DOI: https://doi.org/10.1057/s41599-026-06711-4
تاريخ النشر: 2026-04-06
المؤلف: Tiansheng Xia وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تستكشف هذه الدراسة العوامل التي تؤثر على نية المستخدمين للاستمرار في استخدام أدوات البحث المدعومة بالذكاء الاصطناعي من خلال دمج نموذج تأكيد التوقعات ونموذج قبول التكنولوجيا. أظهر استطلاع شمل 306 مشاركين أن تأكيد التوقعات، والفائدة المدركة (PU)، وسهولة الاستخدام المدركة (PEOU) تعزز بشكل كبير رضا المستخدمين (SAT). ومن الجدير بالذكر أنه بينما يؤثر SAT وPEOU إيجابياً على نية الاستمرار (CI)، وُجد أن التأثير المباشر لـ PU على CI غير ذي دلالة إحصائية. بالإضافة إلى ذلك، تؤثر الفائدة المدركة (PB) إيجابياً على كل من PU وPEOU، بينما تؤثر المخاطر المدركة (PR) إيجابياً على تأكيد التوقعات.
تسلط النتائج الضوء على العلاقات المعقدة بين PU وPEOU وPR وPB وSAT في تحديد CI لأدوات البحث المدعومة بالذكاء الاصطناعي. على وجه الخصوص، تلعب PB دوراً حاسماً في تعزيز تصورات المستخدمين، مما يدعم قبول التكنولوجيا. من ناحية أخرى، يشير التأثير الإيجابي لـ PR على تأكيد التوقعات إلى أن المستخدمين قد يسيئون تفسير المخاطر أو يختبرون آثار الجدة. تؤكد الدراسة على أهمية مراعاة تجربة المستخدم، وتصورات المخاطر، والعوامل الديموغرافية في تصميم وترويج تقنيات الذكاء الاصطناعي، مما يقترح أن على المطورين التركيز على الجوانب الوظيفية والتجريبية لتعزيز مشاركة المستخدم ورضاه.
الطرق
شملت منهجية البحث تطوير استبيان مقسم إلى قسمين: معلومات ديموغرافية وألفة مع أدوات محركات البحث المدعومة بالذكاء الاصطناعي، تلاها 34 عنصر قياس تتناول سبعة متغيرات دراسية: المخاطر المدركة (PR)، الفائدة المدركة (PB)، الثقة (CONF)، الفائدة المدركة (PU)، سهولة الاستخدام المدركة (PEOU)، الرضا (SAT)، ونية الاستمرار (CI). قام المشاركون بتقييم ردودهم على مقياس ليكرت المكون من 5 نقاط، مع عكس تسجيل مقياس PR لضمان التناسق. تم تعديل عناصر الاستبيان من مقاييس معتمدة لضمان الموثوقية مع الحفاظ على معانيها الأصلية، كما هو موضح في الجدول 1.
تم تجنيد المشاركين من خلال نهج أخذ عينات ملائمة غير احتمالية من الجامعات في الصين في أكتوبر 2024، مستهدفين الأفراد ذوي الخبرة السابقة في استخدام أدوات الذكاء الاصطناعي والاستخدام المتكرر لمحركات البحث. تم تقديم أداة البحث المدعومة بالذكاء الاصطناعي، مونيكا، لهم قبل إكمال الاستبيان، الذي تم إدارته عبر SoJump، وهي منصة صينية عبر الإنترنت. شملت استراتيجيات التجنيد قنوات عبر الإنترنت مثل WeChat وطرق غير متصلة في الأوساط الأكاديمية لتقليل التحيز المحتمل في العينة. تم تحديد حجم العينة المستهدف بأكثر من 300، مما أسفر عن جمع 322 استبياناً، منها 306 كانت صالحة بعد الفحص، مما أسفر عن معدل استجابة قدره 95.03%. تألفت العينة النهائية من 112 رجلًا (36.60%) و194 امرأة (63.40%)، معظمهم من الطلاب الجامعيين الذين تتراوح أعمارهم بين 18 و25 (88.28%)، مع 67.00% لديهم معرفة سابقة بأدوات البحث المدعومة بالذكاء الاصطناعي. أكدت دراسة تجريبية شملت 65 مستجيبًا موثوقية وصلاحية أدوات القياس قبل بدء جمع البيانات الرئيسية.
المناقشة
في هذه الدراسة، استخدم المؤلفون SPSS 27 وAMOS 27 وSmartPLS 4 لتحليل البيانات، مع التركيز على نمذجة المعادلات الهيكلية (SEM) لاستكشاف نية استمرار المستخدمين (CI) لأدوات البحث المدعومة بالذكاء الاصطناعي. أكدت التحليلات أن البيانات كانت تقريباً طبيعية وخالية من تحيز الطريقة الشائعة الكبير. أشارت تقييمات الموثوقية والصلاحية إلى اتساق داخلي عالٍ، حيث تجاوزت معاملات ألفا كرونباخ 0.8 وقيم متوسط التباين المستخرج (AVE) المقبولة. كانت مقاييس ملاءمة النموذج الهيكلي مرضية، كاشفة عن مسارات هامة لمعظم الفرضيات، باستثناء العلاقة بين الفائدة المدركة (PU) وCI، التي لم تكن ذات دلالة إحصائية. ومن الجدير بالذكر أن المخاطر المدركة (PR) أثرت إيجابياً على تأكيد المستخدمين، مما يشير إلى علاقة معقدة حيث قد تعزز المخاطر المدركة من مشاركة المستخدمين في ظل ظروف معينة.
تتحدى النتائج الآراء التقليدية من خلال إثبات أن الفوائد المدركة (PB) تعزز بشكل كبير الفائدة المدركة وسهولة الاستخدام، مما يعزز CI. من ناحية أخرى، وجدت الدراسة أن التأثير المباشر لـ PU على CI كان ضعيفًا، حيث كان رضا المستخدمين (SAT) يعمل كوسيط حاسم. وهذا يشير إلى أن تجارب المستخدمين والتقييمات العاطفية أكثر تأثيرًا في الحفاظ على المشاركة مع أدوات الذكاء الاصطناعي من الفائدة المدركة وحدها. يقترح المؤلفون أن يركز المطورون على إنشاء تصاميم مدفوعة بالقيمة والتواصل الشفاف حول المخاطر لتعزيز رضا المستخدم وثقته. تشمل القيود عينة متجانسة من الطلاب، مما يشير إلى الحاجة إلى مزيد من البحث عبر مجموعات مستخدمين متنوعة للتحقق من هذه الرؤى في سياقات أوسع. بشكل عام، تسهم الدراسة في فهم قبول التكنولوجيا من خلال دمج المخاطر والفوائد المدركة في الأطر المعتمدة لنموذج قبول التكنولوجيا (TAM) ونموذج تأكيد التوقعات (ECM).
DOI: https://doi.org/10.1057/s41599-026-06711-4
Publication Date: 2026-04-06
Author(s): Tiansheng Xia et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This study investigates the factors influencing users’ continuance intention toward artificial intelligence-assisted search tools by integrating the expectation confirmation model and the technology acceptance model. A survey of 306 participants revealed that expectation confirmation, perceived usefulness (PU), and perceived ease of use (PEOU) significantly enhance user satisfaction (SAT). Notably, while SAT and PEOU positively influence continuance intention (CI), the direct effect of PU on CI was found to be statistically insignificant. Additionally, perceived benefit (PB) positively impacts both PU and PEOU, while perceived risk (PR) positively affects expectation confirmation.
The findings highlight the intricate relationships among PU, PEOU, PR, PB, and SAT in determining CI for AI-assisted search tools. Specifically, PB plays a crucial role in enhancing user perceptions, thereby supporting technology acceptance. Conversely, the positive effect of PR on expectation confirmation suggests that users may misinterpret risks or experience novelty effects. The study emphasizes the importance of considering user experience, risk perceptions, and demographic factors in the design and promotion of AI technologies, suggesting that developers should focus on both functional and experiential aspects to foster user engagement and satisfaction.
Methods
The research methodology involved the development of a questionnaire divided into two sections: demographic information and familiarity with AI-assisted search engine tools, followed by 34 measurement items addressing seven study variables: perceived risk (PR), perceived benefit (PB), confidence (CONF), perceived usefulness (PU), perceived ease of use (PEOU), satisfaction (SAT), and continuous intention (CI). Participants rated their responses on a 5-point Likert scale, with the PR scale reverse scored for consistency. The questionnaire items were adapted from established scales to ensure reliability while maintaining their original meanings, as detailed in Table 1.
Participants were recruited through a nonprobability convenience sampling approach from universities in China in October 2024, targeting individuals with prior experience using AI tools and frequent search engine usage. They were introduced to the AI-assisted search tool, Monica, before completing the survey, which was administered via SoJump, a Chinese online platform. Recruitment strategies included online channels like WeChat and offline methods in academic settings to mitigate potential sampling bias. A target sample size of over 300 was set, resulting in 322 collected questionnaires, of which 306 were valid after screening, yielding a response rate of 95.03%. The final sample comprised 112 men (36.60%) and 194 women (63.40%), predominantly undergraduate students aged 18 to 25 (88.28%), with 67.00% having prior knowledge of AI-assisted search tools. A pilot study with 65 respondents confirmed the reliability and validity of the measurement instruments before the main data collection commenced.
Discussion
In this study, the authors employed SPSS 27, AMOS 27, and SmartPLS 4 for data analysis, focusing on the structural equation modeling (SEM) to explore users’ continuance intention (CI) for AI-assisted search tools. The analysis confirmed that the data were approximately normal and free from significant common method bias. Reliability and validity assessments indicated high internal consistency, with Cronbach’s alpha coefficients exceeding 0.8 and acceptable average variance extracted (AVE) values. The structural model fit metrics were satisfactory, revealing significant paths for most hypotheses, except for the relationship between perceived usefulness (PU) and CI, which was not statistically significant. Notably, perceived risk (PR) positively influenced users’ confirmation, suggesting a complex relationship where perceived risks may enhance user engagement under certain conditions.
The findings challenge traditional views by demonstrating that perceived benefits (PB) significantly enhance perceived usefulness and ease of use, thereby promoting CI. Conversely, the study found that the direct effect of PU on CI was weak, with user satisfaction (SAT) serving as a critical mediator. This indicates that user experiences and emotional evaluations are more influential in sustaining engagement with AI tools than perceived usefulness alone. The authors propose that developers should focus on creating value-driven designs and transparent risk communication to enhance user satisfaction and confidence. Limitations include a homogeneous sample of students, suggesting the need for further research across diverse user groups to validate these insights in broader contexts. Overall, the study contributes to the understanding of technology acceptance by integrating perceived risks and benefits into the established frameworks of the Technology Acceptance Model (TAM) and Expectation Confirmation Model (ECM).