夜雨聆风
大创(省级)风采 | 数智时代大学生AI大模型助手使用满意度影响机理及提升路径研究—基于满意度理论和技术接受模型
研究目的
本研究旨在以CST和TAM为理论基础，通过文献综述和实地调研，探究数智时代大学生AI大模型助手使用满意度的影响因素、影响机理及提升路径。具体目标包括：
拓展满意度理论和自我效能理论的应用领域：检验CST和TAM在数智时代大学生AI大模型使用情况研究中的适用性，从技术运用和用户心理两个方面探索新的调节变量。
揭示影响因素及影响机理：构建大学生AI大模型助手使用满意度影响因素研究模型，系统性地探究感知有用性、感知易用性、感知有趣性等因素在数智交互场景下的动态关联。
提供优化建议：基于研究结果，为提升大学生AI大模型助手使用满意度提供建议，打造契合大学生使用的数智学习、生活使用产品。培养大学生实践能力：通过定性和定量研究方法完成调研，锻炼大学生发现问题、提出问题、解决问题的能力。夯实教育数字化体验反馈：预测用户的持续使用意向，为高校管理者评估AI助手的教学辅助价值提供科学依据。
1 研究对象：
针对大学生 AI 大模型助手使用满意度影响因素研究，本研究从 CST 和 TAM 理论出发开展相关研究。具体的研究对象有 7 个，具体而言：
(1) 研究数智时代大学生 AI 大模型助手的使用现状和存在问题。通过实践调研和文献资料梳理大学生使用 AI 大模型助手的满意度现状、存在问题，从理论和实践上探究其成因。
(2) 构建和验证大学生 AI 大模型助手使用满意度影响因素模型。基于 CST 和 TAM 构建大学生 AI 大模型助手使用满意度模型并开展实证研究进行研究验证。(3) 制定客户 AI 大模型助手使用满意度提升举措和实施方案。基于研究结果和研究结论，从技术和用户体验视角出发为提升 AI 大模型助手的通用性能提升建言献策。
2 总体框架
为明确上述研究对象，拟通过 8 个步骤 10 个方面构建研究内容（见图 1）。
图1 研究总体框架
(1) 研究基础：系统调研并总结梳理大学生群体 AI 大模型助手的使用现状和存在问题
① 系统调研“大学生群体的 AI 大模型助手的使用现状”。采用问卷调查和访谈相结合的方式，深入探究国内外主流大模型，在大学生群体中的实际应用情况。
② 总结梳理“大学生群体的 AI 大模型助手使用过程中存在的问题”。通过问卷调查、组织召开座谈会、开展专家访谈、网络信息查询等方式，总结梳理大学生群体使用 AI 大模型助手存在的问题。
3 研究核心：验证大学生 AI 大模型助手使用满意度影响模型
① 设计、编制、发放、回收问卷。参考经典调研问卷设计相关大学生 AI 大模型助手满意度影响因素调查问卷，采用李克特“5 分制”对问卷进行量化，通过问卷星和线下的方式开展问卷调查并进行回收。
② 开展实证研究。运用 SPSS、AMOS 等数据分析软件进行数据处理、分析数据的信度、效度及满意度模型拟合程度。运用 SEM 及多元回归分析，以验证 CST 和 TAM 模型的科学性与适用性。
③ 创新满意度提升路径。基于研究结果和研究结论，从技术升级和用户心理 2 个方面切实从 AI 大模型助手的感知有用性、感知易用性、感知交互性、感知准确性等层面提出 AI 大模型助手优化对策建议。
1. 创新点：
（1）应用视角创新：
聚焦大学生群体，以AI大模型助手的直接用户和未来AI技术推动者——大学生为核心研究对象，为AI技术的改进提供最具针对性和时效性的反馈。
聚焦新兴AI技术，以AI大模型助手这一前沿智能平台为研究载体，填补AI工具在大学生群体中的满意度研究空白。
多维度样本覆盖，区分学科背景（STEM/人文社科）、年级（本科/硕士/博士）及创业经历（参赛/非参赛），确保研究结果的代表性与全面性。
（2）理论研究创新：
在研究方法上实现了跨学科理论整合，突破单一理论局限，将CST和TAM交叉融合用于大学生对AI大模型助手使用满意度的关键因素。
双理论交叉融合，整合CST和TAM，构建“感知-知态度-行为”三维动态模型，揭示“技术特性→认知评价→行为意向”的传导逻辑。
精准量化路径：通过SEM分析感知有用性、易用性等变量权重，为AI平台优化提供数据驱动的靶向策略。
研究方法创新：
在数据采集方面，本项目同样实现了创新。在问卷设计方面，项目团队投入了大量精力进行精细化打磨，确保问卷的科学性和可靠性。
图2 研究方法示意图
2. 项目特色：
本项目具有对象独特性、模型前瞻性、方法科学性的项目特色，具体如下：
（1）对象独特性：项目紧跟时代发展趋势，充分利用数字化技术的发展带来的新机遇，进行针对AI大模型助手的大学生用户体验研究。这一研究直击当代AI痛点，实现了从“技术可用性”到“用户悦用性”的研究跃迁。通过探索适应新时代AI应用的模式，这份研究成果具有前瞻性和实用性，能够为AI技术的改进和发展提供有益的参考。
（2）模型前瞻性：在研究过程中，突破传统TAM模型局限，纳入CST等核心理论进行共同研究。通过创建具有中国特色的智能满意度评估理论体系，为确保了研究结果的全面性和准确性。这一理论体系为AI大模型助手的改进提供了科学依据，也为AI大模型助手的用户满意度研究提供了可借鉴的范式。
（3）方法科学性：本项目在数据采集和分析方法上实现了科学性。采用了主观评价（问卷/访谈）与客观行为数据（平台日志）相结合的多源互证方法，确保了研究结果的客观性和准确性。通过综合运用多种研究方法和技术手段，深入揭示了影响大学生对AI大模型助手使用满意度的内在机制，为AI技术的改进和发展提供了有力的支持。
本项目采取“理论分析→经验检验→实践调研→实证检验→对策建议”的科研思路进行，聚焦人工智能教育平台用户满意度形成机制，拟解决的问题主要有五个方面：
理论分析：通过梳理CST和TAM的核心逻辑，突破单一理论局限。首创“感知-态度-行为”三维动态分析框架。重点揭示AI大模型助手工具的“技术特性→认知评价→行为意向”影响路径，阐明技术接受与用户满意度的双向适配机制，为大学生群体使用AI平台的满意度研究提供理论支撑。
实践调研：针对大学生群体异质性（学科、年级、使用经验）开展分层分类调研，设计三级指标体系问卷（基础层：用户画像、感知层：技术评价、行为层：使用意向），结合深度场景化访谈，系统分析大学生使用AI大模型助手的满意度现状、痛点及需求差异，揭示不同群体对AI技术的接受阈值与偏好特征。
预计效果：
1 成果效果：
(1) 研究报告：围绕《大学生群体对AI大模型助手使用体验及满意度影响因素研究》，完成一份约2万字的研究报告。
(2) 学术论文：撰写并发表《数智时代大学生AI大模型助手使用满意度影响机理及提升路径研究——基于满意度理论和技术接受模型》论文。
2 成果预计去向：
(1) 为AI企业：为AI技术研发企业提供用户反馈与优化建议，助力其更好地设计和优化AI平台，推动平台从“技术可用性”向“用户悦用性”升级。
(2) 为学术界：为学术界探索AI技术与用户行为的双向适配机制提供理论范式，丰富IAM与CST的交叉研究案例，成为同类研究的方法论参考。
(3) 为教育部门：为教育部门优化数字化教育政策提供实证依据，促进AI技术与教学场景的深度融合，同时，研究成果可为AI教育产品的用户体验评估指标体系提供参考，助力行业建立以用户需求为核心的数字化优化标准。
(4) 为学生群体：通过调研实践培养理工科学生的数据采集与分析能力，帮助学生掌握技术应用技巧，强化创新思维与数字化学习能力。
3 预期学术价值和应用价值：
(1) 学术价值：
① 理论整合创新：突破单一理论研究论局，通过结合满意度理论和技术接受模型，构建“感知-态度-行为”三维动态模型，揭示AI工具“技术特性→认知评价→行为意向”的影响路径，深化技术接受与用户满意度的双向适配机制研究，拓展跨学科理论融合的边界。
② 融合方法研究：采用多模态数据与结构方程模型相结合的混合研究路径，并结合文献研究的定性研究方法、科学使用定性与定量相结合的科学研究方法，建立AI平台用户研究的科学范式，为后续同类研究提供可复用的方法论框架。
(2) 应用价值：
图3 应用价值的三个方面
① 优化AI平台功能：通过归因分析明确用户痛点（如交互智能性不足、学科适配性薄弱），为AI大模型的功能迭代提供精准靶点，提升大学生群体的使用粘性与付费意愿。
② 赋能学生素养提升：通过调研实践提升学生的实证研究能力与技术应用意识，同时输出可操作的技术使用手册，帮助大学生高效利用AI工具支持学术创新、形成“学习-技术创新”的良性循环。
③ 助力AI行业标准：研究成果可为AI教育产品的用户体验评估提供标准化指标体系，引导行业从“功能导向”转向“用户价值导向”，推动AI技术在教育领域的可持续发展。
图文来源：杨瑞
图文编辑：王欢欢 林子彧
责任编辑：李杨 王浩
