XiaoMi-AI文件搜索系统
World File Search SystemUTAUT
人工智能辅助学习环境接受意愿影响因素探究——基于UTAUT模型与感知风险理论的实证研究
人工智能技术已广泛应用于许多领域，人工智能辅助学习环境已在课堂中实施，以促进教学模式的创新。然而，大学生对人工智能辅助学习环境的接受意愿（WTA）却被忽视。探索影响大学生使用人工智能意愿的因素可以促进人工智能技术在高等教育中的应用。本研究基于技术接受与使用统一理论（UTAUT）和感知风险理论，确定了影响学生使用人工智能意愿的六个因素，以分析它们与WTA人工智能辅助学习环境的关系。构建了一个包含六个假设的模型来检验影响学生WTA的因素。结果表明，大学生对人工智能辅助学习环境的构建表现出“弱拒绝”。努力期望（EE）、成绩期望（PE）和社会影响（SI）均与大学生WTA人工智能辅助学习环境呈正相关。心理风险（PR）对学生的WTA有显著的负面影响。本研究的结果将有助于开展风险沟通，从而促进人工智能辅助学习环境的建设。
DOI：https://doi.org/10.48009/3_iis_2024_119 研究学术界对生成人工智能的采用：UTAUT 的观点 Adam Patterson
过去几年，人工智能 (AI) 技术在高等教育机构中发展迅速，引发了人们对这些计算机系统的使用和潜在接受因素的质疑。本研究利用先前建立的技术接受和使用统一理论 (UTAUT) 模型，调查了学生采用生成式 AI 工具（也称为聊天机器人）的特点。使用从 74 名受访者的调查中收集的数据部署了偏最小二乘回归 (PLSR) 模型，以检查哪些 UTAUT 构造正在影响本科生对生成式 AI 工具的使用行为。了解 AI 接受的因素对教育工作者很有价值，因为他们可以设计课堂干预措施以提高学生群体（尤其是延迟用户）的学术和专业潜力。此外，对采用属性的洞察可能有助于了解 UTAUT 框架下的生成式 AI 接受度。结果表明，生产力提高、导师观点、同行使用和执行任务的广泛性推动了生成式 AI 在学术环境中的采用。此外，实证结果发现，性别和年龄等人口统计数据并不是影响生成式 AI 使用的因素。建议未来的研究将本研究的结果与基于价值的采用模型 (VAM) 进行比较，以证实学生在边际效益与边际成本权衡环境中采用的特征。关键词：生成人工智能、技术采用、UTAUT、本科生、教育
医疗保健中的人工智能
综合管理硕士论文 标题：医疗保健中的人工智能：医疗保健专业人员对基于人工智能的支持系统的接受度 作者：Julia Floruss 和 Nico Vahlpahl 导师：Dinara Tokbaeva 日期：2020-05-16 关键词：人工智能、医疗保健、技术接受度、UTAUT 摘要
确定受心脏病影响患者的数字心脏康复及其影响因素的接受
摘要：背景：心脏病是全球健康问题，受影响人的患病率越来越多。心脏事件后的康复效果不足，尽管有效。数字干预措施可能是传统心脏康复的有用补充。目的：本研究旨在评估移动健康（MHealth）心脏康复的接受，并研究缺血性心脏病和充血性心力衰竭患者接受的潜在因素。方法：从2021年11月至2022年9月进行了横断面研究，n = 290例患者。社会人口统计学，医学和与eHealth相关的数据。应用了统一的技术接受和使用理论（UTAUT）。的群体差异，并进行了多个分层回归分析。结果：MHealth心脏康复的总体接受度很高（M = 4.05，SD = 0.93）。患有精神疾病的个体报告的接受程度明显更高（t（288）= 3.15，p adj = 0.007，d = 0.43）。抑郁症状（β= 0.34，p <0.001）;数字置信（β= 0.19，p = 0.003）;绩效期望值（β= 0.34，p <0.001），预期努力（β= 0.34，p <0.001）和社会影响（β= 0.26，p <0.001）的UTAUT预测因素（β= 0.34，p <0.001）显着预测了接受。扩展的UTAUT模型解释了接受差异的69.5％。结论：由于接受与MHealth的实际使用有关，因此本研究中发现的高水平的接受度是未来在心脏康复中实施创新的MHealth提供的有前途的基础。
员工对人工智能集成 CRM 系统的接受度
海湾校区，斯旺西，SA1 8EN，英国 {ykdwivedi@gmail.com;ykdwivedi@swansea.ac.uk} 摘要 人工智能 (AI) 集成的客户关系管理 (CRM) 系统可以通过识别和留住最佳客户来最大化公司的价值。这种先进技术的成功取决于员工的采用。然而，关于研究员工对 AI 集成 CRM 系统的接受度的研究很少。因此，本研究尝试提出一个概念模型来预测员工在组织中使用 AI 集成 CRM 系统的使用行为。本研究采用元 UTAUT 模型作为理论视角，并使用兼容性、CRM 质量和特定于组织环境的 CRM 满意度等构造扩展了该模型。未来的研究人员可以使用从使用 AI 集成 CRM 系统的员工那里收集的数据对所提出的模型进行实证测试 关键词：AI- CRM、CRM 质量、CRM 满意度；用户行为；UTAUT 模型
探索区块链在食品安全中的应用
食品行业采用区块链将带来业务运营的重大转变。本研究对企业和消费者之间的两级利益相关者进行了比较，以了解哪组在采用区块链技术时优先考虑什么。该研究采用两级实证方法，每组有 150 名参与者，将技术接受和使用统一理论 (UTAUT) 扩展到信任。研究结果表明，企业管理者优先考虑区块链性能优势，包括降低成本、优化流程和供应链透明度，以实现组织效率目标。然而，消费者相信区块链的可追溯性和可追溯性可以确保食品安全。这种差异强调有针对性的区块链实施和营销计划。该研究强调性能和信任。但是，样本量限制和便利抽样得到了解决。UTAUT 通过强调对安全的信任是食品业务的关键因素而得到扩展，为管理人员和政策制定者提供了促进区块链采用的实用见解。
引用（APA）：Ehrari，H.，Ulrich，F。，＆Andersen，H。B.（2020）。信息技术接受的关注和权衡：TH
在本文中，我们提出了一种新的动机模型，通过将自决理论（SDT）与统一的技术接受和使用理论（UTAUT）融合在一起。使用探索性方法，我们研究了人类动机决定因素如何影响技术接受的安全与隐私之间的权衡。我们将斯堪的纳维亚医疗保健环境作为我们的经验开始，并探讨了丹麦老年人如何看待基于传感器的电子卫生监测器技术来监视其健康状况。丹麦市政当局已开始使用这些技术来识别预警信号，从而通过使人们更加自力更生和减少不必要的住院来提高护理和生活质量。但是，在实施这些技术时，需要考虑有关隐私与安全的道德问题。在监视了21名受访者（平均年龄：85）之后，在九周内独立生活在家中，我们就他们对隐私和安全的担忧进行了采访。我们发现，如果受访者尊重自主权和个人诚信，以及基于传感器的监控的好处超过与健康相关的威胁，则受访者愿意妥协其隐私。我们使用这些发现和理论的开始来创建一种新颖的模型，该模型在使用UTAUT时考虑了人类的动力。
引导人工智能在高等教育中的应用
随着教育 4.0 的到来，人工智能 (AI) 与高等教育的融合日益普遍，反映了数字技术对当代教育模式的广泛影响。鉴于这种变革性转变，这篇概念性文章提出全面调查高等教育机构本科生采用人工智能的情况。本研究借鉴技术接受和使用统一理论 (UTAUT) 的强大理论框架，旨在阐明 UTAUT 模型中关键变量（即绩效期望、努力期望、社会影响和促进条件）之间错综复杂的相互作用，这些变量对学生在教育过程中采用人工智能的态度和行为意图产生了影响。通过采用定量研究设计，本研究将利用结构方程模型 - 偏最小二乘法 (SEM-PLS) 严格分析收集的数据。这样的调查至关重要，因为它致力于揭示和理解学生采用人工智能趋势的细微动态，从而使教育机构能够主动应对潜在挑战并利用与人工智能整合相关的新兴机遇。此外，本研究旨在在实证检验之前就上述变量之间的潜在联系进行细致入微的讨论，从而丰富围绕高等教育采用人工智能的学术讨论。
教师人工智能教学整合调查
摘要 学术界对人工智能 (AI) 的争论日渐激烈，这要求我们了解影响教师整合这一新兴技术决定的因素。然而，对这一现象的研究仍然存在，特别是在 K-12 环境中。因此，这项描述性相关研究旨在确定教师整合 AI 教育技术的决定因素。这项工作以技术接受和使用统一理论 (UTAUT) 的原则为基础。通过全民调查选出的高中教师接受了经过验证的问卷调查。对收集的数据进行回归分析，以衡量多种因素对教师整合 AI 的影响。研究结果表明，教师整合 AI 教育技术的决定在很大程度上取决于绩效期望、努力期望、社会影响和便利条件。该研究强调了校长和同事的支持、AI 投资以及 AI 开发人员的参与对于成功将 AI 整合到教育环境中的重要性。关键词：人工智能、行为意图、K-12 教育、教学整合、UTAUT 引言 人工智能 (AI) 在当前工业革命中的出现正在引发教育领域的范式转变。根据 Pantelimon 等人 (2021) 的说法，人工智能是教育中适应当前工业革命需求的必要技术。Abulibdeh 等人 (2024) 指出，人工智能在教育中的主要目标是创造
研究AI焦虑与中学生AI行为意图之间的关系的研究
摘要：人工智能（AI）为英语提供了新的工具和方法作为外语（EFL）学习，但它也带来了新的风险和挑战，例如AI焦虑。随着AI在EFL学习中逐渐采用的AI焦虑，带来了各种问题。为了帮助教育工作者了解学生的关注，并促进了中学生EFL学习的AI使用，本研究采用了统一的技术接受和使用理论（UTAUT）（UTAUT）和AI焦虑的相关方面作为理论基础。随后，本研究分析了中学生AI焦虑的状况及其与学生使用AI EFL学习工具的行为意图的关系。数据是通过在线平台收集的，中国北京的中学学生有293个有效的回答。验证性因素分析（CFA）和结构方程模型（SEM）用于分析数据。量表的有效性和可靠性对九种结构感到满意：预期性能，预期努力，社会影响力，促进条件，行为意图，AI学习焦虑，就业替代焦虑，社会技术失明焦虑和AI配置焦虑。表明的结果：（1）预期绩效，预期努力，社会影响力和促进条件都可以在不同程度上积极预测行为意图，而社会影响力则具有最强的影响； （2）AI学习焦虑和替代工作焦虑可能会通过中间变量间接和负面地预测行为意图。基于分析，研究表明，教育者不仅应通过全面的AI教育来培养学生的AI素养，还应通过科学的心理干预来指导学生形成正确的情绪，以便他们更好地使用AI EFL学习工具。