通过人类感知的稳定性:技术接受模型跨不同交互视角和可比技术的稳健性

《Computers in Human Behavior Reports》:Stability Through Human Perception: Technology Acceptance Models’ Robustness Across Various Interaction Perspectives and Comparable Technologies

【字体: 大 中 小 】 时间:2026年01月09日 来源:Computers in Human Behavior Reports 5.8

编辑推荐:

  技术接受研究传统上关注系统设计和交互体验,这些被整合到已有的框架中,如技术接受模型(Technology Acceptance Model, TAM; Davis, 1985)和统一技术接受与使用理论(Unified Theory of Acceptance

  
技术接受研究传统上关注系统设计和交互体验,这些被整合到已有的框架中,如技术接受模型(Technology Acceptance Model, TAM; Davis, 1985)和统一技术接受与使用理论(Unified Theory of Acceptance and Use of Technology, UTAUT; Venkatesh et al., 2003)。尽管这些模型被广泛用于研究人类与技术之间的交互,但批评者指出了它们在其普适性、稳健性和概念清晰性方面的局限性。本研究通过检验TAM和UTAUT在可比复杂技术和用户交互视角(主动情境与被动情境)之间的结构强度来应对这些挑战。此外,本研究引入了一个整合使用感知(Usage Perception, UP)的模型,将用户对系统使用的更广泛感知纳入其中,作为应对传统技术接受框架日益显现的脆弱性的可能解决方案。在模拟在线环境中进行了一项受控的实验室实验,使用了两个功能开发的人工智能(AI)代理,它们在交互类型和用户自主性上有所不同。该设计允许在311名参与者的广泛多样样本中直接比较主动和被动交互视角以及可比复杂技术。结果证实,虽然一些核心预测因子保持稳健,但传统的TAM和UTAUT结构在按交互视角和技术用例细分时表现出不一致性。相比之下,整合UP的模型显示出更大的路径稳定性、理论一致性和一致的预测能力。本文通过整合人类对系统使用的感知,提供了一个精炼的框架来整体解释复杂人工智能系统中的技术接受。
论文解读文章

**研究背景、问题与动机**
技术接受研究长期依赖技术接受模型(Technology Acceptance Model, TAM)和统一技术接受与使用理论(Unified Theory of Acceptance and Use of Technology, UTAUT)两个经典框架。这些框架在预测用户对系统的采纳行为方面取得广泛成功,但其普适性、稳健性和概念清晰性始终受到学术批评。随着人工智能等复杂技术的普及,用户与系统的交互模式已从单纯的主动控制扩展到包含被动参与的多样场景。现有模型在面对不同交互视角(主动与被动)和可比复杂技术时,其核心结构的稳定性面临挑战。例如,传统预测因子(如感知易用性)在特定情境下可能失效或作用方向不一致。为弥补这一理论缺口,研究人员开展了本研究,旨在检验TAM和UTAUT在跨交互视角和跨技术类型时的结构一致性,并引入使用感知(Usage Perception, UP)作为稳定化构念,以构建更鲁棒的技术接受框架。

**研究概要、结论与意义**
研究人员在模拟在线环境中进行了受控实验室实验,使用两个功能完善的人工智能代理(Avery和Mika),分别代表文本聊天机器人和多模态头像学习助手,并操纵用户的自主性以形成主动和被动两种交互视角。样本为311名德国参与者(通过专业面板和大学内部招募)。研究采用多组结构方程模型(Multi-group Structural Equation Modeling, SEM)比较传统TAM/UTAUT与整合使用感知(UP)的模型。结果表明:传统模型在按交互视角和技术类型细分时表现出结构不一致性,而整合UP的模型在路径稳定性、理论一致性和预测能力方面表现更优。论文发表在《Computers in Human Behavior Reports》。重要意义在于:为理解复杂AI系统中的技术接受提供了更全面的框架,强调了用户对系统使用的整体感知在解释接受行为中的核心作用,并揭示了交互视角对模型稳定性的关键影响。

**关键方法(≤250字)**
研究采用多组结构方程模型(SEM)进行假设检验。实验在模拟在线环境中进行,设计了两个功能完整的AI代理(Avery和Mika),并设置主动与被动两种交互情境(主动情境中用户自主决策,被动情境中由AI自动决策)。样本队列来源为德国人口,通过专业面板和大学内部招募,最终有效样本311人。测量工具包括感知有用性(PU)、感知易用性(PEU)、社会影响(SI)、便利条件(FC)、行为意向(BI)和使用感知(UP)等构念,均改编自已有量表。数据分析采用稳健最大似然估计,并评估信度(Cronbach’s α)和效度(AVE)。通过多组SEM比较技术类型(Avery vs. Mika)和交互视角(主动 vs. 被动)下的模型路径系数及解释力。

**研究结果**

*6.1. Standard TAM and UTAUT modelling*
通过全样本SEM分析,传统TAM模型拟合良好(CFI=.985, RMSEA=.054),感知有用性(PU)显著正向预测行为意向(BI)(β=.819),感知易用性(PEU)负向预测BI(β=-.117)。UTAUT模型同样拟合良好,PU(β=.357)、社会影响(SI)(β=.569)和便利条件(FC)(β=.113)显著预测BI,PEU负向预测BI(β=-.159)。

*6.1.1. H1: Technology acceptance models exhibit inconsistency across comparable technologies*
多组SEM比较技术Avery与技术Mika,发现传统TAM中PEU对BI的直接效应在Mika组显著(β=-.106),在Avery组不显著(β=-.108),支持假设H1a。UTAUT模型中,PEU在Mika组显著负向预测BI(β=-.200)而在Avery组不显著,FC在两组均不显著,但预测强度有差异,支持H1b。

*6.1.2. H2: Technology acceptance models exhibit inconsistency across different interaction perspectives*
多组SEM比较主动与被动视角,传统TAM中PEU在主动组显著负向预测BI(β=-.150)而在被动组不显著(β=-.070),支持H2a。UTAUT中主动组PEU显著(β=-.222)而被动组不显著(β=-.104),FC在两组均不显著,支持H2b。

*6.2. Usage Perception–Integrated Modelling*
引入使用感知(UP)后,全样本UP整合TAM模型显示UP正向预测BI(β=.258),PU(β=.623)和PEU(β=-.161)仍显著,解释力R2=.573。UP整合UTAUT模型显示PU(β=.912)、UP(β=.197)和SI×PU交互项(β=.299)显著预测BI,PEU负向(β=-.262),R2=.679。

*6.2.1. H3: UP-integrated modelling provides stable model across comparable technologies*
多组SEM比较Avery与Mika,UP整合TAM中PU和UP均显著预测BI,PEU在两组均负向显著,R2分别为.572和.566,路径一致性高,支持H3a。UP整合UTAUT中两组PU、UP和SI×PU均显著,R2分别为.676和.664,支持H3b。

*6.2.2. H4: UP-integrated modelling provides stable model across interaction perspectives*
多组SEM比较主动与被动视角,UP整合TAM中主动组PU(β=.691)和UP(β=.240)显著,被动组PU(β=.560)和UP(β=.273)显著,PEU在两组均负向显著,R2分别为.614和.539,支持H4a。UP整合UTAUT中主动组PU(β=.947)、UP(β=.224)和SI×PU(β=.294)显著,被动组PU(β=.879)、UP(β=.172)和SI×PU(β=.304)显著,PEU均负向显著,R2分别为.716和.651,支持H4b。

**讨论与结论**
研究讨论部分指出,核心预测因子感知有用性(PU)和社会影响(SI)在所有模型中保持稳健,但感知易用性(PEU)和便利条件(FC)在子组分析中出现不一致,证实了传统模型的脆弱性。整合使用感知(UP)的模型有效缓解了这种不一致性,UP在所有子组中均显著预测行为意向(BI),表现出跨情境的稳定性。此外,交互视角(主动vs.被动)引入的结构变异大于技术类型本身,表明用户角色是核心决定因素。便利条件(FC)作为直接预测因子在子组中均不显著,其作用可能依赖于具体实施环境。

研究结论部分翻译如下:基于一项采用真实AI交互场景的受控实验设计,本研究为技术接受模型在用户交互场景——主动与被动视角之间以及复杂可比技术之间——的结构稳健性提供了深刻见解。结果证实,尽管感知有用性(PU)和社会影响(SI)等核心预测因子在所有模型中一致且稳健地预测行为意向(BI),但TAM和UTAUT框架在按交互视角或可比技术类型细分时表现出结构不一致性。相比之下,通过使用感知(UP)增强的UP整合模型在所有子组比较中展现出更大的路径稳定性、理论一致性和一致的预测能力。这一主要发现揭示了技术接受模型的一个额外视角,倡导建模需对交互视角保持敏感。此外,研究强调,在复杂技术中,即使与传统模型相比,可比技术类型也存在不协调之处。人类对复杂技术的总体感知成为行为意向(BI)的一个特别可靠且稳定的预测因子,强化了其理论价值。同时,它能够解释交互视角和可比技术两方面的差异。总体而言,UP整合模型在降低模型复杂性的同时,适应了日益增长的技术复杂性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号