💻 计算机科学

A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs

本研究引入了一个统一的两阶段框架，该框架将偏最小二乘结构方程模型（PLS-SEM）与卷积神经网络（CNN）相结合，用于分析尼日利亚中小企业的人工智能采用情况，并证明了在两个模型都在相同的训练数据折叠上进行严格基准测试的情况下，虽然 PLS-SEM 证实了理论关系，但 CNN 显著提高了样本外预测的准确性。

原作者： Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

发布于 2026-10-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ayodeji Idowu, Yemisi Tomilola Babalola, Yacob Haliso, Oyebayo Ridwan Olaniran

原始论文采用 CC BY 4.0 许可（https://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

小企业是全球经济的支柱，雇佣了全球一半的劳动力，并构成了世界各地企业的绝大多数。然而，在采用人工智能等新技术方面，这些规模较小的公司往往落后于其规模较大的同行。这种差距通常不是因为技术无法获得或过于昂贵，而是由于意愿的问题。小企业的决策者必须首先了解这项技术能做什么，然后决定是否要使用它。研究人员长期以来一直试图绘制出影响这一决策的因素图谱，例如企业主是否信任该技术、他们是否具备必要的数字技能，或者他们是否感受到来自竞争对手的压力。传统上，科学家们使用统计工具在这些因素与最终的采用决策之间画出直线，假设它们之间的关系是简单且直接的。然而，人类行为和商业环境很少如此直截了当，而用于研究它们的工具往往难以捕捉到人们实际做出选择时那种混乱且非线性的现实。

来自尼日利亚和英国的一个研究小组着手测试，一种更先进的方法是否可以揭示小企业如何决定使用人工智能的更清晰图景。他们针对尼日利亚 1,210 家中小企业的特定群体进行了研究，调查了企业主对各种人工智能工具的认知度、对该技术的信任度以及采用该技术的意向。研究人员结合了两种不同的分析方法。第一种是标准的统计方法，用于测试关于不同因素如何连接的预定义理论。第二种是一种被称为卷积神经网络的人工智能类型，这种系统旨在发现标准统计学可能会错过的复杂数据模式。至关重要的是，研究团队并非只是将这两种方法先后应用于不同的数据集，而是构建了一个统一的系统，其中第一种方法的结果塑造了第二种方法的输入，并且他们在完全相同的数据块上测试了两种模型，以确保公平比较。

研究始于确认一组可能影响企业决策的十五个不同因素。这些因素包括技术层面（如工具的有用性或易用性）、组织层面（如高层管理的支持和员工的数字素养）以及环境层面（如政府支持和竞争压力）。研究人员还测量了企业主对 AI 的信任程度以及他们对市场上特定工具的认知程度。在分析数据时，他们发现这十五个因素中的几乎每一个都发挥了作用。最强的驱动因素是对比技术的信任度和公司内部的数字素养水平。有趣的是，研究人员发现这些因素很少直接影响采用 AI 的决策。相反，它们通过首先提高企业主对 AI 能做什么的认知程度来发挥作用。一旦决策者意识到了这项技术，这种认知便成为了通往采用意向的主要门户。信任是唯一以两种方式发挥作用的因素：它既能增加认知度，也能在不依赖于认知度的情况下直接提升采用意愿。

研究人员随后测试了其复杂的人工智能模型是否比标准统计模型能更好地预测采用意向。他们发现，神经网络确实表现得稍好一些，其预测误差比标准模型降低了约 2%。这种提升在统计学上是显著的，意味着不太可能是偶然现象。然而，研究也揭示了一个令人惊讶的局限性。当研究人员将该神经网络与其他更简单的机器学习工具（如随机森林算法或基础的前馈网络）进行比较时，发现该神经网络并没有表现得更好。这表明，这种进步并非来自于神经网络特定的复杂架构，而仅仅是因为它允许了非线性关系的存在，而标准统计模型无法捕捉到这一点。研究还发现，使用经过验证的测量模型对调查问题进行分组是至关重要的。当研究人员尝试在不进行分组的情况下使用所有原始调查问题来预测采用情况时，结果明显变差，这证明了根据理论组织数据与预测方法本身同样重要。

最终，这项研究强调，对于小企业而言，采用人工智能的路径是由“认知”铺就的。背景因素（如政府支持、财务准备情况或竞争压力）并不直接推动企业采用 AI；它们首先推动企业主去了解这项技术。一旦建立了这种认知，采用意向便随之而来。该研究同时也为科学界提供了一个方法论上的教训。它表明，虽然先进的机器学习工具可以提供略微的预测优势，但必须将其与较简单的替代方案进行公平测试，以理解究竟是什么驱动了这种改进。在这种情况下，收益来自于让数据以其自身复杂且非线性的声音说话，而不是强行将其塞入一条直线，而非神经网络本身的复杂性才是神奇的成分。研究结果证实，理论仍然重要：围绕既定概念组织数据，有助于即使是最先进的算法也能更好地理解世界。

技术摘要：结合卷积神经网络与 PLS-SEM 的混合分析，研究中小企业对人工智能的采用意向

问题陈述
关于技术采用（特别是中小企业对人工智能 AI 的采用）的实证研究在历史上一直依赖于偏最小二乘结构方程模型（PLS-SEM）。虽然该方法在假设检验和解释样本内方差方面非常有效，但面临三个关键局限性：

预测效度： 模型通常基于样本内解释力（ $R^2$ ）而非样本外预测性能进行评估，导致可能高估模型的迁移性。
函数形式假设： 传统的 PLS-SEM 假设线性关系，无法捕捉到在采用行为中可能存在的非线性动态（例如能力阈值或收益递减）。
存在缺陷的混合方法论： 现有的将 SEM 与人工神经网络（ANN）相结合的混合方法，通常在从结构模型导出的构念得分上训练神经网络，并在独立的样本拆分上进行评估。这种方法论阻碍了对结构模型与预测模型之间进行正式、统计严谨比较的可能性，使得“相互验证”的说法变得无法测试。

研究方法
本研究提出了一个统一的两阶段评估框架，应用于来自 1,210 家尼日利亚中小企业的数据。该设计通过三种明确的架构耦合，将验证性阶段与预测性阶段整合在一起：

第一阶段：验证性 PLS-SEM
- 目标： 验证测量模型，估计潜在构念，并基于整合的技术-组织-环境（TOE）、创新扩散（DOI）及行为框架进行假设检验。
- 模型： 一个包含 15 个构念（13 个前因变量、1 个中介变量、1 个结果变量）和 15 个假设的结构模型。
- 输出： 经过验证的构念得分和标准化路径系数为下一阶段提供基础。
第二阶段：预测性卷积神经网络（CNN）
- 输入表示： 研究并非使用原始指标或简单的构念得分，而是将每位受访者编码为一个 2D 张量（ $14 \times 6$ ）。行代表 14 个经过验证的构念（13 个前因变量 + 1 个中介变量），列代表其保留的指标。
- 架构：
  - 构念内卷积： 1D 卷积核（具体为 $1 \times 3$ ）沿指标轴滑动，以学习 PLS-SEM “外模型”的聚合模拟。
  - 构念间卷积： 1D 卷积核（具体为 $3 \times 1$ ）沿构念轴滑动，以学习构念间的关系，作为学习到的“内模型”模拟。
- 评估协议： 至关重要的是，CNN、PLS-SEM 结构模型以及四个替代基准模型（前馈人工神经网络、随机森林、构念得分 CNN 和普通最小二乘法）均使用相同的 10 折交叉验证拆分进行评估。这确保了可比性的样本外比较。
- 统计严谨性： 性能差异通过配对 t 检验、Wilcoxon 符号秩检验和效应量（Cohen's $d$ ）进行评估。

主要结果

结构性发现： 所有 15 个假设均得到支持。该模型解释了 AI 知晓度 61.1% 的方差和 AI 采用意向 54.7% 的方差。
- 中介作用： AI 知晓度完全中介了 13 个前因变量中 12 个对采用意向的影响。
- 信任： 对 AI 的信任是唯一表现出互补部分中介的构念，它通过直接和间接（通过知晓度）路径影响意向。
预测性能：
- 与 PLS-SEM 结构基准相比，项目张量 CNN 实现的样本外 RMSE 降低了 2.06%（ $p = 0.032$ ）。
- 然而，CNN 并未显著优于 前馈人工神经网络或随机森林。这表明性能增益源于放宽了线性函数形式的假设，而非特定的卷积架构或网络深度。
- 降维价值： 使用所有 68 个原始指标训练的 OLS 模型表现明显较差（RMSE 高出 2.97%），而基于两个预测变量的结构模型表现更好。这证实了通过经过验证的测量模型进行理论引导的降维对于此类样本规模的研究至关重要。
重要性分析： 通过 CNN 的排列重要性（Permutation Importance）与 PLS-SEM 的标准化路径系数进行对比，两者显示出广泛的一致性（Spearman $\rho = 0.503$ ），AI 知晓度和信任被两者均识别为主要的预测因子。

意义与主张
本文声称通过解决方法论透明度和严谨性，推进了混合 SEM-ANN 研究：

架构集成： 它形式化了一种混合架构，其中测量模型定义了深度网络的输入表示，使得构念性阶段与预测性阶段之间的联系是架构层面的，而非仅仅是顺序性的。
la 可证伪性测试： 通过在相同的交叉验证折叠上对所有模型进行评估并进行配对统计检验，本研究提供了一种在混合文献中罕见的推断透明度。它证明，只有当神经模型在相同数据分区上与结构模型进行测试时，关于“神经确认”结构模型的说法才是有效的。
测量理论的角色： 本研究提供了经验证据，表明在样本量适中（ $N \approx 1,200$ ）的调查研究中，通过 PLS-SEM 进行的理论引导降维比应用于高维原始数据的灵活估计器能更好地保留预测信息。
实质性洞察： 研究结果强化了扩散理论中的“阶段性决策逻辑”，确定了 AI 知晓度是上下文因素影响采用意向的近乎普遍的门户，而信任则是独特的双路径驱动因素。

作者保持了审慎的态度，承认观察到的相对于线性模型的预测增益是微小的（仅几个百分点），并且在这种背景下，特定的 CNN 架构并未比随机森林等更简单的非线性基准模型提供优势。其主要贡献在于提供了一个严谨比较的方法论框架，而非深度学习本身的优越性。

技术摘要：结合卷积神经网络与 PLS-SEM 的混合分析，研究中小企业对人工智能的采用意向

类似论文