《Heliyon》：Socio-contextual barriers in AI adoption: Examining awareness and perceptions in the technology acceptance model
编辑推荐：
从医疗保健到教育、商业到工作场所，如今人工智能（AI）提供了显著的收益。然而，这些收益的实现可能并不均衡。先前关于数字排斥的研究表明，一些社会群体利用技术优势的能力较弱，而已有数据揭示出人们对AI的感知和态度存在社会分层差异。与此相关，由于AI在日常技术中的整
从医疗保健到教育、商业到工作场所，如今人工智能（AI）提供了显著的收益。然而，这些收益的实现可能并不均衡。先前关于数字排斥的研究表明，一些社会群体利用技术优势的能力较弱，而已有数据揭示出人们对AI的感知和态度存在社会分层差异。与此相关，由于AI在日常技术中的整合往往不透明，公众对AI的认知（awareness）较低，且有证据表明，这一因素也可能受到数字排斥问题的影响。鉴于已知感知驱动技术采纳，但尚不清楚认知在这一路径中的影响，研究人员必须从社会不平等的角度实证测量这些关系。利用通过两次公共调查（样本量分别为305和303）收集的数据，本文扩展了技术接受模型（TAM），采用一种新的认知测量方法，以更好地理解AI采纳的路径。研究人员的估计一致表明：（1）AI采纳路径与其他技术大致相似；（2）AI认知的缺乏阻碍了AI采纳路径；（3）社会情境因素驱动了AI认知的差异。确保社会中的所有人能够并确实成功采纳AI技术，需要对其独特属性进行建模，并考察这些属性本身如何可能受到社会不平等的影响。
**论文解读：人工智能采纳中的社会情境障碍——基于技术接受模型的认知与感知分析**
**研究背景与问题**
人工智能（AI）在医疗、教育、商业等领域展现出巨大潜力，但其收益的分配可能不均衡。数字排斥研究揭示，女性、老年人、低教育及低收入群体在利用技术优势方面处于劣势，且已有数据表明，这些群体对AI的感知和态度存在分层差异。此外，由于AI常以不透明方式整合于日常技术中，公众对AI的认知（awareness）水平普遍较低，且这一因素可能受数字排斥影响。然而，现有技术采纳模型（如技术接受模型（TAM））多聚焦于组织情境或已数字包容群体，忽视了社会情境变量（如性别、年龄、教育、就业）和AI认知的作用。为填补这一空白，研究人员旨在通过扩展TAM，纳入AI认知和社会情境因素，实证分析AI采纳路径中的社会不平等机制。该研究发表于《Heliyon》。
**主要技术方法**
研究人员通过在线众包平台Prolific收集了两波公共调查数据：第一波于2023年9月采集自澳大利亚居民（N=305），第二波于2024年2月采集自英国居民（N=303），用于复制验证。调查测量了社会情境变量（性别、年龄、教育、就业、收入）、AI认知（awareness）、感知易用性（PEU）、感知有用性（PU）、使用意图（IU）和实际使用（AU）。采用混合图形模型（MGM）进行网络估计，未预设变量间链接，通过无正则化和正则化（LASSO）回归识别条件依赖关系，并利用贝叶斯信息准则（BIC）选择正则化参数。
**研究结果**
**4.1 使用TAM估计AI采纳（RQ1）**
通过网络模型分析，研究人员发现TAM在AI采纳情境中基本成立：感知易用性（PEU）与感知有用性（PU）、使用意图（IU）及实际使用（AU）均呈正相关；感知有用性（PU）与使用意图（IU）正相关；使用意图（IU）与实际使用（AU）正相关。值得注意的是，PEU与AU之间存在直接关联，表明PEU在塑造AI认知与使用中可能起核心作用。
**4.2 AI认知及其对采纳的影响（RQ2）**
AI认知（Aw）与使用意图（IU）和实际使用（AU）呈正相关：认知个体相比于不认知个体，AU得分高0.36个标准差（95% CI 0.18-0.53），IU得分高0.09个标准差（95% CI -0.02-0.19）。但Aw与PEU或PU之间无显著条件依赖关系，提示认知可能直接作用于IU和AU，而非通过感知变量。
**4.3 社会情境因素对AI认知与采纳的影响**
性别：女性AI认知水平显著低于男性（比值比0.49，95% CI 0.32-0.72），且IU得分低0.14个标准差；但控制其他变量后，女性AU得分反而高0.22个标准差，表明女性虽使用更多AI，但更低认知和意图可能抑制其采用。
年龄：年龄增长与AI认知下降相关（十年间隔比值比0.80，95% CI 0.69-0.92），且IU降低（十年增加对应0.04个标准差下降），间接影响AU。
就业：失业者PU更高（0.28个标准差），但IU更低（0.18个标准差下降）。
教育：仅高中教育者IU和AU均低于更高教育者（IU低0.09个标准差，AU低0.16个标准差）。
收入：未发现收入与PU或AU的直接关联，但收入与就业、教育强相关。
**讨论与结论**
讨论部分指出，研究结果证实了社会情境差异和AI认知在采纳路径中的关键作用，尤其性别和年龄通过认知影响意图和使用，而就业和教育通过结构障碍影响意图。这些发现表明，提升AI认知（尤其是针对数字排斥风险群体）是促进包容性AI采纳的可行路径。研究强调，负责任AI（RAI）的实践需从提高公众认知入手，并在教育、政策层面加强跨学科合作，否则RAI原则可能沦为空洞口号。
结论部分原文翻译：AI技术的快速公众传播——尤其是生成式AI——在社会中引发了冲击波，一些人欢呼其潜力，另一些人则恐惧其后果。为了管理这些担忧，学者、从业者和政策制定者严重依赖负责任AI的愿景（Dignum，2019）。然而，由于AI发展的快速性及其整合的不透明性，实现这些愿景的路径变得复杂（Arrieta et al., 2020）。测量AI的包容性——负责任AI的支柱之一——是可行的，尤其是在建模采纳路径时。通过提供采纳不平等的证据，研究人员的研究表明，女性、老年人以及经济条件较差者在AI接受和使用方面处于劣势。此外，研究人员表明，这些差异可能因AI认知的缺乏而加剧。研究人员的建模显示，通过提升AI素养（聚焦认知）从上游解决这些不平等，可以改善采纳的公平性。通过提高对这些不平等的认识，研究人员的发现为将负责任AI的愿景转化为可衡量的负责任AI交付提供了具体手段。
