AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Модели принятия технологий

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Модели принятия технологий — это теоретические рамки, используемые для объяснения и предсказания того, почему индивиды и учреждения принимают, внедряют и продолжают использовать новые технологии, — а в исследованиях по ИИ в образовании — почему учащиеся, преподаватели и организации внедряют инструменты генеративного ИИ. Вместо единой модели это семейство теорий, разделяющих корни в исследованиях информационных систем и социальной психологии, из которых Модель принятия технологий (TAM) применяется наиболее широко. База знаний рассматривает эти модели вместе, потому что исследования внедрения GenAI рутинно комбинируют их (TAM + UTAUT, TAM + TPB, UTAUT + ARCS), и потому что их базовые конструкты — воспринимаемая полезность, воспринимаемая лёгкость использования и социальное влияние, — повторяются почти в каждом исследовании принятия ИИ в образовании.

Вопросы для размышления

  • Вспомните время, когда вы внедрили новое приложение, инструмент или ИИ-сервис, — и время, когда вы от одного отказались. Что фактически двигало каждым решением: насколько полезным оно казалось, насколько лёгким было его использование, или что делали окружающие вас люди? Какой фактор, как вы подозреваете, важнее всего, и может ли опрос действительно это уловить?
  • Распространённое убеждение состоит в том, что «если инструмент явно полезен, люди будут его использовать». Видели ли вы ситуации, когда подлинно полезная технология всё же не приживалась, или явно ограниченная всё равно распространялась? Что могло бы объяснить разрыв между объективной полезностью и фактическим внедрением?
  • Рамки внедрения вроде TAM были спроектированы в 1980-х для довольно простых систем. Если вы пользовались генеративным ИИ, чем он отличается от текстового процессора или системы управления обучением — и почему модель, построенная вокруг «лёгкости использования» и «полезности», может испытывать трудности с улавливанием того, как люди относятся к чему-то, что отвечает?
  • Исследователи часто говорят, что воспринимаемый риск и доверие имеют меньшее значение для внедрения ИИ, чем ожидалось. Прежде чем читать дальше, что вы предсказываете: студенты внедряют ИИ потому, что доверяют ему, несмотря на риски, или эти озабоченности действительно незначительны по сравнению с удобством и социальным давлением?
  • Страница утверждает, что рамки внедрения трактуют использование инструмента как разовое решение, тогда как эффективное использование может быть текущим суждением. Где в вашей собственной практике или практике ваших студентов граница между «выбором использовать ИИ» и «непрерывным решением, как хорошо его использовать» кажется размытой — и что бы изменилось, если бы мы измеряли это вместо простого поглощения?
  • Некоторые исследователи группируют учащихся в разные «персоны внедрения» вместо предположения, что одна модель подходит всем. Какие различия вы видите среди ваших собственных учащихся, коллег или студентов, которые единая усреднённая модель внедрения могла бы скрыть — и как эти различия могли бы формировать то, как вы их поддерживаете?

Введение

Метааналитические свидетельства о внедрении ИИ. Метаанализ внедрения ИИ студентами вузов (233 корреляции, 32 исследования, N = 16 977) обнаруживает умеренные положительные корреляции для индивидуальных (r = 0,57), контекстуальных (r = 0,53) и технологических (r = 0,50) факторов, причём намерения использования — сильнейший предиктор (r = 0,64), а воспринимаемые риски / доверие слабее, чем ожидалось. Его центральная критика состоит в том, что поле чрезмерно опирается на традиционные рамки TAM/UTAUT, которые предшествуют современным интеллектуальным системам, и пренебрегает специфичными для ИИ факторами, такими как антропоморфизация и этика, — утверждая, что эти пробелы значимы для продвижения теории и основанной на свидетельствах политики.

Семейство моделей

Модель принятия технологий (TAM)

Предложенная Дэвисом (Davis, 1989), TAM объясняет внедрение через два базовых убеждения — Воспринимаемую полезность (PU) и Воспринимаемую лёгкость использования (PEOU), — которые формируют Установку (ATT) пользователей, затем Поведенческое намерение (BI), затем фактическое использование. Опираясь на теорию информационных систем (адаптированную из Теории обоснованного действия), TAM стала доминирующей рамкой для внедрения GenAI в образовании. В образовательных исследованиях GenAI она часто расширяется ИИ-грамотность, Доверие, социальным влиянием, самодетерминацией и критическим использованием, чтобы уловить сложность внедрения помимо простого поглощения.

UTAUT / UTAUT2 / UTAUT3

Объединённая теория принятия и использования технологий консолидирует TAM с восемью предшествующими моделями в четыре базовых детерминанты — ожидаемая результативность, ожидаемое усилие, социальное влияние и облегчающие условия (причём UTAUT2 добавляет гедонистическую мотивацию, ценностную ценность и привычку; UTAUT3 добавляет личную инновативность). База знаний применяет UTAUT к преподавательским и студенческим популяциям: преподаватели математики средней школы в Австрии (UTAUT с 448 преподавателями), будущие преподаватели естественных наук в Гане (UTAUT + TPB) и студенты в Лесото (UTAUT3 + ARCS, с использованием PLS-SEM и fsQCA). Jácome-Vásconez et al. расширяют UTAUT2 объяснимым ИИ (Random Forest, SHAP, NCA, IPMA, K-Means) на 522 студентах университетов, обнаруживая привычку сильнейшим предиктором намерения использовать ChatGPT и показывая, что ожидаемое усилие является необходимым условием, а не линейным драйвером, — результат, видимый только когда XAI дополняет регрессию.

Теория планируемого поведения (TPB)

TPB объясняет намерение через установку, субъективные нормы и воспринимаемый поведенческий контроль. Она часто сочетается с TAM/UTAUT в исследованиях внедрения ИИ — например, Rizun et al. интегрируют TAM, TPB, UTAUT и рамки FATE (справедливость, подотчётность, прозрачность, этика), чтобы смоделировать поведенческие и этические драйверы внедрения ChatGPT студентами.

Исследования внедрения обычно останавливаются на намерении; расширение TPB, которое вместо этого измерило откладывание, несмотря на подлинное намерение, обнаружило воспринимаемый поведенческий контроль сильнейшим отрицательным предиктором прокрастинации обучения с помощью GenAI (β = −0,331) у 1 243 студентов бакалавриата, причём связь «намерение — отсрочка» была значимой только при умеренной-до-высокой тревожности обучения с GenAI (Li et al. (2026)).

Диффузия инноваций (DOI)

Теория диффузии инноваций Роджерса объясняет внедрение как социальный процесс, в котором инновации диффундируют через популяции со временем, подчёркивая атрибуты инноваций (относительное преимущество, совместимость, сложность, опробуемость, наблюдаемость) и категории принимающих. Она появляется в институциональных по уровню анализах базы знаний, например, Al-Rahmi et al. комбинируют рамки «Технология–Организация–Окружение» (TOE) с DOI, чтобы смоделировать организационное внедрение ИИ в университетах Саудовской Аравии.

Технология–Организация–Окружение (TOE)

TOE обрамляет внедрение как формируемое технологическим, организационным и средовым контекстами — дополнение к TAM/UTAUT индивидуального уровня для изучения институционального внедрения (см. Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Применения в базе знаний

Модели принятия применяются по всей базе знаний для моделирования поглощения инструментов ИИ студентами и преподавателями:

  • Расширение на критическое использование: Nguyen et al. расширили TAM критическим использованием для студентов инженерных и компьютерных направлений, обнаружив, что установки и критическое использование прямо предсказывают намерение, — и что критическое использование защищает от чрезмерной опоры.
  • Унифицированная социокогнитивная модель: Asag и Al Mamun интегрировали TAM с UTAUT для студентов инженерных направлений в Бангладеш (объясняя 64 % дисперсии использования).
  • Персоноцентрированные профили: Вместо центрированных на переменных моделей Saihi и Ahmed кластеризуют персоны внедрения GenAI, а Chen et al. используют анализ латентных профилей для выявления четырёх профилей принятия ChatGPT среди будущих преподавателей, — показывая движение поля за пределы одномодельных, линейных описаний.
  • Межкультурная валидация: Martínez-Moreno et al. межкультурно валидируют связанные с внедрением конструкты мотивации в Швейцарии и Китае.
  • Психологические корреляты: Wu et al. опираются на TAM, чтобы связать мотивацию, Самоэффективность, тревожность и восприятие риска с принятием ИИ-поддерживаемого изучения английского языка.
  • Регуляторная критика компетентности: Kim утверждает, что центрированные на внедрении модели TAM трактуют использование как устойчивое решение, тогда как эффективное использование ИИ — это текущий процесс суждения, пересмотра и избирательного поглощения, — переосмысляя ИИ-грамотность как регуляторную компетентность и Критическое мышление, а не как принятие.

Добавление способности из семейства TPACK рядом с рамками убеждений, такими как Теория планируемого поведения, как параллельных предикторов приглашает к перекрытию конструктов и оставляет причинный порядок способности, установки и контроля нерешённым; Модель способности и решения вместо этого помещает способность AI-TPACK выше по течению по отношению к установке и воспринимаемому поведенческому контролю (Mnguni (2026)).

  • Машинно-обучаемые детерминанты внедрения ChatGPT: Эксплораторный подход машинного обучения изучил, как восприятия и демография студентов связаны с предполагаемым академическим использованием ChatGPT, используя анализ SHAP для выявления ключевых связанных с обучением конструктов, — отдавая приоритет образовательному смыслу над максимизацией алгоритмической результативности (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • Объяснимость и релевантность предметной области как рычаги принятия для преподавателей: Адаптируя теорию доверия к автоматизации к принятию преподавателями ИИ-рекомендаций, Feldman-Maggor et al. (2025) обнаружили, что понятность (повышаемая объяснимым ИИ) положительно коррелировала как с доверием, так и с принятием инструмента ИИ-группировки, и что управляемые предметной областью объяснения на учебно-плановом языке превосходили основанные на данных, опирающиеся на важность признаков, по всем трём. Принятие дополнительно определялось педагогическим согласованием и потенциалом снижения нагрузки — ситуативными факторами помимо доверия, которые стандартные конструкты TAM/UTAUT редко улавливают, укрепляя довод в пользу расширения моделей принятия контекстом и объяснимостью.

  • Принятие, измеренное на уровне учебных материалов (2026). Wang, Chuang и Wu (2026) операционализировали ожидаемую результативность, ожидаемое усилие, воспринимаемую игривость и поведенческое намерение для двух разбитых по возрасту пособий по ИИ-грамотности, используемых 794 учащимися K-12 и 37 преподавателями, валидируя четырёхфакторную структуру с помощью EFA и CFA на разделённых выборках и поддерживая инвариантность измерения для изданий для 9–12 и 13–18 лет. Учащиеся младшего возраста сообщали о более высоких уровнях по всем четырём конструктам, и игривость была сильнейшим коррелятом намерения в обеих когортах — причём стандартизованный коэффициент связи «игривость → намерение» превышал 1,00 в младшей группе, и HTMT между двумя конструктами составлял .950. Авторы читают это как перекрытие конструктов и возможное подавление, а не как гигантский эффект, — полезное напоминание о том, что инструменты принятия, применённые к материалам, могут производить эмпирически сплетённые факторы, осложняющие структурную интерпретацию.

Пределы и расширения

Когнитивная фокусировка TAM также недостаточно улавливает эмоциональные и реляционные измерения использования ИИ. Качественное исследование студентов и преподавателей сестринского дела обнаружило, что наряду с четырьмя классическими конструктами TAM участники — главным образом студенты — описывали ИИ как источник психосоциальной поддержки: эмоционального утешения во время стресса и конфиденциального пространства для рефлексии. Это расширяет воспринимаемую полезность за пределы приобретений в результативности до Благополучие в стрессовой профессиональной подготовке, предполагая, что модели принятия должны уделять внимание аффективным и психосоциальным факторам, а не только инструментальной полезности.

Восприятие автономии и нерасположенность к риску как специфичные для инструмента расширения. Смешаннометодный опрос 287 преподавателей с опытом GenAI в 27 странах и регионах (Dai et al. (2026)) расширяет TAM в направлении, которого семейство моделей едва коснулось: воспринимаемую автономию самого инструмента. Добавляя воспринимаемую искусственную автономию (насколько независимо, по убеждению преподавателей, GenAI может выполнить заданную задачу преподавания) и нерасположенность к риску к классическим конструктам, их уточнённая структурная модель объяснила 79,8 % дисперсии в поведенческом намерении (χ²(97) = 202.597, CFI =.963, TLI =.954, RMSEA =.062, SRMR =.041), причём воспринимаемая полезность снова доминировала (PU → BI β =.832, p <.001), а лёгкость использования питала полезность (PEU → PU β =.479). Поучительны объезды. Искусственная автономия не действовала напрямую на намерение (β =.026, ns), но действовала через полезность (AA → PU β =.188, p <.001; косвенное AA → PU → BI =.156, 95 % CI [.082,.240]) — преподаватели, видевшие GenAI как более способного, считали его более полезным, а не более непосредственно внедряемым. Нерасположенность к риску снижала намерение (RA → BI β = −.163, p <.001), не снижая воспринимаемую полезность (RA → PU ns), потому что озабоченности преподавателей центрировались на использовании студентами — нечестности и честности, ослабленных базовых знаниях и мышлении высшего порядка, галлюцинациях, снижённом человеческом взаимодействии и этических, правовых рисках и рисках справедливости, — а не на их собственном. Лёгкость использования была незначимой в целом (PEU → BI β =.068), но значимой среди 225 преподавателей, фактически использовавших ИИ в преподавании (β =.138, p <.05), — знакомая картина, при которой усилие фиксируется только после реального столкновения; установку пришлось отбросить, когда её корреляция с намерением (r =.929) нарушила дискриминантную валидность. Преподаватели помещали GenAI на полуавтономные уровни (130 на уровне 2, «помощь преподавателя»; 94 на уровне 3, «частичная автоматизация»; один на уровне 6) и настаивали, чтобы решения о внедрении принимались от случая к случаю. TAM всё ещё хорошо предсказывает намерение, но для обращённого к преподавателю ИИ конструкты, которые двигают иглу, специфичны для инструмента: насколько автономным кажется инструмент и к чьему использованию прикрепляется риск. Маркировка авторов «друг-враг» — ценится как инструмент поддержки, не заслуживает доверия как автономный агент, — является аналогом со стороны преподавателя к описанным выше расширениям, обращённым к студенту.

Восприятие риска как специфичное для измерения расширение. Опрос 814 студентов китайских университетов (Du, Ning, Shi и Chen (2026)) встраивает Теорию когнитивной оценки и Теорию защитной мотивации в TAM/UTAUT2, чтобы спросить не о том, внедряют ли студенты генеративный ИИ, а о том, что они от него приобретают. Предположение семейства моделей о том, что риск единообразно подавляет внедрение, не выживает: восприятие риска разделяется на информационное, связанное с безопасностью, техническое, этическое и правовое измерения, которые двигают выгоды в противоположных направлениях. Риск безопасности — угроза, которую, по убеждению студентов, они могут управлять через практики приватности, — был положительно связан с воспринимаемой академической помощью и развитием навыков, что согласуется с сфокусированным на проблеме преодолением, тогда как информационный риск, который учащиеся не могут легко проверить, разрушал психологическую и эмоциональную поддержку, выгоды в повседневной жизни и досуге через избегание. Пороговые анализы дополнительно показали эффекты, меняющие знак за пределами специфичных для измерения точек отсечения, причём опыт использования имел значение независимо: студенты с более чем годом использования GenAI сообщали о более высоких выгодах по четырём областям. Практическое следствие для исследования принятия состоит в том, что «воспринимаемый риск» — слишком грубый конструкт для моделирования — управляемость, а не одно лишь наличие риска, определяет, вовлекаются ли студенты или отступаются.

Связь риска с использованием также зависит от системы: во всех 49 системах TALIS 2024, применивших пункты, воспринимаемая полезность ИИ была положительно связана с использованием ИИ, тогда как воспринимаемый риск был отрицательно связан в 40 и положительно в девяти (Fang и Jin (2026)).

Связанные концепции

Связанные статьи

Метаданные

УровеньHigher Ed
Целевая аудиторияLearners
Технологии и методыГенеративный ИИ, Модели принятия технологий
Методы исследований и оценкаМетоды исследования в AIED
Основы ИИ в образованииИИ-грамотность
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.