责任与人工智能：探索技术接受模型中的责任变量作为新预测因子及其对学生AI接受度的影响研究

本研究针对人工智能（AI）接受度研究中缺乏规范性维度的现状，通过比较技术接受模型（TAM）、统一技术接受与使用理论（UTAUT）和基于价值的采纳模型（VAM），引入责任变量作为新预测因子，对2098名大学生进行横断面调查。研究发现，责任变量（包括法律、道德、工程和算法责任）显著提升模型解释力，其中VAM解释力最高（R2=25.6%）。该研究为AI技术实施策略和政策制定提供了基于社会价值的理论框架，强调将伦理与社会方面纳入技术接受模型的必要性。

　　

随着人工智能（AI）技术的飞速发展，其应用已渗透到社会制度、市场运作和日常生活的方方面面。然而，AI的普及不仅带来技术效率的提升，更引发了关于责任归属、信任建立和伦理规范的新挑战。尽管现有研究广泛采用技术接受模型（Technology Acceptance Model, TAM）、统一技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT）和基于价值的采纳模型（Value-Based Adoption Model, VAM）来解释用户对新技术的行为意向，但这些模型主要关注功能性和实用性维度（如感知有用性Perceived Usefulness, PU和感知易用性Perceived Ease of Use, PEoU），忽略了技术使用中的伦理和社会责任因素。尤其在AI语境下，责任问题——例如算法决策的透明度、错误后果的承担者以及道德义务的划分——已成为影响用户接受度的关键。目前，年轻群体如大学生作为技术的早期采纳者和未来决策者，他们对AI的责任认知将深刻影响技术实施的方向和规范制定，但这一领域尚未得到系统探索。

为填补这一研究空白，Stanis?aw Fel、Jaros?aw Kozak和Piotr Horodyski开展了一项针对英国和波兰大学生的大规模研究，旨在通过引入责任变量作为新预测因子，比较TAM、UTAUT和VAM在解释AI接受度方面的有效性。该研究发表于《Journal of Infection and Public Health》，不仅拓展了技术接受理论的理论框架，还为AI策略和政策制定提供了实证基础。

研究人员采用横断面调查设计，通过计算机辅助网络访谈（Computer-Assisted Web Interview, CAWI）于2023年12月至2024年1月间收集了2098名大学生的数据。样本覆盖多学科领域，并通过受访者驱动抽样（Respondent-Driven Sampling）和英国Savanta研究面板确保代表性。主要测量工具包括行为组件（如AI工具使用频率）、认知和情感维度，并使用线性回归分析评估模型预测力。责任变量通过场景化问题操作化（如自动驾驶汽车事故责任归属），分为法律、道德、工程和算法责任四个独立维度。

研究结果

模型比较与责任变量的引入

初始分析显示，仅包含人口统计学变量的模型解释力较低（R2=1.4%）。加入TAM、UTAUT和VAM核心构造后，解释力仍有限（TAM R2=4.7%；UTAUT R2=8.3%；VAM R2=11.2%），表明传统模型未能充分捕捉AI接受度的复杂性。当引入责任变量后，所有模型的解释力显著提升：TAM增至20.7%，UTAUT增至22.3%，VAM增至25.6%。这表明责任变量是AI接受度的关键预测因子，且VAM因其强调价值感知和情感因素（如愉悦感和信任），成为最适合解释学生AI接受行为的模型。

责任维度的具体影响

• •
  道德责任（如用户对AI使用后果的承担意愿）在所有模型中影响最大（β值0.313–0.337），说明用户对自身道德义务的认知强烈驱动AI使用意向。
• •
  法律责任（如AI工具所有者或租赁公司的责任）同样呈正相关（β值0.116–0.123），但效应略低于道德责任。
• •
  工程与算法责任（如工程师和开发者的责任）在VAM和UTAUT中显著，凸显技术创建者的角色在价值评估和社会影响中的重要性。

其他预测因子的作用

除了责任变量，感知易用性（PEoU）、感知有用性（PU）、性能期望（Performance Expectancy, PE）和社会影响（Social Influence, SI）均正向影响AI使用频率。相反，教育水平（越高使用越低）和感知成本（如付费需求）负向影响接受度。

研究结论与意义

本研究通过实证数据证明，责任变量——涵盖法律、道德、工程和算法维度——能显著增强经典技术接受模型对AI接受度的解释力。这一发现不仅拓展了TAM、UTAUT和VAM的理论框架，引入了长期被忽视的规范伦理成分，还突出了VAM在分析新兴技术时的优越性，因其兼顾功能性和情感价值因素。

实践上，该研究为AI开发者、教育者和政策制定者提供了重要启示：开发者需设计透明且责任明确的系统以增强用户信任；教育机构应将责任伦理纳入课程，培养学生的批判性技术思维；政策层面需建立法规框架，明确AI错误的责任归属，从而促进技术与社会价值的对齐。此外，文化因素可能调节责任认知，未来研究可探索跨文化比较，以更全面理解责任在技术接受中的作用。

总之，这项研究标志着技术接受研究从功能主义向包容性范式的转变，强调AI的成功实施不仅依赖效率，更需与社会责任和伦理规范相融合。