基于UTAUT模型的综合档案馆馆员对人工智能技术的接受意愿研究

　　作者：张烨

　　摘要：以UTAUT模型为理论基础，构建综合档案馆馆员人工智能技术接受意愿模型，采用问卷调查法进行实证研究。结果表明：绩效期望、付出期望、社会影响对馆员人工智能接受意愿具有显著正向影响，其中绩效期望的作用最大；性别、年龄在自变量与因变量关系中不存在显著调节效应，研究结论拓展了UTAUT理论在档案领域的应用，为综合档案馆推进人工智能技术应用提供了理论参考和实践指导。

　　关键词：UTAUT模型；综合档案馆；人工智能技术；接受意愿

　　党的十九大报告明确提出，要推动互联网、大数据、人工智能和实体经济深度融合。2022年，中共中央办公厅、国务院办公厅印发的《“十四五”全国档案事业发展规划》指出，要坚持科技引领，发挥大数据、人工智能、区块链等新技术对档案工作的促进作用，全面提升档案信息化、数字化水平。要推动人工智能在档案工作各环节的创新应用，促进档案事业高质量发展，为建设智慧社会提供优质的档案信息资源和服务保障[1]。档案是党和国家的宝贵历史文化遗产，在维护国家安全、促进经济社会发展、服务人民群众等方面发挥着不可替代的重要作用。然而，当前的档案管理工作仍然存在信息化程度不高、服务效率不足、开发利用水平有限等问题。将人工智能技术引入档案管理，有助于破解档案管理工作面临的难题，提升档案管理效能，推动档案事业高质量发展。综合档案馆是集中统一管理各类档案的专门机构，承担着档案的收集、整理、保管、开发利用等重要职能[2]。由于保管的档案种类繁多、数量庞大，综合档案馆面临的管理压力尤为突出。人工智能技术在档案分类、目录编制、全文识别、知识挖掘等方面具有独特优势，将其引入综合档案馆可有效提升档案管理的自动化、智能化水平[3]。档案馆馆员是档案管理工作的主体，其对人工智能技术的认知和接受程度在很大程度上决定了技术应用的成效。因此，客观评估综合档案馆馆员对人工智能技术的接受意愿，分析其影响因素，对于推动人工智能技术在综合档案馆的应用具有重要意义。

　　1  研究模型与假设

　　1.1 UTAUT模型

　　UTAUT（Unified Theory of Acceptance and Use of Technology，技术接受和使用统一理论）是由VENKATESH  et  al[4]学者在2003年提出的一个综合性技术接受模型。该模型在FISHBEIN和AJZEN的理性行为理论模型 (TRA)、DAVIS的技术接受模型 (TA M)、计划行为理论模型 (TPB)等8种经典模型的基础上，通过实证研究整合了影响用户接受和使用技术的关键因素，从而形成了系统的理论框架[5]。

　　根据UTAUT模型，用户对新技术的接受和使用行为主要受4个核心变量的影响，即绩效期望 (Performance Expectancy,PE)、付出期望(Effort Expectancy,EE)、社会影响(Social Influence,SI)和促进条件(Facilitating Conditions,FC)。其中，绩效期望是指用户对于新系统或者新技术提高其工作绩效程度的评判；付出期望是指用户认为使用新系统或者新技术所需消耗各种成本以及努力程度的评判；社会影响是指用户使用新系统或者新技术受工作、社会环境中其他个体影响的程度；促进条件是指用户对于支持其自身使用新系统或者新技术的组织、设施等基础条件完善程度的评判。为了解释核心变量对用户接受意愿和使用行为影响强度的差异，UTAUT模型还引入了性别(Gender)、年龄 (Age)、经验 (Experience) 和自愿性 (Voluntariness of use)4个调节变量。

　　1.2 研究假设

　　本研究以UTAUT模型为基础，构建综合档案馆馆员人工智能技术接受意愿模型。考虑到档案管理工作对技术基础设施、专业培训、人力支持等客观条件具有较高依赖性，这些因素不因综合档案馆馆员的主观意愿而改变，因此纳入模型的解释力度有限。在UTAUT模型的4个核心变量中，结合档案管理的业务特点和综合档案馆馆员群体的职业属性，拟选取绩效期望、付出期望、社会影响3个变量，剔除促进条件变量。此外，由于综合档案馆引入人工智能技术尚处探索阶段，综合档案馆馆员普遍缺乏实际操作经验，且档案管理工作具有其固有特性，本研究暂不考虑经验和自愿性对综合档案馆馆员人工智能技术接受意愿的调节作用。

　　基于以上分析，本研究提出如下假设：

　　H1: 绩效期望正向影响综合档案馆馆员人工智能技术接受意愿。

　　H2: 付出期望正向影响综合档案馆馆员人工智能技术接受意愿。

　　H3: 社会影响正向影响综合档案馆馆员人工智能技术接受意愿。

　　H4: 性别在绩效期望和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　H5: 性别在付出期望和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　H6: 性别在社会影响和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　H7: 年龄在绩效期望和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　H8: 年龄在付出期望和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　H9: 年龄在社会影响和综合档案馆馆员人工智能技术接受意愿之间起调节作用。

　　1.3 问卷设计

　　为了深入探究综合档案馆馆员对人工智能技术的接受意愿，本研究设计了一套调查问卷。问卷涵盖了UTAUT模型的3个核心潜变量：绩效期望、付出期望和社会影响，以及人工智能接受意愿这一因变量。在题项设计过程中，研究团队广泛参考了技术接受领域的权威量表，并结合综合档案馆的业务特点和馆员的实际情况，对题项措辞进行了适当修订，力求做到表述清晰、易于理解。采用Likert  5级量表对具体题项进行计分，1—5分表示被调查者对于题项的认知程度从“非常不同意”到“非常同意”，得分越高表示馆员对该题项描述内容的认可度越高。调查问卷共分为两部分：第一部分为人口统计学变量调查，具体内容包括被调查者的性别、年龄等；第二部分为研究变量测量题项，涉及4个绩效期望题项、4个付出期望题项、4个社会影响题项、3个人工智能接受意愿题项，共计15个题项。

　　本研究以全国综合档案馆馆员为调查对象，采用随机抽样的方式，通过电子邮件和问卷星平台发放问卷。为提高答卷质量，研究团队设置了多道排除机制：一是将问卷星的人机验证和答题时长控制功能设为开启状态，自动屏蔽答题时间不足120秒的问卷；二是研究助理对回收问卷逐份审核，剔除存在漏答、雷同、前后矛盾等问题的低质量问卷。

　　经过两个月的数据收集，共回收问卷427份，其中有效问卷362份，有效回收率84.8%。

　　样本库覆盖了不同性别、年龄、学历、职称的综合档案馆馆员，其中男性占比40.6%，女性占比59.4%；年龄以26～45岁的中青年馆员为主，占比75.4%；本科及以上学历，占比87%；中级及以上职称，占比56.4%。

　　1.4 描述性统计分析

　　对调查问卷的每个测量题项进行描述性统计，计算各变量的均值、标准差，考察综合档案馆馆员对研究变量的整体感知水平。

　　从表1可以看出，综合档案馆馆员对人工智能绩效期望的认可度较高，对应用人工智能提升工作绩效持乐观态度，均值在3.5以上；在付出期望方面，馆员普遍认为学习使用人工智能还有一定难度，均值低于3分，说明馆员对人工智能技术的易用性存在疑虑；在社会影响方面，馆员感受到领导、同事、主管部门、媒体对档案人工智能应用的支持和鼓励，均值在3分以上；在人工智能接受意愿方面，馆员表现出较高的兴趣和意愿，均值接近4分。

表1  各研究变量的描述性统计

　　1.5 信效度检验

　　采用验证性因子分析方法，利用AMOS24.0对测量模型进行拟合优度评估，考察量表的信度和效度。

　　（1）信度检验。通过计算Cronbach's α系数、组合信度 (CR) 检验量表的内部一致性。由表2可知，各潜变量的Cronbach's α和CR值均大于0.8，说明量表具有内部一致性和良好的信度。

　　（2）聚合效度。通过计算各题项在相应潜变量上的标准化因子载荷和平均方差提取量（AV E）检验聚合效度。由表2可知，除EE2和SI4两个题项的标准化载荷略低于0.7外，其余题项的标准化载荷均在0.7以上，且各潜变量的AV E值均大于0.5，表明聚合效度良好。

表2 验证性因子分析结果

　　综上所述，本研究所设计的量表具有良好的信度和效度，为开展下一步的实证分析奠定了基础。

　　2  实证分析

　　2.1 模型路径检验

　　采用结构方程模型的路径分析法，利用AMOS  24.0检验研究假设，考察绩效期望、付出期望、社会影响对综合档案馆馆员人工智能技术接受意愿的影响。路径分析结果如表3所示。

表3 路径分析结果

　　由表3可知，绩效期望 (β＝0.415，P＜0.001)、付出期望 (β＝0.247，P＜0.001)、社会影响 (β＝0.206，P＜0.001) 均对馆员的人工智能技术接受意愿产生显著正向影响，H1、H2、H3得到数据支持。进一步比较3个自变量的路径系数可以发现，绩效期望对接受意愿的影响最大，是影响馆员接受人工智能技术的最重要因素 , 然后才是付出期望和社会影响。

　　2.2 调节效应检验

　　为考察人口统计学变量的调节作用，本研究采用多群组结构方程模型，对性别、年龄进行调节效应分析。

　　（1）性别的调节作用。将性别（1＝男，2＝女）作为调节变量，考察其在自变量与因变量之间的调节效应。利用AMOS 24.0对男女两个群组进行多群组结构方程模型检验，分析结果如表4所示。

表4 性别的调节效应分析

　　由表4可知，男性组中，绩效期望、付出期望和社会影响对接受意愿均有显著正向影响；女性组中，绩效期望和社会影响对接受意愿有显著正向影响，而付出期望的影响不显著。但z检验的P值均大于0.05，表明性别在三个自变量与因变量之间均不存在显著调节作用，H4、H5、H6未获得数据支持。

　　（2）年龄的调节作用。按照年龄中位数将样本划分为两组（≤35岁为0，＞35岁为1），对比分析不同年龄群组的路径系数差异，分析结果如表5所示。

表5 年龄的调节效应分析

　　由表5可知，在35岁及以下组中，绩效期望、付出期望和社会影响对接受意愿均有显著正向影响；在36岁及以上组中，绩效期望和付出期望的影响显著，社会影响的影响在0.05水平下显著。但z检验的P值显示，年龄在自变量与因变量的关系中不存在显著调节作用，H7、H8、H9未获得数据支持。

　　综合以上分析可知，本研究提出的人口统计学变量调节效应假设均未获得数据支撑，即性别、年龄均未对自变量与因变量的关系产生显著影响。这表明绩效期望、付出期望、社会影响等因素对馆员人工智能接受意愿的正向影响较为普遍和稳健，不因个体差异而发生改变。

　　3  结语

　　本研究构建了综合档案馆员人工智能技术接受意愿模型，发现绩效期望、付出期望、社会影响均对接受意愿有显著正向影响，其中绩效期望作用最大。性别、年龄对各变量关系无显著调节效应。研究拓展了UTAUT模型在档案领域的应用，为综合档案馆推进人工智能应用提供了理论支撑。为此，建议综合档案馆在未来的工作与实践中应加强人工智能技术相关理论和知识的宣传教育，积极开发契合业务需求的人工智能应用，完善业务与技术相适应的配套政策，提升馆员对于人工智能的接受意愿，从而推动档案管理工作的智能化、智慧化升级。

　　参考文献

　　[1] 连志英 , 陈怡 , 王锦文 , 等 . 近二十年中国档案事业发展注意力变迁研究 : 基于“十五”至“十四五”全国档案事业发展规划文本的分析 [J]. 档案学研究 ,2024(2):22-29.

　　[2] 李宗富,黄婷婷.我国国家综合档案馆治理场域:理论阐释、模型建构及实践进路[J].档案学研究,2023(5):13-21.

　　[3] 郑慧 , 刘思含 . 人工智能与档案开发利用 : 应用、愿景与进路 [J]. 山西档案 ,2022(5):5-10,28.

　　[4] VENKATESH V,MORRIS M G,DAVIS G B,et al.User acceptance of information technology:toward a unified view[J].MIS Quarterly,2003(3):425-478.

　　[5] 刘劲达 , 李全喜 , 王珺 . 基于UTAUT模型的线上办公APP用户使用行为影响因素研究 [J]. 情报科学 ,2020(9):49-55,68.

　　【作者简介】张烨（1983—），女，汉族，云南红河州人，郑州经贸学院讲师，硕士，研究方向：应用心理学。