《Computers in Human Behavior Reports》：From interaction to impact: Examining the role of chatbots in enhancing social sustainability using SEM-ANN approach
编辑推荐：
本研究针对高等教育中聊天机器人如何促进社会可持续性这一研究空白，整合任务技术匹配(TTF)、来源可信度理论(SCT)、Fogg网络可信度模型和社会临场感理论(SPT)，通过对341名学生的调查数据采用结构方程模型(SEM)和人工神经网络(ANN)混合分析方法，验证了13/16条假设，发现任务技术匹配(TTF)是影响聊天机器人使用的首要因素(归一化重要性99.1%)，揭示了可信度、社会临场感和TTF通过促进聊天机器人使用进而支持社会可持续性的关键路径。
在人工智能技术日益融入教育领域的背景下，聊天机器人作为新型对话代理展现出巨大潜力。然而，现有文献在聊天机器人促进高等教育社会可持续性方面的研究存在明显空白。社会可持续性指创建包容、支持、公平的环境以增强个人福祉、参与感和归属感，在高等教育中体现为保障学生公平获得学术支持、参与机会和学习资源。尽管聊天机器人能提供全天候支持、个性化互动，但其在减少访问障碍、增强学生支持、促进公平学习体验方面的潜力尚未得到充分探索。
这项研究旨在通过整合任务技术匹配(TTF)、来源可信度理论(SCT)、Fogg网络可信度模型和社会临场感理论(SPT)等多种理论框架，开发一个综合模型来考察影响高等教育中聊天机器人使用的因素及其对社会可持续性的影响。研究采用混合方法，结合结构方程模型(SEM)和人工神经网络(ANN)分析从341名学生收集的数据，以评估提出的理论模型。
研究方法上，本研究采用定量横断面调查方法，针对阿联酋高等教育领域的学生进行 purposive sampling（目的性抽样），确保参与者具有聊天机器人使用经验。通过在线调查收集数据，使用偏最小二乘结构方程模型(PLS-SEM)分析潜在变量关系，并辅以人工神经网络(ANN)分析来捕捉预测变量间的非线性关系。测量模型评估显示所有构念的复合信度(CR)值均大于0.7，平均变异抽取量(AVE)值大于0.5，表明模型具有较好的信度和效度。
技术方法方面，研究主要采用了基于理论构建的结构方程模型(SEM)分析，验证了16条研究假设中的13条；同时应用人工神经网络(ANN)进行预测重要性分析和非线性关系探测；采用5000次重复抽样的非参数bootstrap法检验路径系数的显著性；通过十折交叉验证评估模型预测稳定性，训练集与测试集比例为90:10。
研究结果部分，测量模型评估显示所有构念具有较好的信度和效度指标。结构模型评估中，Credibility → Chatbot Usage (H1)路径系数为0.238，t值3.046，假设成立；Trustworthiness → Credibility (H3)路径系数0.339，t值5.652，影响显著；Ease of Use → Credibility (H5)路径系数0.184，t值3.607，影响显著；Tailoring → Credibility (H6)路径系数0.171，t值2.908，影响显著；而Expertise → Credibility (H2)和Real-World Feel → Credibility (H4)的假设未获得支持。
社会临场感方面，Verbal Cues → Social Presence (H10)路径系数0.225，t值4.129；Visual Cues → Social Presence (H11)路径系数0.457，t值7.515；Invisible Cues → Social Presence (H12)路径系数0.226，t值4.293，均显著支持假设。任务技术匹配方面，Task Characteristics → TTF (H13)路径系数0.256，t值4.630；Technology Characteristics → TTF (H14)路径系数0.460，t值8.359；TTF → Chatbot Usage (H15)路径系数0.394，t值5.918，均显著。最终，Chatbot Usage → Social Sustainability (H16)路径系数0.559，t值11.598，表明聊天机器人使用对社会可持续性有显著正向影响。
人工神经网络分析进一步揭示了预测因子的相对重要性，显示TTF是影响聊天机器人使用的最重要因素(归一化重要性99.1%)，视觉线索对社交临场感的影响最大(归一化重要性98.2%)，可信度构念中信任worthiness是最重要预测因子(归一化重要性100%)。所有ANN模型的均方根误差(RMSE)值均较低，表明模型预测准确性良好。
研究结论与讨论部分指出，本研究的理论贡献在于整合了TTF、SCT和SPT等多种理论视角，提供了比传统技术接受模型更全面的框架，同时为技术-环境、经济和社会可持续性理论(T-EESST)提供了实证支持。实践意义方面，研究结果为教育机构和聊天机器人开发者提供了具体指导，强调需要优先考虑可信度构建、功能与教育任务的匹配以及社交临场感设计。局限性在于研究仅关注文本对话代理，样本来自阿联酋高等教育背景，未来研究可扩展至语音助手、跨文化比较以及长期追踪设计。
该研究最终证实，通过精心设计聊天机器人的可信度特征、社交互动能力和任务匹配度，可以有效促进其在高等教育中的应用，进而通过提供公平、可及的支持服务推动社会可持续性目标的实现。论文发表于《Computers in Human Behavior Reports》期刊，为理解聊天机器人在可持续教育实践中的作用提供了重要见解。
