📈 economics

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

Deze studie maakt gebruik van het Technology Acceptance Model om aan te tonen dat de bereidheid van bachelorstudenten om te betalen voor generatieve AI-tools in het hoger onderwijs wordt gedreven door de waargenomen gebruiksvriendelijkheid en bruikbaarheid, wat gedragsintenties bevordert die uiteindelijk resulteren in een financiële toezegging.

Oorspronkelijke auteurs: Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Waarom zouden studenten betalen voor AI?

Stel je Generatieve AI (zoals ChatGPT) voor als een nieuw, magisch keukenapparaat. Het kan groenten snijden, sauzen mengen en zelfs recepten voor je schrijven. Op dit moment gebruiken de meeste studenten de "gratis proefversie" van dit apparaat. Ze zijn er dol op, maar ze betalen er niet voor.

Deze studie stelde een simpele vraag: Wat zorgt ervoor dat een student besluit zijn portemonnee te trekken en een maandelijkse vergoeding te betalen voor dit apparaat?

De onderzoekers vroegen niet alleen: "Vind je het leuk?" Ze keken naar de mentale stappen die een student doorloopt voordat hij bereid is geld uit te geven. Ze gebruikten een klassiek psychologisch kader genaamd het Technology Acceptance Model (TAM), wat een soort recept is voor hoe mensen beslissen om nieuwe technologie te gebruiken.

Het Drie-Stappen "Betalingspad"

De studie toonde aan dat studenten niet zomaar wakker worden en besluiten te gaan betalen. Ze gaan door een specifieke kettingreactie, zoals domino's die omvallen. Zo werkt het:

1. De "Gemakkelijke Knop" (Perceived Ease of Use / Waargenomen gebruiksgemak)

Het Concept: Is het apparaat moeilijk te begrijpen? Heb je een handleiding nodig, of kun je het gewoon oppakken en beginnen met koken?
De Bevinding: Als de AI-tool soepel, simpel en intuïtief aanvoelt, zijn studenten eerder geneigd te denken: "Hé, dit is eigenlijk best nuttig."
Analogie: Denk aan een nieuwe gamecontroller. Als de knoppen stroef en verwarrend zijn, zul je het spel niet leuk vinden. Maar als de controller voelt als een verlengstuk van je hand, begin je te geloven dat het spel het waard is om te spelen.

2. De "Waardecheck" (Perceived Usefulness / Waargenomen bruikbaarheid)

Het Concept: Helpt dit hulpmiddel mij echt om mijn huiswerk sneller of beter af te krijgen?
De Bevinding: Dit is de belangrijkste stap. Studenten betalen alleen als ze het gevoel hebben dat het hulpmiddel echt helpt bij hun cijfers of hen tijd bespaart.
Analogie: Alleen omdat een auto makkelijk te besturen is (Stap 1), betekent niet dat je hem zult kopen. Je moet wel geloven dat hij je op tijd op je werk brengt en je benzinekosten bespaart (Stap 2). De studie vond dat "gebruiksgemak" alleen leidt tot "betalingsbereidheid" als het eerst de student ervan overtuigt dat het hulpmiddel daadwerkelijk nuttig is.

3. De "Verbintenis" (Behavioral Intention / Gedragsintentie)

Het Concept: Ben ik van plan om dit hulpmiddel volgende week, volgende maand en volgend semester te blijven gebruiken?
De Bevinding: Zodra studenten zien dat het hulpmiddel gemakkelijk en nuttig is, vormen ze een plan om het te blijven gebruiken. Dit plan is de brug naar betalen.
Analogie: Dit is als besluiten om lid te worden van een sportschool. Je probeert de apparatuur uit (Gemakkelijk), je beseft dat het helpt om fit te worden (Nuttig), en dan besluit je: "Ik ga hier elke dinsdag naartoe" (Intentie).

Het Eindresultaat: Betalingsbereidheid (Willingness to Pay)

De Bevinding: Pas nadat de student heeft besloten dat hij het hulpmiddel blijft gebruiken, overweegt hij om te gaan betalen.
De Werkelijkheid: De studie toonde een enorme kloof aan. Hoewel studenten dol zijn op deze tools, zei slechts ongeveer 43% dat ze er voor zouden betalen. Het gemiddelde bedrag dat zij bereid waren te betalen was $5,71 per maand.
Het Probleen: Echte premium abonnementen voor tools zoals ChatGPT Plus, Grammarly en GitHub Copilot kosten veel meer dan $5,71 gecombineerd. Het is alsover studenten zeggen: "We houden van deze auto, maar we willen slechts $5 per maand voor benzine betalen, terwijl het $40 kost."

Wat de studie niet zegt (en wat het wél zegt)

Het zegt niet: "Universiteiten moeten studenten dwingen te betalen."
- Het zegt eigenlijk: Studenten zijn momenteel afhankelijk van gratis versies. Als universiteiten willen dat studenten betalen, moeten de tools bewijzen dat ze onmisbaar zijn.
Het zegt niet: "AI is perfect."
- Het zegt eigenlijk: Studenten zijn alleen bereid te betalen wanneer het hulpmiddel hun werk betrouwbaar verbetert. Als het hulpmiddel glitchy of moeilijk in gebruik is, zullen ze niet betalen.
Het zegt niet: "Dit geldt voor iedereen."
- Het zegt eigenlijk: Deze studie keek naar 121 bachelorstudenten aan één Amerikaanse universiteit. Het is een momentopname van een specifieke groep, niet een regel voor de hele wereld.

De Belangrijkste Les

Zie deze studie als een kaart van de portemonnee van een student. Het laat zien dat studenten niet voor AI betalen omdat het "cool" of "gemakkelijk" is. Ze betalen omdat ze in een routine zijn beland waarbij het hulpmiddel essentieel is voor hun succes.

Het pad naar de portemonnee van een student ziet er zo uit:

Het is gemakkelijk in gebruik $\rightarrow$
Het helpt mij te leren $\rightarrow$
Ik ben van plan het voor altijd te gebruiken $\rightarrow$
Oké, ik zal ervoor betalen.

Als een van de schakels in deze keten gebrekkig is (bijvoorbeeld als het hulpmiddel wel gemakkelijk is, maar niet echt helpt bij het huiswerk), zal de student tevreden blijven met de gratis versie. De studie suggereert dat voor universiteiten en bedrijven om studenten te laten betalen, ze zich moeten richten op het maken van tools die zo nuttig zijn dat studenten het gevoel hebben dat ze hun schoolwerk niet zonder kunnen doen.

Technische Samenvatting: Gedragsmatige paden achter de bereidheid van studenten om te betalen voor GenAI in het hoger onderwijs

Probleemstelling
Hoewel Generatieve Kunstmatige Intelligentie (GenAI) snel integreert in het hoger onderwijs, richt de bestaande literatuur zich voornamelijk op gebruiksintenties of zelfgerapporteerde adoptie. Deze metrieken slagen er niet in de diepgang van de betrokkenheid van studenten te vatten, met name wat betreft financiële investering. In tegenstelling tot institutioneel gelicentieerde technologieën (bijv. Learning Management Systemen) of aanvullende tools, neemt GenAI een ambigue positie in die wordt gekenmerkt door generatieve aanpasbaarheid, algoritmische opaciteit en duaal-getierde ecosystemen (gratis versus premium). Bijgevolg is er een kritiek gat in het begrip van de mechanismen die de percepties van studenten over GenAI vertalen naar een bereidheid om te betalen (Willingness to Pay, WTP). Deze studie adresseert het gebrek aan systematisch bewijs over hoe studenten de economische waarde van GenAI-tools evalueren en of hun gedragsintenties om deze tools te gebruiken zich vertalen naar een werkelijke financiële toezegging.

Methodologie
De studie hanteert een kwantitatief, cross-sectioneel ontwerp waarbij het Technology Acceptance Model (TAM) wordt uitgebreid met economische uitkomsten.

Steekproef: Gegevens werden verzameld via een online enquête onder 121 bachelorstudenten aan een grote openbare universiteit in de Verenigde Staten. De steekproef bestond voornamelijk uit vrouwelijke participanten (72,7%) met een gemiddelde leeftijd van 20,78 jaar. De meeste participanten (93,4%) hadden voorafgaande ervaring met GenAI, voornamelijk ChatGPT.
Instrument: De enquête mat vier latente constructen gebaseerd op TAM: Perceived Ease of Use (PEU - ervaren gebruiksgemak), Perceived Usefulness (PU - ervaren nut), Behavioral Intention (BI - gedragsintentie) en Willingness to Pay (WTP - bereidheid om te betalen). PEU, PU en BI werden gemeten met behulp van multi-item 5-punts Likert-schalen aangepast uit eerdere literatuur. WTP werd gemeten als een enkelvoudige, concrete monetaire waarde (maandelijkse USD), geformuleerd als het maximale bedrag dat studenten zouden betalen als gratis toegang zou worden ingetrokken.
Analyse: Gegevens werden geanalyseerd met behulp van Partial Least Squares Structural Equation Modeling (PLS-SEM). Deze benadering werd gekozen vanwege de geschiktheid voor predictieve modellering en het vermogen om complexe mediatiepaden te verwerken met de gegeven steekproefomvang. De analyse beoordeelde indicatorbetrouwbaarheid, interne consistentie, convergentievaliditeit en discriminantievaliditeit (met behulp van de Fornell-Larcker criteria en HTMT-ratio's) voordat het structurele model werd getest via bootstrapping (5.000 resamples).

Belangrijkste Resultaten
De analyse van het structurele model leverde significante bevindingen op die de voorgestelde hypothesen ondersteunen:

Directe Effecten:
- PEU → PU: Ervaren gebruiksgemak voorspelde de ervaren nut positief en significant ( $\beta = 0,61, p < ,01$ ).
- PU → BI: Ervaren nut voorspelde de gedragsintentie om GenAI te gebruiken sterk ( $\beta = 0,73, p < ,01$ ).
- BI → WTP: Gedragsintentie voorspelde de bereidheid om te betalen positief ( $\beta = 0,45, p < ,01$ ).
Mediatie-effecten:
- De studie bevestigde dat PEU geen directe invloed heeft op WTP. In plaats daarvan wordt het effect volledig gemedieerd door PU en BI.
- H4: PU medieert de relatie tussen PEU en BI.
- H5: BI medieert de relatie tussen PU en WTP.
- H6: Er bestaat een serieel mediatiepad waarbij PEU de WTP beïnvloedt via de keten van PU en BI ( $\beta = 0,20, p < ,01$ ).
Model Fit en Verklarende Kracht:
- Het model vertoonde een goede fit (SRMR = 0,062).
- PEU verklaarde 35,2% van de variantie in PU.
- PU verklaarde 53,4% van de variantie in BI.
- BI verklaarde 20,4% van de variantie in WTP.
- Alle endogene constructen vertoonden een positieve voorspellende relevantie ( $Q^2 > 0$ ).
Descriptieve Bevindingen:
- Ondanks hoge gebruikscijfers uitte slechts 43% van de participanten een bereidheid om te betalen.
- De gemiddelde WTP was $5,71 per maand, aanzienlijk lager dan de cumulatieve kosten van premiumversies van veelvoorkomende tools (bijv. ChatGPT Plus, Grammarly, Copilot), wat wijst op een afhankelijkheid van gratis versies of institutionele subsidies.

Belangrijkste Bijdragen

Theoretische Uitbreiding: De studie breidt het Technology Acceptance Model (TAM) uit door Willingness to Pay op te nemen als een downstream gedragsuitkomst in de context van GenAI. Het valideert de sequentiële logica van TAM (PEU $\to$ PU $\to$ BI $\to$ WTP), zelfs wanneer de uitkomst verschuift van adoptie naar economische toezegging.
Verduidelijking van Mechanismen: Het verheldert dat gebruiksgemak alleen onvoldoende is om betaling te stimuleren; het moet eerst de perceptie van nut verhogen, wat vervolgens de gedragsintentie bevordert, wat uiteindelijk leidt tot een financiële toezegging.
Empirisch Bewijs: Het biedt een van de eerste empirische onderzoeken naar de kloof tussen GenAI-gebruik en de bereidheid tot betaling in het hoger onderwijs, waarbij de specifieke economische dynamiek van duaal-getierde AI-ecosystemen wordt belicht.

Betekenis en Claims
Het artikel claimt dat de bevindingen cruciale richtlijnen bieden voor universiteiten, AI-dienstverleners en ontwikkelaars met betrekking tot prijsstelling en governance-beleid.

Voor Instellingen: De resultaten suggereren dat institutionele abonnementen onderhandeld moeten worden voordat studenten individuele betalingsafhankelijkheden ontwikkelen. Vertrouwen op studenten om individueel te betalen na adoptie kan falen door een lage WTP en het "anchoring effect" van gratis toegang. Bovendien moeten instellingen duidelijke richtlijnen bieden over ethisch gebruik, aange_zien kaders voor verantwoord gebruik de beslissing om te betalen voor premium, betrouwbare versies kunnen beïnvloeden.
Voor Ontwikkelaars: Prijsmodellen moeten aansluiten bij de economische realiteit van studenten. De studie geeft aan dat studenten alleen bereid zijn te betalen wanneer tools duidelijk, duurzaam academisch nut demonstreren dat de kosten rechtvaardigt ten opzichte van gratis alternatieven. Verbeteringen in nauwkeurigheid, personalisatie en workflow-integratie zijn noodzakelijk om gebruiksintentie om te zetten in betaling.
Gelijkheid implicaties: De auteurs waarschuwen dat zonder doelbewuste institutionele actie om de mismatch in prijsstelling aan te pakken, de overgang naar betaalde GenAI-functies het risico loopt de onderwijsongelijkheid te vergroten, aangezien gratis versies kunnen stagneren terwijl premium mogelijkheden superieure leerondersteuning bieden.

De studie concludeert dat hoewel TAM een robuust kader blijft voor het begrijpen van GenAI-adoptie, de unieke kenmerken van GenAI (generativiteit, opaciteit en duaal-getierde toegang) specifieke beleidsinterventies vereisen om rechtvaardige toegang en duurzame adoptie te waarborgen.

Het Grote Plaatje: Waarom zouden studenten betalen voor AI?

Het Drie-Stappen "Betalingspad"

Wat de studie niet zegt (en wat het wél zegt)

De Belangrijkste Les

Technische Samenvatting: Gedragsmatige paden achter de bereidheid van studenten om te betalen voor GenAI in het hoger onderwijs

Meer zoals dit