探究技术教育中人工智能物联网赋能的自主学习的核心因素：一种整合技术接受模型、社会学习理论和社会认同理论的混合方法研究

《Internet of Things》：Determining core factors of AIoT-enhanced self-directed learning in technological education: A mixed-method approach integrating technology acceptance model (TAM), social learning theory (SLT), and social identity theory(SIT)

　　摘要：本研究通过结合技术接受模型、社会学习理论和社会认同理论，采用四阶段混合方法进行严格验证，以确定在技术教育中影响人工智能物联网赋能的自主学习表现的核心因素。研究针对AI物联网赋能自主学习系统化评估框架存在的知识缺陷，构建了涵盖技术、能力与动机三个维度的综合三维评估体系。第一阶段基于TAM-SLT-SIT理论整合，通过文献分析确定了三个维度下的20项初步评估标准：技术维度（源自TAM：感知有用性、易用性、行为意图、系统互动性、可靠性、个性化、反馈质量）；能力维度（源自SLT：观察学习、自我效能感、自我调节、元认知策略、目标设定、策略应用、自我监控）；动机维度（源自SIT：群体认同、社会比较、集体效能感、同伴支持、社群归属感、竞争与合作动机）。第二阶段通过对400名技术教育专业学生的调查数据开展因子分析，这些标准的共同度介于0.634至0.849之间，表明其具有良好的心理测量学特性。第三阶段借助分析网络过程，结合30位领域专家的意见，将经过验证的标准细化为核心决定因素，同时明确了各维度的优先级：技术维度占62.97%，能力维度占25.51%，动机维度占11.52%。研究结果表明，AI物联网赋能的自主学习遵循层级依赖架构，技术采纳的先决条件为后续的能力培养和动机激发奠定基础。各项标准化综合评估权重整体呈现显著的正向趋势，数值为73.47%，印证了专家们对这种学习方式益处的共识。该经过验证的评估框架不仅提升了理论理解深度，展现了方法论创新，还为相关机构及开发者优化智能互联技术环境中的自主学习环境提供了实用指导。

引言：过去十年间，人工智能技术的快速发展彻底改变了多个行业，而教育领域则是人工智能驱动创新最具潜力的领域之一。从智能辅导系统到自适应学习平台，人工智能技术在实现教育体验个性化以及提升学习效果方面展现出巨大潜力。然而，单独应用于教育场景的人工智能系统往往难以全面捕捉学习者的各种行为表现、环境因素以及真实学习过程中的实时互动情况。人工智能物联网的出现则代表了一种范式转变，它将人工智能功能与物联网通信基础设施相融合。人工智能物联网技术构建了一个互联互通的生态系统，其中的智能设备、传感器及平台能够实时协同收集、分析并处理多维度的学习数据[1]。这种融合为通过物联网特有的功能支持学习者自主性创造了前所未有的机遇，例如多传感器数据融合（如可穿戴生物传感器用于监测学习者的生理状态，环境传感器用于检测学习环境状况，边缘计算节点则可实现低延迟的适应性响应），这些共同构成了人工智能物联网赋能自主学习与传统仅依靠人工智能或非连接式数字学习方式之间的本质区别。在本研究中，物联网基础设施并非仅仅被视为信息传递的渠道，而是实现实时反馈、情境感知式个性化以及社交化同伴观察的技术前提，而这些恰恰对应着所评估的TAM、SLT和社会认同理论中的相关概念。在技术教育领域，自主学习是实现终身成功的关键能力，而人工智能物联网技术则为打造响应迅速、高度个性化且具备自适应能力的学习环境带来了变革性可能，其能力远远超越传统人工智能系统。鉴于在人工智能物联网赋能的技术学习环境中自主学习的重要性，自主学习作为一种体现学习者能够诊断自身学习需求、设定目标、寻找资源、实施策略并评估学习成果的能力，长期以来一直被视为技术教育及更广泛领域取得成功的关键要素。在当今技术教育环境中，随着知识体系的日益复杂化和快速演变，学生需要具备持续适应能力和自主学习能力，因此各教育机构越来越重视自主学习的重要性[3]。

21世纪的工作场所需要那些能够独立获取新技能、应对技术变革，并能在没有持续外部指导的情况下进行终身学习的职业人士。然而，目前用于评估自主学习表现的传统方法往往依赖于自我报告或定期评估，这类方法无法准确反映自主学习过程中动态且具情境性的特点。这些传统方法难以追踪有效自主学习者所做出的即时决策、策略调整以及针对不同情境的反应。重要的是，人工智能物联网技术为通过多模态数据采集、实时反馈机制以及智能环境适配来理解和支持自主学习提供了新的可能性。具备人工智能物联网功能的智能学习环境能够通过可穿戴设备监测学习者的参与程度，利用环境传感器识别最佳学习条件，通过智能通知及时提供干预措施，还能根据每个学习者的特点和偏好制定个性化的学习路径。尽管具备如此多的优势，但目前仍缺乏系统化的评估框架，用以确定在人工智能物联网赋能的技术学习环境中究竟哪些因素真正决定了自主学习的效果，以及如何通过严谨的实证研究可靠地识别和验证这些因素[4]。

尽管学术界对人工智能物联网在教育领域的应用越来越感兴趣，也有大量关于自主学习表现的研究，但我们在如何系统评估人工智能物联网赋能的技术教育环境中自主学习的有效性方面仍存在诸多不足。现有研究往往只关注单一的技术特性（如推荐算法或仪表板界面），或仅探讨自主学习的某个方面（如目标设定或时间管理），未能构建出能够全面反映人工智能物联网支持的自主学习表现的多层面评估框架。此外，目前的大多数研究要么仅依靠可能忽视情境差异和个体差异的纯定量评估方法，要么是样本量较小、普遍性有限的定性研究，缺乏结合这两种方法的系统化混合方法验证的严谨性。正因如此，有三个关键的研究缺口促使开展了本研究。首先，目前缺乏基于理论且经过实证验证的框架，用以明确技术教育中人工智能物联网赋能自主学习表现的核心评估因素，现有的大多数模型都借鉴自传统学习环境，未能充分考虑到人工智能物联网技术的独特优势，以及技术接受、社会学习和身份形成之间的相互作用。其次，现有的评估方法很少采用严格的多阶段验证流程，无法同时确保通过大规模定量分析获得的统计有效性，以及通过专家定性评估实现的情境可靠性，从而导致所建立的评估框架的普遍性和适用性存在不确定性。第三，当前的研究未能充分将技术接受视角与社会认知和社会认同因素相结合，往往将人工智能物联网技术视为单纯的信息传递工具，而没有探讨技术接受是如何促进社会学习与身份形成过程，进而影响自主学习结果的[5]。尤为关键的是，现有的研究均未专门涉及物联网层面：现有框架将一般的数字平台与物联网支持的环境混为一谈，从而忽视了传感器生成的实时多模态数据流如何以静态学习管理系统平台无法实现的方式改变自主学习的动态过程。

要有效解决这些研究缺口，更好地理解人工智能物联网赋能的技术学习环境中的自主学习表现，就需要建立完善的理论框架，充分考虑技术接受度、个体认知过程以及社会情境因素对学习自主性的影响。本研究综合运用了三种互补的理论视角，即文献分析、技术接受模型、社会学习理论和社会认同理论，以此构建一个三理论融合的人工智能物联网赋能自主学习表现评估框架，用于确定核心因素和决定因素，从而全面分析人工智能物联网赋能的技术学习环境中的自主学习表现，如图1所示。具体而言，本研究的目标有三个方面：首先，基于整合了技术接受模型、社会学习理论和社会认同理论的框架，通过全面的文献分析确定初步的自主学习评估因素，确保技术、认知和社会三个维度之间的理论一致性；其次，通过对400名有过人工智能物联网学习经验的技术教育专业学生的调查数据开展大规模因子分析，对这些因素进行验证和优化，以确保其具有统计有效性和代表性；最后，借助分析网络过程，邀请来自教育技术、技术教育管理以及人工智能物联网开发领域的30位领域专家进行评估，从而通过系统整合不同专家的观点，进一步提升评估框架的可靠性和准确性。总体而言，技术接受模型、社会学习理论和社会认同理论的整合构建了一个全面的三理论框架，该框架将人工智能物联网赋能的自主学习视为一种技术采纳现象、一种个体认知过程，同时也是一种嵌入在社会环境中的学习体验。技术接受模型解释了自主学习参与所需的技术前提条件，社会学习理论阐明了学习者如何通过观察和反馈获得自我调节能力，而社会认同理论则揭示了学习者为何会出于社会认同动机而选择参与自主学习。这些理论共同为潜在评估因素的识别提供了指导，同时也为理解人工智能物联网技术如何通过技术接受机制（如感知有用性和易用性）、个人能动性过程（如自我效能感和自我调节）以及社会情境动态（如群体认同、社会比较和集体效能感）影响自主学习表现提供了解释框架[12]。

章节节选

文献综述：本部分介绍了构成评估框架的三大理论基础：用于技术维度的技术接受模型，用于能力维度的社会学习理论，以及用于动机维度的社会认同理论。在阐述每个理论时，特别强调了其在人工智能物联网支持的学习环境中的适用性，因为在这种环境中，物联网传感器数据、实时分析功能以及网络化的同伴互动形成了早期数字学习模型所无法覆盖的特殊条件。在研究过程中仍存在三个整合方面的缺口。

研究过程：本研究采用了四阶段的顺序混合方法设计，旨在确定技术教育中人工智能物联网赋能自主学习的关键因素。各个阶段依次推进：第一阶段通过文献分析建立理论基础；第二阶段通过因子分析进行实证验证；第三阶段通过分析网络过程结合专家意见对评估标准进行优化。这种架构通过整合定性理论分析、定量实证研究以及专家情境判断，克服了单一方法的局限性。具体而言，第一阶段即为通过文献分析确定因子……

因子分析评估：如表3所示，为了从定量角度为研究提供依据，遵循因子分析的方法学规范，通过诊断性程序确认了从技术教育参与者那里获得的381份有效问卷数据适合进行因子分析。凯泽-迈耶-奥尔金样本适当性指数为0.769，超过了0.70的方法学基准值，这表明变量之间的相关性足够强，可以开展因子提取操作。同时……

结论与建议：本研究通过结合技术接受模型、社会学习理论和社会认同理论，采用四阶段混合方法进行严格验证，成功确定了技术教育中人工智能物联网赋能自主学习的核心影响因素。通过文献分析，确定了技术、能力与动机三个维度下的20项初步评估指标。通过对400名学生的调查数据开展因子分析，验证了这些指标的合理性，其共同度数值……

CRediT作者贡献声明：Ming Yuan Hsieh：写作——审稿与编辑、写作——初稿撰写、可视化、验证、监督、软件使用、资源获取、项目管理、方法论设计、研究实施、资金筹措、正式分析、数据整理、概念构建。Ming Yuan Hsieh，台湾台中市403454，国立台中教育大学国际商务系。