DOI: https://doi.org/10.3389/fpsyg.2025.1589318
PMID: https://pubmed.ncbi.nlm.nih.gov/40470015
تاريخ النشر: 2025-05-21
المؤلف: Xue Bai وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستقصي هذه الدراسة العوامل التي تؤثر على قبول المستخدمين للذكاء الاصطناعي التوليدي (GenAI) من خلال توسيع نموذج AIDUA ليشمل الشفافية التكنولوجية، توافق النظام، وإدراك التفاعل بين الإنسان والكمبيوتر. تسلط الأبحاث الضوء على عدم كفاية نماذج قبول التكنولوجيا التقليدية في معالجة الخصائص الفريدة لـ GenAI، مثل قدراته الحوارية وذكائه الإبداعي. باستخدام استبيان شمل 968 مستخدمًا، تستخدم الدراسة نمذجة المعادلات الهيكلية (SEM) ونمذجة المعادلات الهيكلية متعددة المجموعات (MGSEM) لتحليل العلاقات بين المتغيرات وتباين آليات القبول عبر مختلف الفئات السكانية وسياقات التطبيق.
تشير النتائج الرئيسية إلى أن الشفافية التكنولوجية هي أقوى مؤشر لتوقع الأداء، بينما تؤثر التأثيرات الاجتماعية سلبًا على توقع الجهد. تلعب العوامل العاطفية دورًا كبيرًا، حيث يخفف توقع الأداء من المشاعر السلبية ويزيد توقع الجهد منها، مما يؤثر في النهاية على نية الاستخدام. تكشف الدراسة أن الخصائص التكنولوجية الجوهرية تفوق التأثيرات الاجتماعية في تشكيل تقييمات المستخدمين لـ GenAI، وتؤكد على أهمية الاعتبارات العاطفية في قبول التكنولوجيا. بالإضافة إلى ذلك، تعد الخصائص الديموغرافية معتدلة بشكل كبير لعمليات القبول، مما يشير إلى الحاجة إلى تصميم مخصص واستراتيجيات ترويج مستهدفة لأنظمة GenAI. تغني هذه الأبحاث نظرية قبول التكنولوجيا وتقترح نموذج سلسلة الإدراك-العاطفة-السلوك، موضحة الدور الوسيط للعواطف في قبول المستخدمين للتقنيات المعقدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي لمحتوى الذكاء الاصطناعي المولد (AIGC) على الإنتاج الاجتماعي والحياة اليومية الفردية، مع التأكيد على قدرات نماذج الذكاء الاصطناعي في توليد محتوى متعدد الوسائط مصمم وفقًا لاحتياجات المستخدمين. لقد تقدم ظهور أدوات مثل ChatGPT بشكل كبير في تفاعل المستخدمين من خلال معالجة اللغة الطبيعية، بينما تركز منصات مثل DeepSeek على تحليل البيانات والتفكير. على الرغم من الانتشار المتزايد لأدوات AIGC، لا يزال هناك فجوة نظرية في فهم آليات قبول المستخدم، لا سيما في مقارنة الوظائف المميزة لـ ChatGPT وDeepSeek.
لمعالجة هذه الفجوة، تقترح الدراسة توسيع إطار AIDUA من خلال دمج ثلاثة متغيرات حاسمة: توافق النظام، الشفافية التكنولوجية، وإدراك التفاعل بين الإنسان والكمبيوتر. تهدف هذه الإضافات إلى تعزيز القوة التفسيرية لنماذج قبول التكنولوجيا الحالية، التي تتجاهل تقليديًا التعقيدات والميزات الديناميكية لأدوات AIGC. تؤكد الأبحاث على أهمية الشفافية في تعزيز ثقة المستخدمين والحاجة إلى تكامل سلس عبر المنصات. من خلال استخدام نمذجة المعادلات الهيكلية متعددة المجموعات (MGSEM)، تسعى الدراسة أيضًا إلى اكتشاف كيف تؤثر الخصائص الفردية، مثل العمر والتعليم، على مسارات قبول التكنولوجيا، مما يوفر رؤى لتحسين تجربة المستخدم وتصميم الأدوات في سياق AIGC.
الطرق
تحدد قسم منهجية البحث تصميم وتطوير الاستبيان المستخدم في الدراسة. وفقًا لإرشادات كلاين لحجم العينة في نمذجة المعادلات الهيكلية (SEM)، التي توصي بحجم عينة يتراوح بين 10 إلى 20 مرة من عدد المتغيرات المرصودة للنماذج المعقدة، حددت الدراسة الحد الأدنى المطلوب لحجم العينة بـ 945 استجابة صالحة بناءً على 63 متغيرًا مرصودًا. تم تطبيق مضاعف محافظ قدره 15 لضمان قوة إحصائية كافية. لتعزيز موثوقية البيانات وتقليل خطر الاستجابات غير الصالحة، تهدف الدراسة إلى جمع إجمالي 1,000 استبيان.
تم هيكلة الاستبيان في قسمين رئيسيين، كما هو موضح في الجدول 1، الذي يحدد على الأرجح البنى المحددة التي يتم قياسها. تم تصميم هذا بعناية لتعزيز الصرامة الإحصائية وقوة نتائج الدراسة.
النتائج
تشير نتائج الدراسة إلى تقييم قوي لنموذج القياس من خلال تحليل العوامل التأكيدية (CFA)، الذي أظهر أن النماذج أحادية البعد لجميع المتغيرات تفوقت بشكل كبير على النماذج متعددة الأبعاد، محققة معايير ملاءمة مقبولة: $\chi^2/df = 1.689$, RMSEA = 0.037, SRMR = 0.043, CFI = 0.949, و TLI = 0.944. كشفت تحليل الموثوقية عن اتساق داخلي قوي مع قيم ألفا كرونباخ تتراوح بين 0.81 إلى 0.92 وقيم الموثوقية المركبة (CR) بين 0.93 و 0.96. تم تأكيد الصلاحية التقاربية مع تحميلات العوامل فوق 0.70 وقيم متوسط التباين المستخرج (AVE) بين 0.74 و 0.77. تم تأسيس الصلاحية التمييزية باستخدام معيار فورنل-لاركر ونسبة الهيتروايت-مونوترايت، مع جميع قيم HTMT أقل من عتبة 0.85.
في مرحلة اختبار الفرضيات، تم استخدام نمذجة المعادلات الهيكلية (SEM) لتقييم العلاقات المقترحة. من بين 15 فرضية، تم دعم 14 منها. بشكل ملحوظ، أثر التأثير الاجتماعي إيجابيًا على توقع الأداء ($\beta = 0.109$, $p < 0.05$) وأثر سلبًا على توقع الجهد ($\beta = -0.135$, $p < 0.01$)، مما يؤكد الفرضيتين H1 و H2. على العكس، لم تؤثر الدوافع الهيدونية بشكل كبير على توقع الأداء ($\beta = 0.396$, $p = 0.76$)، مما أدى إلى رفض الفرضية H3، لكنها قللت بشكل كبير من توقع الجهد ($\beta = -0.460$, $p < 0.001$)، مما يدعم الفرضية H4. تسلط هذه النتائج الضوء على التفاعل المعقد بين التأثيرات الاجتماعية وتوقعات المستخدمين في سياق أدوات GenAI.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التطور السريع للذكاء الاصطناعي التوليدي (GenAI) وتأثيراته على قبول المستخدمين، مع التأكيد على الحاجة إلى إطار تحليلي أكثر تكاملاً يأخذ في الاعتبار كل من الخصائص التكنولوجية والاجتماعية. حددت مراجعة منهجية للأدبيات ثلاث قيود رئيسية في الأبحاث الحالية: هيمنة التحليلات ذات المنظور الواحد (إما تكنولوجي أو اجتماعي)، وعدم كفاية تغطية المتغيرات الحاسمة المتعلقة بـ GenAI، وعدم كفاية نماذج قبول التكنولوجيا التقليدية (TAM و UTAUT) في التقاط تعقيدات تفاعلات المستخدمين مع GenAI. تقترح الدراسة إطارًا مزدوج الجوانب يدمج البنى مثل الشفافية التكنولوجية، توافق النظام، وإدراك التفاعل بين الإنسان والكمبيوتر، والتي تعتبر أساسية لفهم آليات قبول المستخدم في هذا السياق المتطور.
علاوة على ذلك، تناقش الورقة أهمية الخصائص الاجتماعية، بما في ذلك العوامل العاطفية والتأثير الاجتماعي، في تشكيل سلوكيات قبول المستخدم. تؤكد على أن تفاعلات المستخدمين مع GenAI لا تقودها فقط التقييمات العقلانية، بل تتأثر بشكل كبير بالتصورات النفسية والاجتماعية. تدعو الدراسة إلى نهج متعدد الأبعاد يدمج هذه العوامل الاجتماعية مع الخصائص التكنولوجية، مما يعزز القوة التفسيرية للنماذج الحالية. من خلال استخدام نموذج قبول AIDUA، تهدف الأبحاث إلى تقديم فهم شامل لآليات قبول المستخدمين الخاصة بـ GenAI، مع معالجة الفجوات النظرية وتقديم رؤى للبحوث المستقبلية والتطبيقات العملية في تصميم التكنولوجيا وتنفيذها.
القيود
تعترف الورقة البحثية بعدة قيود تؤثر على النتائج المتعلقة بآليات قبول الذكاء الاصطناعي التوليدي (GenAI). أحد القيود الرئيسية هو التوزيع غير المتوازن للتعليم في العينة، حيث يمتلك 88.1% من المشاركين درجة بكاليوس أو أعلى. يثير هذا التحيز مخاوف بشأن الصلاحية الخارجية وقابلية تعميم النتائج، حيث يعكس القضية الأوسع للتقسيم الرقمي في الصين. يؤكد المؤلفون أن هذا القيد في العينة يقدم قيودًا محتملة على مستوى البنية، مما يتطلب تفسيرًا دقيقًا للنتائج.
لمعالجة هذه القيود، يقترح المؤلفون أن تستخدم الأبحاث المستقبلية استراتيجيات عينة أكثر تطورًا، مثل العينة العشوائية الطبقية وأدوات الاستبيان التكيفية، لالتقاط مجموعة أكثر تنوعًا من الخلفيات التعليمية. بالإضافة إلى ذلك، يقترحون أن تستكشف الدراسات اللاحقة التفاعلات بين اعتماد التكنولوجيا، الخلفية التعليمية، والمهارات الرقمية، بهدف تطوير أطر نظرية شاملة تأخذ في الاعتبار التباينات في سلوكيات قبول التكنولوجيا المتأثرة بالعوامل الاجتماعية والتعليمية.
DOI: https://doi.org/10.3389/fpsyg.2025.1589318
PMID: https://pubmed.ncbi.nlm.nih.gov/40470015
Publication Date: 2025-05-21
Author(s): Xue Bai et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the factors influencing user acceptance of generative artificial intelligence (GenAI) by extending the AIDUA model to include technological transparency, system compatibility, and human-computer interaction perception. The research highlights the inadequacy of traditional technology acceptance models in addressing the unique characteristics of GenAI, such as its conversational abilities and creative intelligence. Utilizing a survey of 968 users, the study employs Structural Equation Modeling (SEM) and multi-group structural equation modeling (MGSEM) to analyze the relationships among variables and the heterogeneity of acceptance mechanisms across different user demographics and application contexts.
Key findings indicate that technological transparency is the strongest predictor of performance expectancy, while social influence negatively impacts effort expectancy. Emotional factors play a significant role, with performance expectancy mitigating negative emotions and effort expectancy increasing them, ultimately affecting usage intention. The study reveals that intrinsic technological attributes outweigh social influences in shaping user evaluations of GenAI, and it underscores the importance of emotional considerations in technology acceptance. Additionally, demographic characteristics significantly moderate acceptance processes, suggesting the need for personalized design and targeted promotion strategies for GenAI systems. This research enriches technology acceptance theory and proposes a Cognition-Affect-Behavior chain model, elucidating the mediating role of emotions in user acceptance of complex technologies.
Introduction
The introduction of this research paper highlights the transformative impact of Artificial Intelligence Generated Content (AIGC) on societal production and individual daily life, emphasizing the capabilities of AI models to generate multimodal content tailored to user needs. The emergence of tools like ChatGPT has significantly advanced user engagement through natural language processing, while platforms like DeepSeek focus on data analysis and reasoning. Despite the growing prevalence of AIGC tools, there remains a theoretical gap in understanding user acceptance mechanisms, particularly in comparing the distinct functionalities of ChatGPT and DeepSeek.
To address this gap, the study proposes an extension of the AIDUA framework by incorporating three critical variables: system compatibility, technology transparency, and human-computer interaction perception. These additions aim to enhance the explanatory power of existing technology acceptance models, which traditionally overlook the complexities and dynamic features of AIGC tools. The research emphasizes the importance of transparency in fostering user trust and the need for seamless integration across platforms. By employing multi-group structural equation modeling (MGSEM), the study also seeks to uncover how individual characteristics, such as age and education, influence technology acceptance pathways, thereby providing insights for optimizing user experience and tool design in the context of AIGC.
Methods
The research methodology section outlines the design and development of the questionnaire used in the study. Following Kline’s guidelines for sample size in Structural Equation Modeling (SEM), which recommend a sample size of 10 to 20 times the number of observed variables for complex models, the study determined a minimum required sample size of 945 valid responses based on its 63 observed variables. A conservative multiplier of 15 was applied to ensure adequate statistical power. To enhance data reliability and mitigate the risk of invalid responses, the study aims to collect a total of 1,000 questionnaires.
The questionnaire is structured into two main sections, as detailed in Table 1, which likely delineates the specific constructs being measured. This careful design is intended to bolster the statistical rigor and robustness of the study’s findings.
Results
The results of the study indicate a robust measurement model evaluation through Confirmatory Factor Analysis (CFA), which demonstrated that unidimensional models for all variables significantly outperformed multidimensional models, achieving acceptable goodness-of-fit criteria: $\chi^2/df = 1.689$, RMSEA = 0.037, SRMR = 0.043, CFI = 0.949, and TLI = 0.944. Reliability analysis revealed strong internal consistency with Cronbach’s $\alpha$ values ranging from 0.81 to 0.92 and Composite Reliability (CR) values between 0.93 and 0.96. Convergent validity was confirmed with factor loadings above 0.70 and Average Variance Extracted (AVE) values between 0.74 and 0.77. Discriminant validity was established using the Fornell-Larcker criterion and the Heterotrait-Monotrait ratio, with all HTMT values below the threshold of 0.85.
In the hypothesis testing phase, Structural Equation Modeling (SEM) was utilized to evaluate the proposed relationships. Out of 15 hypotheses, 14 were supported. Notably, social influence positively affected performance expectancy ($\beta = 0.109$, $p < 0.05$) and negatively impacted effort expectancy ($\beta = -0.135$, $p < 0.01$), confirming hypotheses H1 and H2. Conversely, hedonic motivation did not significantly influence performance expectancy ($\beta = 0.396$, $p = 0.76$), leading to the rejection of hypothesis H3, but it did significantly reduce effort expectancy ($\beta = -0.460$, $p < 0.001$), thereby supporting hypothesis H4. These findings highlight the complex interplay between social influences and user expectations in the context of GenAI tools.
Discussion
The discussion section of the paper highlights the rapid development of Generative AI (GenAI) and its implications for user acceptance, emphasizing the need for a more integrated analytical framework that considers both technological and social attributes. A systematic literature review identified three main limitations in current research: the predominance of single-perspective analyses (either technological or social), insufficient coverage of critical variables relevant to GenAI, and the inadequacy of traditional technology acceptance models (TAM and UTAUT) in capturing the complexities of user interactions with GenAI. The study proposes a dual-faceted framework that incorporates constructs such as technological transparency, system compatibility, and human-computer interaction perception, which are essential for understanding user acceptance mechanisms in this evolving context.
Furthermore, the paper discusses the importance of social attributes, including emotional factors and social influence, in shaping user acceptance behaviors. It underscores that user interactions with GenAI are not solely driven by rational assessments but are significantly influenced by psychological and social perceptions. The study advocates for a multidimensional approach that integrates these social factors with technological attributes, thereby enhancing the explanatory power of existing models. By employing the Acceptance of AIDUA model, the research aims to provide a comprehensive understanding of user acceptance mechanisms specific to GenAI, addressing theoretical gaps and offering insights for future research and practical applications in technology design and implementation.
Limitations
The research paper acknowledges several limitations that impact the findings regarding the acceptance mechanisms of Generative AI (GenAI). A primary limitation is the skewed educational demographic of the sample, with 88.1% of participants possessing a bachelor’s degree or higher. This bias raises concerns about the external validity and generalizability of the results, as it reflects the broader issue of digital stratification in China. The authors emphasize that this sampling limitation introduces potential construct-level constraints, necessitating careful interpretation of the findings.
To address these limitations, the authors suggest future research should employ more sophisticated sampling strategies, such as stratified random sampling and adaptive survey instruments, to capture a more diverse range of educational backgrounds. Additionally, they propose that subsequent studies explore the interactions between technological adoption, educational background, and digital literacy, aiming to develop comprehensive theoretical frameworks that account for variations in technology acceptance behaviors influenced by socio-educational factors.