技术接受模型与教师人工智能采纳意向：基于38项实证研究的系统综述与元分析

《ARTIFICIAL INTELLIGENCE REVIEW》：Explaining teacher adoption of AI through the technology acceptance model: a meta-analysis and systematic review

　　

摘要

人工智能（AI）在教育领域的整合正在加速推进，但影响教师采纳这些技术的因素仍未得到充分理解。越来越多的实证研究运用技术接受模型（TAM）来考察教师如何整合AI，重点关注感知有用性（PU）、感知易用性（PEOU）和行为意向（BI）。然而，TAM最初是为静态的、确定性的技术开发的，而AI在不透明性、自适应性和挑战专业角色与身份的能力方面存在显著差异，由此引发了一个问题：仅凭感知有用性和感知易用性是否足以在此情境下预测采纳意向。本研究遵循PRISMA指南，对38项关于教师AI采纳的实证研究（涵盖19个国家的\(N = 15{,}919\)名教师）进行了系统综述，并对其中报告了可提取的双变量相关数据的子集进行了元分析。研究采用随机效应模型（DerSimonian–Laird）对\(k = 24\)项研究（\(N = 11{,}768\)）中PEOU、PU与BI之间的关联进行估计，同时对全部文献进行综合，以识别塑造这些关系的情境条件。合并后的相关系数为正向且达到中等至强水平（PEOU–PU：\(r = 0.532\)，95% CI [0.410, 0.636]；PEOU–BI：\(r = 0.536\)，95% CI [0.435, 0.623]；PU–BI：\(r = 0.619\)，95% CI [0.511, 0.708]），并且在替代方差估计量以及基于构念等价判定纳入UTAUT研究后仍然稳健。异质性非常高（\(I^2 = 97.9\%\)–\(98.6\%\)），预测区间从负值延伸至接近1的值，表明这些关联在方向上成立，但在不同情境中存在显著差异，且这些差异超出了核心模型所能表征的范围。Egger回归显示三组关联均存在漏斗图不对称性；留一法诊断表明该不对称性完全归因于单一的大样本、低效应量研究，在如此高的异质性水平下，这种不对称性不能被解读为发表偏倚的证据。定性综合识别出五个与这些关系变异相关的维度：AI素养与信任作为有用性判断的前提条件；从功能性接受向基于身份的接受的转变，受教学信念和机构规范的塑造；社会文化与制度情境的作用；特定工具的采纳逻辑；以及伦理风险校准作为采纳决策中基于价值观的把关机制。这些发现表明，预测教师的AI采纳意向可能需要超越TAM核心变量的扩展变量，并有助于推动面向教育中AI社会技术复杂性的扩展框架的开发。