一个综合性的认知负荷-技术接受模型，用于解释人们采纳智能体育系统以参与课外体育活动的行为意向

《Frontiers in Psychology》：An integrated cognitive load–technology acceptance model for explaining behavioral intention to adopt Smart Physical Education Systems for extracurricular physical activity

　　摘要

背景：越来越多的高校开始实施智能体育教育系统，以促进大学生的身体活动。然而，学生对这些系统的持续参与度仍然有限。尽管技术接受模型（Technology Acceptance Model, TAM）能够解释技术接受的评估，认知负荷理论（Cognitive Load Theory, CLT）强调了与认知处理相关的限制，但尚未充分关注认知资源的分配如何影响大学生采纳这些系统的行为意向。整合这两种观点可能会提供对数字媒介下技术采纳心理机制的更全面理解。

方法：本研究向五所实施了智能体育教育系统的高校大学生发放了电子问卷调查，共收集到1,349份有效回答。采用偏最小二乘结构方程建模（partial least squares structural equation modeling）来分析研究变量之间的结构关系。研究采用了结合认知负荷理论和技术接受模型的综合理论框架。该模型包括四个技术接受构念——感知易用性（perceived ease of use）、感知有用性（perceived usefulness）、使用态度（attitude toward use）和行为意向（behavioral intention），以及三个认知负荷维度——内在认知负荷（intrinsic cognitive load）、外在认知负荷（extraneous cognitive load）和相关认知负荷（germane cognitive load），以评估大学生采纳智能体育教育系统进行课外体育活动的行为意向。

结果：研究结果支持了假设的关系。感知易用性、感知有用性和使用态度预测了行为意向，其中感知易用性的作用最为显著。相关认知负荷对感知易用性和感知有用性有显著影响，并间接增强了行为意向。相反，内在认知负荷和外在认知负荷对行为意向有显著影响，这突显了认知负荷管理在大学生采纳智能体育教育系统进行课外体育活动中的重要性。

结论：大学生采纳智能体育教育系统进行课外体育活动的行为意向不仅受感知有用性和感知易用性的影响，还受到系统交互过程中认知资源分配的影响。综合的认知负荷-技术接受模型框架（Cognitive Load–Technology Acceptance Model）框架加深了对智能体育教育环境中技术采纳的理解，并为有效设计智能体育教育系统提供了理论见解和实践指导。

1. 引言
智能体育教育系统（Smart Physical Education Systems, SPES）是将智能技术集成到体育活动实践中的数字平台。最近的研究表明，人工智能可以通过连接教学流程、提供反馈和促进健康的功能来支持体育教育的创新（Cui et al., 2025）。在大学环境中，SPES通常通过校园平台或移动应用程序运行，支持课外体育活动的任务交付、活动签到、表现记录和反馈。这些系统还可以与可穿戴设备连接，监测如运动时长、步数、心率或活动强度等指标，从而帮助大学生在正式体育课之外管理锻炼（Johannes et al., 2024）。尽管SPES已成为促进高校体育活动的日益重要的工具（Huang, 2024; Oudah et al., 2024），但其实施并不必然导致稳定的或持续的使用。

课外体育活动（Extracurricular Physical Activity, EPA）是指在正式课堂之外自愿进行的锻炼，对于培养长期锻炼习惯、心理福祉和整体健康起着关键作用（Zhang, 2024）。与结构化或强制性的活动相比，EPA提供了更大的灵活性，并更符合大学生的内在动机和行为偏好（Almeida et al., 2023）。由于参与EPA不仅受行为机会的影响，还受认知、动机和自我调节过程的影响（Faílde-Garrido et al., 2022），因此锻炼期间的主观体验和心理感知对于持续的参与至关重要（Ekkekakis, 2017）。尽管SPES提供了支持自主和持续参与EPA的技术机制，但许多大学生仍然只是表面地使用这些系统，并未能将其融入日常锻炼习惯中（Yao and Zhang, 2022）。系统可用性与持续使用之间的这种差距反映了教育技术中的一个普遍挑战，即实施并不一定转化为稳定的行为意向（Moghavvemi et al., 2013）。

技术接受模型（Technology Acceptance Model, TAM）为解释大学生是否采纳SPES进行课外体育活动提供了一个有用的起点。该模型最初由Davis等人（1989）提出，将技术采纳解释为一个心理过程，即用户对系统的认知影响他们的态度和随后的行为意向。TAM已成为理解技术采纳的最广泛使用的框架之一，并在教育技术、数字健康、人机交互以及体育和健康相关领域展示了稳定的解释能力（Rosli et al., 2022; Lee et al., 2025）。在SPES的背景下，先前的研究同样表明，感知易用性和感知有用性是大学生持续使用意向的重要前因（Li et al., 2024）。然而，尽管TAM能够有效解释用户是否认为系统易于使用或有用，但它较少解释这些认知是如何在实际系统交互过程中形成的。这一局限性在SPES背景下尤为重要，因为大学生往往需要在处理系统信息和反馈的同时执行锻炼任务（Mayer, 2024）。因此，理解SPES的采纳可能需要超越单纯的技术评估，考虑其背后的认知过程（Ibili and Mark, 2019）。

认知负荷理论（Cognitive Load Theory, CLT）为解决这一局限性提供了有用的视角。CLT最初由Sweller（1988）提出，从工作记忆的有限容量出发解释表现，并区分了三种类型的认知负荷：内在认知负荷（Intrinsic Cognitive Load, ICL）、外在认知负荷（Extraneous Cognitive Load, ECL）和相关认知负荷（Germane Cognitive Load, GCL）。ICL与任务复杂性和元素交互性相关；ECL反映了由于信息呈现不佳而产生的不必要的处理需求；GCL则捕捉了为构建图式和自动化而特意分配的认知资源。这些区别对于SPES的使用非常重要，因为大学生常常需要同时理解锻炼任务、解释系统反馈并协调行为反应（Xu et al., 2024）。在这种情况下，认知需求不仅仅是偶然的；它们可能成为塑造体验和评估系统的重要条件。CLT已广泛应用于教育心理学、人机交互、数字学习环境以及复杂技术系统使用的研究中，成为解释高认知需求背景下表现和行为反应的重要框架（Szulewski et al., 2021）。因此，CLT为理解不同类型的认知负荷如何影响大学生对SPES的认知以及最终采纳该系统进行EPA的行为意向提供了理论上的视角。

尽管TAM和CLT都已被广泛用于解释技术采纳和认知处理，但直接研究技术相关评估与系统使用期间认知资源分配之间相互作用的研究相对较少（Mari?i? et al., 2025）。在像SPES这样的认知要求较高的环境中，同时执行任务和系统交互可能会对工作记忆提出额外要求（Hu et al., 2024）。因此，大学生的行为意向可能不仅取决于系统是否被认为有用或易于使用，还取决于在锻炼相关交互过程中认知资源是如何被消耗、中断或定向的。单一理论视角不太可能完全捕捉SPES在EPA背景下的心理机制（Benbasat and Barki, 2007; Zhong et al., 2025）。为了解决这一差距，本研究提出并实证检验了一个综合的认知负荷理论-技术接受模型（CL–TAM）。该框架不再将认知负荷视为一个次要的背景因素，而是将ICL、ECL和GCL视为不同的前因，这些前因塑造了感知易用性（perceived ease of use, PEU）、感知有用性（perceived usefulness, PU）和使用态度（attitude toward use, ATU），进而影响行为意向（behavioral intention, BI）。通过这种方式，研究旨在扩展TAM的解释范围，表明技术采纳不仅由技术相关评估决定，还受到形成这些评估的认知过程的影响。因此，它为SPES在大学生EPA中的采纳提供了更具体的理论解释，并为系统设计和实施提供了更清晰的依据。

基于以上理由，本研究开发并检验了一个综合的认知负荷理论-技术接受模型（CL–TAM），以解释大学生采纳SPES进行课外体育活动的行为意向。具体而言，该模型研究了ICL、ECL和GCL如何塑造PEU和PU，以及这些变量如何进一步影响BI。通过这种方式，研究为大学生在EPA中采纳SPES提供了更全面的解释，并为智能体育教育技术的设计和实施提供了启示。

2. 文献综述和研究假设
2.1 技术接受模型
技术接受模型（Technology Acceptance Model, TAM）最初由Davis等人（1989）提出，一直是解释个体为何接受或拒绝技术系统的最具影响力的框架之一。在其原始形式中，感知有用性（perceived usefulness, PU）和感知易用性（perceived ease of use, PEU）被确定为塑造用户对系统态度及其随后使用意向的两个核心信念。模型的后续发展进一步表明，技术接受在不同情境下存在差异，包括自愿使用与强制性使用、用户群体和技术类型的差异（Montes, 2022）。元分析证据也支持了TAM在多种使用环境中的普遍解释价值，同时也指出不同情境下具体关系的强度可能存在差异（King and He, 2006; Scherer and Teo, 2019）。在教育环境中，TAM也被广泛用于研究数字技术的采纳，并在与接受相关的信念和意向方面展示了解释价值（Xue et al., 2026）。

TAM对于SPES在EPA中的使用至关重要，因为SPES的采纳涉及大学生对系统是否易于使用和有助于支持锻炼活动的评估（Mackenbrock and Kleinert, 2026）。与在高度结构化的课堂环境中采用的技术不同，SPES通常嵌入在灵活、自我导向且往往是零散的锻炼情境中。在这种情况下，大学生可能需要在与系统交互的同时管理锻炼计划、监控活动数据、解释系统反馈和调整训练行为（Zhong et al., 2025）。关于课堂外移动学习的最新研究表明，在自愿和结构化程度较低的技术使用环境中，感知有用性和感知易用性仍然是接受度的重要决定因素（Liu et al., 2025）。这一点对当前研究很重要，因为EPA与课外移动学习一样，具有更大的自主性和较弱的外部强制力（Nurmi et al., 2016）。因此，在这种背景下，技术接受可能不仅取决于对系统功能的认知，还取决于系统是否可以整合到持续的自我导向的锻炼实践中（Yousaf et al., 2021; Ebadi and Raygan, 2023）。

大量研究表明，感知易用性（PEU）正向预测感知有用性（PU），这种关系自TAM模型提出以来一直是该领域中最稳定的路径之一。当一个系统可以用相对较少的努力学习和操作时，用户更可能认识到其工具价值和实际效益。这一模式不仅在一般技术采纳研究中得到支持，在教育技术环境中也是如此，其中易用性有助于产生更有利的有用性评价（Mastour et al., 2025）。来自健康和健身应用程序研究的类似证据也表明，感知易用性增强了感知有用性，并通过这种方式加强了技术的持续使用（Cho et al., 2020; Samadbeik et al., 2023）。在SPES用于EPA的背景下，这意味着认为系统易于操作的大学生可能更有可能认为它有助于支持他们的锻炼实践。因此，提出以下假设：
H1：大学生对SPES用于EPA的PEU对其PU有积极影响。
预期PEU也会对使用态度（ATU）产生积极影响。先前的TAM研究一致表明，需要较少努力的系统往往会产生更顺畅和更受欢迎的使用体验，从而促进更积极的使用态度。尽管PEU与ATU之间的关系强度可能因技术和用户群体而异，教育研究一再表明，与易用性相关的信念在塑造用户的技术评价取向方面仍然很重要（?etin, 2020; Liesa-Orús et al., 2023）。在体育教育环境中，最近的研究同样表明，与易用性相关的认知和较低的复杂性障碍有利于数字媒体的更积极接受（Wang et al., 2022; Mackenbrock and Kleinert, 2026）。在SPES（户外体育锻炼支持系统）的背景下，一个笨重或难以使用的系统可能会干扰用户持续进行锻炼练习，并降低使用者的积极评价；而一个感觉易于访问和管理的系统更有可能培养使用者对其使用的正面态度（Drehlich等人，2020年）。因此，提出以下假设：H2：大学生对SPES的感知有用性（PEU）对其使用态度（ATU）有积极影响。此外，PEU可能直接影响行为意图（BI），特别是在使用很大程度上取决于个人决定的情况下（Zhang和Yu，2022年）。在自我导向的情境中，便利性和低操作负担可能更直接地影响用户采用系统的意愿，特别是因为当使用变得费力、复杂或干扰日常活动时，用户可以更容易地放弃使用技术（Pan，2020年；Angosto等人，2023年；Harris和Rogers，2025年）。最近关于课堂外移动学习的研究也表明，PEU仍然是自愿性课外使用情境中接受度的一个重要决定因素（Berkowsky等人，2017年；Bergman等人，2020年）。此外，关于健康和健身应用程序的研究表明，PEU不仅提高了用户对技术有用性的认知评价，还支持了他们继续使用这些技术的意愿（Yan等人，2021年）。鉴于SPES通常用于灵活且非强制性的锻炼参与中，大学生采用该系统的意愿可能至少部分取决于它是否方便且无需费力地使用。因此，提出以下假设：H3：大学生对SPES的PEU对其行为意图（BI）有积极影响。

感知有用性（PU）是技术接受模型（TAM）的另一个核心决定因素，因为当用户相信某技术能够提高任务绩效、效率或结果时，他们更有可能接受该技术。在原始的TAM理论中，感知有用性常被视为对系统评价和使用意愿的重要预测因子。这一模式不仅在一般的技术接受研究中得到支持，在教育环境中也是如此，PU被证明在塑造接受结果方面起着重要作用（Hayadi和Hariguna，2025年）。类似的证据也出现在智能可穿戴设备和运动相关技术的研究中。例如，关于智能可穿戴设备的研究表明，有用性是影响用户继续使用这些技术的关键因素之一（Park，2020年）。在SPES的背景下，有用性不应被理解为一个抽象的技术属性，而应理解为大学生对该系统能够在锻炼规划、活动监控、表现反馈和目标实现方面提供实质性支持的判断（Zulkifli和Danis，2022年）。当大学生认为系统具有这些价值时，他们可能更容易对其产生正面态度，并更有意愿将其用于课外体育活动。基于此，提出以下假设：H4：大学生对SPES的PU对其使用态度（ATU）有积极影响。H5：大学生对SPES的PU对其行为意图（BI）有积极影响。最后，使用态度（ATU）通常被视为基于TAM的研究中行为意图的直接前因。尽管一些扩展的接受模型降低了态度的重要性，但先前的研究表明，ATU仍然值得特别关注，因为它反映了用户对采用技术的整体评价倾向（Kim等人，2009年）。高等教育中的实证证据也表明，学生的态度与其使用数字学习系统的意愿显著相关（Hussein，2017年）。在健康和运动相关技术的背景下，也发现了类似的发现，即用户的态度显著预测了他们采用可穿戴健身技术的意愿（Lee和Lee，2018年）。在SPES的背景下，课外体育活动具有相对较高的自主性和自我调节程度（Barkoukis等人，2021年）。在这种条件下，当大学生对该系统形成总体上的积极态度时，他们可能更有可能将其融入日常锻炼实践中（Song等人，2018年）。因此，提出以下假设：H6：大学生对SPES的使用态度（ATU）对其行为意图（BI）有积极影响。

2.2 认知负荷理论
虽然TAM理论解释了评估信念如何塑造态度和行为意图，但它并未完全说明这些评估在何种认知条件下产生。在SPES用于课外体育活动的背景下，大学生不仅需要与系统互动，还需要处理锻炼任务、解释反馈并调节训练行为。因此，认知负荷理论提供了一个重要的补充视角，阐明了不同形式的认知负荷如何促进或限制用户对系统易用性、有用性和整体态度的感知。认知负荷理论最初由Sweller（1988年）提出，它从工作记忆的有限容量和认知资源的分配角度解释学习和表现。CLT将认知负荷分为三种类型：内在负荷（ICL）、外在负荷（ECL）和相关负荷（GCL）（Paas等人，2003年）。ICL主要来源于任务本身的复杂性以及必须同时处理的多个元素之间的互动程度（Chen等人，2023年）。先前的研究普遍表明，当内在负荷较高时，更多的有限认知资源必须用于任务执行本身，留给评估和策略处理的资源较少（Van Merri?nboer和Sweller，2010年）。在技术支持的任务环境中，这种模式可能会降低用户对支持系统有用性和价值的积极评价。在本研究中，ICL特指使用SPES进行锻炼活动时的复杂性以及整合多个任务组件的需求。大学生必须同时理解锻炼计划、掌握运动技巧、调节训练强度，并在实际练习中持续进行判断和调整（Carlier和Delevoye-Turrell，2022年）。这种资源分配的不平衡可能会削弱用户对系统有效性和有用性的感知，从而削弱他们对系统的整体评价（Fink等人，2023年）。在SPES的背景下，这种机制表明较高的内在认知负荷可能会削弱大学生对系统有用性的感知及其态度。因此，提出以下假设：H7：大学生对SPES的内在负荷（ICL）对其使用态度（ATU）有负面影响。H8：大学生对SPES的内在负荷（ICL）对其感知有用性（PU）有负面影响。

外在负荷（ECL）源于不适当的信息呈现、复杂的界面设计或冗余的交互流程所造成的不必要的处理需求（Liang等人，2023年）。在SPES的背景下，这种负荷可能由混乱的布局、繁琐的操作流程、过多的反馈信息或不明确的说明产生。这些设计缺陷使认知资源偏离了与锻炼相关的活动，而转向了系统相关的操作，从而限制了用户专注于体育活动本身的能力。先前的研究表明，通过更清晰的信息呈现和更简化的交互流程减少外在负荷可以改善用户对系统易用性的感知和整体评价（Ibili和Mark，2019年；Hussein等人，2022年）。相反，较高的ECL可能会使系统操作感觉不必要地费力，从而降低PEU，并导致挫败感和负面使用体验，进而削弱对系统的态度（Turetken等人，2019年）。因此，提出以下假设：H9：大学生对SPES的外在负荷（ECL）对其感知有用性（PEU）有负面影响。GCL强调学习者为促进模式构建和知识结构自动化而有意投入的认知资源（Sweller等人，1998年；Debu和Van De Leemput，2014年）。重要的是，认知负荷不应被视为在技术采纳情境中总是有害的。与内在负荷和外在负荷不同，相关认知负荷反映了在理解、模式构建和任务相关处理中的有益认知投入（Klepsch和Seufert，2020年）。在本研究中，GCL特指大学生有目的地参与理解SPES反馈、解释锻炼策略以及发展稳定的操作流程和训练规则。随着有效处理的增加，大学生可能更有可能形成对系统功能逻辑和交互路径的清晰心理表征，从而增强他们对操作流畅性和可控性的主观感知，这可能体现在较高的易用性感知上（Ibili和Mark，2019年）。同时，GCL可能增强用户对训练过程的理解和控制感，从而促进对系统的更积极评价（El-Gayar和Elnoshokaty，2023年）。此外，当大学生在解释锻炼数据、优化训练计划和内化运动技能上投入更多认知努力时，他们可能更有可能认识到SPES在提高锻炼效率、增强表现和支持目标实现方面的工具价值，从而提高感知有用性（Alshawmar等人，2025年）。因此，GCL在这里被视为一种促进性的认知条件，而非负担。基于上述理论推理和支持的实证证据，提出以下假设：H11：大学生对SPES的相关负荷（GCL）对其感知有用性（PEU）有积极影响。H12：大学生对SPES的相关负荷（GCL）对其使用态度（ATU）有积极影响。H13：大学生对SPES的相关负荷（GCL）对其行为意图（BI）有积极影响。

基于假设H1至H13，本研究提出了一个整合了CLT和TAM的概念模型。所提出研究模型的结构如图1所示。

3 方法
3.1 参与者和数据收集
本研究招募了中国五所已经实施SPES的大学的本科生，分别是重庆邮电大学、重庆科技商务大学、四川国际 Studoes 大学、重庆第二师范学院和长江师范学院。尽管这五所大学的平台名称不同，但其核心功能是相似的。在本研究中，参与者根据他们大学中已部署的用于课外体育活动管理和支持的SPES系统进行了评估。这些系统通常包括锻炼任务分配、活动签到、锻炼数据记录、进度跟踪、反馈提供，在某些情况下还包括与可穿戴设备的连接。所有参与者都之前接触过这些系统，并且他们的回答基于在机构环境中的实际使用经验。因此，参与者的回答基于他们与这些系统的实际使用经验，而不是对智能体育技术的假设性判断。研究团队通过线上和线下两种方式组织和分发问卷，以扩大样本覆盖范围并减少单一调查模式的局限性。在线调查便于更广泛和高效地接触到潜在受访者，而纸质调查则通过面对面方式收集，以提高参与度并减少潜在的选择偏差。在完成问卷之前，所有参与者都被告知研究目的并自愿提供了知情同意。在数据收集之前，已获得重庆邮电大学研究伦理委员会的批准（批准编号202512150101389）。符合条件的参与者是全日制本科生，且在五所参与大学之一注册，并且具有在课外体育活动中使用SPES的经验。在数据筛选过程中，不完整的问卷、未通过注意力检查项目的问卷或在反向编码项目或其他逻辑矛盾的回答模式中的问卷被排除。根据Borzemski等人（2019）提出的调查质量评估框架，进一步筛选数据集以确保回答的有效性和内部一致性。共收集了1,506份问卷，在数据清洗过程中移除了157份无效回答。最终样本包含1,349份有效回答，用于后续的统计分析和结构模型测试。表1展示了参与者的 demographic 特征。

3.2 测量方法
本研究使用了结构化的问卷作为主要测量工具。这些问卷项目经过了改编和 refinement，以确保与特定的研究背景相关，并提高了测量的严谨性（Hoque和Sorwar，2017年），从而能够系统地评估大学生在SPES用于课外体育活动时的感知和行为反应。测量的构念包括TAM的核心变量——感知有用性（PU）、感知易用性（PEU）、使用态度（ATU）和行为意图（BI）——以及认知负荷理论的三个维度——内在认知负荷（ICL）、外在认知负荷（ECL）和相关认知负荷（GCL）。所有测量项目的来源及其操作化方法在表2中进行了报告。表2列出了各构念的来源。

| 构念 | 来源 |
|--------------|--------------------------------------|
| PUD | Davis等人（1989），Teo等人（2008），Teo和Noyes（2011），Teo（2009），Lavidas等人（2020），Al-Emran等人（2021），Lin和Yu（2023），Tan等人（2024），Albayati（2024） |
| PEU | Davis等人（1989），Teo等人（2008），Teo和Noyes（2011），Lavidas等人（2020），Al-Emran等人（2021），Lin和Yu（2023），Tan等人（2024） |
| ATU | Teo（2009），Teo和Noyes（2011），Tan等人（2024） |
| BIV | Venkatesh等人（2003），Teo（2009），Teo和Noyes（2011），Duong等人（2023），Wang等人（2025） |
| ICL | Bratfisch等人（1972），Sweller等人（1998），Krieglstein等人（2023），Huang等人（2025） |
| ECL | Bratfisch等人（1972），Sweller等人（1998），Krieglstein等人（2023），Huang等人（2025） |
| GCL | Bratfisch等人（1972），Sweller等人（1998），Krieglstein等人（2023），Huang等人（2025） |

在项目调整过程中，对量表的原语言表述进行了修订，以适应本科生在课外体育活动中使用SPES的实际情况。例如，“SPES中的行为识别功能，如面部识别和基于位置的签到，会增加我使用系统的负担”这一条目改编自Huang等人（2025）的研究，并为当前研究进一步修改。这种表述调整旨在捕捉SPES相关操作要求带来的额外负担，同时保持与早期研究中ECL概念理解的连贯性（Bratfisch等人，1972；Sweller等人，1998）。

所有项目均采用11点李克特量表进行评分。选择这种格式是为了捕捉本科生对SPES用于课外体育活动的感知差异，并为本研究中考察的多个潜在构念提供更细致的响应区分。鉴于样本量较大以及使用了PLS-SEM方法，11点量表被认为能够生成更详细的测量信息。此选择也得到了先前方法学研究的支持，这些研究表明11点李克特量表可能比较短格式提供更高的敏感性和更接近区间尺度的分布特性（Leung，2011）。

### 3.3 数据分析
使用SmartPLS 4.0来估计提出的CL–TAM模型。选择PLS-SEM是因为本研究关注的不是单一的二元关系，而是通过感知易用性、感知有用性和使用态度，直接或间接地将认知负荷的三个维度（ICL、ECL和GCL）与行为意图联系起来的理论整合机制。因此，分析任务需要一种能够建模多个潜在构念并在统一框架内测试相互依赖的结构路径的方法。此外，由于本研究旨在解释和预测本科生采用智能体育系统进行课外体育活动的意愿，PLS-SEM为同时评估构念的测量属性和结构模型中规定的预测关系提供了适当的方法。

数据分析围绕整合的CL–TAM模型的逻辑进行。首先，通过检查七个潜在构念的可靠性和有效性来评估测量模型。其次，通过自助法估计路径系数及其统计显著性来检验假设的结构关系。具体来说，这一步骤检查了ICL、ECL和GCL是否与PEU、PU和ATU有显著差异，以及这些变量是否也与BI相关。最后，使用决定系数（R2）、效应量（f2）和内生构念的预测相关性（Q2）来评估整合模型的解释力和预测性能，特别是PEU、PU、ATU和BI。

### 4 结果
#### 4.1 测量模型
#### 4.1.1 可靠性
在指标层面和构念层面都评估了可靠性。首先使用观察指标的外负荷来检查指标可靠性。如表3所示，所有外负荷范围从0.708到0.919，超过了推荐的0.70阈值（Preacher和MacCallum，2003），从而表明指标可靠性令人满意。

| 潜在变量 | 外负荷 | 克朗巴赫α系数 | 复合可靠性（ρ_a） | 复合可靠性（ρ_c） | 平均提取方差（AVE） |
|---------|------------|-----------|-----------|-------------|
| ATU | 10.736 | 0.846 | 0.863 | 0.562 |
| ATU2 | 0.788 | | | 0.885 |
| ATU3 | 0.824 | | | 0.562 |
| ATU4 | 0.712 | | | 0.562 |
| ATU5 | 0.708 | | | 0.562 |
| BI | 10.902 | 0.947 | 0.947 | 0.825 |
| BI2 | 0.919 | | | 0.919 |
| BI3 | 0.919 | | | 0.892 |
| ECL | 10.774 | 0.929 | 0.947 | 0.666 |
| ECL2 | 0.776 | | | 0.843 |
| ECL3 | 0.866 | | 0.843 | 0.829 |
| ECL4 | 0.829 | | 0.823 | 0.809 |
| ECL7 | 0.809 | | 0.807 | 0.807 |
| GCL | 10.795 | 0.885 | 0.886 | 0.686 |
| GCL2 | 0.789 | 0.860 | 0.858 | 0.916 |
| GCL3 | 0.860 | | 0.858 | 0.916 |

随后使用克朗巴赫α系数和复合可靠性指数（ρ_a和ρ_c）评估构念可靠性。通常认为高于0.70的值是可接受的（Kilic，2016）。克朗巴赫α值范围从0.736到0.947，ρ_a值从0.736到0.947，ρ_c值从0.835到0.959。所有值都超过了推荐阈值，表明所有构念的内部一致性令人满意。

总体而言，测量模型表现出足够的可靠性，为后续的收敛效度、区分效度和结构模型评估提供了坚实的基础。

#### 4.1.2 有效性
收敛效度使用平均提取方差（AVE）进行评估。值达到或高于0.50表示一个构念解释了其指标方差的50%以上（Qin等人，2024）。如表3所示，所有AVE值范围从0.558到0.825，超过了推荐阈值，从而表明收敛效度令人满意。接下来使用Fornell–Larcker标准评估区分效度，该方法将每个构念的AVE的平方根与其与其他构念的相关性进行比较。根据Fornell和Larcker（1981）的观点，当构念的AVE的平方根超过其与其他所有构念的相关性时，区分效度得到确立。如表4所示，所有对角线值都大于相应的构念间相关性，从而满足Fornell–Larcker标准，表明区分效度令人满意。

#### 4.1.3 共线性评估
为了增强测量模型的稳健性并降低多重共线性的潜在风险，对所有构念的方差膨胀因子（VIF）进行了检查。如表6所示，潜在变量的VIF值范围从1.175（ECL）到2.350（ATU），均低于广泛接受的3.0阈值。结果表明多重共线性不是问题，各构念之间有足够的差异性，从而进一步支持了测量模型的可靠性和有效性。

#### 4.2 结构模型
决定系数R2值是结构模型评估中的关键统计指标，反映了模型预测变量能够解释的内生变量方差的比例（Nakagawa和Schielzeth，2013）。如表7所示，ATU的R2值为0.717，BI为0.707，PEU为0.424，PU为0.420。这些结果表明所提出的模型对所有内生构念的解释能力令人满意。此外，ATU、BI、PEU和PU的调整后R2值与其相应的R2值高度一致，表明模型的解释能力没有因加入额外预测变量而人为夸大。这一一致性进一步支持了模型规范的稳健性和所选外生变量的适当性。

### 4.3 结构模型评估
#### 4.3.1 路径系数
检查路径系数以评估潜在变量之间假设关系的方向和强度。如表10所示，所有结构路径在统计上都是显著的（p < 0.001），从而支持了所有13个假设。在TAM框架内，PEU显著正向预测PU（β = 0.265，p < 0.001）、ATU（β = 0.113，p < 0.001）和BI（β = 0.375，p < 0.001）。PU也对ATU（β = 0.371，p < 0.001）和BI（β = 0.229，p < 0.001）有显著的正面影响，而ATU对BI（β = 0.368，p < 0.001）也有显著正面影响。在认知负荷框架内，ICL对ATU（β = -0.270，p < 0.001）和PU（β = -0.233，p < 0.001）有负面影响，ECL对PEU（β = -0.202，p < 0.001）和ATU（β = -0.139，p < 0.001）有负面影响，而GCL对PEU（β = 0.546，p < 0.001）、PU（β = 0.306，p < 0.001）和ATU（β = 0.197，p < 0.001）有正面影响。

#### 4.3.2 间接效应
检查间接效应以确定认知负荷对结果变量的影响是否通过CL–TAM模型中指定的中介机制起作用。如表11所示，所有11个间接效应在统计上都是显著的（p < 0.001），表明认知负荷主要通过PEU、PU和ATU影响BI，而不是通过孤立直接路径。

#### 4.3.3 中间变量效应
在TAM变量中，PEU对ATU（β = 0.098，p < 0.001）和BI（β = 0.138，p < 0.001）有显著的正面间接效应，而PU对BI也有显著的正面间接效应（β = 0.136，p < 0.001）。这些结果表明，易用性的影响不仅直接体现在对使用者意图的促成上，还通过更积极的可用性认知和态度进一步传递。更重要的是，在模型中，GCL（与任务相关的认知负荷）展示了最强烈的间接影响模式。它对PU（感知易用性）、ATU（任务任务评估）以及尤其是BI（使用态度）产生了显著的积极间接效应（β=0.145，p<0.001；β=0.229，p<0.001；β=0.465，p<0.001）。这种对BI的间接效应幅度超过了所有其他变量，表明相关的认知负荷在连接认知处理与技术采纳过程中起到了核心作用。GCL并非作为外围因素，而是通过加强PEU（感知易用性）、PU和ATU这一核心的TAM（技术接受模型）序列来增强行为意图。相比之下，ICL（界面认知负荷）和ECL（环境认知负荷）都显示出了显著的消极间接效应：ICL对ATU和BI有负面影响（β=-0.086，p<0.001；β=-0.184，p<0.001），而ECL则对PU、ATU和BI都有负面影响（β=-0.054，p<0.001；β=-0.043，p<0.001；β=-0.155，p<0.001）。值得注意的是，ICL对BI的消极间接效应比ECL更为强烈，这进一步表明与任务相关的认知需求可能比界面相关的负担对持续采纳更为有害。

4.3.3 总效应
为了识别影响大学生采纳SPES行为意图的最重要因素，我们分析了总效应。如表12所示，所有总效应都具有统计学意义（p<0.001）。在TAM框架内，PEU对BI的总效应最大（β=0.513，p<0.001），超过了ATU（β=0.368，p<0.001）和PU（β=0.366，p<0.001）的影响。这一结果进一步证实了易用性是决定大学生持续采纳SPES意图的最重要因素。此外，PEU的较大总效应表明其影响不仅限于直接路径，还通过其对PU和ATU的积极效应得到进一步加强。在CLT（认知负荷理论）框架内，GCL也对BI产生了显著的积极总效应（β=0.465，p<0.001），而ICL和ECL则对BI产生了消极总效应（β=-0.184，p<0.001；β=-0.155，p<0.001）。值得注意的是，GCL的总效应幅度明显大于ICL和ECL的消极总效应。这一发现表明，促进有意义的认知参与可能比单纯减少认知负担更为有效。

表12
路径 原始样本 样本均值 标准差 T统计量 P值
PEU → BI 0.513 0.513 0.025 20.124 p<0.001
PU → BI 0.366 0.366 0.026 14.238 p<0.001
ATU → BI 0.368 0.368 0.025 14.593 p<0.001
ECL → BI -0.155 -0.155 0.015 10.209 p<0.001
ICL → BI -0.184 -0.184 0.015 12.582 p<0.001
GCL → BI 0.465 0.465 0.018 25.196 p<0.001
PEU → PU 0.265 0.265 0.032 8.323 p<0.001
PU → ATU 0.371 0.371 0.023 16.348 p<0.001
PEU → ATU 0.211 0.212 0.025 8.300 p<0.001
ECL → PU -0.054 -0.054 0.009 5.865 p<0.001
ICL → PU -0.233 -0.233 0.023 10.292 p<0.001
GCL → PU 0.451 0.451 0.026 17.628 p<0.001
ECL → ATU -0.181 -0.182 0.023 7.816 p<0.001
ICL → ATU -0.356 -0.356 0.026 13.698 p<0.001
GCL → ATU 0.426 0.426 0.020 21.324 p<0.001
ECL → PEU -0.202 -0.202 0.025 8.190 p<0.001
GCL → PEU 0.546 0.546 0.024 23.158 p<0.001

因此，旨在提高大学生采纳SPES行为意图的干预措施应优先考虑设计能够积极促进图式构建、有效认知处理和持续参与的运动体验。尽管减少不必要的界面负担仍然很重要，但研究表明，如果这些干预措施不同时增强GCL，仅专注于最小化ICL和ECL可能是不够的。

5 讨论
本研究结合了TAM（技术接受模型）和CLT（认知负荷理论）来解释大学生采纳SPES进行EPA（电子健康活动）的意愿。结果显示，BI（使用态度）是由技术与系统使用过程中有限认知资源的分配共同塑造的。与TAM一致，PEU、PU和ATU作为BI的核心预测因子，而CLT则表明GCL促进了采纳，而ICL和ECL抑制了意愿。因此，整合的CL-TAM框架为数字化中介导的体育活动中的技术采纳提供了一个理论上的解释。总体而言，研究结果表明，大学生采纳SPES进行EPA不仅与系统的功能特性有关，还与使用过程中认知资源的分配方式有关。特别是当认知资源用于有意义的处理和图式构建时，采纳意愿会增加；而当认知资源被任务复杂性或多余信息消耗时，采纳意愿会减弱。此外，先前的研究表明，PEU的强度表明感知易用性对于维持对SPES的参与至关重要。这与许多传统TAM文献中的观点不同，后者通常认为PU是BI的最强决定因素。在EPA的背景下，大学生可能会优先考虑SPES是否能够在零散和自愿的锻炼情境中方便使用。因此，当技术使用是可选择的而非强制性的时，PE的相对重要性似乎会增加。

此外，ATU和PU都对BI产生了显著的积极影响，表明评估判断和感知的功能价值也影响了采纳决策。这些结果与教育技术、数字健康和健身应用领域的先前研究一致，其中较高的PEU通常能预测更强的BI。PU经常被视为BI的关键前因，而ATU则作为将认知评估与实际使用决策联系起来的重要中介机制。同样，来自中国大学生群体的证据也表明，PU和ATU对BI有稳定且显著的影响，其影响程度往往超过单纯的使用性感知。然而，先前的证据也指出，TAM核心变量对BI的影响在不同情境下并不一致。例如，Songkram等人（2023）报告了PU与BI之间的负相关，表明任务需求和使用压力可能削弱大学生的主观体验。这些结果表明，技术接纳路径的强度和方向取决于情境和认知条件。

在此背景下，研究强调了GCL在塑造大学生采纳SPES意愿方面的独特作用。当认知资源用于有意义的处理（如理解、整合和解释与运动相关的信息）时，BI会增加。先前的研究也表明，致力于理解和图式构建的努力会促进更有利的决策和持续参与。同样，GCL主要通过增强PEU和其他积极的系统评价来增强BI，从而通过间接认知路径促进采纳。更重要的是，这一发现表明，在技术采纳研究中不应将认知负荷视为 uniformly 有害的。尽管ICL和ECL消耗有限的认知资源，但GCL通过将这些资源导向有意义的处理和图式构建来促进采纳。这与Clarky和Kimmons（2023）的观点一致，他们将相关的认知负荷视为有益的认知努力，而非认知负担，支持更深层次的处理和持续参与。最近的证据表明，GCL在教学设计因素与BI之间起到了重要的中介作用，进一步强调了其在连接认知过程与技术采纳结果中的关键作用。相比之下，研究表明ICL对大学生采纳SPES的意愿有显著的抑制作用。当运动任务的固有复杂性消耗了大学生有限的认知资源时，他们的理性处理和价值评估能力会受到限制，从而阻碍了积极的使用决策。这些结果意味着，优化界面设计可能不足以提高大学生的采纳意愿。即使系统设计良好，如果运动任务本身仍然具有认知挑战性，也可能无法取得成功。

进一步的路径分析表明，ICL对BI的影响不仅限于直接的抑制作用。ICL通过削弱大学生对PU和ATU的感知间接降低了BI。本研究与Huang等人（2025）在基于ChatGPT的教育应用中的研究结果一致，后者观察到较高的内在认知负荷显著降低了大学生的使用意愿，主要是由于对态度评价的负面影响。本研究还表明，ECL对大学生采纳SPES进行EPA的意愿有显著的负面影响。然而，这一结果与先前的研究并不完全一致。例如，Huang等人（2025）在基于ChatGPT的教育应用中报告称ECL对BI没有显著影响。这种差异可能归因于EPA作为一种高度自愿和依赖情境的使用场景，学生通常在时间和认知资源有限的条件下完成运动任务。随着SPES在高等教育中的普及，学生会对系统的基本功能形成预期，系统提供的清晰且低干扰的交互体验可能成为BI的关键决定因素。当系统界面复杂、信息呈现冗余或操作程序不明确时，大学生必须将有限的认知资源分配到与运动目标无关的信息处理上，这会降低他们全面认识系统实际价值的能力，从而抑制他们继续使用SPES的意愿。因此，ECL可能对采纳产生比之前假设的更广泛的影响，因为其效应超出了即时可用性感知的范围，逐渐削弱了对系统的整体态度。实践上，研究建议SPES的设计应尽量减少不必要的界面复杂性，同时降低运动任务的难度。运动计划可能需要分解为更小、更结构化的步骤，特别是对于缺乏经验的用户。此外，个性化的反馈、自适应难度调整和清晰的视觉指导有助于将认知资源导向有意义的处理，从而提高GCL并最终增强BI。

6 启示
6.1 理论启示
本研究通过将认知资源分配纳入技术接受的分析，推进了对大学生采纳SPES意愿的理论理解。尽管先前的研究一直证明了TAM的稳健性，但其核心关系的强度和方向在不同情境中往往有所不同。本研究表明，这种变异性可能更多源于系统使用过程中认知资源分配和限制方式的差异。通过区分相关的、内在的和外在的认知负荷，本研究识别出每种类型负荷影响采纳结果的独特机制，并将CLT的应用扩展到技术采纳研究领域。结果表明，BI的形成不仅取决于投入的认知努力量，还取决于努力的方向。GCL通过促进有意义的处理、理解和图式构建来增强关键的认知评价，而内在和外在的认知负荷由于任务复杂性和系统设计负担而占用或干扰了有限的认知资源，从而削弱了技术接受路径的积极效果。本研究提供了一个更细致的理论框架，用于解释不同类型认知负荷对技术采纳的异质影响。此外，该研究从情境化的角度丰富了TAM和CLT的应用性。与强制性或制度化使用环境相比，EPA的特点是自愿参与和即时互动，这使得认知负荷对采纳路径的影响更加明显。这些见解表明，解释技术采纳行为应结合特定的使用情境和潜在的认知机制，从而发展出更加情境敏感的理论模型。

6.2 实践启示
本研究为SPES的设计者、教育管理者和大学体育教育实践者提供了明确的实践启示。结果表明，PEU仍然是BI的最关键决定因素。这表明系统推广不应仅依赖新增功能的添加，而应优先考虑界面的简洁性、操作程序的清晰度和直观的设计。通过降低学习成本和使用障碍，机构可以有效提高大学生的初始接受度和持续参与度。从认知负荷的角度来看，系统设计应特别关注最小化ECL。复杂的界面布局、冗余的信息呈现和繁琐的操作步骤会消耗有限的认知资源，并削弱学生对系统的整体评价。因此，SPES的开发应遵循“负载减少设计”原则，例如简化功能层次结构、优化信息可视化效果，并提供清晰的反馈和指导。这些策略可以减少不必要的处理需求，提高本科生的使用体验。同时，研究结果强调了培养用户对系统的理解和控制感（GCL）的重要性。除了简化设计之外，系统还应包含培训指导、数据解读支持和个人化反馈，以促进有效的认知处理。这种支持性设计有助于本科生整合与锻炼相关的信息，制定稳定的训练策略，从而增强他们对系统的有用性的认知和积极的使用态度。鉴于EPA（环境政策评估）具有高度自愿性的特点，技术的采用更多地取决于使用者的主观体验，而非机构的规定。因此，大学应通过激励策略、量身定制的指导和持续的行为支持来补充系统的实施，而不仅仅依赖行政强制。通过同时优化系统设计和使用环境，机构可以促使用户从表面化或程序化的使用转向持续且有意义的参与。

6.3 限制与未来研究方向

需要指出几个限制因素。首先，本研究采用了横断面设计来考察认知负荷（CL）与技术接受（TAM）变量之间的结构关系。虽然这种设计能够捕捉到某个时间点的关联情况，但纵向研究方法将使未来的研究能够评估在持续使用SPES过程中认知负荷和生物信息（BI）的动态变化。分析对象主要是本科生，这一群体具有较高的数字技术使用频率和体育活动参与度。将所提出的模型应用于其他群体或教育阶段，可能会揭示不同本科生群体在认知负荷和技术接受机制方面的差异，从而进一步提升该框架的外部有效性和普遍适用性。