《Computers in Human Behavior Reports》：A hybrid SEM-ANN approach to predicting generative AI use in higher education through knowledge management
编辑推荐：
本研究调查了“知识管理”（KM）实践对生成式人工智能（Gen-AI）在高等教育机构（HEIs）中整合的影响。研究人员将“计划行为理论”（TPB）与KM因素进行了扩展，并基于584名本科生的数据，采用混合SEM-ANN方法验证了该研究模型。偏最小二乘结构方程模型
本研究调查了“知识管理”（KM）实践对生成式人工智能（Gen-AI）在高等教育机构（HEIs）中整合的影响。研究人员将“计划行为理论”（TPB）与KM因素进行了扩展，并基于584名本科生的数据，采用混合SEM-ANN方法验证了该研究模型。偏最小二乘结构方程模型（PLS-SEM）结果显示，态度、主观规范和感知行为控制显著预测了持续使用意愿。此外，KM因素，包括“知识获取”、“知识应用”和“知识共享”，显著预测了学生的态度。进一步地，人工神经网络（ANN）分析发现，知识应用是预测态度的最重要因素。这些发现为现有文献提供了重要的理论贡献，并提供了实际启示，有助于理解KM在高等教育机构整合Gen-AI中的关键作用。
**论文解读：知识管理视角下生成式AI在高等教育中持续使用意愿的预测——基于混合SEM-ANN方法**
**研究背景与问题**
随着生成式人工智能（Generative Artificial Intelligence, Gen-AI）的快速发展，如DeepSeek、ChatGPT、Gemini和Copilot等工具，正在深刻变革高等教育领域。这些工具能够提供自动化反馈、智能辅导、内容创作、学术写作支持及实时翻译等高级功能，有望提升学习成果和运营效率。然而，单纯依赖技术基础设施不足以确保Gen-AI的有意义和可持续采纳。已有研究多聚焦于通用技术接受模型（如感知易用性和感知有用性），忽略了影响持续使用的组织与认知过程。知识管理（Knowledge Management, KM）实践——涵盖知识获取、共享和应用——作为知识密集型环境（如高校）的核心资源，其在塑造学生使用Gen-AI的态度与意图中的作用尚未得到充分实证检验。为此，本研究旨在填补这一空白，通过将KM因素纳入计划行为理论（Theory of Planned Behavior, TPB），探究影响学生持续使用Gen-AI的关键因素。
**研究概述与结论**
研究人员提出了一个整合TPB与KM实践的扩展模型，采用混合偏最小二乘结构方程模型（PLS-SEM）与人工神经网络（ANN）方法，基于从土耳其和科威特大学收集的584份有效本科生问卷数据（其中437份来自科威特，146份来自土耳其）进行验证。PLS-SEM结果证实：态度、主观规范和感知行为控制显著预测持续使用意愿（解释变异量R2=0.575）；知识获取、知识应用和知识共享显著预测态度（R2=0.546）。ANN敏感性分析进一步揭示，知识应用是预测态度的最重要因素（标准化重要性97.2%），其次为知识获取（82.6%）和知识共享（44.4%）；在预测持续使用意愿时，态度最重要（99.5%），其次为感知行为控制（62.0%）和主观规范（30.8%）。研究强调，KM实践在Gen-AI整合中扮演关键角色，为高校制定有效策略提供了理论和实践启示。该论文发表在《Computers in Human Behavior Reports》。
**主要关键技术方法**
本研究采用混合SEM-ANN方法（结合Partial Least Squares Structural Equation Modelling, PLS-SEM与Artificial Neural Networks, ANN）。PLS-SEM用于检验理论假设的结构关系，基于SmartPLS 4软件，使用路径权重方案估计，通过5000次子样本的非参数自助法评估路径系数显著性。ANN则用于捕捉非线性关系并评估预测变量的相对重要性，构建两个多层感知器模型（均含两个隐藏层），采用10折交叉验证避免过拟合，以sigmoid函数作为激活函数，通过计算均方根误差（Root Mean Square Error, RMSE）评估预测精度。数据来源于土耳其和科威特共584名本科生（平均年龄23.75岁），使用五点李克特量表收集态度、主观规范、感知行为控制、持续使用意愿及KM维度（知识获取、知识共享、知识应用）的24个题项。
**研究结果**
**4.1 测量模型**
通过复合信度（CR, rho_c）和克朗巴赫α系数（CA）评估内部一致性，所有因子均超过0.70阈值；平均方差萃取量（AVE）均大于0.50，证实收敛效度。异质-单质比率（HTMT）均低于0.90，确认判别效度。方差膨胀因子（VIF）最大值3.998，表明无多重共线性问题。模型拟合指标：NFI=0.864，SRMR=0.046，卡方=1439.891。
**4.2 假设检验**
PLS-SEM路径分析表明：感知行为控制（β=0.284, p<0.001）、态度（β=0.461, p<0.001）和主观规范（β=0.151, p<0.001）均显著正向预测持续使用意愿，支持H1、H2、H3；知识获取（β=0.321, p<0.001）、知识共享（β=0.176, p<0.05）和知识应用（β=0.302, p<0.001）均显著正向预测态度，支持H4、H5、H6。效应量（f2）显示态度对持续使用意愿影响最大（f2=0.298）。所有95%偏差校正加速置信区间（BCa CI）均不包含零，验证了稳定效应。
**4.3 人工神经网络（ANN）结果**
构建两个ANN模型：模型1以态度、感知行为控制、主观规范预测持续使用意愿；模型2以知识获取、知识共享、知识应用预测态度。10个网络的训练与测试均方根误差（RMSE）均值分别为0.126和0.124（模型1），0.120和0.115（模型2），表明模型具有良好预测准确性。
**4.4 敏感性分析**
模型1中，态度的标准化重要性（Normalized Importance, NI）最高（99.5%），其次为感知行为控制（62.0%）和主观规范（30.8%）。模型2中，知识应用的NI最高（97.2%），其次为知识获取（82.6%）和知识共享（44.4%）。集成SEM与ANN结果发现，ANN通过放松线性假设提供了互补的预测洞见，突出了各预测因子的非线性贡献。
**讨论与结论总结**
讨论部分强调，研究结果支持了TPB中态度、主观规范和感知行为控制对持续使用意愿的显著作用，并扩展了KM实践（知识获取、共享、应用）对态度的正向影响。ANN分析进一步确认了知识应用作为态度最关键预测因子的地位，这可能源于Gen-AI工具当前在知识应用和获取方面的优势，而知识共享功能（如群聊）尚属新近发展。研究指出，应提升学生的AI素养（如提示工程），并通过工作坊和研讨会将显性知识转化为隐性知识，以促进Gen-AI的有效整合。研究还强调将Gen-AI置于信息管理情境中，连接了人工智能采纳与信息管理两个研究流。
翻译研究结论部分：
“本研究发现，态度是最重要的持续使用意愿预测因子，而知识应用是态度最重要的预测因子。KM实践（知识获取、共享、应用）显著塑造了学生对Gen-AI的态度。这些发现为理解KM在高等教育机构Gen-AI整合中的关键作用提供了理论和实践启示。高校应通过AI素养培训、知识分享文化和应用导向的课程设计，促进Gen-AI的可持续采纳。研究也指出了未来方向，包括纵向设计、考虑认知风险（如信息质量、幻觉、偏差），以及发展AI驱动的知识管理框架。”
