AIGC对科研人员信息行为的影响机制研究：基于UTAUT模型的实证分析

摘要

AIGC的兴起正在重塑科研人员的信息行为模式。本研究拓展UTAUT理论，引入“输出可控性”作为核心变量，以揭示其使用行为的内在机理。对283份样本的分析表明：绩效期望、努力期望、社会影响、便利条件及输出可控性均对使用意愿存在显著正向影响，并共同构成关键驱动因素；使用意愿与输出可控性则进一步显著转化为实际使用行为。此外，使用经验在绩效期望、输出可控性对使用意愿的影响中均呈现正向调节作用。本研究不仅丰富了技术采纳理论在AIGC情境下的内涵，也为AIGC服务科研创新提供了实证依据与管理路径。

关键词

AIGC；信息行为；科研人员；UTAUT；输出可控性

Abstract

The rise of AIGC is reshaping the information behavior patterns of researchers. This study extends the UTAUT theory by introducing “output controllability” as a core variable to reveal the underlying mechanisms of its usage behavior. Analysis of 283 survey responses shows that performance expectancy, effort expectancy, social influence, facilitating conditions, and output controllability all have a significant positive impact on behavioral intention and together constitute the key driving factors. Furthermore, behavioral intention and output controllability significantly translate into actual usage behavior. Additionally, user experience positively moderates the effects of performance expectancy and output controllability on behavioral intention. This study not only enriches the application of technology acceptance theories in the context of AIGC but also provides empirical evidence and management pathways for utilizing AIGC in advancing scientific research innovation.

Keywords

AIGC；Information behavior； Researchers；UTAUT； Output controllability

1 引言

随着人工智能技术的快速发展与广泛应用，科研人员获取与处理信息的方式正经历深刻变革。以 ChatGPT 为代表的生成式人工智能（AIGC）自 2022 年底发布以来，凭借自然语言交互、跨领域知识整合与多模态内容生成等优势，已逐渐渗透至科研、教育、媒体等多个领域。在科研场景中，AIGC 不仅能够辅助文献检索、科研写作与数据分析，还可在实验设计、代码生成等环节为科研人员提供高效支持。AIGC 的出现拓宽了科研人员的信息获取与知识创造途径，使学术信息服务更加智能化与个性化。

然而，AIGC 的大规模使用也引发了诸多问题，例如生成结果的可靠性与可验证性不足、内容存在“幻觉”现象等，这些问题可能对科研人员的信息搜寻与采纳行为产生潜在影响。科研人员作为知识生产与学术创新的核心群体，其信息行为直接关系到科研成果的质量与效率。已有研究表明，科研人员在采纳新兴信息技术时，其行为受技术特性、个体特征及社会环境等多重因素的共同作用（王梅等, 2021）。

目前，学界虽已关注科研人员的信息行为与技术采纳，但系统探讨 AIGC 情境下科研人员信息行为变化机制的实证研究仍显不足。尤其是在理论框架指导下，整合技术因素、个体认知与情境特征的研究尚显匮乏。整合技术接受与使用理论模型（Unified Theory of Acceptance and Use of Technology，UTAUT）由 Venkatesh 等（2003）提出，已在信息系统与技术采纳研究中得到广泛验证。该模型强调个体在接受与使用新技术过程中心理预期与外部环境的交互作用，适用于分析科研人员面对 AIGC 时的采纳决策与使用行为。

因此，本文拟基于 UTAUT 模型，结合 AIGC 情境特征，构建科研人员信息行为影响机制模型，从绩效期望、努力期望、社会影响与便利条件等核心维度出发，引入输出可控性与使用经验等扩展变量，采用问卷调查与结构方程模型（SEM）相结合的实证方法，系统分析 AIGC 对科研人员信息行为的影响机制。研究结果有助于深入理解科研人员在生成式人工智能环境下的信息行为特征，为科研机构制定 AIGC 应用规范及平台优化提供理论参考与实践启示。

2 文献综述

2.1 科研人员信息行为

科研人员是知识创新与学术信息生产的核心群体，其信息行为不仅涉及信息需求、信息搜寻、信息评估与采纳，还包括信息的组织、共享与再利用。在数字化与网络化环境下，科研人员的信息行为呈现出多元化和情境化特征：一方面，信息来源更加多样，既包括学术数据库、开放获取平台，也包括社交媒体与学术社交网络；另一方面，信息搜寻与使用过程受到科研任务特征、学科领域、研究经验等多因素影响（王梅等, 2021）。

现有研究显示，科研人员在信息行为中面临诸多挑战，包括信息过载、信息质量参差不齐以及时间与精力有限等问题。同时，科研人员对信息的信任机制与验证方式成为其采纳行为的重要前提（韩龙等., 2024）。已有学者指出，科研人员信息行为的演变与技术环境高度相关，新兴工具往往改变其搜寻与采纳行为（曹芬芳等, 2024）。虽然已有研究探讨了信息素养、科研绩效与信息行为之间的关系（Zhou et al., 2021），但在AIGC情境下，科研人员的信息搜寻路径与决策模式可能发生新的变化，有必要结合新兴技术背景对其信息行为进行系统研究。

2.2 UTAUT模型及其在AIGC情境下的适用性探讨

UTAUT模型通过整合多个技术接受理论的核心构念，形成了包含绩效期望、努力期望、社会影响与便利条件四类主变量的经典框架，并引入了性别、年龄、经验与自愿性等调节变量（Venkatesh et al., 2003）。凭借其强大的解释力，该模型已在教育技术、移动服务及学术信息系统等诸多领域得到广泛应用与验证。例如，在探究科研人员对学术搜索引擎（卢新元等, 2023）或科学数据管理系统（Zuiderwijk et al., 2015）的采纳行为时，研究均发现绩效期望与社会影响是关键的驱动因素。

然而，在AIGC这一新兴领域时，经典UTAUT模型的解释力面临新的挑战。一个核心区别在于系统特性， 现有UTAUT研究大多围绕功能相对固定的结构化信息系统展开，这类系统的输出通常是确定且可预测的。而AIGC本质上是生成式和强交互的，其输出带有不确定性与开放性。对于严谨性要求极高的科研工作而言，这种不确定性直接触发了用户对结果可靠性与过程可控性的担忧（Dwivedi et al., 2023）。这表明，单纯依靠绩效期望等传统变量，已无法完全捕捉科研人员在面对AIGC时的复杂决策心理。 学界关于自动化系统信任的研究早已指出，在输出不确定的环境中，“可控性”是构建用户信任并影响其决策的关键（Lee & See, 2004）。因此，将 “输出可控性”，即用户对AIGC所生成内容可验证、可修改与可追溯的感知程度，作为一个关键变量纳入UTAUT框架，有望弥补原模型在解释此类非确定性系统时的理论不足。

另外，科研人员对AIGC的“使用经验”是一个从实践中逐步积累深化的过程，从开始接触到在多种场景中的熟练使用。这种由使用广度和熟练度带来的实践认知，很可能重塑用户对技术效能和风险控制的感知。尽管Venkatesh等人在原模型中已考量了经验的调节作用，但其测量多侧重于单一场景下的使用时长与频率。在AIGC的语境下，跨场景的、更为熟练的使用经验，可能导致高经验用户与低经验用户在形成使用意愿时，依赖完全不同的判断逻辑。因此，将“使用经验”作为关键调节变量，探究其在不同熟练度与使用广度用户中的作用差异，是对UTAUT模型在新兴技术背景下适用性的重要深化。

3 研究模型和假设

基于UTAUT模型，本文新增“输出可控性”变量，以反映科研人员对AIGC内容可控程度的主观评价；同时将“使用经验”作为调节变量，以揭示不同熟练程度下的行为差异。研究模型如图1所示。

图1 研究模型

3.1 绩效期望与使用意图

绩效期望是指科研人员认为使用AIGC系统能够提升科研效率、增强学术写作质量或优化研究流程的程度。在科研实践中，AIGC可以支持文献整合、辅助学术写作、数据分析与实验设计等任务，减少重复性劳动、提高知识获取效率（Dwivedi et al., 2023；储节旺与杜秀秀, 2024）。已有研究表明，当用户感知某项技术能够显著提升工作绩效时，其持续使用的意愿更高（Im et al., 2011；邱均平等, 2025）。对于科研人员而言，如果AIGC的自动化与智能化功能被认为对科研产出具有直接价值，将显著提高其使用意图。

H1：绩效期望正向影响科研人员对AIGC的使用意图。

3.2 努力期望与使用意图

努力期望是指用户感知在使用一项新技术过程中所需的操作难度与学习成本。在AIGC情境中，该变量表现为科研人员是否认为系统界面友好、易于学习且能够与科研流程无缝集成。研究显示，技术易用性认知直接影响用户采纳意图（Davis, 1989；Sergeeva et al., 2025）。如果科研人员认为AIGC易于学习和集成，使用意图将显著增强。

H2：努力期望正向影响科研人员对AIGC的使用意图。

3.3 社会影响与使用意图

社会影响指科研人员感知到他人（如导师、同事、机构）认为其应当使用AIGC的程度。在学术共同体中，同行采纳行为、学术机构政策以及平台推广趋势都会影响个体技术采纳态度（李蕾等, 2024）。社会影响在新技术扩散早期尤为关键，可通过社会规范、声誉机制与组织文化促进采纳（Baptista & Oliveira, 2015）。在当前AIGC快速渗透学术界的背景下，若科研人员感知到来自同行或机构的积极信号，其使用意图将显著增强。

H3：社会影响正向影响科研人员对AIGC的使用意图。

3.4 便利条件与使用意图

便利条件是用户感知到的可获得的外部支持资源，包括技术支持、制度保障、平台功能等。在科研人员使用AIGC的背景下，如果所在高校、实验室或期刊提供培训、合规指引、API接口及跨平台协同支持，将降低采纳障碍。研究表明，便利条件是技术采纳的关键环境因素，尤其在高认知任务场景下作用更为显著（Im et al., 2011）。

H4：便利条件正向影响科研人员对AIGC的使用意图。

3.5 输出可控性与使用意图

输出可控性是用户对AIGC输出结果调节与自主性能力的认知。在科研情境下，该变量涉及科研人员能否根据学术需求修改、筛选或拒绝生成内容。可控性感知不仅关乎效率，还直接关系到学术规范与研究严谨性（Shin, 2021）。研究发现，高可控性感知能显著提升用户信任与使用意图（Gefen et al., 2003）。

H5：输出可控性正向影响科研人员对AIGC的使用意图。

3.6 使用意图与实际使用行为

使用意图是科研人员在未来实际使用AIGC进行科研的主观意愿强度，而实际使用行为是意愿的外显行动。大量研究表明，使用意图是实际行为的最直接预测因子（Venkatesh et al., 2003; 周涛等, 2009）。在科研中，如果科研人员认为AIGC对其科研活动有实际价值，且拥有所需资源与能力，他们更有可能主动将其纳入科研流程。

H6：科研人员对AIGC的使用意图正向影响其实际使用行为。

3.7 输出可控性与实际使用行为

输出可控性不仅影响使用意图，还可能直接作用于实际使用行为。在学术活动中，高可控性意味着科研人员能灵活调整AIGC输出以满足学术标准，这将显著提高技术在实际科研场景中的使用频率（Shin, 2021）。

H7：输出可控性正向影响科研人员对AIGC的实际使用行为。

3.8 使用经验的调节作用

使用经验指用户在过去对AIGC或相关生成式AI工具的使用积累，包括频率、场景与熟练度。研究表明，经验水平会改变技术特征对行为意向的影响强度（武晓宇&张大伟, 2023）。在科研情境中，高经验者通常具备更强的信息素养与算法理解能力，对绩效期望与输出可控性更敏感；而低经验者可能更多依赖外部意见与便利条件（Zhou et al., 2021）。

H8a：使用经验正向调节绩效期望对AIGC使用意图的影响，即使用经验越高，绩效期望对使用意图的正向影响越强。

H8b：使用经验正向调节输出可控性对AIGC使用意图的影响，即使用经验越高，输出可控性对使用意图的正向影响越强。

4 数据收集与分析

4.1 量表设计与数据收集

为验证所构建的研究模型，在充分借鉴前人研究成果的基础上，本研究对各潜在变量进行了操作性定义，并开发了相应的测量量表。所有测量条目均采用7点李克特量表（1=“强烈不同意”，7=“强烈同意”）。在问卷编制过程中，采用“翻译—反向翻译”方法以确保测量工具的语言准确性与文化适应性。随后，邀请19名具有活跃AIGC使用经历的科研人员参与预测试，并根据其反馈对部分条目进行了措辞优化和语义调整，确保测量条目的内容效度。最终的测量变量及其文献来源见表1。

表１ 各变量测量项及来源

问卷由三部分组成：第一部分为引导语与研究说明，介绍研究背景与填写说明；第二部分为8个潜在变量的测量条目，共24个问题；第三部分为受访者的基本信息，包括性别、学科背景、使用AIGC的频率等人口统计学变量。

正式问卷通过问卷星平台发布，并借助社交媒体（如微信、学术群组及科研论坛）进行发放。调查时间为2025年7月28日至2025年8月10日，为期两周。为确保样本与研究主题高度契合，调查对象限定为已接触或使用过AIGC技术的科研人员、研究生及高校教师。

最终共回收有效问卷283份。样本结构显示，男性占53.1%，女性占46.9%；73.2%的受访者年龄在40岁以下，反映出AIGC在青年科研群体中的高渗透率。使用频率方面，68.2%的受访者每周使用AIGC工具1次及以上，表明样本群体整体具备较高的数字工具接受度与探索意愿。为确保样本数据的代表性与质量，在数据清洗过程中剔除了填写时间过短、选项高度一致等可疑问卷，最终保留的高质量数据用于后续分析。

4.2 数据分析

4.2.1 信度与效度分析

本研究采用SPSS 26与AMOS 28对测量模型进行验证分析。信度方面，使用Cronbach’s α系数与组合信度（CR）评估内部一致性，结果表明所有变量的Cronbach’s α与CR均大于0.80，表明数据内部一致性较好。效度方面，采用平均方差提取量（AVE）检验收敛效度，结果显示所有变量的AVE均大于0.70，且因子载荷均超过0.80，表明量表收敛效度良好，见表2。

表2 信度和效度

通过比较各变量AVE的平方根与变量间相关系数来检验区分效度。结果如表3所示，各变量AVE的平方根(对角线加粗值)均大于该变量与其他变量的相关系数(非对角线值)，表明量表具有良好的区分效度。

表3 相关系数矩阵

4.2.2 结构模型路径分析

在测量模型通过验证后，进一步构建结构方程模型进行路径分析。结果如表4所示：绩效期望（PE）、努力期望（EE）、社会影响（SI）、便利条件（FC）及输出可控性（OC）对使用意图（BI）均具有显著正向影响，支持H1、H2、H3、H4与H5；使用意图对实际使用行为（UB）的影响显著且为正向，支持H6；输出可控性对实际使用行为亦具有显著正向影响，支持H7。

表4 结构方程模型路径分析结果

此外，采用PROCESS宏检验调节效应，结果显示使用经验（EX）在“绩效期望→使用意图”和“输出可控性→使用意图”路径中均存在显著正向调节作用，支持H8a与H8b。结果表明，所有假设均得到支持，如图2所示。

图2 模型路径系数及显著性

4.2.3 模型拟合度分析

模型拟合指标如表5所示，卡方自由度比χ²/df为2.147，小于3，GFI为0.932，大于0.9，AGFI为0.901，大于0.9，CFI为0.956，大于0.9，NFI为0.938，大于0.9，SRMR为0.059，小于0.08，各项拟合指标均达到理想标准，表明模型与数据拟合良好。使用意图(BI)的方差解释率(R²)为68.3%，实际使用行为(UB)的方差解释率(R²)为57.6%，表示模型对该因变量的解释力较好。

表5 结构模型拟合指标结果

5.研究结论与启示

5.1 研究结论

本研究基于UTAUT模型，结合AIGC的科研应用特征，引入“输出可控性”变量并考察“使用经验”的调节作用，构建了科研人员AIGC使用行为的影响机制模型。通过对283份有效样本进行结构方程建模分析，得出以下结论：

（1）绩效期望、努力期望、社会影响与便利条件均显著正向影响使用意图，表明科研人员采纳AIGC时，既重视其效能与易用性，也深受学术社群氛围与外部支持条件的影响，验证了UTAUT核心变量在AIGC情境下的适用性。

（2）输出可控性对使用意图及实际使用行为均具有显著正向影响，反映出科研人员对AIGC生成内容的可干预性与质量可控性高度关注，这一特性在复杂科研任务中尤为重要。

（3）使用意图能有效预测实际使用行为，支持了UTAUT与相关行为理论在解释科研人员技术采纳中的一致性。

（4）使用经验在“绩效期望→使用意图”与“输出可控性→使用意图”路径中均呈现显著正向调节效应。这表明，随着使用经验的积累，科研人员会更依赖于对AIGC效能与输出可控性的判断来形成使用意愿。

5.2 启示

5.2.1理论启示

首先，本研究通过引入“输出可控性”，拓展了UTAUT模型在AIGC情境下的解释维度，为理解AIGC特有机制提供了新的理论视角。其次，研究揭示了使用经验在技术采纳过程中的差异化调节作用，为后续开展用户分层研究提供了实证依据。

5.2.2 实践启示

对AIGC开发者而言，应着力增强产品的可控性与可解释性，如提供内容干预功能和透明的生成逻辑，以契合科研人员对准确性与可信度的要求。

对科研机构而言，需完善AIGC使用的制度规范与培训体系，制定相关伦理与版权指南，以降低使用不确定性，促进AIGC的合理应用。

此外，应有针对性地引导低经验用户，通过案例示范和协作学习等方式，帮助他们建立使用信心并积累正向经验。

5.3 研究局限与未来展望

本研究存在以下局限：第一，样本主要来源于高校科研人员，未来可纳入更多来自产业界及具有跨国背景的科研工作者，以提升结论的普适性；第二，采用横截面数据难以捕捉使用态度的动态演变，后续研究可借助追踪调查或实验方法深入探讨行为演化路径。

本文受湖北省教育厅哲学社会科学重点项目“在线学术社区科研人员信息行为转化机制研究”（编号：20D024）和湖北省教育厅哲学社会科学重点项目“价值和公平视角下虚拟学术社区中科研人员持续知识共享”（编号：20D023）资助。

作者简介

严红 武汉科技大学管理学院副教授

秦岭 武汉科技大学管理学院副教授

张业鹏 南洋理工大学黄金辉传播与信息学院硕士研究生

参考文献