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

テクニカル・サマリー：高等教育における生成AIへの支払意欲に関する行動経路

問題提起
生成AI（GenAI）は高等教育に急速に統合されつつあるが、既存の文献は主に利用意図や自己申告による採用状況に焦点を当てている。これらの指標は、特に金銭的な投資に関する学生のコミットメントの深さを捉えきれていない。機関がライセンスを保有するテクノロジー（学習管理システムなど）や補完的なツールとは異なり、生成AIは、生成的適応性、アルゴリズムの不透明性、そして二層構造のエコシステム（無料版 vs 有料版）という特徴を持つ曖昧な領域を占めている。その結果、学生の生成AIに対する認識がいかにして支払意欲（WTP）へと変換されるのかというメカニズムに関する理解には、決定的な空白が存在する。本研究は、学生が生成AIツールの経済的価値をどのように評価しているのか、また、これらのツールを使用しようとする行動意図が実際の金銭的コミットメントへと結びついているのかどうかに関する体系的なエビデンスの欠如に対処するものである。

調査手法
本研究では、経済的成果を含めるように拡張された技術受容モデル（TAM）を用いた、定量的かつ横断的な設計を採用している。

• サンプル: 米国の大型公立大学の学部生121名を対象に、オンライン調査を通じてデータを収集した。サンプルは女性の参加者が多数（72.7%）を占め、平均年齢は20.78歳であった。ほとんどの参加者（93.4%）が、主にChatGPTを用いた生成AIの利用経験を有していた。
• 調査票: 調査では、TAMに基づく4つの潜在変数（知覚された使いやすさ［PEU］、知覚された有用性［PU］、行動意図［BI］、および支払意欲［WTP］）を測定した。PEU、PU、BIは、先行文献を翻案した多項目5段階リッカート尺度を用いて測定された。WTPは、無料アクセスが撤廃された場合に学生が支払う最大金額としてフレームワーク化された、単一項目の具体的な金額（月額米ドル）として測定された。
• 分析: データは、部分的最小二乗構造方程式モデリング（PLS-SEM）を用いて分析された。この手法は、予測モデリングへの適合性と、与えられたサンプルサイズにおける複雑な媒介経路の処理能力に適しているため選択された。分析では、構造モデルのテストを行う前に、ブートストラップ法（5,000回の再サンプリング）を用いて、指標の信頼性、内部一貫性、収束妥当性、および判別妥当性（Fornell-Larcker基準およびHTMT比を使用）を評価した。

主な結果
構造モデル分析の結果、提案された仮説を支持する有意な知見が得られた：

1. 直接効果:
   • PEU → PU: 知覚された使いやすさは、知覚された有用性を正に、かつ有意に予測した ($\beta = 0.61, p < .01$)。
   • PU → BI: 知覚された有用性は、生成AIの使用に対する行動意図を強く予測した ($\beta = 0.73, p < .01$)。
   • BI → WTP: 行動意図は、支払意欲を正に予測した ($\beta = 0.45, p < .01$)。
2. 媒介効果:
   • 本研究では、PEUはWTPに直接的な影響を与えないことが確認された。代わりに、その効果はPUとBIを通じて完全に媒介される。
   • H4: PUは、PEUとBIの関係を媒介する。
   • H5: BIは、PUとWTPの関係を媒介する。
   • H6: PEUがPUとBIの連鎖を通じてWTPに影響を与えるという、系列的な媒介経路が存在する ($\beta = 0.20, p < .01$)。
3. モデル適合度と説明力:
   • モデルは良好な適合度を示した（SRMR = 0.062）。
   • PEUはPUの分散の35.2%を説明した。
   • PUはBIの分散の53.4%を説明した。
   • BIはWTPの分散の20.4%を説明した。
   • すべての内生変数は、正の予測関連性（$Q^2 > 0$）を示した。
4. 記述的知見:
   • 高い利用率にもかかわらず、支払意欲を示した参加者はわずか43%であった。
   • 平均WTPは月額5.71ドルであり、一般的なツール（例：ChatGPT Plus、Grammarly、Copilot）のプレミアム版の累積コストよりも大幅に低かった。これは、無料版への依存または機関による補助への依存を示唆している。

主要な貢献

• 理論的拡張: 本研究は、生成AIの文脈において、支払意欲をダウンストリームの行動結果として組み込むことにより、技術受容モデル（TAM）を拡張している。これは、アウトカムが「採用」から「経済的コミットメント」へと移行する場合でも、TAMの逐次的な論理（PEU $\to$ PU $\to$ BI $\to$ WTP）が妥当であることを検証している。
• メカニズムの明確化: 使いやすさだけでは支払いを促すには不十分であり、それがまず有用性の認識を高め、それが行動意図を育み、最終的に金銭的コミットメントへとつながる必要があることを解明した。
• 実証的エビデンス: 生成AIの利用と支払意欲の間のギャップを、高等教育の文脈で実証的に検証した最初期の研究の一つであり、二層構造のAIエコシステムにおける特定の経済的ダイナミクスを浮き彫りにしている。

意義と主張
本論文は、その知見が価格設定およびガバナンス政策に関して、大学、AIサービスプロバイダー、および開発者に重要な指針を提供すると主張している。

• 教育機関に対して: 結果は、学生が個別の支払依存心を形成する「前」に、機関によるサブスクリプション交渉を行うべきであることを示唆している。採用後の学生による個別支払に頼ることは、低いWTPや「アンカリング効果（無料アクセスの慣習）」により失敗する可能性がある。さらに、機関は倫理的な利用に関する明確なガイドラインを提供する必要がある。なぜなら、責任ある利用の枠組みが、プレミアムで信頼性の高いバージョンへの支払いの決定に影響を与える可能性があるからである。
• 開発者に対して: 価格モデルは学生の経済的現実と一致させる必要がある。本研究は、学生が、無料の代替手段を超えて明確かつ持続的な学術的価値を証明できた場合にのみ、支払う意思があることを示している。使用意図を支払いへと転換するためには、正確性、パーソナライゼーション、およびワークフローへの統合の向上が不可欠である。
• 公平性の影響: 著者らは、価格設定の不一致に対処するための意図的な機関的措置がない場合、有料版の生成AI機能への移行が教育格差を広げるリスクがあると警告している。なぜなら、無料版は停滞する一方で、プレミアム機能はより優れた学習支援を提供する可能性があるからである。

本研究は、TAMが生成AIの採用を理解するための堅牢な枠組みであり続ける一方で、生成AIの特有の性質（生成性、不透明性、および二層アクセスの存在）は、公平なアクセスと持続可能な採用を確保するために、特定の政策的介入を必要とすると結論付けている。