《International Journal of Educational Technology in Higher Education》：Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach
编辑推荐：
生成式人工智能（Generative Artificial Intelligence, GenAI）在高等教育中的日益融合引发了关于不同用户如何感知、交互并采用这些技术的关键问题。本研究采用以人为本的方法，应用聚类分析揭示潜在用户细分，超越传统的以变量为中心的
生成式人工智能（Generative Artificial Intelligence, GenAI）在高等教育中的日益融合引发了关于不同用户如何感知、交互并采用这些技术的关键问题。本研究采用以人为本的方法，应用聚类分析揭示潜在用户细分，超越传统的以变量为中心的模型，探究AI驱动聊天机器人的采用画像。研究使用包含192个跨学科观测值的已验证数据集，利用无监督机器学习技术，特别是层次聚类后接k-means聚类，基于感知、体验、情境和人口统计学指标识别有意义的用户子群。数据准备包括计算每个已验证构念的复合得分，随后进行标准化以确保变量间的可比性。聚类效度通过内部验证指标（轮廓系数、Calinski-Harabasz指数和Davies-Bouldin指数）进行评估，四聚类方案被确定为最优方案。所得画像根据态度特征进行标注，并进一步使用角色、技术熟练度、研究领域、性别、年龄和教育水平等人口统计学与情境特征进行剖析。识别出的聚类——谨慎成就者（Cautious Achievers）、怀疑功利主义者（Skeptical Utilitarians）、疏离怀疑者（Disengaged Doubters）和积极参与者（Engaged Enthusiasts）——反映了在信任、有用性、效率、伦理舒适度以及AI聊天机器人满意度方面的多样化配置。这些画像凸显了用户态度中隐藏的异质性，并揭示了人口统计学和情境因素如何塑造采用倾向。研究结果有助于深入理解AI采用中的用户异质性，并为高等教育情境中GenAI工具的设计、部署和支持提供可操作见解。
**论文解读：高等教育中生成式人工智能采用画像的聚类分析研究**
**研究背景与问题**
随着生成式人工智能（Generative Artificial Intelligence, GenAI）在高等教育中的广泛应用，AI驱动的聊天机器人（如ChatGPT）已成为提供个性化学习支持、自动化管理和即时反馈的重要工具。然而，现有技术接受模型（Technology Acceptance Model, TAM）和整合型技术接受与使用理论（Unified Theory of Acceptance and Use of Technology, UTAUT）等主流框架多采用以变量为中心的分析范式，假设用户群体同质，仅估计样本整体的平均结构关系。这种假设忽略了不同用户子群在感知、体验和采用行为上的显著差异。高等教育用户群体涵盖学生和教师，他们在技术熟练度、学术角色、学科背景、伦理关切及数字素养等方面存在巨大差异。例如，关注学术诚信的教师与追求任务效率的学生可能对AI聊天机器人持截然不同的评价，即使表面采用指标相似。因此，传统模型难以捕捉这种潜在异质性，导致“一刀切”式的AI部署策略可能无法满足多样化需求，甚至加剧数字鸿沟。为此，本研究旨在通过以人为中心的分析视角，运用无监督机器学习聚类技术，揭示高等教育中GenAI聊天机器人采用者的潜在画像，从而为个性化设计、定向培训和包容性政策制定提供依据。
**研究设计与方法**
本研究采用定量探索性设计，数据来源于先前已验证的问卷调查数据集（Saihi et al., 2024），包含192名有效受访者（学生107人，教师85人），覆盖工程、商学、健康科学等多个学科，年龄从18岁至65岁以上，性别比例大致均衡（54%女性，46%男性）。约70%的参与者主要使用ChatGPT，其余结合使用其他大语言模型（LLM）聊天机器人。数据收集通过Qualtrics在线问卷，采用目的性和滚雪球抽样，通过电子邮件和LinkedIn分发。研究聚焦于用户对AI聊天机器人的感知构念，包括感知有用性、易用性、效率、信任、数据隐私关注、伦理舒适度、交互质量、满意度、学习支持感知及持续使用意向等。在先前结构方程模型（SEM）分析中验证了这些构念的可靠性和效度。本研究对多题项构念计算复合得分，并通过z-score标准化处理，最终形成13个标准化变量用于聚类。聚类采用两阶段策略：首先应用层次凝聚聚类（Ward连接法，欧氏距离）确定最优聚类数，通过树状图和轮廓系数评估；随后采用k-means算法进行最终分割。聚类效度通过内部验证指标（轮廓系数、Calinski-Harabasz指数、Davies-Bouldin指数）进行评估，并采用人口统计学和情境变量（角色、技术熟练度、教育水平、研究领域、性别、年龄）对画像进行多维剖析。
**研究结果**
**变量选择与特征构建**：基于理论相关性和心理测量稳健性，排除了反映系统或环境因素的构念（如系统质量、促进条件），保留感知有用性、易用性、效率、信任、伦理舒适度、交互质量、满意度、学习支持感知等构念，以及若干高概念显著性的单题项指标（如持续使用意向、依赖程度、感知学习效果）。
**最优聚类数确定**：层次聚类树状图显示在中等高度切割时存在四个分离较好的子簇，轮廓系数在k=4时出现“肘部”平台，综合支持k=4方案。内部验证指标（轮廓系数0.311、Calinski-Harabasz指数102.02、Davies-Bouldin指数1.294）均表明四聚类优于三或五聚类方案。
**k-means聚类与画像识别**：基于k=4的k-means聚类识别出四个画像：
- **谨慎成就者（Cautious Achievers）**：各构念得分中等，信任和伦理舒适度较高，年龄分布广，性别均衡，研究生学历比例最高，体现学术成熟且谨慎使用AI的用户群。
- **怀疑功利主义者（Skeptical Utilitarians）**：高效率得分但低信任、低满意度和低伦理一致性，主要为工程专业学生，技术熟练度高，男性主导（88%），任务导向且对AI价值持怀疑态度。
- **疏离怀疑者（Disengaged Doubters）**：几乎所有构念得分最低，主要为年轻女性（89%），技术熟练度低，年龄多集中在18-24岁，可能因负面体验或低期望导致低参与度。
- **积极参与者（Engaged Enthusiasts）**：信任、满意度、感知效果和持续使用意向得分最高，年龄和学科多样，博士学历比例显著，学生与教师比例均衡，全面拥抱AI的教与学价值。
**人口统计学与情境剖析**：角色分布在各聚类中相对均衡，但聚类1学生比例最高（65%）；技术熟练度方面，聚类1和聚类0报告“高”或“非常高”的比例较大，聚类2最低；教育水平中，聚类0研究生比例最高，聚类1以学士为主（>50%）；研究领域上，聚类1中工程占88%，聚类3中商学占55%；性别上，聚类1男性占88%，聚类2女性占89%，聚类0和3性别均衡；年龄上，聚类0和3分布广泛，聚类2偏年轻（52%在18-24岁），聚类1偏成熟（41%在45-54岁）。
**结论与意义**
本研究通过聚类分析揭示了高等教育中GenAI聊天机器人采用者的四种潜在画像，证明了以人为中心的方法在技术接受研究中的价值。画像反映了用户在信任、有用性、效率、伦理舒适度和满意度方面的异质性配置，并受角色、学科、技术熟练度、性别和年龄等情境因素影响。研究为教育机构提供了数据驱动的决策工具，支持差异化部署策略：如为谨慎成就者提供详细的数据使用和公平性披露，为怀疑功利主义者优化性能和准确性，为疏离怀疑者设计信任建立模块和辅导支持，为积极参与者提供同伴大使和高级功能反馈。研究还强调了伦理治理和平衡AI支持与反思性学习的重要性。方法论上，研究展示了无监督聚类在心理测量构念分割中的应用潜力，并通过内部验证指标确保了可靠性。未来研究可扩大样本多样性、采用纵向数据、进行跨文化验证，并探索微分割和基于画像的调节模型。
