“技術賦能”還是“工具依賴”： 生成式人工智能對研究生科研創新力的影響研究

[摘" "要] 生成式人工智能（AIGC）在教育領域展現出巨大潛力，也為研究生科研創新力培養帶來新的機遇和挑戰。基于1714份研究生調查數據，采用普通最小二乘法、負二項回歸、熵平衡匹配法及無條件分位數回歸等方法，探討AIGC對研究生科研創新力的影響。研究發現：近九成研究生使用過AIGC輔助科研，主要將其用于語言潤色和文獻查閱；使用AIGC顯著提升了研究生的科研創新力，尤其是在科研創新思維、科研實踐能力和科研創新品質方面；AIGC使用頻率對研究生科研創新力有顯著的促進作用，且與研究生科研創新成果之間存在顯著的非線性關系；使用AIGC及其使用頻率對研究生科研創新力的影響在不同群體間的異質性明顯。據此，應增強信息技術指導，提高研究生使用AIGC的廣度與深度，倡導合理使用AIGC并遵守倫理規范，縮小數字鴻溝與優化個性化學習。

[關鍵詞] 生成式人工智能； 研究生； 科研創新力； 技術賦能； 工具依賴； ChatGPT

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 馬銀琦（1994-），男，浙江杭州人。博士，主要從事高等教育評價、人工智能教育研究。E-mail：myqdsg1234@126.com。黃丹為通信作者，E-mail：775650757@qq.com。

一、問題的提出

在智慧信息技術迅猛發展的時代，生成式人工智能（AIGC）正逐漸滲透到各個領域，從商業廣告到醫療診斷，再到學術研究，AIGC的應用日益廣泛。特別是在教育和科研領域，AIGC展現出了極大的潛力。研究生作為科研創新的生力軍，其科研創新力的培養對整個科學技術的發展和社會進步至關重要。隨著我國研究生教育的規模不斷擴大，如何提升研究生的科研創新力成為高校和研究機構關注的焦點。在此背景下，AIGC的引入為研究生提供了一種全新的科研生產方式。然而，隨著AIGC的廣泛應用，關于其對研究生科研創新力的影響，存在“技術賦能”和“工具依賴”兩種不同的觀點。在“技術賦能”觀點中，AIGC被認為是提升科研效率和創新能力的重要手段[1-2]。通過提供便捷的文獻綜述、自動化的數據分析和智能化的研究輔助，AIGC能夠幫助研究者更好地開展科研工作，激發創新思維。持有“工具依賴”觀點者則認為，過度依賴AIGC可能會導致研究者在科研過程中缺乏自主性和創造力，甚至影響其科研能力的全面發展[3-4]。基于上述背景，本研究旨在回答以下幾個關鍵問題：研究生在科研過程中具體使用AIGC的情況如何，使用AIGC對研究生科研創新力的影響如何，他們在使用AIGC過程中是否存在“技術賦能”或“工具依賴”的傾向，不同類型研究生，使用AIGC對其科研創新力的影響是否存在異質性？對上述問題的回應，不僅能夠為研究生科研創新力的培養提供實證依據，同時也有助于推動AIGC技術在高等教育領域中的優化應用。

二、文獻綜述

探究AIGC使用與研究生科研創新力的關系，主要圍繞研究生科研創新力、AIGC在科研領域的使用現狀、使用AIGC對科研創新力的影響三個方面開展。

創新力是在學習、研究過程中產生創新構想或問題解決方案并努力將其付諸實踐的行為[5]，表現為創造性地運用理論知識或借助分析技術來建立新的理論體系、發現新的現象和規律、解決前人未解決的問題、填補學科和領域空白的能力[6]。科研創新力則是指研究者通過長期知識積累、科研實踐與能力發展，能夠產出新穎且有社會價值的學術產品或服務的能力[7]。在科研創新力的維度劃分方面，林崇德認為，創造性人才由創造性思維和創造性人格兩個方面構成[8]。在此基礎上，有學者拓展了科研創新力的維度，認為其是表層因子（知識獲取能力和外顯的科研成果）和潛層因子（創新實踐能力和科研創新人格）的有機結合[9]。在科研創新力的測量方面，哈里斯（Harris）提出從數量、質量、重要性和影響力四個方面來綜合評價科研創新的能力[10]。國內學者也有將發表論文的數量與質量、參與縱向課題數量、發明專利等作為測量科研創新力的重要指標[11]。總體來看，研究生科研創新力包含科研生產力和科研創造力雙重含義，既要關注到外顯、可衡量的創新成果，也要注重內隱、概括的創新思維與品質。

AIGC涵蓋了文本生成、圖像生成、數據分析等多個領域[12]，其技術發展迅猛，在教學和科研領域的應用范圍也在不斷擴大[13]。Nature在2023年初對全球3838位博士后進行調查采訪，發現有三分之一的受訪者在利用ChatGPT來輔助修改文字、生成或編輯代碼[14]。同年4月，來自瑞典的一項針對5894名大學生的調查發現，有35%的受訪者經常使用ChatGPT。同年5月，來自日本的一項針對大學生的調查中也發現，有32%的人表示使用過ChatGPT[14]。李艷等人在2023年末對浙江大學1190位本科生使用AIGC現狀進行調查，發現近七成受訪者表示熟悉生成式人工智能，其中利用最為廣泛的功能是文本生成技術[15]。由此可見，學術工作者越來越趨向于使用AIGC來輔助科研，以提高科研效率和質量。

不可否認，AIGC在科研中的應用帶來了許多“技術賦能”方面的積極影響，與此同時，我們也不能忽視潛在的“工具依賴”問題及其可能的負面影響。“技術賦能”具體表現在顯著提高科研效率和科研創新力兩個方面。有學者指出，將AIGC應用于文獻綜述和數據處理，使研究人員能夠更加專注于創新和發現[2]。與此同時，AIGC通過提供多樣化的信息和分析視角，可以激發科研人員的創新思維[16]。“工具依賴”具體表現在自主學習能力下降和對自我職業認同的審思。有學者認為，過度依賴AIGC可能導致學生和科研人員的自主學習和創新能力下降，并且警示學生過度依賴自動化工具可能忽視基礎知識的掌握和思維能力的培養[17]。另外，人工智能技術的發展，讓科研工作者也開始審視自身專業是否會被其完全取代，對于未來的職業認同產生疑慮[14]，進而降低了科研自我效能。

綜上所述，雖然學者們在探討AIGC與科研創新力之間關系時已作出諸多有益探索，但現有研究多側重于理論和經驗層面的討論，關于研究生群體AIGC使用情況及其對科研創新力的實證分析仍相對有限。研究生在科研中的定位介于本科生與博士后之間，既處于科研能力發展的初期階段，又需承擔一定的具有煩瑣性和挑戰性的科研任務。與本科生相比，研究生面臨著更高的科研要求；而與經驗豐富的博士后不同，研究生在工具使用與創新實踐中更容易產生依賴。正因如此，AIGC工具在研究生群體中的作用既可能通過提高效率促進創新，也存在過度依賴工具而削弱自主創新能力的風險。因此，本研究基于對1714份研究生調查數據，深入探討AIGC工具的使用情況及其使用頻率對研究生科研創新力的影響。研究結果將為完善我國研究生培養制度提供參考，并在數字化轉型背景下對合理利用AIGC工具提供相應建議。

三、研究設計

（一）數據來源

本文數據來自課題組在2024年3月至5月期間開展的問卷調查，該調查涵蓋了來自我國東部、中部、西部地區不同類型高校的研究生群體，通過線上問卷平臺共計隨機發放了1988份問卷，經過審查和篩選，最終回收有效問卷1714份，有效率為86.2%，具體樣本分布情況見表1。

（二）變量設置

本研究的被解釋變量是科研創新力，借鑒馬立超和姚昊的研究[18]，具體包含科研創新成果、科研創新思維、科研實踐能力、科研創新品質四個子維度，每個子維度下均有四個題項。除科研創新成果外，其余三個維度均采用李克特五級量表，選項“十分不符合”到“十分符合”依次賦值為1～5，經檢驗，三個維度的Cronbach's a系數均大于0.85，信度較好。在確定測量題項后，為確保各維度指標之間的可比性，本文首先對各維度下的測量題項進行0～1標準化處理，進而分別加總得到四個子維度取值范圍為0～4的連續變量。最后，采用主成分分析法（KMO值為0.764，Bartlett檢驗卡方值為3592.40，plt;0.001），構建了科研創新力綜合指標，并同樣將其標準化為0～4的連續變量。

本研究的核心解釋變量為使用AIGC，包括是否使用過AIGC及其使用頻率兩個維度。前者通過問卷題項“您是否使用過生成式人工智能（包括但不限于文言一心、訊飛星火、Kimi、ChatGPT、Copilot等）？”進行測量，使用過AIGC的研究生取值為1，否則取值為0。使用頻率則根據研究生日常使用AIGC的頻次測量，選項“很少使用（半年及以上用過）”到“頻繁使用（一天多次）”依次賦值為2～6。此外，還詢問了研究生對AIGC的熟悉程度、開始使用時間及使用目的。借鑒文獻綜述部分的已有研究，為盡可能實現使用AIGC對研究生科研創新力的凈效應估計，本文設置了諸如性別、年齡、在讀階段、境外經歷等控制變量①。

（三）模型與方法

1. 基準回歸模型

鑒于被解釋變量的性質存在差異，本研究設定的基準模型包括普通最小二乘法（Ordinary Least Squares， OLS）與負二項回歸（Negative Binomial Regression， NBR）兩個模型。具體而言，科研創新力、科研創新思維、科研實踐能力與科研創新品質四個被解釋變量均呈正態分布，統一采用OLS模型進行估計。而科研創新成果為非負計數變量，存在一定數量0值的同時，變量的方差值明顯大于平均值，因此，單獨采用NBR模型估計使用AIGC對研究生科研創新成果的影響[19]。基準模型設置如下：

Creativei=α+β1AIGCi+β2Xi+ε" " " " " " " " " "式（1）

模型（1）中，Creative為被解釋變量，代表本文中的第i個學生的科研創新力得分，AIGC為核心解釋變量，代表研究生i使用AIGC情況（是否使用與使用頻率），Xi為一系列控制變量，ε為隨機擾動項。后續本文還在模型（1）的基礎上加入了AIGC（使用頻率）的平方項，以探討AIGC使用頻率對研究生科研創新力的非線性影響，以及加入AIGC與性別、年齡和在讀階段等控制變量的交互項，探討使用AIGC對研究生科研創新力的異質性影響。

2. 熵平衡匹配

受事后觀測數據的限制，本研究樣本中的研究生使用AIGC的個體決策并不是隨機干預的變量，而是存在較強的自選擇性，受到個體特征、就讀院校與學科專業等多方面因素的干擾。因此，僅采用基準回歸模型難以真正實現使用AIGC對研究生科研創新力的效應量估計。

已有研究多采用傾向得分匹配方法（Propensity Score Matching， PSM）緩解此類由可觀測因素引起的樣本選擇偏差問題[20-21]。但PSM方法存在著一定局限性，例如具有較強的模型依賴性[22]，以及在對照組樣本數量較少且模型中可觀測變量較多的情況下，極易出現“維度詛咒”問題，導致樣本數量出現大規模損失[23]。

鑒于此，本研究采用由Hainmueller等人提出的以信息熵增量為距離的熵平衡匹配（Entropy Balancing Matching， EBM）方法[24]。相較于PSM方法，EBM方法具有以下優勢：首先，EBM方法可以實現實驗組與對照組在協變量高階矩特征上的相似性，在減少協變量失衡方面比PSM更有效[25]；其次，EBM方法估計的干預變量處理效應的系數偏誤與標準誤差更小[26]；最后，EBM方法在匹配過程中不會造成樣本數量的損失，考慮到本研究樣本中未使用過AIGC的研究生人數有限（占總樣本的13.13%），因此，更加適用于采用EBM方法來緩解樣本選擇偏差問題。近幾年，該方法在國內外公共政策評估領域已有較多應用[27-28]。

式（2）表示實驗組在沒有發生干預時的效應大小，即本研究為使用AIGC的研究生樣本構造的反事實指標。其中，Creative0i表示未使用AIGC研究生i的科研創新力得分，Di=1表示研究生i屬于實驗組，Di=0則表示研究生i屬于對照組，ωi即熵權重，表示為對照組每個觀測值賦予的權重，可通過式（3）設定相應的矩條件計算得出。借鑒Gurantz 和Tsai的做法[29]，本文將基準回歸模型中的所有控制變量作為協變量，圍繞“是否使用AIGC”劃分實驗組與對照組樣本，并進行高階平衡匹配，最后利用匹配后的樣本進行二次回歸，以獲得使用AIGC對研究生科研創新力影響的穩健性證據。

3. 無條件分位數回歸

上述模型方法僅能提供使用AIGC對研究生科研創新力影響的均值效應，為揭示AIGC對不同科研創新力水平研究生可能存在的異質性影響，本文進一步采用Firpo等人基于再中心影響函數（Recentered Influence Function，RIF）提出的無條件分位數回歸（Unconditional Quantile Regression，UQR）方法[30]進行檢驗。UQR方法相較于傳統的條件分位數回歸方法，所得出的異質性結果更加貼合實踐情況的同時，也更具政策含義[31]，公式如下：

其中，β1表示AIGCi的邊際變化對Qτ分位點上研究生i科研創新力的邊際影響，將其代入式（4）中，計算出科研創新力在分位點上的RIF值，再進行OLS估計，即可得到使用AIGC對研究生科研創新力變化的無條件影響。

四、研究結果

（一）研究生使用AIGC的基本情況

本研究首先通過問卷調查中的部分題目來了解研究生在科研過程中使用AIGC的基本情況，見表2。86.87%的研究生使用過AIGC，且半數以上的研究生開始使用AIGC的時間集中在2023年（54.85%），僅有小部分研究生開始使用時間是在2022年12月及以前（13.01%）。熟悉程度方面，僅有36%左右的研究生表示熟悉或非常熟悉AIGC，絕大部分研究生對AIGC的熟悉程度處于一般狀態（48.66%）。使用頻率方面，絕大部分研究生都處于偶爾使用（24.15%）與通常使用（24.50%）兩個頻次上。在使用目的方面，幫助潤色語言（83.14%）、幫助查閱與總結文獻（72.12%）是研究生使用AIGC的主要目的，相較之下，僅有少數研究生選擇利用AIGC來幫助設計實驗（46.73%）與幫助分析數據（55.60%）。這些數據表明，雖然AIGC在研究生群體中已廣泛使用，但其熟悉程度和使用目的仍存在差異。大部分研究生主要將其用于語言潤色和文獻查閱，而在實驗設計和數據分析方面的應用相對較少，這也反映出AIGC在科研中的潛力尚未完全發揮。

（二）使用AIGC對研究生科研創新力的影響

1. 基準回歸結果

基準回歸結果顯示①，使用AIGC研究生的科研創新力比未使用過AIGC的研究生平均要高0.193個標準分，該正向效應在95%的置信度上顯著。而在科研創新力的四個子維度中，除科研創新成果外，使用AIGC還會顯著提升研究生的科研創新思維、科研實踐能力與科研創新品質，平均提升幅度為0.267個標準分。但鑒于樣本選擇偏差問題的存在，基準回歸結果的穩健性還有待進一步檢驗。

2. 熵平衡匹配結果

本研究匯報了EBM前后實驗組（使用AIGC）與對照組（未使用AIGC）在協變量上的均值及其差異，詳見表3。匹配前實驗組與對照組各協變量上普遍存在顯著差異，這說明基準回歸結果中的內生性問題的確存在。而在實施EBM方法后，實驗組與對照組在各協變量上已無顯著的組間差異，即兩個樣本群體在可觀測特征上基本實現了平衡。

本研究匯報了基于熵平衡匹配后的回歸結果，核心解釋變量的符號和顯著性水平沒有變化，核心被解釋變量的回歸系數依舊顯著為正，詳見表4，即使用AIGC確實能夠提高研究生的科研創新力，說明前文的基準回歸結果是比較穩健的。進一步比較發現，在實施EBM方法后，列（1）與列（3）至（5）核心被解釋變量的回歸系數均出現不同程度的提升，說明潛在的樣本選擇性偏差可能導致前文的基準模型低估了AIGC對研究生科研創新力及其子維度的促進作用。此外，在控制選擇偏差后，AIGC對研究生科研創新成果不再有顯著影響。

（三）使用AIGC頻率對研究生科研創新力的影響

將樣本限定在報告有AIGC工具使用經歷的1489名研究生中，進一步探討AIGC的使用頻率對其科研創新力的影響。結果顯示①：使用頻率與研究生科研創新力及其各子維度均呈顯著正相關關系。

與此同時，通過添加使用頻率的二次項，結果顯示：AIGC的使用頻率與研究生科研創新成果之間存在顯著的非線性關系。具體而言，使用頻率對科研創新成果影響呈現先促進后抑制的倒U型關系，拐點值為4.914，即當AIGC的使用頻率小于4.914（經常使用）時，研究生的科研創新成果將隨著使用頻率的增加而增加，但在超過拐點值后，其科研創新成果將隨著使用頻率的增加而下降。而倒U型關系中的拐點值4.914位于解釋變量中點值4的右側，再結合倒U兩端對應的樣本比例（68.77%和31.23%），說明在本研究中AIGC的使用頻率對研究生科研創新成果的正向影響要大于負面影響。

（四）異質性分析

前文考察了使用AIGC與使用頻率對研究生科研創新力及其子維度的影響。然而，樣本群體特征差異也有可能會影響AIGC實際效應的發揮。因此，本部分將重點探討使用AIGC對不同研究生群體科研創新力的異質性影響。

在基準回歸模型的基礎上依次添加了使用AIGC與性別、在讀階段、年齡、科研投入、文理專業的交互項，詳見表5。列（1）（2）結果表明，同類型比較下，使用AIGC對男性博士研究生科研創新力的提升效果更為明顯。列（3）（4）結果則顯示，年齡與科研投入在主效應之間發揮著調節作用，具體來看，年齡越低、科研投入越高的研究生，相應從使用AIGC中獲益更大。此外，鑒于不同學科之間存在較大差異，特別是以人文社科為代表的文科與以自然科學、工程科學為代表的理工科，其人才培養體系、知識生產模式之間都存在著較大異質性。因此，本文圍繞學科類型進一步劃分為了文理兩個學科門類，列（5）結果表明，相較于文科研究生，使用AIGC對理科研究生科研創新力的提升效果更好。

與此同時，本研究還根據在讀階段、年齡與科研投入對研究生群體進行分類，考察了AIGC使用頻率及其二次項對研究生科研創新力影響的異質性①。結果顯示：使用頻率對碩士生、年齡小于等于25歲以及高科研投入的研究生科研創新力的提升效果更加明顯。而在非線性影響方面，使用頻率與科研創新力之間在碩士生、年齡小于等于25歲以及低科研投入這三類研究生群體中呈現正U型關系，拐點值分別為3.036、3.356和3.392（偶爾使用），說明其AIGC的使用頻率只有在高于拐點值后，才能有效提升科研創新力。而對于博士生、年齡大于25歲以及科研投入較高這三類研究生群體而言，使用頻率對其科研創新力的影響則呈現倒U型關系，其AIGC的使用頻率一旦高于4.352、4.143和4.876的極值點（通常使用），就極易給自身科研創新力帶來消極影響。

圍繞核心被解釋變量“科研創新力”，研究進一步分析了使用AIGC及其使用頻率對10%～90%科研創新力分位點上研究生的異質性影響②。結果顯示：使用AIGC對80%分位點上研究生的科研創新力具有最強的促進作用，而對50%分位點上研究生的科研創新力的提升效果相對最弱，效應量變化趨勢近似于一條“V”型曲線，而隨著研究生科研創新力分位點的上升，使用AIGC的估計系數先下降后上升，拐點出現在50%分位點。換言之，相較于位于中分位點（40%～70%）的研究生而言，使用AIGC對低分位點（20%～30%）與高分位點（80～90%）研究生科研創新力的提升效果更優。除此之外，隨著分位點的提升，使用頻率對研究生科研創新力的影響效應也在持續增大，即AIGC的使用頻率對高分位點研究生的促進作用優于中、低分位點研究生。

五、研究結論與討論

研究基于1714份研究生調查數據，采用普通最小二乘法、負二項回歸、熵平衡匹配法及無條件分回位數回歸方法，全面考察了使用AIGC對研究生科研創新力的影響，主要研究結論如下：

第一，近九成研究生使用過AIGC輔助科研，主要將其用于語言潤色和文獻查閱，但在設計實驗和數據分析方面的應用相對較少。盡管AIGC在研究生中已有一定普及，但其使用集中于輔助性任務，這可能與研究生對工具的熟悉程度和工具本身的便捷性有關。使用AIGC進行更復雜的科研任務，如實驗設計和數據分析的比例較低，表明這些工具的潛力可能尚未被充分挖掘和利用。

第二，使用AIGC對研究生科研創新力有顯著的促進作用，在緩解樣本選擇偏差問題后，該結果仍舊穩健，這與已有研究一致[32]。本研究也發現，使用AIGC有助于提升研究生的科研創新力，尤其是在科研創新思維、科研實踐能力和科研創新品質方面，但對研究生科研創新成果的影響不顯著。一定程度上說明目前AIGC在處理部分重復性和瑣碎性的科研工作上展現出的優勢，能夠在開拓研究生創新思維、輔助知識生產過程方面發揮積極作用，為研究生科研創新力發展提供“技術賦能”。然而對于科研成果的實質性創新和突破，AIGC的作用可能有限。

第三，AIGC使用頻率對研究生科研創新力有顯著的相關性，且與研究生科研創新成果之間存在顯著的非線性關系。研究發現，適度使用AIGC可以顯著提升研究生的科研創新力，特別是在科研創新成果方面，但過度使用也可能會產生“工具依賴”的負面影響。適度使用AIGC，一方面能夠提供豐富的信息和資源，幫助研究生拓寬視野；另一方面能夠提供即時反饋和建議，幫助研究生優化其研究方法和思路。然而，過度使用AIGC也會產生負面影響，可能的原因在于：首先，依賴工具進行過多的自動化任務，可能會降低研究生的獨立思考和創新能力；其次，頻繁使用工具可能導致研究生忽視基礎研究方法和技能的習得，從而影響其科研素養；最后，工具生成的內容可能存在偏見和錯誤，研究生若過度依賴，可能會影響其科研成果的質量和可信度。

第四，使用AIGC及其使用頻率對研究生科研創新力的影響在不同群體間的異質性明顯。一方面，理科專業的男博士生在使用AIGC后，科研創新力得到更大提升，年齡較小且科研投入高的研究生也是AIGC的主要受益群體，這可能與上述群體對新興技術的敏感度與接受度有關。另一方面，AIGC的使用頻率在不同群體發揮的作用也存在顯著差異。就使用頻率的線性關系而言，AIGC的使用頻率對年齡較小、科研投入高的碩士生科研創新力的提升效果最佳。而從非線性關系來看，AIGC的使用頻率對科研創新力的影響在在讀階段、年齡與科研投入之間均呈現出先抑制后促進的正U型曲線關系，隨后又轉為先促進后抑制的倒U型曲線關系。這說明對于不同研究生群體，“技術賦能”與“工具依賴”的拐點值或區間范圍均存在明顯差異，適度使用AIGC可以顯著提升他們的科研創新力，然而過度或不足使用也可能對其創新力帶來負面影響。此外，本研究還進一步發現，使用AIGC對本身科研創新力處于低分位點與高分位點的兩類研究生群體的促進作用更大，而使用頻率則對高分位點研究生的作用要優于中、低分位點。與Capraro等人的研究[33]發現類似，AIGC能夠為不同研究生提供更加個性化和易于獲取的信息與教育資源，一定程度上可以彌合復雜而持久的“數字鴻溝”，對處于劣勢的研究生起到補償作用。然而，由于在AIGC使用頻率、熟悉程度以及信息獲取能力上的差異，基于群體間的不平等也存在進一步擴大的風險。

六、研究建議

基于上述調研結果，本研究提出以下兩點建議：

第一，應增強信息技術指導，提高研究生使用AIGC的廣度與深度。研究結果表明，目前AIGC在研究生群體中使用較為普遍，研究生對該技術的接受度較高，然而在熟悉程度與使用目的方面仍存在一定局限。建議在高校和科研機構內設立專門的技術支持團隊，由熟悉AIGC的專家和技術人員提供全天候的技術服務，幫助研究生解決使用中的技術問題，同時通過建立跨學科合作平臺，促進不同學科領域的研究生共同使用AIGC，分享經驗和科研成果，激發跨學科創新思維[34]。除此之外，為充分發揮AIGC在提升研究生科研創新力方面的潛力，高校部門應在研究生培養過程中增設系統的AIGC培訓課程和實踐機會，確保學生能夠全面掌握這些工具的多樣功能和應用場景。同時，推廣成功案例和最佳實踐，鼓勵學生積極探索工具的潛在應用領域[35]，充分發揮AIGC在不同科研任務中的潛力，從而推動研究生科研創新力的全面提升。

第二，應倡導合理使用AIGC并遵守倫理規范，縮小數字鴻溝與優化個性化學習。研究結果表明，AIGC在為研究生科研創新力發展提供“技術賦能”的同時，也可能會誘發一定的“工具依賴”傾向，為科研創新力的持續提高帶來負面影響。一方面，為了避免研究生對AIGC產生過度依賴，影響其獨立思考和創新能力，高校和科研機構應制定詳細的AIGC使用規范，明確AIGC的使用范圍和頻率，設立使用上限和監督機制，倡導在合理的限度內使用這些工具[36]。另一方面，為確保不同研究生群體能夠平等且有效地使用AIGC，高校和科研機構應加強對AIGC的宣傳和推廣，通過講座、宣傳冊和在線資源等形式，提高研究生對這些工具的認知和使用意愿。此外，還可以為科研資源相對有限的院校或科研創新力相對薄弱的研究生提供專項支持，如專門的培訓課程和技術指導，以彌合數字鴻溝，確保AIGC的應用能夠惠及更多學生群體，以最終實現促進研究生科研創新力全面提升的目標[37]。

[參考文獻]

[1] EROW C， SERRA J M， ENQUIST B J， et al. AI chatbots can boost scientific coding[J]. Nature ecology amp; evolution， 2023（7）：960-962.

[2] NOY S， ZHANG W. Experimental evidence on the productivity effects of generative artificial intelligence[J]. Science， 2023，381（6654）： 187-192.

[3] 蒲清平，向往. 生成式人工智能——ChatGPT的變革影響、風險挑戰及應對策略[J]. 重慶大學學報（社會科學版），2023（3）：102-114.

[4] 周文輝，趙金敏. ChatGPT對研究生創新能力培養的價值與挑戰[J]. 高校教育管理，2024（2）：42-52.

[5] 劉賢偉，馬永紅. 社會資本對校所聯培博士生創新能力的影響研究——基于心理資本的中介作用[J]. 高等工程教育研究，2017（5）：175-180.

[6] 賈海彥，周慧，韓祎祎. 公共管理學科研究生創新能力和科研實踐的協同培養研究——基于S省高校的調研實踐[J]. 中國高校科技，2020（8）：56-61.

[7] 朱華偉. 知識共享如何影響學術型博士生科研創新能力發展——基于學習投入與科研效能感的鏈式中介分析[J].中國高教研究，2024（2）：86-93.

[8] 林崇德. 創造性人才·創造性教育·創造性學習[J]. 中國教育學刊，2000（1）：5-8.

[9] 侯錫林，柳森，趙希男. 基于個體優勢識別的學術型研究生創新能力評價[J]. 現代教育管理，2018（9）：99-105.

[10] HARRIS G T. Research output in Australian university economics departments： an update for 1984-88[J]. Australian economic papers，1990（55）：249-259.

[11] 柳卸林，邢新主，陳穎. 學術環境對博士后科研創新能力的影響[J]. 科學學研究，2009（1）：66-73.

[12] JOVANOVIC M， CAMPBELL M. Generative artificial intelligence： trends and prospects[J]. Computer，2022（10）：107-112.

[13] KSHETRI N， VOAS J. Adapting to generative artificial intelligence： approaches in higher education institutions[J]. Computer，2024（9）：128-133.

[14] NORDING L. How ChatGPT is transforming the postdoc experience [J]. Nature， 2023，622（7983）：655-657.

[15] 李艷，許潔，賈程媛，等. 大學生生成式人工智能應用現狀與思考——基于浙江大學的調查[J]. 開放教育研究，2024（1）：89-98.

[16] YIN H， ZHANG Z P， LIU Y Y. The exploration of integrating the midjourney artificial intelligence generated content tool into design systems to direct designers towards future-oriented innovation [J]. Systems， 2023（12）：566-580.

[17] GAO R. AIGC technology： reshaping the future of the animation industry [J]. Highlights in science， engineering and technology， 2023（56）：148-152.

[18] 馬立超， 姚昊. 學術評價如何影響博士后科研創新能力發展——基于42所“雙一流”建設高校的實證調查[J]. 湖南師范大學教育科學學報， 2024（2）： 97–108.

[19] YANG X， CAI X L， LI T S. Does the tenure track influence academic research？ An empirical study of faculty members in China[J]. Studies in higher education， 2024 （3）： 476–492.

[20] 王筱綸，趙宇翔，王曰芬. 傾向得分匹配法：促進數據科學視角下情報學研究的因果推斷[J]. 情報學報，2020，39（11）：1191-1203.

[21] 胡安寧. 傾向值匹配與因果推論：方法論述評[J]. 社會學研究，2012，27（1）：221-242，246.

[22] KING G， NIELSEN R. Why propensity scores should not be used for matching[J]. Political analysis， 2019（4）：435-454.

[23] 劉瑋辰，郭俊華，史冬波. 如何科學評估公共政策？——政策評估中的反事實框架及匹配方法的應用[J]. 公共行政評論，2021（1）： 46-73，219.

[24] HAINMUELLER J. Entropy balancing for causal effects： a multivariate reweighting method to produce balanced samples in observational studies[J]. Political analysis， 2012（1）：25-46.

[25] MATSCHINGER H， HEIDER D， K？魻NIG H-H A. Comparison of matching and weighting methods for causal inference based on routine health insurance data， or： what to do if an RCT is impossible[J]. Das gesundheitswesen， 2020（2）：139-150.

[26] PHILLIPPO D M， DIAS S， ADES A E， et al. Equivalence of entropy balancing and the method of moments for matching-adjusted indirect comparison[J]. Research synthesis methods， 2020（4）：568-572.

[27] 張海峰，梁若冰，林細細. 子女數量對農村家庭經濟決策的影響——兼談對“二孩政策”的啟示[J]. 中國經濟問題，2019（3）：68-80.

[28] JING S， XIE P， YIN Q， et al. The effect of academic mobility on research performance： the case of China[J]. Scientometrics， 2023，128（10）：5829-5850.

[29] GURANTZ O， TSAI Y Y. The impact of federal administrative burdens on college enrollment[J]. Economics of education review， 2023，97（2）：102461.

[30] FIRPO S， FORTIN N M， LEMIEUX T. Unconditional quantile regressions[J]. Econometrica， 2009 （3）：953-973.

[31] 朱平芳， 張征宇. 無條件分位數回歸：文獻綜述與應用實例[J]. 統計研究，2012（3）：88-96.

[32] YANG S， YANG S， TONG C. In-depth application of artificial intelligence-generated content （AIGC） large model in higher education[J]. Adult and higher education， 2023，51（9）：1-6.

[33] CAPRARO V， LENTSCH A， ACEMOGLU D， et al. The impact of generative artificial intelligence on socioeconomic inequalities and policy making[J]. PNAS nexus， 2024（6）：1-14.

[34] 李運福，王斐. 人工智能時代高等教育“何為”——基于《人工智能：我們現在在哪里》的分析[J]. 電化教育研究，2024（4）：32-38.

[35] 顏世健，喻國明. 智能方法作為“第五范式”：人工智能時代科研范式的“新物種”[J]. 學術探索，2024（1）：34-43.

[36] 張惠彬，許蕾. 生成式人工智能在教育領域的倫理風險與治理路徑——基于羅素大學集團的實踐考察[J]. 現代教育技術，2024（6）：25-34.

[37] 劉三女牙，郝曉晗. 生成式人工智能助力教育創新的挑戰與進路[J]. 清華大學教育研究，2024（3）：1-12.

\"Technology Empowerment\" or \"Tool Dependency\"： A Study on the Impact of Generative Artificial Intelligence on Graduate Students'" Research and Innovation Ability

MA Yinqi1，" HUANG Heng2，" WU Lei2，" HUANG Dan3

（1.College of Education， Zhejiang Normal University， Jinhua Zhejiang 321004

2.Faculty of Education， East China Normal University， Shanghai 200062

3.Office of Humanities and Social Sciences， Zhejiang Normal University， Jinhua Zhejiang 321004）

[Abstract] Generative Artificial Intelligence （GAI） has demonstrated great potential in the field of education and brought new opportunities and challenges for the cultivation of graduate students' research and innovation abilities. Based on the survey data from 1，714 graduate students， the impact of GAI on graduate students' research and innovation abilities was investigated through methods such as Ordinary Least Squares， Negative Binomial Regression， Entropy Balancing Matching， and Unconditional Quantile Regression. It is found that nearly 90% of graduate students have used GAI to assist their research， primarily for language polishing and literature review. The use of GAI has significantly enhanced graduate students' research and innovation abilities ， particularly in innovative thinking， practice ability， and innovation quality. The frequency of GAI use significantly contributes to graduate students' research and" "innovation abilities， and has a significant nonlinear relationship with graduate students'" innovative research outcomes. The impact of using GAI and its frequency on graduate students' research and innovation abilities is significantly heterogeneous among different groups. Therefore， it is necessary to strengthen the guidance of information technology ， improve the breadth and depth of graduate students' use of GAI， advocate for advocate the rational use of GAI and adherence to ethical norms， narrow the digital divide and optimize personalized learning.

[Keywords]" Generative Artificial Intelligence; Graduate Students; Research and Innovation Ability; Technology Empowerment; Tool Dependency; ChatGPT