趙靜　倪明揚　張倩等

關鍵詞： ＡＩＧＣ； 研究生； 學術實踐； 持續(xù)使用意愿； ＵＴＡＵＴ２； ＴＴＦ

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０７．００４

〔中圖分類號〕Ｇ２５２.０ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０７－００３４－１３

ＡＩＧＣ 又稱生成式ＡＩ（Ｇｅｎｅｒａｔｉｖｅ ＡＩ）， 是一種新型內容創(chuàng)作方式， 可以在對話、故事、圖像、視頻和音樂制作等方面， 打造新的數(shù)字內容生成與交互形式［１］ 。由于ＡＩＧＣ 在文章總結、語言風格定義［２］ 、寫作輔助［３］ 、數(shù)據(jù)分析、精準問答等方面的技術優(yōu)勢較為明顯［４］ ， 與學術實踐概念中涉及學術寫作、數(shù)據(jù)處理、學術指導、定性研究等任務需求較為契合， 使學術層面臨著學術實踐模式重構的壓力［５］ 。文中學術實踐主要是指學術界進行研究、寫作和知識傳播過程中的實際操作和實踐活動； 重構指的是ＡＩＧＣ 對學術實踐方式、方法和流程的根本性重新構建或改變， 包括新的內容生成模式和交互形式。隨著ＣｈａｔＧＰＴ、Ｃｌｏｕｄｅ、Ｓａｇｅ、文心一言等ＡＩＧＣ 的廣泛傳播與使用， 學術實踐的傳統(tǒng)模式正在經(jīng)歷著全面的轉變， 迫使學術界應當重新思考和適應新的實踐范式。然而ＡＩＧＣ 開展學術實踐的負面案例也在不斷增加［６］ ， 《Ｔｈｅ Ａｔｌａｎｔｉｃ》發(fā)表了題為“大學論文已死” 的消極論調［７］ ， 引發(fā)了學者們的擔憂。大量研究表明， ＡＩＧＣ 在學術實踐方面存在專業(yè)覆蓋范圍有限、生成結果缺乏創(chuàng)新性［８］ 、可能導致觀點剽竊、虛假信息傳播等問題［９］ ； 用戶盲目使用ＡＩＧＣ 可能導致學術不端行為， 甚至出現(xiàn)過度依賴工具削弱學習能力的狀況［１０］ ， 損害學術生態(tài)的健康發(fā)展。ＡＩＧＣ 為學術研究帶來前所未有的便利， 也造成極大的監(jiān)管壓力與學術道德困境， 不利于學術實踐方面的應用與推廣。在此背景下， 為了合理運用ＡＩＧＣ 這柄雙刃劍［１１］ ， 在滿足用戶需求的同時維護學術生態(tài)， 應具體分析ＡＩＧＣ 在學術實踐下如何影響學術用戶的持續(xù)使用意愿， 厘清學術用戶與ＡＩＧＣ 之間的協(xié)調互動模式。與長期使用不同， 持續(xù)使用意愿是指在一段時間內用戶持續(xù)使用ＡＩＧＣ 開展學術寫作的意愿程度， 以及用戶未來在學術寫作層面仍有繼續(xù)使用該技術的意愿， 可以幫助了解技術在用戶視角的滿意度、可行性和持久性。

１文獻綜述

通過梳理國內外有關ＡＩＧＣ 與學術實踐相結合的研究發(fā)現(xiàn)， 目前學者們主要研究使用ＡＩＧＣ 的特定對象或利用特定方法分析ＡＩＧＣ 技術本身及其學術產(chǎn)出的影響。

從特定對象的研究視角來看， 近年來， 大學機構［１２］ 面臨著數(shù)字化轉型帶來的挑戰(zhàn)和機遇， ＡＩＧＣ技術的快速發(fā)展對高等教育機構產(chǎn)生深遠影響， 使得教師群體［１３］ 面臨教學、學習和評估成績的挑戰(zhàn)，包括難以區(qū)分學生學習成果和ＡＩ 工具產(chǎn)物， 以及對學術誠信的影響， 部分學者認為需要協(xié)助教授們［１４］在教學中學會使用ＡＩＧＣ， 以確保學生的學術誠信。與此同時， 科研人員［１５］ 對ＡＩＧＣ 的應用持積極態(tài)度，特別是對于ＡＩＧＣ 的理念和實用價值給予了較高認可度［１６］ ， 但也意識到了在使用ＣｈａｔＧＰＴ 等工具時可能面臨真實性、數(shù)據(jù)污染和隱私安全等問題的挑戰(zhàn)。此外， 有學者研究ＣｈａｔＧＰＴ 用戶［１７］ 的使用意愿， 認為應當加強技術倫理道德建設， 為ＡＩＧＣ 本土化提供了借鑒與參考。梳理主流研究對象可以發(fā)現(xiàn)， 當下研究較多采用廣義的“用戶” 或者某“群體” 概念來定義ＡＩＧＣ 在學術領域的使用對象， 未充分關注群體內部差異。在學術用戶中， 研究生作為學術實踐的新生力量， 更容易接納新技術， 也更需要輔助工具的支持來提高學術素養(yǎng)， 從研究生角度思考ＡＩＧＣ 與學術之間的互動聯(lián)系， 有利于深入理解不同群體持續(xù)使用新技術的意圖與動機。

從特定方法的研究視角來看， 隨著技術的快速進步， ＡＩＧＣ 的應用案例在全球范圍內日益增多，有學者開展了案例研究［１８］ ， 指出ＡＩＧＣ 技術對學術誠信構成了挑戰(zhàn)， 可能出現(xiàn)抄襲行為或未經(jīng)許可的材料使用問題。伴隨學者們對ＡＩＧＣ 研究興趣的持續(xù)升溫， 通過文獻綜述［１９－２０］ 的方法， 有學者探討了ＡＩＧＣ 技術工具在學術寫作中的潛在益處和風險， 發(fā)現(xiàn)了其在促進學術工作效率方面具有優(yōu)勢，同時也存在著學術造假的可能， 也有學者進一步分析， 揭示了ＡＩＧＣ 在科研場景中的應用風險， 并強調了預防其沖擊學術倫理底線的重要性。此外， 有研究通過分析眾多網(wǎng)絡新聞報道［２１］ ， 探討了ＡＩＧＣ工具對學生學習和大學教學評估的潛在影響， 呼吁高等教育機構在確保學術誠信的前提下， 挖掘ＡＩＧＣ的潛在價值。有趣的是， ＣｈａｔＧＰＴ 作為一種ＡＩＧＣ的熱門工具， 經(jīng)常作為被訪談對象［２２］ 出現(xiàn)在學者的研究中， 通過直接式對話揭示ＡＩＧＣ 如何幫助科研人員節(jié)約時間和提高效率， 同時強調了技術偏見、數(shù)據(jù)隱私保護和數(shù)據(jù)倫理等潛在風險［２３］ ?？v觀主流研究方法， 現(xiàn)有研究主要采用定性方法來探索和理解ＡＩＧＣ 本身的技術特性及其在學術領域的具體應用， 較少采用定量方法系統(tǒng)分析ＡＩＧＣ 與用戶之間的關系。因此， 想要更為全面地檢驗持續(xù)使用意愿的效度， 采用定量研究方法對于厘清ＡＩＧＣ與學術用戶之間的協(xié)作機制具有重要意義。

本文選擇研究生作為特定研究對象， 使用問卷調查的定量研究方法， 考慮ＡＩＧＣ 在學術領域的應用與發(fā)展趨勢， 基于技術接受與使用整合模型（Ｕ?ｎｉｆｉｅｄ Ｔｈｅｏｒｙ ｏｆ Ａｃｃｅｐｔａｎｃｅ ａｎｄ Ｕｓｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，ＵＴＡＵＴ２）， 結合任務技術匹配（Ｔａｓｋ－Ｔｅｃｈｎｏｌｏｇｙ Ｆｉｔ，ＴＴＦ）理論， 構建了研究生持續(xù)使用ＡＩＧＣ 開展學術實踐影響因素模型， 同時對研究對象的特征變量進行測量， 實證分析了影響研究生持續(xù)使用ＡＩＧＣ 開展學術實踐意愿的不同因素， 并研究了各影響因素之間的作用機制， 以期彌補現(xiàn)有研究對特定對象的忽視與定性分析解釋力不足的問題， 幫助后續(xù)研究者深入了解研究生群體與ＡＩＧＣ 之間的交互過程，便于其理解學術領域中用戶與技術互動的復雜性，現(xiàn)實層面為推動該技術在學術領域的人性化應用提供理論依據(jù)和實踐指引。

２ 模型構建與研究假設

２.１基于ＵＴＡＵＴ２理論的假設

２０１２年， Ｖｅｎｋａｔｅｓｈ Ｖ 等在ＵＴＡＵＴ 模型的基礎上提出了技術與接受擴展模型（ＵＴＡＵＴ２）。該模型包含７ 個自變量（績效期望、努力期望、社群影響、便利條件、享樂動機、價格價值和習慣）和３ 個控制變量（性別、年齡、經(jīng)驗）， 對使用意愿的解釋力達７０％， 高于ＵＴＡＵＴ 模型［２４］ 。有研究證明， 該模型是在各種文化環(huán)境和社會背景下調查新技術持續(xù)使用意愿的有效模型［２５］ ， 因此被本研究選作理論框架。

由于ＡＩＧＣ 使用門檻極低， 可以在任何日常設備上運行， 故不考慮便利條件變量。同時， ＡＩＧＣ應用基本免費， 成本因素不顯著， 故不考慮價格價值變量。另外， ＡＩＧＣ 面世較晚， 使用ＡＩＧＣ 開展學術實踐的行為處于起步階段， 未形成習慣， 相關技術和工具也在快速迭代， 因而習慣變量無法被合理采納。同理， 研究對象使用ＡＩＧＣ 的經(jīng)驗也較為有限， 故選擇剔除。綜上， 本研究保留原模型中績效預期、努力預期、社群影響、享樂動機４ 個自變量， 變量間的關系保持不變。以下是該模型中與持續(xù)使用意愿關聯(lián)的變量構念及其對應的研究假設。

２.１.１ 績效期望（Ｐｅｒｆｏｒｍａｎｃｅ Ｅｘｐｅｃｔａｎｃｙ， ＰＥ）

績效期望反映了研究生感知使用ＡＩＧＣ 開展學術實踐可以提高學術寫作或研究效率和質量的期望， 如輔助搜索參考文獻、生成簡易文獻綜述或框架、提供初步研究思路、檢查語法錯誤和刪減重復內容等?；诟兄杏眯裕郏玻叮?， 在諸多研究中被證實對持續(xù)使用意愿有顯著正向影響［２７－２８］ 。因此， 本研究提出以下合理假設：

Ｈ１： 績效期望對研究生使用ＡＩＧＣ 開展學術實踐的持續(xù)使用意愿有顯著正向影響

２.１.２ 努力期望（Ｅｆｆｏｒｔ Ｅｘｐｅｃｔａｎｃｙ， ＥＥ）

努力期望代表研究生感知使用ＡＩＧＣ 開展學術實踐的難易程度。如果研究生感知ＡＩＧＣ 技術比較易于使用， 他們會有較高的績效期望， 預期可以顯著提高寫作或研究的效率和質量， 否則這種績效期望會降低?；诟兄子眯裕郏玻梗?， 在廣泛研究中被驗證對持續(xù)使用意愿有顯著正向影響［２６，３０］ 。因此，本研究提出以下合理假設：

Ｈ２： 努力期望對研究生使用ＡＩＧＣ 開展學術實踐的持續(xù)使用意愿有顯著正向影響

２.１. ３ 享樂動機（Ｈｅｄｏｎｉｃ Ｍｏｔｉｖａｔｉｏｎ， ＨＭ）

享樂動機代表研究生在使用ＡＩＧＣ 開展學術實踐的過程中感受到傳統(tǒng)工具所不具備的新鮮感和愉悅體驗， 這種可預期的愉悅感會增加研究生的持續(xù)使用意愿， 反之意愿就會減弱， 是影響用戶接受和使用新技術的重要因素［２６］ ， 已被多數(shù)研究證實對持續(xù)使用意愿有積極影響［３１－３２］ 。因此， 本研究提出以下合理假設：

Ｈ３： 享樂動機對研究生使用ＡＩＧＣ 開展學術實踐的持續(xù)使用意愿有顯著正向影響

２.１.４社群影響（Ｓｏｃｉａｌ Ｉｎｆｌｕｅｎｃｅ， ＳＩ）

社群影響代表外界對研究生使用ＡＩＧＣ 開展學術實踐行為的看法和影響， 如導師、同學和同行對研究生使用ＡＩＧＣ 技術進行學術實踐的態(tài)度， 當社群影響呈現(xiàn)正向支持時， 其技術持續(xù)使用意愿會增加， 當未受到支持甚至是反對時， 意愿便會降低。該變量是在理性行為理論（Ｔｈｅｏｒｙ ｏｆ Ｒｅａｓｏｎｅｄ Ａｃ?ｔｉｏｎ）的基礎上而來［３３］ ， 在各類研究中發(fā)現(xiàn)是影響用戶持續(xù)使用新技術意愿的重要因素［３４－３５］ ， 因此，本研究提出以下合理假設：

Ｈ４： 社群影響對研究生使用ＡＩＧＣ 開展學術實踐的持續(xù)使用意愿有顯著正向影響

２.１.５ 學術道德規(guī)范的調節(jié)作用

學術道德規(guī)范代表學術研究需要遵守的道德及規(guī)范［３６］ ， 通過行業(yè)共同的信念和守則來約束研究生行為， 指導研究的方向和形式。在本研究以特征變量的身份作為社群影響的調節(jié)變量納入模型。如果使用ＡＩＧＣ 能夠符合主流的學術道德標準與要求，研究生也更容易接受并采納使用。否則， 即便有較好的社群影響， 也可能使用戶產(chǎn)生心理抵觸而降低持續(xù)使用意愿。因此， 本研究提出以下合理假設：

Ｈ５： 學術道德規(guī)范會在社群影響與持續(xù)使用意愿的關系中起到顯著影響

２.２ 基于ＴＴＦ 理論的假設

任務技術匹配（Ｔａｓｋ－Ｔｅｃｈｎｏｌｏｇｙ Ｆｉｔ， ＴＴＦ） 理論最初由Ｇｏｏｄｈｕｅ Ｄ Ｌ 等［３７］ 在１９９５ 年提出， 包括３ 個核心變量： 任務特征、技術特征、任務技術匹配。ＴＴＦ 理論及其機制常與其他模型進行整合， 在多領域被證實是影響持續(xù)使用新技術意愿的重要因素， 如在線服務［３８］ 、移動平臺［３９］ 、軟件系統(tǒng)［４０］ 等。因此， 本研究提出以下合理假設：

Ｈ６： ＡＩＧＣ 的技術特征會顯著影響研究生使用其開展學術實踐的任務技術匹配度

Ｈ７： 學術實踐的任務特征會顯著影響研究生采納ＡＩＧＣ 的任務技術匹配度

Ｈ８ａ： 研究生使用ＡＩＧＣ開展學術實踐的任務技術匹配度顯著影響其持續(xù)使用意愿

Ｈ８ｂ： 研究生使用ＡＩＧＣ開展學術實踐的任務技術匹配度顯著影響其績效期望

２.３ 個體創(chuàng)新性及假設

個體創(chuàng)新性指研究生持續(xù)使用新技術的傾向性。創(chuàng)新程度高的人更容易對新技術產(chǎn)生積極看法［４１－４２］ ， 其持續(xù)使用意愿也有著比較積極的期望［４３］ 。相關研究也證明了個體創(chuàng)新性影響不同情境下新技術使用意愿的穩(wěn)定性［４４］ ?；诖耍?本研究認為個體創(chuàng)新性高的研究生群體更容易產(chǎn)生積極的評價， 并因為技術創(chuàng)新而體現(xiàn)出較高的學習與使用動機， 有助于形成技術持續(xù)使用意愿。個體創(chuàng)新性低的用戶則相對脆弱， 更傾向于采取觀望與追隨的態(tài)度， 抑制了意愿的生成。因此， 本研究提出以下合理假設：

Ｈ９： 研究生的個體創(chuàng)新性顯著影響其使用ＡＩＧＣ 開展學術實踐的持續(xù)使用意愿

２.４ 整合理論模型的構建

ＵＴＡＵＴ２ 模型更多考慮了基于用戶視角的影響因素， 但對技術本身的特征及任務要素機制缺乏詳細討論， 而ＴＴＦ 理論雖然可以很好地衡量技術滿足任務需求方面的適用性， 卻忽略了個體變量的作用。二者結合可以產(chǎn)生更強的解釋力和預測力［４５］ ，在以往的研究中多有體現(xiàn)［２５，４６］ 。本研究在整合二者模型的基礎上進一步引入個體創(chuàng)新性和學術道德規(guī)范變量。一方面考慮了研究生技術接納傾向； 另一方面強調學術實踐中的規(guī)范與道德標準， 有助于制約和細化其他變量的影響， 更好地適應研究對象與研究情境。綜上所述， 本研究基于ＵＴＡＵＴ２－ＴＴＦ整合模型構建了研究生持續(xù)使用ＡＩＧＣ 開展學術實踐影響因素模型， 如圖１ 所示。

３ 研究設計

３.１ 研究對象

研究對象選取處于獲取知識與開展學術實踐關鍵階段的研究生群體， 作為新生代學者與知識生產(chǎn)者， 他們既具有傳統(tǒng)學術研究屬性， 也積極接納新技術， 擁有較強的學術創(chuàng)新性與高度的技術敏感性， 是推動ＡＩＧＣ 發(fā)展的重要參與者， 他們的技術持續(xù)使用意愿會對未來學術生態(tài)產(chǎn)生深遠影響， 是理解學術群體與ＡＩＧＣ 互動模式的重要切入點。考慮到博士群體的學術研究特點， 更多研究將其認定為專職科研人員， 因而本研究僅對碩士群體進行深入調查與分析。

３.２ 研究方法

首先， 結合變量自身定義及國內外相關研究的成熟量表設計調查問卷， 通過線上線下相結合的方式收集變量數(shù)據(jù)并進行描述性統(tǒng)計分析， 通過預調研調整問卷結構后開展正式調研， 確保數(shù)據(jù)量和數(shù)據(jù)結構的合理性； 隨后采用ＳＰＳＳ 針對問卷量表的一致性進行檢驗， 判斷量表穩(wěn)定性是否良好； 對問卷的ＫＭＯ 值和Ｂａｒｔｌｅｔｔ 球形檢驗系數(shù)進行分析， 驗證問卷的結構效度是否適合進一步開展驗證性因子分析； 最后使用ＡＭＯＳ 對研究假設和整合模型進行實證檢驗， 驗證理論模型各路徑的效度。

３.３ 量表設計

研究模型中共計１０ 個變量： 自變量（績效期望、努力期望、社群影響、享樂期望、個體創(chuàng)新性、任務匹配、技術匹配）、中介變量（任務技術匹配）、因變量（持續(xù)使用意愿）和調節(jié)變量（學術道德規(guī)范）。變量測量題項采用Ｌｉｋｅｒｔ 五級量表編制， 從“非常不同意（１）” 到“非常同意（５）”， 為保證問卷的測量題項具有較高的可靠性， 所有題項均來源于已有研究， 并做出適當調整； 同時邀請多位信息管理領域專家對問卷題目進行審查， 根據(jù)專家意見修正部分題項的語言表述， 確保題項表述的清晰性和準確性。題項詳情如表１ 所示。

完整問卷分為３ 部分： ①介紹問卷研究目的及解釋部分名詞； ②調查研究生基本信息包括性別、專業(yè)和技術使用情況； ③調查研究生持續(xù)使用ＡＩＧＣ開展學術實踐意愿的實際情況。

３.４研究數(shù)據(jù)

問卷調查采用線上線下相結合的方式， 線上通過問卷星等專業(yè)第三方平臺發(fā)放， 線下通過社交軟件向目標用戶發(fā)放。問卷題均為客觀選擇題， 采用封閉式自主填寫問卷方式。首先收集７０ 份數(shù)據(jù)開展預調研， 通過分析作答時間、漏答、連續(xù)性、異常值等方式剔除無效問卷２ 份， 獲得有效問卷６８份。預調研分析結果顯示： 各測量題項的因子載荷均大于０.６； Ｃｒｏｎｂａｃｈｓ Ａｌｐｈａ 系數(shù)和組合信度（ＣＲ）均高于０.７； 平均方差萃取量（ＡＶＥ）均高于０.５；自行開發(fā)變量ＡＶＥ 的平方根值均高于該變量與其他變量之間的相關系數(shù)。預調研結果良好， 適合正式調研。

正式問卷于２０２３ 年６ 月１４—３１ 日發(fā)放， 收集３２０ 份數(shù)據(jù)， 剔除無效問卷１４ 份， 共計收集３７４份有效問卷（含預調研有效問卷６８ 份）， 題目數(shù)量３５ 項， 符合Ａｍｏｓ 樣本數(shù)量至少是題項10倍的要求。受訪者中女性稍多， 占比５３％， 男性占比４７％；專業(yè)分布較為均衡， 理工類（理工農(nóng)醫(yī)） 專業(yè)１３８人（３７％）， 社科類（經(jīng)管法教）專業(yè)１５３ 人（４１％），人文類（文史哲藝）專業(yè)８３ 人（２２％）。樣本量符合結構方程模型分析要求， 樣本結構較合理， 可用于理論模型的驗證。

４ 數(shù)據(jù)分析與結果驗證

４.１ 信度與效度檢驗

研究采用ＳＰＳＳ 對問卷量表一致性進行分析，結果顯示： 各構念的克隆巴赫系數(shù)（α）均大于０.７，模型整體α 為０.９４４， 說明量表穩(wěn)定性良好； 問卷ＫＭＯ 值和Ｂａｒｔｌｅｔｔ 球形檢驗系數(shù)分別為０.９０２ 和７ ０５７. １１９， 顯著性水平０.０００， 結構效度較高， 適合進行驗證性因子分析。驗證性因子分析（ＣＦＡ）的結果如表２ 所示， 研究構念的組合信度ＣＲ 均大于０.７， 平均方差抽取量ＡＶＥ 均大于０.５， 表明測量模型具備良好的組合信度。同時， 構念所有題項的標準化因子負荷均高于０.６， 表明測量模型具有良好的聚合效度。

通過比較數(shù)據(jù)平均方差抽取量ＡＶＥ 的平方根與構念間相關系數(shù)可以檢驗變量的區(qū)分效度， 文中全部構念的ＡＶＥ 平方根均大于構念間的相關系數(shù)，表明文中變量具備良好的區(qū)分效度。檢驗結果如表３ 所示。

４.２ 正態(tài)分布檢驗

所有觀測變量獲得數(shù)據(jù)的偏度系數(shù)絕對值都小于２， 低于正態(tài)分布參考值３； 峰度系數(shù)的絕對值都小于７， 低于正態(tài)分布的參考值８； 表明數(shù)據(jù)符合正態(tài)分布。因此， 本文在后續(xù)數(shù)據(jù)處理時可以采用極大似然估計法開展結構方程模型的統(tǒng)計分析工作。

４.３ 共同方法偏差檢驗

采用Ｈａｒｍａｎ單因素檢驗， 將績效期望、努力期望、享樂動機、個體創(chuàng)新性、學術道德規(guī)范、社群影響、持續(xù)使用意愿、任務特征、技術特征、任務技術匹配作探索性因子分析。結果顯示， 第一個因子僅解釋變異量的３５.２％， 小于４０％的臨界值。因此， 本研究數(shù)據(jù)共同方法偏數(shù)據(jù)處理差不嚴重。

４.４ 模型擬合

在前文信度與效度分析的基礎上， 本文選擇Ｘ^２、Ｘ^２／ ｄｆ、ＧＦＩ、ＡＧＦＩ、ＮＮＦＩ、ＩＦＩ、ＣＦＩ、ＲＭＳＥＡ等指標檢驗構念模型的擬合程度。數(shù)據(jù)結果顯示，Ｘ^２＝６７１.２４２、Ｘ^２／ ｄｆ ＝ １.７２６， 處于標準區(qū)間１ ～ ３之間； ＧＦＩ ＝ ０.９０３， 擬合度良好； ＡＧＦＩ ＝ ０.８７６，符合０.９ 的臨界標準； ＮＮＦＩ ＝ ０.９０６、ＩＦＩ ＝ ０.９５８，ＣＦＩ＝０.９５８， 均大于臨界值０.９； ＲＭＳＥＡ ＝ ０.０４６，小于臨界標準０.０８， 表明本文構念模型與樣本數(shù)據(jù)間擬合度良好。假設模型的標準化參數(shù)輸出如表４所示。

４.５假設檢驗結果

如表５ 所示， Ｈ３、Ｈ４、Ｈ８ａ 未通過驗證， 表明假設不成立； Ｈ１、Ｈ２、Ｈ５、Ｈ６、Ｈ７、Ｈ８ｂ、Ｈ９ 通過驗證， 表明假設成立。

標準化模型如圖２ 所示， 從檢驗結果來看， 影響持續(xù)使用意愿的直接影響因素， 按路徑系數(shù)（標準化直接效果值）的大小依次如下： 績效期望（β ＝０.３４）、個體創(chuàng)新性（β＝０.１９）、努力期望（β ＝０.１７）； 任務特征和技術特征對任務技術匹配有直接正向顯著作用， 表明ＡＩＧＣ 技術特征和學術實踐任務特征在一致性較高時能支持研究生完成任務；任務技術匹配對研究生持續(xù)使用意愿的直接效果沒有成立， 但任務技術匹配對績效期望存在正向顯著影響， 還能通過績效期望對持續(xù)使用意愿起到間接顯著影響， 間接效果路徑系數(shù)是０.３２９（０.９４.０.３４＝０.３２９）， 總效果值為０. ３２７， 是影響持續(xù)使用意愿中總效果值中較為重要的因素， 模型最終的路徑系數(shù)如圖３ 所示。

４.６ 調節(jié)效應檢驗

使用ＡＭＯＳ 中的ＢｏｏｔＳｔｒａｐｐｉｎｇ 算法， 設置重復抽樣２０００次， 置信區(qū)間為９５％檢驗得出， 學術道德規(guī)范的調節(jié)效應系數(shù)為０.１８， 置信區(qū)間不包括０， Ｐ 值小于０.０５， 如表６ 所示。結果表明， 學術道德規(guī)范可以小幅但顯著提高社群影響和持續(xù)使用意愿之間的正相關性。換言之， 在相同社群影響條件下， 符合主流學術道德規(guī)范的技術或工具更能促進研究生的持續(xù)使用意愿。

５ 研究結論與啟示

５.１ 研究結論的討論

５.１.１技術層面對研究生ＡＩＧＣ持續(xù)使用意愿的影響分析

首先， 研究生對于ＡＩＧＣ 技術特征的感知和對學術實踐任務特征的感知都會對任務技術匹配產(chǎn)生正向影響作用， 符合現(xiàn)有研究的結論［４９］ 。ＡＩＧＣ 的強大信息處理和多功能性可匹配研究生的學術需求，從而提高任務技術匹配度； 其次， ＡＩＧＣ 提升學術效率和減輕工作強度的功能， 滿足研究生的績效預期， 增強持續(xù)使用意愿， 與現(xiàn)有研究的結論吻合［５０］ 。換言之， 研究生感知使用ＡＩＧＣ 的收益及績效越高，任務匹配度及持續(xù)使用意愿越強。

然而， 研究生的任務技術匹配變量與持續(xù)使用意愿之間沒有直接顯著影響， 與現(xiàn)有研究狀況不一致［５１］ ， 可能由于研究生對ＡＩＧＣ 了解不足， 尚未形成穩(wěn)定的使用認知和經(jīng)驗， 難以準確判斷匹配程度，同時不同學科對ＡＩＧＣ 依賴程度導致任務匹配感知存在差異， 面臨測量難題。但是， 任務技術匹配可以通過影響研究生的績效期望， 間接顯著影響其持續(xù)使用ＡＩＧＣ 的意愿， 與現(xiàn)有研究結論一致［５１］ 。原因是良好的匹配度可以提高學術效率和文本質量，從而提升研究生的績效期望， 間接提升持續(xù)使用意愿。

綜上所述， 雖然ＡＩＧＣ 本身的技術能力符合開展學術任務的需要， 但確保研究生能夠充分理解并認識到ＡＩＧＣ 的技術特性與其學術任務之間的一致性， 是提高其ＡＩＧＣ 持續(xù)使用意愿的關鍵。

５.１.２ 個體層面對研究生ＡＩＧＣ 持續(xù)使用意愿的影響分析

一方面， 個體創(chuàng)新性顯著影響持續(xù)使用意愿，與現(xiàn)有研究結論一致［５２－５３］ ， 具有較強技術探索興趣的研究生， 更易接受和持續(xù)使用新技術， 會主動開展ＡＩＧＣ 與學術實踐的融合； 另一方面， 研究生對ＡＩＧＣ 的努力期望做出了正面判斷， 這與現(xiàn)有研究結論是一致的［５４－５５］ ； 研究生本身具備的信息技術基礎， 以及對自身學習和運用新技術的信心， 大幅降低了技術使用障礙， 同時結合ＡＩＧＣ 互動式回答的易用性和較低的學習門檻， 形成了ＡＩＧＣ 易學易用的判斷， 提升了努力期望。然而， 享樂動機對持續(xù)使用意愿不成立， 與現(xiàn)有研究狀況不一致［５５］ ，一是研究生對挖掘ＡＩＧＣ 的樂趣認知不夠； 二是學術實踐任務的本身就難以激發(fā)享樂情緒。

綜上所述， 具有較高水平個體創(chuàng)新性的研究生群體更傾向于接受和嘗試新興技術， 因而加大培養(yǎng)研究生個體創(chuàng)新性的力度， 對提升持續(xù)使用意愿有著積極的影響。

５.１.３ 外部影響層面對研究生ＡＩＧＣ持續(xù)使用意愿的影響分析

研究表明， 社群影響對持續(xù)使用意愿不顯著，這與現(xiàn)有研究結論不同［５４］ 。分析原因可能是： 研究生的學術研究相對獨立， 不依賴他人意見； 研究生本身接受新技術的態(tài)度開放， 技術采納收益比負面建議更能影響其持續(xù)使用意愿； 不同學科使用ＡＩＧＣ 情形不同， 社群難形成統(tǒng)一態(tài)度； 且目前社群對ＡＩＧＣ 了解不夠， 難給出權威意見。但是， 學術道德規(guī)范在社群影響和持續(xù)使用意愿間發(fā)揮正向調節(jié)作用， 如表６ 所示， 可以解釋為研究生重視學術誠信， 會自覺遵循相關規(guī)范， 且認識到ＡＩＧＣ 必須在遵守學術倫理前提下使用， 否則可能造成嚴重后果， 損害個人聲譽。遵循道德規(guī)范既確保技術合理應用， 也獲得同僚認可， 將增強持續(xù)使用意愿。

綜上所述， 研究生的學術自主性較強， 不會過度受到社群影響， 但會積極維護學術道德規(guī)范， 以推動ＡＩＧＣ 在學術界合乎倫理的持續(xù)應用， 因而上層規(guī)范能夠對其持續(xù)使用意愿產(chǎn)生重要影響， 是解決ＡＩＧＣ 在學術實踐領域“水土不服” 問題的根本保障。

５.２ 研究啟示

５.２.１ 優(yōu)化ＡＩＧＣ符合學術實踐需求，實現(xiàn)技術與任務的深度匹配

從技術特征角度考慮： 技術開發(fā)方面應加強對不同學科用戶實際應用ＡＩＧＣ 需求的研究， 建立定期需求調研機制， 邀請不同學科專家指導研發(fā)方向；同時建立動態(tài)的用戶反饋機制， 通過多種渠道持續(xù)收集使用體驗數(shù)據(jù)， 以獲知用戶需求變化， 形成技術供給與需求的閉環(huán)反饋。在技術路線上， 技術方需提供模塊化和定制化解決方案以支持不同學科任務， 同時要保障對于虛假內容的甄別， 持續(xù)優(yōu)化核心算法提高內容生成的智能化與學術化， 并完善人機交互和內容審核機制， 實現(xiàn)有效的人機協(xié)同。例如， 中國科學院學術版ＧＰＴ［５６］ 的推出， 便可視為人工智能服務學術領域的一個成功嘗試， 為其他開發(fā)者提供了可資借鑒的范例。

從任務特征角度來考慮： 高?；蚱渌麑W術機構一方面可以通過提供技術測試、講座、實操展示等方式與研究生展開交流， 使其深入了解ＡＩＧＣ 對不同學科研究任務的適應性和支撐能力， 提升研究生對任務技術匹配的了解深度； 另一方面可以通過設置不同學科的學術實踐結合ＡＩＧＣ 應用的案例庫，展示ＡＩＧＣ 廣泛的應用范圍， 拓寬研究生對于任務技術匹配的認識廣度。還應從實踐出發(fā)， 針對常見的學術實踐活動設計ＡＩＧＣ 使用指導， 幫助研究生掌握具體的正確運用方法。例如， 香港科技大學在國內率先全面啟用ＧＰＴ［５７］ 用于科研、教學及管理工作， 對ＡＩＧＣ 的應用推廣具有重要意義。

綜上所述， 通過上述舉措并行， ＡＩＧＣ 在學術領域的適用性、易用性和生成質量將不斷提升， 與學術用戶逐漸形成良性互動， 從而有效推動ＡＩＧＣ真正服務于學術創(chuàng)新。

５.２.２ 激發(fā)研究生內生技術探索動機， 促進用戶與技術的感知同頻

相較于外在的“有趣” 誘導， 同頻感知反映的是用戶對ＡＩＧＣ 的認同感和熟悉程度， 它基于內生的個體創(chuàng)新性， 是研究生培養(yǎng)ＡＩＧＣ 持續(xù)使用意愿的關鍵。為增強研究生對ＡＩＧＣ 的同頻感知， 院校應當更新教學理念， 開設與時俱進的創(chuàng)新創(chuàng)業(yè)課程， 提供相應的實踐平臺， 在課程設置上也要加強創(chuàng)新思維與創(chuàng)新技能的培養(yǎng)， 營造開放包容、支持試錯的校園創(chuàng)新文化， 激發(fā)技術探索興趣。這需要制度創(chuàng)新支持和科研氛圍熏陶， 培養(yǎng)研究生對技術創(chuàng)新的認同感。此外， 應通過培訓指導提高研究生的技術接受能力與個體創(chuàng)新性， 如舉辦實操培訓、網(wǎng)絡課程、技術應用競賽等， 通過技術指導與項目支持， 推動研究生積極探索ＡＩ 技術。英國２４ 所頂尖高校制定在校園使用ＡＩ 工具的原則［５８］ ， 為推動學生探索ＡＩＧＣ 提供了案例。

綜上所述， 院校及相關機構需持續(xù)努力， 強化研究生與ＡＩＧＣ 的同頻認知， 激發(fā)內生動機， 使不同學科研究生在學術實踐中形成技術應用共鳴， 實現(xiàn)廣泛而持續(xù)的發(fā)展。

５.２.３ 構建政策與規(guī)范主導的頂層設計， 塑造技術供給與需求的良性循環(huán)

從政策角度考慮： ２０２３ 年７ 月， 我國七部門聯(lián)合發(fā)布《生成式人工智能服務管理暫行辦法》［５９］ ，明確鼓勵ＡＩＧＣ 在各領域的創(chuàng)新應用， 明確指出支持科研機構開展ＡＩＧＣ 技術創(chuàng)新。相關部門需要加快腳步制定具體可執(zhí)行政策， 一方面， 要明確ＡＩＧＣ在法律層面的使用要求， 為學術共同體劃分清晰的應用邊界， 便于其制定ＡＩＧＣ 在學術研究中的合理規(guī)范及應用指南； 例如， 歐盟推出《人工智能法案》［６０］ ， 通過統(tǒng)一的法律監(jiān)管框架， 為不同類型的ＡＩ 提出不同的要求和義務， 明確了ＡＩＧＣ 的使用場景； 另一方面， 政府應增加ＡＩＧＣ 技術研發(fā)與應用的資金支持， 鼓勵高校、科研院所、高新企業(yè)針對學術領域ＡＩＧＣ 關鍵共性技術和定制化應用開展自主研發(fā)和本土化創(chuàng)新， 提升ＡＩＧＣ 在我國學術領域的適配性。例如， 北京市發(fā)布了《北京市促進通用人工智能創(chuàng)新發(fā)展的若干措施》［６１］ ， 明確提出探索ＡＩＧＣ 在科研領域的示范應用， 為全國各地落地政策樹立標桿。

從規(guī)范角度考慮： 學術共同體應依托政策制定系統(tǒng)性的ＡＩＧＣ 學術實踐規(guī)范， 并據(jù)此擬定不同學科領域的專項規(guī)劃方案， 基于對各學科用戶個性化需求的充分調研， 合理配置技術供給， 確保符合規(guī)范要求。如國際醫(yī)學期刊編輯委員會（ＩＣＭＪＥ）針對醫(yī)學學術研究提出ＡＩＧＣ 使用的具體要求［６２］ ， 為其他學科提供了參考。同時， 高校等學術機構可以依托政策資金建立ＡＩＧＣ 應用示范平臺， 發(fā)揮不同學科領域內頂尖高校的示范作用， 在各專業(yè)領域培育應用示范點， 推廣技術應用經(jīng)驗， 并協(xié)同建立示范平臺的評價機制， 確保技術良性落地。

綜上所述， 為推動ＡＩＧＣ 在學術領域內的廣泛應用， 政府與學術共同體應密切配合形成技術供給與需求雙向驅動的良性循環(huán)， 為ＡＩＧＣ 開展學術實踐本土化和規(guī)范化夯實基礎， 切實提升研究生的學術能力和創(chuàng)新水平。

６結語

本研究從技術、任務、用戶心理等角度探討對持續(xù)使用意愿的影響， 為研究生持續(xù)使用ＡＩＧＣ 開展學術實踐提供實證參考， 并在此基礎上提出相關對策建議， 對ＡＩＧＣ 持續(xù)使用意愿的影響機制研究具有重要啟發(fā)意義。但本文仍存有不足： 一方面， 研究針對的結果變量為持續(xù)使用意愿， 未能探討用戶的實際持續(xù)使用行為， 二者之間可能存在偏差， 后續(xù)研究可通過追蹤調查等方式， 收集用戶長期使用數(shù)據(jù)， 考察不同影響因素對持續(xù)使用行為的效果；另一方面， 調查對象僅為研究生群體， 未覆蓋其他學術用戶， 如科研人員、博士等高層次人才， 這些用戶群體的學術實踐特征及技術接受模型可能存在差異。后續(xù)可擴大樣本范圍， 建立覆蓋不同學術群體的模型， 提出更為個性化的建議。