《Scientific Reports》：Investigating behavioral intentions toward DeepSeek adoption using a moderated-mediation analysis with PLS-SEM and fsQCA
编辑推荐：
尽管人工智能(AI)在教育领域的整合日益深入，但学生对特定工具的认知不足，限制了其采纳与有效使用。为此，研究人员聚焦大学生群体，采用偏最小二乘法结构方程模型(PLS-SEM)与模糊集定性比较分析(fsQCA)混合方法，探究了影响DeepSeek采纳行为意向的关键因素。研究发现，DeepSeek Awareness（认知）对采纳意向有显著影响，此关系受感知易用性(Perceived Ease of Use)调节，并受便利条件(Facilitating Conditions)、社会影响(Social Influence)及绩效期望(Performance Expectancy)中介。fsQCA进一步揭示了导致高采纳意向的多种前因组态，表明存在多条等效路径。该研究通过将“认知”整合进UTAUT框架并应用fsQCA，为理解教育环境中的AI工具采纳提供了新的理论视角与实践启示。
在当今教育变革的浪潮中，人工智能(AI)正以前所未有的速度融入教学与学习的各个环节，从智能辅导到个性化学习路径规划，其潜力备受瞩目。然而，一个有趣的“认知鸿沟”现象也随之浮现：尽管AI工具层出不穷，但许多学生对于某些专门为学术研究或学习优化设计的AI助手（例如DeepSeek）却知之甚少。这种认知的匮乏，如同为一座功能强大的图书馆关上了大门，直接限制了学生利用先进工具提升学习效率的可能性。那么，究竟是什么因素在驱动或阻碍着学生们尝试并采纳像DeepSeek这样的专业AI工具呢？为了解开这个谜团，一项针对巴基斯坦大学生群体的研究应运而生，其成果最终发表在国际知名期刊《Scientific Reports》上。
为了深入探究这个问题，研究人员巧妙地采用了混合研究方法。首先，他们基于经典的技术接受与使用统一理论(Unified Theory of Acceptance and Use of Technology, UTAUT)构建了研究模型，并通过问卷调查收集数据。接着，他们运用了两大关键分析技术：一是偏最小二乘法结构方程模型(Partial Least Squares Structural Equation Modeling, PLS-SEM)，用于检验变量间的因果关系、中介和调节效应；二是模糊集定性比较分析(Fuzzy-set Qualitative Comparative Analysis, fsQCA)，用于探索导致高采纳意向的多种前因条件组合（组态）。这两种方法的结合，使得研究既能验证普适性的理论路径，又能发掘复杂情境下的等效成因模式。
研究结果
- •
DeepSeek认知的核心作用：研究通过PLS-SEM分析发现，学生对DeepSeek的认知度(Awareness)对其采纳意向(Behavioral Intention)具有显著的正向直接影响。这意味着，让学生“知道”并“了解”DeepSeek的存在与功能，是推动其产生使用意愿的第一步，也是最基础的一步。
- •
感知易用性的调节效应：研究进一步揭示，感知易用性(Perceived Ease of Use)在“认知”影响“采纳意向”的关系中起到了正向调节作用。也就是说，当学生认为DeepSeek易于学习和使用时，认知对采纳意向的促进作用会更强；反之，如果被认为难以操作，即使有所了解，使用的意愿也会大打折扣。
- •
多重中介路径的发现：研究模型识别出三条重要的中介路径。具体而言，DeepSeek认知会通过影响以下三个因素，进而间接影响采纳意向：
- 1.
便利条件(Facilitating Conditions)：认知提升有助于学生感知到使用DeepSeek所需的技术与组织支持是否齐备。
- 2.
社会影响(Social Influence)：认知会受到同学、老师等社会网络的影响，这种社会压力或鼓励会转化为使用意愿。
- 3.
绩效期望(Performance Expectancy)：认知深化让学生更可能相信使用DeepSeek能帮助其提升学习表现或效率。
这三条路径表明，认知的深化是通过改善用户对支持环境、社会氛围和工具效用的整体感知来最终推动采纳行为的。
- •
通向高采纳意向的多元组态路径：fsQCA的分析结果提供了更丰富的视角。它发现了多种不同的条件组合（即“组态”）都能导致高的DeepSeek采纳意向。这打破了“单一因素决定论”，表明不存在一条固定的、必须同时满足所有积极条件的“黄金法则”。例如，对于某些学生群体，高认知结合强社会影响就足以促成高采纳意向，即使其个人绩效期望一般；而对于另一些群体，高绩效期望和良好的便利条件可能构成关键组合。这凸显了学生采纳AI工具决策过程的复杂性与多元性。
研究结论与讨论
本研究通过整合“认知”变量与扩展UTAUT框架，并创新性地结合PLS-SEM与fsQCA方法，系统揭示了影响大学生采纳DeepSeek行为意向的关键机制。核心结论指出，提升学生对AI工具的认知是启动采纳过程的基石，而这一影响的有效性深受其易用性感知的调节，并通过便利条件、社会影响和绩效期望这三条重要渠道间接发挥作用。更重要的是，fsQCA的发现强调，高采纳意向的产生并非依赖于某几个孤立因素的“最大化”，而是多种前因条件以不同方式组合作用的结果，存在“条条大路通罗马”的等效路径。
这项研究具有重要的理论与实践意义。在理论层面，它不仅验证并扩展了UTAUT模型在教育技术采纳领域的适用性，更重要的是通过fsQCA展示了“因果复杂性”，推动了从“净效应”思维向“组态效应”思维的转变，为理解技术接受行为提供了更精细、更贴近现实的理论透镜。在实践层面，研究结论为不同利益相关者提供了清晰指引：对于AI开发者和教育科技公司，应着力提升产品的可见度与易用性，并优化其性能以满足学生的核心期望；对于学术机构，则需创造支持性的使用环境（便利条件），并鼓励形成积极使用的校园文化（社会影响）；对于教育政策制定者，在管理和推广AI工具时，应认识到学生群体的异质性，采取多样化和针对性的策略，而非“一刀切”的方案。总之，这项研究为在全球教育数字化进程中，更有效地推动专用AI工具的采纳与融合，提供了基于实证的深刻见解与行动路线图。
