《Sage Open》：A Study on User Satisfaction With Generative Artificial Intelligence: From the Perspective of the Technology Acceptance Model
编辑推荐：
尽管生成式人工智能（Generative Artificial Intelligence, GenAI）在各领域推动创新，但用户满意度受伦理合规性、技术性能等多重因素影响而差异显著。现有关于GenAI用户满意度的研究缺乏对多维度因素的系统性考察，且对其潜在影响
尽管生成式人工智能（Generative Artificial Intelligence, GenAI）在各领域推动创新，但用户满意度受伦理合规性、技术性能等多重因素影响而差异显著。现有关于GenAI用户满意度的研究缺乏对多维度因素的系统性考察，且对其潜在影响机制的分析有限。为探究关键影响因素及其作用机理，本研究基于技术接受模型（Technology Acceptance Model, TAM），整合法律伦理、技术属性和用户能力三个维度，构建了GenAI用户满意度模型。研究人员收集了408份有效问卷，并使用AMOS 26.0软件进行了协方差结构方程建模（Covariance-Based Structural Equation Modeling, CB-SEM）分析。实证结果表明：技术可靠性对用户信任（β=0.43, P<0.001）和满意度（β=0.305, P<0.05）均有显著正向影响，并显著促进感知有用性；技术素养对感知易用性（β=0.356, P<0.001）和用户信任（β=0.168, P<0.05）有显著正向影响，并通过独立中介、“感知易用性→感知有用性”链式中介以及信任中介等多条路径影响满意度；感知有用性显著正向驱动用户满意度（β=0.267, P<0.001）；伦理合规性直接提升用户满意度（β=0.127, P<0.01），但对用户信任无显著影响；用户信任在技术可靠性与用户满意度之间起部分中介作用。本研究拓展了GenAI用户行为的分析视角，为企业优化技术服务、监管机构制定政策以及提升用户素养的干预措施提供了经验证据和实践指导。
一、研究背景与现存问题
随着ChatGPT、DALL-E和DeepSeek等标志性产品的发布，生成式人工智能（Generative Artificial Intelligence, GenAI）已进入广泛普及阶段，在商业、公共服务、交通基础设施、教育和医疗等多个领域发挥着重要作用，被视为推动数字化转型和产业高质量发展的技术力量。然而，这些技术的广泛应用也暴露出诸多挑战。研究表明，ChatGPT在系统文献综述中的最低准确率仅为4.6%，幻觉率高达91%；主流AI法律工具的平均幻觉率达30.8%。这些问题直接降低了用户体验和满意度评价。
当前关于GenAI用户满意度的研究存在三方面不足：其一，现有研究主要集中在技术性能和交互体验等少数维度，缺乏对法律伦理、技术和用户三个维度的系统性整合探索；其二，对影响GenAI用户满意度的关键决定因素的识别尚不充分，相关变量之间的作用机制尚未得到全面检验；其三，多数研究局限于特定行业或应用场景，针对普通用户的普适性研究不足，难以建立通用的研究范式和广泛结论。
基于此，本研究以技术接受模型（Technology Acceptance Model, TAM）为基础，聚焦通用GenAI用户场景，从法律伦理、技术和用户三个维度构建了一个普适性的GenAI用户满意度模型，通过问卷调查和实证数据分析，进一步检验影响GenAI用户满意度的主要因素及其内在机制。
二、研究方法与技术路线
本研究采用定量研究方法。数据收集采用混合抽样方法，以在线调查为主、线下调查为辅。在线调查结合便利抽样和滚雪球抽样，线下调查主要采用便利抽样。问卷通过问卷星平台设计，经微信、QQ、专业论坛和GenAI用户社区等多渠道分发，线下主要在高校和科技企业园区进行。正式问卷于2026年8月2日至8月10日发放，共回收436份问卷，剔除无效问卷后保留408份有效问卷，有效回收率为93.57%。问卷包含筛选题项、量表题项和受访者基本信息三大部分。量表题项基于已有成熟量表并根据GenAI情境进行修改，涵盖伦理合规性（Ethical Compliance）、技术可靠性（Technical Reliability）、技术素养（Technical Literacy）、感知易用性（Perceived Ease of Use）、感知有用性（Perceived Usefulness）、信任（Trust）和满意度（Satisfaction）七个变量。研究人员使用SPSS 26.0进行信度分析和描述性统计，使用AMOS 26.0进行协方差结构方程建模（CB-SEM）分析，并通过Bootstrap法进行中介效应检验。
三、研究结果
3.1 信效度分析结果
所有变量的克隆巴赫α系数均大于0.7，表明量表内部一致性良好。平均方差提取量（Average Variance Extracted, AVE）介于0.508至0.750之间（均>0.5），组合信度（Composite Reliability, CR）介于0.774至0.900之间（均>0.7），各变量具有良好的收敛效度。各变量AVE平方根均大于与其他变量的相关系数，判别效度良好。
3.2 结构方程模型拟合与假设检验结果
模型拟合指标均达到可接受标准（χ2/df=1.075, GFI=0.945, AGFI=0.930, RMSEA=0.014, NNFI=0.928, IFI=0.995, CFI=0.995），表明模型整体拟合良好。
假设检验结果显示：技术素养对感知易用性有显著正向影响（β=0.356, P<0.001），H1成立；技术可靠性对感知有用性有显著正向影响（β=0.621, P<0.001），H2成立；感知易用性对感知有用性有显著正向影响（β=0.187, P<0.001），H3成立；感知易用性对信任的影响不显著（β=0.013, P=0.795），H4a不成立；感知有用性对信任有显著正向影响（β=0.174, P<0.05），H4b成立；伦理合规性对信任的影响不显著（β=0.085, P=0.059），H4c不成立；技术素养对信任有显著正向影响（β=0.168, P<0.05），H4d成立；技术可靠性对信任有显著正向影响（β=0.43, P<0.001），H4e成立；伦理合规性对满意度有显著正向影响（β=0.127, P<0.01），H5a成立；技术可靠性对满意度有显著正向影响（β=0.305, P<0.05），H5b成立；感知有用性对满意度有显著正向影响（β=0.267, P<0.001），H5c成立；信任对满意度有显著正向影响（β=0.311, P<0.01），H5d成立。控制变量（教育背景、年龄、行业归属、使用时长）对满意度均无显著影响。
3.3 中介效应检验结果
Bootstrap中介效应检验表明：信任在技术可靠性与满意度之间起部分中介作用；信任在技术素养与满意度之间起完全中介作用；伦理合规性对满意度仅有直接效应，信任的中介作用不显著。此外，技术可靠性还通过感知有用性的单独中介、感知有用性→信任的链式中介等多条路径间接影响满意度；技术素养则通过感知易用性→感知有用性的链式中介以及信任的单独中介影响满意度。
四、讨论与研究结论
研究发现，伦理合规性对用户满意度有显著的直接正向影响，但对用户信任的正向影响未达统计显著性。这一发现部分证实了既有文献，同时揭示了在通用GenAI使用场景中的新特征。合规的技术环境能够降低用户对隐私泄露和不当内容的感知风险，直接改善整体体验评价。然而，伦理合规性未能显著增强用户信任，可能的原因包括：用户将基本合规视为产品默认要求，合规本身难以提升信任但违规会迅速侵蚀信任；普通用户难以评估后端合规措施的实际执行情况；技术可靠性和感知有用性等主导变量削弱了伦理合规性对信任的影响。
技术可靠性对感知有用性和用户信任均有显著正向影响，并通过三条间接路径作用于满意度：感知有用性的单独中介、信任的单独中介以及感知有用性→信任的链式中介，呈现部分中介效应。稳定的技术性能持续降低用户的不确定性感知，积累可持续的使用信任。
技术素养显著正向影响感知易用性和用户信任，并通过中介变量间接影响满意度。具备较强数字基础的用户能更快适应GenAI交互逻辑，更易感知操作便捷性。技术素养作为个体能力特质，无法替代产品质量直接决定满意度，而是通过感知和信任等心理认知因素间接塑造满意度。
感知有用性和信任均对用户满意度有显著正向影响，是前因变量影响满意度的核心传导机制。控制变量均无显著影响，反映了GenAI的自然语言交互大幅降低了使用门槛，减少了人口统计学特征带来的体验差异，同时也支持了本研究所构建理论模型的普适性。
综上所述，本研究基于技术接受模型（TAM），整合法律伦理、技术属性和用户能力三个维度，构建并验证了生成式人工智能（GenAI）用户满意度影响机制模型。研究证实了技术可靠性、技术素养、感知有用性和信任对用户满意度的积极促进作用，明确了伦理合规性直接影响满意度但无法通过信任间接作用的边界条件，揭示了技术可靠性和技术素养通过多重中介路径影响满意度的复杂传导机制。这些发现拓展了GenAI用户行为的分析视角，为企业优化技术服务、监管机构制定政策以及提升用户素养提供了实证依据和实践参考。
