AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude
这项针对103名泰国计算机工程专业本科生的混合方法研究表明，在绩效期望的驱动下，学生对AI自动化工具（特别是n8n）表现出强烈且普遍的接受度，同时也揭示了定量研究中的热情与定性研究中对输出质量的怀疑之间的分歧，从而支持将此类工具与针对性的教学支架相结合进行课程整合。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一位试图向一群未来的工程师介绍一位全新的、超级智能的机器人助手老师。在让你把这个助手交给他们去动手创造之前，你想知道：他们真的喜欢它吗？他们觉得它有用吗？以及，他们信任它吗？
这篇论文是一份研究报告，记录了 103 名泰国计算机工程专业的学生在系列工作坊中尝试使用一种特定类型的“机器人大脑”工具（称为 n8n）后的成绩单。研究人员想要观察这些学生是否已经准备好在未来的职业生涯中拥抱 AI 自动化。
以下是研究结果的详细拆解，使用了简单的类比：
1. 设置：面向未来的“试驾”
把这些工作坊想象成一次新车的试驾。学生们不仅仅是阅读关于这辆车的资料，而是亲自坐进了驾驶位，体验了两个小时。他们使用了一个名为 n8n 的免费开源工具，将不同的数字任务连接在一起（例如，创建一个能够读取消息并将其保存到数据库的 AI 代理）。
在“试驾”结束后，学生们填写了一份简短的调查问卷。调查要求他们根据借鉴自著名技术理论的六个不同“仪表盘”来对该工具进行评分：
- 绩效预期 (Performance Expectancy)： “它能帮我完成工作吗？”
- 努力预期 (Effort Expectancy)： “它学起来难吗？”
- 行为意向 (Behavioral Intention)： “我会再次使用它吗？”
- 自我效能感 (Self-Efficacy)： “我觉得自己有能力使用它吗？”
- 享乐动机 (Hedonic Motivation)： “这有趣吗？”
- 输出质量 (Output Quality)： “这个工具给出的结果好吗？”
2. 结果：“光环效应”
学生们在各个维度上都给了该工具极高的分数。几乎所有人都认同该工具既有用、易于上手，又是他们会再次使用的工具。
大惊喜（“光环”）：
通常，当你询问人们对一个新工具的看法时，你会预期他们在不同方面会有不同的意见（例如，“它很有用，但很枯燥”或者“它很有趣，但很难用”）。
然而，研究人员发现了一些有趣的现象：学生们还无法区分这些类别。
- 类比： 想象一下通过一层略显模糊的玻璃窗看一部崭新且闪亮的智能手机。你能看到那是一部手机，而且看起来很棒，但你还无法清晰地分辨出摄像头、屏幕和电池之间的区别。
- 发现： 由于学生们只使用该工具很短的时间（仅通过了一次工作坊），他们的大脑将这六个问题合并成了一种单一的感觉：“我喜欢这个工具。” 研究人员称之为“普遍接受态度”。关于它是“有趣”还是“有用”等具体细节的区别，在他们的意识中尚未分离。
3. “信任差距”：沉默的怀疑者
虽然调查数据非常亮眼（大家都表示该工具产出了高质量的结果），但开放式评论却讲述了一个略有不同的故事。
- 类比： 想象一群人在品尝一个新蛋糕。95% 的人说：“这太好吃了！”但一小部分人（约 5%）会低声嘀咕：“等等，那层糖霜有点不均匀；有时很完美，有时又有点结块。”
- 发现： 调查显示“输出质量”很高。但少数在评论中留言的学生提到，AI 有时会给出不准确或不一致的结果。
- 为什么这很重要： 研究人员意识到，仅仅因为学生在调查中表现出信任（基于调查结果），并不意味着他们拥有校准后的信任 (Calibrated Trust)。他们可能过于信任工具，或者不知道何时应该去复核工作。论文指出，学生不仅需要学习如何使用工具，还需要学习如何识别工具何时犯错。
4. 这对教育意味着什么
论文最后提出了三个“杠杆”（工具），教师可以利用这些工具帮助学生从 AI 自动化中获益最多：
- 脚手架阶梯 (The Scaffolding Ladder)： 由于学生发现该工具有用但有时有些棘手，教师需要建立一个支持性的阶梯。从简单的步骤开始，逐渐减少“手把手”的指导，让学生在独立构建事物时感到自信。
- 信心提升 (The Confidence Boost)： 一些学生觉得他们可以使用这个工具，但前提是需要帮助。教师需要提供具体的支持，以弥合“我知道这是做什么的”与“我可以独立完成这件事”之间的差距。
- 信任校准 (The Trust Calibration)： 这是最重要的一个。教师不应该只展示工具如何完美运行。他们需要向学生展示工具何时失效。这有助于学生学会验证 AI 的工作成果，而不是盲目信任它。
总结
简而言之，这篇论文表明：未来的工程师对 AI 自动化工具感到兴奋，并认为它们很有用。 然而，在短短一次的工作坊之后，他们将该工具视为一个单一的“好东西”，而不是一个具有不同优势和弱点的复杂机器。
对于教育工作者的核心启示是：不要仅仅庆祝这种热情。 你还需要教会学生如何处理工具偶尔出现的错误，从而使他们成为聪明的、具备批判性思维的使用者，而不仅仅是快乐的使用者。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。