数字地质遗产旅游采纳的混合解释-预测框架：以奇勒图帕拉布安拉图联合国教科文组织全球地质公园为例

《Results in Engineering》：A Hybrid Explanatory-Predictive Framework for Digital Geo-Heritage Tourism Adoption in Ciletuh Palabuhanratu UNESCO Global Geopark

　　

专业术语翻译摘要 本研究提出并验证了一个用于数字地质遗产旅游采纳的混合解释-预测框架（hybrid explanatory-predictive framework）。该框架在技术接受与使用统一理论（UTAUT）基础上，扩展了信任（Trust）、文化（Culture）、感知学习价值（Perceived Learning Value, PLV）、地质遗产参与（Geo-Heritage Engagement, GHE）和数字体验（Digital Experience, DE）等构念。研究人员采用偏最小二乘结构方程模型（PLS-SEM）评估测量质量、直接关系、调节效应和结构解释力，并运用机器学习算法对行为意向（Behavioral Intention, BI）和使用行为（Use Behavior, UB）进行预测。PLS-SEM结果显示，该模型解释了行为意向40.0%的方差和使用行为42.3%的方差。感知学习价值（β=0.245）和地质遗产参与（β=0.241）对行为意向具有显著正向影响。在36个调节效应中，仅教育水平与感知学习价值的交互项（PLV×LOE→BI）达到名义显著性（β=?0.0528，p=0.0112）。机器学习比较中，基于8个构念特征的人工神经网络（ANN）对行为意向的预测表现最佳，测试均方误差（MSE）为1.044，均方根误差（RMSE）为1.022；基于4个构念特征的直方图梯度提升（HGB）与ANN在使用行为预测上并列最优，测试MSE为1.043，RMSE为1.021。所选模型通过Flask框架部署为基于网页的预测界面，实现了从理论检验、预测验证到实际模型应用的完整闭环。

论文解读文章

一、研究背景与问题提出

地质公园旅游将地质保护、公众教育、社区参与和可持续目的地发展相结合。联合国教科文组织全球地质公园（UNESCO Global Geopark）将地质遗产与文化、生物多样性和地方生计联系起来。印度尼西亚西爪哇省的奇勒图帕拉布安拉图联合国教科文组织全球地质公园（Ciletuh Palabuhanratu UNESCO Global Geopark）在地质教育和体验式旅游方面具有巨大潜力，然而传统解说方式可能难以满足游客对可访问性和互动性日益增长的需求。数字技术能够改善地质公园目的地的信息获取、游客参与和学习体验，但游客对这些数字服务的接受程度及其决定因素尚未得到充分研究。

现有地质遗产研究主要关注三维和虚拟现实等数字解说材料的开发与呈现，但并未确立游客接受此类服务的关键影响因素。技术采纳研究虽然基于技术接受与使用统一理论（UTAUT）及其扩展版本（UTAUT2）建立了成熟的理论框架，但在联合国教科文组织全球地质公园情境下的应用证据仍然有限。已有研究很少同时整合地质遗产参与、学习价值、文化、信任和数字体验等构念，这限制了对数字地质遗产采纳行为的语境化理解。此外，现有采纳研究以解释性为主，普遍采用结构方程建模，但统计显著性并不能自动证明可靠的样本外预测能力，预测需要基于未见数据的独立评估和适当的机器学习算法。

基于上述研究空白，本研究提出并验证了一个针对该地质公园的混合解释-预测框架，将UTAUT理论扩展至信任、文化、感知学习价值、地质遗产参与和数字体验等构念，通过PLS-SEM进行解释性分析，通过机器学习进行预测性验证，并最终通过Flask框架实现模型部署，连接理论检验、预测验证和实际应用。

二、研究设计与主要技术方法

本研究于2025年3月至9月期间，通过非概率便利抽样，结合现场和在线招募方式，在印度尼西亚苏卡布米地区的奇勒图帕拉布安拉图联合国教科文组织全球地质公园调查了1400名受访者。经作者独立复核修正后，样本包含617名男性和783名女性，年龄18至53岁，其中82.93%为24岁及以上成年人；教育程度涵盖高中至博士层次。研究采用的主要技术方法包括：第一，偏最小二乘结构方程模型（PLS-SEM），用于评估测量模型质量、检验直接路径和调节效应、评估内生构念的解释力；第二，四种机器学习回归算法，包括基线回归器、人工神经网络（ANN）、k近邻（kNN）和直方图梯度提升（HGB），以均方误差（MSE）和均方根误差（RMSE）为评价指标，在80:20训练-测试划分下进行预测性能比较；第三，Flask网页框架，将选定的预测模型序列化为joblib文件并部署为交互式预测界面。

三、研究结果

测量模型评估。 所有多指标构念的外载荷均高于0.70的推荐阈值，其中数字体验载荷最高（0.952），地质遗产参与载荷最低但仍达标（0.855）。Cronbach's alpha介于0.896至0.967之间，组合信度（Rho-C）介于0.943至0.973之间，表明内部一致性良好。平均方差抽取量（AVE）均超过0.50，收敛效度成立。Fornell-Larcker准则和异质-特质单调比（HTMT）分析均支持判别效度。方差膨胀因子（VIF）介于1.000至4.879之间，未发现严重多重共线性。共同方法偏差筛查中，第一主成分解释19.60%的方差，全共线性VIF均低于3.3，未发现明显信号。

结构模型与假设检验。 结构模型结果显示，绩效期望（H1：β=0.149）、努力期望（H2：β=0.184）、社会影响（H3：β=0.137）、感知学习价值（H9：β=0.245）和地质遗产参与（H10：β=0.241）对行为意向具有显著正向影响；促进条件对使用行为具有显著正向影响（H4：β=0.174）；行为意向对使用行为具有强正向关联（H11：β=0.539）。享乐动机、习惯、信任和文化对行为意向的直接效应均未达到显著水平。模型解释了行为意向40.0%的方差和使用行为42.3%的方差。在36个调节效应检验中，仅教育水平与感知学习价值的交互项（PLV×LOE→BI）达到名义显著性（β=?0.0528，p=0.0112），表明感知学习价值与行为意向的关联随教育程度提高而减弱；其余调节假设均未获支持。

机器学习预测。 在行为意向预测中，基于8个构念特征的ANN模型取得最低测试误差（MSE=1.044，RMSE=1.022），较基线降低16.91%的RMSE。在使用行为预测中，基于4个构念特征的ANN和HGB并列最优（MSE=1.043，RMSE=1.021），较基线降低18.71%的RMSE；ANN的训练-测试误差差距更小，显示出更优的泛化平衡。构念聚合普遍优于条目级输入，但绝对误差约为一个李克特量表单位，限制了个体层面预测的精度。

Flask模型部署。 行为意向预测界面嵌入ANN模型，使用行为预测界面嵌入HGB模型，通过两个标签页分别处理预测工作流。界面要求输入35个（行为意向）或15个（使用行为）问卷条目，服务端验证输入类型和响应范围后计算构念均值并返回预测结果。该应用为研究原型而非经认证的运营决策支持系统。

四、讨论与结论

研究讨论指出，感知学习价值和地质遗产参与是数字地质遗产旅游采纳中最具解释力的语境特异性构念，凸显了教育性和遗产参与在该情境中的核心作用。享乐动机、信任和文化的非显著结果应理解为特定单站点结构模型的结果，而非这些因素普遍无关的证据。调节效应中仅教育水平与感知学习价值的交互达到名义显著性，因未进行多重检验校正需谨慎解读。

研究结论表明，混合解释-预测框架有效整合了理论检验、预测验证和实际部署。PLS-SEM确认了绩效期望、努力期望、社会影响、感知学习价值和地质遗产参与对行为意向的显著影响，以及促进条件和行为意向对使用行为的作用。机器学习选择ANN用于行为意向预测、HGB用于使用行为预测，两者均通过Flask界面实现部署。研究同时指出多项局限性：非概率便利抽样限制代表性；横断面自我报告数据不能确立因果关系；单一训练-测试划分不能保证跨划分稳定性；Flask应用仅为研究原型，尚需安全治理、版本管理、漂移监控和分组预测验证等前提条件才能扩展至运营用途。