學術生產(chǎn)者ChatGPT學術使用的影響因素及群體差異

摘要：當前，在ChatGPT等生成式人工智能技術引發(fā)的學術生產(chǎn)變革中，學術生產(chǎn)者正面臨機遇與風險交織的不確定性前景，其對ChatGPT的學術使用，實屬基于潛在收益和損失的一種風險決策行為。因此，文章首先基于前景理論和技術接受模型構建學術生產(chǎn)者ChatGPT學術使用的影響因素假設模型。然后，文章分別采用結構方程模型（Structural Equation Model，SEM）和模糊集定性比較分析（Fuzzy-set Qualitative Comparative Analysis，fsQCA）對551份有效樣本數(shù)據(jù)進行分析，發(fā)現(xiàn)“績效驅動”和“意向驅動”是引發(fā)學術生產(chǎn)者ChatGPT學術使用的主要動因，且感知風險在其中發(fā)揮正向作用。最后，文章通過多群組分析，進一步揭示了不同性別、學科、學歷的學術群體ChatGPT學術使用的影響機制差異，旨在為生成式人工智能學術應用相關監(jiān)管政策的制定和優(yōu)化提供參考，并為學術生態(tài)的良性發(fā)展尋求進路。

關鍵詞：學術生產(chǎn)；ChatGPT；生成式人工智能；結構方程模型；多群組分析；模糊集定性比較分析

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2025）01—0117—11【DOI】10.3969/j.issn.1009-8097.2025.02.012

自2022年底ChatGPT問世以來，其不僅通過對學術生產(chǎn)的智能技術滲透，推進個體學術生產(chǎn)的“人機協(xié)同”；更掀起了學術界關于“生成式人工智能與知識生產(chǎn)范式變革”的深思與激辯。其中，學術生產(chǎn)是經(jīng)過長期而嚴格的專門訓練的“學術生產(chǎn)者”，以職業(yè)化的方式所從事的針對自然、社會的系統(tǒng)化和規(guī)范化的研究行為[1]，但ChatGPT等生成式人工智能（Generative Artificial Intelligence，GenAI）技術不僅打破了傳統(tǒng)的知識搜索加推理的學術生產(chǎn)方式，更是通過模仿人類智能進行了知識重構。其中，潛在的不確定性前景，使ChatGPT的學術使用充滿機遇和風險：ChatGPT一方面能促進學術生產(chǎn)的“智能化”，顯著提升學術生產(chǎn)效率；另一方面也會引發(fā)學術成果權屬模糊、學術誠信危機、學術倫理風險等學術隱患[2]，時刻影響個體學術生產(chǎn)者的新技術使用決策，并挑戰(zhàn)學術界對ChatGPT等GenAI技術應用的合規(guī)性管控。若以此視角進一步觀察學術生產(chǎn)者的ChatGPT學術使用，其實屬在不確定條件下基于潛在收益和損失的一種風險決策行為。為此，本研究聚焦學術生產(chǎn)者ChatGPT學術使用的影響因素，并基于學術生產(chǎn)者中多元主體行為的影響機制差異性，進一步探索不同類型學術生產(chǎn)者ChatGPT學術使用行為的影響機制差異，旨在厘清學術生產(chǎn)者ChatGPT學術使用背后的影響機制，為制定針對性技術推廣和監(jiān)管政策提供參考。

一理論基礎與模型建構

1 理論基礎

前景理論（Prospect Theory）是針對風險決策行為的描述和解釋理論，由Kahneman等[3]于1979年提出，可準確地描繪并解釋決策者在不確定條件下基于潛在損失和潛在收益的判斷與決策行為。該理論指出，人們會為預期結果設置一個參考點，并以該參考點為基準判斷損失或收益，進而根據(jù)感知的損失或收益及對應概率評估備選方案的效用，選擇具有更高效用的備選方案。在信息技術接受研究領域中，不少學者對新技術的不確定性前景有所洞見，認為新技術的采用也是一種風險決策行為，并引入前景理論，展開新技術采用的風險決策研究[4][5]。技術接受模型（Technology Acceptance Model，TAM）作為該領域應用較廣泛的理論模型，以外部變量（External Variables）為自變量，感知有用性、感知易用性、行為意向為中介變量，實際使用行為為結果變量[6]，其中感知有用性是行為意向最重要的促進因素。之后，Venkatesh等[7]整合了“感知有用性”“相對優(yōu)勢”“結果預期”等相近變量的核心要義，進一步提煉出“績效期望”這一概念，主要指個人相信使用新的技術或系統(tǒng)能夠幫助其獲得工作績效收益的程度。同時，F(xiàn)eatherman等[8]又將“感知風險”定義為“在追求新技術（電子服務）的預期結果時潛在的損失”，并將其作為負面因素納入TAM，以探索風險（潛在負效用）和回報（潛在正效用）在用戶采用電子服務決策中的影響。Wong等[9]也基于前景理論，在TAM拓展模型中考慮了感知有用性和感知風險的綜合影響，提出行為意向就是收益和損失綜合評價的結果。綜上可知，績效期望（潛在收益）和感知風險（潛在損失）是決策行為關鍵的影響變量。此外，研究還發(fā)現(xiàn)，年齡、性別、教育水平、學科、經(jīng)驗等個體差異能在人們的技術接受與其影響因素之間起顯著調節(jié)作用[10][11]，證實了不同特質群體在技術接受及其影響因素上存在差異。

國內雖已有研究關注到學術生產(chǎn)者使用ChatGPT等GenAI技術的前因因素[12][13]，但拘囿于思辨性的理論運思和小樣本的質性探索，實證量化研究尚且不足，缺乏對影響機理的深入剖析。因此，本研究以前景理論與TAM為基礎構建分析模型，運用SEM和fsQCA探析學術生產(chǎn)者對ChatGPT的感知風險、績效期望、行為意向與使用行為的內在關聯(lián)性，以及性別、學科、學歷等個體差異在其中產(chǎn)生的影響，以期解答以下研究問題：①學術生產(chǎn)者對ChatGPT的感知風險、績效期望能否影響其ChatGPT使用的意向和行為？②不同類型學術群體的ChatGPT學術使用的影響機制是否存在差異，其具體表現(xiàn)和成因是什么？

2 研究假設與模型建構

（1）學術生產(chǎn)者的ChatGPT感知風險、績效期望對其ChatGPT使用的意向與行為的影響路徑假設

①感知風險（Perceived Risk，PR）：在本研究中專指學術生產(chǎn)者在ChatGPT學術使用中主觀感知到的危險性結果及潛在損失。對此，Dwivedi等[14]提出AI應用于學術生產(chǎn)存在邏輯薄弱、缺乏新意和批判性、提供錯誤參考文獻等問題；Li[15]、Indiani等[16]發(fā)現(xiàn)人們對技術的感知風險會負向影響其技術使用的意向和行為。此外，Luo等[17]還發(fā)現(xiàn)人們對技術的感知風險還會負向影響其績效期望。因此，本研究提出如下假設：學術生產(chǎn)者對ChatGPT的感知風險負向影響其使用行為（H1）；學術生產(chǎn)者對ChatGPT的感知風險負向影響其行為意向（H2）；學術生產(chǎn)者對ChatGPT的感知風險負向影響其績效期望（H3）。

②績效期望（Performance Expectancy，PE）：在本研究中專指學術生產(chǎn)者認為ChatGPT學術使用提升其學術工作績效收益的程度。在學術生產(chǎn)情境下，ChatGPT的學術使用是為了獲取學術工作績效收益，因此本研究采用“績效期望”作為學術生產(chǎn)中使用ChatGPT所得主要“收益”的測度。對此，Strzelecki[18]發(fā)現(xiàn)，波蘭大學生的ChatGPT績效期望對其使用ChatGPT的行為意向有顯著的正向影響。同時，Onaolapo等[19]發(fā)現(xiàn)尼日利亞研究生使用智能手機進行移動學習的行為也受到其績效期望的正向影響。因此，本研究提出假設：學術生產(chǎn)者對ChatGPT的績效期望正向影響其行為意向（H4）；學術生產(chǎn)者對ChatGPT的績效期望正向影響其使用行為（H5）。

③行為意向（Behavioral Intention，BI）和使用行為（Use Behavior，UB）：行為意向是指“個人未來使用特定技術的主觀可能性或意圖”[20]；使用行為則是指實際使用的行為，包括用戶與特定技術交互的頻率、持續(xù)時間和強度[21]。大量研究已證實，行為意向是影響使用行為的直接決定因素[22][23]。因此，本研究提出如下假設：學術生產(chǎn)者對ChatGP的行為意向正向影響其使用行為（H6）。

（2）性別、學科、學歷的調節(jié)作用假設

研究顯示，性別不僅可以調節(jié)感知風險與行為意向的關系[24]；還能調節(jié)績效期望和行為意向的關系，如Venkatesh等[25]發(fā)現(xiàn)，男性的績效期望對其行為意向的影響強于女性。同時，學科 也能調節(jié)感知風險與行為意向、使用行為間的關系，如Karimiankakolaki等[26]發(fā)現(xiàn)，護理、助產(chǎn)、健康等領域的學生對乙肝的感知風險與其預防的意向和行為有明顯差異；Awwad[27]、Lam等[28]分別發(fā)現(xiàn)學科能調節(jié)用戶的績效期望與其行為意向、使用行為的關系。本研究將學科簡化為兩類：一類是理工農醫(yī)類，包含自然科學、農業(yè)科學、醫(yī)藥科學、工程與技術；另一類是人文社科類，指人文與社會科學。此外，研究還發(fā)現(xiàn)，學歷對用戶的績效期望與行為意向、使用行為的關系[29][30]，以及感知風險與行為意向、使用行為的關系都具有調節(jié)作用[31][32]。因此，本研究提出假設：性別對學術生產(chǎn)者的ChatGPT感知風險與行為意向（H7a）、績效期望與行為意向（H7b）的關系具有調節(jié)作用（H7）；學科對學術生產(chǎn)者的ChatGPT感知風險與行為意向（H8a）、感知風險與使用行為（H8b）、績效期望與行為意向（H8c）、績效期望與使用行為（H8d）的關系具有調節(jié)作用（H8）；學歷對學術生產(chǎn)者的ChatGPT感知風險與行為意向（H9a）、感知風險與使用行為（H9b）、績效期望與行為意向（H9c）、績效期望與使用行為（H9d）的關系具有調節(jié)作用（H9）。綜上，本研究提出學術生產(chǎn)者ChatGPT學術使用的影響因素假設模型（下文簡稱“假設模型”），如圖1所示。

二研究設計與方法

1 問卷設計

本研究參考國內外成熟量表，編制了最初的學術生產(chǎn)者ChatGPT學術使用調查問卷（問卷題項采用李克特五點量表評分法），隨后吸納四位相關專業(yè)教授和博士的審看建議進行修改和完善，以實現(xiàn)問卷的內容效度。然后通過問卷星在線平臺發(fā)放調查問卷，邀請328位學術生產(chǎn)者參與調查，回收有效問卷278份，同時采用SPSS26.0進行項目分析、探索性因子分析、信效度分析后，剔除部分題項，形成正式問卷。

2 問卷發(fā)放及數(shù)據(jù)收集

本研究于2023年9月20日～11月20日，通過“滾雪球”方式多渠道發(fā)放匿名電子版正式問卷：通過復旦大學、南昌大學、寧波大學、溫州大學、溫州理工學院的教師在其校內的教師群和學生專業(yè)、班級微信群進行發(fā)布；向6個全國性的學術交流、ChatGPT學術使用交流微信群發(fā)布，以及私信群內人員邀請?zhí)顚懖⑥D發(fā)問卷。之后，剔除未使用過ChatGPT、未參與過學術生產(chǎn)、作答時間過短、答題邏輯矛盾及全部題項回答一致的問卷后，最終回收有效問卷551份，問卷有效率達81.1%。

3 研究方法

本研究采用了SEM與fsQCA相結合的方法。其中，SEM適用于檢驗探索性模型與假設，并能評估預測模型，在本研究用于分析前因變量對結果變量的凈效應；fsQCA適用于探析因素組合效應，能進一步揭示實現(xiàn)學術生產(chǎn)者ChatGPT學術使用的多種現(xiàn)實情況，在本研究用于探索導致結果變量的前因條件組合。

三數(shù)據(jù)分析

1 描述性統(tǒng)計分析

本研究的有效樣本共計551份，覆蓋全國30個省、市、自治區(qū)（含港澳地區(qū)）。其中，高校學生占比為71.1%，高校教師、研究員以及博士后占比為28.9%。從年齡來看，19周歲以下占比為8.3%，20～29周歲占比為67%，30周歲及以上占比為24.7%；從性別來看，男性占比為49.5%（273人），女性占比為50.5%（278人）；從學科來看，理工農醫(yī)類占比為57.7%（318人），人文社科類占比為42.3%（233人）；從學歷來看，博士占比為18.1%（100人），碩士占比為48.3%（266人），本科占比為33.4%（184人），其他占比為0.2%（1人）。

2 信效度分析

本研究運用AMOS 26.0對模型的所有測量變量進行驗證性因子分析以及信度檢驗，結果如表1所示。由表1可知，各變量的Cronbach’s α值均高于0.8，表明量表信度較高。各變量的因子載荷值均高于0.6，且組合信度CR值均高于0.7，表明各變量題項具有內部一致性。同時，本研究通過聚合效度和區(qū)別效度評價模型建構效度，發(fā)現(xiàn)各變量的AVE值均高于0.5，表明量表的聚合效度較好；采用異質-單質比率（Heterotrait-Monotrait Ratio，HTMT）標準對數(shù)據(jù)進行檢驗，顯示所有變量之間的HTMT值分別為0.223、0.143、0.810、0.056、0.663、0.617，均低于標準閾值0.85，表明各變量之間具有較好的區(qū)別效度。

3 SEM分析及假設檢驗

本研究首先運用AMOS 26.0對假設模型的擬合度進行評估，得出模型各擬合度指標為：χ2/df=1.944，IFI=0.978，CFI=0.978，TLI=0.972，RMSEA=0.041，SRMR =0.035，表明假設模型的擬合度較為理想 。之后，通過SEM的路徑分析得到路徑結果（如圖2所示），發(fā)現(xiàn)除假設H1與H2的顯著性檢驗未通過外，其他假設路徑系數(shù)均達到顯著水平（p＜0.05）。其中，感知風險顯著正向影響績效期望，與假設H3相反，故假設H3得到反向驗證。而績效期望對行為意向、使用行為，以及行為意向對使用行為均產(chǎn)生顯著的正向影響，故假設H4、H5、H6成立。另外，模型對學術生產(chǎn)者ChatGPT學術使用的行為意向和使用行為的解釋率分別為64.6%和45.9%，表明模型的解釋力較強。

4 調節(jié)作用分析

本研究以性別（男、女）、學科（理工農醫(yī)類、人文社科類）、學歷（本科、碩士、博士）為群組變量，通過建構模型來進行SEM多群組分析。在分析之前，首先要檢驗各群組的測量模型擬合度指標，發(fā)現(xiàn)各組擬合度指標均在可接受范圍，可以進行跨組比較。然后，進行測量模型的跨群組恒等性檢驗，具體構建以下3個嵌套模型：形態(tài)等值模型（M1），檢驗不同群組之間的因子結構是否相同；弱等值模型（M2），檢驗因子載荷在不同群組之間是否相同；強等值模型（M3），檢驗各觀測變量的截距在不同群組之間是否相等。若P值不顯著（P＞0.05），表示模型恒等。但P值易受樣本規(guī)模影響，因此若P值顯著（P＜0.05），則還需要考察ΔCFI與ΔTLI，若ΔCFI絕對值≤0.01且ΔTLI絕對值≤0.05，也表明模型恒等。結果如表2所示，性別、學科、學歷的等值模型比較均無顯著差異，表明測量模型的跨群組恒等性成立。

隨后，對上述群組模型進行多群組分析，設定限制模型（約束群組模型的組間路徑相等），并與未限制模型進一步比較。若限制模型的χ2顯著增加（路徑比較的P值顯著），表明兩組在限定路徑上存在顯著的差異，意味著調節(jié)變量對該路徑有調節(jié)作用。結果如圖2所示，具體來說：①性別對“感知風險→行為意向”路徑具有調節(jié)作用（P=0.025＜0.05），假設H7a成立。其中，男性（β男=-0.136，p＜0.05）對ChatGPT的感知風險會影響其行為意向，但是女性（β女=0.04，p＞0.05）不存在此種影響。②學科對“感知風險→使用行為”路徑具有調節(jié)作用（P=0.032＜0.05），假設H8b成立。其中，理工農醫(yī)類（β理=-0.163，p＜0.01）對ChatGPT的感知風險會影響其使用行為，但人文社科（β文=0.036，p＞0.05）不存在此影響。③學歷對“績效期望→行為意向”路徑具有調節(jié)作用（P=0.036＜0.05），假設H9c成立。其中，博士（β博=0.754，p＜0.001）對ChatGPT的績效期望對于行為意向的影響均小于本科（β本=0.801，p＜0.001）和碩士（β碩=0.842，p＜0.001）。而碩士和本科學歷者雖然路徑影響效應大小有區(qū)別，但在統(tǒng)計學意義上無顯著差異。除上述路徑外，其他路徑比較不存在差異，假設H7b、H8a、H8c、H8d、H9a、H9b、H9d不成立。

5 fsQCA檢驗

（1）變量校準及必要條件分析

依據(jù)以往研究，先對變量績效期望、感知風險、行為意向、使用行為的題項求平均值，同時參照Kang等[40]的研究采用四分位數(shù)法計算75%、50%和25%的測量值，用作三個錨點閾值。然后對變量進行賦值：男性為1，女性為0；博士為1，碩士為0.5，本科為0；理工農醫(yī)類為1，人文社科類為0。接下來，采用fsQCA4.1軟件進行數(shù)據(jù)校準，并對校準后隸屬度為0.5的數(shù)據(jù)進行+0.001處理。最后，開展必要條件分析，結果顯示全部因素的一致性閾值均低于0.9，需進行多因素組態(tài)分析。

（2）構建真值表及組態(tài)分析

為進行多因素組態(tài)分析，本研究首先構建了真值表，該表的制定參考了Pappas等 的建議，在分析樣本數(shù)據(jù)分布情況之后，設置頻次閾值為6，一致性閾值為0.8，PRI一致性高于0.75；然后參考以往的研究情況，選擇以中間解進行組態(tài)分析，并以簡約解區(qū)分核心和輔助條件。表3為學術生產(chǎn)者ChatGPT學術使用的充分性組態(tài)分析結果，總共呈現(xiàn)了6組前因組態(tài)（4種模式）；其中核心條件相同的組態(tài)為同一種模式，因此1a、1b、1c屬于一種模式。下列每條組態(tài)的一致性高于0.75；總一致性為0.815，表明有81.5%的學術生產(chǎn)者的ChatGPT學術使用呈現(xiàn)較高水平；總覆蓋度為0.473，即解釋強度為47.3%，表明解釋力較強。

（3）穩(wěn)健性檢驗

為驗證結果的穩(wěn)健性，本研究參照張明等[41]的研究，采用改變案例頻數(shù)閾值和一致性閾值的方法：將案例頻數(shù)閾值從6下降到5，并再次進行真值表分析，結果顯示僅有一個組態(tài)與現(xiàn)結果組態(tài)為子集關系，其余組態(tài)一致；將一致性閾值從0.80下降到0.75，結果顯示僅減少一個組態(tài)，其余組態(tài)一致。上述改變前后結果相似，并未產(chǎn)生新的解釋，表明組態(tài)分析結果具有穩(wěn)健性。

四結果與討論

1 ChatGPT學術使用的主要動因是“績效驅動”和“意向驅動”

SEM結果顯示，學術生產(chǎn)者對ChatGPT的績效期望能正向影響其行為意向和使用行為，行為意向也正向影響使用行為。fsQCA結果也表明，績效期望和行為意向分別是組態(tài)中出現(xiàn)次數(shù)最多的因素，且分別在4條和2條組態(tài)中作為核心條件出現(xiàn)。據(jù)此，本研究歸納出兩種ChatGPT學術使用的影響模式：①“績效驅動”型的ChatGPT學術使用。fsQCA結果顯示，組態(tài)1a、1b、1c和4都以“績效期望”為核心條件，與其他因素構成不同組合發(fā)揮作用，表明學術生產(chǎn)者相信ChatGPT的技術有用性，其對ChatGPT提升學術績效充滿信心，進而愿意承受風險的干擾，傾向于ChatGPT的學術使用。該模式對學術生產(chǎn)者沒有特殊要求，無論男女、何種學科、學歷高低都可以發(fā)揮作用。更值得注意的是，SEM分析發(fā)現(xiàn)，績效期望對使用行為的影響效應（β=0.494，p＜0.001）高于行為意向對使用行為的影響效應（β=0.226，p＜0.05），且fsQCA結果中作為核心條件出現(xiàn)的績效期望的組態(tài)數(shù)也多于行為意向。綜上可知，績效期望發(fā)揮的影響大于行為意向，是學術生產(chǎn)者ChatGPT學術使用非常關鍵的影響因素，這與以往多數(shù)研究中“行為意向是使用行為的決定因素”的結論不同，卻與少量研究的結果相同[42]。這種結論分歧可能源自多元回歸分析、SEM等研究方法只能探索變量之間的線性關系和凈效應，無法發(fā)現(xiàn)結論差異背后的影響因素組合差異。②“意向驅動型”型的ChatGPT學術使用。fsQCA結果顯示，組態(tài)2和3都以“行為意向”為核心條件，表明這些學術生產(chǎn)者無須技術績效的外在刺激，只要對ChatGPT具有強烈的主觀能動性，也愿意承受風險的干擾，促成ChatGPT的學術使用。同時，從組態(tài)結果中理工農醫(yī)類學科和研究生學歷的限定性可知，該模式對學術生產(chǎn)者的數(shù)字素養(yǎng)要求較高，需要較高的學歷和技術知識水平作為支撐。

2學術生產(chǎn)者的感知風險正向影響其ChatGPT使用行為

SEM和fsQCA分析均發(fā)現(xiàn)，與不同因素組合之后，感知風險能正向影響或不影響學術生產(chǎn)者的ChatGPT學術使用行為。這與以往多數(shù)研究中感知風險負向影響使用行為的結論相反[43]，卻與周丹等[44]關于中小學多元主體使用人工智能技術不受風險感知影響的研究發(fā)現(xiàn)相近?？梢?，本次調研的學術生產(chǎn)者與羅杰斯[45]提出的在創(chuàng)新擴散初期就采納創(chuàng)新的“具有冒險精神的創(chuàng)新者”的特征相吻合：他們率先采納創(chuàng)新必然會承擔更大的風險，但他們是風險偏好者，最突出的個性就是具有冒險精神，并且相信自身有能力應付創(chuàng)新的高度不確定性，也有足夠的心理準備來面對創(chuàng)新失敗的挫折。具體而言，學術生產(chǎn)者能感知到新技術的風險，但是自覺有能力克服，因此愿意冒險使用ChatGPT。同時，這也與他們所持的風險態(tài)度有關。前景理論強調，在面對負面前景時人們會尋求風險，即為取得更大的收益會選擇風險更大的選項[46]。此外，個體的風險決策又與當下的風險環(huán)境息息相關，我國目前對于ChatGPT學術使用的監(jiān)管機制尚未形成，監(jiān)管技術也不盡完善，對ChatGPT學術使用中的學術不端行為難以實施有效懲戒，致使ChatGPT學術使用風險產(chǎn)生嚴重損失的概率總體偏低，容易導致學術生產(chǎn)者忽略可能的風險，從而傾向于使用ChatGPT。這也與前景理論中的分析相符，即在面對負面前景時，人們會選擇損失更大但發(fā)生概率低的可能性損失選項[47]。

3 不同類型學術群體ChatGPT使用行為的影響因素存在差異

SEM分析發(fā)現(xiàn)，不同性別、學科、學歷群體的ChatGPT學術使用存在一定的影響差異。具體來說，首先男性學術生產(chǎn)者ChatGPT使用的行為意向會受到感知風險的負向影響，女性卻不會。有研究證實，男性比女性有更大的風險容忍度，更愿意承擔風險[48]，也會為了更大的利益而接受隱私泄露等風險[49]。其次，理工農醫(yī)類學術生產(chǎn)者的ChatGPT使用行為會受到其感知風險的負向影響，人文社科類卻不會。正如Barke等[50]的研究發(fā)現(xiàn)，具備不同類型和水平知識的人對同一技術的感知風險存在差異，如生命科學家對核技術的感知風險要遠大于物理科學家。因此，相較于人文社科類，理工農醫(yī)類學者因具備更多的技術知識，能夠感受到ChatGPT的潛在風險，并在使用時對相應風險進行評估。最后，本科和碩士學術生產(chǎn)者對ChatGPT的行為意向受績效期望的影響度遠高于博士，這與Awwad等[51]的研究結論一致。這可能是因為本科和碩士的學術資本和學術經(jīng)驗遠不如博士，在傳統(tǒng)學術生產(chǎn)中往往處于劣勢，因而更希望從技術創(chuàng)新中獲利，以彌補自身的不足。fsQCA結果則顯示，總體上來說具備男性、理工農醫(yī)類、研究生學歷等特質的學術生產(chǎn)者更易使用ChatGPT，其中“男性”和“研究生學歷”可以互相替代，這與St?hr等[52]的研究結果一致。具體來說，男性學術生產(chǎn)者更容易學術使用ChatGPT，是因為其績效期望對行為意向的影響強于女性[53]，且比女性有更大的風險容忍度，更具冒險精神[54]。理工農醫(yī)類學術生產(chǎn)者更易學術使用ChatGPT，可能是因其豐富的技術知識，增強了ChatGPT績效期望對于其行為意向的影響。而學歷較高的學術生產(chǎn)者，不僅擁有在高級研究項目中更專業(yè)的AI使用機會，還具有更高的學習技能[55]，因而更易嘗試ChatGPT。

五結語

本研究聚焦“學術生產(chǎn)者ChatGPT學術使用的影響因素”這一有趣且具現(xiàn)實意義的新問題，創(chuàng)新融合前景理論與TAM構建分析模型，通過SEM和fsQCA相結合的混合研究方法展開學術生產(chǎn)者ChatGPT學術使用前因因素的綜合分析，在學術生產(chǎn)者ChatGPT學術使用的影響機制及群體差異等方面提供了重要見解和發(fā)現(xiàn)，一定程度上撥開了當下GenAI學術應用中的決策“迷霧”?；诖耍狙芯酷槍W術生產(chǎn)中的GenAI技術推廣與監(jiān)管提出以下建議：①建議國家管理部門牽頭聯(lián)合AI技術機構、學術單位開發(fā)建設統(tǒng)一的AI生成內容學術檢測技術平臺和檢測機制，推廣及提高學術單位的GenAI檢測技術使用率。②細化GenAI學術使用的分級分類指導及培訓，如上述不同性別、學科、學歷的學術生產(chǎn)者對ChatGPT使用和影響因素存在差異，故可按需分類、分級開展培訓。③推進GenAI學術使用透明原則的落地，中國科技部監(jiān)督司雖已發(fā)布《負責任研究行為規(guī)范指引（2023）》[56]，要求學者進行GenAI學術使用的自我披露，但這并非強制要求，也未形成行業(yè)約定行為，故亟需加大此舉的推廣和適用范圍。④建立GenAI學術使用風險分級監(jiān)管機制，可借鑒歐盟《人工智能法案》中提出的風險分級理念[57]，將GenAI學術使用風險在評估后劃分為最小風險、有限風險、高風險和不可接受風險等不同等級，并制定針對各個等級的差異化監(jiān)管措施。

————————

參考文獻

[1]孟建，胡學峰.數(shù)字人文：媒介驅動的學術生產(chǎn)方式變革[J].現(xiàn)代傳播（中國傳媒大學學報），2019，（4）：24-28、54.

[2]蔣華林.人工智能聊天機器人對科研成果與人才評價的影響研究——基于ChatGPT、Microsoft Bing視角分析[J].重慶大學學報（社會科學版），2023，（2）：97-110.

[3][46][47]Kahneman D， Tversky A. Prospect theory： An analysis of decision under risk[J]. Econometrica， 1979，（2）：263-292.

[4]Liu C， Forsythe S. Sustaining online shopping： Moderating role of online shopping motives[J]. Journal of Internet Commerce， 2010，（2）：83-103.

[5][9]Wong D N， Liu H F， Meng-Lewis Y， et al. Gamified money： Exploring the effectiveness of gamification in mobile payment adoption among the silver generation in China[J]. Information Technology amp; People， 2022，（1）：281-315.

[6][22]Davis F D， Bagozzi R P， Warshaw P R. User acceptance of computer technology： A comparison of two theoretical models[J]. Management Science， 1989，（8）：982-1003.

[7][10][20][23][25][34][53]Venkatesh V， Morris M G， Davis G B， et al. User acceptance of information technology： Toward a unified view[J]. MIS Quarterly， 2003，（3）：425-478.

[8]Featherman M S， Pavlou P A. Predicting e-services adoption： A perceived risk facets perspective[J]. International Journal of Human-Computer Studies， 2003，（4）：451-474.

[11][52][55]St?hr C， Ou A W Y， Malmstr?m H. Perceptions and usage of AI chatbots among students in higher education across genders， academic levels and fields of study[J]. Computers and Education： Artificial Intelligence， 2024，（7）：100259.

[12]羅怡帆，劉一迪，儲節(jié)旺.信息資源管理研究生使用AIGC工具的科研行為影響因素研究[OL].

lt;http：//kns.cnki.net/kcms/detail/31.1108.G2.20241218.1648.004.htmlgt;

[13]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.

[14]田賢鵬，肖智琦.生成式AI賦能研究生科研寫作的學術倫理與風險防控[J].現(xiàn)代教育技術，2024，（8）：23-32.

[15]Li W. A study on factors influencing designers’ behavioral intention in using AI-generated content for assisted design： Perceived anxiety， perceived risk， and UTAUT[J]. International Journal of Human-Computer Interaction， 2024，（3）：1-14.

[16][43]Indiani N L P， Rahyuda I K， Kerti Yasa N N， et al. Perceived risk and trust as major determinants of actual purchase， transcending the influence of intention[J]. ASEAN Marketing Journal， 2015，（1）：1-13.

[17]Luo X， Li H， Zhang J， et al. Examining multi-dimensional trust and multi-faceted risk in initial acceptance of emerging technologies： An empirical study of mobile banking services[J]. Decision Support Systems， 2010，（2）：222-234.

[18]Strzelecki A. To use or not to use ChatGPT in higher education？ A study of students’ acceptance and use of technology[J]. Interactive Learning Environments， 2024，（9）：5142-5155.

[19][42]Onaolapo S，Oyewole O. Performance expectancy， effort expectancy， and facilitating conditions as factors influencing smart phones use for mobile learning by postgraduate students of the University of Ibadan， Nigeria[J]. Interdisciplinary Journal of e-Skills and Lifelong Learning， 2018，（14）：95-115.

[21][36][38]Venkatesh V， Thong J Y L， Xu X. Consumer acceptance and use of information technology： Extending the unified theory of acceptance and use of technology[J]. MIS Quarterly， 2012，（1）：157-178.

[24]Lee J M， Lee B， Rha J Y. Determinants of mobile payment usage and the moderating effect of gender： Extending the UTAUT model with privacy risk[J]. International Journal of Electronic Commerce Studies， 2019，（1）：43-64.

[26]Karimiankakolaki Z， Baghianimoghadam M H， Gerayllo S， et al. A survey of knowledge， individual perceived risk， general perceived risk， and behavioral intentions regarding hepatitis B among students in the faculty of nursing， midwifery and health at shahrekord islamic azad university in 2014[J]. Hepatitis Monthly， 2016，（7）：1-5.

[27][29][51]Awwad M S， Al-Majali S M. Electronic library services acceptance and use： An empirical validation of unified theory of acceptance and use of technology[J]. The Electronic Library， 2015，（6）：1100-1120.

[28]Lam P， Mcnaught C， Lee J， et al. Disciplinary difference in students’ use of technology， experience in using e-learning strategies and perceptions towards e-learning[J]. Computers amp; Education， 2014，（1）：111-120.

[30]Sulaiman A， Jaafar N I， Mohezar S. An overview of mobile banking adoption among the urban community[J]. International Journal of Mobile Communications， 2007，（2）：157-168.

[31]Chen J， Li R， Gan M， et al. Public acceptance of driverless buses in China： An empirical analysis based on an extended UTAUT model[J]. Discrete Dynamics in Nature and Society， 2020，（1）：4318182.

[32]陶源，仇相瑋，周玉璽，等.風險感知，社會信任與農戶有機肥替代行為悖離研究[J].農業(yè)技術經(jīng)濟，2022，（5）：49-64.

[33]明均仁.基于用戶感知的移動圖書館服務接受與使用行為研究[M].武漢：武漢大學出版社，2017：226-227.

[35][37]蔡思雨，李陽，施艷萍.疫情影響下科研人員線上學術會議知識交流參與意愿影響因素研究[J].現(xiàn)代情報，2021，（5）：67-76.

[39]王晰巍，劉偉利，賈灃琦，等.網(wǎng)絡直播APP使用行為影響因素模型及實證研究[J].圖書情報工作，2020，（5）：22-31.

[40]Kang W Y， Shao B J， Zhang Y. How does interactivity shape users’ continuance intention of intelligent voice assistants？ Evidence from SEM and fsQCA[J]. Psychology Research and Behavior Management， 2024，（17）：867-889.

[41]張明，杜運周.組織與管理研究中QCA方法的應用：定位、策略和方向[J].管理學報，2019，（9）：1312-1323.

[44]周丹，徐曉萌，覃菲，等.中小學多元主體使用人工智能技術的影響因素分析[J].現(xiàn)代教育技術，2024，（10）：103-112.

[45]（美）埃弗雷特·M·羅杰斯著.辛欣譯.創(chuàng)新的擴散（第4版）[M].北京：中央編譯出版社，2002：246.

[48][50][54]Barke R P， Jenkins-Smith H， Slovic P. Risk perceptions of men and women scientists[J]. Social Science Quarterly， 1997，（1）：167-176.

[49]Michota A. Digital security concerns and threats facing women entrepreneurs[J]. Journal of Innovation and Entrepreneurship， 2013，（2）：1-11.

[56]中國科技部監(jiān)督司.負責任研究行為規(guī)范指引（2023）[OL].

lt;https：//www.most.gov.cn/kjbgz/202312/W020231221582942330036.pdfgt;

[57]European Parliament. Artificial intelligence act[OL].

lt;https：//www.europarl.europa.eu/doceo/document/TA-9-2024-03-13_EN.html#sdocta2gt;

Influencing Factors of Academic Producers to Use ChatGPT and Group Differences

——Empirical AnalysisBased on SEM and fsQCA

ZHOU Yun-Qian1ZHANG Xin-Tong1，2[Corresponding Author]XIA Jing1

（1.School ofJournalism and Communication， Nanchang University， Nanchang， Jiangxi， China 330031;

2. School of Literature and Media， Wenzhou University of Technology， Wenzhou， Zhejiang， China 325000）

Abstract： At present， in the academic production revolution caused by generative artificial intelligence （GenAI） such as ChatGPT， academic producers are confronted with an uncertain prospect where opportunities and risks are intertwined. Their academic use of ChatGPT has also become a risky decision-making behavior based on potential gains and losses. Therefore， based on the prospect theory and the technology acceptance model， this paper first constructed the hypothesis model of influencing factors of the academic use of ChatGPT by academic producers. Then， the structural equation modeling （SEM） and fuzzy set qualitative comparative analysis （fsQCA） methods were adopted to analyze 551 valid sample data. The findings revealed that “performance drive” and “intention drive” were the main motivations for academic producers to use ChatGPT in academic production， with perceived risk playing a positive role in this process. Finally， through multi-group analysis， the differences in the influencing mechanisms of academic use of ChatGPT among academic groups of different genders， academic disciplines， and academic qualifications were further revealed， expecting to provide reference for the formulation and optimization of regulatory policies related to the GenAI academic application"""" ， and seek a way for the benign development of academic ecology.

Keywords： academic production; ChatGPT; generative AI;SEM; multi-group comparative analysis; fsQCA