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

Sintesi Tecnica: Percorsi Comportamentali dietro la Volontà di Pagamento degli Studenti per la GenAI nell'Istruzione Superiore

Problematica
Sebbene l'Intelligenza Artificiale Generativa (GenAI) si stia integrando rapidamente nell'istruzione superiore, la letteratura esistente si concentra prevalentemente sulle intenzioni d'uso o sull'adozione auto-riportata. Queste metriche non riescono a catturare la profondità dell'impegno degli studenti, in particolare per quanto riguarda l'investimento finanziario. A differenza delle tecnologie con licenza istituzionale (ad es. i sistemi di gestione dell'apprendimento - LMS) o degli strumenti supplementari, la GenAI occupa uno spazio ambiguo caratterizzato da adattabilità generativa, opacità algoritmica ed ecosistemi a due livelli (gratuiti vs premium). Di conseguenza, esiste una lacuna critica nella comprensione dei meccanismi che traducono le percezioni degli studenti sulla GenAI nella volontà di pagare (WTP - Willingness to Pay). Questo studio affronta la mancanza di prove sistematiche riguardanti il modo in cui gli studenti valutano il valore economico degli strumenti di GenAI e se le loro intenzioni comportamentali di utilizzare tali strumenti si traducano in un effettivo impegno finanziario.

Metodologia
Lo studio impiega un disegno quantitativo trasversale utilizzando il Modello di Accettazione della Tecnologia (TAM) esteso per includere gli esiti economici.

• Campione: I dati sono stati raccolti tramite un sondaggio online da 121 studenti universitari di un grande ateneo pubblico negli Stati Uniti. Il campione comprendeva una maggioranza di partecipanti di sesso femminile (72,7%) con un'età media di 20,78 anni. La maggior parte dei partecipanti (93,4%) aveva esperienza pregressa con la GenAI, principalmente ChatGPT.
• Strumento: Il sondaggio ha misurato quattro costrutti latenti basati sul TAM: Facilità d'Uso Percepita (PEU), Utilità Percepita (PU), Intenzione Comportamentale (BI) e Volontà di Pagare (WTP). PEU, PU e BI sono stati misurati utilizzando scale Likert a 5 punti multi-item adattate dalla letteratura precedente. La WTP è stata misurata come un valore monetario concreto a item singolo (USD mensili), formulato come l'importo massimo che gli studenti pagherebbero se l'accesso gratuito venisse rimosso.
• Analisi: I dati sono stati analizzati utilizzando la Modellazione delle Equazioni Strutturali per Minimi Quadrati Parziali (PLS-SEM). Questo approccio è stato selezionato per la sua idoneità alla modellazione predittiva e per la sua capacità di gestire percorsi di mediazione complessi con il dato campione fornito. L'analisi ha valutato la affidabilità degli indicatori, la coerenza interna, la validità convergente e la validità discriminante (utilizzando i criteri di Fornell-Larcker e i rapporti HTMT) prima di testare il modello strutturale tramite bootstrapping (5.000 ricampionamenti).

Risultati Chiave
L'analisi del modello strutturale ha prodotto risultati significativi a supporto delle ipotesi proposte:

1. Effetti Diretti:
   • PEU $\to$ PU: La facilità d'uso percepita ha predetto in modo positivo e significativo l'utilità percepita ($\beta = 0,61, p < ,01$).
   • PU $\to$ BI: L'utilità percepita ha predetto fortemente l'intenzione comportamentale di utilizzare la GenAI ($\beta = 0,73, p < ,01$).
   • BI $\to$ WTP: L'intenzione comportamentale ha predetto positivamente la volontà di pagare ($\beta = 0,45, p < ,01$).
2. Effetti di Mediazione:
   • Lo studio ha confermato che la PEU non influenza direttamente la WTP. Al contrario, il suo effetto è completamente mediato da PU e BI.
   • H4: La PU media la relazione tra PEU e BI.
   • H5: La BI media la relazione tra PU e WTP.
   • H6: Esiste un percorso di mediazione seriale in cui la PEU influenza la WTP attraverso la catena di PU e BI ($\beta = 0,20, p < ,01$).
3. Fit del Modello e Potere Esplicativo:
   • Il modello ha dimostrato un buon fit (SRMR = 0,062).
   • La PEU ha spiegato il 35,2% della varianza in PU.
   • La PU ha spiegato il 53,4% della varianza in BI.
   • La BI ha spiegato il 20,4% della varianza in WTP.
   • Tutti i costrutti endogeni hanno mostrato una rilevanza predittiva positiva ($Q^2 > 0$).
4. Risultati Descrittivi:
   • Nonostante l'alto tasso di utilizzo, solo il 43% dei partecipanti ha espresso una volontà di pagare.
   • La WTP media era di $5,71 al mese, significativamente inferiore al costo cumulativo delle versioni premium di strumenti comuni (ad es. ChatGPT Plus, Grammarly, Copilot), indicando una dipendenza dai livelli gratuiti o dai sussidi istituzionali.

Contributi Chiave

• Estensione Teorica: Lo studio estende il Modello di Accettazione della Tecnologia (TAM) incorporando la Volontà di Pagare come un esito comportamentale a valle nel contesto della GenAI. Valida la logica sequenziale del TAM (PEU $\to$ PU $\to$ BI $\to$ WTP) anche quando l'esito passa dall'adozione all'impegno economico.
• Chiarificazione dei Meccanismi: Elucida che la facilità d'uso da sola è insufficiente per guidare il pagamento; essa deve prima potenziare le percezioni di utilità, che a loro volta favoriscono l'intenzione comportamentale, portando infine all'impegno finanziario.
• Evidenza Empirica: Fornisce una delle prime esaminazioni empiriche del divario tra l'uso della GenAI e la volontà di pagamento nell'istruzione superiore, evidenziando le specifiche dinamiche economiche degli ecosistemi AI a due livelli.

Significatività e Rivendicazioni
Il documento sostiene che i suoi risultati offrono una guida critica per università, fornitori di servizi AI e sviluppatori riguardo alle politiche di prezzo e di governance.

• Per le Istituzioni: I risultati suggeriscono che gli abbonamenti istituzionali dovrebbero essere negoziati prima che gli studenti sviluppino dipendenze di pagamento individuali. Fare affidamento sugli studenti affinché paghino individualmente post-adozione potrebbe fallire a causa della bassa WTP e dell'effetto "ancoraggio" dell'accesso gratuito. Inoltre, le istituzioni devono fornire linee guida chiare sull'uso etico, poiché i framework di uso responsabile possono influenzare la decisione di pagare per versioni premium più affidabili.
• Per gli Sviluppatori: I modelli di prezzo devono allinearsi con le realtà economiche degli studenti. Lo studio indica che gli studenti sono disposti a pagare solo quando gli strumenti dimostrano un valore accademico chiaro e sostenuto che giustifichi il costo oltre le alternative gratuite. Miglioramenti nell'accuratezza, nella personalizzazione e nell'integrazione del flusso di lavoro sono necessari per convertire l'intenzione d'uso in pagamento.
• Implicazioni per l'Equità: Gli autori avvertono che, senza un intervento deliberato delle istituzioni per affrontare il disallineamento dei prezzi, la transizione verso le funzionalità GenAI a pagamento rischia di ampliare le disuguaglianze educative, poiché i livelli gratuiti potrebbero ristagnare mentre le capacità premium offrono un supporto all'apprendimento superiore.

Lo studio conclude che, sebbene il TAM rimanga un framework robusto per comprendere l'adozione della GenAI, le caratteristiche uniche della GenAI (generatività, opacità e accesso a due livelli) richiedono interventi politici specifici per garantire un accesso equo e un'adozione sostenibile.