编辑推荐：
为明确高等教育中 ChatGPT 采纳关键因素，研究人员运用 WSM、SHAP、LIME 等 MCDM 方法，对使用、主体、技术及信任相关因素开展分析。通过 55 名学生对比实验，发现用户友好界面对采纳至关重要，为院校制定策略提供依据。
在人工智能浪潮席卷教育领域的当下，大型语言模型（LLM）如 OpenAI 开发的 ChatGPT 正展现出革新高等教育的潜力。它能提供个性化学习解释、生成教学内容，甚至辅助跨语言沟通，为教学模式注入新活力。然而，其应用背后隐藏着诸多挑战：缺乏情感智能使其难以胜任需要共情的教学场景，依赖历史数据可能导致社会偏见延续，过度使用还可能削弱学生批判性思维。如何在发挥其技术优势与规避潜在风险间找到平衡，成为教育机构亟待解决的难题。在此背景下，泰国先皇技术学院与法政大学的研究团队开展了一项针对高等教育领域 ChatGPT 采纳影响因素的研究，相关成果发表于《Expert Systems with Applications》，为 AI 技术在教育中的合理应用提供了重要参考。
研究人员采用多准则决策分析（MCDM）框架，综合运用加权和模型（WSM）、夏普利加性解释（SHAP）和局部可解释模型无关解释（LIME）等方法，系统评估影响 ChatGPT 采纳的关键因素。研究以 55 名机械工程专业学生为样本，通过对比传统研究方法与集成 ChatGPT 的作业完成情况，收集数据并分析。
多准则评估流程
研究分为四个阶段：首先，基于文献综述确定使用相关（A0）、主体相关（B0）、技术（C0）和信任相关（D0）四大核心评估标准；其次，选取制造业工艺课程学生作为参与者，通过问卷调查获取反馈；接着，让学生先以传统方式完成作业，再引入 ChatGPT 辅助，对比分析作业质量差异；最后，运用 WSM 和人工神经网络等方法对因素优先级进行量化排序。
基于 WSM 的因素优先级结果
通过李克特量表问卷收集学生反馈，结合专家咨询与文献分析，确定四大准则的权重分配。结果显示，** 使用相关因素（A0）** 中用户友好界面的重要性最高，反映出操作便捷性对学生采纳意愿的直接影响；** 技术因素（C0）** 中系统稳定性与响应速度是关键，凸显技术性能对实际应用的支撑作用；** 信任相关因素（D0）** 中数据隐私保护的关注度突出，表明伦理安全是教育场景中不可忽视的考量；** 主体相关因素（B0）** 中学生技术熟练度的权重较高，提示需加强对用户的培训以提升使用效能。
不同 MCDM 方法的结果差异
对比 WSM、SHAP 和 LIME 三种方法发现，WSM 基于线性加权的全局评估更适合综合排序，而 SHAP 和 LIME 通过局部解释能揭示个别因素的边际影响。例如，SHAP 分析显示，在技术基础薄弱的学生群体中，界面友好性的边际贡献显著高于平均水平，而 LIME 则指出信任因素在跨文化背景下的解释力存在差异。这些差异表明，单一方法难以全面捕捉复杂教育场景中的多维需求，需结合多种 MCDM 技术进行互补分析。
研究结论与意义
本研究通过多方法对比，构建了高等教育领域 ChatGPT 采纳的综合评估框架，证实用户友好界面、技术稳定性、数据隐私和用户培训是影响采纳的核心因素。研究结果强调，教育机构在引入 AI 工具时，需优先优化平台易用性，建立透明的信任机制，并针对性地开展技术培训，以促进不同群体的公平使用。同时，研究揭示的方法差异为决策者提供了灵活选择分析工具的依据，有助于根据具体场景制定适配的实施策略。该研究不仅填补了高等教育 AI 采纳领域的量化分析空白，更为后续跨学科、跨文化的扩展研究奠定了方法论基础，对推动负责任的教育技术创新具有重要实践指导意义。
