《Computers and Education: Artificial Intelligence》：Modeling generative AI adoption in higher education: An integrated TAM–TPB–SDT framework with SEM validation
编辑推荐：
随着生成式人工智能(GAI)在高等教育中快速扩散，如何理解并促进学生对其工具的采纳成为关键难题。研究者以约旦大学生为样本，整合了技术接受模型(TAM)、计划行为理论(TPB)和自决理论(SDT)，通过结构方程模型(SEM)验证，发现认知、社会与动机因素共同影响采纳行为，解释了83%的行为意向与81.6%的实际使用方差。该研究为理解AI采纳行为提供了首个来自中东地区的综合性实证框架，并为推动负责任、可持续的AI教育整合提供了重要启示。
在2023年，随着ChatGPT等生成式人工智能(GAI)工具的爆发式应用，全球高等教育界迎来了一场深刻的“政策与实践悖论”：各国教育系统一面拥抱AI带来的个性化学习、自动化反馈和扩大教育机会的潜力，一面又不得不直面其对学术诚信、隐私保护和教育公平带来的严峻风险。联合国教科文组织(UNESCO)和经济合作与发展组织(OECD)等国际机构接连发布报告，呼吁建立以人为中心、有伦理保障的AI教育应用框架，但现实中，许多地区仍主要依赖不具约束力的指导方针。这使得高校和一线教师承担了如何“安全、有效”使用AI的主要责任。在此背景下，一个核心问题亟待解答：在高等教育的真实场景中，到底是什么因素驱动着学生们决定采用并持续使用GAI工具来辅助学习？
传统上，学者们常用“技术接受模型”(Technology Acceptance Model, TAM)和“计划行为理论”(Theory of Planned Behavior, TPB)来解释人们采纳新技术的意愿。TAM强调感知有用性(Perceived Usefulness, PU)和感知易用性(Perceived Ease of Use, PEOU)是关键；TPB则引入了主观规范(Subjective Norms, SN)和感知行为控制(Perceived Behavioral Control, PBC)等社会与控制因素。然而，这些模型似乎将学生的决策视为一种理性的成本效益计算或对外部压力的回应，却忽略了驱动他们“主动愿意”和“坚持使用”的内在动机。这正是“自决理论”(Self-Determination Theory, SDT)的用武之地。该理论认为，满足自主性(Autonomy)、胜任力(Competence)和关联性(Relatedness)这三种基本的心理需求，是激发和维持人类内在动机的核心。那么，如果将解释“认知评价”的TAM、解释“社会控制”的TPB和解释“内在动机”的SDT三者结合起来，能否构建一个更全面、更有力的模型，来解开高等教育中AI采纳之谜呢？
这项题为“在高等教育中对生成式AI采纳的建模：一个整合TAM-TPB-SDT框架的SEM验证”的研究，正是为了回答这一问题。研究团队选择了约旦作为研究背景。约旦不仅是中东地区的重要高等教育中心，其国家AI战略(2023-2027)也明确将AI定位为教育转型的支柱。这使得约旦成为一个既具有地区独特性，又反映了全球性挑战的绝佳“实验室”。研究人员对约旦高校的517名本科生和研究生进行了横断面问卷调查，收集了他们对GAI的态度、社会压力、自我控制感、心理需求、使用意向及实际行为等十个维度的数据。随后，他们运用“结构方程模型”(Structural Equation Modeling, SEM)这一强大的统计工具，对整合了TAM、TPB和SDT的理论模型进行了严谨的验证。
这项重要的研究成果最终发表在《Computers and Education: Artificial Intelligence》期刊上。
关键研究方法
研究采用横断面问卷调查设计，在约旦高校的517名本科与研究生中收集数据。样本在性别、年级和专业上分布均衡。问卷包含55个条目，测量了从TAM、TPB和SDT中提取的10个潜在构念，包括感知有用性(PU)、感知易用性(PEOU)、态度、主观规范(SN)、感知行为控制(PBC)、自主性、胜任力、关联性、行为意向和实际使用，均采用李克特五级量表。数据分析采用两步法：首先进行验证性因子分析(Confirmatory Factor Analysis, CFA)以检验测量模型的有效性和信度；随后运用结构方程模型(SEM)检验各构念间的结构关系与假设路径。研究还评估了测量模型在性别间的测量不变性(Measurement Invariance)，并进行了多重共线性诊断和中介效应分析。
研究结果
1. 测量模型表现优异
数据分析显示，所有测量工具均表现出色。克隆巴赫系数(Cronbach's Alpha)和麦克唐纳欧米茄系数(McDonald's Omega)均高于0.70的推荐标准，表明量表具有优秀的内部一致性。验证性因子分析(CFA)结果显示，整合后的十因子测量模型对数据拟合度极佳(χ2/df = 1.76, CFI = 0.999, TLI = 0.999, RMSEA = 0.038)，平均方差提取值(Average Variance Extracted, AVE)均大于0.50，组合信度(Composite Reliability, CR)均大于0.70，证明了良好的聚合效度。此外，多组验证性因子分析证实了模型在不同性别学生中具有完全的测量不变性，支持了研究结果的跨组可比性。
2. 结构模型揭示关键驱动路径
结构方程模型(SEM)的分析结果为理解AI采纳的复杂机制提供了清晰的路线图。该模型整体拟合度优良(χ2/df = 2.23, CFI = 0.998, RMSEA = 0.049)，并展现出强大的解释力，解释了行为意向83.0%的方差和实际使用81.6%的方差，远超仅使用单一理论的模型。
- •
行为意向的驱动力：研究发现，有四个因素显著预测了学生使用GAI的行为意向。其中，关联性(Relatedness) 的影响最强(β = 0.35)，这意味着当学生认为使用AI工具能增强他们与同学、老师的联系和协作感时，他们的使用意愿最高。其次是感知有用性(PU) (β = 0.31)和态度 (β = 0.20)。自主性(Autonomy) 也有显著的正向影响(β = 0.14)。然而，传统TPB中的主观规范(SN) 和感知行为控制(PBC) 对意向的直接影响在本研究中不显著。这揭示了一个重要发现：在约旦这样的集体主义文化教育环境中，与社群产生有意义连接的心理需求(关联性)和工具本身的价值(有用性)，比单纯的“他人期望”或“感觉自己能控制”更能驱动学生的采纳意愿。
- •
从意愿到行动的桥梁：研究证实，行为意向是预测实际使用的最强直接因素(β = 0.76)。但更重要的是，胜任力(Competence) 对实际使用也有显著的直接影响(β = 0.18)。这表明，即使学生有使用AI的意愿，如果他们认为自己缺乏有效使用AI的技能和信心，这种意愿也难以转化为持续的实际行动。
- •
经典TAM路径依然稳固：研究结果支持了TAM的核心逻辑链。感知易用性(PEOU) 对感知有用性(PU) 有极其强烈的影响(β = 0.92)。而PU和PEOU共同塑造了学生对AI的态度，其中PU的作用更大(β = 0.53)。这印证了“工具越好用，就显得越有用；觉得越有用，态度就越积极”的经典认知路径。
- •
中介效应与多重共线性：进一步的统计分析表明，感知有用性(PU)和态度在感知易用性(PEOU)影响实际使用的路径中起到了重要的中介作用。多重共线性诊断则确认模型中各预测变量之间不存在严重的共线性问题，保证了路径系数估计的稳定性。
结论与重要意义
这项研究成功地将TAM、TPB和SDT三大理论整合到一个统一框架中，为解释高等教育中的生成式AI采纳行为提供了一个前所未有的综合性视角。其结论深刻且富有启示：
首先，研究证实AI采纳并非单一因素决定的行为。它是由认知评估(工具是否有用、是否易用)、社会与情境因素，以及最关键的内在动机需求(自主、胜任、关联)共同编织的复杂网络。其中，关联性需求成为预测使用意向的最强因子，这一发现尤其具有创新性。它意味着，在高等教育中推广AI，不能仅仅将其视为提升个人效率的工具，更应将其设计为促进协作学习、增强师生和生生互动的“社交催化剂”。当AI能帮助学生更好地融入学习社群时，其采纳阻力将大大降低。
其次，研究揭示了从“愿意用”到“实际用”的关键转换机制。行为意向固然重要，但胜任力是确保意向落地的“保障阀”。这警示教育机构，除了宣传AI的好处，必须投入资源开展扎实的能力建设，如工作坊、微证书课程等，切实提升学生驾驭AI工具的技能和信心，否则再高的采纳意愿也可能悬在半空。
再者，研究发现传统TPB中的主观规范在约旦语境下影响力较弱。这挑战了“集体主义文化中社会压力必然主导行为”的刻板印象。相反，学生更倾向于内化那些支持其自主性和关联性需求的社会线索。因此，成功的AI推广策略应侧重于创造自主、支持性的使用环境，而非施加硬性规定或外部压力。
最后，该研究的理论整合与实证验证，为技术采纳领域做出了重要拓展。它首次将SDT的心理需求系统地嵌入到成熟的TAM-TPB框架中，不仅显著提升了模型对行为意向和实际使用的解释力(R2超过80%)，也为理解其他新兴教育技术的采纳提供了可借鉴的分析范式。
从实践角度看，这项研究为全球特别是中东地区的高校和政策制定者提供了清晰的行动指南：设计协作性AI任务以满足关联性需求，提供个性化选择以支持自主性，并投资于系统的数字胜任力培训以夯实学生的使用信心。 唯有如此，才能超越对AI短期效用的追求，推动其走向负责任、可持续且真正以学生为中心的教育整合。这项来自约旦的实证研究，如同一幅精密的“导航图”，为全球高等教育在AI浪潮中探寻方向提供了宝贵的区域经验和普适洞察。
