超越可用性：人工智能工具如何塑造中国工业设计学生的设计创新能力

《Frontiers in Psychology》：Beyond usability: how AI tools shape design innovation ability among Chinese industrial design students

　　

摘要 随着人工智能(AI)技术在设计教育中的广泛应用，探究AI工具如何塑造学生的创新能力日益重要。现有技术接受模型主要解释AI工具的采纳行为，但尚未考察技术特征如何通过用户心理过程影响创新产出。本研究采用横断面定量设计，检验AI工具质量维度如何影响设计创新能力(DIA)，具体验证交互质量(IQT)和信息质量(INQ)通过满意度(SAT)和使用意愿(INU)影响DIA的路径。基于对1016名中国工业设计学生的在线调查，研究人员采用偏最小二乘结构方程模型(PLS-SEM)进行数据分析。研究发现，IQT和INQ均正向影响SAT；随后，SAT、IQT和INQ共同影响INU；INU显著预测DIA。中介效应分析证实，SAT在质量维度和INU之间起部分中介作用。值得注意的是，研究表明信息质量的影响强于交互质量，且直接功能评估优于情感中介，这两项发现均挑战了传统技术接受的假设。研究结果通过识别AI辅助创意教育中直接功能路径和间接情感路径的双重机制，拓展了技术接受理论。

论文解读：《超越可用性：人工智能工具如何塑造中国工业设计学生的设计创新能力》

研究背景与意义

人工智能（AI）正重塑设计行业工作流程，生成式AI平台、机器学习增强可视化工具及智能设计辅助系统已广泛嵌入工业设计教学，Midjourney、DALL·E等工具支持学生快速探索设计方案并迭代概念。然而，现有技术接受模型（TAM）与DeLone & McLean信息系统成功模型（D&M IS成功模型）主要解释技术采纳行为，未阐明AI工具特征如何通过用户心理过程影响设计创新产出。现有研究存在三方面空白：其一，未实证检验不同AI工具质量维度在创意教育中的相对重要性——传统TAM假设易用性（类似交互质量）是早期采纳的核心驱动，但生成式AI的价值可能更多源于生成内容质量；其二，AI工具接受中情感路径与认知路径的作用尚未明确，设计学生更倾向于基于工具对创意产出的功能贡献进行评估，而非情感体验；其三，传统框架将采纳作为核心结果，而教育场景的最终目标是能力提升，使用意愿如何关联设计创新能力（DIA）仍待探索。中国拥有全球规模最大的工业设计学生群体，政策驱动的AI工具快速融入课程，其强调结构化技能习得与结果导向评估的教育文化，为检验技术接受机制的情境特异性提供了独特场景。在此背景下，本研究旨在构建整合模型，揭示AI工具质量通过用户心理过程影响设计创新能力的机制，为理论与教学实践提供依据。

研究方法

研究人员采用横断面定量设计，以中国高校工业设计专业且具备AI工具使用经验的学生为研究对象，于2025年2月至6月通过问卷星平台结合便利抽样与滚雪球法招募参与者。初始收集1089份问卷，经排除不完整、作答时长不足120秒及模式化作答后，最终纳入1016份有效样本。测量工具包含交互质量（IQT）、信息质量（INQ）、工具满意度（SAT）、使用意愿（INU）及设计创新能力（DIA）5个核心构念，共20个测量题项，均采用5点李克特量表计分，题项基于成熟量表改编并通过专家内容效度检验。数据分析采用偏最小二乘结构方程模型（PLS-SEM），通过SmartPLS 4.1软件执行两阶段评估：首先检验测量模型的内部一致性信度（Cronbach’s α、组合信度CR、Dijkstra-Henseler rho_A）、收敛效度（因子载荷、平均方差提取AVE）与判别效度（Fornell-Larcker准则、异质-单质比率HTMT）；其次评估结构模型的路径系数、解释力（R2）、预测相关性（Q2）及中介效应，采用5000次bootstrap抽样检验显著性。

研究结果

4.1 共同方法偏差评估

通过Harman单因子检验（单因子解释总方差34.7%，低于50%阈值）、全共线性VIF分析（所有题项VIF值1.957–2.417，低于3.3阈值）及未测量潜在方法构念（ULMC）检验（ΔCFI=0.013，低于0.020阈值），证实共同方法偏差未对结果造成实质性扭曲。

4.2 模型拟合评估

模型拟合指标均达可接受标准：标准化均方根残差（SRMR）=0.039（<0.08），d_ULS=0.313（<0.95），d_G=0.151（<0.95），规范拟合指数（NFI）=0.919（>0.9），表明理论模型拟合良好。

4.3 测量模型评估

所有构念的Cronbach’s α值为0.862–0.886，CR值为0.906–0.921，rho_A值为0.864–0.887，均高于0.70阈值，内部一致性信度良好；因子载荷为0.831–0.873，AVE值为0.708–0.745，均高于0.70与0.50阈值，收敛效度达标；Fornell-Larcker准则显示各构念AVE平方根（0.841–0.863）大于与其他构念的相关系数（0.270–0.424），HTMT值（0.306–0.483）低于0.85保守阈值，判别效度成立。

4.4 结构模型评估

所有假设路径均获支持（p<0.001）：IQT正向影响SAT（β=0.223）与INU（β=0.157）；INQ正向影响SAT（β=0.244）与INU（β=0.175）；SAT正向影响INU（β=0.197）；INU正向影响DIA（β=0.424）。除INU→DIA路径为中效应（f2=0.220）外，其余路径均为小效应（f2=0.042–0.105）。模型解释力为：SAT的R2=0.143，INU的R2=0.151，DIA的R2=0.180，均具统计显著性；预测相关性Q2值均为正（SAT=0.138，INU=0.113，DIA=0.126），表明模型具备可接受预测力。

4.5 中介效应检验

满意度（SAT）在IQT→INU与INQ→INU路径中均起部分中介作用：IQT→SAT→INU的间接效应β=0.044（p<0.01），直接效应β=0.157（p<0.001）；INQ→SAT→INU的间接效应β=0.048（p<0.01），直接效应β=0.175（p<0.001），直接效应均显著强于间接效应。

讨论与结论

研究证实，经典技术接受机制在生成式AI创意教育场景中需系统性校准：信息质量对满意度与使用意愿的影响强于交互质量，表明设计学生更关注AI作为内容生成者的产出价值，而非界面交互流畅度，这一发现挑战了传统TAM对易用性的优先级假设，可通过认知负荷理论解释——AI输出的高质量设计内容直接降低学生创意构思的内在认知负荷，比优化交互减少的外在认知负荷更具核心价值。其次，满意度仅起部分中介作用，直接功能评估路径强度约为间接情感路径的3–4倍，反映中国设计教育的结果导向评估文化使学生更倾向基于工具的功能效用（能否提升设计产出质量）做出使用决策，而非情感体验，这一模式与自我决定理论中“能力需求主导”的解释一致。第三，使用意愿可显著预测设计创新能力（β=0.424），但仅解释18.0%的方差，剩余82%的变异提示技术接受仅是能力发展的必要非充分条件，需结合教学设计、教师引导、个体认知差异等因素综合解释，这一“设计创新能力悖论”为未来模型拓展指明了方向。

研究结论指出，生成式AI工具代表了技术接受研究中一类质的新型别，需采用情境敏感的理论构建。实践层面，AI工具开发应优先投入内容生成算法优化（提升输出准确性、相关性、多样性与创新性），而非仅聚焦界面优化；教育者需制定以内容质量为核心的工具选择标准，设计促进批判性参与的作业任务（如多方案评估、AI输出与原创概念融合），并通过结构化反思与同伴评议平衡AI辅助与认知独立性。本研究成果发表于《Frontiers in Psychology》，为AI辅助创意教育的理论发展与政策制定提供了实证依据，未来需通过跨文化比较、纵向追踪及客观创造力测量进一步验证结论的普适性。