生成式人工智能赋能量表（GAIA）的开发与验证：评估用户参与和利用的综合测量工具

本研究针对生成式人工智能（GAI）在工作场所中应用评估工具的缺失问题，开发并验证了生成式人工智能赋能量表（GAIA）。通过混合研究方法，构建了包含整合性、采纳性、定制化、界面性和伦理性五个维度的二阶反射-反射模型。该量表为量化个体层面的GAI应用提供了可靠工具，对提升组织生产力和创新效能具有重要意义。

　　

随着生成式人工智能（Generative AI）技术的迅猛发展，诸如ChatGPT、Dall-E 2和Copilot等工具正在深刻改变商业管理领域的工作方式和生产效率。这些技术通过深度学习模型生成类人内容，为用户提供了前所未有的创造力和效率提升可能。然而，尽管生成式AI的应用潜力巨大，但其仍处于发展初期，如何有效评估和促进用户对这些技术的采纳、适应和整合成为亟待解决的问题。现有的技术接受和使用模型往往侧重于初期的采纳行为，而忽视了技术在实际使用过程中的适应和整合过程，即技术赋权（Appropriation）的全面测量。特别是在个体层面，缺乏可靠的量化工具来评估用户如何将生成式AI工具融入日常工作实践，这限制了对技术实际影响的理解和优化。

为了填补这一研究空白，来自印度古鲁·戈宾德·辛格·英德拉普拉斯塔大学管理研究学院的Puja Khatri、Harshleen Kaur Duggal、Asha Thomas以及意大利和波兰的合作者Vincenzo Corvello、Ewa Pra?at、Atul Shiva在《Technovation》上发表了他们的研究成果。他们通过系统的混合方法开发并验证了生成式人工智能赋能量表（Generative Artificial Intelligence Appropriation Scale, GAIA），旨在全面评估个体用户对生成式AI的采纳、适应和整合过程。

研究采用了四个阶段的设计：首先通过文献系统回顾和焦点小组讨论确定维度并生成初始题项；接着进行内容效度评估（Content Validity Index, CVI）和探索性因子分析（EFA）以纯化量表；然后通过验证性因子分析（CFA）和结构方程建模（SEM）验证量表的信度和效度；最后通过nomological网络和预测效度测试检验量表的理论适用性。样本来自波兰的创新经理，通过在线问卷收集数据，并使用PLS-SEM和CB-SEM进行统计分析。

研究结果表明，GAIA量表是一个二阶反射-反射模型，包含五个维度：整合性赋权（Integrative Appropriation），反映用户将生成式AI嵌入工作实践的程度；采纳性赋权（Adoptive Appropriation），测量用户使用生成式AI的兴趣和意愿；定制化赋权（Customised Appropriation），评估用户对技术的适应和个性化使用；界面性赋权（Interface Appropriation），衡量用户对技术界面友好性和实用性的感知；以及伦理性赋权（Ethical Appropriation），考察用户对技术使用的道德立场。量表共包含19个题项，具有较高的内部一致性信度（Cronbach's α > 0.82）、收敛效度（AVE > 0.60）和判别效度（HTMT < 0.90），模型拟合指标良好（SRMR = 0.051, CFI = 0.913, RMSEA = 0.096）。

在nomological验证中，研究发现敏捷领导力（Agile Leadership）和创新导向（Innovation Orientation）显著正向影响GAIA（β = 0.144和β = 0.415），而GAIA又显著预测个体创新绩效（Individual Creative Performance, β = 0.35），说明量表具有良好的预测效度。此外，通过标记变量法（fashion consciousness）检验，共同方法偏差（CMV）并不显著，确保了结果的可靠性。

研究的结论强调，GAIA量表是第一个全面测量个体层面生成式AI赋权的工具，不仅解决了现有文献中量化研究的不足，还为组织和管理者提供了评估和优化技术使用的实践指南。通过促进技术的有效赋权，组织可以增强员工的生产力、协作能力和创新绩效，从而最大化生成式AI的商业价值。未来研究可以在不同文化背景和职业群体中进一步验证量表的普适性，并探索其他潜在的前因和结果变量。

该研究的重要意义在于它将技术赋权的理论框架与生成式AI的实际应用相结合，推动了信息技术和社会科学领域的交叉研究，为人工智能时代的组织管理提供了科学依据和实践工具。