不同性别、年龄及技术教育背景的人群，在采用和运用大语言模型的时间上存在差异

《International Journal of Human-Computer Studies》：Early and late adoption and appropriation of LLMs differs by gender, age, and technology education

　　•大型语言模型在不同人群中的采用程度并不均衡。•从2023年到2025年，大型语言模型采用方面的性别差距有所缩小。•在我们的样本中，男性是更频繁的使用者，且他们自我评价的能力也高于女性。•具有技术相关教育背景的受访者在使用大型语言模型方面不存在性别差异。•相比新手用户，能力较强的用户更倾向于列举与工作效率相关的使用场景。•缺乏相关知识、应用场景、隐私担忧以及伦理问题始终被提及为不使用大型语言模型的原因。

引言
大型语言模型是一种人工智能模型，能够大规模学习文本模式以理解和生成语言。它在极短的时间内就从新奇事物变成了日常基础设施。然而，目前尚不清楚谁从这一变化中受益，以及这些益处是如何分配的。以往关于技术采用的研究已经发现了人们在技术接受和使用方面的性别差异规律（Morris和Venkatesh，2000；Robinson等人，2015；Venkatesh和Morris，2000），但关于大型语言模型随时间变化后的采用情况，我们仍缺乏相关数据。如果大型语言模型的普及程度不均衡，那么效率提升和机会增加可能会集中在那些原本就处于优势地位的群体手中。本文提供了实证基础：我们比较了在两轮针对美国人口的调查中，大型语言模型使用者与非使用者的性别、年龄及种族分布情况（2023年和2025年，邀请的是同一批受访者）。我们研究了人们的采用情况、使用频率、自我认知能力，以及典型的使用场景和采用障碍（见图1）。

以往关于大型语言模型及相关人工智能工具的研究表明，它们对人类工作表现的影响存在差异（Vaccaro等人，2024）。效率提升往往取决于用户的先前经验以及任务类型（Brynjolfsson等人，2025）。例如，在一些知识型工作中，经验较少的员工也能获得较大提升，而在其他领域，如编程，情况则有所不同（Qian和Wexler，2024）。在教育领域，大型语言模型可以加快写作和学习速度（Noy和Zhang，2023；Bastani等人，2024），但其带来的长期效果则不尽相同（例如，如果没有适当的指导，学生的考试成绩反而可能下降）（Bastani等人，2024）。除了实际表现之外，还有研究指出了在提示词规划、质量监控方面存在的困难（Zamfirescu-Pereira等人，2023），以及在使用人工智能系统时存在的元认知缺陷（Fernandes等人，2024；Fleming，2024；Kosch等人，2022；Tankelevitch等人，2024；Villa等人，2023；Kloft等人，2024）。总体而言，有效使用大型语言模型似乎受到经验、任务要求以及自我监控能力的影响，而这些因素在不同人群中以及不同时期都可能存在差异（Fernandes等人，2024；Kacperski等人，2025）。

这一点非常重要，因为大型语言模型正日益融入人们的日常工作与学习之中。如果其采用和有效使用情况不均衡，那么效率提升和机会增加可能会集中在那些原本就处于优势地位的群体手中，这就会重演以往技术采用过程中的性别差异现象（Morris和Venkatesh，2000；Robinson等人，2015；Venkatesh和Morris，2000）。目前的界面也不太利于规划、监控和评估，这可能导致人们过度依赖这些工具（Fernandes等人，2024），甚至出现技能退化的问题（Bastani等人，2024；Kobiella等人，2024；Rafner等人，2022）。正是出于这些考虑，我们开展了这项研究，旨在通过关注人口统计特征来了解谁在采用和使用大型语言模型、使用的频率如何、在何种场景下使用，同时找出那些可以通过人工智能素养提升和交互设计干预来解决的障碍，从而实现更公平、更高效的使用。需要指出的是，虽然也有其他针对不同群体的大型语言模型使用情况的研究，比如针对学生（Baek等人，2024；Ibrahimi和Benchekroun，2024；Krecar等人，2024；Saklaki和Gardikiotis，2024；Sawalha等人，2024）、研究人员（Liao等人，2024）、软件工程师（Lambiase等人，2025）、那些将大型语言模型用于日常学习的人（Terzimehi?等人，2026）以及老年人（Wang等人，2024）的研究，但这些研究通常要么没有像本研究这样尽早获取数据，要么没有从长期和人口统计的角度进行分析。

在技术发展如此迅速的背景下，采用纵向视角对于理解大型语言模型的采用情况至关重要。大型语言模型的功能发生了巨大变化——GPT-3.5发展为GPT-4，后又发展到GPT-4o；Claude也从最初版本升级为Claude 3系列；同时，多模态和智能体功能也相继出现。与此同时，成本也发生了变化（尤其是API定价调整以及免费套餐的扩展），各种界面也日趋成熟，逐渐趋向类似的聊天模式。大型语言模型的功能还被整合到各类消费产品中，用户无需刻意做出采用决策即可使用。例如，像谷歌这样的搜索引擎就默认提供人工智能生成的摘要。此外，公众对大型语言模型的讨论也从最初的新奇感和猜测，转向了对偏见、局限性及风险的更为理性的探讨（Durmus等人，2024；Wu等人，2025）。这种不断变化的形势影响了人们接触和采用大型语言模型的方式。技术采用理论认为，相对优势、复杂度以及可观察性的变化应该会对不同人群产生不同的影响（Rogers，2003；Venkatesh和Morris，2000）。然而，以往关于大型语言模型采用情况的研究只是捕捉了某一特定时刻的状况，因此无法追踪这些变化随时间的发展趋势。例如，Bouzar等人（2024）发现摩洛哥学生在使用ChatGPT方面不存在性别差异，但却观察到了不同的使用模式；而Humlum和Vestergaard（2025a）则发现丹麦职场中在使用ChatGPT方面仍然存在16个百分点的性别差距，其主要原因是女性更认为自己需要更多的培训。随着技术的发展，这些差距是否会缩小仍是一个未解之谜。因此，本研究通过纵向数据，捕捉了这一快速变化的时期，探讨在技术发展和用户群体变化背景下，采用方面的性别差距是持续存在还是有所缩小，使用模式和自我认知能力是如何变化的，以及典型使用场景又发生了怎样的转变。

我们对比了在两轮针对美国人口进行的、在年龄、性别和种族方面经过匹配的调查显示出的大型语言模型使用者与非使用者的性别特征。具体而言，我们分析了不同社会人口群体在大型语言模型采用率和使用频率上的差异，以及这些差异从2023年到2025年的变化情况。我们假设性别和年龄差异会影响人们是否使用大型语言模型。此外，我们还研究了新手和专家常见的使用场景以及采用大型语言模型的障碍。由于在2023年至2025年期间，大型语言模型的采用并没有按照正式使用和非正式使用来区分，同一批人在工作、学习和个人生活中都会接触到并尝试使用大型语言模型，而且往往是通过相同的界面，所以我们没有对这两种使用方式进行区分分析。另外，非正式使用环境也很重要，因为正是在这些环境中，社会规范逐渐形成，人们的人工智能素养也在其中得到塑造。

我们的研究结果表明，2023年4月，即ChatGPT发布四个月后，女性使用大型语言模型的概率低于男性，而年轻群体使用大型语言模型的概率则高于老年群体。交互效应显示，年轻成年人之间的性别差距更为明显，而在老年人中则几乎不存在差距。这一现象在使用频率上也有体现，大多数年轻女性用户每月使用大型语言模型的次数较少，甚至更少，而男性用户的使用频率则更高。对于那些拥有技术相关学位的人群来说，性别带来的影响则有所减弱。到2025年1月，女性受访者在采用率方面已经追上了男性水平，但她们的使用频率仍然较低，且自我评估的大型语言模型使用能力也较低。我们没有发现年龄对大型语言模型采用情况有显著影响，不过中年群体的使用频率要高于最年轻和最年长的受访者。最常见的使用场景是与（正式的）文本生成和信息获取相关，其次是创意应用、推荐功能以及解释功能。从2023年到2025年，我们观察到使用趋势逐渐向提升工作效率的方向发展。通过对不同自我认知能力的用户的使用场景进行探索性分析，我们发现能力较强的用户更专注于处理专业任务，而新手则更倾向于尝试大型语言模型的各种功能，并将其用于娱乐目的。最后，非使用者们提出了多种不使用大型语言模型的原因，包括缺乏相关知识和需求、伦理顾虑以及互动缺乏人性化，这些原因从2023年到2025年基本没有变化。

基于这些研究结果，我们提出了一些建议，旨在推动那些处于不利地位的人群采用大型语言模型。我们的研究结果对于那些希望满足不同用户群体需求的大型语言模型界面设计师、致力于消除知识差距和态度障碍的人工智能素养教育工作者及政策制定者，以及需要了解人口统计因素对设计及评估采用干预措施有影响的人机交互研究人员都具有参考价值。值得注意的是，与世界银行国际开发协会、经济合作与发展组织以及联合国教科文组织等机构的观点一致（联合国教科文组织，2022；West等人，2019），我们主张尽早开展以人工智能为重点的技术学科教育，同时也要设计出能够满足非专业人士需求的大型语言模型系统。此外，鉴于所提到的伦理顾虑，我们需要开展更有针对性和情境化的讨论，尤其是在考虑将大型语言模型用于教育领域时。

相关研究
我们将自己的研究与那些揭示了人口统计效应的技术采用研究联系起来，同时也考虑了大型语言模型自身的特点，比如其常见应用领域的特征。

研究方法
我们通过2023年和2025年开展的兩轮在线调查，研究了不同社会人口群体对大型语言模型的采用情况。我们还收集了人们使用大型语言模型的典型场景以及不使用它的原因（即采用障碍）。该调查流程已获得当地伦理委员会的批准。相关测量指标和数据集可在OSF平台上查看：https://osf.io/bdn9p/?view_only=1a44dfd53cc1442a87bfc3f49560b112。

研究结果
首先，我们分析了2023年和2025年不同年龄和性别群体的使用情况和使用频率，以此来验证H1–H3这些假设。接着，我们研究了自我认知能力和技术教育背景是否可能起到中介作用。最后，我们总结了人们使用大型语言模型的场景以及不使用的理由。

讨论
在社会的数字化转型过程中，实现公平的技术变革和确保技术普及是一项极为重要的任务：如果某些特定群体被排除在外，就会引发数字不平等的问题（Robinson等人，2015）。我们的研究结果有助于研究人员识别并减少大型语言模型采用方面的不平等现象，同时也有助于为他们设计适用于专业和非专业场景的各种使用方案。此外，我们的研究还明确了哪些群体需要得到优先关注。

结论
大型语言模型在短短几个月内就颠覆了技术市场，如今在美国乃至全球范围内都被广泛使用。它们在各种专业和非专业场景中都为人们提供了新型的人工智能辅助功能。简单的聊天式界面似乎意味着人人都能公平地使用这些技术。然而，我们的纵向分析显示，从2023年到2025年，大型语言模型的采用模式发生了快速变化。在最初的调查中，年轻男性是主要的使用群体，而到了2025年……

CRediT作者贡献说明
Fiona Draxler：写作——审稿与编辑，写作——初稿撰写，研究方法，资金筹集，正式分析，数据整理，概念构建。Daniel Buschek：写作——审稿与编辑，写作——初稿撰写。Mikke Tavast：写作——审稿与编辑，结果验证，正式分析。Juhi Kulshrestha：写作——审稿与编辑，研究方法。Robin Welsch：写作——审稿与编辑，写作——初稿撰写，研究方法，资金筹集，正式分析，概念构建。

人工智能使用声明
在撰写本文档的过程中，作者们使用了包括OpenAI GPT-5和Grammarly在内的生成式人工智能工具来协助编辑工作，比如根据要点撰写句子、润色文本、代码，以及优化语法和风格。作者们对所有由这些工具生成的内容，包括文本、代码、引用文献以及由此产生的任何输出，都负有完全的审核和编辑责任，并保证最终发表的内容体现了他们自身的原创性贡献。

利益冲突声明
作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本项目得到了欧盟“地平线2020”研究与创新计划下的资助，项目编号为952026（项目名称为“人道主义人工智能”），同时还获得了曼海姆大学的博士后基金支持。我们还要感谢Otso Haavisto、Anna Lieb和Toshali Goel在数据分析方面给予的帮助。

Fiona Draxler|Daniel Buschek|Mikke Tavast|Juhi Kulshrestha|Robin Welsch