出版從業(yè)人員人工智能生成內容采納行為影響因素的組態(tài)效應研究

[摘 要] 基于信息生態(tài)理論框架，本文將環(huán)境維度的企業(yè)支持和社群影響、個體維度的自我效能感和個人創(chuàng)新、內容維度的內容滿意度和感知可信度6個因素納入前因變量，借助分層回歸分析和定性比較分析對1114份針對出版從業(yè)人員問卷數據進行數據處理，以驗證不同維度因素的重要程度差異和確定人工智能生成內容采納行為影響因素的組態(tài)效應。分層回歸分析結果顯示，企業(yè)支持、社群影響、自我效能感、個人創(chuàng)新、內容滿意度和感知可信度均對內容采納行為具有顯著正向影響。不同層次的重要性程度排序依次為內容維度、個體維度、環(huán)境維度。組態(tài)路徑分析結果顯示，6個前因變量的組合呈現了4種組態(tài)，組合出了3種跨維度組合模式，即個體－內容型、環(huán)境－個體－內容型、環(huán)境－內容型。研究發(fā)現，內容維度因素最終決定從業(yè)人員的人工智能生成內容采納行為，自我效能感和感知可信度在采納決策過程中起關鍵性作用。

[關鍵詞] 出版從業(yè)人員 人工智能生成內容 內容采納行為 組態(tài)效應

[中圖分類號] G230 [文獻標識碼] A [文章編號] 1009-5853 （2025） 02-0057-15

Research on the Configuration Path of Factors Influencing AIGC Adoption Behavior Among Publishing Professionals—A Fuzzy Set Qualitative Comparative Analysis

Zheng Han Xiao Qian He Chen

（School of Information Management / Research Institute of Publishing， Wuhan University， Wuhan， 430072）（School of Information Management， Wuhan University， Wuhan， 430072）（School of Information Management / Research Institute of Publishing， Wuhan University， Wuhan， 430072）

[Abstract] Guided by the information ecology theory framework， this study incorporates six antecedent variables： organization support and society influence from the environmental dimension， self-efficacy and personal innovation from the individual dimension， and content satisfaction and perceived credibility from the content dimension. The data from 1114 survey respondents were analyzed using hierarchical regression analysis and qualitative comparative analysis to examine the importance of factors from various dimensions and to determine the configuration effects of factors influencing AIGC adoption behavior. The results of the hierarchical regression analysis indicate that enterprise support， community influence， self-efficacy， personal innovation， content satisfaction， and perceived credibility all have a significant positive impact on content adoption behavior. The relative importance of the three dimensions is as follows： content， individual， and environmental. The configuration path analysis reveals four configuration paths formed by the combination of the six antecedent variables， resulting in three cross-dimensional combination patterns： individual-content， environment-individual-content， and environment-content. The study finds that content dimension factors ultimately determine the adoption behavior of professionals towards AIGC， with self-efficacy and perceived credibility playing a key role in the adoption decision-making process.

[Key words] Publishing professionals AIGC Content adoption behavior Configuration path

生成式人工智能（Generative AI，GenAI）是指利用機器學習模型來生成新的內容和數據實例的一類人工智能技術，由該技術創(chuàng)造的內容可稱為人工智能生成內容（AI generated content，AIGC）。近年來，生成式人工智能已成為各行各業(yè)生態(tài)變革的關鍵力量，尤其是在以內容為核心的出版行業(yè)，表現出巨大的潛力和價值。當前，許多出版機構已開始將人工智能生成內容引入生產流程，用于內容創(chuàng)作、編輯校對、圖文生成、營銷推廣和有聲書制作等場景。人工智能生成內容的融入不僅實質性改變出版從業(yè)人員的工作模式和能力要求，還能有效推動出版內容的創(chuàng)新與多樣化。在學界，研究從經驗和理論角度分析了人工智能生成內容賦能出版業(yè)的邏輯和路徑，又從實踐角度探討了其對從業(yè)人員工作流程的改變和影響。研究普遍認為，生成式人工智能技術的部署和人工智能生成內容與出版產品的融合對從業(yè)人員的影響最為深刻，人工智能生成內容能夠大幅替代繁瑣勞動、減輕從業(yè)人員的工作負荷，拓展從業(yè)人員的素質能力[1]，人工智能生成內容對出版行業(yè)的影響通過從業(yè)人員的接受和使用而產生實際作用[2]。

可見，在人工智能生成內容與出版生產的融合中，從業(yè)人員承擔著推動技術落地與行業(yè)變革的關鍵中介作用。作為勞動主體，其知識和技能正因人工智能生成內容的廣泛應用而不斷拓展，技術經由從業(yè)人員間接賦能出版行業(yè)；作為技術使用者，從業(yè)人員正借助人工智能生成內容重塑出版行業(yè)的工作流程和產品形態(tài)，對人工智能生成內容的采納直接決定著出版物的質量；作為企業(yè)員工，從業(yè)人員對技術的接受和對人工智能生成內容的采納程度決定了生成式人工智能技術的實際應用成效。因此，探究出版從業(yè)人員對人工智能生成內容的采納行為影響因素，有助于揭示其采納行為的形成機制，并為企業(yè)提供內容生產效率和質量提升的有效策略。同時，研究結果也可為政策制定者提供參考，促進出版行業(yè)的健康發(fā)展。然而，目前關于生成式人工智能技術在出版行業(yè)的應用研究仍較為缺乏，現有文獻多為描述性調查[3][4]，出版從業(yè)人員對人工智能生成內容的接受度及其采納行為的影響因素尚未得到足夠關注。

信息采納模型（Information Adoption Mo-del，IAM）認為，信息采納是知識內化的一種特殊表現形式，信息質量和來源可信度能提高感知內容的有用性，并促進信息采納行為。信息采納行為研究最早發(fā)展于信息系統領域，后逐漸擴展至其他學科研究中。隨著人工智能的發(fā)展，研究者開始探討人工智能作為“信源”對信息采納的影響。在新聞寫作領域，研究發(fā)現如果用戶感覺到人工智能的算法公平、負責任、透明和可解釋，會更傾向于信任并使用人工智能[5]；在人工智能輔助設計方面，外部環(huán)境因素如便利性和信息質量，以及個體特性如個人焦慮和誠信，對人工智能的采納意愿有正向影響[6]。在教育領域，便利條件是促進學生接受和使用ChatGPT最重要的影響因素[7]；教師和學生對生成式人工智能技術的優(yōu)勢和優(yōu)點的感知對人工智能生成內容采納行為也有重要促進作用[8]。相關研究討論了不同領域和場景下人工智能生成內容采納行為的復雜性，且大多基于某一理論模型來擴展變量?？傮w來看，國內外研究多停留在技術接受和使用層面，如研究哪些因素能夠促進人們對于AI技術的接受，且較少涉及環(huán)境維度的影響。出版行業(yè)本身是一個信息密集型領域[9]，涉及大量的信息流動、交流與管理，信息、技術、人員、組織和社會因素之間的互動與動態(tài)演化，形成了彼此聯系的信息生態(tài)系統，出版從業(yè)人員所處環(huán)境對其決策行為具有重要影響作用?；诖?，本文將借鑒信息生態(tài)理論（Information Ecology Theory），多維度探究出版從業(yè)人員人工智能生成內容采納行為影響因素及其組態(tài)效應，并為推動行業(yè)創(chuàng)新提供理論支持。

1 理論基礎與研究假設

信息生態(tài)的概念源于20世紀60年代信息科學、系統科學與生態(tài)學的跨學科研究，經過多個學科領域的研究積累，逐漸形成了信息生態(tài)理論。該理論認為，信息人、信息、信息技術、信息環(huán)境共同構成了信息生態(tài)，強調了信息流動、技術使用和組織文化等因素在內的復雜相互作用[10]。信息生態(tài)理論常被用于信息系統設計和使用中的人機交互研究，重點考察用戶、系統傳遞的內容、構成系統的軟硬件、系統規(guī)則等內部環(huán)境以及社會文化等外部環(huán)境的相互影響。龐宇飛等基于信息生態(tài)理論構建人工智能生成內容問答平臺用戶信息交互行為影響因素模型，發(fā)現信息有用性、信息易用性、感知趣味性、技術促進性、交互氛圍與交互意愿是影響人工智能生成內容問答平臺用戶信息交互行為的關鍵因素[11]。甄宓從信息生態(tài)視角出發(fā)，探討高校大學生學術信息搜尋行為的影響因素及其組態(tài)效應發(fā)現，信息素養(yǎng)、信息需求、感知易用性、感知有用性、平臺建設與交互氛圍共同構成影響大學生學術信息搜尋行為的因素集[12]?？梢?，信息生態(tài)理論提供了更為全面和動態(tài)的視角來觀察和解釋復雜的信息和技術互動，為出版從業(yè)人員人工智能生成內容采納行為研究提供了更加層次化、全局性的視角。

基于此，在信息生態(tài)理論的視角下，本文將影響從業(yè)人員人工智能生成內容采納行為的因素基于系統層次劃分為內容維度、個體維度和環(huán)境維度。內容維度主要關注信息的質量和可信度。個體維度在信息生態(tài)中包括個體的信息技能、信息需求和信息行為模式。環(huán)境維度涵蓋了信息技術的支持系統、組織的信息政策和文化。此外，本文以信息生態(tài)理論為基礎進行從業(yè)人員人工智能生成內容采納研究，是在信息采納行為研究的基礎上拓展研究維度，本質上仍屬于信息采納行為研究的范疇，故仍以內容維度為核心維度，將個體維度，即內容采納者自身因素設定為次核心維度，環(huán)境維度則重點考量外部因素。

1.1 環(huán)境維度

環(huán)境維度主要考察對從業(yè)人員行為決策起著重要的驅動作用的外部因素。從業(yè)人員所處環(huán)境即所處員工社群和企業(yè)。根據創(chuàng)新擴散理論（Diffusion Of Innovation Theory）和社會認知理論（Social Cognitive Theory），社群對個體技術采納行為的形成有直接影響，主要通過社會規(guī)范、經驗共享和示范效應等因素產生作用[13]?；诖?，在環(huán)境維度下，本文選取“社群影響”和“企業(yè)支持”兩個變量。二者從社群與組織的內外兩個角度，體現環(huán)境因素對出版從業(yè)人員采納人工智能生成內容行為的影響。

社群影響指的是個體認為周圍重要人物對其使用新技術的期望和看法對其決策的影響程度[14]。研究表明，社群影響能夠顯著推動技術采納行為的發(fā)生[15]，同時在多個采納決策環(huán)節(jié)起到調節(jié)作用。居爾索伊（Gursoy）等對消費者采納人工智能設備服務意愿的研究表明，來自周圍人的社會影響越強時，用戶對于收益的感知越高，成本感知越低，進而促進技術接受[16]。在出版行業(yè)中，同樣可以認為，當社群影響越強時，從業(yè)人員對人工智能生成內容的益處感知越強烈，采納行為越主動。基于此，本文提出以下假設：

H1：出版從業(yè)人員所處環(huán)境的社群影響對采納行為有顯著正向影響作用。

企業(yè)支持是個體相信存在組織和技術基礎設施來支持系統使用的程度[17]。

企業(yè)支持提供的便利條件可以顯著加快該技術在組織內的傳播速度和接受度，提高員工對新技術的認知和使用能力，強化技術采納的動機和效率。在本文中，企業(yè)支持表征出版企業(yè)對技術應用的積極性，以及為這些技術提供支持政策、設備設施的情況。基于此，本文提出以下假設：

H2：出版從業(yè)人員感受到企業(yè)的對生成式人工智能技術的支持力度對人工智能生成內容采納行為有顯著正向影響作用。

1.2 個體維度

個體維度主要考察從業(yè)人員的個人特質和內在因素如何影響其對人工智能生成內容的采納行為。擴散創(chuàng)新理論中提出，創(chuàng)新性是個體采納新技術行為的重要特質，創(chuàng)新性強的個體往往是早期采納者，對新技術的接受度更高[18]。而在社會認知理論中，自我效能感是另一個重要的核心概念，自我效能感會顯著影響個體的行為決策。兩個概念的結合一方面揭示了從業(yè)人員在技術采納中的主動性，另一方面強調了他們克服技術障礙的能力，共同構成對個體維度影響因素的重要支撐?；诖?，在個體維度下，本文選取個人創(chuàng)新和自我效能感兩個變量。

個人創(chuàng)新指個體對新事物的接受程度和嘗試新想法、新產品或過程的意愿[19]。如田（Tian）等的研究證實了個人創(chuàng)新是影響中國研究生對AI聊天機器人的接受和使用的關鍵決定因素，具有高創(chuàng)新傾向的研究生更可能嘗試和采納新技術[20]。在本文中，個人創(chuàng)新用于表征從業(yè)人員在面對新問題時主動嘗試創(chuàng)新方法和在面對新技術愿意主動嘗試的意愿和能力?；诖耍疚奶岢鲆韵录僭O：

H3：出版從業(yè)人員的個人創(chuàng)新特質對人工智能生成內容采納行為有顯著正向影響作用。

自我效能感指人們對自己使用特定技術成功的信心，這種信心對技術的接受和使用有著顯著的影響[21]。個體對技術的自我效能感高的個體通常更有可能接受和有效使用新技術。邵（Shao）等結合自我效能理論和技術接受模型研究了美國用戶對人工智能接受的態(tài)度，結果發(fā)現，具有更高技術自我效能的用戶往往具有更高的感知有用性，更傾向于接受和采納技術[22]?；诖?，本文提出以下假設：

H4：出版從業(yè)人員對AI技術的自我效能感對人工智能生成內容采納行為有顯著正向影響作用。

1.3 內容維度

對于內容維度的影響因素，信息采納模型中的“信息質量”和“感知可信度”已經過大量研究驗證。信息采納模型基于信息系統研究中的技術接受模型和社會心理學中的態(tài)度改變理論發(fā)展而來，已經被證明能夠有效解釋和預測個體在面對在線信息時如何處理信息并決定是否采納該信息為自己所用。于潔[23]、郭順利等[24]的研究均驗證了在不同場景下人工智能生成內容采納行為中感知質量、感知有用性以及感知信任的關鍵作用。在本文中，內容滿意度用于表征出版從業(yè)人員感知到的人工智能生成內容質量及其與自身工作要求的適配度；感知可信度表征出版從業(yè)人員對技術的信任程度和人工智能生成內容的認可程度，內容滿意度和感知可信度是決定信息是否被接受和采用的兩個關鍵因素?；诖耍疚奶岢鲆韵录僭O：

H5：出版從業(yè)人員對人工智能生成內容的內容滿意度對采納行為有顯著正向影響作用；

H6：出版從業(yè)人員對人工智能生成內容的感知可信度對采納行為有顯著正向影響作用。

2 研究設計

2.1 問卷設計與回收

本文在整合已有研究成果的基礎上，根據我國出版業(yè)的具體情況設計問卷。問卷在正式調研前已通過專家審定和預調研，確保題目的科學性與合理性。最終問卷包括個人基本信息和量表題項兩部分，量表題項部分各指標測量項均根據已有研究驗證的量表進行調整，以符合出版行業(yè)的使用場景和具體需求。問卷采用李克特五級量表（1=非常不同意，5=非常同意）來測量各題項。表1展示了各變量的平均值、標準差、信度系數、題項數量和代表性題項。

經過收集，本文最終收回問卷1249份，剔除不完整、重復、無效問卷后，有效問卷數量為1114份，有效回收率89.19%。受訪者中，男性占比（57.13%）略高于女性（42.87%）；絕大多數（86.04%）受訪者年齡集中在26周年至45周歲，屬于新技術采納意愿較為強烈的年齡段。來自出版社的受訪者占比接近半數（46.86%），其次技術服務公司（19.75%），民營文化公司（17.06%），期刊社、報社、雜志社（16.34%），該比例也較為符合出版行業(yè)現狀。對受訪者崗位性質進行劃分，可以分為專業(yè)技術崗（76.75%）和行政管理崗位（23.25%），按照職務層級劃分，基層與中層員工占比達94.08%，表明大多數受訪者具有一線工作任務，符合本文的目標群體要求。

2.2 數據分析方法

本文首先采用SPSS 27對數據進行分層回歸分析（Hierarchical Regression Analysis），旨在驗證不同維度影響因素的實際影響效果及其遞進關系。分層回歸分析方法能夠通過逐步添加一組或多組自變量（預測變量）來檢驗每一組變量對因變量的獨立貢獻，其優(yōu)勢在于靈活性和變量控制能力。

接著，本文進一步采用模糊集定性比較分析方法（fuzzy-set Qualitative Comparative Analysis，fsQCA），旨在確定影響因素的復雜組態(tài)，更加清晰地呈現影響因素的作用路徑。定性比較分析（Qualitative Comparative Analysis，QCA）是一種混合了定性和定量研究方法的社會科學分析工具，以案例為導向，以集合論和組態(tài)思維為基礎，結合了定量分析與定性分析，能夠有效揭示變量間的復雜關系和路徑依賴。模糊集定性比較分析方法是3類定性比較分析方法中最適合處理連續(xù)變量分析的一類，能夠為量表數據提供更深入的分析視角，故本文直接采用模糊集定性比較分析方法進行出版從業(yè)人員人工智能生成內容采納行為的影響因素的組態(tài)效應分析。

在定性比較分析中，必要條件分析是必不可少的步驟，用于對單項前因變量的必要性進行判定，從而保證組態(tài)分析結果的準確性。模糊集定性比較分析方法軟件能提供必要條件分析，但局限于定性視角，而必要條件分析（Necessary Condition Analysis，NCA）則可以定量地體現必要條件的程度，同時分析不同結果變量水平下前因變量需要達到的水平[32]。必要條件分析是一種用于識別和檢測數據中影響結果變量的必要非充分條件的研究方法，該方法彌補了傳統研究方法（回歸和相關分析等）只關注充分條件而忽略必要條件的不足。鑒于此，本文采用必要條件分析方法替代模糊集定性比較分析方法中的必要條件分析，以確保結果準確可靠。

3 數據分析結果

3.1 分層回歸分析

表2顯示，在分層回歸分析模型中，在環(huán)境、個體和內容維度因素加入后的ΔR2分別為 0.35、0.12 和 0.14，每一層變量的加入對結果變量的解釋力都在增加。在第一層模型中，環(huán)境維度模型的解釋力度為35%（R2=0.35），企業(yè)支持（B = 0.31，p lt; 0.001）和社群影響（B = 0.42，p lt; 0.001）對從業(yè)人員人工智能生成內容采納行為具有顯著的正向影響，假設1和假設2成立。第二層模型在控環(huán)境變量后，模型解釋力度提高到50%（R2=0.50），自我效能感（B = 0.45，p lt; 0.001）和個人創(chuàng)新（B = 0.21，p lt; 0.001）同樣呈現顯著正向影響作用，假設3和假設4成立。第三層模型中，內容維度的影響因素加入后模型解釋力度進一步提升至64%（R2=0.64），感知可信度（B = 0.38，p lt; 0.001）和內容滿意度（B = 0.33，p lt; 0.001）均顯著正向影響內容維度，因此假設5和假設6成立。環(huán)境維度的影響作用在加入個體和內容維度的變量后逐漸被稀釋，個體維度的影響作用在第三層模型中同樣被削弱。

3.2 數據校準

根據模糊集定性比較分析方法的原理和要求，在進行數據分析之前首先必須對數據進行校準。如表3所示，本文采用直接校準法分別將完全隸屬點、交叉點和完全不隸屬點閾值設置在連續(xù)變量0.95、0.5和0.05的分位數上，將問卷數據轉化為[0，1]上連續(xù)變化的隸屬度數據，數據校準借由SPSS和fsQCA軟件進行。同時，為防止出現過多的0.5數值導致在構建真值表時將數據剔除，統一在校準后的數值上減去0.001[33]。

3.3 必要條件分析

必要條件分析方法利用散點圖判斷前因變量是否為結果變量的必要條件，同時，利用瓶頸表分析前因變量在多大程度上是構成結果發(fā)生的必要條件。根據杜運周（Dul J）的研究，在必要條件分析結果中，變量是否構成必要條件需要滿足效應量dgt;0.1且plt;0.05兩個條件[34]。本文借助R語言必要條件分析工具包，利用上限回歸分析法（Ceiling Regression，CR）和上限包絡分析法（Ceiling Envelopment，CE）來計算6個前因變量的效應量。由表4分析結果可知，6個前因變量中不存在同時滿足上述條件的變量，故可以認為6個影響因素都不是出版從業(yè)人員人工智能生成內容采納行為的必要條件。

瓶頸水平是指單個前因變量在其觀測值范圍內需要滿足的最低水平值（%）。上限包絡分析法通常用于處理二分類變量，上限回歸分析法則常用于處理連續(xù)或離散型變量，因此，本文通過上限回歸分析法計算得出瓶頸水平。瓶頸水平計算結果顯示，在較低的結果水平（50%以下）時，所有前因變量都不是瓶頸；在較高結果水平時，部分條件（內容滿意度、個人創(chuàng)新、自我效能）開始成為瓶頸，需要它們達到一定的水平才能推動人工智能生成內容采納行為的進一步提升。

3.4 組態(tài)路徑分析

為了確保獲得合適數量的組態(tài)路徑來評估關系，需要根據樣本數量設置案例閾值。對于大樣本（樣本量gt;150）數據，較高的案例閾值要求每條路徑覆蓋更多案例，能夠有效減少路徑數量，提高模型解釋力度。本文參考已有文獻[35]，將案例閾值設置為4，原始一致性閾值設置為0.8；并將“不一致性的比例減少”（Proportional Reduction in Inconsistency，PRI）的一致性閾值低于0.75的案例結果手動標記為0。

真值表算法產生了3種不同的解，即簡約解（Parsimonious Solution）、中間解（Intermediate Solution）和復雜解（Complex Solution），同時出現在簡約解和中間解中的條件視為核心條件，只出現在中間解中的條件視為邊緣條件。結果表示上，當路徑中的核心條件一致時，將其視為同一組態(tài)。一般情況下，當一致性（Consistency）大于等于0.8，總體覆蓋度（Solution Coverage）大于等于0.5時，分析結果視為可接受[36]，本模型分析結果各路徑和總體一致性（Solution Consistency）均大于0.9，且總體覆蓋度為0.73。在得出結果后，本文選取調整一致性閾值的方法檢驗結果的穩(wěn)健性，將原始一致性閾值由0.8調整為0.9，并再次進行真值表構建和標準化分析，所形成高持續(xù)使用意愿的條件組態(tài)、核心條件均與原結果一致，各項一致性和覆蓋度指標僅存在細微的差異，并未產生新的解釋。因此，本文產生的結果路徑是穩(wěn)健可靠的。分析結果顯示，能夠引發(fā)出版從業(yè)人員人工智能生成內容采納行為的組態(tài)路徑共有4條（見表5），且核心條件各不相同。

結果顯示，出版從業(yè)人員AIGC采納行為影響因素的組態(tài)路徑共有4條，一致性和覆蓋度均達到較高水平。組態(tài)1中的核心條件包括自我效能感、內容滿意度和感知可信度3個變量。該組態(tài)可以解釋約63%的人工智能生成內容采納行為，其中約3%的采納行為僅能被這個組態(tài)解釋。組態(tài)2中的核心條件包括企業(yè)支持、自我效能感、感知可信度3個變量。該組態(tài)可以解釋約66%的人工智能生成內容采納行為，其中約6%的采納行為僅能被這個組態(tài)解釋。組態(tài)3中的核心條件包括自我效能感、個人創(chuàng)新和感知可信度3個變量。該組態(tài)可以解釋約35%的人工智能生成內容采納行為，其中約1%的采納行為僅能被這個組態(tài)解釋。組態(tài)4中的核心條件包括企業(yè)支持、內容滿意度、感知可信度3個變量。該組態(tài)可以解釋約32%的人工智能生成內容采納行為，其中約2%的采納行為僅能被這個組態(tài)解釋。

4 研究結論與建議

4.1 研究結論

本文基于信息生態(tài)理論基本框架，收集了1114位出版從業(yè)人員關于人工智能生成內容采納行為的影響因素，變量涵蓋環(huán)境、個體、內容3個維度。通過分層回歸分析確定了三重維度的遞進關系；通過必要條件分析和組態(tài)路徑分析確定了從業(yè)人員人工智能生成內容采納行為影響因素的組態(tài)效應，具體研究結論如下。

環(huán)境、個體、內容維度影響因素共同促進人工智能生成內容采納行為，內容維度因素最終決定采納行為。分層回歸分析結果顯示，企業(yè)支持、社群影響、自我效能感、個人創(chuàng)新、內容滿意度和感知可信度對從業(yè)人員人工智能生成內容采納行為具有顯著正向影響作用，研究假設均成立。當不考慮內容維度的影響因素時，環(huán)境維度和個體維度的因素對從業(yè)人員人工智能生成內容采納行為具有正向顯著的影響作用。這一結果與當前技術接受模型有關的研究結論完全一致[37]。該結果進一步驗證了技術接受模型和信息采納模型在出版從業(yè)人員中的通用性。當考慮內容維度的變量時，環(huán)境和個體維度的變量影響力度顯著降低，尤其社會影響和個人創(chuàng)新兩個因素不再影響采納行為，這一結果與現有關于技術接受的研究存在差異。對此，本文認為，產生該結果的可能原因是，當結果變量由簡單的技術接受進一步調整為對技術生成內容的采納時，必須更多地考慮內容采納模型對行為的塑造。換言之，當僅考慮生成式人工智能技術接受時，環(huán)境和個人維度的影響因素顯著影響接受結果，但無法決定人工智能生成內容的采納，內容維度的因素最終決定采納結果。但這也恰恰說明，環(huán)境和個體維度因素的推動作用不可忽視。環(huán)境因素為采納行為提供了必要的基礎動力，尤其是企業(yè)對于技術應用的支持，在多個組態(tài)路徑中承擔核心條件。

多種組態(tài)有效促進出版從業(yè)人員人工智能生成內容采納行為。總結分層回歸分析結果和組態(tài)路徑分析結果可知，盡管并非所有因素能夠同時作用于從業(yè)人員人工智能生成內容采納行為，但6個前因變量的組合呈現了4種組態(tài)。綜合來看，4種組態(tài)呈現了3種跨維度組合模式，即個體－內容型、環(huán)境－個體－內容型和環(huán)境－內容型。組態(tài)1和組態(tài)3中，核心條件只出現在個體維度和內容維度，可歸類為個體－內容型；組態(tài)2和組態(tài)4按此邏輯可分別歸類為環(huán)境－個體－內容型和環(huán)境－內容型。在所有組態(tài)和模式中，內容維度的影響因素都參與了核心條件的構成。對于個體－內容型，已有研究表明，高自我效能感的從業(yè)人員更可能嘗試生成式人工智能技術；個人創(chuàng)新傾向則驅使他們不斷尋找并試驗可能的新解決方案[38]；而對人工智能生成內容的滿意度和可信度的高評價將能直接促進人工智能生成內容采納。3個因素的組合能夠有效促進人工智能生成內容采納行為。對于環(huán)境—個體—內容型，企業(yè)支持提供了必要的資源和環(huán)境，增強了從業(yè)人員的自我效能感和對技術可靠性的了解，企業(yè)支持提高了對技術產出可信度的感知，進一步促使從業(yè)人員依賴并采納這些技術，從而推動了人工智能生成內容的采納。對于環(huán)境—內容型，企業(yè)支持為內容滿意度和感知可信度提供了基礎，高內容滿意度和可信度加強了從業(yè)人員對企業(yè)支持的認可，進一步提升從業(yè)人員在工作中接受新技術和采納人工智能生成內容的意愿。

自我效能感和感知可信度對出版從業(yè)人員人工智能生成內容采納行為具有關鍵決定性影響。結合組態(tài)分析結果來看，自我效能感和感知可信度幾乎同時出現在所有組態(tài)路徑中，驅動著出版從業(yè)人員對人工智能生成內容的采納行為。這說明，從業(yè)人員個體對于生成式人工智能技術的信心和信任是人工智能生成內容采納的關鍵影響因素。尤其是對技術和內容的感知可信度直接決定了采納行為，這與申東熙（Shin）[39]和唐旭麗等[40]的結論相同，信任是技術接受和內容采納的關鍵。相比之下，社群影響和個人創(chuàng)新通常不是采納行為的核心條件。社群影響在組態(tài)3和組態(tài)4中為缺失條件，在組態(tài)1和組態(tài)3中可有可無。這表明，與其他因素相比，這兩個因素并不能顯著影響從業(yè)人員的人工智能生成內容采納行為。綜合分層回歸分析和組態(tài)效應分析都可以發(fā)現，當在前因變量中加入內容維度等與績效預期有關的因素時，社群影響對技術接受和內容采納并不重要，與趙靜等[41]和阿卜杜拉（Abdalla）[42]的結論一致。

4.2 研究建議

針對數據分析結果和研究結論，為了促進從業(yè)人員在人工智能生成內容介入下善用技術的能力提升和對人工智能生成內容的采納意愿，本文提出以下綜合建議。

強化企業(yè)支持與培訓，增強從業(yè)人員技術自我效能感和技術信任。第一，企業(yè)支持在人工智能生成內容采納行為基礎推動力量，自我效能感和感知可信度是人工智能生成內容采納行為的關鍵因素。建議企業(yè)通過提供定期的技術培訓、更新工作流程和工具，以及建立激勵機制來促進員工對生成式人工智能技術的采納。如設立月度或季度技術培訓計劃，邀請行業(yè)專家和技術顧問來講解人工智能生成內容的最新進展與最佳實踐；開設入門課程，幫助沒有技術背景的員工理解人工智能生成內容的基本概念；同時，設置進階應用課程，提升從業(yè)人員技術熟練度。第二，當從業(yè)人員具備較強的自我效能感時，將顯著增強人工智能生成內容有用性的感知[43]，可以通過提供成功的案例研究、用戶反饋和市場數據來增強員工對生成式人工智能的信心。如定期發(fā)布行業(yè)內成功應用人工智能生成內容的案例，并組織分享會；通過邀請技術專家分享如何有效利用人工智能生成內容提升工作效率，增強員工對技術的信任。同時，可以通過透明的溝通和教育來建立員工對人工智能生成內容技術的信任，減少他們對技術的疑慮和擔憂。如設置“反饋渠道”，鼓勵員工分享使用人工智能生成內容技術后的體驗與成果，幫助其他員工更好地理解技術的實際應用效果。在具體技術使用環(huán)節(jié)，有必要開展針對性的操作培訓，幫助從業(yè)人員掌握生成式人工智能工具的實際應用，如內容生成、數據分析等。企業(yè)還可以定期發(fā)布技術安全報告，公開數據使用和存儲的規(guī)范，確保所有從業(yè)人員都能理解和信任技術的安全性。第三，有研究表明，技術信任與領導信任是促進企業(yè)員工技術接受的關鍵因素[44]，建議企業(yè)管理層加強對人工智能生成內容技術的認識和支持。管理層對人工智能生成內容的支持表明了企業(yè)對創(chuàng)新的開放態(tài)度，有助于營造鼓勵嘗試和創(chuàng)新的企業(yè)文化。這不僅能吸引對技術充滿熱情的人才，也能鼓勵現有員工學習和適應新的技術趨勢，從而推動整體團隊能力提升。管理層可以定期組織“創(chuàng)新沙龍”或“技術討論會”，讓員工在輕松的氛圍中與高層進行技術交流，促進技術在企業(yè)文化中的深度融入。

提升出版行業(yè)人工智能生成內容質量，明確人工智能生成內容負責任采納行為的邊界。第一，內容維度的因素是決定人工智能生成內容采納結果的關鍵，建議在技術開發(fā)和管理決策環(huán)節(jié)更加重視內容的質量和可信度?？梢酝ㄟ^建立嚴格的內容審核機制、提高內容創(chuàng)作的專業(yè)性和準確性，以及增強內容的個性化和互動性來提升用戶對人工智能生成內容的滿意度和信任度。出版機構可以為審核人員提供專項培訓，確保他們能夠準確識別人工智能生成內容中的潛在問題，特別是專業(yè)性和倫理性問題。此外，可以為從業(yè)人員創(chuàng)建一個展示平臺，使他們能夠發(fā)布使用生成式人工智能創(chuàng)作的內容，并獲得同行和公眾的反饋。同時，鼓勵從業(yè)人員通過競賽和獎勵機制參與到內容創(chuàng)新中，提升他們的創(chuàng)造力和歸屬感。第二，就組態(tài)分析結果來看，內容滿意度作為核心條件的組態(tài)僅有半數，這說明從業(yè)人員在采納時以完成任務為主，會主動忽略人工智能生成內容的質量，因此，有必要進一步規(guī)范生成式人工智能技術在出版行業(yè)中的應用和規(guī)范從業(yè)人員的人工智能生成內容采納行為。宏觀管理層面，政府及行業(yè)協會可以制定相關的標準和政策，加強引導生成式人工智能技術的健康發(fā)展。應引導推動行業(yè)自律機制的建立，鼓勵出版行業(yè)內部形成“負責任采納人工智能生成內容”的共識和行為規(guī)范。微觀實踐層面，出版行業(yè)應制定統一的人工智能生成內容內容創(chuàng)作和采納標準，明確哪些類型的內容是可以由AI生成的，哪些類型必須由人工完成。同時，應確保生成內容符合社會倫理標準，可以設立標識機制，標注哪些內容是由人工智能生成內容生成的，讓讀者清楚知曉內容的來源，如設置“本內容由人工智能生成”或“AI創(chuàng)作”等標識。

重視社群影響的輔助作用，積極組織內部技術創(chuàng)新小組。盡管社群影響和個人創(chuàng)新不是采納行為的核心條件，但研究結果顯示他們在推動從業(yè)人員人工智能生成內容采納行為中同樣發(fā)揮重要作用。洪（Hong）[45]的研究表明，認為自己認識更多具有人工智能技能的人的用戶更有可能具有更高的人工智能自我效能。建議企業(yè)在推動人工智能生成內容技術采納時，適當考慮社群影響的輔助作用。如在企業(yè)內部創(chuàng)建在線社群平臺，員工可以隨時發(fā)布自己的人工智能生成內容使用情況、解決方案和學習資料，鼓勵員工分享和交流人工智能生成內容技術的使用經驗，以及提供平臺讓員工展示他們的創(chuàng)新成果。企業(yè)還可以定期收集社群成員對于人工智能生成內容技術應用的反饋，評估其在不同業(yè)務場景中的效果和可行性，篩選和推薦新的可用AI技術。此外，通過建立技術先鋒隊伍，選取技術熟練者作為內部教練，引導更多從業(yè)人員熟悉并信任新技術，同時設置“技術答疑”，技術先鋒或教練可以幫助同事解答使用人工智能生成內容過程中的具體問題，促進跨部門的知識分享。

關注人機交互協同優(yōu)化，推動出版從業(yè)人員能力結構轉型。推動從業(yè)人員人工智能生成內容采納的最終目的是提高出版行業(yè)的效率、創(chuàng)新能力和競爭力，助力出版行業(yè)的長期可持續(xù)發(fā)展。隨著人工智能生成內容在出版行業(yè)中的深度應用，出版行業(yè)或將經歷深刻的轉型，既包括出版生態(tài)的重塑，也包括勞動力結構的變化。出版行業(yè)將逐漸融入更為復雜的產業(yè)鏈，需要與技術公司、數據平臺等各方密切合作。人工智能生成內容將替代傳統的內容創(chuàng)作、編輯和排版等環(huán)節(jié)。在此背景下，出版行業(yè)應密切關注勞動力結構變化，適時調整從業(yè)人員能力結構需求，重點培養(yǎng)人機協同創(chuàng)新能力，鼓勵員工從使用AI到與AI合作創(chuàng)新，轉變?yōu)榕cAI協同工作的創(chuàng)新者。對此，應進一步結合上述建議，推動開放的企業(yè)文化，鼓勵從業(yè)人員對AI技術的嘗試和創(chuàng)新。

5 研究不足與展望

本文探討了影響出版從業(yè)人員人工智能生成內容采納的關鍵因素，總體來看仍存在不足之處。首先，研究采用橫向數據揭示了當前行為模式，但缺乏對采納行為動態(tài)演變的追蹤，難以驗證結論的長期適用性；其次，組態(tài)路徑分析雖識別出多維度變量關系，但未能量化影響因素權重及相互作用機制；第三，研究聚焦技術采納動因而未充分評估生成式人工智能深度參與內容生產的潛在風險。因此，未來研究建議從三方面突破：一是采用歷時性追蹤與跨行業(yè)比較，完善人工智能生成內容采納理論框架；二是融合定量權重分析與質性機制研究，提升結論的實踐指導精度；三是建立動態(tài)研究視角，系統分析技術迭代背景下人工智能生成內容對出版業(yè)態(tài)的重構效應，尤其需針對AI生成內容開發(fā)質量評估體系、版權確權機制和倫理審查標準，平衡技術創(chuàng)新與行業(yè)規(guī)范，為出版業(yè)智能化轉型提供兼具前瞻性與風險防控力的解決方案。

注 釋

[1] 董華，張皓越，高愛宇. 生成式人工智能大模型賦能傳統出版企業(yè)轉型升級路徑研究：基于扎根理論的質性研究 [J]. 出版科學，2024，32（4）：37-46

[2] 徐怡行，劉洪權. AIGC環(huán)境下編輯出版人才的關鍵能力重構 [J]. 數字出版研究，2023，2（3）：28-33

[3] 鄭漢，肖謙，丁毅，等. 出版從業(yè)人員對生成式人工智能技術的認知與使用現狀調查 [J]. 中國編輯，2024（10）：36-47

[4]袁慶，沈錫賓，劉紅霞，等. 中國科技期刊編輯大模型技術認知及其影響的調研研究 [J]. 編輯學報，2024，36（2）：183-188

[5][28][39] Shin D. User perceptions of algorithmic decisions in the personalized AI system：Perceptual evaluation of fairness，accountability，transparency，and explainability [J]. Journal of Broadcasting amp; Electronic Media，2020，64（4）：541-565

[6] 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，2024：1-14

[7] Chen D， Ye C， Xia Z.Empirical Study on User Acceptance and Optimization Strategies of AIGC News [C]//International Conference on Metaverse." Cham：Springer Nature Switzerland，2024：51-67

[8] Ivanov S，Soliman M，Tuomi A，et al. Drivers of generative AI adoption in higher education through the lens of the Theory of Planned Behaviour [J]. Technology in Society，2024，77：102521

[9] 王忠，林瓏，周華清. 信息生態(tài)鏈視角下出版業(yè)數字化運營路徑研究 [J]. 出版科學，2024，32（2）：15-23

[10] Davenport T H. Information ecology：Mastering the information and knowledge environment [M]. New York：Oxford University Press，1997：98-100

[11] 龐宇飛，張海濤，宋賀，等. AIGC問答平臺用戶信息交互行為影響因素研究：基于SEM與fsQCA的實證

分析 [J/OL].[2024-12-24]." 情報科學. http： //kns.cnki. net/kcms/detail/22.1264. G2. 20241218.1427. 010. html

[12] 甄宓. 信息生態(tài)視角下高校大學生學術信息搜尋行為的影響因素與組態(tài)路徑研究[J/OL]. [2024-12-24]." 情報科學. http： //kns.cnki.net/kcms/detail/22.1264.G2.20241023.1713.010.html

[13] Gupta R，Nair K，Mishra M，et al." Adoption and impacts of generative artificial intelligence：Theoretical underpinnings and research agenda [J]. International Journal of Information Management Data Insights，2024，4（1）：100232

[14][17] Venkatesh V，Morris M G，Davis G B，et al. User acceptance of information technology：Toward a unified view [J]. MIS quarterly，2003：425-478

[15] Tamilmani K，Rana N P，Wamba S F，et al. The extended Unified Theory of Acceptance and Use of Technology（UTAUT2）：A systematic literature review and theory evaluation [J]. International Journal of Information Management，2021，57：102269

[16] Gursoy D，Chi O H，Lu L，et al. Consumers acceptance of artificially intelligent（AI）device use in service delivery [J]. International Journal of Information Management，2019，49：157-169

[18] Rogers E M，Singhal A，Quinlan M M. Diffusion of innovations [M]// An integrated approach to communication theory and research. New York：Routledge，2014：432-448

[19] Agarwal R，Prasad J. A conceptual and operational definition of personal innovativeness in the domain of information technology [J]. Information systems research，1998，9（2）：204-215

[20] Tian W，Ge J，Zhao Y，et al. AI Chatbots in Chinese higher education：adoption，perception，and influence among graduate students—an integrated analysis utilizing UTAUT and ECM models [J]. Frontiers in Psychology，2024，15：1268549

[21] 李永周，王月，陽靜寧. 自我效能感、工作投入對高新技術企業(yè)研發(fā)人員工作績效的影響研究 [J]. 科學學與科學技術管理，2015，36（2）：173-180

[22] Shao C，Nah S，Makady H，et al. Understanding User Attitudes Towards AI-Enabled Technologies：An Integrated Model of Self-Efficacy，TAM，and AI Ethics [J]. International Journal of Human–Computer Interaction，2024：1-13

[23][37] 于潔. 人工智能生成內容（AIGC）用戶采納影響因素研究 [D]. 濟南：山東師范大學，2024

[24][31] 郭順利，張雪寧，蘇新寧. 科研場景下人工智能生成內容用戶采納意愿的影響因素組態(tài)效應分析[J/OL]. [2024-10-21]. 現代情報.http：//kns.cnki.net/kcms/detail/22. 1182.g3.20240704.1717.004.html

[25] Eisenberger R，Huntington R，Hutchison S，et al. Perceived organizational support [J]. Journal of Applied psychology，1986，71（3）：500

[26] Ho S S，Goh T J，Chuah A S F，et al. Past debates，fresh impact on nano-enabled food：A multi-group comparison of presumed media influence model based on spillover effects of attitude toward genetically modified food [J]. Journal of Communication，2020，70（4）：598-621

[27][29] Chandra S，Shirish A，Srivastava S C. To be or not to be… human？Theorizing the role of human-like competencies in conversational artificial intelligence agents [J]. Journal of Management Information Systems，2022，39（4）：969-1005

[30] Ju B，Stewart J B. Exploring perceived online information quality：a mixed-method approach [J]. Journal of Documentation，2024，80（1）：239-254

[32] Dul J. Identifying single necessary conditions with NCA and fsQCA [J]. Journal of Business Research，2016，69（4）：1516-1523

[33] FISS P C. Building Better Causal Theories：A Fuzzy Set Approach to Typologies in Organization Research [J]. Academy of Management Journal，2011，54（2）：93-420

[34] Dul J. Necessary Condition Analysis（NCA）：Logic and Methodology of“Necessary But Not Sufficient”Causality [J]. Organizational Research Methods，2016，19（1）：10-52

[35] Pappas I O，Woodside A G. Fuzzy-set Qualitative Comparative Analysis （fsQCA）：Guidelines for research practice in Information Systems and marketing [J]. International Journal of Information Management，2021，58：102310

[36] Schneider C Q，Wagemann C. Set-theoretic methods for the social sciences：A guide to qualitative comparative analysis [M]. Cambridge：Cambridge University Press，2012

[38] 張聰，何劍峰. 個體創(chuàng)新性對移動圖書館使用行為意向的影響研究 [J]. 圖書館理論與實踐，2017（1）：108-112

[40] 唐旭麗，張斌，張巖. 在線健康社區(qū)用戶的信息采納意愿研究：基于健康素養(yǎng)和信任的視角 [J]. 信息資源管理學報，2018，8（3）：102-112

[41] 趙靜，倪明揚，張倩，等. AIGC重構研究生學術實踐：持續(xù)使用意愿影響因素研究 [J]. 現代情報，2024，44（7）：34-46

[42] Abdalla R A M. Examining Awareness，Social Influence，and Perceived Enjoyment in the TAM Framework as Determinants of ChatGPT. Personalization as a Moderator [J]. Journal of Open Innovation：Technology，Market，and Complexity，2024：100327

[43] Shao C，Nah S，Makady H，et al. Understanding User Attitudes Towards AI-Enabled Techno-logies：An Integrated Model of Self-Efficacy，TAM，and AI Ethics [J]. International Journal of Human–Computer Interaction，2024：1-13

[44] 徐禕，劉藝璇. 技術信任和領導信任對企業(yè)員工新技術接受的影響 [J]. 心理科學進展，2021，29（10）：1711-1723

[45] Hong J W. I was born to love AI：The influence of social status on AI self-efficacy and intentions to use AI [J]. International Journal of Communication，2022，16 ：20

[基金項目] 本文系上海出版?zhèn)髅窖芯吭骸懊鄱瓤萍既藱C結合數字出版智能編校聯合實驗室招標課題”（SAYB2404）階段性成果。

[作者簡介] 鄭漢，信息學博士，武漢大學信息管理學院/武漢大學出版研究院副教授；肖謙，通訊作者，武漢大學信息管理學院2023級博士生；賀晨，管理學博士，武漢大學信息管理學院/武漢大學出版研究院在站博士后。