DOI: https://doi.org/10.1038/s41598-025-18123-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41022973
تاريخ النشر: 2025-09-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
تبحث هذه الدراسة في العوامل التي تؤثر على قبول مساعدي الذكاء الاصطناعي بين المستخدمين الصينيين، موسعة نموذج قبول التكنولوجيا (TAM) من خلال دمج ثلاثة متغيرات خارجية: المتعة الجمالية (AP)، جودة المعلومات (IQ)، ومهارات الذكاء الاصطناعي (AIS). تكشف الدراسة، المستندة إلى استبيان شمل 363 مستخدمًا وتم تحليلها من خلال نمذجة المعادلات الهيكلية (CB-SEM)، أن AP وIQ وAIS تؤثر بشكل كبير على الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEOU). ومع ذلك، بينما تؤثر AIS أيضًا على النية السلوكية (BI)، فإن AP وIQ لا تؤثران مباشرة على BI. تؤكد هذه النتائج على أهمية TAM في فهم قبول مساعدي الذكاء الاصطناعي وتوفر رؤى للمصممين لتوافق وظائف الذكاء الاصطناعي مع تفضيلات المستخدمين.
تعترف الدراسة بالقيود، لا سيما في التركيبة السكانية للعينة، مع وجود عدم توازن ملحوظ لصالح المستخدمين الأصغر سنًا والأكثر تعليمًا، مما قد ي skew قابلية تطبيق النتائج على السكان الأوسع، خاصة الأفراد الأكبر سنًا والأقل تعليمًا. يُقترح أن تتبنى الأبحاث المستقبلية طرق عينة أكثر تنوعًا وتضمين مجموعة أوسع من تجارب المستخدمين، مثل الدراسات الطولية والمقارنات عبر الثقافات، لتعزيز فهم قبول مساعدي الذكاء الاصطناعي. بالإضافة إلى ذلك، يمكن أن يؤدي استكشاف عوامل أخرى مثل جودة التفاعل بين الإنسان والكمبيوتر ومخاوف الخصوصية إلى إثراء إطار البحث وإبلاغ تصميم مساعدي الذكاء الاصطناعي لتلبية احتياجات المستخدمين بشكل أفضل.
الطرق
تستخدم الدراسة البحث الاستقصائي كمنهجية رئيسية لجمع البيانات حول تصورات المستخدمين ومواقفهم ونواياهم السلوكية تجاه مساعدي الذكاء الاصطناعي. يتماشى هذا النهج مع الممارسات المعتمدة في أبحاث قبول التكنولوجيا، حيث تعمل الاستبيانات المنظمة كمصدر بيانات أساسي للتحليل الكمي. تعتبر طريقة الاستبيان فعالة بشكل خاص في العلوم الاجتماعية لاستكشاف الإدراك الذاتي والمواقف، مما يمكّن الباحثين من تحليل الآراء والدوافع التي يصعب قياسها مباشرة. أظهرت الدراسات السابقة، مثل تلك التي أجراها شياي وآخرون وتاموري وآخرون، فائدة استبيانات الاستبيان في التحقق من نماذج قبول التكنولوجيا مثل نموذج قبول التكنولوجيا (TAM) وتحديد تفضيلات المستخدمين.
تهدف البحث بشكل خاص إلى تقييم قابلية تطبيق TAM وإطاره الموسع ضمن السياق الاجتماعي والثقافي الصيني، مع التركيز على متغيرات مثل الفائدة المدركة، وسهولة الاستخدام المدركة، والمتعة الجمالية المرتبطة بمساعدي الذكاء الاصطناعي. تم تصميم الاستبيان المنظم لالتقاط تجارب المستخدمين المبلغ عنها بدقة، مما يسهل استكشاف الأنماط الشائعة في قبول التكنولوجيا عبر مجموعة متنوعة من الجغرافيا وتركيبات المستخدمين. يسمح استخدام منصة عبر الإنترنت لتوزيع الاستبيانات بجمع البيانات بسرعة، مما يضمن عينة تمثيلية ضمن إطار زمني محدود. بالإضافة إلى ذلك، تدعم الطبيعة المنظمة للبيانات التحليلات الإحصائية المتقدمة، بما في ذلك نمذجة المعادلات الهيكلية (SEM) وتحليل الانحدار، للتحقيق في العلاقات السببية واختبار تأثيرات المسار والتعديل لإطار TAM.
تستخدم الدراسة مساعد الذكاء الاصطناعي “Bean Bun” كمواد تجريبية، والذي تم تصميمه لمساعدة المستخدمين في مجموعة متنوعة من المهام، بما في ذلك العمل والحياة والدعم العاطفي. يقدم Bean Bun مجموعة من الخدمات الذكية، مثل إدارة المهام والنصائح الشخصية، ويعمل على تحسين عروضه باستمرار بناءً على تفاعلات المستخدم. تعتبر هذه التطبيق سياقًا عمليًا لفحص مواقف وسلوكيات المستخدمين تجاه تكنولوجيا الذكاء الاصطناعي.
النتائج
في هذه الدراسة، تم إجراء تحليل البيانات باستخدام SPSS v26 وAMOS v28، مع استخدام AMOS بشكل خاص لنمذجة المعادلات الهيكلية (SEM) لاستكشاف العلاقات بين المتغيرات الكامنة والملاحظة. يتم تبرير اختيار AMOS من خلال واجهته الرسومية لنمذجة البيانات وقدراته الحاسوبية الآلية، والتي تكون فعالة بشكل خاص للتحقق من نماذج نظرية معقدة مثل نموذج قبول التكنولوجيا (TAM). يعزز الاستخدام المعتمد للبرمجيات في أبحاث TAM قابلية مقارنة النتائج، كما يتضح من تطبيقه في الدراسات الرائدة من قبل فينكاتيش وآخرون وديفيس.
شمل عملية تحليل البيانات عدة خطوات رئيسية: أولاً، تم استخدام SPSS لمعالجة البيانات، مما يضمن أن مجموعة البيانات (N = 363) كانت كاملة وموزعة بشكل طبيعي، كما أكد اختبار جاركي-بيرا. بعد ذلك، تم استيراد البيانات المنظفة إلى AMOS، حيث تم بناء مخطط علاقة المسار بناءً على النموذج النظري. استمرت التحليلات مع التحقق من النموذج، بما في ذلك التحقق من نموذج القياس (بما في ذلك تحميل العوامل، ألفا كرونباخ، الموثوقية المركبة (CR)، ومتوسط التباين المستخرج (AVE)) والتحقق من النموذج الهيكلي (تقييم دلالة معامل المسار ومؤشرات ملاءمة النموذج). في النهاية، تم إنتاج نتائج موحدة لدعم نتائج الدراسة.
المناقشة
تتناول قسم المناقشة في ورقة البحث نموذج قبول التكنولوجيا (TAM) كإطار أساسي لفهم قبول المستخدمين للتكنولوجيا، لا سيما في سياق مساعدي الذكاء الاصطناعي. يفترض نموذج TAM الأصلي أن الفائدة المدركة (PU) وسهولة الاستخدام المدركة (PEOU) هما محددان حاسمان لنوايا المستخدم السلوكية. بينما تم التحقق من TAM عبر تقنيات مبكرة متنوعة، أدت قيوده في معالجة العوامل الاجتماعية والسياقية إلى تطوير نماذج موسعة مثل TAM2 وUTAUT. ومع ذلك، تختار هذه الدراسة بساطة نموذج TAM الأصلي، مشيرة إلى أنه أكثر ملاءمة لاستكشاف القبول الأولي للتقنيات الناشئة مثل مساعدي الذكاء الاصطناعي، خاصة في السياق الصيني.
تقدم الدراسة ثلاثة متغيرات إضافية – المتعة الجمالية (AP)، جودة المعلومات (IQ)، ومهارات الذكاء الاصطناعي (AIS) – لإثراء إطار TAM. يُفترض أن المتعة الجمالية تعزز من تصورات المستخدمين لكل من PU وPEOU، بينما تعتبر جودة المعلومات حاسمة لإقامة الثقة والرضا في التفاعلات مع الذكاء الاصطناعي. علاوة على ذلك، تُعتبر مهارات الذكاء الاصطناعي عاملاً مهمًا يؤثر على قبول المستخدم، حيث تمكّن المستخدمين من التفاعل بفعالية مع أنظمة الذكاء الاصطناعي. تهدف الدراسة إلى سد الفجوات الموجودة في الأدبيات من خلال تقديم أدلة تجريبية حول قبول مساعدي الذكاء الاصطناعي في سياق ثقافي غير غربي، وبالتالي توسيع قابلية تطبيق TAM وتقديم رؤى حول التفاعل بين الأبعاد العاطفية والمعلوماتية والتكنولوجية لتجربة المستخدم.
DOI: https://doi.org/10.1038/s41598-025-18123-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41022973
Publication Date: 2025-09-29
Author(s): Zhenyun Du et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
This research investigates the factors influencing the acceptance of AI assistants among Chinese users, extending the Technology Acceptance Model (TAM) by incorporating three external variables: Aesthetic Pleasure (AP), Information Quality (IQ), and AI Skills (AIS). The study, based on a survey of 363 users and analyzed through structural equation modeling (CB-SEM), reveals that AP, IQ, and AIS significantly impact perceived usefulness (PU) and perceived ease of use (PEOU). However, while AIS also affects behavioral intention (BI), AP and IQ do not directly influence BI. These findings affirm the relevance of TAM in understanding AI assistant acceptance and provide insights for designers to align AI functionalities with user preferences.
The study acknowledges limitations, particularly in sample demographics, with a notable imbalance favoring younger, more educated users, which may skew the applicability of results to the broader population, especially older and less educated individuals. Future research is suggested to adopt more diverse sampling methods and include a wider range of user experiences, such as longitudinal studies and cross-cultural comparisons, to enhance the understanding of AI assistant acceptance. Additionally, exploring other factors like human-computer interaction quality and privacy concerns could further enrich the research framework and inform the design of AI assistants to better meet user needs.
Methods
The study employs survey research as its primary methodology to gather data on users’ perceptions, attitudes, and behavioral intentions regarding AI assistants. This approach aligns with established practices in technology acceptance research, where structured questionnaires serve as a core data source for quantitative analysis. The survey method is particularly effective in social sciences for exploring subjective cognition and attitudes, enabling researchers to analyze opinions and motivations that are difficult to quantify directly. Previous studies, such as those by Xie et al. and Tamori et al., have demonstrated the utility of questionnaire surveys in validating technology acceptance models like the Technology Acceptance Model (TAM) and identifying user preferences.
The research specifically aims to assess the applicability of TAM and its extended framework within the Chinese sociocultural context, focusing on variables such as perceived usefulness, perceived ease of use, and aesthetic pleasure associated with AI assistants. The structured questionnaire is designed to capture users’ self-reported experiences accurately, facilitating the exploration of common patterns in technology acceptance across diverse geographical and user demographics. The use of an online platform for survey distribution allows for rapid data collection, ensuring a representative sample within a limited timeframe. Additionally, the structured nature of the data supports advanced statistical analyses, including structural equation modeling (SEM) and regression analysis, to investigate causal relationships and test the TAM framework’s path and moderation effects.
The study utilizes the “Bean Bun” AI assistant as its experimental material, which is designed to assist users with various tasks, including work, life, and emotional support. Bean Bun offers a range of intelligent services, such as task management and personalized advice, and continuously optimizes its offerings based on user interactions. This application serves as a practical context for examining user attitudes and behaviors towards AI technology.
Results
In this study, data analysis was conducted using SPSS v26 and AMOS v28, with AMOS specifically employed for structural equation modeling (SEM) to explore the relationships between latent and observed variables. The choice of AMOS is justified by its graphical modeling interface and automated computing capabilities, which are particularly effective for validating complex theoretical models such as the Technology Acceptance Model (TAM). The software’s established use in TAM research enhances the comparability of findings, as evidenced by its application in seminal studies by Venkatesh et al. and Davis.
The data analysis process involved several key steps: first, SPSS was utilized for data preprocessing, ensuring the dataset (N = 363) was complete and normally distributed, as confirmed by the Jarque-Bera test. Following this, the cleaned data was imported into AMOS, where a path relationship diagram was constructed based on the theoretical model. The analysis proceeded with model validation, encompassing both measurement model validation (including factor loading, Cronbach’s alpha, composite reliability (CR), and average variance extracted (AVE)) and structural model validation (assessing path coefficient significance and model fit indices). Ultimately, standardized results were generated to support the study’s findings.
Discussion
The discussion section of the research paper elaborates on the Technology Acceptance Model (TAM) as a foundational framework for understanding user acceptance of technology, particularly in the context of AI assistants. The original TAM posits that perceived usefulness (PU) and perceived ease of use (PEOU) are critical determinants of user behavioral intentions. While TAM has been validated across various early technologies, its limitations in addressing social and contextual factors have led to the development of extended models like TAM2 and UTAUT. However, this study opts for the simplicity of the original TAM, arguing that it is more suitable for exploring the initial acceptance of emerging technologies such as AI assistants, especially in the Chinese context.
The research introduces three additional variables—aesthetic pleasure (AP), information quality (IQ), and artificial intelligence skills (AIS)—to enrich the TAM framework. Aesthetic pleasure is posited to enhance user perceptions of both PU and PEOU, while information quality is crucial for establishing trust and satisfaction in AI interactions. Furthermore, AI skills are identified as a significant factor influencing user acceptance, as they empower users to effectively engage with AI systems. The study aims to fill existing gaps in the literature by providing empirical evidence on the acceptance of AI assistants in a non-Western cultural context, thereby expanding the applicability of TAM and offering insights into the interplay between emotional, informational, and technological dimensions of user experience.