《Journal of Innovation & Knowledge》：Knowledge and fostering technology adoption intention for entrepreneurship education in Chinese higher education: A machine learning and fsQCA analysis
编辑推荐：
在人工智能（AI）重塑全球创业生态系统的背景下，培育学生在创业中的技术采纳意愿（Technology Adoption Intention in Entrepreneurship, TAIE）已成为高等教育的关键议题。传统的技术接受模型（Technology
在人工智能（AI）重塑全球创业生态系统的背景下，培育学生在创业中的技术采纳意愿（Technology Adoption Intention in Entrepreneurship, TAIE）已成为高等教育的关键议题。传统的技术接受模型（Technology Acceptance Model, TAM）在理论适用性与研究方法上存在局限。因此，研究人员采用两阶段预测—构型分析框架，整合机器学习与模糊集定性比较分析（fuzzy-set Qualitative Comparative Analysis, fsQCA），识别创业中技术采纳意愿的关键预测因子与构型路径。本研究基于中国4665名大学生样本。首先，XGBoost-SHAP识别出创业课程（Entrepreneurship Courses, ECOU）、数字创业自我效能感（Digital Entrepreneurship Self-Efficacy, DES）与创业师资（Entrepreneurship Faculty, EF）三个核心预测变量。其次，fsQCA揭示了通向高TAIE的三条差异化但等效的路径。理论上，整合预测分析与构型视角有效克服了线性假设与净效应分析的局限；此外，微观—中观—宏观多层次分析框架将TAM扩展为学习者—技术—教育生态系统三元共生系统，从而增强模型的情境解释力。研究结果讨论了技术采纳的普遍性与中国高等教育情境的特殊性。实践上，结果为教育工作者与政策制定者提供可行建议，例如该框架支持设计契合学生创业自我效能感或既往经验的创业课程，此类举措对激发创新潜能与培育TAIE至关重要。
研究背景方面，人工智能（AI）的广泛应用正深刻变革创业模式，从传统资源识别整合转向人机协同价值共创，影响机会识别、决策优化与绩效提升全过程。在此范式下，高等教育机构面临前所未有的挑战，即如何通过创业教育（Entrepreneurship Education, EE）培育学生的创业技术采纳意愿（TAIE），以充分发挥AI优势。现有研究揭示技术接受模型（TAM）在解释力、方法与情境适用性上存在局限：模型简化结构忽视采纳意愿的复杂性、非线性与情境依赖性；传统回归与结构方程模型假设线性最优路径，忽视结果的等价性与可替代性；且既有数字创业研究集中于西方发达国家，忽视了发展中国家个体技术采纳的差异性及中国作为新兴经济体在技术创新与政策驱动下的独特情境。为此，研究人员基于中国4665名大学生样本，构建涵盖微观个体特征（数字创业自我效能感DES、数字创业经验DEE）、中观教育环境（创业课程ECOU、创业师资EF）与宏观外部环境（大学创业政策UEPO、基础设施工具FR）的多层次扩展TAM框架，采用机器学习与fsQCA结合的两阶段预测—构型分析框架，旨在识别影响因素重要性排序并揭示高TAIE的组态路径，以弥补理论与方法缺陷并进行跨文化验证。该研究发表于《Journal of Innovation》。
研究人员采用的主要关键技术方法包括：采用两阶段分析策略，第一阶段使用极端梯度提升（eXtreme Gradient Boosting, XGBoost）模型识别TAIE关键预测因子，并基于合作博弈论计算SHAP（Shapley Additive exPlanations）值量化特征贡献与非线性效应；第二阶段采用模糊集定性比较分析（fsQCA）识别导致高TAIE的充分条件组合。样本来源于中国北京、上海、江苏、浙江、广东、福建六省18所高校的4665名大学生，采用目的性分层抽样以确保区域、院校类型与学科多样性。
研究结果部分保留小标题并说明如下：
RQ1结果：XGBoost模型与SHAP值分析。研究人员构建XGBoost模型，测试集R2达0.783，表明模型解释力强且泛化能力好。基于Gain指标的特征重要性排序为ECOU > EF > DES > FR > DEE > UEPO；而基于SHAP值绝对边际效应的排名为ECOU > DES > EF > FR > DEE > UEPO，二者在EF与DES顺序上存在差异，SHAP更能反映非线性与交互效应。SHAP摘要图显示ECOU、DES、EF对TAIE呈稳定正向促进，FR具中等正向，DEE与UEPO效应较复杂，且存在特征间交互。结论表明创业课程是最显著预测因子，数字创业自我效能感的内在驱动作用被SHAP更敏锐捕捉，师资效应具情境依赖性。
RQ2结果：fsQCA构型分析。经校准与必要性检验，无单一条件一致性超过0.9，故高TAIE不存在必要条件。充分性分析识别出三条高TAIE等效路径：路径1（P1）为行为驱动—教育强化—政策辅助型（DEE * ECOU * EF * ～FR * UEPO），表明有实践经验者在课程与师资支持下即使基础设施有限也能获高意愿；路径2（P2）为自我驱动—资源赋能型（DES * DEE * ECOU * EF * FR），高自我效能与经验者配强教育与资源可缺政策仍成功；路径3（P3）为综合支持—精英驱动型（DES * ECOU * EF * FR * UEPO），需高自我效能与全方位制度支持。ECOU与EF在所有高路径中均为核心条件。非高TAIE路径NH1与NH2均核心缺失DES、ECOU、EF，显示非补偿性逻辑与资源错配。研究揭示高路径具等价性、补偿性，非高路径具非对称性、共同缺失特征。
讨论部分总结：研究人员讨论TAM在创业研究与技术接受中的广泛应用，XGBoost-SHAP确认ECOU为首因，支持课程设计将AI转化为创业技能的观点；DES与EF次之，印证自我效能与教学参与的重要性；FR、UEPO、DEE预测力较低但具情境补充作用。fsQCA必要性分析否定单必要条件，支持构型视角；充分性分析得三条等价路径，ECOU与EF为核心，区分核心与边缘条件形成阈值—路径模型。理论贡献在于构建优先级—情境适配双重框架，整合变量导向与案例导向范式，扩展TAM至微观—中观—宏观三元共生系统，并在中国情境提供跨文化补充。实践贡献提出针对三路径的差异化干预策略及师资赋能。局限包括中国情境特异性、横断面自报告偏差与模型变量未全覆盖，未来需跨文化比较、混合方法与扩变量。
研究结论部分翻译：本研究在理论模型、方法与研究领域上系统扩展了TAM。利用中国4665名大学生的实证数据与两阶段预测—构型分析框架，揭示了高校创业教育中技术采纳意愿的复杂性、非线性与情境依赖性。第一阶段采用机器学习方法（XGBoost-SHAP）预测并排序前因变量重要性；第二阶段采用fsQCA识别导致高TAIE的有效条件组合。此外，提出的微观—中观—宏观框架涵盖个体特征（DES与DEE）、教育环境要素（ECOU与EF）与外部支持（FR与UEPO），增强了TAM在创业教育情境中的解释力。研究结果平衡了教育生态系统—个体信念逻辑的普遍性与文化制度差异导致的情境特殊性。最后，为培育师生协同的技术采纳生态系统，研究基于识别的高TAIE路径提出三项差异化干预策略，将多样学生特征与大学创业资源匹配，同时强化教育者的技术采纳意愿与能力。
要不要我帮你把这篇论文解读里提到的三条高TAIE路径和对应的干预策略整理成更精炼的文字对照清单？
