墨西哥工程专业学生对生成式人工智能的技术接受度及其对研究能力的影响

《Applied Sciences》：Technology Acceptance of Generative Artificial Intelligence and Its Impact on Research Competencies Among Engineering Students in Mexico

　　

中文翻译摘要 生成式人工智能在高等教育中的采纳为工程专业学生研究能力的培养提供了新的机遇，然而关于学生对该技术的接受度及其学术影响的实证证据仍然有限，尤其是在拉丁美洲背景下。本研究考察了本科生工程专业学生对生成式人工智能工具的接受度的决定因素，以及这些工具对研究能力发展的感知影响。一项横截面调查面向墨西哥一所国立技术学院2026年1月至6月学期的50名本科工程专业学生实施。研究人员通过一个包含21个题项的量表，对一个包含七个构念的扩展技术接受模型（TAM）进行了操作化；测量质量通过组合信度（CR）和平均方差提取量（AVE）进行评估。研究人员在SmartPLS 4软件中采用5000次自助重抽样的偏最小二乘结构方程模型（PLS-SEM）进行分析。三条直接结构路径得到确认（p < 0.05）：对AI结果的信任（TRU）和感知易用性（PEOU）预测了感知有用性（PU）；感知有用性（PU）预测了使用意向（IU）。正式检验的间接效应显示，对AI结果的信任（TRU）通过感知有用性（PU）的完全中介作用，对使用意向（IU）产生显著的间接影响（β = 0.257，p = 0.004），这构成了本模型中识别出的主要采纳机制。感知有用性（PU）和使用意向（IU）的决定系数分别为0.396和0.492，表明核心采纳构念具有中等至较高的解释力。使用意向（IU）与学业表现（DESEMP）之间无显著关联（p = 0.366），这表明在此背景下，采纳意向与课程成绩结果受不同因素的支配。信任（TRU）和感知有用性（PU）是生成式人工智能（GenAI）采纳的核心驱动因素，这对拉丁美洲工程项目的技术整合具有启示意义。本研究为发展中国家高等教育提供了一个经过实证检验的、具有已确认间接效应的扩展技术接受模型（TAM）。

论文解读文章

一、研究背景与问题

随着ChatGPT和Claude等生成式人工智能（Generative Artificial Intelligence，简称GenAI）工具在高等教育领域的迅速普及，其在STEM学科中的应用潜力日益凸显，例如提供按需的概念解释、自动反馈、代码生成和研究摘要等功能。然而，GenAI的广泛应用也引发了关于学术诚信、批判性思维发展、认知可靠性及伦理责任的激烈辩论。尽管技术接受模型（Technology Acceptance Model，简称TAM）已被广泛用于解释用户对新数字技术的接纳行为，但现有研究主要集中在东亚、南亚或欧洲的高收入国家，针对拉丁美洲，尤其是墨西哥工程教育情境的实证研究极为匮乏。此外，GenAI所特有的会话自主性、生成看似合理却错误输出的倾向，以及其完成传统上需要人类判断的任务的能力，引入了标准双构念TAM无法充分捕捉的心理和伦理维度。因此，有必要在一个整合了信任、焦虑和伦理关切等扩展构念的框架下，系统评估墨西哥工程专业学生的技术接受度及其对研究能力的影响。

二、研究设计与结论

为填补上述空白，研究人员于2026年在墨西哥国立技术学院（TecNM）/圣胡安德尔里奥理工学院（ITSJR）开展了一项横截面调查研究。研究对象为50名选修“研究工作坊”（Taller de Investigación）课程的本科工程专业学生，他们在整个学期中均使用了ChatGPT和Claude作为学习辅助工具。研究基于一个扩展的TAM，纳入了感知有用性（Perceived Usefulness，简称PU）、感知易用性（Perceived Ease of Use，简称PEOU）、AI焦虑（Anxiety，简称ANX）、信任（Trust，简称TRU）、伦理关切（Ethical Concerns，简称ETH）、使用意向（Intention to Use，简称IU）、对学业表现的感知影响（Impact on Academic Performance，简称IPA）以及实际学业表现（Academic Performance，简称DESEMP）共八个构念，提出了八项假设。

研究的主要结论包括：

1. 1.
   信任（TRU）和感知易用性（PEOU）是感知有用性（PU）的重要正向预测因子。
2. 2.
   感知有用性（PU）是使用意向（IU）的最强预测因子。
3. 3.
   信任（TRU）通过感知有用性（PU）的完全中介作用，对使用意向（IU）产生显著的间接影响，这是本研究识别出的主要采纳机制。
4. 4.
   使用意向（IU）与学业表现（DESEMP）之间无显著关联，表明采纳意向并不自动转化为成绩提升。
5. 5.
   AI焦虑（ANX）未构成显著障碍，伦理关切（ETH）也未成为使用意向（IU）的显著预测因子。

这一研究的理论贡献在于，它为发展中国家高等教育的GenAI采纳提供了一个经过实证检验的扩展TAM，并确认了关键的间接效应路径。实践层面，研究结果为工程教育工作者制定技术整合策略提供了依据。

三、关键技术方法

1. 1.
   研究设计与数据收集：采用定量、横截面、描述-预测性设计。数据分两个阶段通过Google Forms在线问卷收集：第一阶段（n=20）在学期末课堂内同步完成；第二阶段（n=30）在学期结束后约两到三个月回顾性完成。所有参与者均来自同一课程班级，并签署了知情同意书。学业表现（DESEMP）从机构学业记录中获取。
2. 2.
   测量工具：使用一个包含21个题项的七构念扩展TAM问卷。所有题项采用五点李克特量表。经过项目净化后，各构念的组合信度（Composite Reliability，简称CR）介于0.817至0.947之间，平均方差提取量（Average Variance Extracted，简称AVE）介于0.615至0.855之间，均满足阈值要求。区分效度通过异质-单质比率（Heterotrait-Monotrait Ratio，简称HTMT）确认，所有值低于0.85的保守阈值。
3. 3.
   数据分析：采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling，简称PLS-SEM）进行主分析，使用SmartPLS 4软件。通过5000次自助重抽样（bootstrapping）评估结构模型的路径系数、显著性及置信区间。测量不变性通过MICOM（Measurement Invariance of Composites）程序在两个数据收集阶段间进行了验证，确认了完全的组成不变性和部分标量不变性，为数据合并提供了统计依据。

四、研究结果

4.1 测量模型评估

经项目净化后，所有保留题项的外载荷均高于0.70。所有多题项构念的CR和AVE均超过推荐阈值（CR > 0.70，AVE > 0.50）。所有构念对的HTMT值均低于0.85，表明区分效度良好。信任（TRU）和学业表现（DESEMP）作为单指标构念处理。

4.2 结构模型评估

• •
  信任（TRU）→ 感知有用性（PU）：路径显著（β = 0.478，p < 0.001）。表明对AI结果的信任正向影响学生对其有用性的感知。
• •
  感知易用性（PEOU）→ 感知有用性（PU）：路径显著（β = 0.285，p = 0.013）。表明感知易用性正向影响感知有用性。这两个前因变量共同解释了感知有用性（PU）39.6%的方差（R2 = 0.396）。
• •
  感知有用性（PU）→ 使用意向（IU）：路径显著（β = 0.537，p < 0.001）。表明感知有用性是使用意向的最强预测因子，模型解释了使用意向（IU）49.2%的方差（R2 = 0.492）。
• •
  使用意向（IU）→ 学业表现（DESEMP）：路径不显著（β = 0.158，p = 0.366）。表明采纳意向并未直接转化为可测量的成绩提升。
• •
  伦理关切（ETH）→ 使用意向（IU）：路径不显著（β = 0.161，p = 0.150）。
• •
  AI焦虑（ANX）→ 感知易用性（PEOU）：路径不显著（β = 0.147，p = 0.421）。
• •
  感知易用性（PEOU）→ 使用意向（IU）：直接路径不显著（β = 0.163，p = 0.194）。
• •
  对学业表现的感知影响（IPA）→ 学业表现（DESEMP）：路径不显著（β = 0.303，p = 0.066）。
• •
  间接效应检验：信任（TRU）通过感知有用性（PU）对使用意向（IU）的间接效应显著（β = 0.257，p = 0.004），证实了感知有用性（PU）的完全中介作用。感知易用性（PEOU）通过感知有用性（PU）对使用意向（IU）的间接效应接近但不显著（β = 0.153，p = 0.054）。

五、讨论与结论总结

讨论部分：研究发现，信任是驱动整个采纳链的结构性基础，它通过感知有用性间接影响使用意向。感知有用性对使用意向的强大预测力再次印证了TAM的核心命题。使用意向未能预测学业表现，表明将采纳转化为成绩需要更精细的教学设计，而不仅仅是培养积极态度。感知易用性对使用意向的直接路径不显著，但其通过感知有用性的间接效应表明，对于具备基础数字素养的工程专业学生而言，易用性是一个使能条件而非差异化因素。AI焦虑未构成显著障碍，反映了该群体较高的数字成熟度。伦理关切与使用意向之间的非显著关系，暗示了在该教育环境中，负责任的AI使用尚未内化为一致的决策驱动力，这是一个有待填补的教学缺口。

结论部分翻译：本研究考察了墨西哥一所公立高等教育机构研究方法课程中本科工程专业学生接受生成式人工智能的决定因素及其与学业表现的关系。通过测试一个纳入感知有用性、感知易用性、AI焦虑、信任、伦理关切、使用意向和对学习的感知影响的扩展技术接受模型，分析表明，对生成式人工智能工具的接受受到一个顺序的、效用驱动的机制支配，该机制部分偏离了经典TAM的预测。研究结果确立了信任和感知易用性是感知有用性的主要前因，而感知有用性反过来又是使用意向的主导预测因子。从使用意向到学业表现的直接路径未达到统计学显著性，表明在此背景下，采纳意向本身并不会自动转化为可衡量的成绩结果。AI焦虑并未成为显著障碍，表明TecNM的工程专业学生具备足够的数字成熟度，可以无障碍地使用生成式工具。伦理关切并非使用意向的显著预测因子，表明伦理关切在AI采纳决策中的作用正在显现但尚未完全巩固。对学习的感知影响构念与学业表现无显著关联，表明对AI教育潜力的广泛态度认知本身不足以推动可评估的学业收益。从理论角度看，本研究为拉丁美洲背景下生成式人工智能、本科工程教育和研究技能发展的交叉领域提供了一个经过实证检验的扩展TAM。从实践角度看，结果表明，机构干预应优先考虑建立信任和展示学科实用性，而非易用性培训，并且明确的AI伦理教学是促进工程项目中负责任和有意图的AI采纳的一个未被充分利用的杠杆。