问题提出

生成式 AI 正在给高等教育提供个性化学习支持，但「学生为什么用」的机制没讲透：① 传统技术采纳研究要么只看通用因素（有用性/易用性），要么只看功能属性，很少把 AI 特有的「类人知觉属性」——像不像人（拟人化）、有没有生气（生命感）、聪不聪明（智能感）——纳入进来；

② 行为推理理论（BRT）主张人做事前会自己生成「支持的理由」和「反对的理由」，但这两类理由在生成式 AI 场景里是否对称地塑造态度，没人检验过；

③ 多数研究停在「使用意向」，没人把「类人属性 + 行为理由 → 态度 → 实际使用 → 自评学习表现」整条链在一个框架里接起来。

难点剖析

难点有三：① 构念要分得开——拟人化（赋予人形/人的特质）、生命感（有生命般的互动感，不要求长得像人）、智能感（对理解、推理、情境应变能力的主观评估），三者是心理学上相邻但不同的知觉，必须证明区分效度，否则全是「感觉 AI 很像人」的重复测量；

② 要同时回答「解释」与「预测」两个问题——SEM 擅长检验理论路径，但线性假设可能漏掉非线性模式与相对权重差异，需要 ANN 做非线性补充并互相印证；

③ 「使用」与「学习表现」都是自评，横截面设计要防共同方法偏差，且只能谈关联不能谈因果。

理论脉络

理论地基两块：① 行为推理理论（BRT）——行为的近端驱动是「理由」：人先为自己生成支持/反对某行为的理由，理由塑造态度，态度再驱动行为；BRT 的独特之处是把正反两类理由放进同一个框架，并允许它们不对称地起作用；

② CASA 拟人化研究谱系——Nass & Moon 的「计算机是社会行动者」视 perspective 加上 Bartneck 等的 godspeed 测量传统（拟人化、生命感、智能感三维度正出自这一脉），说明人会不自觉地把社会线索套用到交互对象上。本文把两者接起来：AI 的类人属性是学生形成态度的知觉底座，BRT 的理由是评价层，态度再串起使用与学习表现。

理论模型

研究模型（见模型图）：五个前因 → 态度 → 自报生成式 AI 使用 → 自评学习表现。前因：感知拟人化（H1）、感知生命感（H2）、感知智能感（H3）、采纳的支持理由（H4）、采纳的反对理由（H5）；态度 → 自报使用（H6）；自报使用 → 自评学习表现（H7）。生成式 AI 按通用工具界定（不限于某一平台），受访者须有学术用途使用经验。

研究假设

H1：生成式 AI 的感知拟人化与学生对它的态度正相关。 H2：生成式 AI 的感知生命感与学生对它的态度正相关。 H3：生成式 AI 的感知智能感与学生对它的态度正相关。 H4：采纳的支持理由与使用态度正相关。 H5：采纳的反对理由与使用态度负相关。 H6：更积极的态度与更高的自报生成式 AI 使用相关。 H7：自报生成式 AI 使用与自评学习表现正相关。

分析策略

两阶段混合设计。

① PLS-SEM（5000 次 bootstrap）：先评估测量模型（内部一致性、聚合效度、HTMT 区分效度），再检验 7 条结构路径，报告 f² 效应量、R² 与 PLSpredict 样本外预测力（Q²predict，并与线性基准 LM 模型比较 RMSE）。

② 人工神经网络（ANN）：对态度的多前因模型做非线性补充——多层感知机架构，10 折交叉验证（每折 90% 训练 / 10% 测试）评估预测稳定性、防过拟合，输出各前因的归一化重要度与排序，再与 PLS-SEM 的排序做一致性对照。分工：SEM 管「路径是否显著、方向对不对」，ANN 管「非线性条件下谁更重要、两种方法是否指向同一结论」。

数据收集

马来西亚大学生在线问卷调查。目标人群：用过生成式 AI 做学术活动的马来西亚高校学生；因无现成抽样框，采用目的性非概率抽样（不按学校、公私立、学科做比例配额）；问卷开头设筛选题确认「熟悉生成式 AI 且有使用经验」。有效样本 395 人。

研究样本

N=395 名马来西亚大学生：女性 57.47%、男性 42.53%；18–24 岁 47.09%、25–34 岁 34.43%、35–45 岁 15.44%；学历以本科为主（46.84%），硕士 28.86%、博士 10.89%；年级以大二（31.14%）、大三（27.09%）为主。全部有生成式 AI 使用经验：常用 45.06%、自称熟练/专家 32.91%、用过几次 22.03%；使用频率每周 51.40%、每天 17.47%、每月 24.55%。

测量工具

全部构念为反映型测量（题项载荷均 >0.70）：感知拟人化、感知生命感、感知智能感（Bartneck 等 godspeed 测量传统）；采纳的支持理由与反对理由（BRT 测量传统）；态度；自报生成式 AI 使用；自评学习表现。性别、年龄、学历、年级等仅作样本画像描述，不进结构路径。

信效度检验

测量质量：所有构念 Cronbach‘s α 与 CR 均 >0.70；题项载荷全部 >0.70；AVE 全部 >0.50（聚合效度达标）；HTMT 全部 <0.90（区分效度达标），交叉载荷提供旁证。解释力：态度 R²=64.7%、自报使用 R²=48.0%、自评学习表现 R²=24.9%。样本外预测（PLSpredict）：态度 Q²predict=0.636、使用 0.521、学习表现 0.205，且 PLS-SEM 的 RMSE 优于线性基准——预测力不是过拟合的产物。

假设检验

路径系数（PLS-SEM，5000 bootstrap）：

H1 支持：拟人化 → 态度 β=0.235（p<0.001, f²=0.074）。

H2 支持：生命感 → 态度 β=0.265（p<0.001, f²=0.096）。

H3 支持：智能感 → 态度 β=0.204（p<0.001, f²=0.055）。

H4 支持：支持理由 → 态度 β=0.300（p<0.001, f²=0.135）——七条路径里效应量最大。

H5 不支持：反对理由 → 态度 β=−0.067（p=0.083, n.s.）——顾虑（准确性、批判性思维退化、技术门槛）没有显著转化为更差的态度。

H6 支持：态度 → 自报使用 β=0.693（p<0.001, f²=0.923，全模型最强路径）。

H7 支持：自报使用 → 自评学习表现 β=0.499（p<0.001, f²=0.332）。

七条中六条成立。ANN 补充（10 折交叉验证）：态度预测因子的归一化重要度——支持理由 97.78%（第 1）> 生命感 78.31%（第 2）> 智能感 67.42%（第 3）> 拟人化 65.56%（第 4）。与 PLS 排序前两位完全一致，后两位互换（拟人化 PLS 第 3 / ANN 第 4；智能感 PLS 第 4 / ANN 第 3）——两种方法大方向互相印证，同时提示拟人化与智能感的相对权重存在非线性成分。

研究结论

核心发现是「理由的不对称性」：在已经有真实使用经验的学生里，支持的理由（感知到的学习价值）主导态度——神经网络重要度 97.78% 排第一；反对的理由（怕不准、怕削弱批判性思维、怕技术门槛）对态度几乎没有统计影响。作者的解释：老用户早已发展出「绕开毛病」的使用策略，且当学术收益大于感知风险时，人会容忍已知缺陷——支持与反对的理由并不是等量反向的两股力，这为 BRT 划出了一个潜在边界条件。另一条主线：AI 的类人属性集体抬高态度（其中生命感最强 β=0.265），态度 → 使用的路径极强（β=0.693），使用再连到自评学习表现（β=0.499）。给教育者与产品方的提示：想让 AI 用出学习效果，光讲功能没用，要在「感知学习价值」上做文章——让学生真的体验到它帮自己学到了东西；同时，拟人化的对话体验会系统性抬升好感。边界提醒：这是自评 + 横截面数据，只谈关联不谈因果；H5 不显著不等于风险不重要，作者也明说了这点。

研究局限

① 横截面 + 自评数据——只能谈关联不能谈因果；使用与学习表现均为自我报告，存在共同方法偏差与社会期许偏差风险；

② 目的性非概率抽样，代表性受限，且仅限马来西亚一国，向其他文化/教育制度/普及度不同的地区外推需谨慎；

③ 筛选条件要求有使用经验，样本中常用/专家用户占近八成——这可能正是 H5 不显著的原因之一（老用户耐受缺陷），对新手群体的结论可能不同；

④ 「生成式 AI」按整体界定、未区分具体平台，不同工具的属性差异被平均掉了；

⑤ 自评学习表现不等于客观学业成绩，两者可能不一致。

未来展望

跨国比较（发达 vs 发展中教育体系）；纵向或实验设计确证因果（如操纵拟人化/生命感线索测态度变化）；用客观学习结果（成绩、作业质量）替代自评；按具体平台/工具细分比较；检验「使用经验水平」是否调节反对理由的作用（H5 的边界条件）；扩展 BRT 纳入更多 AI 特定知觉属性与非线性建模——作者已示范 SEM+ANN 组合的方法论价值。

金句

反对的理由拦不住用 AI 的心——对已经用上手的学生来说，支持的理由一个人说了算。

— 研究模型图

欢迎关注我的视频号

（❤️会不定期更新AI工具哦❤️）

三连一下，不失联！