《Sage Open》：Artificial Intelligence-Generated Content Characteristics, Ethical Risk Perception, and Usage Intentions Among Chinese University Students
编辑推荐：
摘要专业翻译
本研究整合技术接受模型（Technology Acceptance Model, TAM）、计划行为理论（Theory of Planned Behaviour, TPB）与认知—情感—意动框架（Cognition-Affection-Conat
摘要专业翻译
本研究整合技术接受模型（Technology Acceptance Model, TAM）、计划行为理论（Theory of Planned Behaviour, TPB）与认知—情感—意动框架（Cognition-Affection-Conation framework, CAC），考察本科生对人工智能生成内容（Artificial Intelligence-Generated Content, AIGC）的使用意愿。研究采用横断面调查设计，基于479名本科生的数据，运用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行分析。结果表明：设施条件（facility conditions）与输出质量（output quality）与伦理风险感知（ethical risk perception）呈负相关，而拟人化（anthropomorphism）与任务—技术匹配度（task-technology fit）与伦理风险感知呈正相关。伦理风险感知对AIGC使用意愿具有直接负向影响，并通过态度矛盾性（attitudinal ambivalence）与主观规范（subjective norms）产生间接负向效应。人工智能素养（AI literacy）显著调节态度矛盾性与使用意愿之间的负向关联，但对主观规范与使用意愿之间关系的调节作用不显著。多群组分析进一步揭示：设施条件与伦理风险感知之间的负向关联在农业户籍学生中更强，而拟人化与伦理风险感知之间的正向关联在非农业户籍学生中更强。上述发现表明，技术特征、伦理风险感知、心理过程与社会背景之间存在复杂交互作用，共同塑造AIGC的采纳行为。本研究通过将伦理风险感知纳入整合理论框架，并识别出人工智能素养与户籍身份作为高等教育情境中的重要边界条件，拓展了AIGC采纳研究。
论文解读
一、研究背景与问题提出
人工智能生成内容（AIGC）以ChatGPT等大语言模型为代表，被视为能够改变社会结构与知识生产的颠覆性技术，已在教育、医疗、客户服务等多个领域得到广泛应用。联合国教科文组织2023年报告显示，全球76%的研究型大学已将通用人工智能纳入教学体系，但学生对人工智能的认知接受度存在差异。已有研究表明，学生既认可技术的益处，又担忧其对学术伦理与文化价值观的影响，包括对学术诚信的威胁以及认知依赖的隐忧。技术收益与感知风险并存的现象，凸显了重新审视传统技术接受理论的必要性。
现有研究多采用技术接受模型（TAM）及其扩展框架分析大学生人工智能工具使用行为，大量研究证实了该理论框架的预测力。然而，随着AIGC技术功能日趋多样，高度拟人化的对话风格、精确的任务—技术匹配能力等先进特性使学生的接受意愿变得更为复杂。当前文献缺乏一个能够整合技术特征、伦理认知、情感反应与社会影响等多维要素的综合框架。此外，已有研究鲜少考察学生家庭背景（如城乡户籍）作为社会结构性因素对技术感知的影响。基于此，研究人员提出技术接受心理模型（TAPM），将TAM、TPB与CAC框架整合，系统考察AIGC技术特征如何通过伦理风险感知影响大学生使用意愿，并引入AI素养与户籍身份作为边界条件。
二、研究设计与方法
研究采用横断面调查设计，通过Credemo数据平台于2024年6月至8月间收集数据，采用分层抽样方法从中国高等教育机构招募479名本科生。样本中男性166人（34.66%）、女性313人（65.34%），年龄19至30岁；学科分布涵盖社会科学（29.85%）、工程技术（24.84%）、人文艺术（17.12%）、自然科学（12.94%）及其他学科（15.24%）；农业户籍239人（49.90%）、非农业户籍240人（50.10%）。研究工具为两部分的问卷，包含人口统计学信息和各研究变量的测量量表。设施条件采用Venkatesh和Davis（2000）的四条目量表，输出质量采用Boubker（2024）的四条目量表，拟人化采用Zhang和Rau（2023）的量表（含情感互动与反应自然性两个维度各三条目），任务—技术匹配度采用改编自McGill和Klobas（2009）的四条目量表，伦理风险感知采用改编自Zhou等（2010）的六条目量表（含伦理风险规避量表与技术伦理态度量表），态度矛盾性与主观规范分别基于Petty等（2006）和Chai等（2020）的三条目与四条目量表，AI素养参照Wang等（2023）的问卷测量意识、使用与评估三个维度，AIGC使用意愿采用改编自Chan和Hu（2023）的量表。所有条目采用李克特五点计分。数据分析采用偏最小二乘结构方程模型（PLS-SEM），使用Smart PLS 4.1.1.1软件，分两步评估测量模型与结构模型。
三、研究结果
测量模型评估结果。 所有条目因子载荷均高于0.6的推荐阈值，组合信度（CR）与Cronbach's alpha均达到0.7标准，各构念平均方差抽取量（AVE）均超过0.5，异质—特质相关比（HTMT）值均在0.85建议范围内，表明测量模型具有良好的信度与效度。Harman单因子检验显示第一未旋转因子解释总方差的28.3%，远低于50%阈值，表明共同方法偏差不构成显著问题。
技术特征与伦理风险感知的关系。 结构模型结果显示，设施条件与伦理风险感知呈显著负相关（β = ?0.236, p < .001），支持H1a；输出质量与伦理风险感知呈显著负相关（β = ?0.139, p < .001），支持H1b；拟人化与伦理风险感知呈显著正相关（β = 0.341, p < .001），支持H1c；任务—技术匹配度与伦理风险感知呈显著正相关（β = 0.240, p < .001），支持H1d。效应量显示拟人化对伦理风险感知的关联最强（f2 = 0.158）。
伦理风险感知的直接与间接效应。 伦理风险感知对AIGC使用意愿具有直接负向影响（β = ?0.171, p < .001），支持H2。伦理风险感知与态度矛盾性呈显著正相关（β = 0.264, p < .001），支持H3；态度矛盾性与使用意愿呈显著负相关（β = ?0.201, p < .001），支持H4，间接效应显著，确认态度矛盾性的中介作用。伦理风险感知与主观规范呈显著负相关（β = ?0.186, p < .001），支持H5；主观规范与使用意愿呈显著正相关（β = 0.122, p < .05），支持H6，间接效应显著，确认主观规范的中介作用。
AI素养的调节效应。 AI素养显著调节态度矛盾性与使用意愿之间的负向关联（β = 0.177, p < .05），支持H7a，即AI素养越高，态度矛盾性对使用意愿的抑制作用越弱。AI素养对主观规范与使用意愿关系的调节作用不显著（β = 0.012, p > .05），H7b未获支持。
户籍身份的多群组差异。 设施条件与伦理风险感知之间的负向关联在农业户籍学生中更强（Δβ = ?0.173, p = .010），支持H8a；拟人化与伦理风险感知之间的正向关联在非农业户籍学生中更强（Δβ = 0.228, p = .005），支持H8b。输出质量与任务—技术匹配度的影响在户籍群组间无显著差异。
模型比较。 模型比较结果显示，仅含技术特征变量的模型1解释力最低（调整后R2 = 0.147）；加入伦理风险感知的模型2有所提升（调整后R2 = 0.169）；纳入态度矛盾性与主观规范的模型3进一步提升（调整后R2 = 0.207）；完整TAPM模型4解释力最高（R2 = 0.239，调整后R2 = 0.229，SRMR = 0.080），较基线模型调整后解释力提升0.082，表明整合伦理认知与情感路径显著增强了对大学生AIGC使用意愿的预测能力。
四、讨论与结论
研究讨论指出，AIGC技术特征对伦理风险感知的影响并非单一方向：设施条件与输出质量的可靠性可降低伦理担忧，而拟人化与高任务匹配度反而提升伦理敏感度。伦理风险感知通过态度矛盾性与主观规范两条心理路径间接影响使用意愿，表明AIGC接受是一个心理冲突过程而非简单的效用评估。AI素养能帮助高素养学生管理矛盾评价、维持使用意愿，但无法改变外部规范压力的影响。户籍差异表明社会背景塑造学生对技术特征的风险解读方式。
研究结论为：AIGC接受受功能价值之外的多维因素影响。设施条件与输出质量与较低伦理风险感知相关，拟人化与任务—技术匹配度与较高伦理风险感知相关。伦理风险感知通过态度矛盾性与主观规范间接负向影响使用意愿。AI素养调节态度矛盾性与使用意愿的关系，但不调节主观规范的影响。户籍相关差异表明社会背景塑造学生对AIGC特征及其风险的解读。研究将伦理风险感知与社会分层纳入多理论框架，拓展了AIGC接受研究，提示高校需将公平技术接入、AI素养培养、明确制度指引与负责任使用实践相结合，以支持知情采纳并应对伦理与数字不平等问题。
