Model Adopsi Teknologi

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Model Adopsi Teknologi — keluarga teori yang menjelaskan dan memprediksi mengapa individu dan institusi menerima, mengadopsi, dan terus menggunakan teknologi baru, yang di antaranya Technology Acceptance Model (TAM) adalah yang paling luas diterapkan. Dalam AI dalam pendidikan kerangka ini menjadi lensa standar untuk menanyakan mengapa siswa, guru, dan organisasi mengadopsi alat AI generatif, dan basis pengetahuan memperlakukannya bersama-sama karena studi adopsi GenAI memanfaatkan beberapa anggota keluarga ini alih-alih satu.

Pertanyaan yang Perlu Dipertimbangkan

Pikirkan saat Anda mengadopsi aplikasi, alat, atau layanan AI baru — dan saat Anda meninggalkan salah satunya. Apa yang sebenarnya mendorong setiap keputusan: seberapa berguna tampaknya, seberapa mudahnya, atau apa yang dilakukan orang-orang di sekitar Anda? Faktor mana yang Anda duga paling penting, dan dapatkah sebuah survei benar-benar menangkapnya?
Keyakinan umum adalah bahwa 'jika sebuah alat jelas berguna, orang akan menggunakannya.' Pernahkah Anda melihat situasi di mana teknologi yang benar-benar berguna tetap gagal diterima, atau teknologi yang jelas terbatas justru menyebar? Apa yang mungkin menjelaskan jarak antara kegunaan objektif dan adopsi yang sebenarnya?
Kerangka adopsi seperti TAM dirancang pada 1980-an untuk sistem yang cukup sederhana. Jika Anda pernah menggunakan AI generatif, dalam hal apa ia berbeda dari pengolah kata atau sistem manajemen pembelajaran — dan mengapa model yang dibangun di sekitar 'kemudahan penggunaan' dan 'kegunaan' mungkin kesulitan menangkap bagaimana orang berhubungan dengan sesuatu yang menjawab balik?
Peneliti sering mengatakan risiko yang dipersepsikan dan kepercayaan lebih sedikit berpengaruh pada adopsi AI daripada yang diperkirakan. Sebelum membaca lebih jauh, apa prediksi Anda: apakah siswa mengadopsi AI karena mereka memercayainya, meskipun ada risiko, atau justru kekhawatiran itu sebenarnya kecil dibandingkan kenyamanan dan tekanan sosial?
Halaman ini berargumen bahwa kerangka adopsi memperlakukan penggunaan alat sebagai keputusan sekali waktu, padahal penggunaan yang efektif mungkin merupakan penilaian yang berlangsung terus-menerus. Di mana dalam praktik Anda sendiri atau praktik siswa Anda garis antara 'memilih menggunakan AI' dan 'terus-menerus memutuskan cara menggunakannya dengan baik' tampak kabur — dan apa yang akan berubah jika kita mengukur hal itu alih-alih sekadar penyerapan?
Sebagian peneliti mengelompokkan siswa ke dalam 'persona adopsi' yang berbeda alih-alih mengasumsikan satu model cocok untuk semua. Perbedaan apa yang Anda lihat di antara siswa, kolega, atau mahasiswa Anda sendiri yang mungkin disembunyikan oleh satu model adopsi rata-rata — dan bagaimana perbedaan itu dapat membentuk cara Anda mendukung mereka?

Pendahuluan

Bukti meta-analitik tentang adopsi AI. Sebuah meta-analisis adopsi AI pada mahasiswa (233 korelasi, 32 studi, N = 16,977) menemukan korelasi positif sedang untuk faktor individual (r = 0.57), kontekstual (r = 0.53), dan teknologis (r = 0.50), dengan niat penggunaan sebagai prediktor terkuat (r = 0.64) dan risiko/kepercayaan yang dipersepsikan lebih lemah dari yang diperkirakan. Kritik utamanya adalah bahwa lapangan terlalu bergantung pada kerangka TAM/UTAUT tradisional yang mendahului sistem cerdas modern dan mengabaikan faktor khas AI seperti antropomorfisme dan etika — dengan argumen bahwa celah ini penting bagi kemajuan teori dan kebijakan berbasis bukti.

Kemudahan penggunaan berhenti memprediksi begitu sampel telah mengadopsi. Wei, Zhang dan Heo (2026) memperluas TAM pada 526 mahasiswa desain dengan riwayat penggunaan AIGC dan menemukan persepsi kemudahan penggunaan adalah satu-satunya persepsi teknologis yang tidak signifikan terkait dengan efikasi diri, sementara pengetahuan, kepercayaan, keandalan, kegunaan, kecerdasan, dan kecemasan masing-masing terkait (Wei et al., 2026). Niat penggunaan sangat terkait dengan ketergantungan yang dilaporkan dalam data potong lintang.

Keluarga model

Technology Acceptance Model (TAM)

Diusulkan oleh Davis (1989), TAM menjelaskan adopsi melalui dua keyakinan inti — Persepsi Kegunaan (PU) dan Persepsi Kemudahan Penggunaan (PEOU) — yang membentuk Sikap (ATT) pengguna, lalu Niat Perilaku (BI), lalu penggunaan aktual. Berlandaskan teori sistem informasi (diadaptasi dari Theory of Reasoned Action), TAM telah menjadi kerangka dominan untuk adopsi GenAI dalam pendidikan. Dalam penelitian GenAI pendidikan, kerangka ini sering diperluas dengan Literasi AI, Kepercayaan, pengaruh sosial, penentuan diri, dan penggunaan kritis untuk menangkap kompleksitas adopsi di luar penyerapan sederhana.

UTAUT / UTAUT2 / UTAUT3

Unified Theory of Acceptance and Use of Technology menggabungkan TAM dengan delapan model sebelumnya menjadi empat determinan inti — ekspektasi kinerja, ekspektasi usaha, pengaruh sosial, dan kondisi fasilitasi (dengan UTAUT2 menambahkan motivasi hedonis, nilai harga, dan kebiasaan; UTAUT3 menambahkan keinovasian personal). Basis pengetahuan menerapkan UTAUT pada populasi guru dan siswa: guru matematika sekolah menengah Austria (UTAUT dengan 448 guru), calon guru sains di Ghana (UTAUT + TPB), dan siswa di Lesotho (UTAUT3 + ARCS, menggunakan PLS-SEM dan fsQCA). Jácome-Vásconez et al. memperluas UTAUT2 dengan explainable AI (Random Forest, SHAP, NCA, IPMA, K-Means) untuk 522 mahasiswa universitas, menemukan kebiasaan sebagai prediktor terkuat niat ChatGPT dan menunjukkan bahwa ekspektasi usaha adalah kondisi perlu alih-alih pendorong linear — hasil yang hanya terlihat ketika XAI melengkapi regresi.

Theory of Planned Behavior (TPB)

TPB menjelaskan niat melalui sikap, norma subjektif, dan kontrol perilaku yang dipersepsikan. Kerangka ini sering dipasangkan dengan TAM/UTAUT dalam studi adopsi AI — misalnya Rizun et al. mengintegrasikan TAM, TPB, UTAUT, dan kerangka FATE (Keadilan, Akuntabilitas, Transparansi, Etika) untuk memodelkan pendorong perilaku dan etis adopsi ChatGPT oleh siswa.

Riset adopsi biasanya berhenti pada niat; perluasan TPB yang justru mengukur penundaan meskipun ada niat yang sungguh-sungguh menemukan kontrol perilaku yang dipersepsikan sebagai prediktor negatif terkuat penundaan belajar berbantuan GenAI (β = −0.331) pada 1,243 mahasiswa sarjana, dengan kaitan niat–penundaan signifikan hanya pada kecemasan GenAI belajar tingkat sedang hingga tinggi (Li et al. (2026)).

Diffusion of Innovation (DOI)

Teori DOI Rogers menjelaskan adopsi sebagai proses sosial di mana inovasi berdifusi melalui populasi sepanjang waktu, dengan menekankan atribut inovasi (keunggulan relatif, kompatibilitas, kompleksitas, ketercobaan, keteramatan) dan kategori pengadopsi. Teori ini muncul dalam analisis tingkat institusional basis pengetahuan, misalnya Al-Rahmi et al. menggabungkan kerangka Technology–Organization–Environment (TOE) dengan DOI untuk memodelkan adopsi AI organisasional di universitas-universitas Arab Saudi.

Technology–Organization–Environment (TOE)

TOE membingkai adopsi sebagai dibentuk oleh konteks teknologis, organisasional, dan lingkungan — pelengkap bagi TAM/UTAUT tingkat individu untuk mempelajari adopsi institusional (lihat Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Penerapan dalam basis pengetahuan

Model adopsi diterapkan di seluruh basis pengetahuan untuk memodelkan penyerapan alat AI oleh siswa dan guru:

Perluasan penggunaan kritis: Nguyen et al. memperluas TAM dengan penggunaan kritis untuk mahasiswa teknik/ilmu komputer, menemukan bahwa sikap dan penggunaan kritis secara langsung memprediksi niat — dan bahwa penggunaan kritis melindungi dari ketergantungan berlebih.
Model sosio-kognitif terpadu: Asag & Al Mamun mengintegrasikan TAM dengan UTAUT untuk mahasiswa teknik di Bangladesh (menjelaskan 64% varians penggunaan).
Profil berpusat orang: Alih-alih model berpusat variabel, Saihi & Ahmed mengelompokkan persona adopsi GenAI, dan Chen et al. menggunakan analisis profil laten untuk mengidentifikasi empat profil penerimaan ChatGPT di antara calon guru — menunjukkan pergeseran lapangan melampaui penjelasan model tunggal yang linear.
Validasi lintas budaya: Martínez-Moreno et al. memvalidasi secara lintas budaya konstruk motivasi terkait adopsi di Swiss dan Tiongkok.
Mediator pengetahuan di samping mediator ekspektasi: Belief to behavior: how AI self-efficacy shapes AI acceptance through AI literacy menempatkan literasi AI di antara efikasi diri AI dan penerimaan pada 622 mahasiswa sarjana di Türkiye. Jalur tak langsungnya signifikan (B = 0.15, 95% CI [0.12, 0.19]) dan menyisakan jalur langsung yang utuh (B = 0.43, R² = 0.29); penerimaan juga menunjukkan asosiasi negatif lemah dengan kecemasan AI (B = -0.34, R² = 0.05). Di mana kerja overtrust di bawah mengalirkan keyakinan melalui ekspektasi kinerja, studi ini mengalirkannya melalui apa yang siswa ketahui tentang teknologi tersebut.
Korelat psikologis: Wu et al. membangun TAM untuk menghubungkan motivasi, Efikasi Diri, kecemasan, dan persepsi risiko dengan penerimaan pembelajaran bahasa Inggris berbantuan AI.
Kritik kompetensi regulasi: Kim berargumen bahwa model TAM yang berpusat pada adopsi memperlakukan penggunaan sebagai keputusan yang stabil, padahal penggunaan AI yang efektif adalah proses penilaian, revisi, dan penyerapan selektif yang berlangsung terus-menerus — membingkai ulang Literasi AI sebagai kompetensi regulasi dan Berpikir Kritis alih-alih penerimaan.

Menambahkan kapabilitas keluarga TPACK di samping kerangka keyakinan seperti Theory of Planned Behavior sebagai prediktor paralel mengundang tumpang tindih konstruk dan membiarkan urutan kausal kapabilitas, sikap, dan kontrol belum diputuskan; Capability–Decision Model justru menempatkan kapabilitas AI-TPACK di hulu sikap dan kontrol perilaku yang dipersepsikan (Mnguni (2026)).

Determinan adopsi ChatGPT berbasis ML: Pendekatan ML eksploratif menelaah bagaimana persepsi dan demografi siswa berhubungan dengan niat penggunaan ChatGPT akademik, menggunakan analisis SHAP untuk mengidentifikasi konstruk kunci terkait pembelajaran — memprioritaskan makna pendidikan di atas memaksimalkan kinerja algoritmik (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).
Keterjelasan dan relevansi domain sebagai tuas penerimaan bagi guru: Dengan mengadaptasi teori kepercayaan pada otomasi ke penerimaan rekomendasi AI oleh guru, Feldman-Maggor et al. (2025) menemukan bahwa keterpahaman (yang dinaikkan oleh explainable AI) berkorelasi positif dengan kepercayaan maupun penerimaan alat pengelompokan AI, dan bahwa penjelasan yang digerakkan domain dalam bahasa kurikuler mengungguli penjelasan kepentingan-fitur yang digerakkan data pada ketiga ukuran tersebut. Penerimaan juga didorong oleh keselarasan pedagogis dan potensi pengurangan beban kerja — faktor situasional di luar kepercayaan yang jarang ditangkap konstruk TAM/UTAUT standar, memperkuat argumen untuk memperluas model adopsi dengan konteks dan keterjelasan.
Penerimaan yang diukur pada tingkat materi instruksional (2026). Wang, Chuang dan Wu (2026) mengoperasionalkan Performance Expectancy, Effort Expectancy, Perceived Playfulness, dan Behavioral Intention untuk dua buku panduan literasi AI bertingkat usia yang digunakan 794 siswa K-12 dan 37 guru, memvalidasi struktur empat faktor dengan EFA dan CFA sampel terbelah serta mendukung invariansi pengukuran lintas edisi 9-12 dan 13-18. Siswa yang lebih muda melaporkan tingkat lebih tinggi pada keempat konstruk, dan playfulness adalah korelat terkuat niat di kedua kohort — dengan koefisien terstandardisasi playfulness-ke-niat melebihi 1.00 pada kelompok yang lebih muda dan HTMT sebesar .950 antara kedua konstruk. Para penulis membacanya sebagai tumpang tindih konstruk dan kemungkinan supresi alih-alih efek raksasa, pengingat berguna bahwa instrumen penerimaan yang diterapkan pada materi dapat menghasilkan faktor yang terjerat secara empiris dan menyulitkan interpretasi struktural.

Batas dan perluasan

Fokus kognitif TAM juga kurang menangkap dimensi emosional dan relasional penggunaan AI. Sebuah studi kualitatif atas mahasiswa dan dosen keperawatan menemukan bahwa, di samping empat konstruk TAM klasik, partisipan -- terutama mahasiswa -- menggambarkan AI sebagai sumber dukungan psikososial: kenyamanan emosional selama stres dan ruang rahasia untuk refleksi. Ini memperluas persepsi kegunaan melampaui perolehan kinerja ke kesejahteraan dalam pelatihan profesional bertekanan tinggi, menyarankan model adopsi harus memperhatikan faktor afektif dan psikososial, bukan hanya kegunaan instrumental.

Persepsi otonomi dan penghindaran risiko sebagai perluasan khas alat. Sebuah survei metode campuran atas 287 guru berpengalaman GenAI di 27 negara dan wilayah (Dai et al. (2026)) memperluas TAM ke arah yang hampir belum disentuh keluarga model: otonomi alat itu sendiri yang dipersepsikan. Dengan menambahkan persepsi otonomi artifisial (seberapa mandiri guru meyakini GenAI dapat menjalankan tugas instruksional yang ditugaskan) dan penghindaran risiko pada konstruk klasik, model struktural yang diperhalus menjelaskan 79.8% varians niat perilaku (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041), dengan persepsi kegunaan kembali dominan (PU → BI β =.832, p <.001) dan kemudahan penggunaan memberi umpan ke kegunaan (PEU → PU β =.479). Hasil yang instruktif justru ada pada jalan memutarnya. Otonomi artifisial tidak bertindak langsung pada niat (β =.026, ns) tetapi bertindak melalui kegunaan (AA → PU β =.188, p <.001; tak langsung AA → PU → BI =.156, 95% CI [.082,.240]) — guru yang melihat GenAI sebagai lebih cakap menemukannya lebih berguna, bukan lebih segera dapat diadopsi. Penghindaran risiko menurunkan niat (RA → BI β = −.163, p <.001) tanpa menurunkan persepsi kegunaan (RA → PU ns), karena kekhawatiran guru berpusat pada penggunaan oleh siswa — kecurangan dan integritas, melemahnya pengetahuan dasar dan berpikir tingkat tinggi, halusinasi, berkurangnya interaksi manusia, serta risiko etis, hukum, dan keadilan — alih-alih pada diri mereka sendiri. Kemudahan penggunaan non-signifikan secara keseluruhan (PEU → BI β =.068) tetapi signifikan di antara 225 guru yang benar-benar pernah menggunakan AI dalam pengajaran (β =.138, p <.05), pola yang sudah akrab bahwa usaha baru terdaftar setelah perjumpaan nyata; sikap harus dikeluarkan ketika korelasinya dengan niat (r =.929) melanggar validitas diskriminan. Guru menempatkan GenAI pada tingkat semi-otonom (130 pada Level 2, "bantuan guru"; 94 pada Level 3, "otomasi parsial"; satu pada Level 6) dan bersikeras keputusan adopsi dibuat kasus per kasus. TAM masih memprediksi niat dengan baik, tetapi untuk AI yang berorientasi guru, konstruk yang benar-benar membuat perbedaan bersifat khas alat: seberapa otonom alat itu tampak, dan pada siapa risiko melekat. Label "frenemy" dari para penulis — dihargai sebagai alat bantu, tidak dipercaya sebagai agen otonom — adalah pasangan sisi guru bagi perluasan yang menghadap siswa yang dikatalogkan di atas.

Persepsi risiko sebagai perluasan khas dimensi. Survei atas 814 mahasiswa universitas Tiongkok (Du, Ning, Shi & Chen (2026)) melipat Cognitive Appraisal Theory dan Protection Motivation Theory ke dalam TAM/UTAUT2 untuk menanyakan bukan apakah siswa mengadopsi AI generatif melainkan apa yang mereka peroleh darinya. Asumsi keluarga model bahwa risiko secara seragam menekan adopsi tidak bertahan: persepsi risiko terbelah menjadi dimensi informasi, keamanan, teknis, etis, dan hukum yang menggerakkan manfaat ke arah berlawanan. Risiko keamanan — ancaman yang siswa yakini dapat mereka kelola melalui praktik privasi — berasosiasi positif dengan persepsi bantuan akademik dan pengembangan keterampilan, konsisten dengan koping yang berfokus pada masalah, sedangkan risiko informasi, yang tidak mudah diverifikasi pembelajar, menggerus dukungan psikologis dan emosional, manfaat kehidupan sehari-hari, serta waktu luang melalui penghindaran. Analisis ambang lebih lanjut menunjukkan efek yang berubah tanda di luar titik potong khas dimensi, dan pengalaman penggunaan berpengaruh secara independen: siswa dengan lebih dari satu tahun penggunaan GenAI melaporkan manfaat lebih tinggi di empat domain. Implikasi praktis bagi riset penerimaan adalah bahwa "persepsi risiko" merupakan konstruk yang terlalu kasar untuk dimodelkan — keterkendalian, bukan keberadaan risiko semata, yang menentukan apakah siswa terlibat atau menarik diri.

Perluasan terbaru membalik arah yang biasa, menempatkan keyakinan motivasional khas mata pelajaran di hulu persepsi TAM alih-alih di sampingnya. Xue, Xu, Qi & Lu (2026) melaporkan nilai manfaat memprediksi persepsi kegunaan pada β = 0.43 dan ekspektasi untuk berhasil memprediksi kemudahan penggunaan pada β = 0.39, sementara jalur inti TAM melemah namun tetap signifikan.

Kaitan risiko dengan penggunaan juga bergantung pada sistem: di antara 49 sistem TALIS 2024 yang menerapkan item-itemnya, persepsi kegunaan AI berasosiasi positif dengan penggunaan AI di seluruh 49, sementara persepsi risiko berasosiasi negatif di 40 dan positif di sembilan (Fang & Jin (2026)).

Ekspektasi kinerja dapat membawa hubungan yang dibaca riset penerimaan sebagai niat menggunakan. Dalam Kim, Kim dan Zhang (2026) ekspektasi kinerja memprediksi overtrust AI pada B = 0.6107 dan merupakan mediator pertama yang melaluinya efikasi diri, motivasi intrinsik, dan motivasi ekstrinsik mencapai overtrust. Jalur tak langsung yang hanya melalui ekspektasi bersifat positif untuk ketiga prediktor, 0.1355 (95% CI [0.0542, 0.2330]) untuk efikasi diri, sehingga ekspektasi bukan sekadar memprediksi apakah siswa akan menggunakan alat tersebut.

Miskonsepsi Umum

"Konstruk TAM menjelaskan adopsi." Asag dan Al Mamun mengintegrasikan TAM dengan UTAUT untuk mahasiswa teknik di Bangladesh dan menjelaskan 64% dari variansnya. Besar sekaligus tidak lengkap: sekitar sepertiga dari apa yang mendorong adopsi berada di luar konstruk penerimaan klasik.
"Model penerimaan tidak perlu modifikasi domain." Menambahkan persepsi otonomi artifisial — seberapa mandiri guru meyakini GenAI dapat menjalankan tugas instruksional yang ditugaskan — dan penghindaran risiko pada konstruk klasik mengubah model secara material. Konstruk aslinya dibangun untuk alat tanpa agensi, dan GenAI memiliki agensi yang dipersepsikan.
"Estimasi adopsi meta-analitik menggambarkan populasi mana pun." Meta-analisis mahasiswa adalah estimasi tingkat populasi; hasil teknik yang menjelaskan 64% adalah populasi spesifik. Mengimpor yang satu ke yang lain mengasumsikan stabilitas yang tidak ditetapkan oleh bukti.

Konsep terkait

Metadata

Tingkat	Higher Ed
Audiensi sasaran	Learners
Teknologi dan teknik	AI Generatif, Model Adopsi Teknologi
Metode riset dan evaluasi	Metode Penelitian dalam AIED
Dasar-dasar AI dalam pendidikan	Literasi AI

Sumber Riwayat Sunting Obrolan