學術科研場景下研究生的GenAI使用意向影響因素

【中圖分類號】G40-057【文獻標識碼】A【論文編號】1009—8097（2025）05—0119—10【DO1】10.3969/jis.1009-8097.2025.05.013

一研究背景

2022 年11月，美國OpenAI推出生成式人工智能ChatGPT，其一經問世，用戶規模便迅速超過一億，并引發了產業界和學術界的廣泛關注[1]。GenAI 是指基于預訓練轉換模型和自監督生成對抗網絡，生成高質量文本、圖像、音頻、視頻及其他格式內容的人工智能技術[2]。GenAI通過促進科學數據的高效處理、推動智能創作的發展、優化學術搜索與推薦系統，助力學術科研創新的加速實現，已成為學術科研群體的重要輔助工具。2023年9月，聯合國教科文組織發布《教育與研究領域生成式人工智能指南》[3]，呼吁全球積極推動GenAI在教育與研究領域的應用。得益于數據的海量化、算法的升級化和算力的快速化，GenAI展現出非凡的語言理解和文本生成能力，能夠作為研究生的互動科研伙伴，豐富日?？蒲猩?；作為智能科研助理，輔助常規任務完成；作為數字科研導師，指導開展創新研究，成為其學術科研道路上不可或缺的得力助手[4]。作為新生的學術科研群體與未來知識創造的中堅力量，研究生既具有傳統學術研究屬性，也展現出一定的學術創新精神和技術敏銳度，在推動GenAI賦能學術科研進程中扮演了至關重要的角色。探究學術科研場景下研究生的GenAI使用意向影響因素，對于塑造未來的學術科研新生態具有重要意義，是深入理解學術科研群體與GenAI之間互動模式的關鍵。

目前，GenAI的相關研究多集中于： ① GenAI在學術科研中的潛在價值、實踐路徑。例如，吳忙等[5]構建了ChatGPT 支持的基于課程的本科生科研體驗（Course-Based Undergraduate Research Experiences，CUREs）教學模式，并指出該模式在增強學生的科研知識、技能和情感方面成效顯著，但在激發學生主動進行科研探索的內在動機方面尚顯不足；儲節旺等探討了GenAI賦能科研知識生產的應用價值，并從法律、技術與個人角度提出相應的優化路徑。 ② GenAI為學術科研帶來的機遇與挑戰。例如，劉寶存等7認為，GenAI雖然在提升科研效率、拓展教育認知與敘事上展現出不可比擬的優勢，但同時也面臨科研標準難達、學術倫理風險、價值立場混淆、數據安全挑戰等困境；李志鍇等[8認為，學位論文寫作中引入GenAI存在法律與倫理層面的問題，主要涉及人才培養質量挑戰、知識產權歸屬模糊、真假信息難以辨認、學術偽造作假等；周莎等[9從實踐角度指出GenAI在當前的學術科研中可能存在人文性缺失、科學性缺失、依賴性成癮、原創性與批判性缺失等風險，并從頂層設計、標準建立、監管機制等方面提出預防機制，以確保GenAI被科學、合理地應用于學術科研。 ③ GenAI在學術科研中的應用現狀調查。例如，金皓月等[10]以ChatGPT為例，通過田野調查法了解大學生在學術寫作中的GenAI實際應用情況，并基于學生的“主動闡釋”和對事實的“重構”，探討了GenAI輔助大學生學術寫作的價值與局限。

在上述政策引領和現實需求的雙重背景下，本研究嘗試探析學術科研場景下研究生的GenAI使用意向影響因素，并提出使用意向增強建議，以推動GenAI與學術科研的深度融合，提升研究生的學術科研效能。

二理論基礎與假設模型

1理論基礎

（1）技術接受模型

1989 年，Davis[11]基于理性行為理論和計劃行為理論提出技術接受模型（Technology Acceptance Model，TAM），主要用于解釋和預測用戶信息技術使用行為的影響因素。TAM模型指出，用戶使用信息技術的實際行為是由行為意向決定的，而行為意向由使用態度和感知有用性共同決定—一其中，使用態度由感知有用性和感知易用性共同決定，感知有用性由感知易用性和外部變量共同決定，感知易用性則由外部變量決定。TAM模型通過“外部因素 認知信念 行為意向 使用行為”的影響路徑，為探究用戶信息技術使用行為的影響因素提供了全面、實用的研究框架，且其對用戶信息技術使用行為的解釋力高達 30%～40%^[12] ，成為國內外用戶信息技術使用行為相關研究經常采用的模型之一。

（2）信息生態理論

1997年，美國學者Davenport 等[13]率先提出信息生態理論，認為信息生態系統具有動態平衡性和復雜多樣性，強調對影響組織內部信息利用方式的各個復雜問題采用整體思維來加以解決。信息生態理論聚焦于解析信息生態系統中各構成要素之間的相互關聯與影響，以及這種關聯如何驅動整個信息生態系統的演進與發展。該理論強調四個要素之間的內在有機聯系： ① 信息主體，作為信息生態系統的核心，決定著信息生態系統的運行狀態和發展方向； ② 信息內容，作為信息生態系統的紐帶，是保障信息生態系統正常運行的關鍵； ③ 信息技術，作為信息傳播的技術支撐，是推動信息生態系統不斷向前發展的強大動力； ④ 信息環境，是信息生態系統正常運行的重要外部條件，有助于營造高效有序、可持續發展的信息交流與能量交換環境。四個要素相互依存、相互促進，共同構成了和諧共生的信息生態系統。

TAM模型重點關注個人意志控制下的認知信念對實際行為的影響，對于模型整體的復雜性和動態性考慮較少，且對其外部變量定義相對模糊；而信息生態理論關注信息生態系統中信息主體、信息內容、信息技術、信息環境之間的相互作用，強調系統的復雜性和系統性——兩者結合，可以產生更強的解釋力和預測力[14]。基于此，本研究以 TAM 模型為基礎框架，結合信息生態理論，探析學術科研場景下研究生的GenAI使用意向影響因素。

2假設模型

（1）變量選取

在變量選取上，本研究保留了TAM模型的核心變量“感知有用性”和“感知易用性”，因為兩者作為基礎認知信念變量已被證實能有效解釋和預測個體技術使用意向。在此基礎上，本研究依據信息生態理論補充多維變量：信息主體維度選取“個人創新”，通過測量個體對新興技術的主動探索傾向，反映主體特質對個體技術使用意向的差異化影響；信息內容維度選取“信息質量”，聚焦GenAI生成內容的準確性、相關性等核心屬性，揭示信息內容對個體技術使用意向的影響機制；信息技術維度選取“相對優勢”，通過對比GenAI與傳統學術科研工具的優勢，解析技術特性對個體技術使用意向的驅動作用；信息環境維度選取“社群影響”，依據社會認知理論的交互決定論，探析導師、同學等社群成員對個體技術使用意向的建構效應。上述變量的選取既延續了TAM模型的認知路徑，又借鑒信息生態理論納入了信息主體、信息內容、信息技術、信息環境等要素，使后續構建的假設模型兼具心理認知的解釋力和生態系統的整體性。

（2）假設提出

① 感知有用性（PerceivedUsefulness，PU）：是指個體對采用某項技術或系統提升工作績效的感知程度。在本研究中，感知有用性是指研究生對GenAI優化學術科研流程、助力研究成果轉化（如輔助文獻綜述、優化實驗設計、檢查語法錯誤等）的感知程度。相關研究表明，感知有用性對使用意向存在顯著正向影響[15]。基于此，本研究提出以下假設：感知有用性對研究生的GenAI使用意向存在顯著正向影響（H1）。

② 感知易用性（Perceived Ease ofUse，PEU）：是指個體感知使用某項技術或系統時的容易程度與便捷性。在本研究中，感知易用性是指研究生對GenAI界面設計直觀易用、操作流程清晰明確并能及時提供有效反饋、高效獲得所需信息的感知程度。相關研究表明，感知易用性對使用意向、感知有用性存在顯著正向影響[16]。基于此，本研究提出以下假設：感知易用性對研究生的GenAI使用意向存在顯著正向影響（H2），感知易用性對研究生的GenAI感知有用性存在顯著正向影響（H3）。

③ 個人創新（Personal Innovation，PI）：是指個體內心想要嘗試使用某項新技術或新系統的意愿。在本研究中，個人創新是指研究生作為技術使用者所具備的內在創新特質，表現為主動嘗試使用新技術GenAI的意愿傾向。相關研究表明，個人創新不僅對使用意向存在顯著正向影響[17]，而且對感知有用性和感知易用性也均存在顯著正向影響[18]。基于此，本研究提出以下假設：個人創新對研究生的GenAI使用意向存在顯著正向影響（H4），個人創新對研究生的GenAI感知有用性存在顯著正向影響（H5），個人創新對研究生的GenAI感知易用性存在顯著正向影響（H6）。

④ 信息質量（InformationQuality，IQ）：來源于信息系統成功模型，其中有用性、可靠性、易獲取性是衡量信息質量的關鍵指標[19]。在本研究中，信息質量是指GenAI輸出的信息內容是否滿足研究生的學術需求、來源是否權威可靠、呈現是否清晰直觀。相關研究表明，信息質量不僅對使用意向存在顯著正向影響[20]，而且對感知有用性、感知易用性也均存在顯著正向影響[21][22]?；诖耍狙芯刻岢鲆韵录僭O：信息質量對研究生的GenAI使用意向存在顯著正向影響（H7），信息質量對研究生的GenAI感知有用性存在顯著正向影響（H8），信息質量對研究生的GenAI感知易用性存在顯著正向影響（H9）。

⑤ 相對優勢（RelativeAdvantage，RA）：是指新技術或新系統相較于原有技術或原有系統所展現出的優勢。在本研究中，相對優勢是指GenAI相較于傳統學術科研工具所展現出的智能化、高效性、多功能等技術優勢。相關研究表明，相對優勢不僅對使用意向存在顯著正向影響[23]，而且對感知有用性、感知易用性也均存在顯著正向影響[24]?；诖耍狙芯刻岢鲆韵录僭O：相對優勢對研究生的GenAI使用意向存在顯著正向影響（H10），相對優勢對研究生的GenAI感知有用性存在顯著正向影響（HI1），相對優勢對研究生的GenAI感知易用性存在顯著正向影響（H12）。

⑥ 社群影響（SocialInfluence，SI）：是指特定社群環境中的成員對個體使用某項技術或系統的影響。在本研究中，社群影響是指導師、同學等社群成員對研究生使用GenAI的態度和行為所產生的社會壓力或激勵。相關研究表明，社群影響不僅對使用意向存在顯著正向影響[25]，而且對感知有用性、感知易用性也均存在顯著正向影響[26]。基于此，本研究提出以下假設：社群影響對研究生的GenAI使用意向存在顯著正向影響（H13），社群影響對研究生的GenAI感知有用性存在顯著正向影響（H14），社群影響對研究生的GenAI感知易用性存在顯著正向影響（H15）。

基于上述變量和假設，本研究構建了學術科研場景下研究生的GenAI使用意向影響因素假設模型（下文簡稱“假設模型”），如圖1所示。

三研究設計

1問卷設計

為驗證上述假設模型的有效性，本研究借鑒Venkatesh 等[27]、Agarwal等[28]、趙靜等[29]設計的技術接受度相關量表，并結合3名教育技術領域專家的意見，編制了“學術科研場景下研究生的GenAI使用意向影響因素調查問卷”。該問卷分為個人信息和影響因素兩個部分，共設22個題項：個人信息包括性別、年級、學校背景、專業等內容，而影響因素包括感知有用性、感知易用性、個人創新、信息質量、相對優勢、社群影響和使用意向。各題項采用李克特5點量表計分，用 1～5 分表示從“完全不同意”到“完全同意”。

2研究對象

本研究采用隨機抽樣方法，面向江蘇、河南、陜西、新疆、重慶等地高校的研究生（包含在讀碩士和在讀博士），通過線上、線下相結合的方式發放調查問卷，共回收問卷845份。剔除漏答、規律作答、作答時間過短或過長等無效問卷后，本研究得到有效問卷773份，有效回收率為 91.48% 。在這773份有效樣本中，男生有443人（占比 57.31% ），女生有330人（占比 42.69% ）；碩士研究生有570人（占比 73.74% ），博士研究生有203人（占比 26.26% ）；來自985或211高校的研究生有495人（占比 64.04% ），來自一般高校的研究生有278人（占比 35.96% ）；文科專業的研究生有305人（占比 39.46% ），理科專業的研究生有262人（占比 33.89% ），工科專業的研究生有206人（占比 26.65% ）。

3信效度檢驗

本研究分別通過 SPSS26.0、Amos 26.0對問卷進行信效度檢驗。信度分析結果顯示，問卷整體的Cronbach's a 系數值為0.913、各維度的Cronbach's a 系數值介于 0.830～0.899 之間，均高于0.8，表明問卷內部一致性較高。效度分析結果顯示，問卷中所有題項的標準化因子載荷系數介于 0.674～0.892 之間，各潛在變量的組合信度（CR）介于 0.839～0.899 之間、平均方差抽取值（AVE）介于 0.624～0.704 之間，均超過0.6，說明收斂效度良好；各潛在變量的相關系數均低于其AVE 值的平方根，說明區分效度達標。

四數據分析

1描述性統計

假設模型中各變量的描述性統計結果如表1所示，可以看出：研究生的GenAI使用意向得分均值較高?M=4.064 ）；在影響因素方面，感知有用性的得分均值最高（ .M=3.815 ），感知易用性（ ΔM=3.736 ）、社群影響（ ΔM=3.691 ）、個人創新（ M=3.633 ）、相對優勢（ M=3.587 ）次之，信息質量最低（ M=3.293 ）。整體來看，各變量的得分均值 gt;3 ，且變量的標準差 lt;0.6 ，說明各變量的得分相對集中、離散程度較低。

2結構方程模型檢驗

本研究利用Amos 26.0對結構方程模型的擬合度進行檢驗，結果如表2所示。表2顯示，結構方程模型的卡方/自由度 （χ²/df） 為2.916、擬合優度指數（GFI）為0.940、調整的擬合優度指數（AGFI）為0.919、近似誤差均方根（RMSEA）為0.050，規范擬合指數（NFI）為0.946、比較擬合指數（CFI）為0.964、Tucker-Lewis指數（TLI）為0.956，簡約規范擬合指數（PNFI）為0.770、簡約擬合優度指數（PGFI）為0.698。對比結果顯示，結構方程模型的絕對擬合指標、增值擬合指標和綜合擬合指標均高于適配標準，表明結構方程模型的擬合度較好。

3假設模型檢驗

本研究利用Amos26.0對假設模型進行檢驗，結果如圖2所示。具體來說，在使用意向影響路徑中，感知有用性（ _?β=0.285 ， plt;0.001 ）、感知易用性（ _β=0.104 ， plt;0.05 ）、個人創新（ _β=0.197 ， plt;0.001 ）、信息質量（ _13=0.276 ， plt;0.001 ）、相對優勢（ _?^3=0.150 ， plt;0.001 ）、社群影響（ β=0.123 ， plt;0.001 ）均對研究生的GenAI使用意向存在顯著正向影響，假設H1、H2、H4、H7、H10、HI3成立，其中感知有用性的影響最大，而感知易用性的影響最小。在感知有用性影響路徑中，感知易用性（ β=0.195 ， plt;0.001 ）、個人創新（ _?β=0.214 ， plt;0.001 ）、信息質量（ β=0.163 ， plt;0.001 ）、相對優勢（ _?β_?β_?β_?β_?β_? ， plt;0.01 ）均對研究生的GenAI感知有用性存在顯著正向影響，假設H3、H5、H8、H11成立，而社群影響（ β=0.070 ， pgt; 0.05）對研究生的GenAI感知有用性無顯著影響，假設H14不成立。在感知易用性影響路徑中，個人創新（20 （β=0.142，plt;0.001） 、信息質量 （β=0.169，plt;0.001） 、相對優勢 （β=0.457，plt;0.001） 、社群影響（ 1=0.084 ，plt;0.05 ）均對研究生的GenAI感知易用性存在顯著正向影響，假設H6、H9、H12、H15成立。

注：*表示 plt;0.05 ，**表示 plt;0.01 ，***表示 plt;0.001 。

五結論與建議

1研究結論

（1）感知有用性、感知易用性均對研究生的GenAI使用意向存在顯著正向影響，且感知易用性對研究生的GenAI感知有用性存在顯著正向影響

在學術科研場景下，研究生作為技術采納的理性決策者，其GenAI使用意向遵循成本效益分析的邏輯：當GenAI顯著提升研究生的學術科研效率、拓展其學術科研視野、加速其學術科研知識創新時，GenAI的效用通過實踐驗證和價值內化得以轉化，從而增強研究生的使用意向。同時，在學術科研時間緊張、任務繁重的情況下，研究生往往傾向于用最簡單的方式處理問題，以減少腦力消耗。GenAI通過自然語言交互、模塊化設計，降低了操作的復雜性，這種低門檻和高流暢的用戶體驗不僅緩解了研究生初期的認知焦慮，還通過縮短技術適應周期提升了其使用意向。此外，當GenAI的操作界面直觀、功能調用便捷時，研究生更容易克服“技術黑箱”的認知障礙，并通過實踐逐步發現GenAI的潛力，從而增強其感知有用性。

（2）個人創新對研究生的GenAI使用意向、感知有用性、感知易用性均存在顯著正向影響

首先，具備創新精神和探索熱情的研究生展現出強烈的技術探索興趣和接受傾向，他們不僅積極學習GenAI 的前沿功能，還主動將其融入自己的學術科研活動中，并將其視為打破傳統研究范式的戰略工具，以挖掘新的研究方法和路徑。其次，個人創新能力較強的研究生能從創新的視角審視GenAI的功能和應用場景，更傾向于挖掘GenAI在學術科研領域的潛在價值（如輔助文獻綜述、進行潤色降重、生成實驗代碼等），進而增強其感知有用性。最后，研究生在學術科研中展現出的個人創新能力越強，就越可能積極面對GenAI帶來的挑戰與困難，且更有動力跨越學習曲線，堅持不懈地探索和應用GenAI，并在客觀上降低使用GenAI賦能學術科研的門檻，形成GenAI易學易用的印象，從而提升其感知易用性。

（3）信息質量對研究生的GenAI使用意向、感知有用性、感知易用性均存在顯著正向影響

作為一種前沿技術，GenAI在學術科研領域中被采納、應用的關鍵在于其生成的信息能否有效滿足研究生的學術科研需求，并切實解決他們在研究過程中遇到的實際問題。而研究生應用GenAI也通常帶有一定的目的性和功利性，如期望GenAI生成的信息能夠優化學術科研流程、提升研究質量、創新研究視角等。因此，GenAI生成信息的質量將深刻影響研究生對其有用性的感知。此外，GenAI的實用性不僅表現為其生成的信息具有準確性、完整性、時效性和相關性，還體現為其生成的信息以更易于理解和操作的形式呈現，這不僅降低了研究生使用GenAI賦能學術科研的門檻，還提高了其操作效率，進而增強其感知易用性。

（4）相對優勢對研究生的GenAI使用意向、感知有用性、感知易用性均存在顯著正向影響

相較于其他技術或工具，GenAI在性能、效率、成本等方面優勢明顯。當研究生認識到GenAI能夠幫助他們快速處理實驗數據、提供精準分析結果、輔助生成實驗代碼、撰寫論文草稿等獨特優勢時，技術與需求相匹配所帶來的好處就會增強其使用意向。同時，當研究生通過實際體驗或觀察發現GenAI能夠顯著提升研究效率、輔助生成創新性的學術科研成果時，他們的感知有用性也會得到增強。然而，如果GenAI的操作復雜、難以掌握，即使其相對優勢明顯，也難以轉化為實際的使用行為。因此，GenAI的設計需注重用戶體驗，確保研究生能夠輕松上手并有效利用各項功能。當研究生感知到GenAI的有用性和易用性時，他們更有動力去克服初始的學習障礙，并享受到GenAI帶來的便利和樂趣，從而增強其使用意向。

（5）社群影響對研究生的GenAI使用意向、感知易用性均存在顯著正向影響，但對研究生的GenAI 感知有用性無顯著影響

在學術社群中，信任機制的建立促使研究生傾向于信賴并采納來自導師、同學等社群成員的推薦。當社群成員廣泛討論、推薦或展示GenAI在學術科研活動中的成功應用案例時，此類信息的流通會強化研究生的GenAI使用意向。此外，當社群成員普遍反饋GenAI技術操作簡便、易用好用時，這種積極的經驗分享將產生示范效應，影響社群成員對GenAI易用性的感知。而研究生接收到這些信息后，更傾向于將 GenAI視為一種低門檻、高效率的學術科研輔助工具，進而提升其感知易用性。然而，社群影響對研究生的GenAI感知有用性無顯著影響，原因可能在于社群影響不僅涉及信息的傳播，更涉及認知的塑造與價值的認同。學術科研工作對研究生的獨立性與創新性提出了較高要求，因而他們對GenAI賦能學術科研的有用性感知更多地依賴自己的實踐體驗。

2建議

基于以上研究結論，本研究針對如何增強研究生的GenAI使用意向提出以下建議：

（1）以主體為中心，激發個人創新思維

個人創新既是學術科研突破的關鍵，也是研究生將GenAI深度融入學術科研的核心驅動力，研究結果顯示個人創新對研究生的GenAI使用意向存在顯著正向影響。未來，可以從以下方面激發個人創新思維，培養研究生的GenAI應用能力： ① 培養GenAI創新意識，激發探索熱情。2023年頒布的《生成式人工智能服務管理暫行辦法》[30]，明確鼓勵GenAI在各領域的創新應用，并支持科研機構開展GenAI技術創新。因此，教育部門應積極舉辦專題講座、學術論壇等，邀請行業專家通過真實案例展現GenAI在學術科研中的潛在價值與應用前景，以吸引并鼓勵研究生主動將GenAI融入自身的學術科研。 ② 深化GenAI知識體系，筑牢科研基石。教育部門應通過課程設置、教材編寫等，為研究生提供系統的GenAI知識體系，內容包括基本原理、技術架構、應用場景、發展趨勢等，確保研究生能夠全面掌握GenAI的相關知識。同時，鑒于GenAI的跨學科特性，教育部門應加強跨學科課程的融合，為研究生提供優質且有針對性的GenAI學習資源。 ③ 強化GenAI實踐技能，實現知行合一。高校應引導研究生參與GenAI驅動的學術科研項目，使其在解決實踐問題的過程中體驗技術創新的魅力，加深他們對GenAI的理解，并激發其探索新技術的好奇心和創造力；同時，積極舉辦GenAI創新挑戰賽或成立GenAI工作坊，為研究生提供展示GenAI應用成果的平臺，并對取得成績的個體或團體給予表彰，以提升研究生對GenAI賦能學術科研的使用意向。

（2）以內容為保障，鑄就信息質量基石

信息質量的準確性和可靠性是學術科研的基石，直接影響學術科研的嚴謹性，研究結果顯示信息質量對研究生的GenAI使用意向存在顯著正向影響。未來，可以從以下方面加強信息質量建設，確保研究生學術科研嚴謹： ① 精準定義科研需求，引導高質量的內容生成。高質量的答案需要高質量的提問作引導，高校應加強對研究生語言表達和邏輯思考能力的訓練，提升他們的問題意識和提示詞構造能力[311，使其能夠清晰地表達自己的學術科研需求，并能將這些需求轉化為GenAI可理解的指令與參數，從而避免因輸入的模糊性、歧義性或錯誤性而降低GenAI的使用效果。 ② 強化評估反饋機制，確保GenAI內容的生成質量。教育部門應建立科學的評估體系，通過同行評審、專家評估等，對GenAI生成內容的準確性、創新性、邏輯性等進行綜合評估，并將評估結果及時反饋給GenAI系統。據此，GenAI應及時迭代更新、不斷優化系統，確保GenAI生成的內容符合學術規范與法律法規，以增強研究生對GenAI的信任與使用動機。 ③ 促進人機協同，發揮各自優勢提升學術科研效率。GenAI擅長數據分析、信息檢索和自動生成內容，而研究生具有一定的批判性思維與創新能力。通過人機協同，研究生可以在GenAI的輔助下快速獲取研究素材，并在此基礎上進一步深入挖掘與創新思考，形成更高質量的學術成果，推動學術科研的不斷進步。

（3）以技術為核心，提升技術相對優勢

相對優勢反映了技術的創新程度和用戶使用技術的好處，研究結果顯示相對優勢對研究生的GenAI使用意向存在顯著正向影響。未來，可以從以下方面提升技術相對優勢，滿足研究生的學術科研需求： ① 堅持需求導向，是提升GenAI相對優勢的核心。在技術研發層面，要積極開展需求調研，加強對多學科領域中研究生的GenAI應用需求研究，并邀請多學科領域專家指導GenAI的研發，建立動態的用戶反饋機制，確保技術開發與學術科研需求相匹配，為研究生提供更加智能、高效的學術科研服務。 ② 提供一站式服務，是提升GenAI相對優勢的關鍵。GenAI平臺需集數據處理、模型訓練、預測分析等功能于一體，為研究生提供一站式服務，降低GenAI應用門檻，并組建一支技術支持團隊，以快速響應并及時解決研究生在使用過程中遇到的問題，保障學術科研順利進行。例如，“中科院學術專用版ChatGPT”開源項目具有一鍵潤色、中英互譯、代碼解釋等功能[32]，能有效提升研究生的學術科研效率，增強其GenAI使用意向。 ③ 數據治理與隱私保護，是提升GenAI相對優勢的重點。在研究生使用GenAI進行學術科研的過程中，因涉及大量敏感數據的傳輸，故亟待建立完善的數據治理機制，以確保數據使用合法合規，并明確數據的所有權和使用權，保障研究生的數據主權和隱私權益，打造一個安全、可靠、透明的GenAI應用環境。

（4）以環境為基礎，發揮良好社群影響

社群影響體現了社群環境中規范壓力對個體態度與行為的影響，研究結果顯示社群影響對研究生的GenAI 使用意向存在顯著正向影響。未來，可從以下方面有效發揮社群影響，構建開放包容的應用環境：① 加強學術交流與合作，培育共享的社群文化。具體而言，高?？梢酝ㄟ^講座、學術研討會、工作坊等，鼓勵研究生與導師、同學等社群成員進行交流和合作，分享GenAI在學術科研中的實踐經驗，在社群內形成一種開放、互助的學術科研氛圍，增強其GenAI使用意向。例如，香港科技大學（廣州）面向全校上線生成式預訓練轉換（Generative Pre-trained Transformer，GPT）服務[3]，用于支持日常的科研、教學與管理工作，已形成濃厚的GenAI創新應用社群文化。 ② 構建多維度評價體系，促進GenAI的廣泛應用。學術社群應重新審視現有的研究生評價標準，將GenAI應用能力細化為具體的評價指標（如數據分析能力、模型構建技巧等），并作為評估研究生學術科研能力的重要指標。 ③ 建立有效的激勵機制，增強研究生參與熱情。高校應通過設立專項基金和獎項，表彰在GenAI賦能學術科研方面表現突出的個體或團隊，并通過校園媒體、網絡平臺等渠道宣傳GenAI的研究成果和獲獎者的優秀事跡，從而增強社群成員的競爭意識和創新精神，有效激發研究生主動探索和應用GenAI的熱情，進而推動GenAI與學術科研的深度融合。

參考文獻

[1]OpenAI. Introducing ChatGPT[OL].

[2]張彥杰.教師生成式人工智能使用意向形成機制研究[J].電化教育研究，2025，（2）：121-128.

[3]UNESCO. Guidance for generative AI in education and research[OL].

[4]李鐵英，馬鑫.ChatGPT賦能研究生科研：機遇洞察、風險透視與策略探賾[J].科學管理研究，2024，（2）：32-40.

[5]吳怍，李鳳鳴，胡藝齡.生成式人工智能賦能本科生科研能力培養—ChatGPT 支持的CUREs 教學模式[J].現代遠程教育研究，2024，（3）：3-10、28.

[6]儲節旺，杜秀秀.生成式人工智能賦能科研知識生產研究述評[J].大學圖書館學報，2024，（3）：108-117.

[7]劉寶存，茍鳴瀚.ChatGPT等新一代人工智能工具對教育科研的影響及對策[J].蘇州大學學報（教育科學版），2023，（3）：54-62.

[8]李志錯，張曉.人工智能生成內容（AIGC）應用于學位論文寫作的法律問題研究[J].學位與研究生教育，2024，（4）：84-93.

[9]周莎，張尚.生成式人工智能應用于學術研究的風險及其預防機制[J].黑龍江高教研究，2024，（3）：1-7.

[10]金皓月，余敏杰，張紫徽，等.生成式人工智能輔助學術寫作調查研究[J].開放教育研究，2024，（4）：79-90.

[11][12]DavisFD.Perceived usefulnes，perceived easeof use，and useracceptanceof information technology[J].MISQuarterly，1989，（3）：319-340.

[13]DavenportTH，PrysakL. Informationecology： Mastering the informationand knowledge environment[J].AcademyofManagement Executive， 1997，（3）：86-90.

[14]段薈，張海，孔曄晗.AIGC應用平臺用戶持續使用行為影響因素研究[J].圖書館工作與研究，2024，（6）：21-31.

[15]Shahzad MF，Xu S，Javed I. ChatGPTawarenessaceptance，andadoptioninhigher education：Theroleof trustasacornerstone[J]. International Journal of Educational Technology in Higher Education， 2024，（1）：1-23.

[16]梁宇，李諾恩.中文數字學習資源使用意愿及其影響因素研究——基于TAM擴展模型[J].語言文字應用，2023，（2）：23-35.

[17]Strzelecki A.To useor not touse ChatGPT in higher education？ Astudyof students'acceptane and useoftechnology[J].Interactive Learning Environments， 2023，（9）：5142-5155.

[18]Wang Y， Wang S， Wang J，etal.Anempirical studyofconsumers'intention touse ide-sharingservices： Usinganextendedtechnology acceptance model[J]. Transportation， 2020，（1）：397-415.

[19]曾粵亮，張莉莉，呂曉龍，等.信息生態理論視角下大學生網絡健康信息焦慮形成影響因素與對策研究[J].圖書情報工作，2024，（1）：137-150.

[20][21]LeeSS，LiN，KimJConceptualmodelforMexican teachers'adoptionofleainganalyticssystems：Teintegationof theiformationsystem success modeland the technologyacceptance model[J].Education and Information Technologies，2023，（11）：13387-13412.

[22]王嬌.基于TAM-Damp;M模型的公共文化云平臺公眾滿意度影響因素研究[D].上海：華東政法大學，2022：47.[23]張樂樂，顧小清.人工智能在教育領域創新擴散的影響因素研究——基于TOE理論框架[J].中國遠程教育，2023，（2）：54-63、82.[24]Al-rahmi WM，YahayaNB，AlamriMM，etal.Itegrating innovation diffusionthory with technologyacceptanemodel：Supporting students’atitude towards using a massive open online courses （MOOCs） systems[J]. Interactive LearmingEnvironments， 2019，（8）：1380-1392.

[25]王鈺彪，田愛麗.中小學教師對線上線下融合教學的接受度及其影響因素研究[J].現代教育技術，2023，（6）：109-117.[26]賈明霞，熊回香.虛擬學術社區知識交流與知識共享探究——基于整合 S-O-R 模型與 MOA 理論[J].圖書館學研究，2020，（2）：43-54.

[27]Venkatesh V，Moris MG，Davis GB，etal. Useracceptanceof information technology： Toward aunifiedview[J].MQuarterly， 2003，（3）：425-478.

[28]Agarwal R，PrasadJ.Aconceptualandoperationaldefiitionofpersonalinovativenessinthedomainof informationtechnology[J]. Information Systems Research， 1998，（2）：204-215.

[29]趙靜，倪明揚，張倩，等.AIGC 重構研究生學術實踐：持續使用意愿影響因素研究[J].現代情報，2024，（7）：34-46.[30]中國網信網.生成式人工智能服務管理暫行辦法[OL].[31]劉明，郭爍，吳忠明，等.生成式人工智能重塑高等教育形態：內容、案例與路徑[J].電化教育研究，2024，（6）：57-65.[32]Binary-Husky.中科院學術專用版 ChatGPT開源[OL].

[33]科廣新聞.香港科技大學（廣州）面向全校上線 GPT服務[OL].

Influencing Factors of Postgraduate Students' Wilingness to Use GenAI in the Academic Research Scenarios

ZHAO Fu-Jun DAI Yang-Lei

（Normal College，ShiheziUniversity，Shihezi，Xinjiang，China

Abstract： Postgraduatestudentsarethenew forces inacademic research，andexploring theinfluencingfactorsofpostgraduate students'willngnes touse generative artificialintelligence （GenAI） intheacademicresearchscenarios isofgeat sigificance for shaping anew ecosystemofacademic research in the future.Based onthis，taking thetechnology aceptance modelas the basic framework and combining the theoryof information ecology，this paper firstlyconstructed the hypothesis modelof influencing factorsofpostgraduatestudents’ willingness touse GenAI.Then，aquestionnaire survey wascombied toconduct dataanalysisand thestructuralequationmodel was utilized toverifytheresearchhypothesis.Theresultsshowedthatperceived usefulness，perceivedeaseofuse，personal inovation，informationqualityelativeadvantage，andsocialgroupinfluence exerted significant positive impacts on postgraduate students’ wilingnessto use GenAI; perceived ease of use，personal inovation，informationquality，andrelativeadvantagedemonstratedsignificantpositiveimpactsonpostgraduatestudents GenAI perceived usefulnes;personal innovation，informationquality，relative advantage，and social group influence had significant positiveimpacts onpostgraduatestudents'GenAIperceivedeaseofuse.Based ontheresearch findings，suggestions to enhancepostgraduate sudents'willngnesstouseGenAIwere proposed，aiming tovigorously promote thedeepintegation of GenAI with academic research and truly improve postgraduate students' academic research efficiency.

Keywords： generativeartificial intelligence;academicresearch; GenAI; willingnestouse; technologyacceptancemodel