高等教育中AI工具采纳的多维度影响因素研究：基于多模态素养、自我效能感与院校支持的PLS-SEM模型分析

这篇研究通过技术接受模型（TAM）框架，整合多模态素养（ML）、自我效能感（SE）和院校支持（US）三个维度，采用PLS-SEM 4.0和SPSS 29分析498名学生的调查数据，揭示了AI工具在高等教育中的采纳机制。研究发现，感知有用性（PU）对态度和意向的影响最为显著，而ML、SE和US通过PU和感知易用性（PEOU）间接驱动AI工具采纳，为院校制定AI教育策略提供了实证依据。

　　

引言

人工智能（AI）正在全球高等教育领域引发快速变革，重塑学生的学习方式和教师的教学评估模式。研究基于技术接受模型（TAM），探讨多模态素养（ML）、自我效能感（SE）和院校支持（US）如何通过感知有用性（PU）和感知易用性（PEOU）影响学生对AI工具的态度和采纳意向。

文献综述

TAM核心关系：传统TAM强调PU和PEOU对技术采纳的决定性作用，但忽视了教育场景中个体能力（如ML）和机构环境（如US）的调节效应。研究提出11条假设，例如H1（PEOU→态度）和H5（PU→意向），并通过实证填补了这一理论缺口。

多模态素养的作用：ML作为数字时代核心能力，能显著提升学生对AI工具多媒体内容的解析能力（H6：ML→PEOU；H7：ML→PU）。例如，擅长处理图文声像的学生更易感知AI的直观性，这与Kress（2010）的社会符号学理论一致。

自我效能感与院校支持：高SE学生表现出更强的技术探索韧性（H8：SE→PEOU；H9：SE→PU），而US通过基础设施和培训降低使用门槛（H10：US→PEOU；H11：US→PU），尤其对低SE群体效果显著。

研究方法

采用横断面问卷调查法，覆盖中国多地区498名高校学生（STEM专业占66.7%）。量表经EFA和反向翻译验证，使用SmartPLS 4进行PLS-SEM分析。统计控制显示共同方法偏差（CMB）未超标（Harman单因子检验方差解释率42.1%<50%），VIF值均<3.3，模型信效度良好（Cronbach's α>0.8，AVE>0.5）。

结果

核心发现：

1. 1.

   PU对态度（β=0.546）和意向（β=0.278）的影响均超过PEOU（β=0.186/0.177），验证H2/H5；

2. 2.

   SE对PEOU的效应最强（β=0.392），US次之（β=0.288），ML相对较弱（β=0.152）；

3. 3.

   开放问题反馈显示，52.8%学生将AI作为辅助工具，仅4.2%完全依赖生成内容，凸显伦理培训需求。

模型解释力：结构方程显示，PU和PEOU共同解释态度47.8%方差（R²=0.478），三前因变量解释PEOU 48.2%方差，证实个体-环境协同作用。

讨论与启示

理论贡献：首次将ML纳入TAM框架，揭示数字素养与机构支持的交互效应。例如，US强化了ML对PU的促进作用（β_间接=0.179，p<0.001），呼应De Oliveira（2024）的课程嵌入理论。

实践建议：院校应开设ML整合课程（如图像解析训练），建立AI技术辅导站提升SE，并通过伦理工作坊平衡技术便利性与学术诚信。

局限与展望

样本地域偏重中东部（89.8%本科生），未来需纳入西部数据；纵向追踪可揭示AI态度动态变化。生成式AI（如ChatGPT）的教学整合将成为重点研究方向。

（注：全文严格基于原文实证数据，未添加非文献支持结论；专业术语如PLS-SEM、PEOU等均保留原文缩写格式。）