——经由PU、ATT及其序列中介——显著影响INT，表明存在稳健的间接效应。这些发现不仅调和了跨研究的冲突证据，还阐明了这些变量运作的机制。

我们的元分析揭示，AIL与学生使用EAI的INT之间的相关性在发展中国家/地区强于发达国家。这一发现可以置于更广泛的结构性数字鸿沟框架内：经济发展和信息基础设施的差异不仅塑造了接入机会，还制约了学习者如何使用和受益于新兴技术。最近的研究表明，虽然高收入国家已基本从“技术接入”问题转向“技术利用”问题，但发展中国家/地区仍面临与基础设施和资源供应相关的挑战。在这种条件下，AI素养在发展中国家/地区成为一种稀缺且决定性的资源，使学生能够克服结构性障碍，并使AIL成为其学术使用意向的更强预测因子。在这种结构性背景下，个体层面的机制提供了额外的清晰度。在发展中背景下，拥有AI技能的学生更可能寻求“先发优势”。因此，一旦具备了基本的AIL，他们倾向于迅速行动以展示其能力。相比之下