利用DeepSeek理解中国大学生的持续学习意愿：一个整合的TAM-SOR模型

《Acta Oecologica》：Understanding Chinese university students' continued learning intentions with DeepSeek: An Integrated TAM-SOR model

本研究探讨大学生使用DeepSeekAI学习工具的持续使用意愿，整合技术接受模型（TAM）和刺激-机体-反应模型（SOR），通过476份有效问卷分析感知便利性、自我效能感、感知有用性和易用性对态度及使用意图的影响。结果表明，高自我效能感和感知便利性显著提升持续使用态度，进而增强学习意图。研究为AI教育工具的优化提供理论支持。

　　在当前教育数字化转型的背景下，人工智能技术正逐步改变传统教学模式，为高等教育带来新的机遇与挑战。DeepSeek作为一种新兴的生成式人工智能工具，其在学习过程中的应用潜力日益受到关注。然而，尽管现有研究多聚焦于技术层面的效率提升、智能评估和个性化学习等理性维度，却忽视了学生在使用此类技术时的情感体验和持续学习动机等关键因素。本文通过结合技术接受模型（TAM）与刺激-机体-反应模型（SOR），对大学生成为DeepSeek的主要受益者时所表现出的情感感知和持续学习动机进行分析，旨在揭示其对学习行为的影响机制。

DeepSeek具备诸多技术优势，如高推理性能、低运营成本以及开放的技术生态系统，这使其在教育领域的应用更具吸引力。尤其是在中国，DeepSeek的本地化部署策略与信息处理能力，使其更符合本地学生的学习习惯和语言特征。然而，尽管其技术性能优越，但学生对DeepSeek的接受程度不仅依赖于其功能特性，还与情感体验和持续学习动机密切相关。这种情感与动机的相互作用，是影响学生是否愿意长期使用DeepSeek进行学习的关键因素。因此，本文提出，学生对DeepSeek的感知便利性不仅能够提升其对实际应用价值和使用便捷性的评价，还能激发积极的情感体验，从而形成对技术的稳定使用意愿。

在现有研究中，技术接受模型（TAM）是解释用户对新技术接受行为的重要理论框架。TAM模型认为，用户对技术的接受程度主要由感知有用性和感知易用性两个核心因素决定。然而，随着技术发展和用户行为的多样化，TAM模型的解释力逐渐受到挑战。为了弥补这一不足，本文引入了自我效能感和感知便利性作为扩展变量，构建了一个更加全面的模型，以探讨DeepSeek对大学生成就的影响。同时，SOR模型作为另一个重要的理论工具，帮助我们理解外部刺激如何影响个体的内部心理状态，并最终导致行为反应。通过将TAM与SOR相结合，本文希望揭示DeepSeek使用过程中，外部刺激（如感知便利性）如何影响学生的心理状态（如自我效能感和感知易用性），从而塑造其学习行为和持续使用意愿。

在实际调查中，我们通过在线问卷收集了476份有效反馈。数据分析结果显示，感知便利性、自我效能感、感知有用性以及感知易用性等变量均呈现出较高的均值和稳定性，表明这些因素在学生使用DeepSeek时具有重要的影响。此外，这些变量之间的相关性分析也显示了显著的正向关系，表明它们在学生对DeepSeek的接受过程中存在协同作用。例如，感知便利性不仅直接影响感知有用性，还通过感知易用性间接影响学生的持续使用态度。这一发现支持了本文提出的多个假设，表明学生对DeepSeek的使用不仅受技术属性的影响，更受到情感和心理因素的驱动。

自我效能感作为影响学生学习行为的重要心理因素，被证明在感知有用性和感知易用性之间起到显著的中介作用。研究显示，具有高自我效能感的学生更倾向于将DeepSeek的功能与自身的学习需求相联系，从而形成“我能够有效使用技术”的信念，这有助于降低使用障碍，提高学习效率。此外，感知便利性也被证实能够显著提升学生对DeepSeek的感知有用性和感知易用性，表明学生在使用过程中，对技术的便捷性和实用性感知的增强，有助于其形成积极的情感反馈，从而提高使用意愿和学习效果。

在学习行为意向方面，研究发现，持续使用态度对学生的持续学习意向具有显著的正向影响。这表明，学生对DeepSeek的长期使用意愿不仅受到其感知有用性和感知易用性的影响，还依赖于他们对技术的情感认同和心理适应。因此，教育工作者和开发者应关注学生的情感体验，通过优化学习交互体验，提升学习满意度，从而增强其持续使用DeepSeek的意愿。此外，研究还指出，持续使用态度在感知有用性和感知易用性对学习行为意向的影响过程中起着关键的中介作用，这为后续研究提供了新的视角，即在技术接受过程中，学生的情感反馈和心理状态对技术采纳行为具有决定性影响。

本文的研究还揭示了DeepSeek在教育领域中的应用潜力。通过提升学习效率、优化学习体验和增强学习信心，DeepSeek能够有效缓解学生的焦虑情绪，促进其学习动机的形成。同时，持续使用DeepSeek有助于学生逐步构建系统性的知识框架，提高问题解决能力，从而实现学习成果的稳步提升。然而，研究也指出，尽管学生对DeepSeek的技术特性有较高的认可度，但这种短期兴趣并不足以转化为长期使用习惯，因此，如何将短期兴趣转化为稳定的使用行为，是实现DeepSeek教育价值的关键。

在理论构建方面，本文通过整合TAM和SOR模型，提出了一个更加全面的分析框架。这一框架不仅能够帮助我们理解学生对DeepSeek的接受过程，还能揭示其在学习行为中的作用机制。通过将感知便利性、自我效能感、感知有用性和感知易用性等变量纳入模型，我们能够更准确地预测学生的学习行为意向。此外，研究还强调了持续使用态度在技术接受过程中的核心地位，表明学生对技术的情感认同和持续使用意愿是影响其学习行为的重要因素。

本文的研究结果对教育实践具有重要的指导意义。首先，它为高校在推动DeepSeek等人工智能工具的广泛应用方面提供了理论依据。高校应通过优化工具的设计，提升其在教学中的适用性，同时加强学生对技术的感知和情感认同，从而促进其持续使用。其次，教育工作者应关注学生在使用DeepSeek过程中的心理状态，通过设计符合学生需求的学习任务和互动体验，增强其学习动机和学习效率。最后，本文的研究也提醒我们，在推动人工智能技术在教育中的应用时，应更加关注学生的情感体验和心理需求，避免技术与教育目标之间的脱节。

尽管本文的研究取得了一定成果，但仍存在一些局限性。例如，研究未充分探讨人工智能在伦理和道德层面的潜在影响，这可能影响学生对技术的长期接受度和使用意愿。此外，感知情感的测量仍存在一定的不足，未能全面反映学生在使用DeepSeek时的心理变化。因此，未来的研究应进一步拓展分析维度，关注人工智能技术在不同情境下的伦理风险和情感影响，以期构建更加完善的技术接受模型，为人工智能在教育中的深入应用提供理论支持。

综上所述，本文通过结合TAM和SOR模型，深入探讨了大学生成为DeepSeek的主要受益者时的情感感知和持续学习动机，揭示了技术接受过程中的关键影响因素。研究结果表明，感知便利性、自我效能感、感知有用性和感知易用性在学生对DeepSeek的接受和使用过程中发挥着重要作用，而持续使用态度则是驱动学习行为的核心因素。这些发现不仅有助于提升DeepSeek在高等教育中的应用效果，也为未来的人工智能教育研究提供了新的思路和方向。