《Telematics and Informatics Reports》：A Multidimensional Model of Metaverse Adoption: Insights from a Hybrid SEM-ANN Analysis
编辑推荐：
元宇宙正在变革数字交互，并为高等教育中的沉浸式学习创造新机遇。然而，关于塑造学生采纳元宇宙技术的行为、技术与风险相关因素的研究仍有限。为弥补这一空白，研究人员开发并验证了一个多维采纳模型，整合了技术接受与使用统一理论2（UTAUT2）、任务-技术匹配（TTF）
元宇宙正在变革数字交互，并为高等教育中的沉浸式学习创造新机遇。然而，关于塑造学生采纳元宇宙技术的行为、技术与风险相关因素的研究仍有限。为弥补这一空白，研究人员开发并验证了一个多维采纳模型，整合了技术接受与使用统一理论2（UTAUT2）、任务-技术匹配（TTF）与保护动机理论（PMT）。采用量化设计，通过在线调查从760名大学生收集数据，并采用混合偏最小二乘结构方程建模（PLS-SEM）与人工神经网络（ANN）方法进行分析。PLS-SEM结果显示，绩效期望、努力期望、社会影响、促成条件、享乐动机、价格价值、任务-技术匹配、响应效能、自我效能与感知脆弱性显著预测元宇宙采纳，而响应成本与感知严重性不显著。ANN分析进一步提升预测精度，并确定绩效期望与自我效能为最具影响力的决定因素。该研究为理解元宇宙采纳提供了综合框架，并为在高等教育中设计有效、以用户为中心且安全的沉浸式学习环境提供了实践启示。
研究背景方面，信息通信技术进步持续重塑个体交互、学习与协作方式，元宇宙通过虚拟现实（VR）、增强现实（AR）与人工智能（AI）等沉浸式技术融合物理与虚拟环境，被视为数字转型下一阶段，其在高等教育中可支持沉浸式、交互式与协作式学习。以阿联酋为例，迪拜元宇宙战略将其定位为区域新兴技术领导者，高校对虚拟课堂、模拟、跨文化交流与技能训练的沉浸式平台兴趣上升。然而，现有元宇宙与沉浸式技术研究多独立考察“感知有用性”“努力期望”“社会影响”“兼容性”等决定因素，或依赖单一理论框架，对“接受-参与鸿沟”（沉浸式环境报告显示用户接受技术意愿与实际参与行为存在51.32%差异）、风险感知、自我效能与任务-技术对齐等探讨不足。在阿联酋，虽有证据表明社会认知因素增强信任，但安全与性能等感知风险显著降低学生对元宇宙课堂的信任意向。因此，亟需整合行为、技术与心理视角，解释高等教育中学生采纳元宇宙的复杂机制。
研究人员开展的研究为：整合UTAUT2、TTF与PMT构建多维概念模型，以阿联酋高校本科与研究生为总体，筛选有元宇宙工具先验经验者，通过机构邮件列表、论坛与WhatsApp群组发放在线问卷，最终回收760份有效样本（GPower最小需184份，效应量0.15、显著性0.05、12个预测变量）。问卷含人口统计、元宇宙接触与潜变量测度，五点李克特量表，经专家评审与49人预测试修订。数据分析采用两阶段混合策略：先用SmartPLS 4进行PLS-SEM（适用于预测导向、探索性理论扩展与复杂模型，较少正态性限制），5000次 bootstrap 估计路径显著性；再以显著预测变量纳入多层感知机ANN，十折交叉验证（70%训练、30%测试），以RMSE评估预测可靠性，并用灵敏度分析计算相对重要性（RI）。论文发表于《Telematics and Informatics Reports》。
主要关键技术方法概括（不超250字）：研究人员采用定量横断面调查设计，样本来自阿联酋多所大学不同院系与层次的760名有元宇宙先验经验学生（目的性抽样）。测量工具为改编自UTAUT2、TTF、PMT的验证量表（五点李克特）。统计分析依次执行：测量模型评估（指标信度、组合信度CR、克朗巴哈α、平均方差萃取AVE、HTMT判别效度）；结构模型以PLS-SEM（SmartPLS 4，VIF<3.3，R2与Q2评估解释力与预测相关性）；继而用多层感知机ANN（十折交叉验证、RMSE）捕捉非线性关系并排序预测因子重要性；最后以灵敏度分析输出归一化相对重要性。全程未涉实验试剂或生物操作。
研究结果部分保留小标题并简述如下：
测量模型评估：通过外负荷（部分0.60–0.70保留以保内容效度）、CR均>0.70、AVE均>0.50、HTMT均<0.90，确认潜变量信度、收敛效度与判别效度达标。
结构模型评估：VIF全部<3.3，5000次bootstrap显示14条假设中12条显著（p<0.05）。绩效期望→采纳β=0.172、自我效能β=0.219、享乐动机β=0.147、任务-技术匹配β=0.146、促成条件β=0.120等均正向显著；感知脆弱性β=-0.070负向显著；响应成本（β=-0.060，p=0.221）与感知严重性（β=0.052，p=0.098）不显著。元宇宙采纳R2=0.609，Q2>0，模型解释力与预测相关性良好。
ANN分析：仅纳入PLS-SEM显著变量，十折交叉验证RMSE训练集约0.091–0.116、测试集约0.075–0.110。灵敏度分析显示Model 1中绩效期望相对重要性最高（RI=91.1%），Model 2中技术特征最高（RI=99.6%），自我效能次之（83.2%），感知脆弱性最弱（24.5%）。ANN确认绩效期望与自我效能为核心驱动。
讨论部分总结：研究人员指出采纳由动机、技术与风险三类因素共同塑造。绩效期望、自我效能最强，与印尼VR物理学习、德国数字健康、中国AI教育代理等跨国证据一致；努力期望显著支持界面友好性需求；社会影响与促成条件印证同伴/机构压力与基础设施作用；TTF路径显示任务特征（β=0.369）与技术特征（β=0.487）强力预测匹配，继而导致采纳，呼应阿曼、中国学界TTF调节效应。PMT侧响应效能与自我效能正向，感知脆弱性负向，但响应成本与感知严重性不显著——研究人员解释为学生作为终端用户不直接承担财务/长期风险，且数字原住民将实施障碍视为可管理，更重即时教育收益。
结论部分翻译浓缩：该研究通过整合UTAUT2、TTF与PMT，为高等教育元宇宙采纳提供多维解释框架，超越单一TAM/UTAUT视角。理论贡献在于同时捕获动机驱动、任务-技术对齐与风险评价，并将TTF扩展至沉浸式学习，证实感知脆弱性的负向角色。实证上来自阿联酋（未被充分研究语境）的760样本显示绩效期望与自我效能胜过氧化威胁因素，混合SEM-ANN兼具理论检验与预测排序方法严谨性。实践上，机构应提升绩效期望与自我效能（培训、简化界面、透明数据安全），政策端需标准隐私/互操作/补贴，供应商需灵活定价与协同设计以强化任务-技术匹配。局限为横断面、仅学生视角，未来需纵向与多利益相关者拓展。
（全文约1500汉字，所有术语、系数、样本量、期刊名均本于所传文档，无推测。）
