从电子学习到生成式人工智能：教育领域技术接受度与人类行为视角

《Computers in Human Behavior Reports》：From E-Learning to Generative AI: Perspectives on Technology Acceptance and Human Behavior in Education

　　

本研究系统地描绘了教育领域技术接受度研究的智力结构与主题演变，特别关注人类行为在技术中介学习环境中的表征方式。研究人员利用基于神经嵌入的主题建模方法 BERTopic，分析了 1981 年至 2025 年间收录于 Scopus 数据库的 4,788 篇期刊文章和综述论文。分析识别出 42 个截然不同的研究主题，并通过情境分类法、主题相似性分析、层次聚类分析和时间趋势分析对其进行了进一步检验。研究结果表明，教育领域的技术接受度研究历史上一直集中于数字学习环境，特别是电子学习 (e-learning)、移动学习 (mobile learning) 和学习管理系统 (LMS)。然而，时间分析表明这些领域呈现出相对稳定的态势，其特征是近年来它们在学术文献中的比例表征正在逐渐调整。相比之下，生成式人工智能 (Generative AI)、人工智能聊天机器人 (AI chatbots)、ChatGPT、元宇宙 (Metaverse) 和沉浸式学习技术等新兴主题表现出强劲的上升趋势，表明研究重心正明显地从以平台为中心的接受度转向与智能及自适应系统的交互。从人类行为的角度来看，与人工智能相关主题的独特聚类表明，学界对其接受度动态的关注正呈现出与传统数字平台不同的演变路径。研究结果指出，当代的技术接受度越来越多地涉及信任形成、伦理判断、感知代理 (perceived agency)、透明度和体验性参与等行为和心理维度，这些维度超越了感知有用性 (perceived usefulness) 和感知易用性 (perceived ease of use) 等经典接受度构念的解释范围。通过提供教育领域技术接受度研究的大规模、数据驱动的图谱，本研究阐明了接受度相关主题如何随着生成式人工智能和沉浸式学习环境的发展而演变，从而为人类行为和人机交互文献做出了贡献。研究结果为未来旨在理解和建模人工智能中介教育环境中人类行为的研究提供了概念路线图。

**研究背景与意义**
信息与通信技术的长期发展为提升学习过程、改善信息获取及促进协作学习环境提供了宝贵机遇。然而，随着人工智能 (AI)，特别是生成式人工智能应用（如 ChatGPT、Midjourney）、个性化学习体验及混合学习模式的兴起，这一转型加速并呈现出新维度。尽管先进技术具有变革潜力，但其在教育环境中的引入并不能自动保证用户的接受或有效使用。技术整合的成功很大程度上取决于终端用户（学生、教师、管理者）的态度、感知和意图。技术接受模型 (TAM) 作为解释技术接受的稳健理论框架，长期以来在教育研究中占据核心地位。然而，随着教育技术从静态数字工具向智能、生成性和交互式系统演变，传统的认知预测因子可能已不足以完全解释潜在的接受行为过程。信任、伦理、感知代理和人机协作等构念正日益塑造个体与技术的互动方式。现有的综述和元分析多集中于预定义变量间的关系强度，缺乏对更广泛主题格局和数据驱动下新兴模式的捕捉。因此，本研究旨在通过大规模文献映射，揭示 TAM 研究在教育领域的智力结构演变，特别是从传统平台接受向智能系统交互转变的过程中，人类行为基础是如何被重构的。这对于理解生成式人工智能时代的技术接受机制具有重要的理论与现实意义。

**研究方法**
研究人员开展了一项基于文献计量学和自然语言处理的大规模主题分析研究。研究数据来源于 Scopus 数据库，检索策略涵盖了 1981 年至 2025 年间发表于教育类期刊（ASJC 代码 3304）的英文文章和综述，最终获得 4,788 篇与 TAM 及其衍生模型（如 UTAUT）相关的文献记录。在方法学上，研究人员采用了基于 BERT 的主题建模算法 BERTopic。具体流程包括：首先对文本数据进行预处理，去除停用词并进行词形还原；接着利用预训练的 Transformer 模型（all-MiniLM-L6-v2）生成文档的上下文感知嵌入向量；随后应用 UMAP (Uniform Manifold Approximation and Projection) 进行降维处理，保留数据的局部结构；进而使用 HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) 进行基于密度的聚类，自适应地确定最佳主题数量，最终识别出 42 个 distinct 的研究主题。此外，研究还通过计算主题嵌入间的余弦相似度构建层次聚类树状图，并基于 2015 年至 2024 年的年度分布数据计算时间趋势系数，以量化各主题的演变轨迹。

**研究结果**
**主导主题分布与分类**
分析识别出 42 个主要研究主题。其中，“移动学习” (6.43%) 和“电子学习” (5.59%) 占比最高，表明传统数字学习平台仍是研究核心。紧随其后的是学习管理系统 (LMS)、在线学习和大规模开放在线课程 (MOOCs)。值得注意的是，与近期全球事件及新技术相关的主题显著涌现，如“大流行与学习”、"AI 聊天机器人”、"ChatGPT"、“生成式人工智能”和“元宇宙”。研究人员将这些主题归纳为四大类：数字学习（占比 38.93%）、工具与平台（26.83%）、教育领域（18.01%）以及人工智能与新兴技术（16.23%）。这表明 TAM 研究正从单一的平台采纳扩展到更广泛的智能交互场景。

**主题相似性与层次结构**
主题相似性热图显示，“移动学习”、“电子学习”、"LMS"等主题间存在高度语义相似性，构成了紧密的数字学习生态系统。层次聚类分析进一步揭示了六个独特的主题簇：生成式人工智能与智能教育代理、语言学习与同伴评估、沉浸式与交互式学习技术、数字与混合学习生态系统、社会与机构背景下的技术采纳、以及特定学科教育中的公平与包容。其中，所有 AI 相关主题独立聚类，表明其接受度动态与传统工具有本质区别。

**时间趋势演变**
时间趋势分析显示，23 个主题呈现正增长趋势，其中"ChatGPT" (+0.86)、“生成式人工智能” (+0.67) 和"AI 聊天机器人” (+0.57) 增长最为迅猛，反映出学术界对 AI 驱动教育工具的高度关注。相反，“电子学习” (-1.20)、“移动学习” (-0.50) 和“电子书” (-0.78) 等传统主题的比例表征呈下降趋势。这并非意味着这些领域不再重要，而是表明研究焦点正从成熟的工具采纳转向更具复杂性和交互性的智能系统。

**讨论与结论**
研究结果表明，教育领域的技术接受度研究正经历结构性重定向，从关注“平台导向的接受度”转向“智能系统交互”。传统 TAM 构念（如感知有用性和易用性）在解释生成式人工智能和沉浸式技术时显得力不从心，亟需整合信任、伦理判断、感知代理、透明度和体验性参与等新维度。AI 相关主题的独特聚类证实了其接受机制的异质性，暗示未来的理论模型必须纳入算法信任、人机协作伦理及可解释性等要素。此外，沉浸式技术的兴起强调了享乐动机和体验因素的重要性。综上所述，本研究通过数据驱动的图谱绘制，不仅量化了研究重心的转移，还为人机交互背景下人类行为研究的理论 refinement 提供了实证依据，指出未来的核心问题已从“用户是否会采纳该工具”转变为“人类与智能系统如何基于信任和伦理建立富有成效的协作”。