文献：Zhou, X., et al. (2026). Research on factors influencing teaching staff’s continued use intention of AIGC tools based on structural equation modeling and artificial neural networks. Scientific Reports, 16, Article 58611-x. DOI 10.1038/s41598-026-58611-x。

研究问题：生成式人工智能（AIGC）工具正在快速进入高校教学场景，多数研究关注教师“要不要用”（首次采纳意向），但真正的难题是**“用起来之后会不会坚持用”**——工具在教学中落地的价值，取决于教师的持续使用而非一时尝鲜。论文要回答：哪些因素决定教职工对 AIGC 工具的持续使用意向？在感知有用性、感知易用性等经典技术接受变量之外，自我效能与机构支持扮演什么角色？这些因素与持续使用意向之间，除了线性关系之外还存在哪些非线性规律？

论证思路：论文以“技术接受之外还要什么”为问题起点，构建了涵盖感知有用性、感知易用性、自我效能、机构支持等前因变量与持续使用意向结果变量的影响因素模型（图2），并采用**结构方程模型（SEM）+ 人工神经网络（ANN）**的双引擎设计：SEM 负责检验变量之间的线性影响路径与显著性，ANN 负责捕捉变量之间可能被线性模型忽略的非线性关系，并输出各因素对持续使用意向的相对重要性排序。两种方法互为校验、互相补充，是本文方法上的核心特色。

一、研究背景：从“首次采用”到“持续使用”的视角转换

早期的教育技术研究大多以技术接受模型（TAM）及其扩展为框架，回答“哪些因素促成个体开始使用某项技术”。但在 AIGC 工具快速迭代、高校普遍引入的当下，一个更现实的问题浮出水面：教师在初次尝鲜之后，是否会把它内化为日常教学工具？

论文指出，首次采纳意向与持续使用意向是两个不同的问题——前者是“尝试”，后者是“坚持”。尝试可能源于好奇、政策动员或同伴示范；坚持则要求工具在长期使用中持续兑现价值，且使用者拥有足够的信心与组织支持来消化使用中的摩擦。若只看采纳不看持续，就难以解释许多 AI 教育项目“热一阵、凉下来”的现象。因此，本文把持续使用意向作为结果变量，试图回答“是什么让教师用 AIGC 用得住”。

二、研究方法：SEM 与 ANN 的互补设计

1. 模型结构

根据图2 影响因素模型，论文将影响教职工 AIGC 持续使用意向的因素归纳为四类：

• 感知有用性：教师认为 AIGC 工具对备课、科研、课堂组织等教学任务有帮助的程度——技术接受研究的经典变量；
• 感知易用性：教师认为学会并使用 AIGC 工具不费力的程度；
• 自我效能：教师对自己能否有效驾驭 AIGC 工具完成教学任务的信心——超越“工具好不好用”的能力性变量；
• 机构支持：学校在培训、技术条件、制度激励与容错空间等方面对教师使用 AIGC 的支持程度——组织层面的情境变量。

四类变量共同指向持续使用意向，构成“个体感知—个体能力—组织情境”的立体解释框架，这正是本文试图超越纯技术接受视角的结构设计。

2. 样本与数据

研究以教职工为对象开展问卷调研，最终纳入 144 名参与者（另有 145 名受访者参与前期环节，前后两批数据共同支撑研究的开展）。样本聚焦于真实教学一线的工作者，使“持续使用意向”的测量落在有实际使用经验的人群上，而非泛泛的潜在用户。

3. 分析方法：线性 + 非线性的双引擎

• 结构方程模型（SEM）：检验感知有用性、感知易用性、自我效能、机构支持对持续使用意向的线性影响路径，估计路径系数与显著性，回答“哪些因素有影响、影响有多大”；
• 人工神经网络（ANN）：以同一批变量为输入训练神经网络，捕捉变量之间非线性的、交互式的关系，并通过灵敏度分析（sensitivity analysis）计算各输入变量对持续使用意向的相对重要性，回答“哪些因素最要紧”。

SEM 的优势在于假设检验的严谨性（可报告路径系数、显著性、拟合指标），ANN 的优势在于对真实数据中非线性模式的逼近能力（不预设线性函数形式）。二者结合，正是“解释性”与“预测性”的方法互补：SEM 证明关系是否存在，ANN 补足线性框架可能漏掉的规律，并交叉验证 SEM 的结论。

三、核心发现：技术接受之外的因素同样关键

1. 感知有用性仍是持续使用意向的重要驱动。 与大量技术接受研究一致，教师对 AIGC 工具“有用”的判断显著正向影响其持续使用意向——工具能否在真实教学任务（备课、出题、答疑、科研辅助）中持续兑现价值，是“用得住”的基本盘。

2. 自我效能的作用凸显。 在经典 TAM 变量之外，自我效能被证实为持续使用意向的重要预测因素：相信自己“会用、能用好” AIGC 工具的教师，更可能在新鲜感消退之后仍然坚持使用。这提示，能力信心不是“要不要用”时才起作用，而是贯穿“用不用得久”的全程。

3. 机构支持提供组织层面的解释。 学校的培训供给、技术条件与制度环境显著影响教师持续使用的意向——当组织把 AIGC 使用纳入可预期的支持体系（而非放任个人单打独斗或简单行政动员），教师的坚持意愿明显更强。这是纯粹个体层面的技术接受模型所无法回答的变量。

4. 持续性视角的价值。 上述发现共同说明：教师坚持使用 AIGC，不只是“工具好不好用”的技术问题，更是“我信不信自己会用”的能力问题与“学校支不支持我用”的组织问题——技术接受之外，能力信念与机构支持构成决定持续使用的另外两根支柱。

四、非线性洞察：ANN 的补充发现

SEM 的线性路径回答了“哪些因素有影响”，ANN 则进一步回答“这些影响是否均匀、是否存在阈值与交互”：

• 变量重要性排序与 SEM 相互印证。 ANN 灵敏度分析给出的各因素相对重要性，为 SEM 的显著路径提供了独立佐证——当两种方法对同一批变量给出一致的结论时，结果的稳健性显著增强。
• 非线性模式的提示。 神经网络能够拟合非线性关系，意味着某些因素对持续使用意向的影响可能存在边际效应递减或门槛效应：例如，机构支持对持续使用意向的促进作用可能在某个水平之后趋于饱和，或自我效能的影响在低水平与高水平区间呈现不同强度——这类“关系并不总是直线”的规律，是纯线性 SEM 模型难以揭示的。
• 方法互补的价值。 论文的启示性贡献在于示范了“SEM 做假设检验、ANN 做模式挖掘”的完整分析链条：先用理论驱动的 SEM 锚定结构，再用数据驱动的 ANN 检验线性假设是否遗漏了真实规律，最后以两法一致性增强结论信心。

五、推广启示：让教师“用得住” AIGC

对教师个体：把“会用”升级为“用好”。自我效能是可持续干预的能力变量——通过小步试错、积累成功经验（如先在一门课里用 AIGC 辅助出题，再扩展至课堂互动设计），教师能在使用中建立“我驾驭得了它”的信心，这比单纯被告知“AI 很强大”更能支撑长期使用。

对学校与管理者：机构支持不是“买工具、发通知”，而是可感知的支持体系——常态化培训、稳定的技术条件、把 AIGC 探索纳入考核激励、允许试错而不追责的制度环境。论文提示，当教师面对的是“组织鼓励且兜底”而非“组织要求且追责”时，持续使用意向更可能转化为真实、长期的教学实践。

对教育技术研究者：本文示范了“持续使用意向”这一结果变量的解释力，以及 SEM + ANN 组合在教师 AI 研究中的可行性——后续研究可在更大样本、更多学段中复现该模型，并把“意向”推进到“行为”与“成效”的测量。

精读笔记

核心论点：教职工对 AIGC 工具的持续使用意向，不能只靠技术接受变量解释——感知有用性固然重要，但**自我效能（个体能力信念）与机构支持（组织情境）**构成技术接受之外的两大关键支柱；SEM 与 ANN 的互补设计证实，这些因素对持续使用意向的影响既有可检验的线性路径，也包含线性模型难以捕捉的非线性规律。

方法要点：

• SEM + ANN 双引擎：SEM 负责线性假设检验，ANN 负责非线性模式挖掘与重要性排序，两法互证增强结论稳健性
• 结果变量选择“持续使用意向”而非“采纳意向”，对齐 AIGC 在教学场景落地的真实问题
• 模型结构兼顾个体感知（有用性、易用性）、个体能力（自我效能）与组织情境（机构支持）三个层面
• 样本聚焦 144 名有真实使用情境的教职工，而非泛化的潜在用户

局限与边界：

• 样本量有限（144 名参与者），模型在大规模、多类型院校样本中的稳定性有待验证
• 横断面问卷数据，“意向”不等于“实际持续使用行为”，且因果方向需纵向设计进一步确认
• 自我报告数据存在共同方法偏差风险
• AIGC 工具迭代极快，不同工具类型（文本生成、图像生成、智能体）的持续使用机制可能存在差异

可延伸方向：

• 纵向追踪“自我效能提升 → 实际使用频率 → 教学成效”的完整链条，闭合“意向—行为—效果”
• 把机构支持细化为可操作的干预（培训设计、制度激励、容错机制）做准实验研究
• 区分不同 AIGC 工具类型与不同学科教师群体，检验模型的边界条件
• 将 SEM-ANN 组合扩展至 NCA（必要条件分析），形成“显著性 + 重要性 + 必要性”的三重检验

原文地址

• DOI：10.1038/s41598-026-58611-x
• 期刊：Scientific Reports（Nature Portfolio），2026, Vol. 16（IF 3.9，Q1）
• 图表来源：原文 Figure 1（研究流程图）、Figure 2（影响因素模型）