關鍵詞：人工智能生成內容；模糊集定性比較分析；采納意愿；影響因素；科研場景

人工智能生成內容（Artificial Intelligence Gener-ated Content，AIGC）是一種利用人工智能技術自動或輔助地生成各種形式內容的新型內容生產方式。它是繼專業(yè)生成內容（Professionally Generated Con-tent，PGC）和用戶生成內容（User Generated Con-tent，UGC）之后的新型內容生產方式，是一類用于內容自動化生產的技術集合。AIGC基于大量的訓練數據和預訓練模型，通過學習大量的文本和對話數據，實現對語義的“理解”并進行有效的反饋，從而根據用戶需求和場景生成合適的內容。目前，AIGC在新聞傳播、電商、影視、教育、娛樂等多個行業(yè)和場景中有著廣泛的應用。隨著AIGC技術的日益成熟，科研領域也逐漸成為其重要的應用領域之一，在科學數據處理、智能創(chuàng)作、學術搜索與推薦、科研創(chuàng)新等方面發(fā)揮了重要作用，成為科研人員的重要輔助工具。

部分學者也針對AIGC在科研領域應用開展了相關研究，主要涉及AIGC在科研領域的應用價值、實現路徑以及所帶來的機遇與挑戰(zhàn)等方面。在科研領域的應用價值與實現路徑方面，將AIGC與科研領域進行融合以推動科研工作的智能化和高效化。王樹義等從科研工作流的角度對AI賦能科研工具的價值進行研究，為科研人員的科研工具選擇提供參考；李君靈等采取對大語言模型提問的方式，探究AIGC在學術中的應用價值，并提出了相應的優(yōu)化策略：劉逸倫等則將AIGC技術與科技情報服務融合，構建了AIGC賦能科技情報智能服務的框架模型：Xu M R等對元宇宙下移動AIGC業(yè)務的邊緣預訓練模型服務問題進行了研究，提出了用于管理模型和分配資源的聯合框架，以更有效地滿足用戶請求：DuHY等為了促進用戶之間的語義信息共享，設計出了一種契約論人工智能生成的激勵機制，用來提高用戶體驗。在機遇與挑戰(zhàn)方面，學者們對不同情境下AIGC可能帶來的機遇與風險進行探討，并提出了一系列風險防范措施。駱飛等對人工智能給學術生態(tài)帶來的影響進行了探討，分析了AIGC給學術生態(tài)各方面帶來的機遇與風險，并嘗試提出應對之道：李穎婷等探討了科研場景下AIGC技術給圖書館帶來的機遇與挑戰(zhàn)，并提出了相應的應對策略與方法；厲曉婷等提出，在科研用戶面對人工智能時代帶來的機遇與挑戰(zhàn)時，需要提高用戶自身的媒介素養(yǎng)以適應科研環(huán)境的變化：Wu TY等從開放資源中總結出了AIGC的具體應用之一ChatGPT的核心技術，并重新審視了ChatGPT在各個領域的二元性，同時呼吁科研人員應該正確對待和使用ChatGPT，以避免潛在的威脅。

現有的研究中也有學者涉及科研人員對AIGC在科研場景應用態(tài)度，是否愿意采納人工智能生成內容。一些學者認為AIGC能提高科研的效率，促進科研創(chuàng)新，傾向于使用AIGC輔助科學研究，但也有一些學者認為AIGC給科研人員帶來數據污染、知識產權等問題，對AIGC在科研中的使用持謹慎態(tài)度。這一問題的存在反映了科研人員對AIGC的認知、信任等方面存在的差異影響了科研人員對AIGC的采納意愿，更將直接影響到AIGC在科研領域的應用效果和價值。然而，科研人員是否愿意采納人工智能生成內容不僅取決于自身認知、生成內容質量、有用性、用戶期望等單一因素影響，還會受到多個因素之間復雜關聯的影響。鑒于此，本文基于技術接受模型（Technology Acceptance Mod-el．TAM）和顧客滿意度指數模型（Customer Satisfac-tion Index，CSI）等多個模型構建影響因素模型，使用必要條件分析（Necessary Condition Analysis，NCA）和模糊集定性比較分析（fuzzy-set Qualitative Com-parative Analysis，fsQCA）方法進行實證分析，探討科研場景下AIGC用戶采納意愿影響因素的組態(tài)效應，以期通過組態(tài)視角系統(tǒng)化研究各因素的組合與結果之間的復雜因果關系以及分析單一必要因素是否存在。

1科研工作場景下的AIGC應用形式

科研工作場景下生成式人工智能應用有助于提升科研效率和質量、輔助研究視角和思路創(chuàng)新。從科研工作流的角度出發(fā)，AIGC可以應用于科研工作中的研究選題確立、文獻檢索和閱讀、研究思路設計、數據采集與處理、研究問題分析與解決、研究成果的撰寫與修改等各個環(huán)節(jié)。AIGC在科研工作流中的應用具體體現在：

1）智能選題的生成和優(yōu)化。確定研究選題是進行科研的首要環(huán)節(jié)，AI大模型可以根據科研人員輸入的關鍵詞，從海量的學術文獻、專利、報告等信息源中提取并整合相關的知識和數據，結合科研人員的興趣、學科背景和研究熱點前沿生成一些具有創(chuàng)新性和價值的選題。同時，還能針對科研人員提供的已有選題進行優(yōu)化和拓展，分析選題的創(chuàng)新性和不足，提出改進和完善建議，幫助科研人員更好地把握研究方向，提高科研工作者選題的質量和效率。

2）文獻推薦和提煉。檢索和閱讀文獻是進行科研的基礎環(huán)節(jié)，AIGC能夠根據用戶確定的研究選題，幫助科研人員從數據庫中檢索和篩選出與用戶選題相關的文獻。協(xié)助科研人員對文獻進行智能閱讀、總結和評價，使科研人員快速獲取到需要的信息。同時，利用大語言模型的強大能力，深入分析和理解相關文獻中的研究內容、研究方法、研究結果和結論，從中提取和整合相關的知識與數據，形成一個全面的領域知識圖譜，幫助科研人員更好地理解和系統(tǒng)地掌握知識。此外，AIGC還可以根據用戶的閱讀歷史和偏好，動態(tài)調整文獻推薦的策略和順序，為用戶提供個性化的閱讀體驗。

3）研究思路設計與方案創(chuàng)新。研究思路設計是進行科研工作的關鍵環(huán)節(jié)，它決定了研究的質量和水平。在傳統(tǒng)的科研過程中，研究思路的設計主要依賴于科研人員的思考和探索，對科研人員的能力提出了很高的要求，需要科研人員對所研究的領域有較為深入的理解和掌握。而AIGC的出現大大降低了這一環(huán)節(jié)的難度。AIGC通過對大量數據進行學習和分析，對已有的文獻進行系統(tǒng)總結，幫助用戶生成一些可能的研究思路和框架，為科研人員研究思路的設計提供參考和相關建議。

4）數據采集與處理。數據是進行研究的基礎，數據的質量決定了研究結果的可信度和有效性?；ヂ摼W上存在著大量的開放數據，從中獲取到有用的信息對科研工作具有至關重要的作用。AIGC根據研究的主題和思路，對科研所需的數據提供有針對性的建議和要求，生成符合規(guī)范和標準的代碼和程序，幫助用戶自動抓取互聯網上相關數據，實現數據的自動化采集。此外，AIGC還可以根據數據的來源和特性生成數據的清洗和處理方法，確保數據的質量和有效性，為科研提供高質量的數據支持。

5）研究問題分析與解決?？蒲械暮诵脑谟诮鉀Q研究問題。根據研究問題的性質和類別，AIGC可以輔助科研人員從現有的研究方法中篩選并匹配適合的研究方法，以有效地解決研究問題。具體而言，AIGC技術可以根據研究問題的復雜程度、研究數據的類型和研究目的等因素，從已有的文獻中析出與研究內容相關的方法以構建領域方法庫，并基于一定的算法從中篩選匹配合適的研究方法，為科研人員提供相應的研究方法和技術的操作流程，幫助科研人員驗證研究假設，分析研究問題，得出研究結論，為科研人員提供有價值的參考和指導，提高研究的效率和質量。

6）語言文字組織、翻譯與潤色。論文寫作是成果呈現的重要方式，也是科研水平的體現，AIGC為科研人員在論文寫作方面提供了有力的支持。具體來說，根據科研人員提供的研究選題、參考文獻、研究思路和數據資料，組織論文文字表述，并根據研究者的反饋進行語言的優(yōu)化和改進，幫助研究者提高論文的質量和水平，使研究結果顯性化。AIGC也能夠學習和適應不同作者的寫作風格與語言規(guī)則，幫助科研人員將想法和研究成果以更精煉、更易于理解的方式表達出來。此外，AIGC在科研人員的翻譯和潤色工作中也扮演了十分重要的角色，通過深度學習和自然語言處理技術，快速準確地翻譯大量的科研文獻，同時通過語義分析，對原文進行精確的潤色，提高語言質量和可讀性。

2科研場景下AIGC用戶采納意愿影響因素模型構建

技術接受模型（Technology Acceptance Model，TAM）是一種用來分析用戶對數據系統(tǒng)接受程度的理論模型。該模型在理性行為理論（Theory of Rea-soned Action，TRA）和計劃行為理論（Theory ofPlanned Behavior．TPB）的基礎上，提出了感知有用性和感知易用性兩個核心因素，并認為這兩個因素通過影響用戶的使用態(tài)度，進而影響用戶的使用意愿，探討了影響個體接受行為的微觀機制和因素，并被廣泛應用于企業(yè)管理、通信、教育等多個領域。在科研場景中，用戶對AIGC的采納意愿同樣也受個體態(tài)度的制約和影響，因此在構建本文的影響因素模型時，上述兩個因素均被納入。

不同理論模型對用戶采納意愿的預測能力各有優(yōu)劣，單一模型難以涵蓋所有影響因素，綜合其他模型的關鍵變量可以提高單一模型的解釋力。任務技術匹配模型（Task-Technology Fit Model，TTF）指出，用戶是否使用新技術，不僅取決于他們對技術的態(tài)度和感知，還取決于技術特征是否符合任務需求。因此，本文引入感知任務技術匹配度這一影響因素來測量科研場景下AIGC技術與科研用戶任務的匹配程度對采納意愿的影響。顧客滿意度模型（CSI）是一個用于評估用戶對產品或服務的滿意程度的理論模型，它可以幫助企業(yè)了解用戶的需求和期望，增強用戶的忠誠度和滿意度。該模型中存在用戶期望和感知質量兩個重要影響因素，即用戶只有在認為產品或服務的質量達到或超過他們的期望時，才會感到滿意并繼續(xù)使用產品或服務?？蒲杏脩魧IGC技術提供的服務也受到用戶期望和感知質量兩個因素的影響，因此在模型構建時也將引入上述兩個因素。整合型科技接受模型（UnifiedTheory of Acceptance and Use of Technology，UTAUT）是在綜合技術接受模型、消費者行為理論、計劃行為理論等多個模型和理論的基礎上提出的，該模型中社群影響用以表征用戶對新技術的采納意愿受社會環(huán)境和群體行為的影響。AIGC作為一種新興技術，科研用戶對它的采納和使用必然受到科研群體的影響，因此本文引入社群影響這一因素來測量科研群體對科研用戶采納意愿的影響：最后根據AIGC技術實現的安全性在模型設計時引入感知信任這一影響因素。

本文在技術接受模型（TAM）的基礎上，綜合了任務技術匹配模型（TTF）、顧客滿意度模型（CSI）和整合型科技接受模型（UTAUT）中的相關變量，構建了影響因素理論模型。該模型包括感知有用性、感知易用性、感知任務技術匹配度、感知質量、用戶期望、社群影響和感知信任7個影響因素，分別反映了科研人員對新技術的有用性、易用性、任務技術適配、內容質量、預期、社會影響和安全方面的認知與評價，各因素的具體含義如表1所示。科研場景下AIGC用戶采納意愿影響因素作用機理模型如圖1所示。

3研究設計

3.1研究方法

定性比較分析方法（Qualitative Comparative A-nalysis，QCA）是基于集合論和布爾代數的研究方法，它結合了定量和定性研究方法的優(yōu)勢，能夠處理大中小規(guī)模的樣本數據，揭示某一社會現象發(fā)生的多重因素之間的復雜關系，研究組合因素對結果變量的影響并提供必要性和充分性的分析。其中的模糊集定性比較分析方法（fuzzy-set Qualita-tive Comparative Analysis，fsQCA）更適合處理連續(xù)變量分析。因此，本文采用模糊集定性比較分析（fsQCA）方法來探究多個因素間的組合對科研場景下AIGC用戶采納意愿的影響。

必要條件分析方法（Necessary Condition Analy-SIS，NCA）是一種可以識別和檢驗前因變量對結果變量產生必要影響的研究方法，該方法彌補了定性比較分析方法只能從定性角度識別前因變量是否為結果發(fā)生的必要條件的不足。NCA方法和QCA方法一樣，對大樣本量研究和小樣本量研究都具有很好的效果。本文使用必要條件分析方法來識別是否存在單一因素對科研場景下AIGC用戶采納意愿產生必要性影響。

3.2問卷設計與回收

本研究的問卷主要由兩個部分構成，第一部分是用戶基本情況調查，包括性別、年齡、學歷等人口統(tǒng)計學變量，第二部分是針對模型中的7個前因變量和一個結果變量的測量。為保證問卷信度，本文所有的測量題項均參考國內外已有的量表題項，并在已有研究的基礎上，結合科研場景下AIGC用戶采納意愿影響因素情況進行適當修改。初始問卷形成后，征集了兩位專家的意見，并根據專家的意見對問卷進行修改和完善，最終形成該問卷，如表2所示。

問卷通過網絡平臺進行制作和發(fā)放，為保證調查對象符合研究主題，問卷在統(tǒng)計用戶基本情況時設置篩選題目為“您是否使用過AIGC幫助您解決過科研問題”，確保調查對象為使用過AIGC進行科學研究的用戶。問卷回收時間為2023年9月21日-2024年6月3日，歷時256天，共回收問卷562份，通過人工剔除答題日寸間較短以及前后邏輯明顯矛盾的數據，共得到522份有效數據，問卷有效回收率為92.8%。樣本中，男性和女性的占比分別為48.5%和51.5%，性別比例較為均衡。年齡集中在20～30歲的用戶占比為28.9%，31～40歲的用戶占比為30.5%，40歲以上用戶占比為27.0%，符合AIGC的科研用戶年齡分布特征。學歷方面，碩士研究生和博士研究生及以上學歷的用戶占據了調查人數的主要部分，分別占比為32.0%和33.0%，高學歷用戶居多。在AIGC的使用頻率上，每月使用AIGC輔助科學研究的用戶以0～5次和6～15次為主，合計占比為64.2%。

3.3信效度分析

為保證問卷具有良好的可靠性，對回收的數據進行信效度檢驗，具體結果如表3所示，各變量的Cronbach's Alpha系數均大于0.8，表明問卷具有良好的信度。

效度檢驗包括內容效度和結構效度。其中，問卷題項均根據國內外成熟的量表進行設計，并通過專家論證，因此問卷具有很好的內容效度。結構效度又分為收斂效度和區(qū)別效度，收斂效度主要通過標準化因子載荷、組合信度（CR）和平均方差提取值（AVE）進行分析，由表3可以看出，各測量變量的標準化因子載荷均超過0.5，組合信度CR均超過0.7，表明內部一致性較高；平均方差提取值AVE均超過0.5，表明題項對潛在變量的解釋程度較高。因此，測量模型具有較好的收斂效度。區(qū)別效度的檢驗結果如表4所示，各變量的AVE平方根值（主對角線部分）均大于該變量與其他變量的相關系數，符合標準，表明問卷具有良好的區(qū)別效度。

4數據分析

4.1變量校準

根據fsQCA的方法要求，必要條件分析和組態(tài)路徑分析之前先要對變量數據進行校準。首先需要選定3個校準錨點，即完全隸屬點、交叉點和完全不隸屬點。本文采用直接校準法分別將完全隸屬點、交叉點和完全不隸屬點閾值設置在連續(xù)變量0.95、0.5和0.05的分位數上，將問卷數據轉化為[0，1]上連續(xù)變化的隸屬度數據，同時為防止出現過多的0.5數值導致在構建真值表時把數據剔除，統(tǒng)一在校準后的數值上加上0.001。變量錨點具體情況如表5所示。

4.2必要條件分析

NCA方法是利用散點圖判斷前因變量是否為結果變量的必要條件，同時利用瓶頸表分析前因變量在多大程度上是構成結果發(fā)生的必要條件。根據Dul J的研究，變量是否為必要條件需要滿足效應量d≥0.1且效應量是顯著的（p≤0.05）兩個條件，其中d的取值通常在0～1之間。

本文利用上限回歸分析法（CR）和上限包絡分析法（CE）來計算7個前因變量的效應量。根據表6可知，7個前因變量均不同時滿足d≥0.1且p≤0.05的條件，表明7個影響因素都不是影響用戶采納意愿的必要條件。

瓶頸水平是指單個前因變量在其觀測值范圍內需要滿足的最低水平值（%）。包絡上限（CE）通常用于處理二分類變量，回歸上限（CR）則常用于處理連續(xù)或離散型變量，因此本文通過CR計算得出瓶頸水平。由表7可知，在0%～10%的用戶采納意愿水平時，各前因變量對結果變量均無影響。當達到100%的用戶采納意愿水平日寸，部分前因變量對用戶采納意愿產生一定的瓶頸，具體來說需要2.1%的感知質量水平、1.0%的感知易用性水平、3.0%的感知信任水平、1.0%的社群影響水平以及5.5%的用戶期望水平。

在此基礎上，使用fsQCA方法中的必要條件分析檢驗NCA方法得出的必要條件分析的結果的準確性。在fsQCA中進行必要性檢驗的標準是當前因變量的一致性水平大于0.9時，則認為該前因變量是結果變量的必要條件。結果如表8所示，影響用戶采納意愿的前因變量的一致性水平均小于0.9．表明所有單一前因變量均不是影響用戶采納意愿的必要條件，與NCA方法檢驗結果一致。因此，需要進一步討論前因變量之間的組合對用戶采納意愿的影響。

4.3組態(tài)路徑分析

組態(tài)路徑分析能夠幫助明確多個前因變量之間復雜的因果關系。在使用fsQCA方法時，首先需要構建真值表對校準后的數據進行邏輯判斷，根據以往學者的研究，需要至少保留80%的有效案例且原始一致性要大于等于0.75，同時為了避免可能存在的矛盾組態(tài)問題，PRI一致性閾值也需要大于等于0.75。因此，本文將案例截斷值設置為2，保留96%的案例，原始一致性閾值設置為0.9，并將PRI一致性閾值低于0.75的案例結果手動標記為0，求得真值表進行用戶高采納意愿組態(tài)路徑分析和用戶低采納意愿組態(tài)路徑分析。軟件運算后生成簡約解（Parsimonlous

Solution）、中間解（Inter-mediate Solution）和復雜解（Complex Solution）3種解。在結果識別中，將同時出現在簡約解和中間解中的條件視為核心條件，將只出現在中間解中的條件視為邊緣條件。在結果表示上，使用0和0分別表示核心條件存在和缺失，0和0分別表示邊緣條件存在或缺失，空白表示該條件可有可無。具體結果如表9、表10所示。

從表9可以看出，存在11條科研用戶對AIGC有較高采納意愿的組態(tài)路徑，其中路徑HlOa、HlOb構成了二階等價組態(tài)，即核心條件一致。11條組態(tài)路徑總體一致性為0.876，表明組態(tài)路徑對AIGC用戶高采納意愿的解釋程度達到87.6%，組態(tài)效應顯著；組態(tài)總體覆蓋率為0.734，表明11種條件組合構型可解釋73.4%的AIGC用戶高采納意愿案例，具有較強的解釋力。

其中，路徑H1、H2、H3可以歸納為滿足科研用戶需求導致的用戶高采納意愿。它們的核心條件均為感知有用性、感知易用性和感知任務技術匹配度，表明這些路徑中科研用戶對AIGC的采納意愿主要受到這3個因素的綜合影響，意味著當AIGC操作簡便，能有效地解決用戶的科研問題且與用戶的任務高度契合時，用戶對AIGC有較強的采納意愿。此外，路徑H1中感知信任也作為核心條件存在，表明當科研用戶感知到AIGC能充分保護自身隱私信息和科研數據的安全時，能夠提升科研用戶對AIGC的采納意愿。路徑H2中社群影響也作為核心條件存在，表明AIGC得到科研群體的積極反饋會在組態(tài)路徑中發(fā)揮正向作用。路徑H3中用戶期望也作為核心條件存在，表明當AIGC滿足或超過用戶期望時，會提升科研用戶對AIGC的采納意愿。

路徑H4的核心條件為感知易用性、感知任務技術匹配度、感知信任和用戶期望4個前因變量，反映了科研用戶對AIGC的操作性、適應性、安全性和期望的評價。表明當AIGC操作簡便且與用戶任務需求高度契合，得到用戶信任且能滿足或超過用戶期望時，科研用戶便對AIGC有較高的采納意愿。

路徑H5和H6歸納為滿足科研用戶的信任和預期導致用戶高采納意愿，路徑核心條件均為感知信任、社群影響和用戶期望。意味著當AIGC贏得了用戶的信任，受到科研群體正向影響和建議并滿足了用戶的期望時，科研用戶對AIGC有較高的采納意愿。在路徑H5中感知質量也作為核心條件存在，表明當科研用戶認為AIGC能夠生成高質量的內容時，將會提升用戶采納意愿。路徑H6中感知有用性作為核心條件存在，反映了科研用戶對AIGC的實用性和有效性的認同也能夠提高用戶對AIGC的采納意愿。

路徑H7和H8可以歸納為AIGC技術性能和服務質量高導致用戶高采納意愿。核心條件為感知質量、感知易用性和感知信任，其中感知有用性作為核心條件缺失。這意味著當AIGC能夠提供高質量的內容，操作簡便且贏得了用戶的信任時，即使AIGC不能直接展現出顯著的感知有用性，科研用戶對生成內容的采納意愿仍然很高，這是因為科研用戶對于內容采納并不僅僅取決于直接的功能性價值，還受到多種因素的影響。其中，路徑H7中社群影響也作為核心條件存在，表明科研社群的正向影響促進用戶對AIGC的采納。路徑H8中用戶期望作為邊緣條件存在表明用戶期望的滿足對用戶采納意愿起到正向影響。

路徑H9由感知質量、感知有用性、感知易用性、社群影響和用戶期望5個前因變量構成，其中感知有用性作為核心條件缺失，社群影響為邊緣條件存在，其余因素為核心條件存在。表明當AIGC能夠提供高質量的內容，并且讓用戶感覺使用方便，受到科研社群的正向影響且滿足用戶期望時，即使用戶不完全認為AIGC能提高科研質量，他們對AIGC仍然有較高的采納意愿。

路徑H10a、H10b構成了二階等價組態(tài)，核心條件一致，感知質量、感知有用性、感知任務技術匹配度和用戶期望作為核心條件存在。表明當AIGC能夠提供高質量的內容，有效地解決用戶的科研問題，與用戶的任務高度契合，且滿足用戶期望時，用戶對AIGC有較強的采納意愿。此外，路徑H10a中感知信任作為邊緣條件存在也提升了用戶采納意愿，路徑H120b中，社群影響作為邊緣條件在路徑中起到了輔助作用，對用戶的采納意愿有一定的增強作用。

從表10可以看出，在科研用戶低采納意愿的組合中共有4條路徑。4條組態(tài)路徑總體一致性為0.893，表明所有條件組態(tài)對AIGC用戶低采納意愿的解釋程度達到89.3%，組態(tài)效應顯著；組態(tài)總體覆蓋率為0.499，表明7種條件組合構型可解釋49.9%的AIGC用戶低采納意愿案例，同樣具有較強的解釋力。同時還可以看出，用戶低采納意愿組態(tài)路徑并非完全是用戶高采納意愿組態(tài)路徑的反面，體現出定性比較分析方法非對稱性的特征。

其中，路徑L1以感知質量、感知有用性、感知易用性、感知任務技術匹配度、社群影響和用戶期望作為核心條件缺失導致用戶低采納意愿，反映了科研用戶對AIGC的內容質量、有用性、易用性、科研匹配度、社群影響和期望的不滿影響用戶采納意愿。這表明當AIGC無法提供高質量的科研信息，也無法讓用戶感到方便和滿意且受到社群負向評價時，無論感知信任是否存在，科研用戶都對AIGC具有較低的采納意愿。

路徑L2以感知質量、感知易用性、感知任務技術匹配度和社群影響作為核心條件缺失，且用戶期望作為邊緣條件缺失導致用戶低采納意愿。意味著當AIGC無法提供高質量的科研信息且無法匹配用戶的科研需求，不易操作及受到社群負面評價時，用戶對AIGC的采納意愿較低。用戶期望作為邊緣條件缺失表明用戶期望落差會進一步降低用戶采納意愿。感知有用性和感知信任作為核心條件存在表明，即使科研用戶認為AIGC在科研工作中具有有用性且能保證信息安全，但受到多種因素的影響也會對AIGC有較低的采納意愿。

路徑L3是以感知有用性、感知易用性、感知信任、社群影響作為核心條件缺失，感知質量作為邊緣條件缺失導致用戶低采納意愿。表明AIGC不滿足科研用戶的需求和信任導致用戶低采納意愿。這意味著當AIGC對科研無益，同時受到社群的負面影響及用戶信任危機時，科研用戶對AIGC的采納意愿較低，感知質量作為邊緣條件的缺失使得用戶對生成內容的質量產生了懷疑，從而進一步降低了用戶的采納意愿。這種情況下，即使感知任務技術匹配度和用戶期望作為核心條件存在，用戶仍然具有較低的采納意愿。

路徑L4以感知有用性、感知易用性和感知信任缺失導致用戶低采納意愿，反映了科研用戶對AIGC有用性、易用性感知和信任的缺失影響用戶采納意愿，意味著當AIGC無法提升科研效率，也無法讓用戶感到方便和信任時，用戶的采納意愿就會很低。此日寸，即使社群影響和用戶期望作為核心條件存在，感知質量和感知任務技術匹配度作為邊緣條件存在也無法使用戶具有較高的采納意愿。

4.4穩(wěn)健性檢驗

在定性比較分析中，因為閾值的選擇、案例截斷值和一致性截斷值都存在著一定的主觀性，即存在著一定的參數設定威脅，所以對路徑結果進行穩(wěn)健性檢驗是非常有必要的。目前，QCA穩(wěn)健性檢驗的方法主要有調整校準閾值、調整案例截斷值、調整一致性閾值等。本文選取調整一致性閾值的方法檢驗結果的穩(wěn)健性，將原始一致性閾值由0.9調為0.8，并通過構建真值表分別構建了AIGC用戶高采納意愿路徑和用戶低采納意愿路徑，所產生的組態(tài)路徑與本文研究結果區(qū)別都很小，因此認為本文所產生的結果路徑是穩(wěn)健可靠的。

5結論與啟示

5.1研究結論

本研究基于必要條件分析和模糊集定性比較分析方法對科研場景下AIGC用戶采納意愿影響因素進行了探討，揭示了科研過程中多個因素的協(xié)同驅動效應對AIGC用戶的采納意愿的影響，具體研究結論如下：

1）采用必要條件分析（NCA）方法對科研場景下AIGC用戶采納意愿影響因素進行單一條件的必要性檢驗。結果表明，7個影響因素均未達到必要性條件的標準，即不存在某一個單一因素能夠決定科研用戶是否采納AIGC。模糊集定性比較分析（fsQCA）方法中的必要條件分析結果也驗證了這一結論合理性和可靠性。

2）運用模糊集定性比較分析（fsQCA）方法對科研場景下AIGC用戶采納意愿的高值和低值分別進行組態(tài)路徑分析，探討影響用戶采納意愿的因素組合。在用戶高采納意愿分析中得到了11條組態(tài)路徑，分別代表了不同的影響因素組合，其中H10a和H10b是兩條二階等價組態(tài)路徑，等價路徑內核心條件一致。7個影響因素在組態(tài)路徑中均作為核心條件或邊緣條件存在，提升用戶采納意愿。在用戶低采納意愿分析中得到了4條組態(tài)路徑，7個影響因素在路徑中作為核心或邊緣條件缺失導致用戶低采納意愿，且用戶低采納意愿組態(tài)路徑并非完全是用戶高采納意愿組態(tài)路徑的反面，體現出了定性比較分析方法非對稱性的特征。

5.2研究啟示

結合本文研究結論，為促進科研場景下AIGC用戶的采納意愿，提出以下策略和建議。

1）科學構造提示詞，提升生成內容質量。由組態(tài)路徑分析可知，感知質量是影響科研場景下AIGC用戶采納意愿的重要因素之一，它直接關系到用戶對生成內容的價值評估。因此，提升用戶對生成內容的質量評價對提高用戶采納意愿有重大幫助。首先，高質量答案需要高質量提問引導，需要加強對科研人員的語言和邏輯思考能力訓練，提升科研人員提示詞構造能力，使科研人員能清晰地表達自己的需求，避免因模糊、歧義、錯誤的輸入而影響AIGC的使用效果和生成內容質量。其次，內容的豐富度和深度也是影響感知質量的重要因素，AIGC應通過引入更多的專業(yè)知識和領域數據，生成更具啟發(fā)性的內容，幫助用戶拓展研究思路，發(fā)現新的研究方向，生成具有深度和廣度的內容，以滿足科研人員在不同研究階段的需求。

2）優(yōu)化交互與反饋方式，提升用戶體驗。感知易用性和感知有用性反映了用戶對技術的直觀感受，是影響科研場景下用戶采納意愿的兩個重要因素。這兩個因素往往相互影響、相互促進，意味著要提高用戶采納意愿，需要優(yōu)化人與AI之間的交互方式和反饋方式。針對交互方式，AIGC應設計簡潔的用戶界面、簡化操作流程，確?？蒲腥藛T能夠短時間內掌握基本操作，同時提供多樣化的交互模式，以適應不同科研群體的需求，例如，在傳統(tǒng)文字輸入為主的交互模式基礎上增添語音輸入、圖片識別等功能。在反饋方式上，根據用戶的喜好和習慣不同，提供多種方式反饋滿足用戶的需求，增強用戶使用AIGC的便利性和舒適性。同時，實時收集用戶的操作數據和反饋意見，通過深度學習等技術不斷優(yōu)化自身的功能和性能，為用戶提供更加優(yōu)質的服務。

3）加速技術升級，匹配用戶科研需求。AIGC技術與科研需求之間的匹配度是影響科研用戶對生成內容+采納的關鍵因素?？蒲泄ぷ魍婕按罅康奈墨I閱讀、數據分析、實驗設計和論文撰寫等任務，AIGC需要深入了解科研用戶的日常流程和研究內容，結合科研場景更好地匹配科研用戶在科研工作中的實際需要。同時，用戶對AIGC的采納意愿不僅取決于自身的需求和滿意度，還可能會受到周圍人的使用態(tài)度、科研環(huán)境評價的影響。因此，需要建立一個開放、協(xié)作的科研用戶社群，通過社群的互動和分享，增加用戶對AIGC的認同和信任，實現AIGC在科研領域中的推廣。此外，為了適應不同地區(qū)和文化的用戶，還需要建設本土化的AIGC應用，考慮用戶的語言、習慣、背景等因素，讓AIGC技術更貼近用戶的實際情況和需求。

4）規(guī)范用戶行為，避免侵權風險。科研場景下用戶對AIGC技術的信任是影響其采納意愿的重要因素之一。AIGC要贏得用戶的信任，必須確保生成內容的原創(chuàng)性、真實性、完整性和可追溯性，避免造成侵權的風險。此外，為規(guī)范使用AIGC，也有必要提升科研人員的信息素養(yǎng)能力，培養(yǎng)科研用戶對虛假信息的甄別能力，有選擇地采納信息，防止因AIGC的濫用造成學術不端現象。另外，相關部門應加快制定具體政策，進一步規(guī)范AIGC的發(fā)展和應用邊界，既要鼓勵新技術的研發(fā)和應用，又要防止技術的濫用和誤用。同時，還應加大監(jiān)管和執(zhí)法力度，對違反規(guī)定的行為進行嚴厲打擊，確保AIGC技術的健康發(fā)展。

5.3研究局限及未來展望

本文還存在一定的局限性。第一，本文前因變量來源于理論模型集成析出，未來可以結合質性訪談方法、扎根理論方法進行進一步驗證。第二，未深入分析影響AIGC用戶采納意愿的影響因素之間的權重。因此，希望未來的研究能進一步優(yōu)化和完善科研場景下AIGC用戶采納意愿組態(tài)路徑，為AIGC在科學研究中的推廣和應用提供參考，促進AIGC在科學研究中的進一步發(fā)展。