葡萄牙高等教育学生对生成式人工智能的使用与接受

《Sustainability》：Use and Acceptance of Generative Artificial Intelligence in Portuguese Higher Education Students Ana Pedro, Nuno Dorotea, Célia Ribeiras and Bárbara Azevedo

　　

生成式人工智能（GenAI）已在全球范围内迅速传播，推动了结构性变革并重塑了知识获取与建构方式。这一趋势带来了显著挑战，尤其是在高等教育领域，其采纳与接受对于教学转型至关重要。然而，GenAI日益增强的整合程度也引发了与可持续性相关的紧迫问题，其中既包括其环境影响，例如人工智能（AI）模型的能耗与碳足迹，也包括社会与伦理层面的影响，例如负责任使用、公平与数字包容。本研究在考虑上述可持续性维度的基础上，考察影响高等教育学生采纳与接受GenAI的因素。研究采用统一技术接受与使用理论扩展模型（UTAUT2）的修订版本，对2025年收集的229名学生数据进行分析，并使用偏最小二乘法（Partial Least Squares）。通过纳入可持续性视角，本研究旨在深化对GenAI为更加公平且具有生态意识的教育未来所带来的挑战与机遇的理解。研究表明，习惯与绩效期望是驱动学生采纳GenAI的主要因素，这提示高等教育中的GenAI整合应优先关注功能价值以及伦理性习惯养成，而非社会性或享乐性因素。

该论文发表于《Sustainability》，聚焦葡萄牙高等教育学生对生成式人工智能（GenAI）的接受与使用机制，核心目标是识别影响学生采纳此类新兴技术的关键因素，并从可持续性视角理解其在教育场景中的机遇与风险。研究背景在于，ChatGPT公开发布后，GenAI迅速进入高校教学与学习过程，既展现出信息获取、个性化支持、反馈生成和认知辅助等方面的潜力，也引发了关于事实错误、算法偏差、学术诚信、隐私保护、数字鸿沟以及环境代价等一系列问题。现有讨论虽然丰富，但针对高等教育学生群体、尤其是葡萄牙情境下的实证研究仍较有限，且需要在技术接受研究中更充分纳入可持续发展维度。因此，开展本研究具有明显必要性：一方面可为高校政策制定和教学实践提供数据支持，另一方面也有助于为GenAI的负责任整合建立理论依据。

研究人员在经典统一技术接受与使用理论扩展模型（UTAUT2）基础上，构建了适用于GenAI情境的分析框架，保留绩效期望、努力期望、社会影响、便利条件、享乐动机、习惯等变量，并新增个人创新性、信任和感知风险三个构念，以更好反映生成式人工智能这一新兴技术兼具高吸引力与高争议性的特征。研究结果显示，在葡萄牙高等教育学生群体中，习惯（Habit, HB）与绩效期望（Performance Expectancy, PE）是影响行为意向（Behavioural Intention, BI）的最强预测因素；个人创新性（Personal Innovation, PI）也具有显著正向作用，但影响较弱。与此同时，努力期望（Effort Expectancy, EE）并不直接影响行为意向，而是通过增强绩效期望产生间接作用。使用频率（Frequency of Use, FU）则主要由行为意向和习惯直接解释。这些结论表明，学生采纳GenAI主要基于其实用性与已经形成的日常化使用模式，而非社会压力、娱乐性或外部支持条件。论文的重要意义在于，它揭示了高校若要推动GenAI的可持续整合，应重点围绕学习增益、功能价值与伦理化使用习惯展开，而不能仅从技术新奇性或使用便利性出发。

研究采用的主要技术方法包括：以UTAUT2扩展模型为理论基础提出14项研究假设，并引入性别与学位层次作为调节变量；通过EU Survey平台向里斯本大学学生发放问卷，样本为2025年1月至5月间收集的229名高等教育学生；量表使用7点Likert量表评估各潜变量，并以单项指标测量使用频率；统计分析方面采用偏最小二乘结构方程模型（PLS-SEM），在SmartPLS 4软件中进行5000次自助法（bootstrapping）重抽样，以检验测量模型的信度、收敛效度、区分效度以及结构路径显著性。

在研究结果部分，论文首先通过“4.1. Measurement Model Analysis”验证了测量工具的心理测量学质量。研究人员报告，除使用频率为单项构念外，其余构念均接受了系统的信度与效度检验。Cronbach’s α、复合信度与ρA均达到较高水平，说明量表具有良好的内部一致性；平均方差提取量（AVE）均高于阈值，表明收敛效度成立；Fornell–Larcker准则与异质单质比值（HTMT）分析进一步支持区分效度。虽然个别题项载荷略低于理想值，但在构念复合信度与收敛效度满足标准的情况下予以保留。由此可见，研究所构建的测量模型具有足够稳健性，能够支持后续结构关系检验。

在“4.2. Structural Model Analysis”中，研究人员进一步检验了各变量之间的路径关系及模型解释力。模型结果表明，绩效期望有29%的变异可由努力期望解释，行为意向有80%的变异可由模型中的多个前因变量解释，而使用频率有59%的变异可由行为意向、信任、便利条件和习惯共同解释。从假设检验看，H6得到支持，即习惯对行为意向具有显著正向影响，且效应量较大，说明自动化、内化的使用行为是学生形成GenAI使用意向的关键基础。H7同样得到支持，表明习惯对实际使用频率也有显著正向作用，这提示GenAI已经开始嵌入学生学习常规。H10显示绩效期望对行为意向具有高度显著的正向影响，且效应量较大，证明学生是否认为GenAI能够提升学习表现，是决定其是否愿意使用该技术的核心因素。H11显示个人创新性对行为意向具有显著但较弱的促进作用，意味着愿意尝试新技术的学生更容易接受GenAI，但这种作用弱于“有用”和“习惯”两大因素。H13表明努力期望显著提升绩效期望，即当学生认为GenAI易于使用时，更容易进一步判断其具有实际价值。H14则验证了行为意向对使用频率的正向作用，印证了技术接受研究中意向转化为行为的经典关系。

与之相对，其余假设未达统计显著，包括社会影响、便利条件、享乐动机、信任、感知风险等变量对行为意向或使用频率的直接作用不显著。这一发现具有重要解释价值。研究表明，在当前高校环境中，学生使用GenAI并非主要受同伴、教师或社会规范驱动，也不是因为技术“有趣”而采纳，更不是主要取决于制度支持或风险感知。换言之，学生对GenAI的态度更偏向个体化、工具化和绩效导向。这种模式说明，面对高度可及且功能突出的生成式人工智能，传统技术接受模型中的部分社会性、情感性变量在具体教育语境中的解释力可能下降。

论文还保留了调节效应分析结果。关于学位层次，除“学位层次×享乐动机→行为意向”这一关系达到显著外，其他交互路径均不显著。该结果说明，随着学术层次提升，享乐动机对使用意向的影响减弱，高学位学生较少因“好玩”而使用GenAI。关于性别，研究发现性别在“性别×习惯→行为意向”“性别×习惯→使用频率”以及“性别×享乐动机→行为意向”这几条路径上存在显著调节效应，但效应量均较小。这意味着性别会在一定程度上改变习惯与享乐动机的作用方式，但整体影响有限。

在讨论层面，论文强调，GenAI在高等教育中的整合必须以可持续性为导向。研究结果一方面显示，习惯化和高效化使用能够提升学习效率与资源利用，另一方面也提示，如果缺乏审慎引导，学生可能形成对GenAI的过度依赖，进而削弱批判性思维、独立分析与原创表达等关键能力。从环境可持续性看，尽管论文未直接量化能耗，但明确指出大型GenAI系统的能源需求和碳足迹构成不可忽视的问题，因此高校在推动技术应用时，也应关注数字资源与能源资源的高效管理。从伦理维度看，绩效期望和习惯的强势作用意味着学生很容易将GenAI视为快速提升表现的工具，若缺乏规范，可能损害学术诚信、作者主体性及认知能力发展。因此，制度建设、AI素养教育、清晰的使用指南以及促进批判性评价的课程设计，都是实现可持续整合的必要条件。

研究结论部分可译为：本研究基于扩展的统一技术接受与使用理论（UTAUT2）模型，考察了葡萄牙高等教育学生对生成式人工智能技术的接受与使用决定因素。基于偏最小二乘结构方程模型（PLS-SEM）的结果表明，该模型具有较强解释力，尤其在解释行为意向方面表现稳健。研究发现，习惯与绩效期望是影响学生使用GenAI行为意向的最强且最显著预测因素；个人创新性也表现出正向且显著影响，但效应较小；努力期望则通过正向影响绩效期望而间接增强使用意向。相较之下，社会影响、享乐动机、便利条件、信任和感知风险并未对行为意向产生直接显著作用。总体而言，研究说明学生采纳GenAI主要由实用价值认知和日常化使用习惯驱动。研究结果可为高等教育机构制定GenAI整合政策提供依据，提示高校应优先强化技术的功能价值展示、伦理规范建设与批判性使用能力培养，从而推动更负责任、更公平且更可持续的教育技术应用。

总体而言，这篇论文的贡献在于，以实证方式说明了生成式人工智能在高等教育学生中的接受逻辑已从“是否新奇”转向“是否有用、是否已形成惯常使用”，并从可持续性视角提醒教育机构，技术整合的重点不应止于推广使用，而应落在如何建立负责任、具备批判意识且兼顾公平与资源约束的长期应用机制上。