大学生生成式人工智能持续使用意愿的整合研究：基于期望确认与任务-技术匹配的实证分析

《Scientific Reports》：Pragmatic GAI continuance through human-AI collaboration amid trendiness and creepiness

　　

摘要

随着生成式人工智能（GAI）日益融入大学学习，理解学生为何持续使用它变得愈发重要。本研究整合了期望确认模型（ECM）和任务—技术匹配（TTF），并结合协作有效性、时尚感和恐怖谷效应，来解释学生的GAI持续使用意愿。研究对271名大学生的调查数据采用了偏最小二乘结构方程模型（PLS-SEM）进行分析。该模型解释了持续使用意愿63.6%的方差。值得注意的是，任务—技术匹配并未直接提升感知有用性；相反，其效应是通过期望确认体现出来的，这表明任务匹配在学生实际体验确认了预期时才会变得有价值。相比之下，协作有效性不仅直接增强了感知有用性，还通过期望确认发挥作用。这些使用后评估随后加强了满意度和持续使用意愿，揭示了从功能匹配和人机协作到持续使用的不同但互补的路径。时尚感也促进了持续使用，而恐怖谷效应则未显示出显著的直接影响。研究结果扩展了后采纳阶段的研究，展示了任务—技术匹配如何通过体验确认和后续的使用后评估转化为持续的GAI使用。实践方面，大学应超越单纯提供AI访问权限，转而设计任务对齐的学习活动，促进有效的人机协作，验证AI输出，并将初始采纳转化为可持续的学术使用。