《Acta Psychologica》:Core features and feature relationships of male and female management students' attitudes towards GenAI: A network analysis of a Guangxi university sample
编辑推荐:
摘要翻译
本研究采用网络分析方法考察了生成式人工智能(GenAI)态度中的性别相关差异。分析识别出男性和女性态度网络中存在不同的核心特征。两个网络均表现出对人工智能控制人类风险的共同关注。两组在网络整体结构或全局连接强度上未呈现显著差异。男性和女性网络之间存
摘要翻译
本研究采用网络分析方法考察了生成式人工智能(GenAI)态度中的性别相关差异。分析识别出男性和女性态度网络中存在不同的核心特征。两个网络均表现出对人工智能控制人类风险的共同关注。两组在网络整体结构或全局连接强度上未呈现显著差异。男性和女性网络之间存在若干局部关联差异。
论文解读
一、研究背景与问题提出
随着人工智能深度嵌入管理决策与组织实践,未来的管理者将需要与智能系统密切协作,这使得管理专业学生对人工智能的态度成为高等教育领域的重要议题。在各类人工智能技术中,生成式人工智能凭借其生成文本、图像和分析性内容的独特能力,已开始影响高等教育的多个环节,包括信息检索、观点生成、数据分析和决策支持等,在管理教育中日益受到重视。
学生的GenAI态度之所以值得关注,是因为这些态度可能塑造学生在学习中如何使用人工智能工具,以及他们如何看待此类技术在未来职业中的角色。然而,既有研究存在两个明显局限。第一,许多研究将态度视为单一整体指标,主要关注受访者总体上更积极还是更消极,较少关注具体态度特征在整个态度结构中的作用。第二,关于性别差异的讨论多停留在均值比较层面,较少考察不同性别群体内态度特征间的相对重要性与相互联系。
为弥合上述空缺,本研究将管理专业学生的GenAI态度理解为涵盖三个相互关联的评估层次:工具性评估、规范性评估与体验性评估。工具性评估关注GenAI对学习支持、效率提升和任务完成的效用,这与技术接受模型(TAM)强调的感知有用性一致;规范性评估涉及对适当性、责任、风险及社会影响的判断,可借助理性行为理论(TRA)加以解释;体验性评估则关注GenAI互动性、生成性与响应性特征带来的愉悦感、熟悉感与习惯化使用体验,这与整合型技术接受与使用理论(UTAUT2)中强调的享乐动机和习惯等维度相呼应。
二、研究方法概述
本研究通过网络分析考察管理专业大学生GenAI态度的性别差异。样本来自广西一所综合性大学的管理类专业二年级学生,回收有效样本887人,其中男生400人(45.10%)、女生487人(54.90%),年龄在19至25岁之间。入组标准为过去一个月内使用豆包、文心一言、Kimi或通义千问等生成式人工智能工具至少10次,且主要用于学习相关任务。数据通过问卷星平台于2023年9月20日至10月9日收集,采用一般人工智能态度量表(GAAIS)测量态度,其中积极态度12题、消极态度8题,采用五点李克特计分。积极态度分量表内部一致性系数(Cronbach's α)为0.885,消极态度分量表为0.761。网络估计采用EBICglasso程序结合高斯图模型,中心性指标选取强度与期望影响,网络准确性与稳定性通过bootnet包评估,组间比较采用网络比较检验。
三、研究结果
3.1 网络估计结果
在20个节点的网络中,男性网络和女性网络分别有190条可能边,其中男性网络有106条非零权重边,女性网络有104条。两个网络的整体结构在视觉上呈现相似性,但在特定节点连接与边权重方面存在差异。
3.2 中心性估计结果
在男性学生群体中,“AI促进幸福感”(GAAIS 9)具有最高的期望影响中心性,“AI控制人类风险”(GAAIS 18)具有最高的强度中心性(1.331)。在女性学生群体中,“AI控制人类风险”(GAAIS 18)具有最高的期望影响中心性,“AI在我的管理学习中”(GAAIS 5)具有最高的强度中心性(1.269)。
3.3 网络准确性与稳定性结果
边权重重抽样结果显示估计网络具有中等准确性。男性网络的CS系数在期望影响上为0.591、在强度上为0.440,女性网络分别为0.749和0.439,表明中心性估计具有可接受到良好的稳定性。
3.4 网络比较结果
网络比较检验显示,两组在网络整体结构上无显著差异(p = .527),全局强度亦无显著差异(男性 = 9.724,女性 = 9.838,p = .840)。边不变性检验在未校正p < .05水平上识别出23条存在显著组间差异的边,经Benjamini-Hochberg错误发现率(FDR)校正后,4条边仍显著:GAAIS 2–GAAIS 8、GAAIS 7–GAAIS 12、GAAIS 6–GAAIS 10和GAAIS 10–GAAIS 19。
四、讨论
4.1 核心特征的性别差异
男性网络的核心特征为“AI控制人类风险”和“AI促进幸福感”,女性网络的核心特征为“AI在我的管理学习中”和“AI控制人类风险”。两组共同关注AI控制风险,这反映风险相关评价在管理教育情境中占据重要地位。差异体现在另一个核心节点上:男性学生更倾向于将GenAI与新颖性、愉悦感和积极使用体验联系,这与UTAUT2强调的享乐动机相符;女性学生则更注重GenAI对当前学习任务的直接相关性与学业效用,这与TAM和UTAUT2强调的绩效期望一致。
4.2 积极态度网络的差异侧重点
男性网络的核心积极特征为“AI促进幸福感”,女性为“AI在我的管理学习中”。这一对比表明,两组学生组织GenAI价值的认知方式并不完全相同——男性网络中积极评价与愉悦体验和情感价值关联更紧密,女性网络中积极评价与任务相关性和学业效用关联更紧密。
4.3 局部连接差异
在积极态度网络中,男性学生群体GAAIS 2(“AI惠及多领域”)与GAAIS 7(“AI令我印象深刻”)之间的连接更强,表明男性学生将GenAI的广泛益处认知与积极总体印象之间的联系更为紧密。在消极态度网络中,女性学生群体GAAIS 19(“AI系统易出错”)与GAAIS 17(“AI未来使用不适”)之间的连接更强,表明女性学生将感知到的技术不可靠性与未来使用的不安感联系更为密切。在跨效价结构中,男性学生群体GAAIS 18(“AI控制人类风险”)与GAAIS 12(“AI在常规工作中超越人类”)之间的连接更强,反映出男性学生对GenAI能力的信念与对其社会后果的担忧之间存在更紧密的认知联系。
五、研究结论与意义
本研究通过网络分析识别了男女管理专业学生GenAI态度的核心特征。男性学生关注“AI促进幸福感”与“AI控制人类风险”,女性学生则重视“AI控制人类风险”与“AI在我的管理学习中”。尽管两个网络在整体结构上相似,但特定边权重的差异反映了不同态度特征侧重点的差异。两组对“AI控制人类风险”的共同关注凸显了对GenAI伦理与管控层面的普遍关切。研究发现为理解GenAI态度的性别差异、丰富TAM在管理教育情境中的应用提供了新视角,对差异化教学策略、课程设计以及教育政策制定具有实践启示,有助于推动更具包容性、前瞻性的管理教育发展。