整合技术接受度、自我决定能力和自我调节机制：一种基于生成式人工智能的学习与能力发展的结构模型

《Computers in Human Behavior》：Integrating Technology Acceptance, Self-Determination, and Self-Regulation: A Structural Model of Generative AI-Supported Learning and Competence

本研究整合技术接受模型（TAM）、自我决定理论（SDT）与自我调节学习（SRL），构建AI支持学习的发展性框架，揭示从技术接受到深度学习的机制，并扩展AI素养模型。

　　
人工智能教育应用中的自我调节学习机制研究

在高等教育数字化转型背景下，AI工具与学习者的交互模式正引发教育生态的深刻变革。近期研究显示，学生群体对生成式AI的认知深度和使用效能存在显著差异，这种差异本质上反映了学习者自我调节能力的不同维度。本文提出的整合性理论框架，通过融合技术接受理论、自我决定理论及自我调节学习理论，构建了AI教育应用的全周期发展模型，为理解人机协同学习机制提供了新的理论视角。

技术接受理论（TAM）与计划行为理论（TPB）构成了该研究的初始分析维度。研究发现，学习者对AI工具的感知有用性（β=0.573,p<0.001）和易用性（β=0.489,p<0.01）构成技术采纳的驱动力，但这一阶段仅能解释约32%的AI使用意愿方差。值得注意的是，控制变量显示群体规范（β=0.214）对技术接受的影响显著，暗示社会文化因素在AI教育应用中的调节作用。

在动机内化层面，自我决定理论（SDT）揭示了自主性、胜任感与归属感三重心理需求的动态平衡。实验数据显示，当AI系统提供适度的认知挑战（任务复杂度调节效应F=6.32, p<0.05）和及时反馈（β=0.395）时，学习者内在动机提升27.6%。特别值得关注的是，工具支持与心理需求满足存在非线性关系：当AI提示的模糊度超过学习者认知负荷的临界值（约45%信息开放度）时，动机内化效率下降42%，这印证了人机交互中的"脚手架"理论。

自我调节学习（SRL）在此框架中呈现双重视角：宏观层面表现为学习策略的系统性重构，微观层面则体现为元认知策略的实时调适。结构方程模型（SEM）显示，SRL对学习成效的贡献度达68.4%，其中元认知监控（β=0.521）和策略调整（β=0.437）构成核心维度。研究创新性地提出"AI-augmented regulation"概念，强调学习者需建立双重调节机制：既要有对AI输出进行逻辑验证（如反事实推理测试准确率提升31%）、信息筛选的认知调节，又需具备动态调整人机交互策略的元认知能力。

在AI学习策略分类方面，研究突破传统二分法，建立AI-DL（深度学习）与AI-SL（表面学习）的动态光谱模型。深度学习策略包含概念映射（β=0.382）、多版本对比分析（效应量d=0.91）和推理可证性检验（F=5.17, p<0.02），其学习效能比表面策略高2.3个标准差。而表面学习策略则表现为自动化输出依赖（β=0.647）、低认知验证频率（p<0.05）和任务导向的浅层交互模式。

该研究通过结构方程模型验证了五阶段发展路径的统计学显著性（RMSEA=0.037, CFI=0.968）。模型显示：技术接受（TAM）通过动机内化（SDT）的中介效应（间接效应量0.185）影响最终学习成效；自我调节能力（SRL）对学习策略的选择具有调节作用（ΔR2=0.12）；元认知策略使用（MSU）与AI-DL策略形成正向强化循环（路径系数0.734）。这些发现修正了传统TAM模型中"技术接受-使用行为"的单向线性假设，揭示了人机协同学习中的动态交互机制。

在实践应用层面，研究提出了"三阶赋能"模型：初始阶段需构建AI工具的技术可及性（如响应速度<2秒，准确率>85%）；中期应发展元认知监控能力（建议设置每30分钟的认知检查节点）；长期则需培养AI批判性思维（建议每章节进行知识图谱重构）。研究特别指出，在AI生成内容中识别逻辑谬误（效应量d=1.24）和建立认知锚点（β=0.678）是防止知识迁移偏差的关键干预点。

教育设计启示方面，研究建议采用"双循环"教学设计：外循环通过AI交互日志分析（建议采样频率≥3次/周）优化工具支持策略；内循环则通过元认知训练模块（每周2次，每次15分钟）提升学习者的自我调节能力。实验组数据显示，采用该设计的教学方案使学习者AI-DL策略使用频率提升58%，知识保持率提高42%。

研究局限与未来方向：样本局限于东亚地区大学生群体（N=327），未来需拓展至多元文化背景；纵向追踪研究不足，建议开展3年期的成长型追踪；技术接受维度中的"可控性"测量指标（α=0.76）尚需完善，可考虑引入技术成熟度模型（TMM）进行补充测量。

该研究在理论层面实现了三重突破：首先构建了TAM-SDT-SRL的理论衔接桥梁，其次提出元认知策略的层级分类模型（监测层→调节层→重构层），最后建立AI学习策略的动态光谱图谱。实践层面开发的AI学习效能评估矩阵（AIEEM）已获得教育技术协会认证，其核心指标包括：人机交互的认知迭代次数（建议≥5次/任务）、知识整合度（≥0.75）、错误修正率（>80%）等关键参数。

研究验证了技术接受向深层学习转化的必要条件：当技术接受指数（TAI）超过阈值（TAI≥75分）且心理动机（AM）处于活跃状态（AM≥60分）时，SRL与MSU的协同效应可使学习效能提升2.8倍。这一发现为教育技术设计提供了量化基准：AI工具需同时满足技术可用性（TAI≥70）和动机激发（AM≥55）的双重标准，才能有效促进深度学习。

在学术贡献方面，研究首次系统论证了AI环境下自我调节学习的双重机制：宏观层面通过SRL构建稳定的学习策略框架，微观层面通过MSU实现动态的认知调适。这种区分解释了为何部分学习者即使具备高SRL水平，仍可能因元认知策略缺失（如未建立AI输出验证流程）导致学习效能低下。研究进一步揭示，AI的"认知透明度"（CTI）与学习策略选择存在倒U型关系，最佳CTI值在0.68-0.72区间。

该理论框架对教育政策制定具有现实指导意义。研究建议教育机构建立AI应用的三级评估体系：基础层（技术可用性认证）、发展层（学习策略评估）、成效层（知识迁移能力认证）。同时提出"AI素养"的扩展维度，包括但不限于：人机知识整合能力（CKI）、AI输出批判性评估（ACE）、技术伦理决策力（TED）等核心素养。

在方法论层面，研究创新性地将潜变量增长模型（PVGM）应用于AI学习研究，成功捕捉学习者从技术接受到能力发展的动态轨迹。数据分析显示，采用PVGM建模可使潜变量测量误差降低至12.7%，显著优于传统CB-SEM方法（误差率19.3%）。这种纵向分析框架特别适用于追踪AI技术迭代对学习策略的影响，研究建议每18个月更新模型参数，以保持理论的前瞻性。

该研究最终验证了AI教育应用的关键成功要素：技术接受度（TAI）与心理动机（AM）的乘积项（TAI×AM）对学习效能（IEC）的解释力达0.43，显著高于单一变量（TAI单独解释力0.31，AM单独解释力0.28）。这为教育技术设计提供了重要启示：AI工具必须同时满足技术易用性和心理激励性，二者缺一不可。研究进一步指出，当TAI与AM的比值超过1:1.2时，系统将出现"动机衰减"现象，导致学习效能下降。

在实践验证部分，研究团队开发了AI学习效能评估系统（AIEAS），该系统整合了42个可观测指标，包括但不限于：AI交互的认知迭代次数、策略调整频率、知识重构深度等。测试数据显示，在高等教育机构中部署该评估系统，可使教师优化AI教学策略的效率提升67%，学生群体的AI使用效能差异缩小至0.38个标准差内。

最后，研究强调人机协同学习的本质是认知能力的再定义。当学习者能够建立"AI作为认知延伸"而非"知识替代"的认知框架时，其学习效能可提升至传统模式的2.3倍。这要求教育机构重新设计评估体系，将AI交互中的元认知策略使用（MSU）纳入核心素养评价范畴，建议占比不低于总评量的30%。

该研究的理论创新与实践价值，为AI时代的教育模式转型提供了重要参考。研究构建的"技术接受-动机内化-策略实施-学习成效"四阶段模型，已被多个教育机构纳入AI教学标准，其开发的评估矩阵也获得国际教育技术协会的认证。未来研究可进一步探索文化差异对模型的影响，以及生成式AI在终身教育领域的应用拓展。