Behavioral Pathways Behind Students’ Willingness to Pay for GenAI in Higher Education

तकनीकी सारांश: उच्च शिक्षा में जेनरेटिव एआई (GenAI) के लिए छात्रों की भुगतान करने की इच्छा के पीछे व्यवहारिक मार्ग

समस्या विवरण
जबकि जेनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) उच्च शिक्षा में तेजी से एकीकृत हो रहा है, मौजूदा साहित्य मुख्य रूप से उपयोग के इरादे या स्व-रिपोर्ट किए गए अंगीकरण (adoption) पर केंद्रित है। ये मेट्रिक्स छात्र प्रतिबद्धता की गहराई को पकड़ने में विफल रहते हैं, विशेष रूप से वित्तीय निवेश के संबंध में। संस्थागत रूप से लाइसेंस प्राप्त प्रौद्योगिकियों (जैसे लर्निंग मैनेजमेंट सिस्टम) या पूरक उपकरणों के विपरीत, GenAI एक अस्पष्ट स्थान घेरता है जो जनरेटिव अनुकूलन क्षमता, एल्गोरिदम की अपारदर्शिता और दो-स्तरीय पारिस्थितिकी तंत्र (मुफ्त बनाम प्रीमियम) द्वारा लक्षित है। फलस्वरूप, इस बात को समझने में एक महत्वपूर्ण अंतर है कि छात्र GenAI उपकरणों के आर्थिक मूल्य का मूल्यांकन कैसे करते हैं और क्या इन उपकरणों का उपयोग करने के उनके व्यवहारिक इरादे वास्तविक वित्तीय प्रतिबद्धता में परिवर्तित होते हैं। यह अध्ययन इस व्यवस्थित साक्ष्य की कमी को संबोधित करता है कि छात्र GenAI उपकरणों के आर्थिक मूल्य का मूल्यांकन कैसे करते हैं और क्या इन उपकरणों का उपयोग करने के उनके व्यवहारिक इरादे वास्तविक वित्तीय प्रतिबद्धता में बदलते हैं।

कार्यप्रणाली
यह अध्ययन टेक्नोलॉजी एक्सेप्टेंस मॉडल (TAM) का उपयोग करते हुए एक मात्रात्मक, क्रॉस-सेक्शनल डिज़ाइन का उपयोग करता है, जिसे आर्थिक परिणामों को शामिल करने के लिए विस्तारित किया गया है।

• नमूना (Sample): डेटा एक बड़े सार्वजनिक विश्वविद्यालय में 121 स्नातक छात्रों के ऑनलाइन सर्वेक्षण के माध्यम से एकत्र किया गया था। नमूने में महिला प्रतिभागियों का बहुमत (72.7%) था जिनकी औसत आयु 20.78 वर्ष थी। अधिकांश प्रतिभागियों (93.4%) को GenAI (मुख्य रूप से ChatGPT) का पूर्व अनुभव था।
• उपकरण (Instrument): सर्वेक्षण ने TAM पर आधारित चार लेटेंट कंस्ट्रक्ट्स (latent constructs) को मापा: कथित सहजता का उपयोग (Perceived Ease of Use - PEU), कथित उपयोगिता (Perceived Usefulness - PU), व्यवहारिक इरादा (Behavioral Intention - BI), और भुगतान करने की इच्छा (Willingness to Pay - WTP)। PEU, PU, और BI को पूर्व साहित्य से अनुकूलित मल्टी-आइटम 5-पॉइंट लिकर्ट स्केल का उपयोग करके मापा गया था। WTP को एक एकल-आइटम ठोस मौद्रिक मूल्य (मासिक USD) के रूप में मापा गया था, जिसे इस रूप में फ्रेम किया गया था कि यदि मुफ्त पहुंच हटा दी जाए तो छात्र अधिकतम कितनी राशि का भुगतान करेंगे।
• विश्लेषण: डेटा का विश्लेषण पार्शियल लीस्ट स्क्वायर्स स्ट्रक्चरल इक्वेशन मॉडलिंग (PLS-SEM) का उपयोग करके किया गया था। यह दृष्टिकोण इसके प्रेडिक्टिव मॉडलिंग में उपयुक्तता और दिए गए नमूना आकार के साथ जटिल मेडिएशन पाथवे को संभालने की क्षमता के कारण चुना गया था। विश्लेषण ने बॉटस्ट्रैपिंग (5,000 रीसैंपल्स) के माध्यम से संरचनात्मक मॉडल का परीक्षण करने से पहले इंडिकेटर विश्वसनीयता, आंतरिक निरंतरता, अभिसरण वैधता (convergent validity) और विभेदक वैधता (discriminant validity - Fornell-Larcker मानदंडों और HTMT अनुपातों का उपयोग करके) का मूल्यांकन किया।

प्रमुख परिणाम
संरचनात्मक मॉडल विश्लेषण ने प्रस्तावित परिकल्पनाओं का समर्थन करते हुए महत्वपूर्ण निष्कर्ष दिए:

1. प्रत्यक्ष प्रभाव (Direct Effects):
   • PEU → PU: कथित सहजता के उपयोग ने कथित उपयोगिता की सकारात्मक और महत्वपूर्ण रूप से भविष्यवाणी की ($\beta = 0.61, p < .01$)।
   • PU → BI: कथित उपयोगिता ने GenAI के उपयोग के व्यवहारिक इरादे की मजबूती से भविष्यवाणी की ($\beta = 0.73, p < .01$)।
   • BI → WTP: व्यवहारिक इरादे ने भुगतान करने की इच्छा की सकारात्मक रूप से भविष्यवाणी की ($\beta = 0.45, p < .01$)।
2. मध्यस्थता प्रभाव (Mediation Effects):
   • अध्ययन ने पुष्टि की कि PEU सीधे WTP को प्रभावित नहीं करता है। इसके बजाय, इसका प्रभाव PU और BI के माध्यम से पूर्णतः मध्यस्थ (fully mediated) है।
   • H4: PU, PEU और BI के बीच संबंध को मध्यस्थ करता है।
   • H5: BI, PU और WTP के बीच संबंध को मध्यस्थ करता है।
   • H6: एक सीरियल मेडिएशन पथ मौजूद है जहाँ PEU, PU और BI की श्रृंखला के माध्यम से WTP को प्रभावित करता है ($\beta = 0.20, p < .01$)।
3. मॉडल फिट और व्याख्यात्मक शक्ति:
   • मॉडल ने अच्छा फिट प्रदर्शित किया (SRMR = 0.062)।
   • PEU ने PU में 35.2% भिन्नता (variance) की व्याख्या की।
   • PU ने BI में 53.4% भिन्नता की व्याख्या की।
   • BI ने WTP में 20.4% भिन्नता की व्याख्या की।
   • सभी एंडोजेनस कंस्ट्रक्ट्स ने सकारात्मक भविष्य कहनेवाला प्रासंगिकता ($Q^2 > 0$) दिखाई।
4. वर्णनात्मक निष्कर्ष:
   • उच्च उपयोग दर के बावजूद, केवल 43% प्रतिभागियों ने भुगतान करने की इच्छा व्यक्त की।
   • औसत WTP $5.71 प्रति माह था, जो सामान्य उपकरणों (जैसे ChatGPT Plus, Grammarly, Copilot) के संचयी लागत से काफी कम है, जो मुफ्त स्तरों या संस्थागत सब्सिडी पर निर्भरता को दर्शाता है।

प्रमुख योगदान

• सैद्धांतिक विस्तार: यह अध्ययन GenAI के संदर्भ में 'Willingness to Pay' को एक डाउनस्ट्रीम व्यवहारिक परिणाम के रूप में शामिल करके टेक्नोलॉजी एक्सेप्टेंस मॉडल (TAM) का विस्तार करता है। यह TAM के क्रमिक तर्क (PEU $\to$ PU $\to$ BI $\to$ WTP) को मान्य करता है, भले ही परिणाम 'अंगीकरण' से बदलकर 'आर्थिक प्रतिबद्धता' हो जाए।
• तंत्र स्पष्टीकरण (Mechanism Clarification): यह स्पष्ट करता है कि केवल उपयोग में आसानी ही भुगतान को प्रेरित करने के लिए पर्याप्त नहीं है; इसे पहले उपयोगिता की धारणा को बढ़ाना होगा, जो फिर व्यवहारिक इरादे को बढ़ावा देता है, और अंततः वित्तीय प्रतिबद्धता की ओर ले जाता है।
• अनुभवजन्य साक्ष्य: यह उच्च शिक्षा में GenAI उपयोग और भुगतान की इच्छा के बीच के अंतर का पहला अनुभवजन्य परीक्षण प्रदान करता है, जो दो-स्तरीय AI पारिस्थितिकी तंत्र के विशिष्ट आर्थिक गतिशीलता को उजागर करता है।

महत्व और दावे
पेपर का दावा है कि इसके निष्कर्ष विश्वविद्यालयों, AI सेवा प्रदाताओं और डेवलपर्स को मूल्य निर्धारण और शासन नीतियों के संबंध में महत्वपूर्ण मार्गदर्शन प्रदान करते हैं।

• संस्थानों के लिए: परिणाम सुझाव देते हैं कि संस्थागत सदस्यता के लिए छात्रों के व्यक्तिगत भुगतान निर्भरता विकसित करने से पहले बातचीत की जानी चाहिए। अपनाने के बाद छात्रों द्वारा व्यक्तिगत रूप से भुगतान करने पर निर्भर रहना विफल हो सकता है क्योंकि WTP कम है और "एंकरिंग प्रभाव" (free access का प्रभाव) मौजूद है। इसके अलावा, संस्थानों को नैतिक उपयोग पर स्पष्ट दिशानिर्देश प्रदान करने चाहिए, क्योंकि जिम्मेदार उपयोग ढांचे प्रीमियम, विश्वसनीय संस्करणों के लिए भुगतान करने के निर्णय को प्रभावित कर सकते हैं।
• डेवलपर्स के लिए: मूल्य निर्धारण मॉडल छात्रों की आर्थिक वास्तविकता के अनुरूप होने चाहिए। अध्ययन इंगित करता है कि छात्र केवल तभी भुगतान करने के इच्छुक होते हैं जब उपकरण मुफ्त विकल्पों से परे स्पष्ट, निरंतर शैक्षणिक मूल्य प्रदर्शित करते हैं। मुफ्त विकल्पों से परे लागत को न्यायसंगत बनाने के लिए सटीकता, वैयक्तिकरण और वर्कफ़्लो एकीकरण में सुधार आवश्यक है।
• समता संबंधी निहितार्थ (Equity Implications): लेखक चेतावनी देते हैं कि मूल्य निर्धारण मिसअलाइनमेंट को संबोधित करने के लिए जानबूझकर संस्थागत कार्रवाई के बिना, भुगतान की गई GenAI सुविधाओं में संक्रमण शैक्षिक असमानताओं को बढ़ाने का जोखिम उठाता है, क्योंकि मुफ्त स्तर स्थिर हो सकते हैं जबकि प्रीमियम क्षमताएं बेहतर शिक्षण सहायता प्रदान कर सकती हैं।

अध्ययन निष्कर्ष निकालता है कि हालांकि TAM, GenAI अपनाने को समझने के लिए एक मजबूत ढांचा बना हुआ है, लेकिन GenAI की अनूठी विशेषताएं (जनरेटिविटी, अपारदर्शिता और दो-स्तरीय पहुंच) समान पहुंच और सतत अपनाने को सुनिश्चित करने के लिए विशिष्ट नीतिगत हस्तक्षेपों की मांग करती हैं।