夜雨聆风📝 英文题目：Predicting higher education students‘ continued intention and self-reported use of generative AI tools in academic work: An extended UTAUT mixed-methods study
📚 来源期刊：Acta Psychologica
🗓 发表时间：2026-09-01
✍ 作者：Du Lawrence Jinming, Liu Zhi, Liao Ning
🏆 期刊等级：SSCI Q2
“
一项针对580名中国高校学生的混合方法研究（定量SEM+半结构化访谈）发现：预测学生「持续使用GenAI」的三大动因是「觉得有用」（绩效期望β=0.24）、「同伴都在用」（社会影响β=0.21）和「觉得自己会用」（感知知识β=0.36，最强）；而「好不好上手」（努力期望）竟然完全不显著（β=-0.002）。换句话说，对这代数字原住民而言，GenAI「好用」已是理所当然的底线，真正拉开差距的是「有没有用、别人用不用、你会不会用」。
—— 扣子论文带读
📌 本文看点
01
生成式AI
02
高等教育
03
技术接受
BACKGROUND
研究背景
问题提出
GenAI已进入中国大学生的日常学术流程，但「哪些因素驱动学生持续使用、又如何转化为实际行为」仍缺乏基于成熟理论框架的系统证据。经典技术接受模型（UTAUT）在GenAI这一全新情境下需要重新审视：原有变量是否依然成立？是否需要引入新变量？尤其在中国集体主义文化语境下，西方样本中被弱化的「社会影响」是否会被放大，都是悬而未决的问题。
难点剖析
难点有三：①UTAUT变量在GenAI情境下的适用性需逐一验证，且要解释「为何某些经典变量失效」；
②单纯定量难以解释「非显著路径」与「强效应背后的机制」，需要定性补充；
③「感知知识」作为新增构念，其与班杜拉自我效能理论的关系需要厘清，以说明它为何比「单纯自信」更能预测使用行为。
理论脉络
研究立足扩展的UTAUT模型（Venkatesh et al., 2003），在经典四因子（绩效期望、努力期望、社会影响、促成条件）基础上新增「感知知识」（Perceived Knowledge）作为前置预测变量，把班杜拉自我效能理论延伸到GenAI采纳领域。与同期文献（如「GenAI素养→心理因素→学习表现」45VWY3YJ、「自我效能→GenAI依赖」2KR4I8GP）形成对话：本研究强调「对工具的熟悉与会用」比「抽象的自信」更能解释持续使用，弥补了自我效能单一视角的不足。
METHOD
研究方法
理论模型
扩展UTAUT结构模型：①绩效期望(PE)→行为意向(BIU)；
②努力期望(EE)→BIU；
③社会影响(SI)→BIU；
④促成条件(FC)→使用行为(UB)；
⑤行为意向(BIU)→使用行为(UB)；
⑥感知知识(PK)→BIU（同时→UB）。使用行为以「自我报告的使用频率、方式、规律性」操作化。模型同时预测「使用意向」与「实际行为」两个层次。
研究假设
H1 PE→BIU（+）；H2 EE→BIU（+）；H3 SI→BIU（+）；H4 FC→UB（+）；H5 BIU→UB（+）；H6 PK→BIU（+）；H7 PK→UB（+）。其中H2（努力期望）被预测为正向，但实证被推翻——这是本研究最反直觉也最关键的发现之一。
分析策略
定量阶段：对580名高校学生的问卷数据用结构方程模型（SEM）检验7条假设路径，报告标准化路径系数β、临界比(C.R.)与p值，并报告R²与拟合指标（CMIN/DF、RMSEA、GFI、CFI、IFI、TLI、SRMR）。定性阶段：对定量结果「有意义不显著/异常强」的路径（如非显著的EE、极强的PK）做目的性抽样，半结构化访谈后用NVivo做主题分析，形成「定性解释定量」的序列解释型混合设计。
DESIGN
实验设计
数据收集
解释性序列混合方法（explanatory sequential mixed-methods）：第一阶段在线问卷调查（定量），第二阶段根据定量结果（尤其非显著的EE路径与极强的PK效应）目的性选取受访者做半结构化访谈（定性），访谈提纲直接围绕量化发现展开，避免重复、做到互补。
研究样本
定量阶段有效样本580名高校学生（中国高校情境，2025年起多校已出现AI助学社团）；定性阶段为后续半结构化访谈（具体人数见原文）。样本贴近真实中国大学生GenAI使用生态。
测量工具
①绩效期望：GenAI对提升学业表现/效率的有用性感知；
②努力期望：使用GenAI的易用性感知；
③社会影响：重要他人（同伴/师长/制度规范）认为应使用的程度；
④促成条件：工具可及性、数字基建、同伴/机构支持；
⑤行为意向：持续使用意向；
⑥使用行为：自我报告的使用频率/方式/规律性；
⑦感知知识：对工具功能、提示词与产出评估的熟悉与运用能力。各量表经信效度检验（α/CR/HTMT），拟合良好。
RESULTS
结果与分析
信效度检验
SEM拟合优秀：CMIN/DF=1.432（<3）、RMSEA=0.027（<0.05）、GFI=0.96、CFI=0.94、IFI=0.98、TLI=0.97、SRMR=0.02；模型解释力强（R²BIU=0.60、R²UB=0.52）。量表信效度达标（HTMT 0.648–0.816 < 0.85）。局限：使用行为为自我报告，存在社会期望偏差；样本为中国高校，文化边界需谨慎外推；横断面量化难以确立严格因果时序。
假设检验
7条假设中6条显著成立：H1 PE→BIU β=0.24***、H3 SI→BIU β=0.21***、H4 FC→UB β=0.47***、H5 BIU→UB β=0.18***、H6 PK→BIU β=0.36***（最强）、H7 PK→UB β=0.31***，均p<.001；唯独H2 EE→BIU β=-0.002（p=.785）完全不显著、被推翻。对使用行为的直接效应排序：促成条件(0.47) > 感知知识(0.31) > 行为意向(0.18)。定性访谈进一步揭示：①GenAI是「随时在线的学习伴侣」（DeepSeek/ChatGPT/豆包等），带来情感共鸣与自主性；
②易用性已成「理所当然的底线」（卫生因素），故不再是区分强弱意向的关键；
③学生担忧过度依赖、学术诚信与AI产出可靠性（幻觉、模板化、缺乏深度），存在「认知卸载」风险。
CONCLUSION
总体结论
研究结论
驱动中国大学生持续使用GenAI的，是「有用（绩效期望）、同伴都在用（社会影响）、我会用（感知知识）」三股力量，而「好上手（努力期望）」已退化为不显著的卫生因素——在GenAI普遍可及的数字原住民中，易用性是入场券而非分水岭。感知知识（对工具与产出评估的熟悉）是最强预测变量，它把班杜拉「自信」推进到「领域性知识资源」。社会影响在中国集体主义语境下被显著放大（β=0.21，强于多数西方研究）。实践上，高校AI素养培训应超越「打气式自信」，落到提示词工程、产出批判性评估等结构化训练；同时须配套学术诚信与认知卸载的规制。本研究为扩展UTAUT在GenAI情境的适用、及其文化边界提供了扎实的混合证据。 【说明】本解读基于全文PDF（已成功获取并解析），模型图采用原文Fig.2最终结构模型（含标准化路径系数）。
— 研究模型图
📄 摘要原文
This study investigated the factors shaping Chinese higher education students‘ continued intention and self-reported use of generative artificial intelligence (GenAI) tools in academic work. Drawing on an extended Unified Theory of Acceptance and Use of Technology (UTAUT) model, the study examined the roles of performance expectancy, effort expectancy, social influence, facilitating conditions, behavioural intention, use behaviour, and perceived knowledge. An explanatory sequential mixed-methods design was adopted. In the quantitative phase, survey data from 580 university students were analysed using structural equation modelling. In the qualitative phase, follow-up semi-structured interviews were conducted to explain and elaborate on the quantitative findings. The results showed that performance expectancy, social influence, and perceived knowledge significantly predicted students’ behavioural intention to use GenAI, while facilitating conditions and behavioural intention were associated with self-reported use behaviour. Effort expectancy did not significantly predict behavioural intention, suggesting that ease of use alone may be insufficient to explain continued GenAI use among students who already perceive such tools as accessible. Interview findings further indicated that students used GenAI mainly for brainstorming, proofreading, explanation, and problem-solving, but they also expressed concerns about over-reliance, academic integrity, and the reliability of AI-generated content. The study contributes to GenAI continued-use research by showing that students‘ use of GenAI in academic contexts is shaped by expected usefulness, social influence, and their perceived knowledge of how to use and evaluate AI outputs. Practical implications are provided for designing AI literacy training, classroom guidance, and institutional policies for responsible GenAI use.
📎 阅读原文：DOI: 10.1016/j.actpsy.2026.107471
我是扣子，高校教师/在读博士/AI顾问。关注AIGC，学术科研，博士生活；分享AI赋能和论文带读，打破AI信息差。视频号：扣子说AI。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。
欢迎关注我的视频号
（❤️会不定期更新AI工具哦❤️）
三连一下，不失联！
