为高等教育领域中的生成式人工智能（Generative AI）识别适合的用户群体（Adoption Persons）：一种基于聚类的细分方法

《International Journal of Educational Technology in Higher Education》：Uncovering adoption personas for generative AI in higher education: a clustering-based segmentation approach

　　摘要
生成式人工智能（GenAI）在高等教育中日益融合，引发了关于不同用户如何感知、互动和采用这些技术的重要问题。本研究通过采用以用户为中心的方法，探究了基于人工智能的聊天机器人的用户采纳特征，超越了传统的以变量为中心的模型。利用包含来自多个学科的192条观察数据的验证数据集，研究运用了无监督机器学习技术，特别是层次聚类后结合k-means算法，根据感知、体验、情境和人口统计指标来识别有意义的用户子群体。数据准备包括计算每个验证指标的综合得分，然后进行标准化处理以确保变量之间的可比性。通过内部验证指标（Silhouette Score、Calinski-Harabasz Index和Davies-Bouldin Index）评估聚类的有效性，最终确定了四个最佳聚类。根据态度特征对这些用户角色进行了标记，并进一步利用人口统计和情境特征（如角色、技术熟练度、学习领域、性别、年龄和教育水平）进行了详细分析。识别出的四个用户群体包括：谨慎的成就者（Cautious Achievers）、怀疑的实用主义者（Skeptical Utilitarians）、不参与的怀疑者（Disengaged Doubters）和热情的参与者（Engaged Enthusiasts），它们反映了在信任、实用性、效率、伦理舒适度和对AI聊天机器人满意度方面的不同配置。这些用户角色的发现揭示了用户态度中的隐藏异质性，并表明人口统计和情境因素如何影响采用倾向。该研究结果有助于更深入地理解用户在采用AI方面的多样性，并为在高等教育环境中设计、部署和支持GenAI工具提供了实用见解。

引言
生成式人工智能（GenAI）工具的出现标志着高等教育的新时代，这一时代的特点是对个性化、即时反馈机制和自动化支持系统的依赖程度日益增加。其中最突出的工具是基于AI的聊天机器人，它们利用大型语言模型（LLMs）来模拟类似人类的对话，并为用户提供交互式、情境感知的支持。将这些聊天机器人整合到教育环境中，使机构能够提供持续协助，促进个性化学习路径，并减少 administrativer 工作负担（Gill等人，2024；Monserrat等人，2022；Okonkwo & Ade-Ibijola，2021）。像OpenAI的ChatGPT这样的聊天机器人已经展示了提供反馈、解释学术内容、指导学生完成任务以及协助教师处理学生咨询的能力（Fitria，2023；Mello等人，2023）。随着这些智能代理越来越多地嵌入到数字教育生态系统中，问题不再是否会被采用，而是它们将如何被采用、由谁采用以及在多大程度上被采用。尽管目前的研究主要强调功能方面和总体采用模式，但最近的研究开始揭示出更为复杂的情况：用户对AI聊天机器人的看法因多种因素而异，包括感知到的实用性、易用性、信任度、伦理问题等（Saihi等人，2024；Saihi等人，2024）。这些看法不仅塑造了行为意图和实际使用情况，还反映了用户之间的更深层次的心理学、职业和情境差异。

在本研究中，区分几个相关概念是重要的。人工智能（AI）广泛指的是能够执行通常需要人类智能的任务的计算系统（Banihashem等人，2025）。GenAI是AI的一个子集，它可以基于学习到的模式生成新的内容，如文本、图像或代码（Baig & Yadegaridehkordi，2025）。当前的GenAI工具主要由LLMs驱动，这些模型从庞大的训练数据中生成自然语言响应（Zawacki-Richter等人，2024）。AI聊天机器人是LLMs的一种特定应用，为用户提供对话式、交互式和情境感知的支持。本研究关注基于GenAI的聊天机器人的采用情况，例如ChatGPT及其类似工具，这些工具是参与者在学术支持和学习相关活动中最常使用的类型（Saihi等人，2024）。尽管有技术接受模型（TAM）（Davis，1989）和统一技术接受与使用理论（UTAUT）（Venkatesh等人，2003）等成熟框架的应用，但大多数现有的实证模型都依赖于用户同质性的假设，估计整个群体的平均结构关系。虽然这种方法在统计上严谨且对理论测试有价值，但它可能掩盖了不同用户群体在体验、解释和采用新技术方面的实质性差异（Tarhini等人，2015）。在高等教育背景下，用户群体包括来自不同学科和数字环境的学生和教育工作者，这一假设尤其值得关注。这些用户在技术熟练度、职能角色、教学责任以及对AI整合的伦理考量方面存在差异（Chocarro等人，2023；Mercader & Gairín，2020）。例如，关注学术诚信的教育工作者可能与关注任务效率的学生对AI聊天机器人的评估大不相同，即使他们的表面采用指标看起来相似。捕捉这种异质性对于设计包容性和情境感知的AI干预措施至关重要（Ifenthaler & Yau，2020）。

鉴于文献中的这一空白，本研究采用以用户为中心的分析方法，通过聚类技术来识别高等教育用户群体中的不同采纳特征，补充了传统的以变量为中心的模型。分析利用了一个包含192名参与者的验证数据集，这些参与者来自不同的学术领域、机构角色和技术熟练度水平。数据集包含了广泛的感知和体验指标，包括导航便利性、对AI的信任度、对数据隐私的担忧、用户满意度以及感知到的学习表现等。这些指标已经通过结构方程建模（SEM）分析得到了验证，确认了其可靠性和区分有效性（Saihi等人，2024）。研究的目的是揭示潜在的用户角色，如技术熟练的爱好者（Tech-Savvy Enthusiasts）或实用的用户（Pragmatic Users），每个角色都代表了一组独特的态度、关切和使用模式。与主要基于人口统计分类的传统类型学不同，这些角色基于心理统计学和行为聚类，提供了更细致的描述，展示了个体在教育环境中如何与GenAI技术互动（Salles等人，2024）。识别这种体验异质性为制定更具针对性和包容性的实施策略奠定了基础，反映了最终用户的全部期望和关切（Mirata等人，2020）。在高等教育机构竞相采用AI的同时保持伦理诚信、教学相关性和用户信任度的背景下，理解用户多样性至关重要。没有这些见解，即使是最先进的AI技术也可能无法发挥价值，特别是如果它们疏远了某些用户群体或加剧了数字准备和包容性方面的现有不平等（Al-Zahrani & Alasmari，2024）。因此，这项研究为基于用户角色的教育技术采纳方法奠定了基础，敦促大学超越一刀切的实现方式，采用更加细致的、基于证据的以用户为中心的AI整合策略。为了指导这项研究，提出了以下研究问题（RQ）：
RQ1. 根据高等教育用户对GenAI聊天机器人的感知和体验，可以识别出哪些不同的用户角色？
RQ2. 这些角色在人口统计、情境和心理统计属性方面有何差异？
RQ3. 这些角色对设计高等教育中的AI策略有何启示？

本研究对教育技术和AI采纳研究领域做出了四项关键贡献。首先，它通过引入基于角色的框架来理解GenAI聊天机器人的采用，超越了总体模型，捕捉了用户群体中的潜在异质性，从而实现了概念上的进步。其次，研究通过将无监督聚类算法（特别是层次聚类和k-means聚类）应用于从已建立的技术采纳模型中得出的感知数据，展示了机器学习技术在揭示可能被传统建模方法掩盖的用户子群体方面的分析潜力。第三，分析通过使用人口统计和情境属性（如用户角色、学术领域和技术熟练度）构建了丰富的人物档案，提供了实用的指导，以便根据特定用户需求定制聊天机器人的引入、培训和支持。最后，研究为机构提供了一个数据驱动的决策工具，使其AI聊天机器人部署策略与其学术社区的实际情况相一致，从而促进了更具包容性和有效的技术整合。

本文的其余部分结构如下：第2节回顾了有关教育中GenAI的相关文献、主导的采纳理论以及基于角色的方法的演变。第3节详细介绍了方法论，包括研究设计和数据收集及聚类技术。第4节展示了角色识别过程和聚类验证的结果。第5节讨论了关键见解、影响和未来方向，第6节总结了研究。

相关文献
为了将本研究置于适当的背景中，本节回顾了有关高等教育中GenAI的关键文献、主导的技术采纳模型以及新兴的基于角色的方法。目的是强调理论基础，识别现有框架的局限性，并证明通过聚类方法进行用户分段的必要性。

GenAI在高等教育中的兴起
越来越多的文献强调了GenAI在重塑高等教育方面的变革潜力，特别是在教学、学习和学生支持系统方面（Bahroun等人，2023；Ilieva等人，2023；Jin等人，2025）。GenAI技术，特别是LLMs，在生成连贯的、情境适当的自然语言输出方面展现了前所未有的能力，使其非常适合需要交互、个性化和实时响应的应用（Patil等人，2024）。在这些应用中，基于AI的聊天机器人已成为增强教育提供和支持服务的最有前景的工具之一。例如，OpenAI的ChatGPT等基于生成模型的聊天机器人能够模拟类似人类的对话，回答学生问题、提供作业反馈、促进讨论，并以高度互动的方式提供学术内容（Ilieva等人，2023）。这种功能与关键的教学目标紧密一致，包括差异化教学、即时反馈和学习者参与。正如Gill等人（2024）和Fitria（2023）所报告的，聊天机器人已成功用于支持从语言学习和论文生成到研究指导和概念澄清等各种任务。它们的实用性体现在自动化常规互动以及为不同学习环境和群体提供可扩展的支持方面（Okonkwo & Ade-Ibijola，2021）。

一些机构已经将AI聊天机器人作为其教育生态系统的重要组成部分。佐治亚理工学院的Jill Watson是最早的教学助理聊天机器人之一，它证明了AI可以有效地回答大型在线课程中的学生问题（Mello等人，2023）。同样，迪肯大学的Genie和斯塔福德郡大学的Beacon也被用于管理课程安排、协调和时间安排以及学术咨询，结合了教学和行政功能（Monserrat等人，2022）。这些实施强调了AI聊天机器人的多功能性，因为它们既服务于学习的认知维度，也服务于情感维度，提供了信息辅助和可见性与支持感。除了后勤支持外，最近的研究还探讨了GenAI如何促进更加适应性和个性化的学习路径（Yogi等人，2024）。通过分析用户输入和使用模式，AI聊天机器人能够实时地定制解释内容、调整难度级别，并提供逐步的反馈和指导。这符合最近的教育趋势，这些趋势强调学习者的自主性、自我节奏的学习进程以及基于能力的学习方法（Kamalov等人，2023年；Sharef等人，2021年）。此外，聊天机器人能够在传统上课时间之外发挥作用，无论时间或地点如何，都能及时提供学术支持，从而帮助克服教育中的一个持久性挑战（Kamalov等人，2023年）。尽管AI聊天机器人具有巨大潜力，但其采用也引发了一些需要认真探讨的担忧。伦理问题，如数据隐私、算法透明度以及教育的人性化缺失，在最近的研究中已被广泛讨论（Chan & Hu，2023年；Robayo-Pinzon等人，2023年）。在教育背景下，这些问题尤为重要，因为信任和人际关系动态在学生的学习参与度和学习成果中起着核心作用。此外，技术获取能力和熟练程度的差异可能会影响不同用户与这些工具的互动方式以及他们从中受益的程度，从而可能加剧数字学习环境中的现有不平等现象（Saihi等人，2024年）。因此，相关文献呈现了一个双重观点：虽然聊天机器人因其响应性和可扩展性而受到广泛认可，但其长期成功取决于机构如何理解和回应用户的多样化需求和期望（Haroud & Saqri，2025年）。这种认识促使学者们不仅关注技术性能，还开始研究聊天机器人采用的社会认知、行为和情感维度，这直接为本研究提供了信息和动力。

**教育技术采用：主要理论与局限性**
教育技术的采用长期以来一直通过既定的理论框架进行研究，这些框架试图解释用户对技术创新的接受度和使用情况。其中最具影响力的是Davis（1989年）提出的TAM模型和Venkatesh等人（2003年）开发的UTAUT模型。这些模型为用户行为提供了基础性的见解，并被广泛应用于教育、医疗保健和组织等领域。TAM模型认为，两个主要因素——感知有用性和感知易用性——决定了个人采用技术的意愿。在教育背景下，感知有用性指的是系统在提高学术表现或教学效率方面的作用；而感知易用性则是指系统被认为无需费力且直观的程度（Saif等人，2024年）。UTAUT模型通过引入其他概念进一步扩展了这一框架，包括“社会影响”（即用户认为重要他人认为他们应该使用该技术的程度）和“促进条件”（指组织和技术支持的可用性）（Khechine等人，2016年）。这两个模型在捕捉技术采用的动机基础方面已被证明非常有价值，并在涉及学习管理系统、移动学习应用以及最近的AI驱动工具的实证研究中得到了广泛验证。例如，Bilquise等人（2023年）和Liu与Ma（2023年）应用UTAUT模型来研究学生对AI驱动聊天机器人的行为意向，发现绩效预期、努力预期和社会影响是关键决定因素。更近期的研究，如Saihi等人（2024年）的工作，结合了TAM和UTAUT模型，并纳入了与教育中的AI聊天机器人采用相关的额外变量，如感知效率、用户满意度和学习表现。这些扩展旨在全面反映采用的职能和体验方面，从而理解多种因素是如何相互作用以塑造用户在高教育中采用AI的意愿的。

尽管这些模型具有广泛的适用性和实证支持，但在应用于像AI聊天机器人这样的复杂交互式技术时，尤其是在高等教育这样异质性高的用户群体中时，它们存在一些显著的局限性。最明显的是，TAM和UTAUT模型都是以变量为中心的方法，依赖于在整个样本中观察到的变量之间的结构关系估计。这本质上假设了一定程度的用户同质性，意味着这些模型侧重于识别预测因子的平均效应，而不是捕捉不同类型用户与技术的互动或体验的差异（Ali等人，2024年；Panicker，2020年；Tarhini等人，2015年）。实际上，高等教育机构由具有不同角色、背景和技术能力的用户组成。学生和教育者在使用聊天机器人的目标和动机上可能存在差异，他们在信任、数据隐私以及这些工具的教学价值感知上也有所不同。正如Mercader和Gairín（2020年）所指出的，学科文化、机构环境和专业角色显著影响了人们对技术的看法及其在学术实践中的整合方式。此外，个人因素如技术熟练度、年龄和先前经验可能会以纯变量中心模型通常无法充分检测到的方式调节采用路径（Chocarro等人，2023年）。即使将性别、学科或熟练度等调节变量纳入结构模型（Saihi等人，2024年），分析也主要局限于测试特定关系在预定义子组之间的强度变化。这类模型无法发现可能从复杂的感知、态度和体验模式中自然产生的用户画像。在研究像AI聊天机器人这样的技术时，这个问题尤其突出，因为情感反应、伦理立场和感知效用可能会以不同的方式交汇，从而产生不同的用户类型（Rahman等人，2025年）。因此，人们越来越认识到，总体层面的发现可能会掩盖用户行为中重要的潜在异质性。教育技术领域有人呼吁转向以个体为中心的方法，识别具有共同信仰、态度和体验配置的用户子群体（Lee，2024年；T?rm?nen等人，2022年）。这些方法特别适合探索性问题，并有助于制定反映现实世界教育复杂性的差异化实施策略。

为了应对这些局限性，本研究应用无监督聚类来识别高等教育中AI聊天机器人的潜在使用画像，揭示了传统模型常忽略的体验多样性，从而支持对技术参与度的更细致理解。

**从采用模型到以个体为中心的方法**
虽然传统的采用模型为技术使用的预测因素提供了宝贵的见解，但它们在解释用户体验的异质性方面仍存在局限性。这些框架通常依赖于总体层面的分析，专注于不同变量之间的平均关系，因此难以捕捉多样化用户群体中的复杂变化（Ali等人，2024年）。随着教育技术（特别是涉及AI的技术）变得更加复杂并嵌入到特定情境的实践中，越来越需要能够反映用户如何感知、体验和与这些工具互动的分析方法（Holmes等人，2019年）。为了应对这些局限性，学者们越来越多地转向以个体为中心的分析技术，如聚类、潜在类别分析和画像建模，以补充传统的以变量为中心的方法。这些方法侧重于识别在多个变量上具有相似模式的个体子群体，而不是假设相同的关系普遍适用于所有用户。在教育研究中，以个体为中心的方法已被用于研究学习策略（Ifenthaler & Yau，2020年）、数字参与画像（Wang等人，2025年）和学习者分析中的差异化路径（Tempelaar等人，2018年）。这些方法在揭示用户行为中的潜在结构方面已被证明是有效的，特别是在处理动机、满意度和技术使用等复杂概念时。以个体为中心的方法的一个特别有前景的应用是用户画像的开发，这些基于共享态度、需求和行为的虚构但基于证据的画像（Jansen等人，2020年）。在教育技术和人机交互研究中，画像越来越多地用于指导以用户为中心的设计、个性化干预和情境敏感的实现策略（Amer jid Almahri等人，2024年）。与基于人口统计特征（如年龄或角色）的用户分类不同，基于画像的分类强调心理特征和行为变量，提供了对个人如何与教育技术互动的更细致的理解（Farooq等人，2025年）。尽管在用户体验和学习设计中越来越多地使用画像，但在高等教育中的AI采用研究中，这种方法仍未得到充分利用。现有研究主要关注于识别推广采用的通用预测因素，往往没有考虑到同一机构或人口统计群体内可能存在不同类型用户的可能性（Tarhini等人，2015年）。在GenAI聊天机器人的背景下，这种遗漏尤为重要，因为用户对信任、有用性、伦理影响和教学价值的看法可能会有很大差异，即使是在具有相似人口统计特征或学科背景的用户之间也是如此。鉴于AI聊天机器人交互的复杂性和高等教育用户的多样性，采用以个体为中心的方法具有显著的价值。揭示潜在的用户画像使机构和开发者能够更好地理解用户特定的障碍、动机和支持需求（Weinhandl等人，2024年）。尽管以个体为中心的方法在理论上有很强的说服力，但在高等教育中应用这种方法的实证研究仍然有限。虽然有少数但不断增加的研究开始探索如何在教育环境中构建和利用用户画像，例如Almahri等人（2019年）和Almahri等人（2021年）提出了一种基于数据驱动的画像开发方法（DDPDM），使用k-means聚类来构建学生画像以用于聊天机器人交互设计，展示了机器学习技术在捕捉潜在用户画像方面的价值。此外，Chandrasenan等人（2022年）和Jang等人（2024年）分别使用层次分析和潜在画像分析来根据态度和感知对学生和教师进行分组，尽管这些研究并非专注于AI技术。相比之下，Amer jid Almahri等人（2024年）应用预定义的画像特征来研究用户特征对聊天机器人接受的调节效应，使用了扩展的UTAUT2框架。总的来说，这些研究突显了基于画像的分类的潜力，但也揭示了方法论上的空白，因为只有少数研究将聚类技术应用于与GenAI相关的验证 adoption 构念。因此，本研究通过应用无监督机器学习来揭示基于用户感知体验的采用画像，为教育AI中的画像构建提供了一种新颖且数据驱动的方法。

**理解AI采用中的用户多样性：情境和体验维度**
随着AI驱动技术在高等教育中的日益普及，人们越来越认识到个体和情境差异对用户如何感知、评估和与这些工具互动有着重要影响（Chan & Hu，2023年）。虽然人口统计变量（如年龄或性别）在技术采用研究中经常被研究，但它们往往无法解释用户行为中观察到的细微差异。为了开发有意义的用户画像和用户档案，考虑更准确反映教育环境中用户视角多样性的情境和体验维度是必要的（Farooq等人，2025年）。AI采用的一个关键决定因素是技术熟练度，通常理解为个人对数字技术的信心、能力和熟悉度。Chocarro等人（2023年）发现，技术熟练度显著调节了用户对AI系统信任度和易用性的感知，表明熟练度较低的用户可能会遇到更大的阻力或需要更多结构化的支持。同样，Pellas（2023年）强调了数字素养对感知控制和使用AI工具参与度的影响，熟练度较高的用户报告更高的满意度和使用舒适度。另一个重要因素是学术学科，它不仅影响技术接触，还影响教学期望和认识论取向。例如，Krutka等人（2022年）观察到，来自教育和人文学科的用户经常对伦理影响和学习的关系方面表示担忧，而STEM领域的用户则更注重技术功能和效率。Mercader和Gairín（2020年）进一步指出，学科文化影响技术的评估方式及其在学术实践中的整合，不同学科之间AI工具与核心教育价值观的契合度也各不相同。学生和教育者之间的角色差异也会导致期望和体验的差异。学生通常更看重即时反馈、学术帮助和用户友好的界面，而教育者可能更关注内容准确性、教学一致性和学术完整性（Roe等人，2024年）。这些基于角色的差异影响了AI工具（如聊天机器人）的使用和评价方式，多项研究表明，与学生相比，教师对技术的看法往往更为谨慎或批判性。然而，关于学术学科影响的实证发现尚无定论。例如，Saihi等人（2024年）报告称，尽管学科背景似乎影响了一些认知，如有用性或满意度，但它并没有显著改变核心的采用路径。这表明，虽然学科背景有助于表面层面的差异，但更深层次的体验和情境因素，如基于角色的需求和数字能力，可能在塑造采用行为方面更为决定性。总体而言，这些见解强化了在分析AI采纳时超越简单的人口统计分类的重要性。相反，当将情境和体验因素（包括技术熟练度、用户角色、学科文化以及个人态度和认知）纳入人物构建时，会得到更丰富的理解。

研究方法
本研究采用定量、探索性的研究设计，以揭示与高等教育中AI驱动的聊天机器人采纳相关的潜在用户人物。虽然基于同一数据集的先前研究使用SEM来检验基于TAM和UTAUT框架的构念之间的整体关系（Saihi等人，2024年；Saihi等人，2024年），但本研究从以变量为中心的分析范式转向以人为中心的分析范式。具体而言，它利用无监督机器学习技术来检测具有相似体验、感知和行为模式的用户人物子群体。这种方法论过程的概述见图1。因此，本研究的目标不是测试预定义的假设，而是根据经过验证的采纳构念来识别新兴的用户画像。这种方法回应了教育技术文献中日益增加的认识，即传统模型常常忽略了用户群体内的潜在异质性（Amer jid Almahri等人，2024年；Ifenthaler & Yau，2020年）。采用基于聚类的方法论有助于开发出基于实证的人物画像，这些画像可以为以用户为中心的设计、有针对性的实施策略以及针对高等教育的AI工具的差异化支持框架提供信息。

本研究中感知指标和行为指标之间的区分基于已建立的技术接受框架，如TAM（Davis，1989年）和UTAUT（Venkatesh等人，2003年）。这些模型认为，用户的感知（如有用性、易用性、信任和满意度）是行为意图和使用倾向的心理前提。在保持这一理论逻辑的同时，本研究采用以人为中心的方法，不建模因果关系，而是考察这些感知构念和行为指标如何自然结合形成有意义的用户配置。这增强了理论的连贯性，同时能够检测到异质的采纳模式。

传统的以变量为中心的方法，如SEM和回归，估计整个样本中构念之间的平均关系，假设用户对技术的反应相对同质。相比之下，以人为中心的方法试图通过识别具有相似感知、态度和经验配置的个体子群体来理解多样性（Weinhandl等人，2024年）。尽管本研究使用调查数据和聚类算法，但其以人为中心的取向体现在它专注于揭示潜在的用户人物，而不是建模整体效应。这些人物提供了对不同用户如何与高等教育中的GenAI聊天机器人互动的更细致和符合人类需求的描述，捕捉了以变量为中心的方法可能掩盖的体验和情境变异性（Ifenthaler & Yau，2020年）。

这种以人为中心的分析还直接建立在先前经过验证的基于SEM的采纳模型（Saihi等人，2024年）之上，该模型建立了构念之间的测量结构和理论关系。虽然SEM模型考察了感知如何在整体层面塑造行为结果，但本研究通过揭示采纳路径系统不同的潜在子群体来扩展这项工作。这样做，人物模型补充了SEM模型，而不是取代它，提供了在同一理论框架内更丰富的用户多样性描述。

与深入访谈、实证抽样或扎根理论等定性方法相比，以人为中心的聚类方法提供了一种可扩展且数据驱动的方式，可以检测出可能通过手动编码或较小的定性样本无法发现的人口层次分类模式（Dolnicar，2003年）。虽然定性方法提供了丰富的情境洞察，但聚类技术揭示了数据集内的隐藏结构，并支持开发出可以指导系统设计、界面定制、入职策略和政策决策的基于实证的人物画像。这种方法特别适合本研究的高等教育背景，因为在高等教育中，用户在使用GenAI工具时表现出显著的差异性，包括信任、熟练度、伦理舒适度和学习相关使用方面。这种方法论的扩展确保了以变量为中心的接受模型与当前以人为中心的分析之间的连续性，不仅说明了哪些因素塑造了采纳，还说明了这些因素在不同用户群体中的分组方式。

图1 研究方法流程图的全貌

数据收集与准备
本研究分析的数据来源于之前研究项目中开发并使用的经过验证的调查工具，该研究探讨了高等教育中AI聊天机器人的采纳情况（Saihi等人，2024年；Saihi等人，2024年）。这些早期研究使用SEM方法来调查关键采纳构念之间的关系。本研究重新利用同一数据集，通过以人为中心的视角探索潜在的用户人物，利用已经验证的心理测量基础。数据是通过Qualtrics进行的在线调查收集的。分配策略结合了目的性和滚雪球抽样，通过电子邮件邀请和LinkedIn联系来利用专业和学术网络。这种设计旨在确保跨角色、机构和学术学科的广泛代表性，并特别针对有使用AI聊天机器人教育背景的个体。最终的数据集包括192个有效响应，来自学生（n=107）和教育工作者（n=85）。这个数字反映了本研究分析的总样本，并包括所有符合先前使用GenAI聊天机器人经验的参与者。参与者来自工程、商业和健康科学等不同学科领域的机构。所有受访者都是高等教育机构的活跃成员，无论是作为学生还是教育工作者，并来自该地区的多所大学，而不是单一机构。受访者的年龄范围从18岁到65岁以上，性别分布大致平衡（54%女性，46%男性）。为了确保数据质量和工具的清晰度，进行了 pilot 研究，结果进行了小幅修订，并确认平均完成时间为20-25分钟。

参与者还被要求报告他们使用的GenAI聊天机器人。大约70%的受访者表示主要使用ChatGPT，而其余受访者则报告结合使用ChatGPT和其他基于LLM的聊天机器人，如Google Gemini、Bard或类似平台。尽管这些工具在界面设计和功能集上有所不同，但所有报告的系统都作为旨在支持学习和学术任务的对话式GenAI应用程序运行。调查特别针对那些在高等教育环境中使用GenAI聊天机器人的个体。对于学生来说，典型的使用场景包括寻求课程内容的解释、生成示例、获得作业的反馈或指导、澄清概念以及提高学习效率。教育工作者报告使用聊天机器人来支持教学准备、生成教学材料、起草解释或回应学生查询。这些学习和工作相关的场景反映了聊天机器人在参与者中的学术角色，而不仅仅是日常生活中的使用。 survey 中测量的感知构念，包括有用性、效率、互动质量、满意度、感知到的学习支持和依赖性，捕捉了聊天机器人参与的这些功能维度。所有参与者都提供了知情同意，并通过机构的伦理审查程序获得了伦理批准。响应被匿名记录，没有收集任何识别信息。

调查工具捕捉了一组与教育环境中AI聊天机器人采纳相关的感知构念。这些包括用户对有用性、易用性和效率的感知，以及对AI的信任程度、对数据隐私的担忧，以及对伦理舒适的感知，包括公平性和透明度。其他维度评估了互动和信息的质量、整体用户满意度、对学习支持的感知影响以及未来继续使用AI聊天机器人的意图。每个条目都在1（强烈不同意）到5（强烈同意）的五点李克特量表上进行了测量。除了感知构念外，调查还捕捉了情境和人口统计变量，如教育角色、学术学科、技术熟练度、年龄和性别，这些后来被用来绘制用户人物画像。Saihi等人（2024年）的研究中提供了最终构念及其测量指标的概述。

该工具的心理测量属性在使用SmartPLS4的先前SEM分析中经过了严格的验证。通过Cronbach’s alpha和复合可靠性来评估可靠性，而通过平均方差提取（AVE）、外载荷和异质特质-单特质（HTMT）比率（Hair Jr等人，2021年）来评估收敛性和区分有效性。只有满足可接受阈值的构念和条目被保留下来进行后续的聚类分析，确保输入到无监督模型中的内容在理论和统计上都是合理的。

为了准备聚类分析，数据经过了几个预处理步骤，以确保一致性、可靠性和分析的准备就绪。首先，对于之前SEM研究中验证的每个多项目构念，通过计算每个参与者的相关调查条目的平均值来计算一个复合得分。这种方法保留了每个构念的概念完整性，同时减少了维度和噪声，这与基于聚类的角色研究中的既定实践一致（Jansen等人，2021年）。直接包括了单项目指标，如继续使用的意图、依赖程度和感知到的学习效果。由此产生的数据集包括13个复合变量，然后检查是否有任何缺失值以保持分布属性。最后，数据使用z分数转换（通过Python的scikit-learn库中的StandardScaler）进行了标准化，以确保所有变量对聚类过程的贡献是均等的，无论规模如何。这个标准化的数据集作为后续无监督机器学习程序的输入。

聚类方法和人物构建
为了揭示高等教育中AI聊天机器人采纳者群体中的潜在用户人物，本研究采用无监督机器学习方法，利用聚类技术来检测具有不同感知和行为特征的天然存在的子群体。聚类过程采用了分阶段方法，这在分割和人物开发文献中是常见的（Dolnicar，2003年）。第一阶段包括应用层次聚合聚类，使用Ward的链接方法和欧几里得距离作为相似性度量。这一步探索性步骤允许检查树状图和计算轮廓系数，这些用于评估聚类质量并指导最优簇数的选择（Murtagh & Legendre，2014年）。在第二阶段，从层次分析中确定的最优簇数被用作k-means聚类的输入，k-means是一种基于中心的划分算法，以其可扩展性和易于解释而闻名。K-means迭代地将数据点分配给最近的质心，直到收敛（Oti等人，2021年）。聚类分析是使用Python中的scikit-learn库执行的，聚类有效性通过内部验证指标（例如，轮廓分数、Davies–Bouldin指数）和可解释性标准（Bogensperger & Fabel，2021年；Ikotun等人，2025年）进行评估。

一旦聚类完成，每个结果组被视为一个潜在的人物，代表一组具有类似AI聊天机器人态度和经验配置的用户子群体。随后通过多维剖析过程对这些人物进行了检查和解释。这个过程包括分析聚类变量上的质心得分，以确定每个人物的特征感知配置，以及结合用户角色、学术学科和技术熟练度等情境变量，以探索基于角色和领域的区别。

结果和人物画像
为了揭示潜在的采纳人物，第一步是选择合适的变量集作为聚类的输入特征。基于Saihi等人（2024年）在早期结构方程建模分析中建立的概念基础和经过验证的测量模型，本研究采用了构念级方法，其中每个多项目变量都被操作化为一个复合得分，代表受访者在相关指标上的平均感知（Hair Jr等人，2021年）。

为Saihi、Ben-Daya、Hariga等人（2024b）开发的原始调查包括了一系列旨在捕捉用户在与教育环境中使用AI聊天机器人的经验、感知和情境影响的构念。然而，并非所有变量都适合用于聚类，聚类的目标是基于体验、行为和态度的相似性来识别子群体。因此，聚类输入的选择既受到理论相关性的指导，也受到方法论适用性的指导。具体而言，聚类输入的选择遵循了以下标准：变量必须反映具有心理学意义的感知、态度或行为，而不是环境或系统层面的因素。构念应在理论上具有区分性，并且在心理测量学上稳健，这一点已经在先前的结构方程模型（SEM）验证中得到了证实。当某些单项指标具有较高的概念显著性和可解释性时，即使其所属的构念过于复杂而无法合并时，这些指标也会被保留下来。因此，像系统质量、可访问性、促进条件和社会影响这样的构念被排除在外，因为它们反映的是制度或技术条件，而不是潜在用户的角度。此外，由于内部异质性和基于行为或表现的重点，像人工智能聊天机器人的采用和学习成果这样的广泛构念并未被完全纳入。相反，从这些构念中提取了选定的单项指标，以保留对其进行人物画像分析最有意义的成分。表1总结了最终的聚类特征集，区分了经过验证的复合构念和独立指标。

确定最优聚类数量使用层次聚类

在无监督学习中，确定合适的聚类数量是一个关键步骤，尤其是在目标是构建有意义且可解释的用户画像时。本研究采用了层次聚类、树状图分析和轮廓系数评估相结合的方法来确定k-means分割的最优聚类数量（Shutaywi & Kachouie, 2021）。

如图2所示的Ward方法生成的树状图所示，数据呈现出明显的层次结构，有几处明显的分支分离。在层次结构的顶部发生了一次主要的分裂，这表明强烈支持两个聚类的解决方案。然而，在较低层次上的额外分支表明存在更细致的子群体区别。值得注意的是，当在中间高度切割层次结构时，可以清晰地看到四个分离良好的子群体，对应的链接距离大约在18到20之间。这一层次的层次结构保持了较强的聚类间分离，同时捕捉到了更多的群体内部细微差别。为了进一步验证这一结构，计算了从k=2到k=10的轮廓系数（图3）。虽然最高的轮廓分数出现在k=2时，显示出较强的凝聚力和分离度，但这种解决方案可能会因合并潜在有意义的变化而过度简化。当k=3时，轮廓分数仅略有下降，而k=4成为一个强有力的候选者，在轮廓曲线中显示出明显的“肘点”，即改进速度趋于平稳。树状图和基于轮廓的证据的结合支持k=4作为一个平衡且理论上合理的解决方案。因此，最终选择了k=4进行聚类分析。这个值在统计适用性和可解释性之间提供了一个有吸引力的折中，能够在保持内部一致性的同时构建出独特的使用者画像。

K-Means聚类和人物画像识别

在确定了最优聚类数量（k=4）之后，应用了K-Means聚类算法（Ikotun等人，2023年）根据用户对基于人工智能的教育工具的响应来对他们进行分组。分配了聚类标签，并使用原始未缩放的数据计算了聚类中心（平均分数），以确保结果档案的可解释性。每个聚类代表了一个独特的用户画像，其特征是态度、信任水平、互动质量、感知的学习效果和行为意图的独特模式。表A1（附录A）总结了与每个聚类相关联的平均构念分数和用户数量，为解释和标记结果人物画像提供了数值基础。为了直观地解释这些聚类，图4绘制了每个聚类的构念档案。x轴代表不同的构念/变量，而y轴表示每个构念的平均分数。这些模式揭示了用户群体之间的有意义差异。例如：聚类0显示出中等的使用和信任度，表明这是一个谨慎但积极参与的用户群体。聚类1表现出高效率评分，但信任度和个性化程度较低，暗示了受益但保持怀疑态度的实用主义用户。聚类2包括参与度和满意度最低的用户，总体评分较低。聚类3展现了最高的整体评分，表明这些用户技术熟练，具有强烈的信任感和积极的使用体验。

除了态度和感知差异之外，该研究还系统地分析了人口统计和情境特征，以了解用户角色、技术技能、学科、性别和年龄等因素如何区分这四个人物画像。为此，研究了六个画像变量：“角色”、“技术熟练度”、“教育水平”、“研究领域”、“性别”和“年龄”，这些变量涵盖了四个出现的聚类。每个变量都通过标准化频率分布进行了检查，结果通过堆积条形图进行了可视化，以突出每个人物群体内的组成模式，如图5所示。

角色（学生 vs. 教育工作者）的分布（图5a）在不同聚类之间相对平衡，每个群体中学生的比例最高（65%），而聚类3的学生和教育工作者的比例较为均衡（54%对46%）。技术熟练度（图5b）在五点量表上显示出更多的变异。聚类1和聚类0中有最多的用户将自己评为“非常高”或“高”技术熟练度，这与他们较高的表现和互动参与度得分相符。相比之下，参与度最低的聚类2中，技术熟练度较低的用户比例最高。

教育水平的分布（图5c）进一步区分了这些人物形象。聚类0中拥有最高比例的研究生受访者，特别是拥有硕士和博士学位的人，表明这是一个具有丰富学术经验且可能接触过先进教育技术的用户群体。相比之下，聚类1主要由学士学位持有者组成（超过50%），研究生类别的受访者较少。这与这些人物形象的实用主义和技术熟练性质相符，可能反映了年轻或职业生涯早期的个体，尽管他们的学术资历较浅，但数字素养较强。聚类2和3的混合更为均衡，尽管聚类3中博士水平受访者的比例明显高于聚类1，这支持了其作为一个在数字上积极但学术上成熟的群体的形象。

研究领域（图5d）的分布尤为明显。聚类1主要由工程参与者组成（88%），而参与度最高的聚类3则显示出了商业领域的平衡混合（55%）。这表明对于聊天机器人技术可能存在特定领域的接受度，可能是由教学实践或课程结构所塑造的。在性别方面（图5e），聚类1以男性为主（88%），而聚类2则主要是女性（89%）。聚类0和聚类3在性别上更为平衡。这些不平衡可能部分影响了之前观察到的风险感知、信任和隐私方面的差异。

最后，年龄分布（图5f）表明聚类0和聚类3的年龄范围更广，用户涵盖了所有年龄段。聚类2较年轻（52%在18-24岁年龄段），这可能与他们的较低信任度和满意度分数相关。与此同时，聚类1显示了一个更成熟的人口统计特征，主要集中在45-54岁年龄段（41%）。

这些分析表明，人口统计和情境变量在区分用户人物形象方面具有重要意义，揭示了不同角色、学科、性别、年龄组和技术熟练度水平的个体与通用人工智能聊天机器人的互动方式的不同模式。将这些因素纳入人物画像中，为采纳模式提供了更加基于情境的解释。

为了确保识别出的人物形象的可靠性和可解释性，本节使用了三个公认的内部验证指标来评估聚类解决方案的质量：轮廓系数、Calinski-Harabasz指数和Davies-Bouldin指数（Ashari等人，2023年；Gagolewski等人，2021年）。这些指标提供了关于聚类紧凑性的互补见解。轮廓系数量化了某个观测值与其自身聚类相比与其他聚类的相似程度。它的范围是从-1到1，较高的值表示聚类定义得更清晰。0.25到0.50之间的分数通常反映了一个合理的结构（Ilyas & Priscila, 2024）。Calinski-Harabasz指数（CH指数）测量了聚类间分散与聚类内分散的比率。较高的值表示聚类分离良好且紧凑（Rubi?os等人，2024）。Davies-Bouldin指数（DB指数）计算了每个聚类与其最相似聚类之间的平均相似度（Ros等人，2023）。较低的数值表示聚类效果较好，0.0到0.5表示良好到可接受，而超过2.0的数值表示聚类内相似度较高。这些指标是为三个候选解决方案（k=3、4和5）计算的，如表2所示。

结果支持选择四个聚类（k=4）作为最合适的解决方案：它产生了最高的轮廓系数（0.311），反映了分离度适中且凝聚力可接受的聚类。Calinski-Harabasz指数在k=4时达到102.02，表明这种配置在聚类内紧凑性和聚类间分离度之间达到了最佳的平衡。最低的Davies-Bouldin指数（1.294）也出现在k=4时，进一步强化了聚类边界的相对独特性和质量。这些指标共同提供了证据，表明四聚类解决方案优于三聚类或五聚类方案。这种验证增强了结果人物形象的可信度，并证明了它们在后续解释和应用阶段的使用价值。

讨论和含义

本节综合了聚类分析和人口统计及情境画像的结果，以得出理论上有依据且实际相关的见解。目的有两个：（1）根据用户的心理、行为和情境属性来解释所识别的人物形象；（2）将这些发现转化为对教育实践、政策和未来关于高等教育中人工智能整合的研究的实际启示。

解释人物画像：档案和标签

k-means聚类分析产生了四个独特的使用者画像，每个画像都具有独特的感知和体验特征组合（图4），并通过人口统计画像进一步进行了情境化（图5）。这些人物画像如下解释和标记：

a. 谨慎的成就者：这一群体在大多数构念上的得分中等，包括感知到的有用性、易用性和互动质量，同时具有相对较高的信任度和道德舒适度。在人口统计上，他们展现了广泛的年龄多样性，性别比例均衡，并且拥有最高比例的研究生学位。这表明这是一个学术上成熟的群体，他们思考周到且谨慎地使用人工智能工具，同时对其价值有所欣赏，同时对道德和隐私影响保持警惕。

b. 怀疑的实用主义者：这一群体报告了高感知效率，但信任度、满意度和道德一致性相对较低。他们依赖聊天机器人来完成任务导向的功能，但对它的更广泛价值仍持怀疑态度。这些用户主要是工程学科的学生，技术熟练度高且以男性为主。他们的参与度似乎是由实际考量而非情感信任或与教学目标的一致性驱动的。

c. 不参与的怀疑者：这一群体在几乎所有构念上的得分最低，包括有用性、互动质量、满意度和学习效果。这些用户主要是较年轻的女性，技术熟练度较低，对人工智能工具的依赖程度也很小。他们的有限参与度可能反映了负面体验或对聊天机器人功能的低期望。他们可能需要额外的支持、指导或针对性的设计干预来建立信心和兴趣。

d. 积极的爱好者：这一群体代表了最积极倾向的用户，他们在信任度、满意度、感知效果和持续使用意图上的得分最高。他们在年龄和学术领域上具有多样性，有相当比例的博士水平受访者，学生和教育工作者的比例也较为均衡。这些用户似乎完全接受了人工智能聊天机器人的教学和体验价值，并将其有意义地整合到了他们的学习和教学实践中。

这些发现直接回答了研究问题。通过识别出四个由独特的感知和行为特征组合定义的不同人物画像，回答了研究问题RQ1。通过第4.4节中呈现的人口统计和情境画像，回答了研究问题RQ2，展示了角色、技术熟练度、学科、性别和年龄等因素如何区分人物画像的成员资格。这些人物画像对教学设计、入职策略和人工智能政策发展的影响在第5.2节中得到了发展，其中将人物画像转化为对高等教育实践的可操作指导。

对于高等教育的实际启示

这四个人物画像的识别为定制高等教育中的人工智能聊天机器人策略提供了坚实的基础。与其依赖一刀切的实施方案，机构应该考虑差异化的方法，以承认用户需求、价值观和数字能力的多样性。当聊天机器人的部署策略反映了每个用户角色的独特需求、动机和限制时，机构可以创建既具有包容性又在教学上合理的AI支持的学习环境。

**为用户多样性设计**：聊天机器人系统应在内容传递和交互风格以及伦理透明度方面都具有适应性。例如，谨慎的成功者可能重视关于数据使用和公平性的详细披露，而怀疑的实用主义者则需要强调速度和准确性的性能驱动界面。积极参与的热情者可能是早期采用者，并可能成为潜在的同伴倡导者，而不感兴趣的怀疑者则可能从教程、见证或人类支持中受益，以帮助他们更容易接受新技术。

**有针对性的培训和支持**：入职计划可以根据具体角色的障碍和动机进行定制。例如，建立信任的模块可能对怀疑的实用主义者和不感兴趣的怀疑者有效，而使用分析和进度可视化可能更受关注性能的用户欢迎。将基于角色的培训纳入教职工发展和学生导向计划中，可以提升采用效果。

**政策和伦理治理**：机构必须确保聊天机器人的部署遵循透明、包容和公正的设计原则。在信任和隐私方面的 demographic 变异强调了基于情境的政策框架的重要性。特别需要注意解决性别认知问题，并确保不同数字熟练度水平的用户都能被覆盖。

**反馈循环以持续改进**：角色洞察可以作为迭代设计的参考。应跨角色监测用户满意度和信任度指标，以发现新问题或偏好变化。这种持续的学习循环可以确保聊天机器人的实现始终与不断变化的用户期望保持一致。

**平衡AI支持与体验式和反思式学习**：虽然由AI驱动的聊天机器人可以提高效率并提供及时的学术帮助，但对自动化引导的过度依赖可能会无意中减少学习者参与体验式、反思式和高阶认知过程的机会。某些用户群体，尤其是那些高度依赖自动化且以效率为动机的群体，可能更容易过度使用技术，从而可能将便利性置于深度学习之上。因此，机构应确保AI与聊天机器人的集成保留了积极意义构建、批判性推理和人类中介交互的机会。设计包含反思性提示、可选的人类支持渠道以及关于何时以及如何使用AI的透明度的系统，有助于在自动化和认知丰富的学习实践之间保持健康的平衡。

**局限性和未来研究方向**：
尽管这项研究的发现为了解高等教育中AI聊天机器人的使用体验多样性提供了有意义的见解，但仍需承认一些局限性。

首先，样本仅限于来自三个学术领域的参与者：工程、商业和医学科学。虽然这些领域代表了机构的多样性，但缺乏来自人文学科和社会科学等领域的代表可能会限制所开发角色的普遍性。不同的学术文化会影响对技术的看法，特别是在伦理、认识论和教学一致性方面，这可能导致其他情境下出现不同的角色类型。

其次，该研究依赖于相对较小的样本量（n = 192），虽然这对无监督和探索性聚类来说已经足够，但可能会限制聚类的细致程度和稳定性，特别是在解释人口统计和情境子群体模式时。此外，随着新工具、功能和新机构政策的出现，对生成式AI（GenAI）的认知和采用模式正在迅速变化。因此，本研究中确定的角色应被视为特定时期的特征，而非固定不变的类别。未来的研究将受益于更大、更多样化的样本，以及纵向或重复的数据收集，以提高聚类的稳定性，并考察随着AI技术的发展用户群体如何变化。此外，尽管样本包括来自多个机构和学科的参与者，但其有目的性的抽样设计限制了其对更广泛高等教育群体的代表性。使用随机或分层抽样的未来研究可以提高研究的普遍性。

第三，参与者使用了不同的GenAI聊天机器人平台，这些平台在功能、对话质量和界面设计上可能存在差异。尽管ChatGPT占据了大多数使用案例，但多种工具的存在引入了一些用户体验的异质性。这些平台层面的差异可能会影响用户对信任、效率或交互质量的看法，从而可能影响聚类过程中出现的角色类型。虽然本研究使用的构建捕捉了普遍的感知模式，但未来的工作可以纳入特定工具之间的对照比较，以更好地隔离平台效应。未来的研究可以考察在不同聊天机器人平台或在受控使用条件下，各角色类型是否有所不同。

最后，数据是通过基于自我报告的感知和行为意图的横断面调查收集的。这种设计限制了因果推断，并可能受到常见方法偏见的影响。由于数据集基于自我报告的感知测量，因此结果也可能受到主观偏见的影响。未来的研究可以通过多方法交叉验证来提高可靠性，例如将调查回应与行为使用日志、纵向跟踪或定性访谈相结合。

展望未来，有几个有前景的研究方向：
1. **细粒度细分**：未来的研究可以应用分层子聚类或模糊聚类技术在集群内进行更细致的细分，从而揭示更复杂的子类型，特别是在大规模聊天机器人部署中，支持超个性化的设计和干预策略。
2. **基于角色的采用模型**：在现有角色的基础上，未来的研究可以开发和实证测试纳入角色类型作为情境因素的技术采用模型。这样的模型可以更深入地了解关键预测因素在不同用户概况中的强度和方向。
3. **多模态数据整合**：未来的研究可以结合聊天机器人交互日志、点击流行为、对话记录或更广泛的学习分析等多模态数据，以三角验证感知测量并加强角色稳定性的实证验证。
4. **跨文化和机构验证**：未来的研究应更明确地纳入文化和种族多样性，因为这些因素可能会显著影响用户对GenAI技术的认知及其采用行为。在不同的机构和地理环境中复制这种聚类方法，有助于揭示特定情境下的角色或确认当前分类的稳定性。

**结论**：
本研究通过应用无监督聚类技术于经过验证的感知、情境和人口统计指标数据集，试图识别高等教育中GenAI聊天机器人的潜在采用角色。通过超越假设用户同质性的传统变量中心模型，分析揭示了四个不同的角色类型：谨慎的成功者、怀疑的实用主义者、不感兴趣的怀疑者和积极参与的热情者，每个角色都具有一系列独特的态度、关切和使用行为特征。这些角色进一步通过人口统计和体验因素（包括角色、学科、技术熟练度、年龄和性别）进行了情境化，提供了关于多样化用户如何在教育环境中使用AI驱动工具的丰富且可操作的见解。

研究结果表明了以角色为中心的技术采用方法的分析和实际价值。通过揭示用户群体中的隐藏异质性，研究为机构提供了更加量身定制的视角，以设计更具包容性、情境意识和有效性的AI整合策略。大学和开发者可以利用这些角色来定制入职计划、改进界面设计，并制定符合实际用户需求和期望的政策决策。

方法论上，该研究通过展示聚类技术在从感知构建中推导出心理特征细分方面的实用性，为教育数据科学领域的文献做出了贡献。聚类解决方案通过多个内部指标得到了严格验证，并得到了可靠的人口统计分析的支持，增加了所生成角色的可靠性和可解释性。从更广泛的角度来看，这项研究强调了将人类中心视野整合到教育中的AI部署中的重要性。随着GenAI技术继续重塑学术格局，理解不同用户如何感知、信任和采用这些工具对于最大化其教学价值至关重要，同时需减轻伦理、社会和认知风险。这里开发的角色框架为持续研究、政策创新和协作设计提供了基础，旨在促进高等教育中公平且有意义的AI采用。