赵静 倪明扬 张倩等
关键词：
ＡＩＧＣ；
研究生；
学术实践；
持续使用意愿；
ＵＴＡＵＴ２；
ＴＴＦ
ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０７．００４
〔中图分类号〕Ｇ２５２.０ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２４） ０７－００３４－１３
ＡＩＧＣ 又称生成式ＡＩ（Ｇｅｎｅｒａｔｉｖｅ ＡＩ）， 是一种新型内容创作方式， 可以在对话、故事、图像、视频和音乐制作等方面， 打造新的数字内容生成与交互形式［１］ 。由于ＡＩＧＣ 在文章总结、语言风格定义［２］ 、写作辅助［３］ 、数据分析、精准问答等方面的技术优势较为明显［４］ ， 与学术实践概念中涉及学术写作、数据处理、学术指导、定性研究等任务需求较为契合， 使学术层面临着学术实践模式重构的压力［５］ 。文中学术实践主要是指学术界进行研究、写作和知识传播过程中的实际操作和实践活动；
重构指的是ＡＩＧＣ 对学术实践方式、方法和流程的根本性重新构建或改变， 包括新的内容生成模式和交互形式。随着ＣｈａｔＧＰＴ、Ｃｌｏｕｄｅ、Ｓａｇｅ、文心一言等ＡＩＧＣ 的广泛传播与使用， 学术实践的传统模式正在经历着全面的转变， 迫使学术界应当重新思考和适应新的实践范式。然而ＡＩＧＣ 开展学术实践的负面案例也在不断增加［６］ ， 《Ｔｈｅ Ａｔｌａｎｔｉｃ》发表了题为“大学论文已死” 的消极论调［７］ ， 引发了学者们的担忧。大量研究表明， ＡＩＧＣ 在学术实践方面存在专业覆盖范围有限、生成结果缺乏创新性［８］ 、可能导致观点剽窃、虚假信息传播等问题［９］ ；
用户盲目使用ＡＩＧＣ 可能导致学术不端行为， 甚至出现过度依赖工具削弱学习能力的状况［１０］ ， 损害学术生态的健康发展。ＡＩＧＣ 为学术研究带来前所未有的便利， 也造成极大的监管压力与学术道德困境， 不利于学术实践方面的应用与推广。在此背景下， 为了合理运用ＡＩＧＣ 这柄双刃剑［１１］ ， 在满足用户需求的同时维护学术生态， 应具体分析ＡＩＧＣ 在学术实践下如何影响学术用户的持续使用意愿， 厘清学术用户与ＡＩＧＣ 之间的协调互动模式。与长期使用不同， 持续使用意愿是指在一段时间内用户持续使用ＡＩＧＣ 开展学术写作的意愿程度， 以及用户未来在学术写作层面仍有继续使用该技术的意愿， 可以帮助了解技术在用户视角的满意度、可行性和持久性。
１文献综述
通过梳理国内外有关ＡＩＧＣ 与学术实践相结合的研究发现， 目前学者们主要研究使用ＡＩＧＣ 的特定对象或利用特定方法分析ＡＩＧＣ 技术本身及其学术产出的影响。
从特定对象的研究视角来看， 近年来， 大学机构［１２］ 面临着数字化转型带来的挑战和机遇， ＡＩＧＣ技术的快速发展对高等教育机构产生深远影响， 使得教师群体［１３］ 面临教学、学习和评估成绩的挑战，包括难以区分学生学习成果和ＡＩ 工具产物， 以及对学术诚信的影响， 部分学者认为需要协助教授们［１４］在教学中学会使用ＡＩＧＣ， 以确保学生的学术诚信。与此同时， 科研人员［１５］ 对ＡＩＧＣ 的应用持积极态度，特别是对于ＡＩＧＣ 的理念和实用价值给予了较高认可度［１６］ ， 但也意识到了在使用ＣｈａｔＧＰＴ 等工具时可能面临真实性、数据污染和隐私安全等问题的挑战。此外， 有学者研究ＣｈａｔＧＰＴ 用户［１７］ 的使用意愿， 认为应当加强技术伦理道德建设， 为ＡＩＧＣ 本土化提供了借鉴与参考。梳理主流研究对象可以发现， 当下研究较多采用广义的“用户” 或者某“群体” 概念来定义ＡＩＧＣ 在学术领域的使用对象， 未充分关注群体内部差异。在学术用户中， 研究生作为学术实践的新生力量， 更容易接纳新技术， 也更需要辅助工具的支持来提高学术素养， 从研究生角度思考ＡＩＧＣ 与学术之间的互动联系， 有利于深入理解不同群体持续使用新技术的意图与动机。
从特定方法的研究视角来看， 随着技术的快速进步， ＡＩＧＣ 的应用案例在全球范围内日益增多，有学者开展了案例研究［１８］ ， 指出ＡＩＧＣ 技术对学术诚信构成了挑战， 可能出现抄袭行为或未经许可的材料使用问题。伴随学者们对ＡＩＧＣ 研究兴趣的持续升温， 通过文献综述［１９－２０］ 的方法， 有学者探讨了ＡＩＧＣ 技术工具在学术写作中的潜在益处和风险， 发现了其在促进学术工作效率方面具有优势，同时也存在着学术造假的可能， 也有学者进一步分析， 揭示了ＡＩＧＣ 在科研场景中的应用风险， 并强调了预防其冲击学术伦理底线的重要性。此外， 有研究通过分析众多网络新闻报道［２１］ ， 探讨了ＡＩＧＣ工具对学生学习和大学教学评估的潜在影响， 呼吁高等教育机构在确保学术诚信的前提下， 挖掘ＡＩＧＣ的潜在价值。有趣的是， ＣｈａｔＧＰＴ 作为一种ＡＩＧＣ的热门工具， 经常作为被访谈对象［２２］ 出现在学者的研究中， 通过直接式对话揭示ＡＩＧＣ 如何帮助科研人员节约时间和提高效率， 同时强调了技术偏见、数据隐私保护和数据伦理等潜在风险［２３］ 。纵观主流研究方法， 现有研究主要采用定性方法来探索和理解ＡＩＧＣ 本身的技术特性及其在学术领域的具体应用， 较少采用定量方法系统分析ＡＩＧＣ 与用户之间的关系。因此， 想要更为全面地检验持续使用意愿的效度， 采用定量研究方法对于厘清ＡＩＧＣ与学术用户之间的协作机制具有重要意义。
本文选择研究生作为特定研究对象， 使用问卷调查的定量研究方法， 考虑ＡＩＧＣ 在学术领域的应用与发展趋势， 基于技术接受与使用整合模型（Ｕ?ｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃｃｅｐｔａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，ＵＴＡＵＴ２）， 结合任务技术匹配（Ｔａｓｋ－Ｔｅｃｈｎｏｌｏｇｙ Ｆｉｔ，ＴＴＦ）理论， 构建了研究生持续使用ＡＩＧＣ 开展学术实践影响因素模型， 同时对研究对象的特征变量进行测量， 实证分析了影响研究生持续使用ＡＩＧＣ 开展学术实践意愿的不同因素， 并研究了各影响因素之间的作用机制， 以期弥补现有研究对特定对象的忽视与定性分析解释力不足的问题， 帮助后续研究者深入了解研究生群体与ＡＩＧＣ 之间的交互过程，便于其理解学术领域中用户与技术互动的复杂性，现实层面为推动该技术在学术领域的人性化应用提供理论依据和实践指引。
２ 模型构建与研究假设
２.１基于ＵＴＡＵＴ２理论的假设
２０１２年， Ｖｅｎｋａｔｅｓｈ Ｖ 等在ＵＴＡＵＴ 模型的基础上提出了技术与接受扩展模型（ＵＴＡＵＴ２）。该模型包含７ 个自变量（绩效期望、努力期望、社群影响、便利条件、享乐动机、价格价值和习惯）和３ 个控制变量（性别、年龄、经验）， 对使用意愿的解释力达７０％， 高于ＵＴＡＵＴ 模型［２４］ 。有研究证明， 该模型是在各种文化环境和社会背景下调查新技术持续使用意愿的有效模型［２５］ ， 因此被本研究选作理论框架。
由于ＡＩＧＣ 使用门槛极低， 可以在任何日常设备上运行， 故不考虑便利条件变量。同时， ＡＩＧＣ应用基本免费， 成本因素不显著， 故不考虑价格价值变量。另外， ＡＩＧＣ 面世较晚， 使用ＡＩＧＣ 开展学术实践的行为处于起步阶段， 未形成习惯， 相关技术和工具也在快速迭代， 因而习惯变量无法被合理采纳。同理， 研究对象使用ＡＩＧＣ 的经验也较为有限， 故选择剔除。综上， 本研究保留原模型中绩效预期、努力预期、社群影响、享乐动机４ 个自变量， 变量间的关系保持不变。以下是该模型中与持续使用意愿关联的变量构念及其对应的研究假设。
２.１.１ 绩效期望（Ｐｅｒｆｏｒｍａｎｃｅ Ｅｘｐｅｃｔａｎｃｙ， ＰＥ）
绩效期望反映了研究生感知使用ＡＩＧＣ 开展学术实践可以提高学术写作或研究效率和质量的期望， 如辅助搜索参考文献、生成简易文献综述或框架、提供初步研究思路、检查语法错误和删减重复内容等。基于感知有用性［２６］ ， 在诸多研究中被证实对持续使用意愿有显著正向影响［２７－２８］ 。因此， 本研究提出以下合理假设：
Ｈ１：
绩效期望对研究生使用ＡＩＧＣ 开展学术实践的持续使用意愿有显著正向影响
２.１.２ 努力期望（Ｅｆｆｏｒｔ Ｅｘｐｅｃｔａｎｃｙ， ＥＥ）
努力期望代表研究生感知使用ＡＩＧＣ 开展学术实践的难易程度。如果研究生感知ＡＩＧＣ 技术比较易于使用， 他们会有较高的绩效期望， 预期可以显著提高写作或研究的效率和质量， 否则这种绩效期望会降低。基于感知易用性［２９］ ， 在广泛研究中被验证对持续使用意愿有显著正向影响［２６，３０］ 。因此，本研究提出以下合理假设：
Ｈ２：
努力期望对研究生使用ＡＩＧＣ 开展学术实践的持续使用意愿有显著正向影响
２.１. ３ 享乐动机（Ｈｅｄｏｎｉｃ Ｍｏｔｉｖａｔｉｏｎ， ＨＭ）
享乐动机代表研究生在使用ＡＩＧＣ 开展学术实践的过程中感受到传统工具所不具备的新鲜感和愉悦体验， 这种可预期的愉悦感会增加研究生的持续使用意愿， 反之意愿就会减弱， 是影响用户接受和使用新技术的重要因素［２６］ ， 已被多数研究证实对持续使用意愿有积极影响［３１－３２］ 。因此， 本研究提出以下合理假设：
Ｈ３：
享乐动机对研究生使用ＡＩＧＣ 开展学术实践的持续使用意愿有显著正向影响
２.１.４社群影响（Ｓｏｃｉａｌ Ｉｎｆｌｕｅｎｃｅ， ＳＩ）
社群影响代表外界对研究生使用ＡＩＧＣ 开展学术实践行为的看法和影响， 如导师、同学和同行对研究生使用ＡＩＧＣ 技术进行学术实践的态度， 当社群影响呈现正向支持时， 其技术持续使用意愿会增加， 当未受到支持甚至是反对时， 意愿便会降低。该变量是在理性行为理论（Ｔｈｅｏｒｙ ｏｆ Ｒｅａｓｏｎｅｄ Ａｃ?ｔｉｏｎ）的基础上而来［３３］ ， 在各类研究中发现是影响用户持续使用新技术意愿的重要因素［３４－３５］ ， 因此，本研究提出以下合理假设：
Ｈ４：
社群影响对研究生使用ＡＩＧＣ 开展学术实践的持续使用意愿有显著正向影响
２.１.５ 学术道德规范的调节作用
学术道德规范代表学术研究需要遵守的道德及规范［３６］ ， 通过行业共同的信念和守则来约束研究生行为， 指导研究的方向和形式。在本研究以特征变量的身份作为社群影响的调节变量纳入模型。如果使用ＡＩＧＣ 能够符合主流的学术道德标准与要求，研究生也更容易接受并采纳使用。否则， 即便有较好的社群影响， 也可能使用户产生心理抵触而降低持续使用意愿。因此， 本研究提出以下合理假设：
Ｈ５：
学术道德规范会在社群影响与持续使用意愿的关系中起到显著影响
２.２ 基于ＴＴＦ 理论的假设
任务技术匹配（Ｔａｓｋ－Ｔｅｃｈｎｏｌｏｇｙ Ｆｉｔ， ＴＴＦ） 理论最初由Ｇｏｏｄｈｕｅ Ｄ Ｌ 等［３７］ 在１９９５ 年提出， 包括３ 个核心变量：
任务特征、技术特征、任务技术匹配。ＴＴＦ 理论及其机制常与其他模型进行整合， 在多领域被证实是影响持续使用新技术意愿的重要因素， 如在线服务［３８］ 、移动平台［３９］ 、软件系统［４０］ 等。因此， 本研究提出以下合理假设：
Ｈ６：
ＡＩＧＣ 的技术特征会显著影响研究生使用其开展学术实践的任务技术匹配度
Ｈ７：
学术实践的任务特征会显著影响研究生采纳ＡＩＧＣ 的任务技术匹配度
Ｈ８ａ：
研究生使用ＡＩＧＣ开展学术实践的任务技术匹配度显著影响其持续使用意愿
Ｈ８ｂ：
研究生使用ＡＩＧＣ开展学术实践的任务技术匹配度显著影响其绩效期望
２.３ 个体创新性及假设
个体创新性指研究生持续使用新技术的倾向性。创新程度高的人更容易对新技术产生积极看法［４１－４２］ ， 其持续使用意愿也有着比较积极的期望［４３］ 。相关研究也证明了个体创新性影响不同情境下新技术使用意愿的稳定性［４４］ 。基于此， 本研究认为个体创新性高的研究生群体更容易产生积极的评价， 并因为技术创新而体现出较高的学习与使用动机， 有助于形成技术持续使用意愿。个体创新性低的用户则相对脆弱， 更倾向于采取观望与追随的态度， 抑制了意愿的生成。因此， 本研究提出以下合理假设：
Ｈ９：
研究生的个体创新性显著影响其使用ＡＩＧＣ 开展学术实践的持续使用意愿
２.４ 整合理论模型的构建
ＵＴＡＵＴ２ 模型更多考虑了基于用户视角的影响因素， 但对技术本身的特征及任务要素机制缺乏详细讨论， 而ＴＴＦ 理论虽然可以很好地衡量技术满足任务需求方面的适用性， 却忽略了个体变量的作用。二者结合可以产生更强的解释力和预测力［４５］ ，在以往的研究中多有体现［２５，４６］ 。本研究在整合二者模型的基础上进一步引入个体创新性和学术道德规范变量。一方面考虑了研究生技术接纳倾向；
另一方面强调学术实践中的规范与道德标准， 有助于制约和细化其他变量的影响， 更好地适应研究对象与研究情境。综上所述， 本研究基于ＵＴＡＵＴ２－ＴＴＦ整合模型构建了研究生持续使用ＡＩＧＣ 开展学术实践影响因素模型， 如图１ 所示。
３ 研究设计
３.１ 研究对象
研究对象选取处于获取知识与开展学术实践关键阶段的研究生群体， 作为新生代学者与知识生产者， 他们既具有传统学术研究属性， 也积极接纳新技术， 拥有较强的学术创新性与高度的技术敏感性， 是推动ＡＩＧＣ 发展的重要参与者， 他们的技术持续使用意愿会对未来学术生态产生深远影响， 是理解学术群体与ＡＩＧＣ 互动模式的重要切入点。考虑到博士群体的学术研究特点， 更多研究将其认定为专职科研人员， 因而本研究仅对硕士群体进行深入调查与分析。
３.２ 研究方法
首先， 结合变量自身定义及国内外相关研究的成熟量表设计调查问卷， 通过线上线下相结合的方式收集变量数据并进行描述性统计分析， 通过预调研调整问卷结构后开展正式调研， 确保数据量和数据结构的合理性；
随后采用ＳＰＳＳ 针对问卷量表的一致性进行检验， 判断量表稳定性是否良好；
对问卷的ＫＭＯ 值和Ｂａｒｔｌｅｔｔ 球形检验系数进行分析， 验证问卷的结构效度是否适合进一步开展验证性因子分析；
最后使用ＡＭＯＳ 对研究假设和整合模型进行实证检验， 验证理论模型各路径的效度。
３.３ 量表设计
研究模型中共计１０ 个变量：
自变量（绩效期望、努力期望、社群影响、享乐期望、个体创新性、任务匹配、技术匹配）、中介变量（任务技术匹配）、因变量（持续使用意愿）和调节变量（学术道德规范）。变量测量题项采用Ｌｉｋｅｒｔ 五级量表编制， 从“非常不同意（１）” 到“非常同意（５）”， 为保证问卷的测量题项具有较高的可靠性， 所有题项均来源于已有研究， 并做出适当调整；
同时邀请多位信息管理领域专家对问卷题目进行审查， 根据专家意见修正部分题项的语言表述， 确保题项表述的清晰性和准确性。题项详情如表１ 所示。
完整问卷分为３ 部分：
①介绍问卷研究目的及解释部分名词；
②调查研究生基本信息包括性别、专业和技术使用情况；
③调查研究生持续使用ＡＩＧＣ开展学术实践意愿的实际情况。
３.４研究数据
问卷调查采用线上线下相结合的方式， 线上通过问卷星等专业第三方平台发放， 线下通过社交软件向目标用户发放。问卷题均为客观选择题， 采用封闭式自主填写问卷方式。首先收集７０ 份数据开展预调研， 通过分析作答时间、漏答、连续性、异常值等方式剔除无效问卷２ 份， 获得有效问卷６８份。预调研分析结果显示：
各测量题项的因子载荷均大于０.６；
Ｃｒｏｎｂａｃｈｓ Ａｌｐｈａ 系数和组合信度（ＣＲ）均高于０.７；
平均方差萃取量（ＡＶＥ）均高于０.５；
自行开发变量ＡＶＥ 的平方根值均高于该变量与其他变量之间的相关系数。预调研结果良好， 适合正式调研。
正式问卷于２０２３ 年６ 月１４—３１ 日发放， 收集３２０ 份数据， 剔除无效问卷１４ 份， 共计收集３７４份有效问卷（含预调研有效问卷６８ 份）， 题目数量３５ 项， 符合Ａｍｏｓ 样本数量至少是题项10倍的要求。受访者中女性稍多， 占比５３％， 男性占比４７％；
专业分布较为均衡， 理工类（理工农医） 专业１３８人（３７％）， 社科类（经管法教）专业１５３ 人（４１％），人文类（文史哲艺）专业８３ 人（２２％）。样本量符合结构方程模型分析要求， 样本结构较合理， 可用于理论模型的验证。
４ 数据分析与结果验证
４.１ 信度与效度检验
研究采用ＳＰＳＳ 对问卷量表一致性进行分析，结果显示：
各构念的克隆巴赫系数（α）均大于０.７，模型整体α 为０.９４４， 说明量表稳定性良好；
问卷ＫＭＯ 值和Ｂａｒｔｌｅｔｔ 球形检验系数分别为０.９０２ 和７ ０５７. １１９， 显著性水平０.０００， 结构效度较高， 适合进行验证性因子分析。验证性因子分析（ＣＦＡ）的结果如表２ 所示， 研究构念的组合信度ＣＲ 均大于０.７， 平均方差抽取量ＡＶＥ 均大于０.５， 表明测量模型具备良好的组合信度。同时， 构念所有题项的标准化因子负荷均高于０.６， 表明测量模型具有良好的聚合效度。
通过比较数据平均方差抽取量ＡＶＥ 的平方根与构念间相关系数可以检验变量的区分效度， 文中全部构念的ＡＶＥ 平方根均大于构念间的相关系数，表明文中变量具备良好的区分效度。检验结果如表３ 所示。
４.２ 正态分布检验
所有观测变量获得数据的偏度系数绝对值都小于２， 低于正态分布参考值３；
峰度系数的绝对值都小于７， 低于正态分布的参考值８；
表明数据符合正态分布。因此， 本文在后续数据处理时可以采用极大似然估计法开展结构方程模型的统计分析工作。
４.３ 共同方法偏差检验
采用Ｈａｒｍａｎ单因素检验， 将绩效期望、努力期望、享乐动机、个体创新性、学术道德规范、社群影响、持续使用意愿、任务特征、技术特征、任务技术匹配作探索性因子分析。结果显示， 第一个因子仅解释变异量的３５.２％， 小于４０％的临界值。因此， 本研究数据共同方法偏数据处理差不严重。
４.４ 模型拟合
在前文信度与效度分析的基础上， 本文选择Ｘ２、Ｘ２／ ｄｆ、ＧＦＩ、ＡＧＦＩ、ＮＮＦＩ、ＩＦＩ、ＣＦＩ、ＲＭＳＥＡ等指标检验构念模型的拟合程度。数据结果显示，Ｘ２＝６７１.２４２、Ｘ２／ ｄｆ ＝ １.７２６， 处于标准区间１ ～ ３之间；
ＧＦＩ ＝ ０.９０３， 拟合度良好；
ＡＧＦＩ ＝ ０.８７６，符合０.９ 的临界标准；
ＮＮＦＩ ＝ ０.９０６、ＩＦＩ ＝ ０.９５８，ＣＦＩ＝０.９５８， 均大于临界值０.９；
ＲＭＳＥＡ ＝ ０.０４６，小于临界标准０.０８， 表明本文构念模型与样本数据间拟合度良好。假设模型的标准化参数输出如表４所示。
４.５假设检验结果
如表５ 所示， Ｈ３、Ｈ４、Ｈ８ａ 未通过验证， 表明假设不成立；
Ｈ１、Ｈ２、Ｈ５、Ｈ６、Ｈ７、Ｈ８ｂ、Ｈ９ 通过验证， 表明假设成立。
标准化模型如图２ 所示， 从检验结果来看， 影响持续使用意愿的直接影响因素， 按路径系数（标准化直接效果值）的大小依次如下：
绩效期望（β ＝０.３４）、个体创新性（β＝０.１９）、努力期望（β ＝０.１７）；
任务特征和技术特征对任务技术匹配有直接正向显著作用， 表明ＡＩＧＣ 技术特征和学术实践任务特征在一致性较高时能支持研究生完成任务；
任务技术匹配对研究生持续使用意愿的直接效果没有成立， 但任务技术匹配对绩效期望存在正向显著影响， 还能通过绩效期望对持续使用意愿起到间接显著影响， 间接效果路径系数是０.３２９（０.９４.０.３４＝０.３２９）， 总效果值为０. ３２７， 是影响持续使用意愿中总效果值中较为重要的因素， 模型最终的路径系数如图３ 所示。
４.６ 调节效应检验
使用ＡＭＯＳ 中的ＢｏｏｔＳｔｒａｐｐｉｎｇ 算法， 设置重复抽样２０００次， 置信区间为９５％检验得出， 学术道德规范的调节效应系数为０.１８， 置信区间不包括０， Ｐ 值小于０.０５， 如表６ 所示。结果表明， 学术道德规范可以小幅但显著提高社群影响和持续使用意愿之间的正相关性。换言之， 在相同社群影响条件下， 符合主流学术道德规范的技术或工具更能促进研究生的持续使用意愿。
５ 研究结论与启示
５.１ 研究结论的讨论
５.１.１技术层面对研究生ＡＩＧＣ持续使用意愿的影响分析
首先， 研究生对于ＡＩＧＣ 技术特征的感知和对学术实践任务特征的感知都会对任务技术匹配产生正向影响作用， 符合现有研究的结论［４９］ 。ＡＩＧＣ 的强大信息处理和多功能性可匹配研究生的学术需求，从而提高任务技术匹配度；
其次， ＡＩＧＣ 提升学术效率和减轻工作强度的功能， 满足研究生的绩效预期， 增强持续使用意愿， 与现有研究的结论吻合［５０］ 。换言之， 研究生感知使用ＡＩＧＣ 的收益及绩效越高，任务匹配度及持续使用意愿越强。
然而， 研究生的任务技术匹配变量与持续使用意愿之间没有直接显著影响， 与现有研究状况不一致［５１］ ， 可能由于研究生对ＡＩＧＣ 了解不足， 尚未形成稳定的使用认知和经验， 难以准确判断匹配程度，同时不同学科对ＡＩＧＣ 依赖程度导致任务匹配感知存在差异， 面临测量难题。但是， 任务技术匹配可以通过影响研究生的绩效期望， 间接显著影响其持续使用ＡＩＧＣ 的意愿， 与现有研究结论一致［５１］ 。原因是良好的匹配度可以提高学术效率和文本质量，从而提升研究生的绩效期望， 间接提升持续使用意愿。
综上所述， 虽然ＡＩＧＣ 本身的技术能力符合开展学术任务的需要， 但确保研究生能够充分理解并认识到ＡＩＧＣ 的技术特性与其学术任务之间的一致性， 是提高其ＡＩＧＣ 持续使用意愿的关键。
５.１.２ 个体层面对研究生ＡＩＧＣ 持续使用意愿的影响分析
一方面， 个体创新性显著影响持续使用意愿，与现有研究结论一致［５２－５３］ ， 具有较强技术探索兴趣的研究生， 更易接受和持续使用新技术， 会主动开展ＡＩＧＣ 与学术实践的融合；
另一方面， 研究生对ＡＩＧＣ 的努力期望做出了正面判断， 这与现有研究结论是一致的［５４－５５］ ；
研究生本身具备的信息技术基础， 以及对自身学习和运用新技术的信心， 大幅降低了技术使用障碍， 同时结合ＡＩＧＣ 互动式回答的易用性和较低的学习门槛， 形成了ＡＩＧＣ 易学易用的判断， 提升了努力期望。然而， 享乐动机对持续使用意愿不成立， 与现有研究状况不一致［５５］ ，一是研究生对挖掘ＡＩＧＣ 的乐趣认知不够；
二是学术实践任务的本身就难以激发享乐情绪。
综上所述， 具有较高水平个体创新性的研究生群体更倾向于接受和尝试新兴技术， 因而加大培养研究生个体创新性的力度， 对提升持续使用意愿有着积极的影响。
５.１.３ 外部影响层面对研究生ＡＩＧＣ持续使用意愿的影响分析
研究表明， 社群影响对持续使用意愿不显著，这与现有研究结论不同［５４］ 。分析原因可能是：
研究生的学术研究相对独立， 不依赖他人意见；
研究生本身接受新技术的态度开放， 技术采纳收益比负面建议更能影响其持续使用意愿；
不同学科使用ＡＩＧＣ 情形不同， 社群难形成统一态度；
且目前社群对ＡＩＧＣ 了解不够， 难给出权威意见。但是， 学术道德规范在社群影响和持续使用意愿间发挥正向调节作用， 如表６ 所示， 可以解释为研究生重视学术诚信， 会自觉遵循相关规范， 且认识到ＡＩＧＣ 必须在遵守学术伦理前提下使用， 否则可能造成严重后果， 损害个人声誉。遵循道德规范既确保技术合理应用， 也获得同僚认可， 将增强持续使用意愿。
综上所述， 研究生的学术自主性较强， 不会过度受到社群影响， 但会积极维护学术道德规范， 以推动ＡＩＧＣ 在学术界合乎伦理的持续应用， 因而上层规范能够对其持续使用意愿产生重要影响， 是解决ＡＩＧＣ 在学术实践领域“水土不服” 问题的根本保障。
５.２ 研究启示
５.２.１ 优化ＡＩＧＣ符合学术实践需求，实现技术与任务的深度匹配
从技术特征角度考虑：
技术开发方面应加强对不同学科用户实际应用ＡＩＧＣ 需求的研究， 建立定期需求调研机制， 邀请不同学科专家指导研发方向；
同时建立动态的用户反馈机制， 通过多种渠道持续收集使用体验数据， 以获知用户需求变化， 形成技术供给与需求的闭环反馈。在技术路线上， 技术方需提供模块化和定制化解决方案以支持不同学科任务， 同时要保障对于虚假内容的甄别， 持续优化核心算法提高内容生成的智能化与学术化， 并完善人机交互和内容审核机制， 实现有效的人机协同。例如， 中国科学院学术版ＧＰＴ［５６］ 的推出， 便可视为人工智能服务学术领域的一个成功尝试， 为其他开发者提供了可资借鉴的范例。
从任务特征角度来考虑：
高校或其他学术机构一方面可以通过提供技术测试、讲座、实操展示等方式与研究生展开交流， 使其深入了解ＡＩＧＣ 对不同学科研究任务的适应性和支撑能力， 提升研究生对任务技术匹配的了解深度；
另一方面可以通过设置不同学科的学术实践结合ＡＩＧＣ 应用的案例库，展示ＡＩＧＣ 广泛的应用范围， 拓宽研究生对于任务技术匹配的认识广度。还应从实践出发， 针对常见的学术实践活动设计ＡＩＧＣ 使用指导， 帮助研究生掌握具体的正确运用方法。例如， 香港科技大学在国内率先全面启用ＧＰＴ［５７］ 用于科研、教学及管理工作， 对ＡＩＧＣ 的应用推广具有重要意义。
综上所述， 通过上述举措并行， ＡＩＧＣ 在学术领域的适用性、易用性和生成质量将不断提升， 与学术用户逐渐形成良性互动， 从而有效推动ＡＩＧＣ真正服务于学术创新。
５.２.２ 激发研究生内生技术探索动机， 促进用户与技术的感知同频
相较于外在的“有趣” 诱导， 同频感知反映的是用户对ＡＩＧＣ 的认同感和熟悉程度， 它基于内生的个体创新性， 是研究生培养ＡＩＧＣ 持续使用意愿的关键。为增强研究生对ＡＩＧＣ 的同频感知， 院校应当更新教学理念， 开设与时俱进的创新创业课程， 提供相应的实践平台， 在课程设置上也要加强创新思维与创新技能的培养， 营造开放包容、支持试错的校园创新文化， 激发技术探索兴趣。这需要制度创新支持和科研氛围熏陶， 培养研究生对技术创新的认同感。此外， 应通过培训指导提高研究生的技术接受能力与个体创新性， 如举办实操培训、网络课程、技术应用竞赛等， 通过技术指导与项目支持， 推动研究生积极探索ＡＩ 技术。英国２４ 所顶尖高校制定在校园使用ＡＩ 工具的原则［５８］ ， 为推动学生探索ＡＩＧＣ 提供了案例。
综上所述， 院校及相关机构需持续努力， 强化研究生与ＡＩＧＣ 的同频认知， 激发内生动机， 使不同学科研究生在学术实践中形成技术应用共鸣， 实现广泛而持续的发展。
５.２.３ 构建政策与规范主导的顶层设计， 塑造技术供给与需求的良性循环
从政策角度考虑：
２０２３ 年７ 月， 我国七部门联合发布《生成式人工智能服务管理暂行办法》［５９］ ，明确鼓励ＡＩＧＣ 在各领域的创新应用， 明确指出支持科研机构开展ＡＩＧＣ 技术创新。相关部门需要加快脚步制定具体可执行政策， 一方面， 要明确ＡＩＧＣ在法律层面的使用要求， 为学术共同体划分清晰的应用边界， 便于其制定ＡＩＧＣ 在学术研究中的合理规范及应用指南；
例如， 欧盟推出《人工智能法案》［６０］ ， 通过统一的法律监管框架， 为不同类型的ＡＩ 提出不同的要求和义务， 明确了ＡＩＧＣ 的使用场景；
另一方面， 政府应增加ＡＩＧＣ 技术研发与应用的资金支持， 鼓励高校、科研院所、高新企业针对学术领域ＡＩＧＣ 关键共性技术和定制化应用开展自主研发和本土化创新， 提升ＡＩＧＣ 在我国学术领域的适配性。例如， 北京市发布了《北京市促进通用人工智能创新发展的若干措施》［６１］ ， 明确提出探索ＡＩＧＣ 在科研领域的示范应用， 为全国各地落地政策树立标杆。
从规范角度考虑：
学术共同体应依托政策制定系统性的ＡＩＧＣ 学术实践规范， 并据此拟定不同学科领域的专项规划方案， 基于对各学科用户个性化需求的充分调研， 合理配置技术供给， 确保符合规范要求。如国际医学期刊编辑委员会（ＩＣＭＪＥ）针对医学学术研究提出ＡＩＧＣ 使用的具体要求［６２］ ， 为其他学科提供了参考。同时， 高校等学术机构可以依托政策资金建立ＡＩＧＣ 应用示范平台， 发挥不同学科领域内顶尖高校的示范作用， 在各专业领域培育应用示范点， 推广技术应用经验， 并协同建立示范平台的评价机制， 确保技术良性落地。
综上所述， 为推动ＡＩＧＣ 在学术领域内的广泛应用， 政府与学术共同体应密切配合形成技术供给与需求双向驱动的良性循环， 为ＡＩＧＣ 开展学术实践本土化和规范化夯实基础， 切实提升研究生的学术能力和创新水平。
６结语
本研究从技术、任务、用户心理等角度探讨对持续使用意愿的影响， 为研究生持续使用ＡＩＧＣ 开展学术实践提供实证参考， 并在此基础上提出相关对策建议， 对ＡＩＧＣ 持续使用意愿的影响机制研究具有重要启发意义。但本文仍存有不足：
一方面， 研究针对的结果变量为持续使用意愿， 未能探讨用户的实际持续使用行为， 二者之间可能存在偏差， 后续研究可通过追踪调查等方式， 收集用户长期使用数据， 考察不同影响因素对持续使用行为的效果；
另一方面， 调查对象仅为研究生群体， 未覆盖其他学术用户， 如科研人员、博士等高层次人才， 这些用户群体的学术实践特征及技术接受模型可能存在差异。后续可扩大样本范围， 建立覆盖不同学术群体的模型， 提出更为个性化的建议。
扩展阅读文章
推荐阅读文章
老骥秘书网 https://www.round-online.com
Copyright © 2002-2018 . 老骥秘书网 版权所有