AI 수용 의도 결정 요인 분석 — DOI·TOE·TAM 통합 모형 기반 구조방정식 연구 (Computers 2025)

 

2025년 MDPI Computers 저널에 게재된 Abulail 외(2025)의 연구 "Exploring the Factors Influencing AI Adoption Intentions in Higher Education: An Integrated Model of DOI, TOE, and TAM"을 분석하고 정리한 내용입니다.

고등교육 기관에서 AI 수용 의도에 영향을 미치는 기술적·조직적·환경적 요인을 실증 분석한 연구로, SPSS AMOS 24를 활용한 CB-SEM(Covariance-Based Structural Equation Modeling) 방법론을 적용했습니다. DOI(혁신 확산 이론), TOE(기술-조직-환경 프레임워크), TAM(기술 수용 모형)을 통합한 개념 모형을 제안하고, 367명의 고등교육 종사자 데이터를 기반으로 13개 연구가설을 검증했습니다.

AI 관련 연구를 준비하거나, CB-SEM 분석 절차와 방법론 구성을 참고하려는 연구자에게 실질적인 도움이 될 내용을 담았습니다.

논문작성 및 논문통계 상담문의

1. 연구의 필요성

AI 기술은 마케팅, 제조, 금융, 의료를 넘어 교육 현장에서도 확산되고 있습니다. 고등교육 분야에서 AI는 개인 맞춤형 학습, 지능형 튜터링 시스템, 행정 업무 자동화 등 다양한 형태로 활용 가능성이 열려 있습니다.

그런데 실제 도입 현장에서는 예산 제약, 기술 인력 부족, 낮은 인식 수준이라는 장벽이 반복적으로 확인됩니다. 고등교육 기관은 교수자, 학생, 행정 직원 등 다양한 이해관계자가 혼재하는 복잡한 조직 구조를 갖고 있어, 단순한 기술 제공 이상의 조건이 요구됩니다.

기존 연구들은 TAM 중심의 개인 수준 분석에 집중해 왔습니다. 조직 수준에서 AI 도입을 결정하는 기술적·사회적·환경적 복합 요인을 통합적으로 분석한 연구는 제한적이었고, 이 연구는 그 공백을 메우기 위해 세 가지 이론을 통합한 새로운 분석 틀을 제안합니다.

 

2. 이론적 배경 — DOI, TOE, TAM 통합 프레임워크

 

이 연구의 가장 큰 특징은 세 가지 이론을 하나의 분석 틀로 통합했다는 점입니다. 각 이론이 무엇을 설명하고, 왜 하나만으로는 부족한지를 이해하면 이 연구 모형의 구조가 명확하게 보입니다.

DOI — 혁신 확산 이론

Rogers(2003)가 제안한 혁신 확산 이론(Diffusion of Innovation Theory)으로, 새로운 기술이나 아이디어가 사회 구성원들 사이에서 시간의 흐름에 따라 확산되는 과정을 설명합니다. 혁신의 채택 여부는 기술 자체의 성능보다 그 기술이 어떻게 지각되는가에 달려 있다고 보며, 핵심 지각 속성으로 적합성(Compatibility)과 복잡성(Complexity)을 제시해요.

적합성은 기존 가치관·시스템·업무 방식과 새 기술의 일치 정도를 의미하고, 복잡성은 새 기술의 학습 및 활용에서 지각되는 어려움의 정도를 말합니다. DOI는 개인 수준의 인식 변수 설명에는 유효하나, 조직 수준 및 환경적 요인을 포함하지 못한다는 한계가 있습니다.

TOE 프레임워크

Tornatzky와 Fleischer(1990)가 제안한 프레임워크로, 조직의 기술 채택에 영향을 미치는 요인을 기술(Technology), 조직(Organization), 환경(Environment) 세 가지 맥락으로 구분합니다.

기술적 맥락에는 사용자 경험(UX), 사용자 만족(US), 기술적 지원(TS)이 해당하고, 조직적 맥락에는 AI 전략적 정렬(AIS), 자원 가용성(AVR), 촉진 조건(FC)이 포함됩니다. 환경적 맥락에는 경쟁 압력(COP)과 정부 규제(GOR)가 해당해요. TOE는 조직 수준의 기술 채택 의사결정을 폭넓게 설명하지만, 개인의 인식과 태도 변수를 포함하지 못합니다.

TAM — 기술 수용 모형

Davis(1989)가 제안한 기술 수용 모형(Technology Acceptance Model)으로, 기술 수용 연구에서 가장 광범위하게 인용되는 이론입니다. 개인의 기술 수용 행동 의도를 두 가지 핵심 인식 변수로 설명합니다.

지각된 유용성(Perceived Usefulness)은 기술 사용이 성과 향상으로 이어질 것이라는 인식이고, 지각된 사용 용이성(PEOU)은 기술 사용이 노력을 최소화할 것이라는 인식입니다. 이 두 인식이 긍정적일수록 기술을 받아들이려는 의도가 높아진다는 게 TAM의 핵심입니다.

본 연구에서는 지각된 유용성을 성과 기대(PE)로 재조작화하고, PEOU는 원래 개념을 유지했습니다. 사용자 만족(US)과 기술적 지원(TS)을 추가해 확장된 TAM 형태로 적용했어요. TAM은 개인 행동 의도 예측에는 탁월하지만 조직·환경 요인을 다루지 못한다는 한계가 있습니다.

 

세 이론 통합의 필요성

각 이론의 한계를 상호 보완하기 위해 통합 모형이 필요합니다. DOI는 환경적 요인을 간과하고, TAM은 조직·환경 수준 변수를 포함하지 못하며, TOE는 개인의 인식과 태도를 반영하지 못합니다. DOI-TOE-TAM 통합 프레임워크는 개인 인식(TAM), 혁신 특성(DOI), 조직·환경 맥락(TOE)을 동시에 분석할 수 있어, AI처럼 조직 전반에 영향을 미치는 기술의 도입 의도 연구에 적합합니다.

본인 연구에서 기술 수용이나 디지털 전환을 다룬다면, 단일 이론보다 연구 맥락에 맞게 두세 가지 이론을 통합하는 방식이 이론적 완결성을 높이는 데 유리합니다.

 

3. 연구 설계

■ 연구 대상 및 표본

미국, 캐나다, 튀르키예 3개국 고등교육 기관의 재학생, 교수, 행정 직원을 대상으로 구조화된 설문을 실시했습니다. 총 500명에게 배포해 367명의 유효 표본을 확보했습니다.

주요 인구통계 특성은 다음과 같습니다.

• 성별: 남성 51.0%, 여성 49.0%
• 연령: 34~44세 47.7%
• 학력: 박사학위 59.2%, 석사학위 28.3%
• 전공: IT 37.1%, 경영 20.1%, 기타 32.7%
• AI 도구 사용 경험: 2년 이상 46.3%

주요 활용 AI 도구는 ChatGPT(74.7%), Grammarly(67.6%), QuillBot(36.8%) 순으로 나타났습니다.

 

■  측정 도구

DOI, TOE, TAM 이론에 기반해 구조화된 설문지를 개발했으며, 5점 Likert 척도(1=전혀 동의하지 않음 ~ 5=매우 동의함)를 사용했습니다. 총 13개 잠재변수를 각 3~6개 지표 문항으로 구성됩니다.

 

■  분석 방법

SPSS AMOS 24를 활용한 공분산 기반 구조방정식 모형(CB-SEM, Covariance-Based Structural Equation Modeling)을 적용했습니다. CB-SEM은 이론 검증과 모형 적합도 평가에 적합하며, 최대우도법(MLE)으로 모수를 추정했습니다. 표본 수는 G*Power 3.1을 활용해 사전 검정력 분석(효과크기 f²=0.15, α=0.05, power=0.95)을 실시한 결과 최소 184명이 산출되었고, 실제 수집된 367명은 이 기준을 충분히 충족해요.

​

1단계 — 확인적 요인분석(CFA)

측정 모형의 타당성을 검증하는 단계입니다. 평가 기준은 다음과 같아요.

• 요인부하량(FL): 0.50 이상 (이상적으로는 0.70 이상)
• CR : 0.70 이상
• AVE : 0.50 이상
• HTMT: 0.85 미만

이 연구의 요인부하량은 0.621~0.874, CR은 0.757~0.905, AVE는 0.512~0.714로 모든 기준을 충족했습니다. HTMT 값도 모두 0.85 미만으로 잠재변수 간 다중공선성 문제가 없음을 확인되었습니다.

 

2단계 — 모델 적합도 검증

CFA를 통해 측정 모형이 검증되면, 전체 모형이 데이터에 얼마나 잘 부합하는지를 여러 적합도 지수로 평가합니다.

 

지수	수치	기준	판정
CFI	0.951	≥ 0.90	양호
TLI	0.924	≥ 0.90	양호
NFI	0.958	≥ 0.90	양호
IFI	0.958	≥ 0.90	양호
RMSEA	0.070	≤ 0.10	양호
SRMR	0.037	≤ 0.08	양호

CFI 0.951은 매우 양호한 수준이며, RMSEA 0.070과 SRMR 0.037은 각각 양호 및 우수한 적합도를 나타냅니다.

 

3단계 — 구조 모형 분석 및 가설 검증

회귀계수(Estimate), 표준오차(S.E.), 임계비(C.R.), 유의확률(p)을 기준으로 가설 채택 여부를 판단합니다. C.R. ≥ ±1.96이고 p < 0.05를 충족하면 해당 경로가 통계적으로 유의한 영향을 미친다고 판단해요.

조절효과 검증은 다집단 CB-SEM 분석(Multiple-Group SEM Analysis)으로 실시했으며, 집단 간 구조 가중치의 차이를 카이제곱 차이 검증으로 확인했습니다.

 

4. 연구가설

H1(주가설) : 기술적·조직적·환경적 요인들이 AI 수용 의도에 통계적으로 유의한 영향을 미친다 (p ≤ 0.05).

 

가설	독립변수	내용
H1a	적합성(C)	기존 시스템·가치와의 적합성 → AI 수용 의도
H1b	복잡성(CX)	지각된 복잡성 → AI 수용 의도
H1c	사용자 경험(UX)	인터페이스·상호작용 경험 → AI 수용 의도
H1d	지각된 사용 용이성(PEOU)	사용 용이성 인식 → AI 수용 의도
H1e	사용자 만족(US)	사용 만족도 → AI 수용 의도
H1f	성과 기대(PE)	성과 향상 기대 → AI 수용 의도
H1g	신규 AI 도구 도입(AINT)	새로운 AI 도구 소개 → AI 수용 의도
H1h	AI 전략적 정렬(AIS)	기관 전략과의 일치 → AI 수용 의도
H1i	자원 가용성(AVR)	자원·인프라 충분성 → AI 수용 의도
H1j	경쟁 압력(COP)	경쟁 환경의 외부 압력 → AI 수용 의도
H1k	정부 규제(GOR)	규제·정책 지원 → AI 수용 의도
H1l	기술적 지원(TS)	기관 내 기술 지원 → AI 수용 의도
H1m	촉진 조건(FC)	유리한 환경·지원 조건 → AI 수용 의도

H2(조절 가설): 성별, 연령, 학력, 전공, 경력이 H1의 관계를 조절한다 (p ≤ 0.05).

 

5. 연구 결과

CB-SEM 분석 결과, 13개 세부 가설 중 11개가 채택되었습니다.

 

■  유의한 영향을 미친 요인들

촉진 조건(FC): β=0.964, C.R.=25.000, p<0.001. 전체 변수 중 가장 높은 회귀계수를 기록했습니다. 유리한 환경과 지원 조건이 형성될 때 AI 수용 의도가 가장 크게 높아집니다.

신규 AI 도구 도입(AINT): β=0.766, C.R.=23.519, p<0.001. 새로운 AI 도구를 적극적으로 소개하고 도입하는 활동 자체가 수용 의도를 크게 높입니다.

기술적 지원(TS): β=0.551, C.R.=8.581, p<0.001. 기관 차원의 기술 지원이 수용 의도에 강한 영향을 미칩니다.

사용자 경험(UX): β=0.421, C.R.=8.154, p<0.001. 인터페이스와 상호작용 경험의 질이 수용 의도에 유의하게 작용합니다.

적합성(C): β=0.342, C.R.=6.876, p<0.001. 기존 시스템·가치와 AI의 적합성이 높을수록 수용 의도가 높아집니다.

지각된 사용 용이성(PEOU): β=0.332, C.R.=7.382, p<0.001. 사용이 쉽다는 인식이 수용 의도를 유의하게 높입니다. TAM 이론의 핵심 변수가 이 맥락에서도 유효하게 작동합니다.

복잡성(CX): β=0.268, C.R.=6.085, p<0.001. 복잡성을 낮게 지각할수록 수용 의도가 높아집니다.

사용자 만족(US): β=0.216, C.R.=4.672, p<0.001. AI 사용 경험에서의 만족도가 지속적인 수용 의도로 이어집니다.

성과 기대(PE): β=0.186, C.R.=4.312, p=0.001. AI가 실질적인 성과 향상으로 이어질 것이라는 기대가 수용 의도에 긍정적 영향을 줍니다.

자원 가용성(AVR): β=0.122, C.R.=5.587, p<0.001. 충분한 기술 인프라와 자원이 확보될 때 도입 의도가 높아집니다.

AI 전략적 정렬(AIS): β=0.100, C.R.=3.263, p=0.003. AI 활동이 기관의 전략 목표와 일치할 때 수용 의도가 높아집니다.

외부 강제 요인보다 내부 경험과 지원 환경이 수용 결정에 더 직접적으로 작동한다는 해석이 가능합니다.

 

■ 유의하지 않은 요인들

경쟁 압력(COP): β=0.072, C.R.=1.004, p=0.421. 경쟁 환경의 외부 압력은 AI 수용 의도에 유의한 영향을 미치지 않았습니다.

정부 규제(GOR): β=0.008, C.R.=0.743, p=0.785. 정부 규제 및 정책 지원도 수용 의도에 유의한 영향을 보이지 않았습니다.

외부 강제 요인보다 내부 경험과 지원 환경이 수용 결정에 더 직접적으로 작동한다는 해석이 가능합니다.

 

■ 조절효과 분석 결과

인구통계 변수	χ²	p	조절 효과
성별	0.455	0.491	없음
연령	1.279	0.322	없음
학력	4.624	0.099	없음
전공	12.939	0.012	있음
경력 연수	10.625	0.031	있음

다집단 CB-SEM 분석 결과, 성별·연령·학력은 조절 효과가 없었고, 전공 계열과 경력 연수는 유의한 조절 효과를 보였습니다. 경력 8~10년 그룹의 효과 크기가 0.907로 가장 높게 나타났으며, 경력이 누적될수록 주요 요인들의 영향력이 증가하는 경향을 보였습니다. 전공별로는 의학 계열을 제외한 IT, 경영, 약학, 기타 전공에서 유의한 조절 효과가 확인되었어요.

6. 결론 및 시사점

1 이론적 시사점

DOI-TOE-TAM 통합 프레임워크가 고등교육 맥락에서 실증적으로 유효함을 확인했습니다. 촉진 조건(FC, β=0.964)과 신규 AI 도구 도입(AINT, β=0.766)이 수용 의도에 가장 강한 영향을 미친다는 결과는, 개인 수준 인식 변수(PEOU, PE) 못지않게 조직·환경 수준 변수가 AI 수용 결정에 중요하게 작용함을 시사합니다.

경쟁 압력(COP)과 정부 규제(GOR)가 유의하지 않은 결과는, 외부 강제 요인보다 내부 경험과 지원 환경이 수용 결정에 더 직접적으로 작동한다는 해석을 지지합니다.

 

2 실무적 시사점

교육 기관 관리자는 단순한 AI 도구 제공에 그치지 않고, 교육 프로그램 운영, 기술 인프라 구축, 기관 전략과의 연계, 사용자 친화적 환경 조성을 병행해야 합니다. 전공 계열과 경력 연수에 따라 AI 수용 패턴이 다르게 나타난 만큼, 집단별 맞춤형 도입 전략이 필요합니다.

 

3 연구자를 위한 활용 방안

본 연구는 다음과 같은 방식으로 후속 연구에 활용할 수 있습니다.

이론적 배경 활용: AI 수용·디지털 전환 관련 연구의 선행연구 및 이론적 기반으로 인용 가능합니다. 기술 수용 연구에서 개인 수준 변수와 조직 수준 변수를 함께 고려할 필요성을 논거로 제시할 때 유용합니다.

연구 변수 차용: 적합성, 복잡성, PEOU, 촉진 조건 등의 변수를 연구 맥락에 맞게 재조작화해 사용할 수 있습니다.

측정 도구 참조: 각 변수의 측정 문항 출처(Davis 1989, Venkatesh et al. 2003 등)를 본 논문 부록에서 확인할 수 있어, 측정 도구 타당성 검토 시 참고 문헌으로 활용하기 좋습니다.

분석 방법 벤치마킹: G*Power 기반 표본 수 산출, CFA → 적합도 검증 → 가설 검증으로 이어지는 CB-SEM 절차, 다집단 분석을 활용한 조절효과 검증 방식을 방법론 섹션 구성 시 그대로 참고할 수 있습니다.

논문작성 및 논문통계 문의

---

논문 연구모형 설계, 변수 선정, SPSS분석, AMOS분석, 결과 해석 및 논문작성까지 전 과정이 막막하게 느껴지신다면 퀵데이터와 함께하세요. 이론 통합 모형 설계부터 분석까지 연구 목적에 맞게 함께 구성해 드립니다. 이론적 배경 검토부터 학술지 투고까지, 논문의 모든 단계를 지원하고 있습니다.

📞 1600-7473

 

 

 

 

 

 #AI수용의도 #기술수용모형 #TAM #DOI이론 #TOE프레임워크 #구조방정식 #SEM #SPSSAMOS #확인적요인분석 #CFA #논문통계 #대학원논문 #석사논문 #박사논문 #논문컨설팅 #논문통계분석 #고등교육AI #AI도입요인 #연구모형설계 #잠재변수 #측정모형 #다집단분석 #조절효과 #지각된사용용이성 #PEOU #연구가설 #논문작성 #퀵데이터 #학술논문 #논문방법론