生成式人工智能学习采纳中的对称与非对称路径解码：一项多方法研究

《International Journal of Educational Technology in Higher Education》：Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study

　　

生成式人工智能（Gen-AI）的快速兴起，特别是ChatGPT，正在改变高等教育。然而，主流的技术采纳理论主要是在高资源环境下发展起来的，并主要关注有用性和易用性的认知评价。这些理论对于动机设计因素和情境约束如何在低资源教育系统中塑造持续的人工智能使用提供的解释有限。本研究通过考察认知-工具性信念和动机-情感体验如何共同影响莱索托高等教育部门学生采纳Gen-AI，来填补这一理论和情境空白，在该环境中基础设施限制和政策不确定性仍然显著。在整合了技术接受与使用统一理论（UTAUT3）和Keller的ARCS动机模型的框架指导下，研究人员认为，接受信念解释意图形成，而动机感知解释持续参与和实际使用。利用来自842名学生的数据，研究人员分析了因果、组态和预测关系。结果表明，绩效期望、努力期望、社会影响、享乐动机和习惯显著预测行为意向，而ARCS动机维度是实际使用的更强决定因素。组态发现揭示了达到高采纳的多种路径，其中动机、享受和习惯作为核心条件。个人创新性和动机调节效应较弱，强调了情境敏感性。本研究通过证明Gen-AI采纳遵循一种混合逻辑——认知信念促成接受，动机体验维持参与，习惯性互动使使用常态化——来推进理论。它为高等教育中以动机为中心的设计和情境响应性人工智能政策提供了方向。

**论文解读：生成式人工智能学习采纳中的对称与非对称路径解码——一项多方法研究**

**研究背景、存在问题与研究目的**

生成式人工智能（Gen-AI），特别是ChatGPT，正迅速改变高等教育的教学实践，提供对话式辅导、自适应反馈和内容生成能力。然而，现有技术采纳理论（如技术接受与使用统一理论UTAUT3）主要在高资源情境下发展，侧重于有用性和易用性的认知评价，对动机设计因素和情境约束如何在低资源教育系统中塑造持续使用解释不足。在莱索托等发展中国家，基础设施不稳定、数字鸿沟和政策不确定性显著，Gen-AI的采纳并非简单线性过程。以往研究多采用线性方差法（如偏最小二乘结构方程模型PLS-SEM），假设对称效应，可能忽略多重路径。本研究旨在通过整合UTAUT3与Keller的ARCS动机模型，考察认知-工具性信念和动机-情感体验如何共同影响莱索托高等教育学生Gen-AI的采纳，并分析因果、组态和预测关系，以填补理论和情境空白。

**主要关键技术与方法**

本研究采用定量横截面设计，在莱索托多所高等教育机构收集数据（2025/2026学年），样本包括842名曾使用ChatGPT或其他Gen-AI模型的学生（来源：莱索托多所高校）。主要技术方法包括：偏最小二乘结构方程模型（PLS-SEM）测试净效应；多维等级响应项目反应理论（MGRM-IRT）评估测量精度；必要条件分析（NCA）识别必备条件；模糊集定性比较分析（fsQCA）识别等效组态路径；监督机器学习（线性回归、随机森林、支持向量回归、梯度提升、神经网络、决策树）评估预测效度。所有技术均基于理论驱动，避免纯方法论展示。

**研究结果**

**初步分析与测量模型评估**
描述性统计显示UTAUT3预测因子与结果变量均值相近（M≈20.72–20.97），ARCS动机评分较高（M=83.65）。测量模型显示内部一致性良好（Cronbach’s α=0.865–0.910，组合信度ρc=0.899–0.930），收敛效度（平均方差提取量AVE=0.597–0.690）和区分效度（异质-单质比率HTMT<0.85）均达标准。MGRM-IRT分析证实项目区分度高（平均a=1.91–2.47），边际信度系数0.88–0.92，模型拟合良好（RMSEA=0.001）。

**高阶结构验证：ARCS动机**
采用二阶反射-反射PLS-SEM方法，ARCS动机作为高阶构念，其四个一阶维度（注意力、相关性、信心、满意度）的载荷在0.796–0.828之间，AVE=0.661，组合信度ρc=0.886，支持其作为统一多维构念。

**结构模型评估**
PLS-SEM结果显示：绩效期望（β=0.127, p<0.001）、努力期望（β=0.139, p<0.001）、社会影响（β=0.099, p=0.002）、享乐动机（β=0.210, p<0.001）和习惯（β=0.220, p<0.001）显著正向预测行为意向（BI）；促进条件对BI无显著影响，但显著正向影响使用行为（UB）（β=0.077, p=0.014）；习惯对UB有直接效应（β=0.210, p<0.001）；个人创新性对BI无显著影响（β=0.006, p=0.432）；BI显著正向预测UB（β=0.094, p=0.004）；ARCS动机对BI无显著直接效应（β=0.057, p=0.109），但对UB有强显著效应（β=0.414, p<0.001）。调节效应（H10a–H10d）均不显著。模型解释方差：BI的R²=0.505，UB的R²=0.460。

**模型拟合与预测相关性**
标准化均方根残差（SRMR）=0.033，低于0.08阈值。PLSpredict显示BI和UB的Q²predict分别为0.496和0.466，均大于0，表明预测相关性。PLS-SEM模型在预测UB和整体水平上显著优于线性模型基准（Δ=0.038, p<0.001）。

**重要性-绩效图分析（IPMA）**
习惯（HB）对BI重要性最高但绩效中等（49.363），努力期望（EE）和绩效期望（PE）重要性较高且绩效中等（49.597和49.540），ARCS动机绩效较高（49.710）但边际收益有限，促进条件（FC）和社会影响（SI）绩效最低（49.054和49.241），个人创新性（PI）重要性最低。

**组态逻辑：模糊集定性比较分析（fsQCA）**
fsQCA中间解显示，高BI存在多重等效路径（整体解一致性=0.7938，覆盖度=0.7917）。核心条件反复出现：ARCS动机、努力期望、享乐动机和习惯。例如，最强路径S1（EE·FC·HB·HM·ARCS）原始覆盖度0.515，一致性0.951。个人创新性（PI）在多条高一致性路径中缺失或非核心。

**必要条件分析（NCA）**
ARCS动机是高BI的最强必要条件（一致性=0.804，覆盖度=0.806）；享乐动机（0.792）、习惯（0.790）、努力期望（0.786）等为中等必要条件；个人创新性（0.765）为低必要性。

**监督机器学习分析**
六种算法中，线性回归预测性能最佳（测试R²=0.57，RMSE=0.67，MAE=0.55）。特征重要性排序中，ARCS动机在五种模型（RF、GB、SVR、NN、DT）中排名第一，习惯在线性回归中排名第一，享乐动机和努力期望也反复位列前茅，个人创新性排名最低。

**跨方法三角验证**
PLS-SEM、NCA、fsQCA和机器学习在核心变量（ARCS动机、习惯、享乐动机、努力期望）上高度收敛，证明结果稳健。

**总结讨论与结论翻译**

**总结讨论**：本研究证明，在莱索托资源受限的高等教育环境中，Gen-AI采纳遵循混合逻辑：认知信念（绩效期望、努力期望、社会影响）促进初始意图形成，但动机体验（ARCS动机）和习惯是持续使用的更强驱动因素。享乐动机和习惯显著预测意图和使用，表明享受和自动化使用是关键。促进条件影响有限，ARCS动机可部分补偿基础设施不足。个人创新性未显著影响意图，表明在新兴情境中动机和习惯更为重要。组态结果支持等效性，即多种条件组合均可导致高采纳。机器学习线性模型最优，表明总体信号近似线性。本研究强调了动机中心设计和情境响应性政策的重要性。

**结论翻译**：本研究考察了认知、动机、行为与情境因素如何共同塑造莱索托高等教育学生采纳ChatGPT。通过整合UTAUT3与ARCS动机模型，并采用多方法分析策略（PLS-SEM、fsQCA、NCA、IRT和机器学习），研究人员证明Gen-AI采纳不能仅由认知信念解释。虽然绩效期望、努力期望和社会影响对意图形成至关重要，但持续使用主要由动机参与、享受和习惯形成驱动。研究揭示采纳遵循多种路径而非单一通用机制，确认了技术接受中的等效性。ARCS动机和习惯成为将意图转化为持续使用的核心稳定力量，尤其是在基础设施和政策支持不均衡的情境中。通过关注非洲高等教育环境，本研究强调动机设计和习惯化可部分弥补结构性限制，但这也引发了关于伦理过度依赖的并行担忧。最终，本研究为Gen-AI采纳提供了组态和动机视角，表明有意义的整合不仅取决于感知有用性，还取决于学习体验如何维持信心、相关性和满意度。