摘要：生成式人工智能使用意愿影響因素研究已成為用戶信息行為研究的新熱點，針對現(xiàn)有實證研究結果差異性的問題，文章對相關文獻進行梳理與再分析。對納入研究的32篇文獻運用元分析方法，提取出9個影響因素和2類調(diào)節(jié)變量，通過異質(zhì)性檢驗、發(fā)表偏倚檢驗、整體效應計算和調(diào)節(jié)效應檢驗進行分析，探究影響生成式人工智能使用意愿的作用機制?；谠治鼋Y果構建生成式人工智能使用意愿影響因素模型，對影響因素的關系強度和作用條件進行整體性評估，為生成式人工智能應用程序的優(yōu)化提供參考。

關鍵詞：生成式人工智能；ChatGPT；影響因素；用戶信息行為；元分析

中圖分類號：G252 文獻標志碼：A

0 引言

自2022年11月OpenAI發(fā)布ChatGPT以來，以ChatGPT為代表的生成式人工智能（Artificial Intelligence Generated Content，AIGC）在國內(nèi)外眾多領域得到了廣泛的關注和研究。生成式人工智能具有精準的對話理解能力和互動功能，其對經(jīng)濟、文化、教育等傳統(tǒng)行業(yè)和以新媒體為代表的新型行業(yè)均產(chǎn)生深遠影響［1］。我國互聯(lián)網(wǎng)信息辦_{76c01c972464b42ce4077817b3bbbfc9106fb3921ec882c6edcc7a80514dc815}公室審議通過的《生成式人工智能服務管理暫行辦法》鼓勵生成式人工智能技術在各行業(yè)、各領域的創(chuàng)新應用，生成積極健康、向上向善的優(yōu)質(zhì)內(nèi)容，探索優(yōu)化應用場景，構建應用生態(tài)體系［2］。在此背景下，國內(nèi)科技公司相繼上線文心一言、訊飛星火等生成式人工智能應用程序。此類應用程序一方面在語言潤色、數(shù)據(jù)分析處理、觀點思路提示等方面發(fā)揮重要作用［3］；另一方面將信息搜索方式從檢索式轉變?yōu)樯墒?，有效提高信息搜尋效率。然而，在生成式人工智能的使用過程中也引發(fā)了一些問題和風險，諸如存在易引發(fā)剽竊風險和過度依賴人工智能可能導致學習能力喪失等問題。AIGC高智能性與風險性并存的特點極有可能對用戶的使用意愿產(chǎn)生復雜影響，此類研究成為用戶信息行為研究的新熱點。

不同微觀視角下AIGC使用意愿影響因素的實證研究取得了一定成果。當前，此類研究多數(shù)基于創(chuàng)新擴散理論、感知風險理論、技術接受模型等理論模型。值得一提的是研究中存在研究結論截然相反的現(xiàn)象，如趙靜等［4］、王偉正等［5］認為自變量績效期望對生成式人工智能使用意愿呈正向影響，而宋俊鋒等［6］研究發(fā)現(xiàn)二者間呈負向作用。此類現(xiàn)象表明有必要對當前AIGC使用意愿相關文獻進行深入梳理，以明晰用戶使用意愿的確切影響因素及作用條件。鑒于此，本研究使用元分析方法對影響因素進行定量驗證分析，從而形成更具有準確性的影響因素模型。研究結果有助于理解用戶與技術互動的復雜性，從而為生成式人工智能應用程序的優(yōu)化提供參考。

1 文獻回顧

1.1 生成式人工智能相關研究

AIGC應用領域的研究是當前學術界重要的研究內(nèi)容。Misra等［7］闡述ChatGPT在科研寫作中潤色文本等方面的作用；楊曉哲等［8］將生成式人工智能與教育資源、課堂互動及作業(yè)批改等教學想法關聯(lián)，指出生成式人工智能賦能教學的獨特功能；李慧［9］認為生成式人工智能與虛擬數(shù)字人技術的融合推動了圖書館數(shù)字化轉型以及智慧圖書館的構建。AIGC在輔助科研工作等方面存在的問題亦是當前學術界關注的要點。王樹義等［10］針對生成式人工智能可能導致的信息不實和數(shù)據(jù)污染等風險展開研究，提出使用者需聲明人工智能工具使用情況等對策；周洪宇等［11］指出部分學校禁止學生利用ChatGPT完成作業(yè)；閆芳芳［12］認為生成式人工智能提供內(nèi)容的準確性問題可能對圖書館服務質(zhì)量和用戶權益造成不利影響。通過文獻梳理可知，生成式人工智能的出現(xiàn)推動了眾多領域的發(fā)展，國內(nèi)外學者在探討生成式人工智能對科研、教育和圖書館等領域的影響時，不僅考慮到了其帶來的機遇，還進行了風險識別并提出應對措施。

1.2 生成式人工智能使用意愿的影響因素研究

生成式人工智能的出現(xiàn)擴展了傳統(tǒng)用戶信息行為研究的范疇。目前，生成式人工智能使用意愿的影響因素研究主要集中于研究方法、研究領域和研究對象3大方面。陳金海等［13］采用結構方程模型等實證研究方法對不同因素與使用意愿之間的影響效應進行驗證，此類方法多基于創(chuàng)新擴散理論［14］、感知風險理論［15］、技術接受模型［16］、整合技術接受與使用模型等理論模型［17］。研究涉及生成式人工智能的應用場景較為廣泛，包括高校教育、科研工作和英語學習等領域。多數(shù)研究以高校學生為研究對象，探究其在高校教育中的接受與使用情況。研究中具有顯著關系的影響因素集中在新技術的效用和用戶感知等方面，但影響的強弱與方向存在差異，目前缺乏對此類實證研究進行歸納整理。鑒于此，本研究使用元分析方法系統(tǒng)梳理生成式人工智能使用意愿的影響因素，對影響因素的關系強度進行整體性評估。

2 研究設計

2.1 研究方法

元分析又稱薈萃分析，用于整合和分析來自多個獨立研究的結果，從而得出更為全面和準確的結論［18］。該方法通過整合多個研究結果的平均效應值來挖掘共同效應，因此，需要根據(jù)樣本量對效應值進行加權平均處理。該方法在社會科學領域得到了廣泛的應用，也被應用于用戶信息行為研究，如在社交媒體用戶隱私披露意愿［19］、在線健康信息分享意愿［20］等研究中的應用。

2.2 數(shù)據(jù)來源

為了提高查全率，數(shù)據(jù)來源于多個中外文數(shù)據(jù)庫相關領域已發(fā)表的論文。其中，中文文獻來源于中國知網(wǎng)等中文權威數(shù)據(jù)庫，以“生成式人工智能”“人工智能生成”“ChatGPT”“AIGC”與“意愿”“使用”“行為”進行組配檢索；英文文獻來源于Web of Science（核心數(shù)據(jù)集）等英文數(shù)據(jù)庫，以“Artificial Intelligence Generated Content”“ChatGPT”“AIGC”與“use intention”“behavior”進行組配檢索。截至2024年5月1日，共檢索到3720篇研究論文，其中中文文獻1062篇，英文文獻2658篇。

進一步篩選出能夠進行元分析的文獻。具體納入標準為：（1）文獻主題關于生成式人工智能的使用意愿或行為，探討了其影響因素；（2）文獻的研究方法為實證研究，排除理論研究、綜述性文獻等不相關文獻；（3）文獻數(shù)據(jù)資料完整，明確報告了樣本數(shù)量、信度、相關系數(shù)或可以轉換為相關系數(shù)的統(tǒng)計量；（4）文獻的研究樣本不相同。通過文獻標題及摘要排除主題不相關的文獻后，根據(jù)文獻研究方法及數(shù)據(jù)資料進行二次篩選。本研究最終納入32篇文獻進行元分析，包括12篇中文文獻和20篇英文文獻。

2.3 數(shù)據(jù)編碼及變量提取

本研究對篩選出的32篇文獻進行編碼，根據(jù)研究問題和樣本文獻信息制定出文獻編碼表。編碼信息除文獻基本信息、研究對象、樣本量、效應值外，還提取了生成式人工智能的應用場景、研究對象所在地。為了避免編碼人的主觀判斷影響編碼的嚴謹性，由兩位信息資源管理專業(yè)學生對篩選出的文獻進行獨立編碼，對比獨立編碼結果，對有爭議的文獻進行討論和第3次編碼，以減少由編碼工作產(chǎn)生的誤差。

通過編碼共得到52個命名不同的自變量，對含義相同的變量進行合并，以出現(xiàn)頻次最高的變量命名。為了后續(xù)的分組研究，選取出現(xiàn)頻次大于3次的9個變量進行研究，包括：（1）績效期望，指使用生成式人工智能感受到的工作效率提升程度［15］；（2）努力期望，指使用生成式人工智能感受到的難易程度［4］；（3）社會影響，指使用生成式人工智能的過程中社會層面的影響程度［21］；（4）便利條件，指有效使用生成式人工智能所需的可用資源和支持［6］；（5）享樂動機，指使用生成式人工智能所帶來的愉悅感和樂趣體驗［6］；（6）感知風險，指使用生成式人工智能時對不確定風險的預期程度［15］；（7）感知信任，指認為生成式人工智能是可靠和值得信賴的平臺［22］；（8）創(chuàng)新性，指個體主動變革的開放性和獲取創(chuàng)新事物的意愿［23］；（9）習慣，指多大程度上將ChatGPT的使用意愿根深蒂固地融入習慣中［13］。

3 生成式人工智能使用意愿影響因素分析

本研究的效應值為自變量與因變量的相關系數(shù)，若沒有報告相關系則利用路徑的顯著性t值根據(jù)公式（1）計算相關系數(shù)。本研究使用Comprehensive Meta Analysis V 3.0軟件開展數(shù)據(jù)分析，將編碼得到的文獻信息錄入軟件，展開異質(zhì)性檢驗、發(fā)表偏倚檢驗、整體效應檢驗和調(diào)節(jié)效應分析，以明晰用戶使用意愿的確切影響因素及作用條件。

r=t2t2+df（1）

3.1 異質(zhì)性檢驗

元分析中的異質(zhì)性檢驗是確保研究結果可靠性和有效性的重要步驟。各研究可能存在研究對象和研究條件等差異，因此，利用Q值和I2來檢驗各研究的異質(zhì)性程度。當異質(zhì)性效應較小時，應選用固定效應模型；當異質(zhì)性較大時，應選用隨機效應模型，采用亞組分析等方法來解釋異質(zhì)性。從異質(zhì)性檢驗結果來看，所有變量Q值均達到顯著性水平（P<0.05），同時I2均大于75%，表明各研究間存在著很強的異質(zhì)性，采用隨機效應模型計算效應量更可靠。異質(zhì)性檢驗結果如表1所示。

3.2 發(fā)表偏倚檢驗

發(fā)表偏倚是指統(tǒng)計結果顯著的文章更容易被期刊接受并發(fā)表，反之不容易被發(fā)表。元分析是對公開發(fā)表的實證研究再次統(tǒng)計，因此，需要對納入元分析的文獻進行發(fā)表偏倚檢驗。通過對漏斗圖的主觀視覺判斷可知變量的效應值基本呈對稱分布，初步說明納入分析的文獻不存在嚴重的發(fā)表偏倚。由于部分變量納入的文獻較少，不利于漏斗圖觀察，進而采用Fail-Safe N方法對發(fā)表偏倚進行檢驗。Fail-Safe N檢驗要求所有變量的失安全系數(shù)N大于5K+10，計算結果如表2所示，可知除便利條件（N=16）外，各影響因素的失安全系數(shù)N均大于5K+10。因此，除便利條件外的8個影響因素的研究結論受到發(fā)表偏倚影響可能性較小。

3.3 整體效應檢驗

本研究匯總多個獨立研究的結果，評估影響生成式人工智能使用意愿因素的總體效應。由于各研究間存在高異質(zhì)性，選擇隨機效應模型進行整體效應檢驗，結果如表2所示。除便利條件（r=0.119，P=0.215）不顯著外，其余變量均顯著影響用戶對生成式人工智能的使用意愿（P<0.05）。根據(jù)Cohen提出的劃分標準，效應值r的關系強度可以分為以下4類：r<0.1幾乎無相關；0.1≤r<0.3弱相關；0.3≤r<0.5中等相關；r≥0.5高度相關?？芍?，績效期望（r=0.398，P=0.000）、感知信任（r=0.321，P =0.003）與生成式人工智能使用意愿中度相關；努力期望（r=0.276，P =0.000）、社會影響（r=0.237，P=0.000）、享樂動機（r=0.233，P=0.000）、感知風險（r=-0.230，P=0.000）、創(chuàng)新性（r=0.195，P=0.000）、習慣（r=0.258，P=0.000）與生成式人工智能使用意愿弱相關。

3.4 調(diào)節(jié)效應分析

各因素的效應值之間存在高異質(zhì)性，通過亞組分析驗證調(diào)節(jié)變量對使用意愿的調(diào)節(jié)效應。生成式人工智能相關研究涉及眾多領域，根據(jù)納入元分析的文獻劃分出高校教育、科研工作、英語學習、輔助設計、綜合應用和文學寫作6個應用場景。此外，研究對象的使用意愿可能受到不同國家文化背景的影響。本研究從生成式人工智能的應用場景和研究對象所在地2個層面提取變量進行調(diào)節(jié)效應分析?？冃谕?、社會影響、享樂動機、感知風險、感知信任、創(chuàng)新性對生成式人工智能使用意愿的影響會受到應用場景的調(diào)節(jié)，研究對象所在地在感知信任對生成式人工智能使用意愿的影響中起到調(diào)節(jié)作用（見表3）。

4 結果討論

4.1 生成式人工智能使用意愿影響因素

納入元分析的影響因素除便利條件外，其余8個變量均顯著影響生成式人工智能的使用意愿，整體效應模型如圖1所示?；厮莅憷麠l件的文獻，可能受到不同國家的文化背景和不同高校的規(guī)范聲明影響，用戶所感受到的便利條件差異較大。在宋俊鋒等［6］的研究中，便利條件正向影響生成式人工智能的使用意愿；而在Sobaih等［17］的研究中，便利條件負向影響使用意愿，同時，也說明了由于調(diào)查樣本SA大學的學生沒有配備使用ChatGPT的資源且沒有得到教師和機構的支持，因此，導致了負向使用意愿。這也驗證了便利條件整體效應不顯著的原因。

通過整體效應模型可知，績效期望、努力期望和感知信任對生成式人工智能的使用意愿影響較強。其中績效期望和努力期望來自整合技術接受與使用模型，該模型被廣泛應用于生成式人工智能使用意愿的研究，在預測信息技術使用行為方面展現(xiàn)出較高的準確性?？冃谕团ζ谕謩e代表生成式人工智能提升工作效率的程度和應用的難易程度，無論在何種應用場景下，它們對生成式人工智能的使用意愿都發(fā)揮著至關重要的作用。感知信任不僅反映了用戶對生成式人工智能輸出內(nèi)容質(zhì)量的信任，還反映出對平臺隱私保護方面的信任。感知信任作為影響使用意愿的重要因素，平臺應該通過改進措施來加強與用戶間的信任。此外，學者認為用戶通常將人工智能的可靠性和可預測性聯(lián)系起來，生成式人工智能被認為越有用，就越能預測用戶需求，正確提供輸出，此過程可以培養(yǎng)人工智能與用戶間的信任。此觀點與本研究中績效期望、努力期望和感知信任對生成式人工智能的使用意愿影響較強的結果相符合。

4.2 調(diào)節(jié)效應

當生成式人工智能的應用場景為綜合應用時，社會影響、感知信任和創(chuàng)新性對使用意愿的正向作用更強；當應用場景為高校教育時，感知風險對使用意愿的負向作用更強；相較于國外，國內(nèi)研究對象的感知信任對使用意愿的正向影響作用更強。導致這種現(xiàn)象的原因可能是生成式人工智能的應用已經(jīng)涉及人們的日常生活，相較于應用在可能涉及知識產(chǎn)權問題的科研工作中，在日常生活的綜合應用中人們?nèi)菀资艿缴缃幻襟w和他人推薦的影響進而促進生成式人工智能的使用意愿。根據(jù)消費者行為理論可知，在綜合用場景下用戶較為信任平臺，因此，用戶的感知收益大于感知風險，能夠在一定程度上促進使用意愿。通過在綜合應用場景中創(chuàng)新性使用意愿的正向作用更強可以看出，具有開放性且愿意創(chuàng)新的那部分人已經(jīng)將生成式人工智能應用到了非常廣泛的場景。然而在高校教育場景下，大學生的感知風險對使用意愿的負向作用更強，這與許多高校對使用生成式人工智能的相關規(guī)章制度有關。高校未來可通過更加清晰統(tǒng)一的規(guī)范去界定生成式人工智能的應用范疇，高校圖書館可開展生成式人工智能素質(zhì)教育培訓，提升學生的信息搜索效率，從而加快科研成果的產(chǎn)出。

5 結語

本研究利用元分析方法對32篇已發(fā)表的生成式人工智能使用意愿影響因素研究論文進行綜合分析，篩選出9個自變量納入元分析，以定性定量相結合的方式對現(xiàn)有研究結果進行加權計算，盡可能全面客觀地得到統(tǒng)一的定論。在探討9個變量對使用意愿作用效果的基礎上，對生成式人工智能的應用場景、研究對象所在地進行分組分析，以探究調(diào)節(jié)效應的影響。研究結果表明，除便利條件外，其他因素均顯著影響生成式人工智能的使用意愿，其中績效期望、努力期望、感知信任對使用意愿的正向影響作用較強。同時，生成式人工智能應用場景和研究對象所在地能夠作為調(diào)節(jié)變量部分解釋各因素效應值間的高異質(zhì)性。

基于以上發(fā)現(xiàn)，本研究為生成式人工智能應用程序提出以下建議。

（1）首先，相較于檢索式而言，生成式的信息搜尋方式難以得知信息的來源，降低了信息的可信度，生成式人工智能應用程序應在保持輸出內(nèi)容直觀、清晰的基礎上盡可能地注明信息來源。

（2）其次，生成式人工智能基于預訓練集的特點導致用戶可能會有隱私泄露的風險，對此不僅需要國家層面根據(jù)相關法律加強監(jiān)督和管理，還需要平臺層面提高技術的透明度，有助于用戶更好地了解服務的工作原理和數(shù)據(jù)處理方式，增強對生成式人工智能應用程序的信任。

本研究也存在著一定的局限性。目前，生成式人工智能使用意愿的實證研究數(shù)量相對較少，難以進行細粒度劃分研究對象所在地來驗證調(diào)節(jié)效應；此外，在進行亞組分析時，研究結果可能會受到樣本量不均衡的影響。生成式人工智能應用場景未來將會更加豐富，可以更加細致地劃分調(diào)節(jié)變量，如根據(jù)不同地域的文化背景進行調(diào)節(jié)效應的驗證，以明晰用戶使用意愿的作用條件，為生成式人工智能應用程序的優(yōu)化提供參考。

參考文獻

［1］周恬恬.人工智能背景下師范數(shù)字素養(yǎng)培育研究［J］.江蘇科技信息，2023（24）：47-50.

［2］佚名.生成式人工智能服務管理暫行辦法［J］.中華人民共和國國務院公報，2023（24）：39-42.

［3］周謹平.ChatGPT應用中的科研誠信風險及其倫理治理［J］.中南大學學報（社會科學版），2024（1）：31-37.

［4］趙靜，倪明揚，張倩，等.AIGC重構研究生學術實踐：持續(xù)使用意愿影響因素研究［J］.現(xiàn)代情報，2024（7）：34-46.

［5］王偉正，喬鴻，李肖俊，等.基于AIDUA框架的生成式人工智能使用意愿研究［J］.農(nóng)業(yè)圖書情報學報，2024（2）：36-50.

［6］宋俊鋒，安仲禹.基于人工智能生成內(nèi)容（AIGC）的網(wǎng)絡文學人機協(xié)同生產(chǎn)影響動因與生態(tài)演替［J］.昆明理工大學學報（社會科學版），2024（3）：142-154.

［7］MISRA D P，CHANDWAR K.ChatGPT，artificial intelligence and scientific writing：what authors，peer reviewers and editors should know［J］.Journal of the Royal College of Physicians of Edinburgh，2023（2）：90-93.

［8］楊曉哲，王晴晴，王若昕.生成式人工智能的有限能力與教育變革［J］.全球教育展望，2023（6）：3-12.

［9］李慧.元宇宙與生成式AI驅動下的智慧圖書館交互共享空間再造與服務研究［J］.江蘇科技信息，2024（2）：79-81.

［10］王樹義，張慶薇.ChatGPT給科研工作者帶來的機遇與挑戰(zhàn)［J］.圖書館論壇，2023（3）：109-118.

［11］周洪宇，李宇陽.ChatGPT對教育生態(tài)的沖擊及應對策略［J］.新疆師范大學學報（哲學社會科學版），2023（4）：102-112.

［12］閆芳芳.生成式人工智能賦能智慧圖書館創(chuàng)新的實現(xiàn)策略和風險挑戰(zhàn)［J］.江蘇科技信息，2024（7）：98-101.

［13］陳金海，何騰，馬洪梅，等.生成式人工智能平臺持續(xù)使用意愿研究：以ChatGPT為例［J］.信息系統(tǒng)工程，2024（4）：119-123.

［14］嚴三九，陶冠男.長三角新聞工作者ChatGPT使用意愿的影響因素：基于創(chuàng)新擴散理論［J］.現(xiàn)代傳播（中國傳媒大學學報），2024（3）：13-22.

［15］任海芝，吳彥瑾.科研用戶生成式信息搜索行為研究：以ChatGPT為例［J］.大學圖書情報學刊，2024（1）：3-14.

［16］丁朋娜，詹依依.大學生群體ChatGPT使用情況與影響因素探究：基于技術接受模型［J］.新聞知識，2023（12）：65-73.

［17］SOBAIH A E E，ELSHAER I A，HASANEIN A M.Examining students’ acceptance and use of ChatGPT in Saudi Arabian higher education［J］.European Journal of Investigation in Health，Psychology and Education，2024（3）：709-721.

［18］GLASS G V.Primary，secondary，and meta-analysis of research［J］.Education_{5d73fdb295f2921085e3583aeff72cc0}al Researcher，1976（10）：3-8.

［19］李雪麗，黃令賀，陳佳星.基于元分析的社交媒體用戶隱私披露意愿影響因素研究［J］.數(shù)據(jù)分析與知識發(fā)現(xiàn)，2022（4）：97-107.

［20］李華鋒，溫曜東.基于元分析的在線健康信息分享意愿影響因素研究［J］.數(shù)據(jù)分析與知識發(fā)現(xiàn)，2023（12）：125-141.

［21］張池.大學生對于生成式人工智能工具的使用意愿研究：基于技術接受模型［J］.科技傳播，2023（23）：131-135.

［22］周濤，吳曉穎，鄧勝利.用戶知識問答轉移行為研究：從問答社區(qū)到生成式AI［J］.情報雜志，2024（2）：200-207.

［23］KUMAR J，RANI M，RANI G，et al.Human-machine dialogues unveiled：an in-depth exploration of individual attitudes and adoption patterns toward AI-powered ChatGPT systems［J］.Digital Policy，Regulation and Governance，2024（4）：435-449.

（編輯 何 琳編輯）

Meta-analysis of factors influencing acceptance and use of generative AI

SONG Xiang， WANG Xiaohui

（School of Management， Liaoning Normal University， Dalian 116000， China）

Abstract： The study of factors influencing the willingness to use generative artificial intelligence has become a new hotspot in user information behavior research. In response to the differences in existing empirical research results， this article reviews and reanalyzes relevant literature. Using meta-analysis method， nine influencing factors and two types of moderating variables were extracted from the 32 literature included in the study. Heterogeneity test， publication bias test， overall effect calculation， and moderation effect test were used to explore the mechanism of influence on the willingness to use generative artificial intelligence. Based on the results of meta-analysis， a model of factors influencing the willingness to use generative artificial intelligence is constructed to comprehensively evaluate the strength of the relationship and the conditions of the influencing factors， providing reference for the optimization of generative artificial intelligence applications.

Key words： generative AI; ChatGPT; influencing factors; user information behavior; meta-analysis