从信息评估到技术应用：中国商学院对生成式AI的采用

《International Journal of Management Education》：From information evaluation to technology use: Generative AI adoption in Chinese business schools

　　滕宇|简代|陈晓娇|王成亮 中国广州商学院数字经济产业学院工业融合与现代城市管理GBA研究所

摘要
本研究通过整合信息采纳模型与技术接受模型，探讨了中国商学院学生对生成式人工智能的采纳情况。具体而言，研究分析了论点质量、来源可信度、使用便捷性感知以及专业素养如何影响学生对生成式人工智能的实用价值感知、使用意愿以及实际使用行为。研究基于从672名商学院学生处收集的调查数据，运用偏最小二乘结构方程建模方法进行分析，结果表明，使用便捷性感知、论点质量及来源可信度能够显著提升学生的实用价值感知，进而积极影响其采用生成式人工智能的意愿。使用意愿对实际使用行为具有很强的预测作用，进一步印证了技术接受模型中意愿与行为之间的关联。研究还发现，专业素养在论点质量与实用价值感知之间起正向调节作用，表明知识水平较高的学生更善于评估人工智能生成内容的实质质量。多组分析显示，性别、教育程度和先前的人工智能使用经验会对关键结构关系产生显著调节效应：女性学生在形成实用价值感知时更注重使用便捷性，而有过人工智能使用经验的学生在评估实用价值感知时则更依赖论点质量。此外，女性学生、研究生以及有人工智能使用经验的学生，其使用意愿与实际使用行为之间的关联强度分别高于男性学生、本科生以及没有人工智能使用经验的学生。通过将信息采纳模型与技术接受模型结合到生成式人工智能的研究情境中，本研究为信息评估过程如何转化为技术采纳行为提供了理论上的解释。在实践层面，研究结果为政策制定者和教育工作者提供了 actionable 的建议，有助于他们推动负责任且有效的生成式人工智能应用，同时强调需要根据不同学生群体及其经验水平量身定制策略。

引言
人工智能正在迅速改变高等教育格局，其中生成式人工智能作为近年来最具颠覆性的技术发展之一，正发挥着重要作用（Chaieb等人，2026；Chiu等人，2024）。生成式人工智能系统能够生成连贯的文本、回应复杂查询、协助文献检索，并为教学与研究工作提供支持（Abbas等人，2024；Nguyen等人，2024）。在全球范围内，像ChatGPT这样的工具已成为这一变革的象征（Ma等人，2024；Wang等人，2025a）。

在中国，生成式人工智能的普及尤为显著。根据《中国互联网发展状况第57次统计报告》，截至2025年底，生成式人工智能用户数量已达6.02亿，同比增长141.7%，全国普及率为42.8%（Liu & Tao，2026）。行业分析表明，这种快速的发展不仅正在改变数字通信方式，还在重塑全国的生产流程和日常生活（Liu & Tao，2026）。在这个充满活力的生态系统中，包括“混元”“通义千问”“盘古”“豆包”在内的国内领先基础模型得到了广泛应用，部分平台的用户数已达到数亿。在高等教育领域，这些系统越来越多地被融入课堂教学、学术写作辅助以及教师的研究工作中，从根本上改变了知识的创造、获取和评估方式（Askari，2025；Yu, Dai等人，2026）。

在此背景下，了解中国商学院学生如何使用并采纳生成式人工智能工具既具有时效性，也具有重要的理论意义。对于商学院学生而言，生成式人工智能是一种不可或缺的学术助手，可帮助他们进行案例分析、撰写报告、解读数据以及做出战略决策（Abbas等人，2024；Jose等人，2024；Rejeb等人，2024；Tossell等人，2024）。通过提供实时反馈、结构化解释以及多语言支持，这些系统提高了任务处理效率，还有可能提升学术成果的质量（Chen等人，2025）。然而，过度依赖生成式人工智能也引发了关于认知发展、学术诚信以及长期学习效果等方面的担忧（Yusuf等人，2024）。随着这项技术日益普及，有必要研究决定学生采纳决策的因素，并评估其对学术表现和行为结果的更广泛影响（Camilleri，2024；Dalg??等人，2024）。

生成式人工智能——尤其是像ChatGPT这样的工具——从根本上改变了学生的学习方式，包括学术写作（Nguyen等人，2024）、商业教育中批判性思维能力的培养（Essien等人，2024），以及英语学习（Karata?等人，2024；Lin & Yu，2025；Liu等人，2024；Wang & Xue，2024；Yang & Zhao，2024）。这些系统能够提供即时、符合语境的响应，生成的输出涵盖文本内容到编程代码等多种形式，因此在高等教育中起到了强大的认知增强和生产力提升作用。尽管其带来的教学优势——如改善学习体验和提高效率——已得到广泛认可，但学者们也指出了过度依赖所带来的风险（S. Kumar, Rao等人，2024）。剽窃、批判性思维能力减弱以及学术诚信问题被视为亟需解决的挑战（Abbas等人，2024；Bower等人，2024；Sun等人，2024；Yusuf等人，2024）。尽管关于生成式人工智能的利弊已有大量讨论（Venkatesh等人，2024），但针对其采纳决定因素及其对学术表现影响的实证研究仍然相对较少（Abbas等人，2024）。

虽然将人工智能融入教育领域已引起众多学者的关注（Chiu等人，2024；Lo等人，2024；Wolf & Maier，2024），但中国商学院学生采纳生成式人工智能的具体机制仍缺乏深入研究。在以往的采纳研究中，技术接受模型、计划行为理论、技术接受与使用统一理论以及任务-技术匹配模型等成熟的理论框架已被广泛应用（Ayanwale & Molefi，2024；Chen, Hu & Wang，2024；Hu等人，2023；Polyportis & Pahos，2024；Wang等人，2025c；Zhu等人，2024）。但由于生成式人工智能的采纳涉及对人工智能生成信息的评估，而不仅仅是与技术界面的交互，因此强调信息评估过程的模型更为适用。

信息采纳模型阐述了人们如何根据论点质量与来源可信度来评估和采纳信息（Camilleri，2024；Kumar等人，2023）。该模型认为，人们对信息强度和可靠性的认知会显著影响他们的态度和使用意愿（Khan等人，2024）。在生成式人工智能的背景下，这一视角尤为重要，因为学生需要不断评估人工智能生成内容的可靠性、相关性和说服力（Camilleri，2024）。与此同时，技术接受模型则强调感知有用性和感知使用便捷性这两项核心认知信念是决定技术接受程度的关键因素（Khan等人，2024）。将信息采纳模型与技术接受模型相结合，就能够通过整合信息评估机制与与技术相关的认知信念，更全面地解释生成式人工智能的采纳行为。

在这一整合框架下，信息采纳模型有助于分析商学院学生如何评估人工智能生成内容的质量和可信度，而技术接受模型则解释了这些评估如何转化为对实用价值感知和使用便捷性感知（Camilleri，2024；Wang，2016）。这种方法特别适合用于研究商业教育中的生成式人工智能采纳情况，因为它兼顾了可用性考量以及对信息质量的认识评估。因此，本研究提出一个统一模型，旨在探究论点质量、来源可信度、专业素养、使用便捷性感知、实用价值感知、使用意愿以及实际生成式人工智能使用行为之间的相互作用。

尽管以往的研究主要关注人工智能在高等教育中的变革意义和教育价值（Chen等人，2024；Chiu等人，2024；Lo等人，2024；Wolf & Maier，2024），但对于可能影响学生评估和采纳生成式人工智能工具的个体层面因素——尤其是用户的专业素养——的关注相对较少。在中国商学院的背景下，这种差距更为突出，因为专业的导向和分析能力的训练可能会影响学生的评估标准和使用习惯。此外，人口统计特征和经验差异的调节作用也尚未得到充分研究。性别、教育程度以及先前的人工智能使用经验等因素，可能会改变实用价值感知、使用便捷性感知和使用意愿等核心变量之间的关系强度或方向。

为弥补这些不足，本研究结合信息采纳模型与技术接受模型，构建了一个关于中国商学院学生采纳生成式人工智能的综合性模型。这一研究的出发点是基于理论层面的三个“D”问题：争议、脱节和紧迫性（Lim，2026）。首先，现有文献中的诸多争论凸显了生成式人工智能在教育领域的双重性——既要考虑个性化学习和效率提升等教学优势（Díaz & Nussbaum，2024；Yu, Dai等人，2026），也要警惕学术不端、人性缺失以及批判性思维能力下降等风险（Bower等人，2024；Sun等人，2024；Yusuf等人，2024）。其次，实证研究存在脱节现象，例如在非西方背景下的采纳驱动因素研究结果并不一致（比如在中国环境中，信息评估与技术接受之间的关联不够紧密）（Wang等人，2025c），并且在面对全球性与本土化工具的监管差异时，专业素养等调节因素也缺乏足够研究（Lin & Yu，2025）。最后，由于中国生成式人工智能发展迅猛（Liu & Tao，2026），迫切需要基于实证的见解来避免过度依赖，确保技术的伦理化应用，并帮助商学院学生为人工智能驱动的经济环境做好准备，否则可能会导致教育不公平和技能差距进一步扩大（Chaieb等人，2026；Jose等人，2024；Zhang等人，2024）。所提出的框架涵盖了与信息相关的因素（如论点质量与来源可信度）以及与技术相关的信念（如使用便捷性感知和实用价值感知）。本研究的一个重要贡献在于探讨了人口统计特征和经验差异的调节效应。具体而言，研究分析了性别、教育程度和先前的人工智能使用经验如何影响学生对实用价值感知和使用便捷性感知的评估。同时，还研究了专业素养在论点质量与实用价值感知、来源可信度与实用价值感知以及使用便捷性感知与实用价值感知之间的关系中所起的调节作用。通过纳入这些调节因素，该模型充分考虑了用户的差异性，有助于深入理解先前的知识储备和特定领域的经验如何影响人们在采纳生成式人工智能时的信息处理和价值评估。本研究围绕以下研究问题展开：

RQ1. 什么因素是中国商学院学生采纳生成式人工智能的主要驱动力？
RQ2. 信息采纳模型和技术接受模型如何共同解释生成式人工智能的采纳过程？
RQ3. 专业素养以及性别、教育程度和先前人工智能使用经验等人口统计因素，对中国商学院学生采纳生成式人工智能有何调节作用？

本研究有几项重要贡献。首先，它为中国商业教育领域中生成式人工智能的采纳决定因素提供了实证依据，而这一领域正处于快速发展之中，且具有重要的战略意义。其次，通过整合信息采纳模型与技术接受模型，本研究构建了一个全面的理论框架，能够全方位地阐释高等教育中生成式人工智能被接受的复杂动态过程。第三，本研究在以往研究的基础上，不仅探讨了生成式人工智能的采纳驱动因素，还研究了其可能的学术成果，包括对学生表现、创造力以及学习体验的影响。最后，研究结果为高校、政策制定者以及技术开发者提供了实用建议，有助于他们在优化人工智能整合的同时，降低滥用和过度依赖所带来的风险。

章节片段

高等教育中的生成式人工智能
生成式人工智能正在通过引入新的教学、学习以及学生参与模式，重塑高等教育格局（Jaboob等人，2024；Lo等人，2024；Wang等人，2025b）。与传统的主要用于数据分析或分类的数据智能系统不同，生成式人工智能模型——如ChatGPT、Bard、Midjourney、DALL-E和Stable Diffusion——能够通过从大规模数据集中预测模式，生成文本、图像、音频和视频等各类新内容（Brewer等人，2024；Jaboob等人，2024）。这种生成能力……

测量
本研究所使用的调查题目是根据以往研究改编的，并根据中国商学院学生采纳生成式人工智能的实际情况进行了调整。如表1所示，论点质量这一指标借鉴了Nadlifatin等人（2022）以及Sussman和Siegal（2003）的研究成果。来源可信度这一指标同样参考了Nadlifatin等人（2022）和Sussman与Siegal（2003）的研究。使用便捷性感知和实用价值感知这两个指标则改编自Liu等人（2024）和Sun等人（2024）的研究。专业素养的测量则采用了基于Sussman等人研究成果设计的题目……

数据分析与结果
本研究采用偏最小二乘结构方程建模方法进行数据分析，选择该方法是因为它能够处理非正态分布的数据（Hair等人，2016）。之所以选用这种方法，是因为它非常适合用来分析本研究中的各种变量之间的关系，而本研究正是探讨中国商学院学生对于采纳生成式人工智能的看法。

讨论
本研究以信息采纳模型和技术接受模型为基础，探讨了中国商学院学生采纳生成式人工智能的情况，分析了论点质量、来源可信度、使用便捷性感知以及专业素养等各种因素的作用，以及这些因素对实用价值感知、使用意愿和实际使用行为的影响。SEM分析的结果为影响生成式人工智能采用的因素提供了几项关键见解，同时凸显了性别、教育水平以及以往的人工智能使用经验等人口统计变量之间的重要差异。理论意义方面，本研究为现有关于技术采用的理论文献做出了若干重要贡献，尤其是在商学院学生采用生成式人工智能这一背景下。根据理论发展指南（Lim, 2026），本研究的理论创新主要体现在理论扩展上，即在整合的IAM-TAM框架中加入了新的要素，如调节变量（专业技能、性别、教育水平、以往的人工智能使用经验）等，从而提升了该框架的适用性。局限性及未来研究方向尽管本研究为中国商学院学生采用生成式人工智能提供了宝贵见解，但仍存在一些局限性。首先，本研究采用横截面设计，仅能在某一时刻获取数据，这限制了我们了解学生随着对这项技术了解的增加，其认知和行为可能会如何变化的能力。通过纵向研究，或许能够更深入地理解采用模式的发展变化情况。作者贡献说明滕宇：撰写——初稿、可视化、验证、项目管理、资金筹集、正式分析、数据整理、概念构建。戴健：可视化、调研、正式分析。陈晓娇：验证、调研、数据整理。王成良：撰写——审阅与编辑、验证、软件应用、调研。伦理审批作者已获得所在机构研究伦理委员会的伦理批准，且本研究符合相关伦理标准。审批编号未标注。资金支持本项目得到了教育部人文社会科学研究青年基金项目（25YJC630176）、广东省哲学社会科学规划常规项目（GD25YSG28）、广州市“十四五”哲学社会科学发展规划常规项目（2025GZYB77）、广东省教育科学规划项目（高等教育专项，资助编号：2024GXJK449）以及广东省高等教育教学研究项目的支持。利益冲突作者声明没有利益冲突。致谢我们衷心感谢所有愿意参与本研究的参与者。在得知研究将严格保密且具有学术性质后，他们的自愿参与对本研究的成功起到了至关重要的作用。同时，我们也感谢相关教育机构允许我们接触参与者并支持数据收集工作，他们的配合对于确保研究顺利开展至关重要。