【中图分类号】G40-057【文献标识码】A【论文编号】1009—8097（2025）05—0119—10【DO1】10.3969/jis.1009-8097.2025.05.013
一研究背景
2022 年11月，美国OpenAI推出生成式人工智能ChatGPT，其一经问世，用户规模便迅速超过一亿，并引发了产业界和学术界的广泛关注[1]。GenAI 是指基于预训练转换模型和自监督生成对抗网络，生成高质量文本、图像、音频、视频及其他格式内容的人工智能技术[2]。GenAI通过促进科学数据的高效处理、推动智能创作的发展、优化学术搜索与推荐系统，助力学术科研创新的加速实现，已成为学术科研群体的重要辅助工具。2023年9月，联合国教科文组织发布《教育与研究领域生成式人工智能指南》[3]，呼吁全球积极推动GenAI在教育与研究领域的应用。得益于数据的海量化、算法的升级化和算力的快速化，GenAI展现出非凡的语言理解和文本生成能力，能够作为研究生的互动科研伙伴，丰富日常科研生活；作为智能科研助理，辅助常规任务完成；作为数字科研导师，指导开展创新研究，成为其学术科研道路上不可或缺的得力助手[4]。作为新生的学术科研群体与未来知识创造的中坚力量，研究生既具有传统学术研究属性，也展现出一定的学术创新精神和技术敏锐度，在推动GenAI赋能学术科研进程中扮演了至关重要的角色。探究学术科研场景下研究生的GenAI使用意向影响因素，对于塑造未来的学术科研新生态具有重要意义，是深入理解学术科研群体与GenAI之间互动模式的关键。
目前，GenAI的相关研究多集中于： ① GenAI在学术科研中的潜在价值、实践路径。例如，吴忙等[5]构建了ChatGPT 支持的基于课程的本科生科研体验（Course-Based Undergraduate Research Experiences，CUREs）教学模式，并指出该模式在增强学生的科研知识、技能和情感方面成效显著，但在激发学生主动进行科研探索的内在动机方面尚显不足；储节旺等探讨了GenAI赋能科研知识生产的应用价值，并从法律、技术与个人角度提出相应的优化路径。 ② GenAI为学术科研带来的机遇与挑战。例如，刘宝存等7认为，GenAI虽然在提升科研效率、拓展教育认知与叙事上展现出不可比拟的优势，但同时也面临科研标准难达、学术伦理风险、价值立场混淆、数据安全挑战等困境；李志锴等[8认为，学位论文写作中引入GenAI存在法律与伦理层面的问题，主要涉及人才培养质量挑战、知识产权归属模糊、真假信息难以辨认、学术伪造作假等；周莎等[9从实践角度指出GenAI在当前的学术科研中可能存在人文性缺失、科学性缺失、依赖性成瘾、原创性与批判性缺失等风险，并从顶层设计、标准建立、监管机制等方面提出预防机制，以确保GenAI被科学、合理地应用于学术科研。 ③ GenAI在学术科研中的应用现状调查。例如，金皓月等[10]以ChatGPT为例，通过田野调查法了解大学生在学术写作中的GenAI实际应用情况，并基于学生的“主动阐释”和对事实的“重构”，探讨了GenAI辅助大学生学术写作的价值与局限。
在上述政策引领和现实需求的双重背景下，本研究尝试探析学术科研场景下研究生的GenAI使用意向影响因素，并提出使用意向增强建议，以推动GenAI与学术科研的深度融合，提升研究生的学术科研效能。
二理论基础与假设模型
1理论基础
（1）技术接受模型
1989 年，Davis[11]基于理性行为理论和计划行为理论提出技术接受模型（Technology Acceptance Model，TAM），主要用于解释和预测用户信息技术使用行为的影响因素。TAM模型指出，用户使用信息技术的实际行为是由行为意向决定的，而行为意向由使用态度和感知有用性共同决定—一其中，使用态度由感知有用性和感知易用性共同决定，感知有用性由感知易用性和外部变量共同决定，感知易用性则由外部变量决定。TAM模型通过“外部因素 认知信念 行为意向 使用行为”的影响路径，为探究用户信息技术使用行为的影响因素提供了全面、实用的研究框架，且其对用户信息技术使用行为的解释力高达 30%～40%[12] ，成为国内外用户信息技术使用行为相关研究经常采用的模型之一。
（2）信息生态理论
1997年，美国学者Davenport 等[13]率先提出信息生态理论，认为信息生态系统具有动态平衡性和复杂多样性，强调对影响组织内部信息利用方式的各个复杂问题采用整体思维来加以解决。信息生态理论聚焦于解析信息生态系统中各构成要素之间的相互关联与影响，以及这种关联如何驱动整个信息生态系统的演进与发展。该理论强调四个要素之间的内在有机联系： ① 信息主体，作为信息生态系统的核心，决定着信息生态系统的运行状态和发展方向； ② 信息内容，作为信息生态系统的纽带，是保障信息生态系统正常运行的关键； ③ 信息技术，作为信息传播的技术支撑，是推动信息生态系统不断向前发展的强大动力； ④ 信息环境，是信息生态系统正常运行的重要外部条件，有助于营造高效有序、可持续发展的信息交流与能量交换环境。四个要素相互依存、相互促进，共同构成了和谐共生的信息生态系统。
TAM模型重点关注个人意志控制下的认知信念对实际行为的影响，对于模型整体的复杂性和动态性考虑较少，且对其外部变量定义相对模糊；而信息生态理论关注信息生态系统中信息主体、信息内容、信息技术、信息环境之间的相互作用，强调系统的复杂性和系统性——两者结合，可以产生更强的解释力和预测力[14]。基于此，本研究以 TAM 模型为基础框架，结合信息生态理论，探析学术科研场景下研究生的GenAI使用意向影响因素。
2假设模型
（1）变量选取
在变量选取上，本研究保留了TAM模型的核心变量“感知有用性”和“感知易用性”，因为两者作为基础认知信念变量已被证实能有效解释和预测个体技术使用意向。在此基础上，本研究依据信息生态理论补充多维变量：信息主体维度选取“个人创新”，通过测量个体对新兴技术的主动探索倾向，反映主体特质对个体技术使用意向的差异化影响；信息内容维度选取“信息质量”，聚焦GenAI生成内容的准确性、相关性等核心属性，揭示信息内容对个体技术使用意向的影响机制；信息技术维度选取“相对优势”，通过对比GenAI与传统学术科研工具的优势，解析技术特性对个体技术使用意向的驱动作用；信息环境维度选取“社群影响”，依据社会认知理论的交互决定论，探析导师、同学等社群成员对个体技术使用意向的建构效应。上述变量的选取既延续了TAM模型的认知路径，又借鉴信息生态理论纳入了信息主体、信息内容、信息技术、信息环境等要素，使后续构建的假设模型兼具心理认知的解释力和生态系统的整体性。
（2）假设提出
① 感知有用性（PerceivedUsefulness，PU）：是指个体对采用某项技术或系统提升工作绩效的感知程度。在本研究中，感知有用性是指研究生对GenAI优化学术科研流程、助力研究成果转化（如辅助文献综述、优化实验设计、检查语法错误等）的感知程度。相关研究表明，感知有用性对使用意向存在显著正向影响[15]。基于此，本研究提出以下假设：感知有用性对研究生的GenAI使用意向存在显著正向影响（H1）。
② 感知易用性（Perceived Ease ofUse，PEU）：是指个体感知使用某项技术或系统时的容易程度与便捷性。在本研究中，感知易用性是指研究生对GenAI界面设计直观易用、操作流程清晰明确并能及时提供有效反馈、高效获得所需信息的感知程度。相关研究表明，感知易用性对使用意向、感知有用性存在显著正向影响[16]。基于此，本研究提出以下假设：感知易用性对研究生的GenAI使用意向存在显著正向影响（H2），感知易用性对研究生的GenAI感知有用性存在显著正向影响（H3）。
③ 个人创新（Personal Innovation，PI）：是指个体内心想要尝试使用某项新技术或新系统的意愿。在本研究中，个人创新是指研究生作为技术使用者所具备的内在创新特质，表现为主动尝试使用新技术GenAI的意愿倾向。相关研究表明，个人创新不仅对使用意向存在显著正向影响[17]，而且对感知有用性和感知易用性也均存在显著正向影响[18]。基于此，本研究提出以下假设：个人创新对研究生的GenAI使用意向存在显著正向影响（H4），个人创新对研究生的GenAI感知有用性存在显著正向影响（H5），个人创新对研究生的GenAI感知易用性存在显著正向影响（H6）。
④ 信息质量（InformationQuality，IQ）：来源于信息系统成功模型，其中有用性、可靠性、易获取性是衡量信息质量的关键指标[19]。在本研究中，信息质量是指GenAI输出的信息内容是否满足研究生的学术需求、来源是否权威可靠、呈现是否清晰直观。相关研究表明，信息质量不仅对使用意向存在显著正向影响[20]，而且对感知有用性、感知易用性也均存在显著正向影响[21][22]。基于此，本研究提出以下假设：信息质量对研究生的GenAI使用意向存在显著正向影响（H7），信息质量对研究生的GenAI感知有用性存在显著正向影响（H8），信息质量对研究生的GenAI感知易用性存在显著正向影响（H9）。
⑤ 相对优势（RelativeAdvantage，RA）：是指新技术或新系统相较于原有技术或原有系统所展现出的优势。在本研究中，相对优势是指GenAI相较于传统学术科研工具所展现出的智能化、高效性、多功能等技术优势。相关研究表明，相对优势不仅对使用意向存在显著正向影响[23]，而且对感知有用性、感知易用性也均存在显著正向影响[24]。基于此，本研究提出以下假设：相对优势对研究生的GenAI使用意向存在显著正向影响（H10），相对优势对研究生的GenAI感知有用性存在显著正向影响（HI1），相对优势对研究生的GenAI感知易用性存在显著正向影响（H12）。
⑥ 社群影响（SocialInfluence，SI）：是指特定社群环境中的成员对个体使用某项技术或系统的影响。在本研究中，社群影响是指导师、同学等社群成员对研究生使用GenAI的态度和行为所产生的社会压力或激励。相关研究表明，社群影响不仅对使用意向存在显著正向影响[25]，而且对感知有用性、感知易用性也均存在显著正向影响[26]。基于此，本研究提出以下假设：社群影响对研究生的GenAI使用意向存在显著正向影响（H13），社群影响对研究生的GenAI感知有用性存在显著正向影响（H14），社群影响对研究生的GenAI感知易用性存在显著正向影响（H15）。
基于上述变量和假设，本研究构建了学术科研场景下研究生的GenAI使用意向影响因素假设模型（下文简称“假设模型”），如图1所示。
三研究设计
1问卷设计
为验证上述假设模型的有效性，本研究借鉴Venkatesh 等[27]、Agarwal等[28]、赵静等[29]设计的技术接受度相关量表，并结合3名教育技术领域专家的意见，编制了“学术科研场景下研究生的GenAI使用意向影响因素调查问卷”。该问卷分为个人信息和影响因素两个部分，共设22个题项：个人信息包括性别、年级、学校背景、专业等内容，而影响因素包括感知有用性、感知易用性、个人创新、信息质量、相对优势、社群影响和使用意向。各题项采用李克特5点量表计分，用 1～5 分表示从“完全不同意”到“完全同意”。
2研究对象
本研究采用随机抽样方法，面向江苏、河南、陕西、新疆、重庆等地高校的研究生（包含在读硕士和在读博士），通过线上、线下相结合的方式发放调查问卷，共回收问卷845份。剔除漏答、规律作答、作答时间过短或过长等无效问卷后，本研究得到有效问卷773份，有效回收率为 91.48% 。在这773份有效样本中，男生有443人（占比 57.31% ），女生有330人（占比 42.69% ）；硕士研究生有570人（占比 73.74% ），博士研究生有203人（占比 26.26% ）；来自985或211高校的研究生有495人（占比 64.04% ），来自一般高校的研究生有278人（占比 35.96% ）；文科专业的研究生有305人（占比 39.46% ），理科专业的研究生有262人（占比 33.89% ），工科专业的研究生有206人（占比 26.65% ）。
3信效度检验
本研究分别通过 SPSS26.0、Amos 26.0对问卷进行信效度检验。信度分析结果显示，问卷整体的Cronbach's a 系数值为0.913、各维度的Cronbach's a 系数值介于 0.830～0.899 之间，均高于0.8，表明问卷内部一致性较高。效度分析结果显示，问卷中所有题项的标准化因子载荷系数介于 0.674～0.892 之间，各潜在变量的组合信度（CR）介于 0.839～0.899 之间、平均方差抽取值（AVE）介于 0.624～0.704 之间，均超过0.6，说明收敛效度良好；各潜在变量的相关系数均低于其AVE 值的平方根，说明区分效度达标。
四数据分析
1描述性统计
假设模型中各变量的描述性统计结果如表1所示，可以看出：研究生的GenAI使用意向得分均值较高⋅M=4.064 ）；在影响因素方面，感知有用性的得分均值最高（ .M=3.815 ），感知易用性（ ΔM=3.736 ）、社群影响（ ΔM=3.691 ）、个人创新（ M=3.633 ）、相对优势（ M=3.587 ）次之，信息质量最低（ M=3.293 ）。整体来看，各变量的得分均值 gt;3 ，且变量的标准差 lt;0.6 ，说明各变量的得分相对集中、离散程度较低。
2结构方程模型检验
本研究利用Amos 26.0对结构方程模型的拟合度进行检验，结果如表2所示。表2显示，结构方程模型的卡方/自由度 （χ2/df） 为2.916、拟合优度指数（GFI）为0.940、调整的拟合优度指数（AGFI）为0.919、近似误差均方根（RMSEA）为0.050，规范拟合指数（NFI）为0.946、比较拟合指数（CFI）为0.964、Tucker-Lewis指数（TLI）为0.956，简约规范拟合指数（PNFI）为0.770、简约拟合优度指数（PGFI）为0.698。对比结果显示，结构方程模型的绝对拟合指标、增值拟合指标和综合拟合指标均高于适配标准，表明结构方程模型的拟合度较好。
3假设模型检验
本研究利用Amos26.0对假设模型进行检验，结果如图2所示。具体来说，在使用意向影响路径中，感知有用性（ ⋅β=0.285 ， plt;0.001 ）、感知易用性（ β=0.104 ， plt;0.05 ）、个人创新（ β=0.197 ， plt;0.001 ）、信息质量（ 13=0.276 ， plt;0.001 ）、相对优势（ ℓ3=0.150 ， plt;0.001 ）、社群影响（ β=0.123 ， plt;0.001 ）均对研究生的GenAI使用意向存在显著正向影响，假设H1、H2、H4、H7、H10、HI3成立，其中感知有用性的影响最大，而感知易用性的影响最小。在感知有用性影响路径中，感知易用性（ β=0.195 ， plt;0.001 ）、个人创新（ ⋅β=0.214 ， plt;0.001 ）、信息质量（ β=0.163 ， plt;0.001 ）、相对优势（ ⋅β⋅β⋅β⋅β⋅β⋅ ， plt;0.01 ）均对研究生的GenAI感知有用性存在显著正向影响，假设H3、H5、H8、H11成立，而社群影响（ β=0.070 ， pgt; 0.05）对研究生的GenAI感知有用性无显著影响，假设H14不成立。在感知易用性影响路径中，个人创新（20 （β=0.142，plt;0.001） 、信息质量 （β=0.169，plt;0.001） 、相对优势 （β=0.457，plt;0.001） 、社群影响（ 1=0.084 ，plt;0.05 ）均对研究生的GenAI感知易用性存在显著正向影响，假设H6、H9、H12、H15成立。
注：*表示 plt;0.05 ，**表示 plt;0.01 ，***表示 plt;0.001 。
五结论与建议
1研究结论
（1）感知有用性、感知易用性均对研究生的GenAI使用意向存在显著正向影响，且感知易用性对研究生的GenAI感知有用性存在显著正向影响
在学术科研场景下，研究生作为技术采纳的理性决策者，其GenAI使用意向遵循成本效益分析的逻辑：当GenAI显著提升研究生的学术科研效率、拓展其学术科研视野、加速其学术科研知识创新时，GenAI的效用通过实践验证和价值内化得以转化，从而增强研究生的使用意向。同时，在学术科研时间紧张、任务繁重的情况下，研究生往往倾向于用最简单的方式处理问题，以减少脑力消耗。GenAI通过自然语言交互、模块化设计，降低了操作的复杂性，这种低门槛和高流畅的用户体验不仅缓解了研究生初期的认知焦虑，还通过缩短技术适应周期提升了其使用意向。此外，当GenAI的操作界面直观、功能调用便捷时，研究生更容易克服“技术黑箱”的认知障碍，并通过实践逐步发现GenAI的潜力，从而增强其感知有用性。
（2）个人创新对研究生的GenAI使用意向、感知有用性、感知易用性均存在显著正向影响
首先，具备创新精神和探索热情的研究生展现出强烈的技术探索兴趣和接受倾向，他们不仅积极学习GenAI 的前沿功能，还主动将其融入自己的学术科研活动中，并将其视为打破传统研究范式的战略工具，以挖掘新的研究方法和路径。其次，个人创新能力较强的研究生能从创新的视角审视GenAI的功能和应用场景，更倾向于挖掘GenAI在学术科研领域的潜在价值（如辅助文献综述、进行润色降重、生成实验代码等），进而增强其感知有用性。最后，研究生在学术科研中展现出的个人创新能力越强，就越可能积极面对GenAI带来的挑战与困难，且更有动力跨越学习曲线，坚持不懈地探索和应用GenAI，并在客观上降低使用GenAI赋能学术科研的门槛，形成GenAI易学易用的印象，从而提升其感知易用性。
（3）信息质量对研究生的GenAI使用意向、感知有用性、感知易用性均存在显著正向影响
作为一种前沿技术，GenAI在学术科研领域中被采纳、应用的关键在于其生成的信息能否有效满足研究生的学术科研需求，并切实解决他们在研究过程中遇到的实际问题。而研究生应用GenAI也通常带有一定的目的性和功利性，如期望GenAI生成的信息能够优化学术科研流程、提升研究质量、创新研究视角等。因此，GenAI生成信息的质量将深刻影响研究生对其有用性的感知。此外，GenAI的实用性不仅表现为其生成的信息具有准确性、完整性、时效性和相关性，还体现为其生成的信息以更易于理解和操作的形式呈现，这不仅降低了研究生使用GenAI赋能学术科研的门槛，还提高了其操作效率，进而增强其感知易用性。
（4）相对优势对研究生的GenAI使用意向、感知有用性、感知易用性均存在显著正向影响
相较于其他技术或工具，GenAI在性能、效率、成本等方面优势明显。当研究生认识到GenAI能够帮助他们快速处理实验数据、提供精准分析结果、辅助生成实验代码、撰写论文草稿等独特优势时，技术与需求相匹配所带来的好处就会增强其使用意向。同时，当研究生通过实际体验或观察发现GenAI能够显著提升研究效率、辅助生成创新性的学术科研成果时，他们的感知有用性也会得到增强。然而，如果GenAI的操作复杂、难以掌握，即使其相对优势明显，也难以转化为实际的使用行为。因此，GenAI的设计需注重用户体验，确保研究生能够轻松上手并有效利用各项功能。当研究生感知到GenAI的有用性和易用性时，他们更有动力去克服初始的学习障碍，并享受到GenAI带来的便利和乐趣，从而增强其使用意向。
（5）社群影响对研究生的GenAI使用意向、感知易用性均存在显著正向影响，但对研究生的GenAI 感知有用性无显著影响
在学术社群中，信任机制的建立促使研究生倾向于信赖并采纳来自导师、同学等社群成员的推荐。当社群成员广泛讨论、推荐或展示GenAI在学术科研活动中的成功应用案例时，此类信息的流通会强化研究生的GenAI使用意向。此外，当社群成员普遍反馈GenAI技术操作简便、易用好用时，这种积极的经验分享将产生示范效应，影响社群成员对GenAI易用性的感知。而研究生接收到这些信息后，更倾向于将 GenAI视为一种低门槛、高效率的学术科研辅助工具，进而提升其感知易用性。然而，社群影响对研究生的GenAI感知有用性无显著影响，原因可能在于社群影响不仅涉及信息的传播，更涉及认知的塑造与价值的认同。学术科研工作对研究生的独立性与创新性提出了较高要求，因而他们对GenAI赋能学术科研的有用性感知更多地依赖自己的实践体验。
2建议
基于以上研究结论，本研究针对如何增强研究生的GenAI使用意向提出以下建议：
（1）以主体为中心，激发个人创新思维
个人创新既是学术科研突破的关键，也是研究生将GenAI深度融入学术科研的核心驱动力，研究结果显示个人创新对研究生的GenAI使用意向存在显著正向影响。未来，可以从以下方面激发个人创新思维，培养研究生的GenAI应用能力： ① 培养GenAI创新意识，激发探索热情。2023年颁布的《生成式人工智能服务管理暂行办法》[30]，明确鼓励GenAI在各领域的创新应用，并支持科研机构开展GenAI技术创新。因此，教育部门应积极举办专题讲座、学术论坛等，邀请行业专家通过真实案例展现GenAI在学术科研中的潜在价值与应用前景，以吸引并鼓励研究生主动将GenAI融入自身的学术科研。 ② 深化GenAI知识体系，筑牢科研基石。教育部门应通过课程设置、教材编写等，为研究生提供系统的GenAI知识体系，内容包括基本原理、技术架构、应用场景、发展趋势等，确保研究生能够全面掌握GenAI的相关知识。同时，鉴于GenAI的跨学科特性，教育部门应加强跨学科课程的融合，为研究生提供优质且有针对性的GenAI学习资源。 ③ 强化GenAI实践技能，实现知行合一。高校应引导研究生参与GenAI驱动的学术科研项目，使其在解决实践问题的过程中体验技术创新的魅力，加深他们对GenAI的理解，并激发其探索新技术的好奇心和创造力；同时，积极举办GenAI创新挑战赛或成立GenAI工作坊，为研究生提供展示GenAI应用成果的平台，并对取得成绩的个体或团体给予表彰，以提升研究生对GenAI赋能学术科研的使用意向。
（2）以内容为保障，铸就信息质量基石
信息质量的准确性和可靠性是学术科研的基石，直接影响学术科研的严谨性，研究结果显示信息质量对研究生的GenAI使用意向存在显著正向影响。未来，可以从以下方面加强信息质量建设，确保研究生学术科研严谨： ① 精准定义科研需求，引导高质量的内容生成。高质量的答案需要高质量的提问作引导，高校应加强对研究生语言表达和逻辑思考能力的训练，提升他们的问题意识和提示词构造能力[311，使其能够清晰地表达自己的学术科研需求，并能将这些需求转化为GenAI可理解的指令与参数，从而避免因输入的模糊性、歧义性或错误性而降低GenAI的使用效果。 ② 强化评估反馈机制，确保GenAI内容的生成质量。教育部门应建立科学的评估体系，通过同行评审、专家评估等，对GenAI生成内容的准确性、创新性、逻辑性等进行综合评估，并将评估结果及时反馈给GenAI系统。据此，GenAI应及时迭代更新、不断优化系统，确保GenAI生成的内容符合学术规范与法律法规，以增强研究生对GenAI的信任与使用动机。 ③ 促进人机协同，发挥各自优势提升学术科研效率。GenAI擅长数据分析、信息检索和自动生成内容，而研究生具有一定的批判性思维与创新能力。通过人机协同，研究生可以在GenAI的辅助下快速获取研究素材，并在此基础上进一步深入挖掘与创新思考，形成更高质量的学术成果，推动学术科研的不断进步。
（3）以技术为核心，提升技术相对优势
相对优势反映了技术的创新程度和用户使用技术的好处，研究结果显示相对优势对研究生的GenAI使用意向存在显著正向影响。未来，可以从以下方面提升技术相对优势，满足研究生的学术科研需求： ① 坚持需求导向，是提升GenAI相对优势的核心。在技术研发层面，要积极开展需求调研，加强对多学科领域中研究生的GenAI应用需求研究，并邀请多学科领域专家指导GenAI的研发，建立动态的用户反馈机制，确保技术开发与学术科研需求相匹配，为研究生提供更加智能、高效的学术科研服务。 ② 提供一站式服务，是提升GenAI相对优势的关键。GenAI平台需集数据处理、模型训练、预测分析等功能于一体，为研究生提供一站式服务，降低GenAI应用门槛，并组建一支技术支持团队，以快速响应并及时解决研究生在使用过程中遇到的问题，保障学术科研顺利进行。例如，“中科院学术专用版ChatGPT”开源项目具有一键润色、中英互译、代码解释等功能[32]，能有效提升研究生的学术科研效率，增强其GenAI使用意向。 ③ 数据治理与隐私保护，是提升GenAI相对优势的重点。在研究生使用GenAI进行学术科研的过程中，因涉及大量敏感数据的传输，故亟待建立完善的数据治理机制，以确保数据使用合法合规，并明确数据的所有权和使用权，保障研究生的数据主权和隐私权益，打造一个安全、可靠、透明的GenAI应用环境。
（4）以环境为基础，发挥良好社群影响
社群影响体现了社群环境中规范压力对个体态度与行为的影响，研究结果显示社群影响对研究生的GenAI 使用意向存在显著正向影响。未来，可从以下方面有效发挥社群影响，构建开放包容的应用环境：① 加强学术交流与合作，培育共享的社群文化。具体而言，高校可以通过讲座、学术研讨会、工作坊等，鼓励研究生与导师、同学等社群成员进行交流和合作，分享GenAI在学术科研中的实践经验，在社群内形成一种开放、互助的学术科研氛围，增强其GenAI使用意向。例如，香港科技大学（广州）面向全校上线生成式预训练转换（Generative Pre-trained Transformer，GPT）服务[3]，用于支持日常的科研、教学与管理工作，已形成浓厚的GenAI创新应用社群文化。 ② 构建多维度评价体系，促进GenAI的广泛应用。学术社群应重新审视现有的研究生评价标准，将GenAI应用能力细化为具体的评价指标（如数据分析能力、模型构建技巧等），并作为评估研究生学术科研能力的重要指标。 ③ 建立有效的激励机制，增强研究生参与热情。高校应通过设立专项基金和奖项，表彰在GenAI赋能学术科研方面表现突出的个体或团队，并通过校园媒体、网络平台等渠道宣传GenAI的研究成果和获奖者的优秀事迹，从而增强社群成员的竞争意识和创新精神，有效激发研究生主动探索和应用GenAI的热情，进而推动GenAI与学术科研的深度融合。
参考文献
[1]OpenAI. Introducing ChatGPT[OL].
[2]张彦杰.教师生成式人工智能使用意向形成机制研究[J].电化教育研究，2025，（2）：121-128.
[3]UNESCO. Guidance for generative AI in education and research[OL].
[4]李铁英，马鑫.ChatGPT赋能研究生科研：机遇洞察、风险透视与策略探赜[J].科学管理研究，2024，（2）：32-40.
[5]吴怍，李凤鸣，胡艺龄.生成式人工智能赋能本科生科研能力培养—ChatGPT 支持的CUREs 教学模式[J].现代远程教育研究，2024，（3）：3-10、28.
[6]储节旺，杜秀秀.生成式人工智能赋能科研知识生产研究述评[J].大学图书馆学报，2024，（3）：108-117.
[7]刘宝存，苟鸣瀚.ChatGPT等新一代人工智能工具对教育科研的影响及对策[J].苏州大学学报（教育科学版），2023，（3）：54-62.
[8]李志错，张晓.人工智能生成内容（AIGC）应用于学位论文写作的法律问题研究[J].学位与研究生教育，2024，（4）：84-93.
[9]周莎，张尚.生成式人工智能应用于学术研究的风险及其预防机制[J].黑龙江高教研究，2024，（3）：1-7.
[10]金皓月，余敏杰，张紫徽，等.生成式人工智能辅助学术写作调查研究[J].开放教育研究，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]段荟，张海，孔晔晗.AIGC应用平台用户持续使用行为影响因素研究[J].图书馆工作与研究，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，李诺恩.中文数字学习资源使用意愿及其影响因素研究——基于TAM扩展模型[J].语言文字应用，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]曾粤亮，张莉莉，吕晓龙，等.信息生态理论视角下大学生网络健康信息焦虑形成影响因素与对策研究[J].图书情报工作，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]王娇.基于TAM-Damp;M模型的公共文化云平台公众满意度影响因素研究[D].上海：华东政法大学，2022：47.[23]张乐乐，顾小清.人工智能在教育领域创新扩散的影响因素研究——基于TOE理论框架[J].中国远程教育，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]王钰彪，田爱丽.中小学教师对线上线下融合教学的接受度及其影响因素研究[J].现代教育技术，2023，（6）：109-117.[26]贾明霞，熊回香.虚拟学术社区知识交流与知识共享探究——基于整合 S-O-R 模型与 MOA 理论[J].图书馆学研究，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]赵静，倪明扬，张倩，等.AIGC 重构研究生学术实践：持续使用意愿影响因素研究[J].现代情报，2024，（7）：34-46.[30]中国网信网.生成式人工智能服务管理暂行办法[OL].[31]刘明，郭烁，吴忠明，等.生成式人工智能重塑高等教育形态：内容、案例与路径[J].电化教育研究，2024，（6）：57-65.[32]Binary-Husky.中科院学术专用版 ChatGPT开源[OL].
[33]科广新闻.香港科技大学（广州）面向全校上线 GPT服务[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
