大學老師為什麼信任（或不信任）生成式 AI

1. 基本資訊

Lelescu、Sava、Grosseck 與 Malita（2025）發表〈Exploring trust in generative AI for higher education institutions: a systematic literature review focused on educators〉，刊於 Humanities and Social Sciences Communications，12，1961。文章以 2019 年至 2024 年 8 月的研究為範圍，依 PRISMA 2020 回顧 37 篇聚焦高等教育教育工作者與生成式 AI 信任的同儕審查期刊論文。期刊與 DOI 可確認；本文品質定位為正式期刊系統性文獻回顧，但其提出的模型仍待實證驗證。

2. 研究問題

核心問題是：哪些因素與制度策略影響教育工作者採用 GenAI 的信任？RQ1 探討教育工作者的信任因素，RQ2 探討領導支持、政策與培訓如何與這些因素交互作用。研究動機在於既有 AI 信任框架偏重人、技術與一般情境，未充分處理教育者的教學信念、專業自主、制度治理及高教特有的倫理情境。

3. 理論基礎

作者整合 AI 信任研究、Mayer 等人的制度信任／結構保證、TAM／UTAUT、TPACK 與教育 AI 信任研究。信任被視為處理不確定性、控制人機互動範圍的動態心理與制度過程，並區分認知信任（對輸出、準確性與功能的判斷）和情感信任（安全感、舒適感與信心）。作者據此提出三維模型：Trustor／Educator、Socio-Ethical Context、Trustee／GenAI，並以 Institutional Strategies 作為底層促成條件。

4. 研究架構

分析架構把教育者因素分成 demographics、familiarity、self-efficacy、sense of control、hedonic motivation、emotional experience、trust propensity、pedagogical beliefs 與 pedagogical knowledge；社會倫理因素包括 utilitarian value、social influence 與 ethical use；制度策略則包括 leadership support、policies and guidelines、professional support and training。這不是因果模型，而是用來進行演繹式編碼與跨研究比較的概念框架。

5. 假設／命題邏輯

本文是系統性回顧與概念模型論文，沒有硬編統計假設。其命題邏輯是：教育者的熟悉度、自我效能與可控感形成信任的認知橋樑；教學信念與 GenAI 的教學用途契合度會調節「有用性—信任」關係；同儕影響與倫理疑慮構成社會情境；而領導、政策與培訓提供制度性結構保證，將個人信任轉化為可持續採用。

6. 方法

作者於 ERIC、EBSCOhost、Web of Science、ProQuest、Scopus 搜尋，另以 Google Scholar 進行手動追蹤。初始 1,380 篇，篩選後 444 篇進入進一步審查，最後納入 37 篇。納入條件包括 2019–2024、英文、同儕審查期刊、與 GenAI／高教／教育者／信任或採用相關；排除會議論文、預印本、只研究學生及非高教研究。兩位研究者進行資格判定，報告 92% 一致率與 Cohen’s κ=.77；以 ATLAS.ti 25 依提出的模型演繹編碼，並以品質標準評估。

7. 結果

37 篇研究來自 19 個國家，24 篇為實證研究（14 量化、6 質化、4 混合）。教育者因素中，熟悉度出現 9 篇、自我效能 7 篇、可控感 8 篇、情感經驗 7 篇；教學信念與教學知識各 5 篇。社會倫理因素中，有用性 10 篇、社會影響 8 篇、倫理使用 6 篇。制度策略以專業支持／培訓最常見（17 篇，45.9%），政策／指引次之（12 篇，32.4%），領導支持最少（4 篇，10.8%）。整體顯示：有用性只有在符合教學信念與可控感時才穩定轉化為信任；教育者希望保留 human-in-the-loop 的判斷與監督權。

8. 理論貢獻

最重要貢獻是把高教場域的專業身分、教學哲學與制度中介放進 AI 信任理論，挑戰把 TAM／UTAUT 的有用性視為普遍有效預測因子的做法。文章也將倫理疑慮從一般技術特徵提升為獨立的信任障礙，並指出制度策略的「有無」與實際執行不是同一件事。其理論創新具啟發性，但因模型由既有研究演繹而來，尚不能宣稱已獲得因果或預測效度支持。

9. 實務意涵

高教機構應由領導層透明溝通並與教師共同設計政策，採分階段、包容性的導入方式，提供涵蓋 AI 素養、偏誤、學術誠信、評量與資料倫理的專業發展。培訓應連結教師的教學目標與課堂情境，並透過 train-the-trainer 和同儕社群建立正向使用經驗。制度上不能只發布禁令或原則，還要讓教育者參與治理並保有監督、修正與拒絕 AI 輸出的權限。

10. 研究限制

研究只納入英文、2019 年後的同儕審查期刊，可能排除非英語與不同 GenAI 工具的觀點；樣本高度集中於 ChatGPT，且 GenAI 變化快速，結論可能很快需要更新。演繹式編碼可能漏掉尚未被既有框架命名的新因素；人口統計結果互相矛盾，也顯示模型過度簡化跨文化、學科與制度差異。最關鍵的是，領導支持的理論重要性與文獻中低出現率，可能反映研究缺口而不一定代表實務效果低。

11. 對我研究的啟發

這篇文章可直接支援「Human–GenAI collaboration」與 AI × 知識創造／創新機制的研究設計：不要只測 perceived usefulness 或使用意圖，應把「專業自主／human-in-the-loop」、「任務與教學目標契合度」、「制度性支持」與「倫理安全感」視為協作品質的前置條件。若延伸到組織或知識工作者場景，可把教學信念替換為專業認知框架，把培訓與領導支持操作化為促進人機共同建構知識的制度能力，並測試其對信任、批判評估、創意產出與過度依賴的差異影響。

12. 整體評價

值得收進核心文獻，特別適合作為 AI 信任與高教／專業場域的 framing paper，也可作為構念盤點與研究問題設計的理論參考；不宜單獨作為因果實證支持。優點是把個人、教學／專業價值、社會倫理和制度策略放在同一框架，並以清楚的 PRISMA 流程整理快速成長的研究。主要疑點是模型的理論新增量尚未透過量表、縱貫資料或介入研究驗證，且搜尋截止於 2024 年 8 月；期刊與索引可確認，但本文的模型效度仍應標示「未明確確認」。