高等教育学习者对生成式人工智能工具行为意向的决定因素：一种混合SEM-机器学习方法

《Information》：Determinants of Higher Education Learners’ Behavioral Intention Toward Generative AI Tools: A Hybrid SEM–Machine Learning Approach

　　

随着生成式人工智能（GenAI）日益渗透教育领域，理解驱动学习者对GenAI驱动工具的行为意向（BI）的因素变得至关重要。本研究整合了技术接受模型（TAM）、任务-技术匹配（TTF）框架以及隐私与伦理风险考量，以探究中国高等教育学生采用这些工具的行为意向的决定因素。数据通过结构化自报告问卷从716名学生中收集。采用多阶段分析方法，整合了结构方程模型（SEM）、人工神经网络（ANN）和支持向量回归（SVR）。首先利用结构方程模型验证理论假设和测量模型。随后，构建了ANN和SVR模型，以探索非线性关系并对行为意向的核心预测因子（包括感知易用性（PEU）、隐私与伦理关切（PEC）、感知技术特征（PTF）以及TTF）进行重要性排序。然后严格比较了两种算法的建模性能。结构方程模型结果表明，感知技术特征通过任务-技术匹配和感知有用性（PU）的序列中介对行为意向产生间接影响，而感知易用性正向影响感知有用性和行为意向。值得注意的是，隐私与伦理关切对用户的态度（ATT）或行为意向未表现出显著的负向影响。机器学习分析进一步阐明了这些发现，其中感知技术特征和感知易用性成为主要预测因子，而隐私与伦理关切的非线性贡献很小。此外，支持向量回归在预测准确性和模型稳定性方面优于人工神经网络。本研究证明了将理论建模与机器学习技术相结合以阐明GenAI在高等教育中的采纳机制的有效性。此外，在本科数学和物流管理课程中的初步教学观察将定量结果与实际学习场景联系起来。研究人员承认，未来研究应使用观察到的行为数据验证这些模式。

论文解读文章

研究背景与问题：随着生成式人工智能（Generative Artificial Intelligence, GenAI）在高等教育领域的渗透，理解学习者对GenAI工具的行为意向（Behavioral Intention, BI）的决定因素变得至关重要。现有研究虽然关注技术接受模型（Technology Acceptance Model, TAM），但未充分整合任务-技术匹配（Task-Technology Fit, TTF）和隐私与伦理关切（Privacy and Ethical Concerns, PEC），且多采用单一线性方法，忽略了可能的非线性关系。为此，研究人员开展本研究，旨在构建一个集成TAM、TTF和PEC的理论框架，并结合结构方程模型（Structural Equation Modeling, SEM）与机器学习技术（人工神经网络Artificial Neural Network, ANN和支持向量回归Support Vector Regression, SVR），系统识别中国高等教育学习者对GenAI学习工具行为意向的关键决定因素。本研究发表在期刊《Information》上。

关键技术方法：研究样本来源于716名中国高等教育学习者（包括本科生、专科生、研究生及继续教育学员），通过结构化自报告问卷收集数据。采用两阶段混合分析：第一阶段使用协方差基础的SEM（CB-SEM）验证线性路径假设；第二阶段分别构建ANN和SVR模型探索非线性关系并对预测变量重要性排序。变量计算基于各构念对应题项的均值，所有数据经最小-最大归一化处理，并按60/20/20比例划分为训练集、验证集和测试集。ANN采用4-8-4-1结构（两层隐藏层，ReLU激活，dropout 0.2），SVR使用径向基函数（RBF）核，超参数通过网格搜索确定。

研究结果：
4.1 SEM结果：通过测量模型评估，所有题项因子载荷大于0.68，组合信度（Composite Reliability, CR）介于0.830至0.922，平均方差提取量（Average Variance Extracted, AVE）介于0.582至0.747，表明收敛效度和内部一致性良好；异质-单质比率（Heterotrait-Monotrait Ratio, HTMT）除感知有用性（Perceived Usefulness, PU）与态度（Attitude, ATT）组合为0.852外均低于0.85，判别效度可接受。结构模型检验显示：感知易用性（Perceived Ease of Use, PEU）显著正向影响PU（β=0.934，p<0.001），支持H4；TTF显著正向影响PU（β=0.240，p<0.001），支持H6；PU显著正向影响ATT（β=0.809，p<0.001）和BI（β=0.520，p<0.001），支持H1和H2；ATT显著正向影响BI（β=0.325，p<0.001），支持H3；感知技术特征（Perceived Technical Features, PTF）显著正向影响TTF（β=0.960，p<0.001），支持H5。但PEC对ATT的影响不显著（β=-0.019，p=0.676），拒绝H7。内生潜变量的决定系数（R²）表明模型解释力强：PU为0.809，ATT为0.765，BI为0.774，TTF为0.653。

4.2 机器学习分析结果：
4.2.1 ANN结果：主模型（输入PEU、PEC、PTF、TTF，输出BI）经10次重复训练，测试集平均R²为0.643（标准差0.049），均方根误差（Root Mean Square Error, RMSE）为0.564。变量重要性分析（Olden连接权法）显示TTF（27.6%）和PTF（27.5%）为最重要变量，其次为PEU（22.5%）和PEC（22.4%）。辅助模型（以ATT为输出）类似。简化模型（不含PEC）的R²为0.674，略高于完整模型，表明PEC的非线性贡献有限。
4.2.2 SVR结果：使用相同数据划分，测试集R²为0.765（标准差0.026），RMSE为0.455，MAE为0.319。置换重要性分析显示PTF（47.0%）和PEU（31.6%）为主要预测因子，TTF（13.9%）次之，PEC（7.5%）贡献最低。简化SVR模型（不含PEC）的R²为0.752，仅比完整模型低0.013，进一步证实PEC作用微弱。
4.2.3 机器学习模型比较：在所有评价指标上SVR均优于ANN：R²高0.122，RMSE和MAE分别降低19%和29%，且稳定性更好（R²标准差0.026 vs 0.049）。集成学习未显著提升性能，故选定SVR为主要模型。
4.3 两阶段混合模型分析：
4.3.1 描述统计与相关矩阵：PEU、PU、PTF、TTF、ATT、BI的均值均高于4.0（5点量表），PEC均值为2.945，处于较低水平。变量间呈中等至强正相关，PEC与其他变量相关系数绝对值仅0.088-0.117。
4.3.2 重要性-绩效分析（Importance-Performance Analysis, IPA）：基于SVR重要性得分与用户感知绩效，PEU和PTF位于“保持优势”象限（高重要性-高绩效）；TTF位于“可能过度”象限（低重要性-高绩效）；PEC位于“低优先级”象限（低重要性-低绩效）。
4.3.3 人口统计学变量差异检验：性别对BI无显著影响（t(714)=0.243，p=0.808）；年龄组（F(7,708)=12.794，p<0.001）和学历水平（F(3,712)=27.762，p<0.001）存在显著差异，19-21岁组及本科及以上学历组BI更高。

讨论总结：关键发现包括：（1）TTF在PTF与PU间起完全中介作用，构成PTF→TTF→PU→(ATT)→BI的路径链；（2）PEU对PU的路径系数最强（β=0.934），反映GenAI早期采纳中易用性是前提；（3）PEC对ATT无显著负向影响，解释为隐私悖论、样本PEC水平低及中国数据保护法规（如《个人信息保护法》）的缓冲效应。理论贡献方面，将TTF和PEC引入TAM扩展了教育GenAI领域的适用性，混合SEM-ML方法展示了理论驱动与数据驱动的互补性。实践启示：高校应优先维持PEU和PTF优势（IPA“保持优势”），审慎投入TTF优化，暂缓PEC干预。教学观察进一步佐证了PEU对低年级学生首次使用后持续采纳的关键作用。

研究结论翻译：基于技术接受模型、任务-技术匹配及隐私与伦理关切，本研究构建了集成结构方程模型与混合机器学习分析框架，识别高等教育学习者对生成式AI学习工具行为意向的关键决定因素并探索非线性模式。通过对716份有效问卷的分析，得出以下主要结论：（1）SEM结果验证核心假设：PEU正向影响PU；TTF正向影响PU；PU正向影响ATT和BI；ATT显著正向影响BI；PTF正向影响TTF（H1-H6均成立，p<0.001）；PEC对BI无显著正向影响（H7被拒绝，p>0.05），隐私悖论、样本PEC均值较低（2.945）及中国数据保护环境可能解释了此不显著结果。（2）测量模型信效度良好，内生变量R²值（PU 0.809, ATT 0.765, BI 0.774, TTF 0.653）表明模型解释力强。（3）机器学习分析中，SVR测试集R²达0.765，显著优于ANN的0.643；变量重要性在SVR中PTF（47.0%）和PEU（31.6%）为主，TTF（13.9%）次之，PEC（7.5%）贡献极小；简化SVR模型排除PEC后R²仅降低0.013，确认PEC在具体情境中作用有限。（4）IPA矩阵指出PEU和PTF位于“保持优势”象限，TTF位于“可能过度”象限，PEC位于“低优先级”象限。（5）人口统计学分析显示性别无显著差异，但年龄（19-21岁）和学历（本科及以上）较高的群体BI显著更高。所有发现基于自报告行为意向，不预测实际使用行为，建议未来开展纵向研究。