摘　要：生成式人工智能作为高等教育领域的一项关键应用技术，其应用特性对大学生持续使用意愿及行为模式产生显著影响。鉴于此，依托技术接受与使用统一理论模型，并依据具体应用场景及研究对象的独特性，对该模型进行适应性调整与优化。基于一项184名大学生的问卷调查，针对国内大学生生成式人工智能的持续使用意愿与使用行为，深入分析绩效期望、努力期望、社会影响及促进因素的作用，同时探究这些因素之间的关联路径。结果发现，生成式人工智能的努力期望、社会影响、促进因素和绩效期望对大学生持续使用意愿有正向影响；大学生持续使用意愿的努力期望、社会影响、促进因素对使用行为的影响起中介作用，性别和年级在影响路径中不起调节作用。深化对大学生技术接受与用户行为的理解，为技术接受与使用统一理论模型在教育技术领域的适用性提供实证支持。同时，为高校有效整合生成式人工智能于教学实践提供策略指导，也有利于生成式人工智能技术的持续优化与升级，促进其在高等教育中的广泛应用与深度融合。

关键词：国产生成式人工智能；UTAUT模型； 持续使用意愿；影响因素；因子关联路径

作者简介：王鹏，山东师范大学心理学院教授，博士（山东济南250358）；张彤，山东师范大学心理学院硕士研究生（山东济南250358）

一、引言

　　当前，我们正处在由人工智能（AI）等推动的第四次工业革命（the Fourth Industrial Revolution, 4IR）中，其中人工智能技术已经广泛应用于网上银行[1]、社交网络数据分析[2]、互联网上的视频内容筛选分类等领域。2022年11月，ChatGPT的发布引发广泛关注与热烈讨论，医疗和教育等领域很快得到应用，人们还利用ChatGPT进行软件开发和测试，以及生成诗歌、散文、图片等，其应用前景展示了提高人类价值生产效率和多样性的变革潜力，这为第五次工业革命（5IR）的到来注入新活力。ChatGPT发布不久，一系列国产生成式人工智能产品也相继进入市场，并逐渐融入社会各行各业。在教育领域，人工智能技术正迅速进步，以前所未有的态势改变着教育的生态结构与传统秩序，成为一股强大的驱动力，引领并促进教育的创新发展，同时国产生成式人工智能和教育相融合的话题一直受到社会热议。

　　生成式人工智能（Generative Artificial Intelligence, GenAI）是一类基于深度学习的机器学习模型，它通过学习大量数据来生成新的、与原始数据相似但并不完全相同的数据。它能够根据用户输入的指令，从问答的角度，将大模型与数据库、搜索引擎进行对比，提供答案，其生成内容的质量取决于所收集的数据内容，数据集的广泛性和深入程度直接关联模型对话功能的优劣，同时，它能在与人类交流的过程中，借助人机对话不断进行学习，以优化自身性能。生成式人工智能的海量数据信息，以及强大的生成与理解能力，使其具备融合进科研教育等领域的应用潜力。例如，生成式人工智能可应用于教育系统的教学、学习、评价、研究、管理等多个场景，为教育教学全过程赋能，能够帮助学生寻找研究方向，润色论文写作内容以及改写代码等，可作为实验教学的辅助工具，增强学生的创新与实践能力。除此之外，生成式人工智能为学生提供个性化服务和互动支持，包括回答复杂的问题、提供作业反馈，以及促进学习经验的开放式讨论等。根据2023年技术成熟度曲线的观察，虽然公众对生成式人工智能抱有极高的热情和希望，但有学者认为，在教育领域，生成式人工智能的应用存在一个短期高估、中长期低估的现象，其原因在于生成式人工智能本身存在一些问题。

　　第一，生成式人工智能可能会产生编造“事实”的情况，尤其是涉及专业知识的相关领域，这一问题在涉及专业知识及特定领域的场景中尤为突出。由于模型可能未能全面理解或准确反映专业领域内的知识框架与细节，尤其是在依赖精确事实与数据支持的学科中，其生成的内容可能包含错误的信息或误导性的结论，这可能对学术研究与教育实践造成不良影响。第二，由于训练数据的时效性限制，模型可能无法提供最新信息，由于训练数据往往基于历史信息构建，模型可能无法及时捕捉最新的研究成果、行业动态或政策变化，从而无法为用户提供最新、最准确的信息。在科研教育领域，信息的时效性至关重要，过时的信息不仅无法支持有效的学习与研究，还可能误导学者和学生，影响科研进展与教育质量。第三，生成式人工智能经过诱导会生成有害信息，存在模型滥用、隐私泄露等问题，当模型接收具有误导性或恶意意图的信息时，可能会生成不符合道德标准、侵犯他人权益或泄露敏感内容。此外，模型的滥用风险包括但不限于未经授权的数据访问、个人隐私泄露等，这些问题严重违背伦理原则与法律法规，对用户的权益构成威胁。第四，不同的生成式人工智能在输入有倾向性的训练资料语言时，不同的语言环境回答的质量存在不一致现象，这种不一致性不仅影响用户体验，还可能加剧信息不平等现象，特别是在科研教育领域，语言的障碍可能导致学生获取知识的不均衡，进而影响其学术发展与创新能力。这些问题不仅可能侵害学生隐私、误导学生，还可能对整个科研教育生态产生负面影响，降低用户持续使用生成式人工智能技术的意愿与行为。因此，迫切需要开展更为深入的研究，以探索用户与人工智能技术之间的有效互动机制，确保技术的健康发展与合理应用，从而在科研教育领域使其正面影响最大化。

　　针对学生的ChatGPT使用意愿，一些学者通过问卷等形式展开研究。例如，有学者利用ChatGPT进行教学能力诊断研究发现，对于学生而言，ChatGPT在独立辅导学生学习方面还存在不足，无法独立完成辅导，但对于教师而言，ChatGPT可以成为教师教学的有效辅助工具。国外的研究者以ChatGPT为工具，探讨性别和学习层次对生成式人工智能使用意愿的调节作用。有学者采用问卷形式对高等教育学生进行接受和使用生成式人工智能的研究。相比ChatGPT，国产生成式人工智能产品，因注册使用更为方便、训练资料语言偏向于中文、更加适合本土使用等特点拥有大量用户。有关生成式人工智能使用意愿方面国内却鲜有研究。在此情况下，研发者很难准确了解用户具体需求以及对国产生成式人工智能的使用态度和体验，在针对性性能升级和功能开发的过程中容易遇到阻碍，最终会影响用户的持续使用意愿和使用行为。

　　相对于基础教育而言，高等教育中高校学生应用新兴技术更加开放和灵活，接受能力更强、需求更大，国产生成式人工智能对高等教育领域的影响也更快、更直接。基于上述观点，研究以技术接受与使用统一理论（Unified Theory of Acceptance and Use of Technology, UTAUT）模型为基础，根据前人研究对模型进行修改，以此探究大学生国产生成式人工智能持续使用意愿的影响机制。研究既有利于深化用户对技术接受与用户使用的理解，促进高校对生成式人工智能的教学应用，还可以为技术开发者提供理论指导，帮助他们设计出更符合用户需求的技术产品，同时有助于提升生成式人工智能的使用效果和扩大推广范围，具有重要的理论与现实价值。

一、引言

　　当前，我们正处在由人工智能（AI）等推动的第四次工业革命（the Fourth Industrial Revolution, 4IR）中，其中人工智能技术已经广泛应用于网上银行[1]、社交网络数据分析、互联网上的视频内容筛选分类等领域。2022年11月，ChatGPT的发布引发广泛关注与热烈讨论，医疗和教育等领域很快得到应用，人们还利用ChatGPT进行软件开发和测试，以及生成诗歌、散文、图片等，其应用前景展示了提高人类价值生产效率和多样性的变革潜力，这为第五次工业革命（5IR）的到来注入新活力。ChatGPT发布不久，一系列国产生成式人工智能产品也相继进入市场，并逐渐融入社会各行各业。在教育领域，人工智能技术正迅速进步，以前所未有的态势改变着教育的生态结构与传统秩序，成为一股强大的驱动力，引领并促进教育的创新发展，同时国产生成式人工智能和教育相融合的话题一直受到社会热议。

　　生成式人工智能（Generative Artificial Intelligence, GenAI）是一类基于深度学习的机器学习模型，它通过学习大量数据来生成新的、与原始数据相似但并不完全相同的数据。它能够根据用户输入的指令，从问答的角度，将大模型与数据库、搜索引擎进行对比，提供答案，其生成内容的质量取决于所收集的数据内容，数据集的广泛性和深入程度直接关联模型对话功能的优劣，同时，它能在与人类交流的过程中，借助人机对话不断进行学习，以优化自身性能。生成式人工智能的海量数据信息，以及强大的生成与理解能力，使其具备融合进科研教育等领域的应用潜力。例如，生成式人工智能可应用于教育系统的教学、学习、评价、研究、管理等多个场景，为教育教学全过程赋能，能够帮助学生寻找研究方向，润色论文写作内容以及改写代码等，可作为实验教学的辅助工具，增强学生的创新与实践能力。除此之外，生成式人工智能为学生提供个性化服务和互动支持，包括回答复杂的问题、提供作业反馈，以及促进学习经验的开放式讨论等。根据2023年技术成熟度曲线的观察，虽然公众对生成式人工智能抱有极高的热情和希望，但有学者认为，在教育领域，生成式人工智能的应用存在一个短期高估、中长期低估的现象，其原因在于生成式人工智能本身存在一些问题。

　　第一，生成式人工智能可能会产生编造“事实”的情况，尤其是涉及专业知识的相关领域，这一问题在涉及专业知识及特定领域的场景中尤为突出。由于模型可能未能全面理解或准确反映专业领域内的知识框架与细节，尤其是在依赖精确事实与数据支持的学科中，其生成的内容可能包含错误的信息或误导性的结论，这可能对学术研究与教育实践造成不良影响。第二，由于训练数据的时效性限制，模型可能无法提供最新信息，由于训练数据往往基于历史信息构建，模型可能无法及时捕捉最新的研究成果、行业动态或政策变化，从而无法为用户提供最新、最准确的信息。在科研教育领域，信息的时效性至关重要，过时的信息不仅无法支持有效的学习与研究，还可能误导学者和学生，影响科研进展与教育质量。第三，生成式人工智能经过诱导会生成有害信息，存在模型滥用、隐私泄露等问题，当模型接收具有误导性或恶意意图的信息时，可能会生成不符合道德标准、侵犯他人权益或泄露敏感内容。此外，模型的滥用风险包括但不限于未经授权的数据访问、个人隐私泄露等，这些问题严重违背伦理原则与法律法规，对用户的权益构成威胁。第四，不同的生成式人工智能在输入有倾向性的训练资料语言时，不同的语言环境回答的质量存在不一致现象，这种不一致性不仅影响用户体验，还可能加剧信息不平等现象，特别是在科研教育领域，语言的障碍可能导致学生获取知识的不均衡，进而影响其学术发展与创新能力。这些问题不仅可能侵害学生隐私、误导学生，还可能对整个科研教育生态产生负面影响，降低用户持续使用生成式人工智能技术的意愿与行为。因此，迫切需要开展更为深入的研究，以探索用户与人工智能技术之间的有效互动机制，确保技术的健康发展与合理应用，从而在科研教育领域使其正面影响最大化。

　　针对学生的ChatGPT使用意愿，一些学者通过问卷等形式展开研究。例如，有学者利用ChatGPT进行教学能力诊断研究发现，对于学生而言，ChatGPT在独立辅导学生学习方面还存在不足，无法独立完成辅导，但对于教师而言，ChatGPT可以成为教师教学的有效辅助工具。国外的研究者以ChatGPT为工具，探讨性别和学习层次对生成式人工智能使用意愿的调节作用。有学者采用问卷形式对高等教育学生进行接受和使用生成式人工智能的研究。相比ChatGPT，国产生成式人工智能产品，因注册使用更为方便、训练资料语言偏向于中文、更加适合本土使用等特点拥有大量用户。有关生成式人工智能使用意愿方面国内却鲜有研究。在此情况下，研发者很难准确了解用户具体需求以及对国产生成式人工智能的使用态度和体验，在针对性性能升级和功能开发的过程中容易遇到阻碍，最终会影响用户的持续使用意愿和使用行为。

　　相对于基础教育而言，高等教育中高校学生应用新兴技术更加开放和灵活，接受能力更强、需求更大，国产生成式人工智能对高等教育领域的影响也更快、更直接。基于上述观点，研究以技术接受与使用统一理论（Unified Theory of Acceptance and Use of Technology, UTAUT）模型为基础，根据前人研究对模型进行修改，以此探究大学生国产生成式人工智能持续使用意愿的影响机制。研究既有利于深化用户对技术接受与用户使用的理解，促进高校对生成式人工智能的教学应用，还可以为技术开发者提供理论指导，帮助他们设计出更符合用户需求的技术产品，同时有助于提升生成式人工智能的使用效果和扩大推广范围，具有重要的理论与现实价值。

二、理论基础与研究假设

　　（一）理论基础

　　在评估国产生成式人工智能的使用质量时，从商业管理的软件用户评价研究中提取大量基础模型的理论依据，特别是UTAUT模型。该模型由美国相关学者于2003年通过融合包括理性行为理论（Theory of Reasoned Action, TRA）、计划行为理论（Theory of Planned Behavior, TPB）和技术接受模型（the Technology Acceptance Model, TAM）在内的8个不同模型，对其核心要素进行重组与提炼后而提出。与传统模型相比，UTAUT模型更具简洁性、全面性和灵活性，在多个方面表现出显著优势。它不仅操作简便，且涵盖的内容更为广泛，可以更好地反映用户个体的知识、经验和自愿程度对信息技术接受意愿的影响。

UTAUT模型确定了四个关键变量，包括绩效期望（performance expectancy）、努力期望（effort expectancy）、社会影响（social influence）、促进因素（facilitating conditions）。陈芳基于UTAUT模型的研究表明，绩效期望、社会影响、促进因素对持续使用意愿有显著正向影响。根据UTAUT模型，绩效期望、努力期望和社会影响这3个因素会对用户的使用意愿产生影响，从而对用户的实际使用行为产生影响，促进因素则可以直接影响用户使用行为，如图1所示。

图1   技术接受与使用统一理论模型

　　绩效期望反映用户认为使用某一技术或系统对其工作绩效提升的程度，个人对绩效预期的感知或者新技术在使用中的有效性，会影响使用意愿。近年关于学习管理系统和移动学习系统的研究中绩效期望是影响持续使用意愿的关键因素。在有关新技术持续使用意愿的实证研究中，有学者发现优化绩效期望是提高消费者持续使用意愿的有效策略之一。

　　努力期望用来衡量用户在使用新技术或系统时所感受到的易用性或操作的简便性，这个因素用来评估技术对用户的友好程度，并与TAM中“感知易用性”的概念相关联。有学者进行绩效期望预期行为意愿的研究，如采用移动健康服务等，显示努力期望在新技术或系统使用中的重要性。同时，有学者探索研究生持续使用AIGC推行学术实践意愿的影响机制，其中努力期望对AIGC的持续使用意愿影响显著。

　　社会影响是指个体相信重要他人及社会环境认为他们应该使用一种技术或系统的程度。社会影响在不同领域的技术使用中起着至关重要的作用，包括医疗保健中的移动技术、基于人工智能获取求职人才以及AI重构售后服务。

　　促进因素则主要关注用户认为组织或技术基础设施对其使用新技术或系统的支持程度。促进因素的支持在各个领域新技术系统使用中起着至关重要的作用，如聊天机器人接受公共交通系统、中小企业使用电子商务平台。一项关于组织中EAP接受度的研究表明，组织支持提供必要基础设施的感知能增加系统采用和实施的可能性。由研究可知促进因素也是用户使用意愿的重要影响因素。

UTAUT模型还确定了用户行为之间关系的调节因素：性别、年龄、经验和自愿性。有学者在聊天机器人使用的研究中发现，年龄和经验一定程度上影响了用户的使用行为。机器人顾问的使用研究中发现，年龄和性别对感知的有用性和用户使用意愿有积极影响。因此，在考虑国产生成式人工智能使用时，必须考虑这些调节因素的影响，以及它们可能如何影响该技术的接受和使用。

　　（二）研究假设

　　在移动应用程序、教育、公共服务等领域，针对新的信息技术和人工智能驱动的创新，UTAUT模型用于研究用户的接受程度，它因能解释与新技术采用相关行为的实质性能力而受到好评。大量研究证实，UTAUT模型对解释用户使用意愿具有约70%的预测力，而对解释用户实际使用行为则具有约50%的预测力，这使其成为当前信息技术接受研究领域最具影响力的理论框架之一。

　　因此，本文以UTAUT模型为理论框架，结合前人研究对其进行修正，构建一个国产生成式人工智能持续使用意愿的研究模型，如图2所示，旨在深入探究在UTAUT模型的理论框架下，大学生对国产生成式人工智能教育应用持续使用意愿的影响因素及关联路径。该模型的自变量是根据 UTAUT 模型的四个核心因素设置。在调节变量设置中基于大学生使用的自愿性以及经验性差异不大等特点，研究将性别与年级纳入调节变量中。研究假设如下：

图2   大学生对国产生成式人工智能持续使用意愿的初始模型

H1：绩效期望、努力期望、社会影响和促进因素对大学生的国产生成式人工智能持续使用意愿有正向影响作用。

H2：绩效期望、努力期望、社会影响和促进因素这四个变量通过影响大学生对国产生成式人工智能的持续使用意愿，进而影响其实际使用行为，性别和年级在其中起调节作用。

三、研究方法

　　（一）被试

　　研究在山东某高校通过问卷星的形式向本科生发放“国产生成式人工智能持续使用意愿量表”，共有199名学生参与调查，这些学生来自不同学院不同专业。在数据分析之前根据规律性作答和作答时间对数据进行筛选。研究最终得到有效数据184份，问卷有效率92.5%。其中女生138名，男生46名；二年级人数98人，占比53.26%；三年级及以上人数86人，占比46.74%；年龄跨度18-22岁，平均年龄19.88±0.064。

　　（二）研究工具

　　研究根据UTAUT模型的基本框架和变量定义，参考现有文献以及国外生成式人工智能使用意愿量表，结合大学生的个性特点修订“国产生成式人工智能持续使用意愿量表”[18-20]确定量表测量的标准，每个变量的题目都采用李克特五点计分法，1 表示“非常不同意”，5 表示“非常同意”。为确保研究数据具有良好的内部一致性和整体有效性，研究对 5个潜变量进行信度检验，绩效期望、努力期望、社会影响、促进因素和持续使用意愿的Cronbach’s α系数分别为0.915、0.781、0.782、0.846和0.88，各个潜变量的信度皆在0.7以上，各维度的信度良好，内部一致性高。使用AMOS7.0对量表进行验证性因素分析，研究中，模型的拟合指数为CFI（0.87）、TLI（0.86）、IFI（0.87）、NFI（0.78）、RMSEA（0.078），该模型的拟合指数在整体上处于可接受范围。“绩效期望”维度各题目因素负荷处于0.75~0.85之间；“努力期望”维度各题目因素负荷处于0.67~0.83之间；“社会影响”维度各题目因素负荷处于0.46~0.83之间；“促进因素”维度各题目因素负荷处于0.62~0.72之间；“持续使用意愿”维度各题目因素负荷处于0.4~0.84之间。上述结果说明，量表总体，以及各因素的信度和效度水平良好，这为聚类及判别分析提供了良好保障。

　　本问卷包含三个部分，第一部分包括样本的基本情况调查（性别、年龄、专业、年级、学院）；第二部分包括使用行为调查（使用频率），使用频率的选项设置为1-7，分别代表从“从未用过”到“几乎每天”；第三部分包括影响因素调查，此部分涉及29个题目，包含绩效期望（6个题项）、努力期望（6个题项）、社会影响（4个题项）、促进因素（6个题项）、持续使用意愿（7个题项）在内的5个变量。

　　（三）数据分析方法

　　首先，研究采用SPSS26.0 对数据进行统计分析和相关分析；其次，采用Process中的模型4进行持续使用意愿的中介效应检验。最后采用Process中的模型59，将性别和年级纳入调节变量中，进行有调节的中介效应检验。在进行中介效应检验和有调节的中介效应检验之前，为简化解释和提高分析的稳定性，研究将连续变量进行标准化处理。

四、研究结果

　　（一）描述性统计

　　由表1可知，持续使用意愿得分的平均值为25.88，说明大学生对国产生成式人工智能持续使用意愿偏向于“比较同意”这个认可选项，使用行为平均值为4.17，说明大学生对国产生成式人工智能的使用倾向于选择“一周一次”这个选项。其他几个变量的选择倾向显示学生对国产生成式人工智能的使用总体持积极态度。

表1   各变量的描述性统计结果

　　（二）各变量的相关关系

　　由表2可知，大学生关于国产生成式人工智能持续使用行为与持续使用意愿、绩效期望、努力期望、社会影响、促进因素5个变量之间的相关性均呈显著正相关。

表2   各变量的相关关系

　　注：* p < 0.05，** p < 0.01，*** p < 0.001。下同。

　　（三）有调节的中介模型检验

　　在中介效应检验过程中，只有满足自变量对因变量的关系系数显著的前提，才能考虑变量间中介效应，相关关系如表2所示，结果符合中介效应检验前提。研究采用Bootstrap法中的模型4（重复抽样5000次）进行持续使用意愿的中介效应检验，检验结果如表3所示。绩效期望（t=15.16, p<0.01）、努力期望（t=11.18,p<0.01）、促进因素（t=12.17, p<0.01）与社会影响（t=9.65, p<0.01）对持续使用意愿产生直接影响；持续使用意愿在努力期望、促进因素与社会影响之间的中介效应，95%水平上的置信区间均不包含0，显著性p值均小于0.05。表明持续使用意愿在努力期望、促进因素与社会影响之间的中介效应通过了检验，具有统计学意义。持续使用意愿在绩效期望影响使用行为中的中介效应不显著，绩效期望直接影响使用行为。

表3   持续使用意愿中介效应检验结果

　　为检验性别和年级在努力期望、社会影响、促进因素通过持续使用意愿影响使用行为中的调节作用，研究采用Process中的模型59对数据进行处理。在进行有调节的中介效应检验之前，研究对不存在中介效应的绩效期望进行调节效应检验，研究结果表明，性别和年级在绩效期望对使用行为的置信区间分别为[-0.114,0.499]和[-0.134,0.45]，包含0，调节效应不显著。如表4所示，努力期望、社会影响、促进因素和性别的乘积项，对持续使用意愿和使用行为的预测不显著，持续使用意愿与性别的乘积项对使用行为的预测不显著，这说明性别在自变量对持续使用意愿的预测中不起调节作用。努力期望，index=0.066，置信区间为[-0.172,0.358]，包含0；社会影响，index=0.180，置信区间为[-0.078,0.481]，包含0；促进因素，index=0.126，置信区间为[-0.139,0.408 ]，包含0，这三项的判定指数及置信区间说明有调节的中介效应不显著。

表4   性别为调节变量的有调节的中介效应检验

　　如表5所示，努力期望、社会影响、促进因素和年级的乘积项，对持续使用意愿和使用行为的预测不显著，持续使用意愿和年级的乘积项对使用行为的预测不显著，这说明年级在自变量对持续使用意愿的预测中不起调节作用。努力期望，index=0.006，置信区间为[-0.022, 0.243]，包含0；社会影响，index=-0.052，置信区间为[-0.231,0.164]，包含0；促进因素，index=0.031，置信区间为[-0.233,0.292]，包含0，这三项的判定指数及置信区间说明有调节的中介效应不显著。经调节效应检验，性别和年级在绩效期望、持续使用意愿对使用行为的影响中不起调节作用。基于数据分析结果得到标准模型，如图3所示。

表5   年级为调节变量的有调节的中介效应检验

图3   大学生对国产生成式人工智能持续使用意愿的标准模型

　　注：虚线表示绩效期望对持续使用意愿的直接影响显著，但持续使用意愿在绩效期望对使用行为的影响中不起中介作用。

五、讨论与建议

　　研究以UTAUT模型为理论框架，深入探讨大学生对国产生成式人工智能持续使用意愿的影响机制。结果表明，大学生对国产生成式人工智能的持续使用意愿总体持积极态度。这一发现表明，随着人工智能技术的普及，人们更愿意去尝试使用智能产品来试图提升工作和学习效率以及生活质量。国产生成式人工智能因其文本理解与生成功能，为学生提供学术写作指导、论文润色、选题方向指引等服务，从而极大地增强学生的持续使用意愿。

　　绩效期望直接影响大学生对国产生成式人工智能的持续使用意愿与使用行为。这与相关学者的研究结果一致，也与相关学者的部分观点相吻合。持续使用意愿不起中介作用的原因是大学生用户可能更关注国产生成式人工智能的实际效果，而不太关注自己的使用意愿，因此绩效期望可能直接转化为使用行为。国产生成式人工智能具有直观易用、效果显著等特点，用户无需过多考虑自己的意愿，而是直接根据绩效期望来决策；为了进一步增强大学生的持续使用意愿，企业和开发者应不断优化技术，确保其在实际应用中能够持续提供高效、准确的服务。例如，针对学术写作指导功能，可以引入更先进的自然语言处理技术，提高文本生成的准确性和流畅性；针对论文润色功能，可以开发更智能的语义分析算法，以更精准地识别并修改文章中的语法和逻辑错误。根据用户需求调研，不断引入新技术和新功能，如智能选题推荐、学术资源检索等，以满足用户的多样化需求。

　　努力期望是影响大学生生成式人工智能持续使用意愿的重要因素，且持续使用意愿在努力期望影响生成式人工智能的使用行为中起中介作用。这与关于学习管理系统和学术写作中的类人机器人辅助的研究一致。当大学生在使用国产生成式人工智能时，如果所需付出的努力较小且能够获得显著的绩效，那么他们可能会更愿意继续使用。为了降低用户的学习成本和使用难度，企业和开发者应致力于优化界面设计、提供简洁明了的操作指南和教程。通过直观易用的界面设计和详细的操作说明，帮助大学生更快地掌握技术的使用方法。此外，还可以开发智能助手或在线客服功能，随时解答用户在使用过程中遇到的问题和困惑。这些措施将有效提升大学生的使用体验，降低其使用难度，从而增强其持续使用的意愿。

　　社会影响是影响大学生生成式人工智能持续使用意愿的重要因素，且持续使用意愿在社会影响与生成式人工智能使用行为的关系中起中介作用。这与关于移动学习使用、移动图书馆的研究结果一致。这一发现强调口碑营销和社交媒体宣传在技术推广中的重要性。为了增强大学生的持续使用意愿，企业和开发者应积极利用社交媒体平台，如微博、微信、抖音等，发布关于技术的介绍、应用案例、用户评价等内容。这将有助于扩大技术的知名度和影响力，吸引更多大学生的关注和尝试。此外，还可以邀请知名学者、专家或学生代表进行技术体验和分享，通过他们的口碑传播来增强大学生对技术的信任感和认同感。这将有助于形成积极的用户口碑和品牌形象，进一步激发大学生的持续使用意愿。

　　促进因素是影响大学生生成式人工智能持续使用意愿的重要因素，且持续使用意愿在促进因素对生成式人工智能使用行为的影响中起中介作用。有学者提出要接受新技术，必须将新技术集成到技术本身的组织和技术基础设施中。这一发现与早期关于移动学习系统、学习管理系统、ChatGPT应用研究相一致。大学生在选择和使用国产生成式人工智能时，会考虑模型的功能性、易用性、安全性等因素。因此，为了提升大学生的满意度和忠诚度，企业和开发者应注重提升模型的功能性和易用性，同时确保用户数据的安全性。具体而言，可以加强技术研发和创新，不断引入新技术和新功能以满足用户的多样化需求；在数据安全方面，建立健全的数据保护机制和安全防护措施，确保用户数据在传输、存储、处理过程中的安全性和隐私性。这将有助于增强大学生对技术的信任感和安全感，从而进一步提升其持续使用的意愿和忠诚度。根据反馈和需求，定期更新和迭代技术，提升技术的实用性和竞争力。因此，企业和开发者应该注重提升模型的功能性和易用性，同时确保用户数据的安全性，以提高大学生的满意度和忠诚度。

　　性别和年级在生成式人工智能持续使用意愿和使用行为的影响路径方面不起调节作用。这与相关学者性别检验的研究结果一致，与相关学者的观点存在矛盾之处。可能的原因是，本文研究对象主要为大学生，这一群体在年龄、教育背景和技术使用经验上可能具有较大的同质性。因此，性别和年级作为调节变量，其影响可能被这种同质性所掩盖。同时，研究中收集的数据样本主要为大二和大三学生，可能受到样本大小、样本选择、数据收集方法等多种因素的影响。此外，国产生成式人工智能作为一种新兴技术，以其强大的文本理解与生成功能，为学生提供学术写作指导、论文润色、选题方向指引等实用服务。这些功能极大地满足了大学生在学习过程中的需求，提升他们的工作和学习效率。因此，无论性别和年级如何，大学生都可能对这种技术产生强烈的兴趣和持续的使用意愿。然而，这并不意味着性别和年级因素在未来的研究中不重要。随着技术的发展和用户群体的变化，性别和年级等个体差异可能会对技术的接受和使用产生不同影响。因此，在未来的研究中，应继续关注这些因素的作用，并探索其可能的调节机制。

　　综上所述，大学生对国产生成式人工智能的持续使用意愿受到促进因素、社会影响、努力期望和绩效期望的共同影响，并且持续使用意愿在大学生对国产生成式人工智能的使用行为中发挥核心的中介作用。并且，UTAUT模型适用于研究国产生成式人工智能的持续使用意愿，个别影响路径进行修正能更好地拟合变量之间的关系。研究结果丰富了用户对国产生成式人工智能持续使用意愿的研究，有助于促进高校对生成式人工智能的教学应用，为国产生成式人工智能开发者和使用者提供有价值的参考，同时也为未来关于信息技术接受和使用行为研究提供新的视角和思路。

　　研究也存在一些不足：虽然结果有一定可信度但选取的被试对象仅限于山东省某高校的本科生，样本范围相对狭窄，这可能导致研究结果在外部效度上存在一定的限制，无法全面反映国产大学生对生成式人工智能的整体态度和使用行为。在未来的研究中，应增加样本数量，扩大研究范围和群体，以提高研究的外部效度。同时，研究在变量选择上主要基于UTAUT模型，虽然该模型在信息技术接受和使用行为研究中具有广泛的应用和验证，但仍有一些重要的影响因素值得探究。例如，效率、卓越性、意义、对话能力等因素也可能对用户的持续使用意愿产生重要影响。此外，拟人化、信任、设计新颖性、制度政策等因素也可能在特定情境下发挥关键作用。在未来的研究中，可以根据国产生成式人工智能的特点以及用户特性，将这些因素纳入研究变量，以更全面地探讨用户的持续使用意愿。

六、结论

　　本研究以UTAUT模型为理论框架，深入探讨大学生对国产生成式人工智能教育应用持续使用意愿的影响因素以及关联路径。研究结果表明，绩效期望、努力期望，社会影响和促进因素是影响大学生对国产生成式人工智能持续使用意愿的重要因素。同时，持续使用意愿在影响国产生成式人工智能的使用行为中扮演重要角色，在努力期望、社会影响和促进因素影响使用行为中起中介作用，且不受性别和年级这两个因素的影响，并最终得到修正后的UTAUT模型，更好地拟合变量之间的关系。（文章摘自中国教育信息化）