隨著科技的進步與人工智慧的成熟，智慧型機器人應用於教育上可以說是未來的趨勢之一，本研究旨探討大學生對於智慧型機器人應用教育上接受度之研究，研究對象採便利取樣的方式，為北部某大學之學生（含研究生），共計74人。透過整合自我效能與整合性科技接受使用模型(UTAUT)，以「自我效能」、「績效期望」、「付出期望」、「社會影響」、「促成條件」與「行為意圖」為研究架構，透過問卷調查與半結構式訪談，經信效度檢測、描述性統計與SEM-PLS分析後，並整合訪談結果，得出本研究結論如下：（一）「績效期望」與「社會影響」對「行為意圖」有顯著且正向的影響；（二）「自我效能」、「付出期望」與「促成條件」對「行為意圖」無顯著影響；（三）「績效期望」、「付出期望」與「社會影響」對「行為意圖」不會受到「性別」之干擾；（四）「付出期望」、「社會影響」與「促成條件」對「行為意圖」不會受到「經驗」之干擾。最後並依據結論提出幾點建議，期望能作為未來改善之參考。

With the advancement of technology and the maturity of artificial intelligence, the application of intelligent robots in education is one of the future trends. The purpose of this study is to investigate the acceptance of intelligent robots in education for college students. The research subjects are 74 students (including graduate students) from a university in the north through convenience sampling. The conceptual framework integrates Self-efficacy and the Unified Theory of Acceptance and Use of Technology (UTAUT), including self-efficacy, performance expectancy, effort expectancy, social influence, facilitating conditions, and behavior intention. The research method used questionnaire survey and semi-structured interview. After reliability and validity test, descriptive statistics and SEM-PLS analysis, the conclusions of this study are as follows: (1) Performance expectancy and social influence have a significant and positive impact on behavioral intention; (2) Self-efficacy, effort expectancy and facilitating conditions have no significant effect on behavioral intention; (3) Performance expectancy, effort expectancy, and social influence will not be interfered by gender on behavioral intention; (4) Effort expectancy, social influence, and facilitating conditions will not be interfered by experience on behavioral intention. Finally, according to the research findings presented several suggestions, hoping to serve as a reference for future improvement.

目次
謝誌 i
中文摘要 ii
英文摘要 iii
目次 iv
表次 v
圖次 vi
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的與問題 4
第三節 名詞解釋 5
第四節 研究範圍與限制 6
第二章 文獻探討 7
第一節 智慧型機器人 7
第二節 整合性科技接受使用模型 18
第三章 研究方法 27
第一節 研究架構 27
第二節 研究假設 29
第三節 研究對象 32
第四節 研究流程 34
第五節 研究工具 37
第六節 資料分析 44
第四章 研究結果與討論 46
第一節 研究結果 46
第二節 研究討論 61
第五章 結論與建議 65
第一節 研究結論 65
第二節 研究建議 67
參考文獻 68
附錄 訪談逐字稿 73
 
表次
表 1 各國對機器人之定義 8
表 2 我國智慧型機器人發展階段 12
表 3 智慧型教育機器人相關研究整理 14
表 4 Zenbo智慧型機器人相關研究整理	16
表 5 整合性科技接受使用模型相關研究整理 23
表 6 研究構面之操作型定義 28
表 7 研究對象資料表 32
表 8 實驗設計 36
表 9 Zenbo智慧型機器人規格表 37
表 10 問卷之各構面題項表 40
表 11 信度高低對照表 42
表 12 各構面與整體信度分析結果 42
表 13 內容專家資料表 43
表 14 訪談大綱內容 43
表 15 結構模型分析檢驗標準 45
表 16 接受度量表描述性統計分析 47
表 17 測量模型參數估計表 49
表 18 各構面區別效度檢定表 50
表 19 共線性檢定表 51
表 20 假設路徑關係檢定表 52
表 21 性別干擾效果檢定表 53
表 22 經驗干擾效果檢定表 53
表 23 研究假設檢定結果彙整表 55
表 24 研究對象背景資料與使用經驗表 56

圖次
圖 1 智慧型機器人分類 10
圖 2 第一台工業用機器人Unimates 11
圖 3 LOGO Turtle 13
圖 4 整合性科技接受模型理論架構(UTAUT) 19
圖 5 社會認知論之三影響因素 25
圖 6 研究架構圖 27
圖 7 研究流程圖 34
圖 8 實施流程圖 35
圖 9 Zenbo智慧型機器人 37
圖 10 各構面路徑係數圖（不包含干擾變數） 52
圖 11 路徑分析模型 54
圖 12 修正後研究模型圖 55

一、中文部分
王本正、吳文智、孫銓（2017）。以整合型科技接受模式探討高齡者對於照護型機器人之接受度。福祉科技與服務管理學刊，5（2），109–120。
王本正、許富榕（2016）。以延伸型整合性科技接受模式探討行動醫療App協助照護任務之接受度。福祉科技與服務管理學刊，4（4），483–494。
王成軍、沈豫浙（2010）。開展機器人教育培養創新能力。中國地質教育，2010（1），109–111。
王萬林（2011）。人工智能。北京：人民郵電出版社。
北京師範大學智慧學習研究院（2019）。2019全球教育機器人發展白皮書。
白麗（2018）。陪伴型機器人使用者經驗評估—以智慧居家機器人 Zenbo 為例。福祉科技與服務管理學刊，6（3）。
呂昊霖（2019）。互動劇本設計及教學模式應用於機器人教學—以學齡前兒童刷牙學習為例（碩士論文）。實踐大學工業產品設計學系碩士班，台北市。取自：https://hdl.handle.net/11296/6526wg
李承傑、董旭英（2017）。偏最小平方法結構方程模型。科學發展，539。
林顯易、謝名豐（2015）。工業4.0中的智慧機器人。科儀新知，205，12–20。
祐萱朱、清壽林（2019）。銀髮族使用 Zenbo 機器人服務體驗洞察研究。福祉科技與服務管理學刊，7（1）。
翁晨語、黃惠萍（2017）。以延伸整合型科技接受模式和數位生活型態探討 LINE TV 的使用行為。資訊社會研究，33，17–63。國立交通大學傳播與科技學系和台灣資訊社會研究學會。
張愛華、蕭丞傑（2012）。消費者行動服務使用意願之研究：跨服務與跨使用者之比較。中山管理評論，20（2），603–635。中山大學管理學院。
陳怡靜、張基成（2015）。兩岸機器人教育的現況與發展。中等教育，66（3），37–59。
陳柏軒（2017）。外語自我效能及後設認知自我調整策略與幼保系學生外語線上學習神馳經驗的關係。大仁學報，50，75–98。
賁可榮、張彥鐸（2006）。人工智能。北京：清華大學出版社有限公司。
華碩官網（2020）。Zenbo產品規格。取自：https://zenbo.asus.com/tw/product/zenbo/specifications/
黃漢邦、康志豪（2015）。智慧型機器人簡介。科儀新知，205，6–11。
楊佳怡、徐佳銘（2009）。高科技產品服務管理系統之設計研究－以仿真智慧型服務機器人為例。建國科大學報，28（2），111–124。
溫欣慈、曾秋蓉（2018）。以 Zenbo 機器人為運算思維學習載具之語音化程式語言。TANET2018臺灣網際網路研討會，2597–2601。國立中央大學。
經濟部工業局（2005）。智慧型機器人產業的發展與應用策略。行政院2005年產業科技策略會議。
劉雯瑜、蔡瓊卉（2011）。以整合型科技接受理論探討大專教師學習管理系統採用行為之研究。績效與策略研究，8（2），49–60。
樊台聖、李一靜、蔡翌潔（2014）。電腦自我效能影響因素之實證文獻分析。臺中教育大學學報：數理科技類，28（2），1–24。
蔡至誠、林增玉、羅希哲、林洲安（2018）。以整合型科技接受模式觀點探討無人車試乘之使用行為意圖。工業科技教育學刊，11，169。
戴志璁、洪惠娟、張美瑤、陳信宏（2019）。學校組織氣氛與教師自我效能關係之研究－以高雄市立國民中學為例。Journal of Data Analysis，14（1），49–72。

二、英文部分
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
Anderson, J. C., & Gerbing, D. W. (1988). Structural equation modeling in practice: A review and recommended two-step approach. Psychological Bulletin, 103(3), 411.
Bandura, A. (1977). Self-efficacy: toward a unifying theory of behavioral change. Psychological Review, 84(2), 191.
Compeau, D., Higgins, C. A., & Huff, S. (1999). Social cognitive theory and individual reactions to computing technology: A longitudinal study. MIS Quarterly, 145-158.
Costa, S., Lehmann, H., Robins, B., Dautenhahn, K., & Soares, F. (2013). ” Where is your nose?”: developing body awareness skills among children with autism using a humanoid robot (pp. 117-122). Presented at the ACHI 2013, The Sixth International Conference on Advances in Computer-Human Interactions, International Academy, Research, and Industry Association (IARIA).
Crompton, H., Gregory, K., & Burke, D. (2018). Humanoid robots supporting children’s learning in an early childhood setting. British Journal of Educational Technology, 49(5), 911-927.
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319-340.
Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: a comparison of two theoretical models. Management Science, 35(8), 982-1003.
Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1992). Extrinsic and intrinsic motivation to use computers in the workplace 1. Journal of Applied Social Psychology, 22(14), 1111-1132.
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50.
Freedonia Group. (2012). World Robots - Industry Study with Forecasts for 2016 & 2021.
Hair Jr, J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial least squares structural equation modeling (PLS-SEM). European Business Review.
Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic Management Journal, 20(2), 195-204.
IFR. (2019). 2018 industrial robot sales barely eke out year-over-year gain. Retrieved from https://www.therobotreport.com/2018-industrial-robot-sales-barely-eke-out-year-over-year-gain/
Linn, M. C. (1985). The cognitive consequences of programming instruction in classrooms. Educational Researcher, 14(5), 14-29.
Mayer, R. E., Dyck, J. L., & Vilberg, W. (1986). Learning to program and learning to think: what’s the connection? Communications of the ACM, 29(7), 605-610.
Moore, G. C., & Benbasat, I. (1991). Development of an instrument to measure the perceptions of adopting an information technology innovation. Information Systems Research, 2(3), 192-222.
Mousa, A. A., Ismail, T. M., & El Salam, M. A. (2017). A robotic cube to preschool children for acquiring the mathematical and colours concepts. Children, 5, 7.
Nugent, G., Barker, B., Grandgenett, N., & Adamchuk, V. I. (2010). Impact of robotics and geospatial technology interventions on youth STEM learning and attitudes. Journal of Research on Technology in Education, 42(4), 391-408.
Rich, E, & Knight, K. (1991). Learning in neural network (2nd Ed.). New York: McGraw-Hill.
Rolling Jr, J. H. (2016). Reinventing the STEAM engine for art+ design education. Taylor & Francis.
Schalkoff, R. J. (1990). Artificial Intelligence Engine. McGraw-Hill, Inc.
Standard ISO : 8373. (1994). Manipulating industrial robots–Vocabulary.
Thompson, R. L., Higgins, C. A., & Howell, J. M. (1991). Personal computing: toward a conceptual model of utilization. MIS Quarterly, 125-143.
Turja, T., Rantanen, T., & Oksanen, A. (2019). Robot use self-efficacy in healthcare work (RUSH): development and validation of a new measure. AI & SOCIETY, 34(1), 137-143.
Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 425-478.
Warren, Z. E., Zheng, Z., Swanson, A. R., Bekele, E., Zhang, L., Crittendon, J. A., et al. (2015). Can robotic interaction improve joint attention skills? Journal of Autism and Developmental Disorders, 45(11), 3726-3734.
Westlund, J. M. K., Dickens, L., Jeong, S., Harris, P. L., DeSteno, D., & Breazeal, C. L. (2017). Children use non-verbal cues to learn new words from robots as well as people. International Journal of Child-Computer Interaction, 13, 1-9.
Wixom, B. H., & Watson, H. J. (2001). An empirical investigation of the factors affecting data warehousing success. MIS Quarterly, 17-41.
Wood, R., & Bandura, A. (1989). Social cognitive theory of organizational management. Academy of Management Review, 14(3), 361-384.
World Economic Forum. (2016). The Future of Jobs - Employment, Skills and Workforce Strategy for the Fourth Industrial Revolution.
World Economic Forum. (2017). The largest internet company in 2030? This prediction will probably surprise you. World Economic Forum. Retrieved August 18, 2019, from https://www.weforum.org/agenda/2017/01/the-largest-internet-company-in-2030-this-prediction-will-probably-surprise-you/
Wu, W. C. V., Wang, R. J., & Chen, N. S. (2015). Instructional design using an in-house built teaching assistant robot to enhance elementary school English-as-a-foreign-language learning. Interactive Learning Environments, 23(6), 696-714.