在线教学(真人vs AI)对学生使用意愿的影响

范苗苗 吕 巍

(上海交通大学 安泰经济与管理学院，上海 200030)

本研究探讨在线教育中消费者使用意愿的作用路线：通过对比真人和AI两种授课模式对消费者使用意愿的影响，希望补充和丰富对在线学习领域消费者决策的理论理解，并从实践意义出发为正在进行在线教育AI产品开发的企业提供设计、营销推广建议，提出干预措施，以提高消费者对AI在线学习模式的接受度。

1 理论基础与研究假设

1.1 在线教学(真人 vs AI)与学生使用意愿的关系

目前对在线AI教学的研究主要聚焦在学习风格检测、认知水平表征、学习行为模式挖掘及学习兴趣识别等方面，从自动化心理学角度探讨使用意愿的研究很少。但已有不少学者研究过各领域人工智能服务和真人服务提供的接受态度：鉴于人类直觉更精确，人们应该遵循统计模型的建议，然而在大多数的情况下，人们反而更倾向于相信人类直觉(Castelo，2018)。消费者更愿意依赖朋友而不是计算机推荐系统来提供关于书籍、电影和笑话的建议(Sinha和Swearingen，2001)。人们对人类专家给出的建议比对统计模型的重视程度更高(Oenkal等，2010)。对AI服务提供者的抵制研究已经在多个领域被探索，包括预测员工绩效(Kuncel等，2013)、欺诈(Boatsman等，1997)、犯罪(Kleinberg 等，2017)和消费者偏好(Yeomans等，2019)。然而，在教育背景下现有的研究是有限的，真人教学以经验教学为主，情感和创新是其优势；人工智能自适应学习系统，以学生学习数据为基础，精准和速度是其优势。学生作为不变的学习主体，当其情感受到关注和重视，创新性得到激发和鼓励时，其学习效率和精准度才会有更加明显的提高，学生也更倾向于在有情感和创新的教学环境中进行学习。我们不能高估或低看人工智能在教育中的应用，而应重点探索其在教育场景中所扮演的教师角色(余胜泉，2018)。据此，本文提出以下假设：

H1：相比于真人教学，学生对应用了AI教学的在线教育产品使用意愿更低。

1.2 独特性忽视的中介作用

独特性忽视指的是消费者对个体自身独特的性格、所处环境、特征/状态被忽视的担忧。医学领域已有研究表明，相比于真人医生，消费者会更抵触人工智能医疗服务提供者，因为人工智能医疗服务提供者更大程度地引起了消费者对自己独特的特性、所处环境、特征和状态被忽视的担忧。独特性忽视来自于两个基本信念之间的不匹配：用户总认为自己是独一无二的，不同于其他人(Snyder和Fromk，1980)；人们倾向于将自己的观点、信仰、态度、技能和特征视为独特的(Kruger，1999)。但与此同时用户认为机器没有认知灵活性的能力。认知灵活性指的是认知过程适应环境中处理新的和意外情况的能力(Canas，2003)。机器只能以标准化和死记硬背的方式运行，以同样的方式对待每一个案例(Haslam，2006)。威胁自我独特性的情况会导致焦虑感并促使人们从事旨在恢复他们期望的自我独特性的行为(Sensoning和Brehm，1968)

在实现个性化学习的过程中对学生的精准理解是成功开展“因材施教”的前提(杨宗凯，2019)。以往关于在线教育的心理学研究中，一般从常见的学习动机、自我效能感等维度去分析，很少有从独特性忽视角度出发，去探究学生心理对在线教育产品使用意愿的影响，据此提出以下假设：

H2：独特性忽视中介了在线教学(真人 vs AI)对学生使用意愿的影响，相比真人教学，学生在使用AI教学产品时产生的独特性忽视水平更高，独特性忽视水平越高，学生的使用意愿越低。

1.3 任务复杂度的调节作用

任务复杂度直接取决于任务施加给学习者的认知要求，这些要求主要靠学习者用于在线任务处理的认知资源来满足(Robinson，2001)。任务复杂度区别于任务难度，它不受学习者个人差异的影响。研究表明在线课程设计中，任务复杂度取决于获取信息的方式：边看图边将图画内容讲述出来相对先看完图画之后再无图画直接叙述内容要容易(Robinson，1995)。根据信息需求，将任务从难到易分为五个等级，最简单的是“例行公事”，而对于复杂任务，人们无法在之前预测执行任务所需的各种信息(Bystrom和Jarvelin，1994)。研究证明任务特征会影响人工智能的采用，任务越复杂，完成任务所需的时间和精力投入要求越多，任务的结果更重要的时候，相较于使用AI，人们更倾向于依赖真人(Castelo，2019)。本文中的任务复杂度就是任务完成的复杂程度，是个体在完成任务时所需要投入的时间和精力等。基于以上，本文提出：

H3：当任务复杂度高时，学生对应用了真人教学的在线教育产品使用意愿显著高于应用了AI教学的在线教育产品；当任务复杂度低时，无论在线教育产品应用了AI还是真人教学，学生的使用意愿没有显著差异。

1.4 任务属性的调节作用

Castelo(2019)的研究里提到了任务客观性这个概念，他把主观任务定义为基于个人意见或直觉，需要发挥个人创造力的任务，而客观任务指的是可量化，基于逻辑和规则分析的任务。消费者不喜欢依赖算法完成通常由人类完成的任务，特别是对那些在本质上看起来是主观的任务依赖较少。相较于主观任务，当人们对任务类型感知到是客观的时候，更倾向于依赖算法(Castelo，2018)。由此，在教育中不同课程的任务属性是不一样的。具体来说，拥有偏客观属性的课程特点为基本都有固定的答题思路和分析方法，并且练习结果容易被量化。而拥有偏主观属性的课程特点强调学生发挥自己的独特创意，有自己的想法，并且对老师也提出了一定的要求，即要有较高的理解力和共情力，针对学生的不同特性因材施教地进行教学。因此，提出以下假设：

H4：任务属性为主观时，学生对应用了真人教学的在线教育产品使用意愿显著高于AI教师；当任务属性为客观时，无论在线教育产品应用了真人还是AI，消费者使用意愿都没有显著差异。

综上，研究模型见图1。

图1 研究模型

2 研究设计与结果

本研究主要采用消费者行为中实验研究的方法，使用在线问卷进行数据收集。每组实验对受试随机分配不同类型的问卷来实现组内受试间的独立性。实验设置了实验组和控制组，每份问卷均包括背景阐述、一个在线教学视频案例参考和相关变量的测量问题等。本研究通过四个实验来验证假设，实验1测量在线教学(真人 vs AI)对学生使用意愿的影响及其中介作用，实验2测量任务复杂度的调节作用，实验3测量任务属性的调节作用。

2.1 实验1

2.1.1实验设计

首先，参与者被随机分配到在线教育产品真人一对一教学和AI一对一教学情境模式，紧接着参与者将会观看一段视频来了解和体验在线教育产品中真人/AI教学类型模式，然后参与者将被要求想象使用该在线教育产品进行英语课程的学习，并完成在线学习过程中独特性忽视测项。该测项是在参考国内外学者对于独特性忽视的研究，以及结合人工智能引起的独特性忽视(Chiare等，2019)量表基础上总结出的量表，并针对在线教育平台的实际情况进行了修改，形成最终的测量问卷。测项包括“学习过程中，真人老师/AI老师可以识别到我上课实时的学习状态和情绪并及时做出相应的调整”“学习过程中，真人老师/AI老师可以识别到我的知识薄弱环节以此针对性进行相应辅导和教学，并会对我不懂的问题及时回复解答”“学习过程中，真人老师/AI老师可以精准评估出我个人的学习能力水平，并根据我过往的学习情况和当下目标制定出符合我个人的学习计划和学习报告”(7点量表，1=非常不同意，7=非常同意)。接下来，根据TAM模型，在改编Davis和Venkatesh研究的基础上形成使用意愿量表，一共三个题项，包括“我有使用这个产品来进行在线学习的意愿”“我打算今后使用这个产品来进行在线学习”“我觉得以后我会使用这个产品进行在线学习”(7点量表，1=非常不同意，7=非常同意)。最后填写个人信息项，主要包括性别、年领、受教育水平等。

2.1.2实验被试

本次最终回收有效问卷117份，其中男性用户52名，占比为46%，女性用户65名，占比为54%。从年龄上来看，112名用户处于18～30岁，占比96%，是填写问卷的主要人群。从受教育水平来看，研究生及以上的填写人数为26人，占比22%，本科生填写人数为79人，占比68%。

2.1.3结果与讨论

我们对使用意愿进行单变量方差分析，检验主效应的显著性(见图2)。结果显示，不同教师类型对使用意愿的影响显著。具体而言，在线学习产品中应用真人教学(M=5.62，SD=0.78)相比应用AI教学(M=2.18，SD=0.83)，被试对真人教学产品的使用意愿更高(p<0.000)。H1得证。

图2 在线教学(真人 vs AI)对学生使用意愿的影响

采用Bootstrap法来验证独特性忽视在教师类型和学生使用意愿之间的中介效应。将AI教学编码为1，真人教学编码为0，样本量选择5000，在95%置信度的情况下选择Process 模型4。结果表明，独特性忽视的间接效应不包含0(LLCI=-2.8983，ULCI=-0.7168)，中介效应存在。H2得证。

2.2 实验2

2.2.1实验设计与前测

本实验采用2(在线教学：真人vs AI)x 2(任务复杂度：复杂vs.简单)的双因素组间设计，共设计4套问卷，参与者被随机分配到4套问卷中的一套。首先参与者将会观看实验1中的视频来了解和体验在线教育产品中真人/AI教学模式，然后参与者将被告知需要使用该产品完成在线托福课程的学习和课程完成后需要达到的目标。

为了筛选出具有显著复杂度差别的课程，我们选择50名来自海高校的同学作为参与者进行前测实验。参与者首先被分为两组被要求想象参加托福在线学习，并且被告知完成学习后需要达到的目标(复杂目标和简单目标)，复杂组设置为需要提高一定的分数且需要达到一定的能力目标，简单组没有分数要求且要求达到的能力目标为基础目标。接下来进行任务复杂度的测量。任务复杂度主要参考Locke和Latham(2002)的问卷进行测量，结果显示，复杂目标(M=5.03，SD=1.36)为高任务复杂度，简单目标(M=3.04，SD=1.25)为低任务复杂度，且两者都能通过显著性检验(p<0.05)，说明实验成功操纵了课程属性。课程完成需要达到的目标，接下来按照实验1填写关于独特性忽视和使用意愿的问卷，即本实验中的中介变量和因变量量表，使测量方法与实验2相同。

2.2.2实验被试

本次最终回收有效问卷208份，其中男性用户101名，占比为49%，女性用户107名，占比为51%。从年龄上来看，190名用户处于18～30岁，占比91%，是填写问卷的主要人群。从受教育水平来看，研究生及以上的填写人数为30人，占比14%，本科生填写人数为150人，占比72%。

2.2.3结果与讨论

采用SPSS的Process插件检验独特性忽视在授课场景和学生使用意愿之间的中介效应，以及任务复杂度在授课教师类型和独特性忽视之间的调节作用，将AI教学编码为1，真人教学编码为0，将任务复杂度的复杂组编码为1，简单组编码为0。采用Model 7来进行建模，样本量选择5000，95%的置信区间。

结果显示，在线教师类型和任务复杂度的交互项能够显著预测独特性忽视(LLCI=1.1071，ULCI=2.2039)，表明任务复杂度在教师类型和独特性忽视之间起调节作用。在中介效应中，加入中介变量之后，独特性忽视能够显著预测学生使用意愿(LLCI=-0.9005，ULCI=-0.7261)。当任务复杂度为复杂时(LLCI=1.8550，ULCI=-1.0573)，中介效应为-1.4509；当课程属性为客观时(LLCI=-0.6685，ULCI=-0.1999)，中介效应为-0.4311，表明被调节的中介效应显著，假设2再次得到验证。

最后，检验任务复杂度的调节效应，对使用意愿进行单变量方差分析。结果表明，任务复杂度的主效应不显著(p=0.488)，教师类型与任务复杂度的交互作用显著(p<0.000)。具体来说，任务复杂度高时，学生对真人教学在线学习产品使用意愿显著高于AI教学在线学习产品(M真人教学=5.72，MAI教学=3.05，p<0.000)；任务复杂度低时，学生对真人和AI教学在线学习产品使用意愿无显著差异(M真人教学=5.77，MAI教学=5.48，p=0.012)，假设3得到验证。

2.3 实验3

2.3.1实验设计与前测

由于本实验的调节变量为任务属性的主客观程度，同一门课程往往具有双重属性，即既具有主观属性又具有客观属性，只不过可能在不同特征上的偏向会有所不同。为了筛选出具有显著属性差别的课程，我们选择42名来自上海高校的同学作为参与者进行前测实验。前测实验为组间设计，参与者首先被安排阅读一段关于主观属性和客观属性的定义，即“主观属性被定义为可接受解释并基于个人意见或直觉，客观属性被定义为涉及可量化和可测量的事实”(Noah & Donald，2019)。然后邀请参与者根据该定义分别对四种课程的属性类型进行打分。为了排除其他因素的干扰，选择的课程通常为大学必修或近几年广为大众热门熟知的课程，分别为高等数学、文案写作、Python编程、马克思主义基本原理。其中1分表示该课程为完全客观性属性，7分表示该课程为完全主观性属性。最终选取得分均值最高的课程为本实验中拥有主观属性的课程，得分均值最低的课程作为本实验中拥有客观属性的课程。结果显示，写作课(M=5.27，SD=0.94)为主观属性课程，高等数学(M=2.97，SD=1.25)为客观属性课程，且两者都能通过显著性检验(p<0.05)，说明实验成功操纵了课程属性(见图3)。

图3 实验3结果

本实验采用2(授课教师类型：真人vs AI)×2(任务属性：主观vs客观)的双因素组间设计，共设计4套问卷，参与者被随机分配到4套问卷其中的一套。首先参与者将会观看实验1中的视频来了解和体验在线教育产品中真人/AI教学模式，然后参与者将被要求想象使用该在线教育产品进行高等数学/文案写作课程的学习，接下来按照实验1填写关于独特性忽视和使用意愿的问卷，即本实验中的中介变量和因变量量表，使测量方法与实验1相同。

2.3.2实验被试

本次最终回收有效问卷200份，其中男性用户132名，占比为66%，女性用户68名，占比为34%。从年龄上来看，168名用户处于18～30岁，占比84%，是填写问卷的主要人群。从受教育水平来看，研究生及以上的填写人数为40人，占比8%，本科生填写人数为129人，占比65%。

2.3.3结果与讨论

采用SPSS的Process插件检验独特性忽视在教师类型和学生使用意愿之间的中介效应，以及任务属性在教师类型和独特性忽视之间的调节作用，将AI教学编码为1，真人教学编码为0，将任务属性为客观的组编码为1，任务属性为主观的组编码为0。采用Model 7来进行建模，样本量选择5000，95%的置信区间。

结果显示，在线教师类型和任务属性的交互项能够显著预测独特性忽视(LLCI=-2.4102，ULCI=-1.3115)，表明任务属性在教师类型和独特性忽视之间起调节作用。在中介效应中，加入中介变量之后，独特性忽视能够显著预测学生使用意愿(LLCI=-0.9005，ULCI=-0.7261)。当课程属性为主观时(LLCI=-2.1672，ULCI=-1.3757)，中介效应为-2.6194；当课程属性为客观时(LLCI=-3.0284，ULCI=-2.2283)，中介效应为-1.1060，表明被调节的中介效应显著，假设2再次得到验证(见图4)。

图4 实验4结果

最后，检验任务属性的调节效应，对使用意愿进行单变量方差分析，结果表明任务复杂度的主效应不显著(p=0.392)。教师类型与任务复杂度的交互作用显著(p<0.000)。具体来说，主观任务时，学生对真人教学在线学习产品使用意愿显著高于AI教学在线学习产品(M真人教学=5.38，MAI教学=2.21，p<0.000)；客观任务时，学生对真人和AI教学在线学习产品使用意愿无显著差异(M真人教学=5.90，MAI教学=5.26，p<0.000)，假设4得到验证。

3 结论与讨论

3.1 研究结论

本研究从自动化心理学角度出发，将范围扩展到在线教育，发现目前相较于应用了真人教学的在线学习产品，学生对应用了AI教学的在线学习产品使用意愿更低，原因在于AI教学会更引起学生对独特性忽视的担忧。本研究发现：独特性忽视程度越高，学生使用意愿越低。并且从课程设计角度出发，发现任务属性和任务复杂度可以调节独特性忽视从而影响使用意愿，具体表现在：(1)当任务属性为主观时，学生对AI类在线学习产品的使用意愿显著低于真人类。(2)当任务复杂度水平高时，学生对AI类在线学习产品的使用意愿显著低于真人类。

本研究检验了在线教学(真人 vs AI)对学生使用意愿的影响，主要具备以下三个方面的理论贡献：第一，现有的关于消费者对人工智能产品接受和使用意愿的研究集中在智能音箱、智能客服、智能投顾、智慧医疗等领域，而针对教育这个领域，特别是人工智能在线教育消费者接受意愿影响因素的研究很少，本文的研究可填补这方面的空白。第二，以往对人工智能教育机器人的研究大多集中在线下，鲜有学者讨论线上AI教学对消费者使用意愿的影响和作用机制。第三，丰富了自动化心理学的研究。本研究在原来独特性忽视定义的基础上，开发了在线学习过程中针对学生的独特性忽视量表，从学习状态及情绪、学习基础及进度、学习计划及建议三个方面进行评价和测量。

3.2 管理启示

在线教育场景下AI教学的采用与否取决于消费者对这项新技术的接受程度，本研究所发现的由于独特性忽视导致的学生对AI教学类在线学习产品使用意愿更低的作用机制可以为正在进行在线教育AI产品开发的企业提供产品提升建议，进一步改善产品体验。

就具体的建议而言主要有三点：第一，现有的AI教学类产品需要进一步完善其数据库，提升课程设计、讲解和反馈的任务复杂度。第二，现有的AI类课程开发可先从具有偏客观属性的课程入手，从而减少学生自身对AI产生的独特性忽视担忧，增强其使用意愿。第三，除了从任务属性和任务复杂度角度出发，还需要根据教学过程的方方面面做到对学生学习状态、习惯甚至情绪的精准把握，最大化地实现与真人教师一样的对学生独特性的抓取，减少学生在学习过程中对于自身独特性被忽视的担忧。

3.3 研究局限及未来研究方向

本研究尚有不足与局限之处。第一，研究对象及其操纵形式还有待丰富和完善，在实验过程中主要采取了让参与者观看视频以及场景想象的方式去进行操纵，未来应该设计和检验学生与在线学习产品真实互动场景。第二，本实验选取的参与者年龄集中在18～30岁，主要还是探讨了大学生及硕博生群体对在线学习产品的使用意愿机制，K12群体因为课程类型和学习方式都与大学生及硕博生有很显著的差异和区别，未来可以扩大研究对象的学习阶段，探索不同学习阶段的学生对在线教育产品中应用不同教师类型的使用意愿。