感知负性情绪、社会互动与自我导向习惯何以驱动大学生转向AI增强学习平台——基于沙特阿拉伯西部公立高校的推拉锚定（PPM）实证研究

《Sage Open》：The New Era of Learning: Determinants of Public University Students’ Switching Intention to AI-Enhanced Learning Platforms in the Western Region of Saudi Arabia

　　

AI增强学习平台（AI-Enhanced Learning Platforms, AIELPs）的广泛部署已成为学习环境中的变革性力量，显著提升学生的学业表现，并促进互动式教学体验、为学习者在日益数字化的世界中应对未来挑战做好准备。考察此类AI增强型创新有助于理解其重塑教育框架的影响及其培育终身学习的潜力。本研究旨在厘清影响学生从传统学习方式转向AIELPs意愿的因素。研究人员对沙特阿拉伯西部三所公立大学的500名大学生进行了问卷调查（58%为女性；以36–45岁为主（44.2%）；41.8%为硕士层次）。数据采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行分析。模型拟合可接受（SRMR = 0.075）。结果表明，对现有平台的感知不满并非显著因素，而社会互动与参与、AI资源多样性以及感知泛在性对转换意愿具有显著正向影响。同样，感知负性情绪显著驱动转换行为。此外，个人创新性与自我导向教育习惯被证实有助于转换决策。本研究对该区域公立高等教育部门的AIELPs进行了全面分析，强调管理学生的情感体验比单纯应对感知不满更为关键。研究结论为立志在数字时代实现卓越的大学提供了重要的管理启示。

一、研究背景与问题提出

人工智能（Artificial Intelligence, AI）在教育领域的广泛应用持续推动学生学业表现提升，并推动AI驱动环境下的个性化学习。当前学生群体期待多样化的教育方式与富有吸引力的活动，而这类需求难以在传统讲授中充分实现。AI增强学习平台（AIELPs）相较传统学习方式具有全球知识获取、灵活性、丰富材料与个性化体验等优势，在负责任采用的前提下可依托机器学习算法满足多元需求并提升学术产出。沙特阿拉伯通过"2030愿景"（Vision 2030）明确将AI技术嵌入包括教育在内的多个部门，以培育知识驱动型经济并使学生在21世纪劳动力市场中具备竞争力，并配有大量政府投资与战略举措。

然而，现有研究存在明显缺口：尽管数字基础设施进展显著，但仍缺乏系统阐释向AIELPs过渡的综合框架；此类框架对于理解学生"转换"而非单纯"技术采纳"的行为决策至关重要。既有沙特情境研究多聚焦教师对AI机遇与威胁的看法，对学生接纳AIELPs态度的探讨仍不充分。为此，研究人员将"转换意愿"概念化为从传统学习方式（面对面教学或非AI的学习管理系统（Learning Management Systems, LMS））迁移至AIELPs的决策，并引入推拉锚定（Push-Pull-Mooring, PPM）框架，以验证西方建构的框架在沙特非西方环境中的文化适用性，实现两项研究目标：批判性评估影响公立大学学生向AIELPs行为转换的关键因素；考察推力、拉力与锚定因素如何影响沙特西部公立大学学生的转换行为。

二、主要关键技术方法

研究采用定量横断面问卷调查设计，使用结构化问卷与既有成熟量表，经双语专家翻译与独立回译以保证语义与文化等值。样本来自沙特西部三所公立大学（阿卜杜勒阿齐兹国王大学、吉达大学、乌姆古拉大学），覆盖STEM、商科与人文学科，采用便利抽样，于2024年2月至6月向834名学生发放问卷，回收500份，回复率59.95%；正式调查前对30名学生开展预试（Cronbach's α为0.731–0.943），预试者被排除于最终样本。数据分析采用SmartPLS 4.1中的PLS-SEM，分测量模型评估、模型拟合验证与基于Bootstrap的结构模型评估三步进行，并检验内层方差膨胀因子（Variance Inflation Factor, VIF）以评估多重共线性。

三、研究结果

4.1 人口统计学信息：500名参与者中女性占58%、男性42%；学历以硕士（41.8%）为主，学士39.6%、博士18.6%；年龄以36–45岁最多（44.2%），其次为26–35岁（26%）与18–25岁（17.4%）。样本呈现高学历特征，可能影响其对技术采纳的感知与态度。

4.2 测量模型评估：各指标外部载荷均大于0.70；Cronbach's α与组合信度（Composite Reliability, CR）均大于0.70，平均方差提取量（Average Variance Extracted, AVE）均大于0.50，证实内部一致性与收敛效度；外部VIF介于1.453–3.592，远低于5.0的保守阈值，指标间多重共线性不构成显著问题。社会互动与AI资源多样性虽各仅用两个指标测量，仍满足PLS-SEM的可靠性与效度阈值。

4.3 区分效度：采用异质—单质比率（Heterotrait-Monotrait ratio, HTMT）评估。DIS-PNE（0.820）、SED-DIS（0.846）、SED-PNE（0.833）接近0.85阈值，经Bootstrap 95%置信区间检验，其上限（分别为0.770–0.864、0.804–0.886、0.786–0.876）均低于0.90的保守阈值，支持各构念的区分效度。

4.4 模型拟合：标准化残差均方根（Standardized Root Mean Residual, SRMR）为0.075，模型拟合可接受；转换意愿的R²为0.664，说明外生变量对内生变量解释力较强；内生构念的Q²为0.654，预测力良好。

4.5 结构模型评估：采用5000次子抽样Bootstrap。感知不满对转换意愿影响不显著（β = 0.078，t = 1.848，f² = 0.007，p > 0.05），H1a被拒绝；感知负性情绪显著正向影响转换意愿（β = 0.231，t = 4.813，f² = 0.044，p < 0.001），支持H1b；社会互动与参与影响转换意愿（β = 0.070，t = 2.064，f² = 0.007，p < 0.05），支持H2a；感知泛在性影响转换意愿（β = 0.241，t = 6.017，f² = 0.076，p < 0.001），支持H2b；AI资源多样性正向影响转换意愿（β = 0.195，t = 5.503，f² = 0.056，p < 0.001），支持H2c；个人创新性影响转换意愿（β = 0.094，t = 2.611，f² = 0.013，p < 0.05），支持H3a；自我导向教育习惯显著正向影响转换意愿（β = 0.365，t = 7.429，f² = 0.109，p < 0.001），支持H3b。效应量方面，自我导向教育习惯与感知泛在性的影响最为突出，呈小到中等效应；AI资源多样性与感知负性情绪呈小效应。

四、讨论与结论

讨论部分指出，本研究最核心的理论发现是两个推力因素的分化：与传统迁移理论中不满为主要驱动力的预设相反，感知负性情绪显著驱动转换行为，而感知不满不产生直接影响。该结果部分契合Monoarfa等（2023）关于实体市场感知不满不直接影响转换意愿的结论，但挑战了功能性局限必然促使用户寻求替代方案的基础前提。研究人员提出，在沙特等非西方高权力距离文化中，感知不满常因对教育权威的文化遵从得到缓冲；而当不满升级为负性情感状态时，心理成本超过文化忠诚，从而触发转换。由此，研究拓展了PPM理论，主张在特定文化情境中情感性推力可超越认知性推力。同时，DIS与PNE的HTMT值（0.820）显示二者高度相关，但认知评价与情感反应的理论区分为其分离提供了依据。

社会互动与参与的显著影响凸显沙特集体主义社会中共同体学习的价值，与既有研究一致，提示院校应在学习平台中整合社交网络功能以促进知识共享；沙特被视为集体主义社会（Hofstede, 1984），学习往往并非孤立行为而是共同体活动，AI方案若能促进社交联结（讨论论坛、小组项目、实时反馈），可构建促进群体凝聚与集体成功的社会生态系统，并提示该模型可能适用于其他集体主义、高语境社会。

平台技术丰富性亦显著影响转换意愿：多媒体、模拟与自适应算法的整合可提升学生参与度、促进数字学习工具获取并创造更个性化有效的学习体验。感知泛在性作为促进因素，促使学习者将此类工具融入学术体验；对偏远地区或承担家庭义务的学生而言，确保AI驱动教育平台跨设备泛在可及，可使其不受物理环境限制获取教学资源。

锚定因素方面，个人创新性与自我导向教育习惯的显著性表明AI采纳准备度与国家战略目标深度交织。个人创新性与转换意愿显著相关，与Hee-Young等（2023）关于更开放于创新的学生更快采纳新技术的发现一致；随着沙特向知识型经济转型，创新性已从个人特质转变为必备胜任力。个体自主与自我调节是促进转换过程最显著的直接因素，与Ye和Potter（2011）关于习惯行为显著影响采纳后行为、使用户更可能尝试新技术创新的结论一致，并契合"2030愿景"培育具备自主职业发展能力的终身学习者的战略目标。

理论意义方面，研究证明在高权力距离、集体主义文化中，以负性情绪为代表的情感性推力比以感知不满为代表的认知性推力更能催化转换；研究细化迁移理论，指出"推力"性质具有文化权变性，并在沙特这一代表性不足的情境中验证了PPM的适用性；同时揭示学习者创新能力与自我导向学习习惯作为关键促进性锚定因素降低迁移摩擦，并强调感知泛在性在新型知识经济中采纳AIELPs的作用。实践意义方面，研究为院校与政策制定者提供指引：应从纯功能性特征部署转向主动管理学生在数字学习环境中的情绪福祉；增设协作论坛与同伴AI辅导等社交互动功能；定期评估教学方法并制定将AI工具纳入教育的明确方案，如部署情绪检测系统以早期识别受挫学生并提供针对性干预；建立入学导向与支持机制以缓解焦虑、培育积极认知并提升自我效能；优先开展认知普及与持续支持。对AIELPs开发者而言，应聚焦帮助学生成为独立、审慎、自我导向的学习者，开发数字闪卡、自适应评估与互动教学模块等资源，并通过工作坊、竞赛活动与导师计划及将AI素养直接纳入学术课程予以支持；理解个人创新性的作用亦有助于院校识别与支持早期采用者，进而推动更广泛、更成功的采纳。

局限性包括：横断面数据限制因果推断，未来宜开展纵向研究；样本限于沙特单一区域三所公立大学，地理与机构可推广性有限，且36–45岁成熟学生比例较高，反映研究生与远程学习者特征，未必代表典型本科生群体，未来宜跨省份、纳入私立机构并开展跨国比较；自我报告数据可能存在社会赞许性偏差，未来宜采用准实验设计或访谈、焦点小组等质性方法；研究虽评估多重共线性但未采用共同方法偏差的正式统计检验，未来宜引入标记变量；社会互动与AI资源多样性各仅两个指标，可能限制构念覆盖广度并影响内部一致性；部分HTMT值接近0.85阈值，尤其涉及感知不满与负性情绪，尽管Bootstrap置信区间支持区分效度，其概念邻近性仍需审慎解读；未来可纳入制度支持、伦理考量、数据隐私与数字及AI素养等调节变量以丰富PPM框架。

结论部分译文：本研究运用PPM框架考察了沙特阿拉伯西部公立大学学生对AIELPs的转换意愿。结果表明，负性情绪、社会参与与自我导向习惯是向AI平台迁移的主要驱动因素，而对传统方法的感知不满起次要作用。研究结论强调，教育利益相关者有必要超越技术实施层面，优先构建具有情绪智能、社会整合性与泛在可及的AI解决方案；通过使新技术进步与学生的自我导向及共同体价值观相契合，该区域公立高等教育机构可顺利推进"2030愿景"所擘画的数字转型。