《Proceedings of the Design Society》：Generative AI adoption in engineering: a cluster analysis of student profiles for designing personalized learning support
编辑推荐：
将生成式人工智能（Generative AI, GenAI）融入工程教育，需要深入理解学生多样化的采用模式。本研究以技术接受模型（Technology Acceptance Model, TAM）及其扩展构念为基础，对调查数据开展聚类分析（cluster an
将生成式人工智能（Generative AI, GenAI）融入工程教育，需要深入理解学生多样化的采用模式。本研究以技术接受模型（Technology Acceptance Model, TAM）及其扩展构念为基础，对调查数据开展聚类分析（cluster analysis），以构建差异化的用户画像。研究识别出四类用户画像：赋能乐观型（Empowered Optimizers）、主流务实型（Mainstream Pragmatists）、怀疑极简型（Skeptical Minimalists）和伦理成就型（Ethical Achievers）。研究结果对“一刀切”（one-size-fits-all）的做法提出挑战，为设计针对性教学策略、GenAI培训及伦理准则提供了以学生为中心的框架。
研究背景：生成式人工智能（GenAI）工具正在重塑工程设计教育，但学生的采用路径并不一致。现有许多研究仅基于技术接受模型（TAM）在全样本中估计“平均”效应，把学生视为同质群体，这可能掩盖不同子群体在感知有用性、感知易用性与学习价值上的显著差异。为了超越“一刀切”的干预方式，有必要对学生进行画像划分，识别其在TAM核心变量与伦理关切、自主性、自我效能、社会情境影响等扩展变量交互作用下的潜在类型，从而为个性化学习支持提供依据。因此，研究人员在美国东南部一所大型公立大学工程学院面向“工程热力学”课程本科生开展了问卷调查。
研究方法：研究采用两阶段方法。首先，研究人员通过专家评审迭代设计了在线问卷，该问卷以TAM及其扩展构念为理论基础，涵盖技术认知、伦理关切、自主性与自我效能、社会情境影响以及人口学与学业背景五大构念共15个变量；除人口学与学业背景及家庭财务状况外，10个核心题项采用1到5的李克特量表。问卷调查共回收210份，经完整性与一致性筛选后得到192份有效问卷。随后，研究人员使用IBM SPSS Statistics进行数据分析：先以肘部法（Elbow method）和轮廓系数（Silhouette scores）确定最优聚类数为4，再采用K-means聚类将学生划分为四个稳定类别；继而通过单因素方差分析（one-way ANOVA）验证簇间差异显著性（p < .001），并借助线性判别分析（Linear Discriminant Analysis, LDA）得到的三维空间图展示类间分离，最后比较15个变量的均值以构建画像。
研究结果：聚类分析识别出四类稳定的GenAI用户画像。第一类“赋能乐观型”（n = 51），平均学分绩点（GPA）约3.59，多为男性且多数拥有实习经历；该组提示工程能力最强（均值4.55），倾向于组合多种工具（4.12），感知有用性与易用性均高，自主学习信心强（无需培训即可使用：4.10），未来使用意愿最高（4.47），同时对过度依赖（4.08）与学术不端（3.765）保持清醒认知。第二类“主流务实型”（n = 60），GPA约3.61，同样以男性为主且多数有实习经历；该组提示能力较高（4.33），认为GenAI高效（4.07）且易用（4.20），未来使用意愿高（4.35），但很少组合工具（2.57），且伦理关注度最低。第三类“怀疑极简型”（n = 19），GPA约3.48，提示优化（2.21）与多工具组合（1.42）均低，感知效率（1.79）与输出质量（1.58）最低，对是否需要培训态度中立（3.42），未来使用意愿低（2.47），但对过度依赖（3.42）与学术不端（2.37）仍有中度担忧。第四类“伦理成就型”（n = 62），GPA约3.54，女性比例最高（24.2%），提示优化能力不低（4.26）且认为GenAI易用（4.23），但他们有意限制使用、组合工具甚少（1.63），未来使用意愿中等（3.82），在所有画像中对过度依赖（4.37）与学术不端（3.98）的担忧最强。
讨论与意义：该论文发表于《Proceedings of the Design Society》。从扩展TAM视角看，四类画像揭示了不同的心理机制。“赋能乐观型”印证了经典TAM路径，即高感知有用性和高感知易用性驱动高频使用，他们可作为设计团队中的“AI增强型创新者”，利用多工具加速早期构思与后期优化；“主流务实型”显示有用性与易用性并不足以推动深度探索，他们更适合担任“AI高效执行者”，以熟悉工具完成建模与技术文档等任务；“怀疑极简型”提示信任、负面体验与情感因素同样会影响拒绝行为，在教育中应通过可解释AI界面与对比案例帮助其建立信任，使其成为“批判验证者”；“伦理成就型”则最为关键地说明，伦理风险感知可超越TAM的积极作用而成为核心决定因素，他们可作为“负责任设计的守护者”，主导知识产权、偏见检查与合规决策。在设计教育中，这些画像支持从统一的AI素养课程转向差异化的“设计师—AI共创能力”培养：对乐观型强调AI工作流管理与多工具整合，对务实型强化任务—AI匹配与流程自动化，对极简型注重批判性评估与失败模式识别，对成就型嵌入伦理治理、知识产权与偏见检查表。研究还建议在高年级项目课程中采用不同提示与任务支架，如探索型、边界型、批判优先型与治理型提示，以匹配各画像的学习需求。除性别在“伦理成就型”中表现突出外，大多数人口学变量对聚类影响有限，反映出工程样本内部的同质性。
结论：本研究表明工程学生对GenAI的采用并非单一模式，而是由赋能乐观型、主流务实型、怀疑极简型与伦理成就型四类心理一致的画像共同构成，传统TAM变量与伦理风险感知、自主学习倾向交互作用。齐一化的技术采纳模型并不充分，教育者应基于学生的信念、担忧与自信水平设计多样化学习支持。未来需要纵向研究追踪这些画像的稳定性及其对学习成果的影响，以构建更真实、持久的AI教育整合理解。
