《Big Data and Cognitive Computing》：Exploring the Mechanisms Influencing Graduate Students’ Adoption of Generative AI: Insights from the Technology Acceptance Model
Qing Chen,
Yujie Xue,
Jie Lin and
Chang Zhu
编辑推荐：
本研究探讨了在概率性人工智能（AI）系统日益普及的背景下，研究生采纳生成式人工智能（GenAI）背后的复杂认知机制。研究团队以扩展的技术接受模型（TAM）为框架，通过对20名研究生的深度访谈，揭示了感知有用性、感知易用性、外部环境、风险感知、态度、行为意向和交互主体性这七个因素的相互作用机制。研究发现，研究生的GenAI采纳是一个“认知校准”过程，交互主体性作为元认知因素，决定了人机协作的质量。该成果为理解人类与AI的动态互动提供了认知基础，并对支持校准信任和自适应认知参与的人本化AI系统设计具有重要启示。
近年来，以ChatGPT为代表的生成式人工智能（Generative Artificial Intelligence, GenAI）工具以前所未有的速度进入高等教育领域，特别是对身处知识生产与创新前沿的研究生们产生了深刻影响。这些工具能够辅助文献综述、激发研究灵感、润色学术写作，俨然成了科研路上的“智能助手”。然而，伴随着效率提升的欢呼声，关于其可靠性、学术诚信及对批判性思维潜在负面影响的担忧也日益浮现。研究生们正面临一个核心困境：使用GenAI，究竟是支持了独立科研能力的长期发展，还是仅仅以牺牲学术自主性为代价，换取短期的生产力提升？要解答这个问题，我们需要深入理解研究生们采纳和使用这些工具背后的深层动因，而非仅停留在表面的使用频率统计。这正是本项发表在《Big Data and Cognitive Computing》期刊上的研究试图揭示的。
为了深入探究研究生采纳GenAI的认知机制，研究者们采用了经典的技术接受模型（Technology Acceptance Model, TAM） 作为理论框架，并针对GenAI的独特背景进行了扩展。研究采用定性研究方法，对20名来自中国“双一流”高校、涵盖文理科及硕博阶段的研究生进行了半结构化深度访谈。研究者对访谈转录文本进行了主题分析，通过扎根理论编码策略识别出影响采纳行为的关键主题与机制。该方法旨在捕捉研究生在真实情境下的复杂认知和体验，而非简单地量化他们的态度。
研究发现
4.1. 对GenAI的技术感知与态度
研究生的采纳意愿与他们对GenAI技术属性的感知紧密相关。感知易用性普遍较高，多数学生认为其操作简便，无需计算机科学背景即可上手。感知有用性是其采纳的主要驱动力，学生们认为GenAI在构建研究主题的初步理解、激发新研究创意、润色语言等研究各阶段都能提供有效支持。同时，学生们也普遍意识到潜在风险，如“幻觉”（即生成看似合理但虚假的信息）、隐私泄露、过度依赖导致认知能力削弱等。尽管如此，感知有用性往往压倒了风险顾虑，使得多数学生总体持积极态度。一部分学生表现出“有意识地减少使用频率与依赖性”的倾向，形成了接纳与有限度抵抗并存的复杂态度图谱。
4.2. 外部环境：媒体曝光与人际网络
外部环境是研究生接触和形成对GenAI初步认知的重要渠道。媒体曝光是学生了解GenAI最常见的入口，相关报道塑造了他们最初的技术想象。人际网络，特别是导师和同行的态度与实践，则直接影响学生的使用决策。导师的鼓励能显著促进采纳，而同行间的提示词分享、经验交流则构成了非正式的实践社群，塑造了使用规范。
4.3. 行为意向：从初次使用到长期习惯
行为意向是连接态度与实际使用的关键桥梁。初始使用常是情境性的，例如在课业遇到困难时寻求灵感。积极的早期体验会强化行为意向，促使其内化为长期习惯。效率提升是主要动机，即使对可靠性存疑，许多学生仍会因其能“自动处理很多重复性的任务，让我能够专注于更有创意和分析性的工作”而持续使用。
4.4. 交互主体性：批判性与探索性实践
交互主体性是本研究扩展TAM模型的核心概念，指用户在与GenAI互动中行使能动性的程度，决定了互动质量的深浅。它包含两个维度：批判性使用，涉及核实信息、拒不可靠输出、应用伦理标准；探索性实践，则体现为不断尝试优化提示词、迭代策略、整合学科知识以改进结果。交互主体性高的学生将GenAI视为探究伙伴，促进了深度学习与创造力；而交互主体性低的使用则可能导致依赖，沦为获取答案的捷径。
4.5. 影响机制
研究最终构建了一个整合模型。外部环境（媒体、人际网络）引发了最初的认知与期望。在此基础上形成的感知有用性、感知易用性和风险感知共同构成了采纳的认知基础，并塑造了态度。态度进而影响行为意向。交互主体性在这一过程中起到关键的调节作用，它决定了行为意向是转化为有深度、有质量的学术整合，还是表浅的、依赖性的使用。整个采纳过程被视为一个动态的、情境化的“认知校准”过程，而非一次性的决策。
研究结论与讨论
本研究的核心结论在于，研究生对GenAI的采纳是一个在不确定性下进行的、涉及多维因素动态权衡的认知校准过程。经典的TAM模型中的感知有用性和感知易用性仍然是重要的驱动因素，它们通过降低互动成本和提升效率预期来促进采纳。然而，仅凭这两点不足以解释GenAI采纳的复杂性。风险感知作为一个重要的平衡因素被凸显出来，学生们需要在效率收益与幻觉、数据隐私、学术诚信等风险之间进行权衡，而他们往往呈现出一种“实用主义取向”，即优先考虑有用性，同时承认但会折扣风险。
研究的重要理论贡献在于将外部环境、风险感知和交互主体性整合进TAM框架。这表明采纳决策并非纯粹的个人理性计算，而是嵌入在媒体叙事、学术社群规范和导师-学生等级关系等社会文化情境之中。尤为关键的是，交互主体性的引入，将分析焦点从“用户是否采纳”转向了“用户如何与AI系统进行认知上的共同适应”。它作为一种元认知因素，决定了人机互动最终是走向增强人类能动性的协作，还是导致人类能动性被动的自动化。
研究发现存在学科和学位层级的差异。STEM领域的学生更看重效率和技术辅助，倾向于将GenAI整合到编码、数据分析中；而人文社科学生则对原创性、论证严密性和学术声音的保持更为谨慎。博士生倾向于更具选择性和策略性地使用GenAI，而硕士生则更多用于文本润色、草拟大纲等常规支持。这体现了不同认识论文化和学术成熟度对技术应用的调节作用。
在实践意义上，这项研究为人本化AI系统设计和高等教育中GenAI的治理提供了重要启示。对于认知计算和AI系统设计而言，界面应提供可视化性能反馈和不确定性提示，以帮助用户建立更理性的认知，避免因单纯追求有用性而导致不加批判的依赖。集成可解释性功能，可以提高透明度，鼓励用户的验证与反思性参与。系统设计应能“支架”用户的主动认知参与，例如通过提示比较、修订或迭代优化，从而强化适应性的人机共同进化，而非被动的自动化。
总之，这项研究深化了我们对研究生与生成式人工智能互动复杂性的理解。它表明，有效的人机协作不仅取决于算法性能，更取决于用户侧的认知参与模式。培养研究生的批判性思维和探索性实践能力，设计支持反思、验证和认知控制的系统与环境，对于确保GenAI成为负责任创新的催化剂，而非削弱独立学术能力的捷径，至关重要。
