在線教學(真人vs AI)對學生使用意愿的影響

范苗苗 呂 巍

(上海交通大學 安泰經濟與管理學院，上海 200030)

本研究探討在線教育中消費者使用意愿的作用路線：通過對比真人和AI兩種授課模式對消費者使用意愿的影響，希望補充和豐富對在線學習領域消費者決策的理論理解，并從實踐意義出發為正在進行在線教育AI產品開發的企業提供設計、營銷推廣建議，提出干預措施，以提高消費者對AI在線學習模式的接受度。

1 理論基礎與研究假設

1.1 在線教學(真人 vs AI)與學生使用意愿的關系

目前對在線AI教學的研究主要聚焦在學習風格檢測、認知水平表征、學習行為模式挖掘及學習興趣識別等方面，從自動化心理學角度探討使用意愿的研究很少。但已有不少學者研究過各領域人工智能服務和真人服務提供的接受態度：鑒于人類直覺更精確，人們應該遵循統計模型的建議，然而在大多數的情況下，人們反而更傾向于相信人類直覺(Castelo，2018)。消費者更愿意依賴朋友而不是計算機推薦系統來提供關于書籍、電影和笑話的建議(Sinha和Swearingen，2001)。人們對人類專家給出的建議比對統計模型的重視程度更高(Oenkal等，2010)。對AI服務提供者的抵制研究已經在多個領域被探索，包括預測員工績效(Kuncel等，2013)、欺詐(Boatsman等，1997)、犯罪(Kleinberg 等，2017)和消費者偏好(Yeomans等，2019)。然而，在教育背景下現有的研究是有限的，真人教學以經驗教學為主，情感和創新是其優勢；人工智能自適應學習系統，以學生學習數據為基礎，精準和速度是其優勢。學生作為不變的學習主體，當其情感受到關注和重視，創新性得到激發和鼓勵時，其學習效率和精準度才會有更加明顯的提高，學生也更傾向于在有情感和創新的教學環境中進行學習。我們不能高估或低看人工智能在教育中的應用，而應重點探索其在教育場景中所扮演的教師角色(余勝泉，2018)。據此，本文提出以下假設：

H1：相比于真人教學，學生對應用了AI教學的在線教育產品使用意愿更低。

1.2 獨特性忽視的中介作用

獨特性忽視指的是消費者對個體自身獨特的性格、所處環境、特征/狀態被忽視的擔憂。醫學領域已有研究表明，相比于真人醫生，消費者會更抵觸人工智能醫療服務提供者，因為人工智能醫療服務提供者更大程度地引起了消費者對自己獨特的特性、所處環境、特征和狀態被忽視的擔憂。獨特性忽視來自于兩個基本信念之間的不匹配：用戶總認為自己是獨一無二的，不同于其他人(Snyder和Fromk，1980)；人們傾向于將自己的觀點、信仰、態度、技能和特征視為獨特的(Kruger，1999)。但與此同時用戶認為機器沒有認知靈活性的能力。認知靈活性指的是認知過程適應環境中處理新的和意外情況的能力(Canas，2003)。機器只能以標準化和死記硬背的方式運行，以同樣的方式對待每一個案例(Haslam，2006)。威脅自我獨特性的情況會導致焦慮感并促使人們從事旨在恢復他們期望的自我獨特性的行為(Sensoning和Brehm，1968)

在實現個性化學習的過程中對學生的精準理解是成功開展“因材施教”的前提(楊宗凱，2019)。以往關于在線教育的心理學研究中，一般從常見的學習動機、自我效能感等維度去分析，很少有從獨特性忽視角度出發，去探究學生心理對在線教育產品使用意愿的影響，據此提出以下假設：

H2：獨特性忽視中介了在線教學(真人 vs AI)對學生使用意愿的影響，相比真人教學，學生在使用AI教學產品時產生的獨特性忽視水平更高，獨特性忽視水平越高，學生的使用意愿越低。

1.3 任務復雜度的調節作用

任務復雜度直接取決于任務施加給學習者的認知要求，這些要求主要靠學習者用于在線任務處理的認知資源來滿足(Robinson，2001)。任務復雜度區別于任務難度，它不受學習者個人差異的影響。研究表明在線課程設計中，任務復雜度取決于獲取信息的方式：邊看圖邊將圖畫內容講述出來相對先看完圖畫之后再無圖畫直接敘述內容要容易(Robinson，1995)。根據信息需求，將任務從難到易分為五個等級，最簡單的是“例行公事”，而對于復雜任務，人們無法在之前預測執行任務所需的各種信息(Bystrom和Jarvelin，1994)。研究證明任務特征會影響人工智能的采用，任務越復雜，完成任務所需的時間和精力投入要求越多，任務的結果更重要的時候，相較于使用AI，人們更傾向于依賴真人(Castelo，2019)。本文中的任務復雜度就是任務完成的復雜程度，是個體在完成任務時所需要投入的時間和精力等。基于以上，本文提出：

H3：當任務復雜度高時，學生對應用了真人教學的在線教育產品使用意愿顯著高于應用了AI教學的在線教育產品；當任務復雜度低時，無論在線教育產品應用了AI還是真人教學，學生的使用意愿沒有顯著差異。

1.4 任務屬性的調節作用

Castelo(2019)的研究里提到了任務客觀性這個概念，他把主觀任務定義為基于個人意見或直覺，需要發揮個人創造力的任務，而客觀任務指的是可量化，基于邏輯和規則分析的任務。消費者不喜歡依賴算法完成通常由人類完成的任務，特別是對那些在本質上看起來是主觀的任務依賴較少。相較于主觀任務，當人們對任務類型感知到是客觀的時候，更傾向于依賴算法(Castelo，2018)。由此，在教育中不同課程的任務屬性是不一樣的。具體來說，擁有偏客觀屬性的課程特點為基本都有固定的答題思路和分析方法，并且練習結果容易被量化。而擁有偏主觀屬性的課程特點強調學生發揮自己的獨特創意，有自己的想法，并且對老師也提出了一定的要求，即要有較高的理解力和共情力，針對學生的不同特性因材施教地進行教學。因此，提出以下假設：

H4：任務屬性為主觀時，學生對應用了真人教學的在線教育產品使用意愿顯著高于AI教師；當任務屬性為客觀時，無論在線教育產品應用了真人還是AI，消費者使用意愿都沒有顯著差異。

綜上，研究模型見圖1。

圖1 研究模型

2 研究設計與結果

本研究主要采用消費者行為中實驗研究的方法，使用在線問卷進行數據收集。每組實驗對受試隨機分配不同類型的問卷來實現組內受試間的獨立性。實驗設置了實驗組和控制組，每份問卷均包括背景闡述、一個在線教學視頻案例參考和相關變量的測量問題等。本研究通過四個實驗來驗證假設，實驗1測量在線教學(真人 vs AI)對學生使用意愿的影響及其中介作用，實驗2測量任務復雜度的調節作用，實驗3測量任務屬性的調節作用。

2.1 實驗1

2.1.1實驗設計

首先，參與者被隨機分配到在線教育產品真人一對一教學和AI一對一教學情境模式，緊接著參與者將會觀看一段視頻來了解和體驗在線教育產品中真人/AI教學類型模式，然后參與者將被要求想象使用該在線教育產品進行英語課程的學習，并完成在線學習過程中獨特性忽視測項。該測項是在參考國內外學者對于獨特性忽視的研究，以及結合人工智能引起的獨特性忽視(Chiare等，2019)量表基礎上總結出的量表，并針對在線教育平臺的實際情況進行了修改，形成最終的測量問卷。測項包括“學習過程中，真人老師/AI老師可以識別到我上課實時的學習狀態和情緒并及時做出相應的調整”“學習過程中，真人老師/AI老師可以識別到我的知識薄弱環節以此針對性進行相應輔導和教學，并會對我不懂的問題及時回復解答”“學習過程中，真人老師/AI老師可以精準評估出我個人的學習能力水平，并根據我過往的學習情況和當下目標制定出符合我個人的學習計劃和學習報告”(7點量表，1=非常不同意，7=非常同意)。接下來，根據TAM模型，在改編Davis和Venkatesh研究的基礎上形成使用意愿量表，一共三個題項，包括“我有使用這個產品來進行在線學習的意愿”“我打算今后使用這個產品來進行在線學習”“我覺得以后我會使用這個產品進行在線學習”(7點量表，1=非常不同意，7=非常同意)。最后填寫個人信息項，主要包括性別、年領、受教育水平等。

2.1.2實驗被試

本次最終回收有效問卷117份，其中男性用戶52名，占比為46%，女性用戶65名，占比為54%。從年齡上來看，112名用戶處于18～30歲，占比96%，是填寫問卷的主要人群。從受教育水平來看，研究生及以上的填寫人數為26人，占比22%，本科生填寫人數為79人，占比68%。

2.1.3結果與討論

我們對使用意愿進行單變量方差分析，檢驗主效應的顯著性(見圖2)。結果顯示，不同教師類型對使用意愿的影響顯著。具體而言，在線學習產品中應用真人教學(M=5.62，SD=0.78)相比應用AI教學(M=2.18，SD=0.83)，被試對真人教學產品的使用意愿更高(p<0.000)。H1得證。

圖2 在線教學(真人 vs AI)對學生使用意愿的影響

采用Bootstrap法來驗證獨特性忽視在教師類型和學生使用意愿之間的中介效應。將AI教學編碼為1，真人教學編碼為0，樣本量選擇5000，在95%置信度的情況下選擇Process 模型4。結果表明，獨特性忽視的間接效應不包含0(LLCI=-2.8983，ULCI=-0.7168)，中介效應存在。H2得證。

2.2 實驗2

2.2.1實驗設計與前測

本實驗采用2(在線教學：真人vs AI)x 2(任務復雜度：復雜vs.簡單)的雙因素組間設計，共設計4套問卷，參與者被隨機分配到4套問卷中的一套。首先參與者將會觀看實驗1中的視頻來了解和體驗在線教育產品中真人/AI教學模式，然后參與者將被告知需要使用該產品完成在線托福課程的學習和課程完成后需要達到的目標。

為了篩選出具有顯著復雜度差別的課程，我們選擇50名來自海高校的同學作為參與者進行前測實驗。參與者首先被分為兩組被要求想象參加托福在線學習，并且被告知完成學習后需要達到的目標(復雜目標和簡單目標)，復雜組設置為需要提高一定的分數且需要達到一定的能力目標，簡單組沒有分數要求且要求達到的能力目標為基礎目標。接下來進行任務復雜度的測量。任務復雜度主要參考Locke和Latham(2002)的問卷進行測量，結果顯示，復雜目標(M=5.03，SD=1.36)為高任務復雜度，簡單目標(M=3.04，SD=1.25)為低任務復雜度，且兩者都能通過顯著性檢驗(p<0.05)，說明實驗成功操縱了課程屬性。課程完成需要達到的目標，接下來按照實驗1填寫關于獨特性忽視和使用意愿的問卷，即本實驗中的中介變量和因變量量表，使測量方法與實驗2相同。

2.2.2實驗被試

本次最終回收有效問卷208份，其中男性用戶101名，占比為49%，女性用戶107名，占比為51%。從年齡上來看，190名用戶處于18～30歲，占比91%，是填寫問卷的主要人群。從受教育水平來看，研究生及以上的填寫人數為30人，占比14%，本科生填寫人數為150人，占比72%。

2.2.3結果與討論

采用SPSS的Process插件檢驗獨特性忽視在授課場景和學生使用意愿之間的中介效應，以及任務復雜度在授課教師類型和獨特性忽視之間的調節作用，將AI教學編碼為1，真人教學編碼為0，將任務復雜度的復雜組編碼為1，簡單組編碼為0。采用Model 7來進行建模，樣本量選擇5000，95%的置信區間。

結果顯示，在線教師類型和任務復雜度的交互項能夠顯著預測獨特性忽視(LLCI=1.1071，ULCI=2.2039)，表明任務復雜度在教師類型和獨特性忽視之間起調節作用。在中介效應中，加入中介變量之后，獨特性忽視能夠顯著預測學生使用意愿(LLCI=-0.9005，ULCI=-0.7261)。當任務復雜度為復雜時(LLCI=1.8550，ULCI=-1.0573)，中介效應為-1.4509；當課程屬性為客觀時(LLCI=-0.6685，ULCI=-0.1999)，中介效應為-0.4311，表明被調節的中介效應顯著，假設2再次得到驗證。

最后，檢驗任務復雜度的調節效應，對使用意愿進行單變量方差分析。結果表明，任務復雜度的主效應不顯著(p=0.488)，教師類型與任務復雜度的交互作用顯著(p<0.000)。具體來說，任務復雜度高時，學生對真人教學在線學習產品使用意愿顯著高于AI教學在線學習產品(M真人教學=5.72，MAI教學=3.05，p<0.000)；任務復雜度低時，學生對真人和AI教學在線學習產品使用意愿無顯著差異(M真人教學=5.77，MAI教學=5.48，p=0.012)，假設3得到驗證。

2.3 實驗3

2.3.1實驗設計與前測

由于本實驗的調節變量為任務屬性的主客觀程度，同一門課程往往具有雙重屬性，即既具有主觀屬性又具有客觀屬性，只不過可能在不同特征上的偏向會有所不同。為了篩選出具有顯著屬性差別的課程，我們選擇42名來自上海高校的同學作為參與者進行前測實驗。前測實驗為組間設計，參與者首先被安排閱讀一段關于主觀屬性和客觀屬性的定義，即“主觀屬性被定義為可接受解釋并基于個人意見或直覺，客觀屬性被定義為涉及可量化和可測量的事實”(Noah & Donald，2019)。然后邀請參與者根據該定義分別對四種課程的屬性類型進行打分。為了排除其他因素的干擾，選擇的課程通常為大學必修或近幾年廣為大眾熱門熟知的課程，分別為高等數學、文案寫作、Python編程、馬克思主義基本原理。其中1分表示該課程為完全客觀性屬性，7分表示該課程為完全主觀性屬性。最終選取得分均值最高的課程為本實驗中擁有主觀屬性的課程，得分均值最低的課程作為本實驗中擁有客觀屬性的課程。結果顯示，寫作課(M=5.27，SD=0.94)為主觀屬性課程，高等數學(M=2.97，SD=1.25)為客觀屬性課程，且兩者都能通過顯著性檢驗(p<0.05)，說明實驗成功操縱了課程屬性(見圖3)。

圖3 實驗3結果

本實驗采用2(授課教師類型：真人vs AI)×2(任務屬性：主觀vs客觀)的雙因素組間設計，共設計4套問卷，參與者被隨機分配到4套問卷其中的一套。首先參與者將會觀看實驗1中的視頻來了解和體驗在線教育產品中真人/AI教學模式，然后參與者將被要求想象使用該在線教育產品進行高等數學/文案寫作課程的學習，接下來按照實驗1填寫關于獨特性忽視和使用意愿的問卷，即本實驗中的中介變量和因變量量表，使測量方法與實驗1相同。

2.3.2實驗被試

本次最終回收有效問卷200份，其中男性用戶132名，占比為66%，女性用戶68名，占比為34%。從年齡上來看，168名用戶處于18～30歲，占比84%，是填寫問卷的主要人群。從受教育水平來看，研究生及以上的填寫人數為40人，占比8%，本科生填寫人數為129人，占比65%。

2.3.3結果與討論

采用SPSS的Process插件檢驗獨特性忽視在教師類型和學生使用意愿之間的中介效應，以及任務屬性在教師類型和獨特性忽視之間的調節作用，將AI教學編碼為1，真人教學編碼為0，將任務屬性為客觀的組編碼為1，任務屬性為主觀的組編碼為0。采用Model 7來進行建模，樣本量選擇5000，95%的置信區間。

結果顯示，在線教師類型和任務屬性的交互項能夠顯著預測獨特性忽視(LLCI=-2.4102，ULCI=-1.3115)，表明任務屬性在教師類型和獨特性忽視之間起調節作用。在中介效應中，加入中介變量之后，獨特性忽視能夠顯著預測學生使用意愿(LLCI=-0.9005，ULCI=-0.7261)。當課程屬性為主觀時(LLCI=-2.1672，ULCI=-1.3757)，中介效應為-2.6194；當課程屬性為客觀時(LLCI=-3.0284，ULCI=-2.2283)，中介效應為-1.1060，表明被調節的中介效應顯著，假設2再次得到驗證(見圖4)。

圖4 實驗4結果

最后，檢驗任務屬性的調節效應，對使用意愿進行單變量方差分析，結果表明任務復雜度的主效應不顯著(p=0.392)。教師類型與任務復雜度的交互作用顯著(p<0.000)。具體來說，主觀任務時，學生對真人教學在線學習產品使用意愿顯著高于AI教學在線學習產品(M真人教學=5.38，MAI教學=2.21，p<0.000)；客觀任務時，學生對真人和AI教學在線學習產品使用意愿無顯著差異(M真人教學=5.90，MAI教學=5.26，p<0.000)，假設4得到驗證。

3 結論與討論

3.1 研究結論

本研究從自動化心理學角度出發，將范圍擴展到在線教育，發現目前相較于應用了真人教學的在線學習產品，學生對應用了AI教學的在線學習產品使用意愿更低，原因在于AI教學會更引起學生對獨特性忽視的擔憂。本研究發現：獨特性忽視程度越高，學生使用意愿越低。并且從課程設計角度出發，發現任務屬性和任務復雜度可以調節獨特性忽視從而影響使用意愿，具體表現在：(1)當任務屬性為主觀時，學生對AI類在線學習產品的使用意愿顯著低于真人類。(2)當任務復雜度水平高時，學生對AI類在線學習產品的使用意愿顯著低于真人類。

本研究檢驗了在線教學(真人 vs AI)對學生使用意愿的影響，主要具備以下三個方面的理論貢獻：第一，現有的關于消費者對人工智能產品接受和使用意愿的研究集中在智能音箱、智能客服、智能投顧、智慧醫療等領域，而針對教育這個領域，特別是人工智能在線教育消費者接受意愿影響因素的研究很少，本文的研究可填補這方面的空白。第二，以往對人工智能教育機器人的研究大多集中在線下，鮮有學者討論線上AI教學對消費者使用意愿的影響和作用機制。第三，豐富了自動化心理學的研究。本研究在原來獨特性忽視定義的基礎上，開發了在線學習過程中針對學生的獨特性忽視量表，從學習狀態及情緒、學習基礎及進度、學習計劃及建議三個方面進行評價和測量。

3.2 管理啟示

在線教育場景下AI教學的采用與否取決于消費者對這項新技術的接受程度，本研究所發現的由于獨特性忽視導致的學生對AI教學類在線學習產品使用意愿更低的作用機制可以為正在進行在線教育AI產品開發的企業提供產品提升建議，進一步改善產品體驗。

就具體的建議而言主要有三點：第一，現有的AI教學類產品需要進一步完善其數據庫，提升課程設計、講解和反饋的任務復雜度。第二，現有的AI類課程開發可先從具有偏客觀屬性的課程入手，從而減少學生自身對AI產生的獨特性忽視擔憂，增強其使用意愿。第三，除了從任務屬性和任務復雜度角度出發，還需要根據教學過程的方方面面做到對學生學習狀態、習慣甚至情緒的精準把握，最大化地實現與真人教師一樣的對學生獨特性的抓取，減少學生在學習過程中對于自身獨特性被忽視的擔憂。

3.3 研究局限及未來研究方向

本研究尚有不足與局限之處。第一，研究對象及其操縱形式還有待豐富和完善，在實驗過程中主要采取了讓參與者觀看視頻以及場景想象的方式去進行操縱，未來應該設計和檢驗學生與在線學習產品真實互動場景。第二，本實驗選取的參與者年齡集中在18～30歲，主要還是探討了大學生及碩博生群體對在線學習產品的使用意愿機制，K12群體因為課程類型和學習方式都與大學生及碩博生有很顯著的差異和區別，未來可以擴大研究對象的學習階段，探索不同學習階段的學生對在線教育產品中應用不同教師類型的使用意愿。