高校师生是如何面对生成式人工智能（GAI）浪潮的？生成式人工智能正在重塑高等教育的教学形态和知识生产模式。

青海大学、厦门大学等联合团队对四川省的三所高校进行问卷调查，深入研究了高校面对AI时的焦虑和采用意愿。

该研究发表在了Nature的科学报告上。

高校师生是如何面对生成式人工智能（GAI）浪潮的？

生成式人工智能正在重塑高等教育的教学形态和知识生产模式。

从智能辅导系统设计个性化学习路径，到自然语言处理技术辅助学术写作，AI展现了惊人的潜力。

德勤2024年的报告显示，全球92%的大学已将GAI纳入战略发展计划。

高校中GAI工具的采用率在2023至2024年间同比增长了215%。

这种快速扩散并非一帆风顺，斯坦福大学的研究指出，高校群体内部存在显著的分层。

41%的师生将AI视为认知增强工具，积极探索。

37%的人则对其技术可靠性、学术伦理和职业价值表达了多重担忧。

这种认知分化折射出技术扩散过程中焦虑与适应的动态博弈。

理解这种复杂机制对于高等教育机构至关重要。

AI焦虑的三重面孔与理论重构

传统的技术接受模型（TAM）和统一技术接受与使用理论（UTAUT）主要关注理性认知因素。

绩效期望和社会影响通常被视为技术采纳的核心驱动力。

UTAUT3通过增加个人创新性、感知信任和习惯等构念（Construct，指那些看不见、摸不着，但实际存在并影响我们行为的心理概念），提升了对新兴技术的解释力。

这些模型在面对具有高度不确定性和伦理复杂性的GAI时，显得力不从心。

现有的研究往往碎片化地整合情感变量，或者未能深入高校这一知识密集型场景。

RAIDUA模型虽然细分了技术障碍，却忽略了情感变量对由于不确定性引发的防御性反应的解释。

该研究则构建了一个扩展的分析框架，将多维度的AI焦虑整合进TAM-UTAUT模型中。

研究聚焦于三种差异化的AI焦虑：AI学习焦虑、AI社交性技术盲区焦虑、AI工作替代焦虑。

AI学习焦虑源于对技术复杂性和学习成本的担忧。不仅是由于缺乏技能，更是一种对能力差距的主观情感感知。

当技术迭代速度超过个人认知更新速度时，这种焦虑尤为明显。

AI社交性技术盲区焦虑则是一种植根于社会比较的数字生存焦虑。

在高校环境中，这种焦虑具有鲜明的社会建构特征。

学术社区对技术能力的评价标准正在重塑，技术盲点可能成为丧失知识话语权的标记。

这是一种对被边缘化的深层恐惧。

AI工作替代焦虑涉及更核心的职业认同危机。

教师和学生担心AI可能取代其核心专业功能，如教学设计、论文写作甚至创造性思维。

这种焦虑让个体将AI视为职业威胁者而非能力增强者。

这三种焦虑并非孤立存在，它们通过复杂的心理机制相互交织。

下表详细对比了这三种焦虑的核心特征与作用机制：

研究团队选取了四川省的三所高校进行问卷调查。样本涵盖了西华大学、成都信息工程大学和成都航空职业技术学院。共回收有效问卷407份。

受访者特征如下表所示，涵盖了理工科与人文社科背景：

数据通过了严格的信效度检验和共同方法偏差控制。

SmartPLS 4.0被用于进行偏最小二乘结构方程模型（PLS-SEM）分析。

这种方法特别适合处理复杂的因果网络和非正态分布数据。

焦虑如何渗透进技术接受的认知过程

研究发现，AI工作替代焦虑表现出最显著的抑制作用。

它全面压制了技术接受的核心变量。

当个体担心被AI取代时，他们会系统性地贬低技术的价值。

这种心理防御机制被称为防御性认知。

工作替代焦虑显著降低了绩效期望，个体怀疑AI能否真正提升工作效率。

它也削弱了努力期望，让学习AI技能被视为一种职业背叛的强化，而非能力提升。

即便面临学术社区的推广压力，高替代焦虑者倾向于采取价值否定策略。

他们可能将同行的AI应用行为解读为学术投机而非创新。

这种焦虑还阻碍了便利性条件转化为行为动力，即使学校提供技术支持，也被视为加速职业淘汰的催化剂。

与此形成鲜明对比的是AI社交性技术盲区焦虑的复杂效应。

这种焦虑展现出了独特的双刃剑特质。

一方面，它对绩效期望产生负面影响。因担心技术落后而产生的自我怀疑，让个体对利用AI产出高质量成果缺乏信心。

另一方面，它却积极促进了努力期望和采纳意愿。

这似乎是一个悖论：越是担心自己不懂，越是愿意投入精力去学习和使用。

这种动力源于维护学术身份的渴望。

在全景敞视的学术评价体系中，技术能力成为一种资本。

为了避免被边缘化，焦虑转化为了一种适应性的追赶行为。

这挑战了传统研究中焦虑必然抑制行为的单一假设。

AI学习焦虑则主要通过抑制努力期望和绩效期望发挥作用。

对技术复杂性的恐惧放大了感知的学习难度。

这种感知难度放大效应直接打击了用户尝试新技术的信心。

个体会质疑自己是否具备掌握GAI所需的算法理解能力。

这种质疑进而转化为对预期成果的悲观评估。

下方的测量模型图展示了各构念间的关联路径：

数据分析结果揭示了具体的路径系数和显著性水平。

值得注意的是，传统的绩效期望并未直接显著影响采纳意愿。

这与UTAUT的经典结论相悖，但在GAI的高校应用场景中却合乎逻辑。

作为知识生产者，高校师生更关注社会认可和学习成本，而不仅仅是工具的实用性。

社会影响和努力期望取代了绩效期望，成为驱动采纳意愿的关键中介变量。

这反映了学术共同体对技术合法性的敏感度。

信度和效度检验确保了这些发现的稳健性。

所有潜在变量的组合信度（CR）均超过0.9，显示了极高的内部一致性。

模型对采纳意愿的解释力（R²）达到了0.424。

虽然中介变量的解释力相对较低，但这恰恰说明AI焦虑对采纳意愿的影响可能存在更多直接路径。

这提示我们，情感因素在技术接受中的作用远比单纯的理性计算更为直接和猛烈。

学科背景与自我效能的调节效应

学科背景和AI自我效能作为关键的调节变量，深刻影响了焦虑转化的路径。

研究发现，理工科群体（STEM）表现出不同的适应机制。

STEM学生更倾向于将学习焦虑转化为采纳意愿。

这种转化能力源于他们长期浸淫在工具理性框架中。

面对快速的技术迭代，理工科群体往往拥有更高的个人创新性。

他们更容易将技术挑战视为可克服的功能性障碍，而非威胁。

对于他们而言，焦虑可能是一种行动信号，促使他们去掌握新技能。

相反，人文社科群体往往持有一种批判范式。

他们对学术主体性的侵蚀和伦理问题更为敏感。

这种敏感性可能加剧工作替代焦虑对社会影响的抑制作用。

他们更容易将技术视为对学科传统价值的挑战，从而强化回避倾向。

AI自我效能作为一种心理资源，扮演了关键的缓冲器角色。

高自我效能感的个体能够将焦虑进行积极的认知重构。

数据显示，当AI自我效能处于高水平时，AI学习焦虑对绩效期望的正向影响显著增强。

这种影响提升了37.2%。相信自己能学会的人，会把学习过程中的压力转化为对技术价值的更高期待。

自我效能感强的人还能将学习焦虑转化为积极的社会影响感知。

他们更愿意在社区中交流技术应用，打破信息茧房。

社会认知理论中的压力-动力转化模型在此得到了验证。

自我效能促进了以问题为中心的应对策略，有效地将焦虑从阻碍因素转变为动力。

下表展示了调节效应的具体分析结果：

值得注意的是，学科背景与AI自我效能之间的交互效应并不显著。

这表明两者在调节机制中是相对独立的。

学科认知范式和个体心理资源分别从不同维度塑造了焦虑的转化路径。

这为制定差异化的干预策略提供了实证依据。

理工科学生可能天生具备某种焦虑缓冲优势。

人文社科学生则更需要通过专门的培训来提升效能感，以削弱学科壁垒带来的阻力。

这种情境变量+个体变量的双重调节框架，深化了对技术接受异质性的理解。

它解释了为什么面对同样的GAI浪潮，不同群体的反应截然不同。

STEM群体可能在焦虑中看到了机遇，而其他群体可能在焦虑中看到了危机。

这种差异是技术能力的差异，也是认知范式和心理资源的差异。

要真正推动GAI在高等教育中的普及，必须正视这些深层的心理机制。

简单的技术培训不足以解决所有问题，还需要建立信心和重塑职业认同。

研究局限与未来展望

本研究虽然构建了扩展模型，但仍存在一定的局限性。

样本主要来自四川省的三所高校，采用便利抽样方法。

这限制了结论在地域和学校类型上的普适性。

中国不同地区的高等教育资源配置和技术普及政策存在显著差异。

东部沿海地区的高校通常在AI应用上的投入和开放度更高。

这种区域性的制度差异可能会影响师生对AI焦虑的感知。

未来的研究可以采用跨区域的分层抽样。

覆盖东中西部不同发展水平的高校，纳入区域文化维度。

横截面数据也难以捕捉AI焦虑的动态演化过程。

在技术迭代加速的背景下，焦虑的类型和强度可能会随时间发生结构性变化。

随着AI在学术界的应用深入，伦理问题可能成为新的焦虑源。

尽管如此，本研究仍具有重要的理论和实践价值。

在理论层面，它丰富了TAM的情感维度研究。打破了传统模型对情感变量的忽视，揭示了焦虑的多维影响机制。整合了UTAUT3和RAIDUA模型，提升了对GAI场景的解释力。澄清了学科背景和自我效能的调节作用，深化了对异质性机制的理解。

在实践层面，高校应制定差异化的焦虑干预策略。

对于工作替代焦虑，可以通过职业发展规划和人机协作模式培训来缓解。

对于社交性技术盲区焦虑，可以利用社会比较动机，建立技术交流社区。

对于低自我效能群体，应提供分阶段的技能培训，帮助其将焦虑转化为进步的动力。

优化GAI培训体系设计也至关重要。

开发易于操作的教程和场景化案例，降低学习成本，提升努力期望。

邀请学科带头人分享经验，塑造积极的社会影响氛围。

针对理工科与人文社科群体设计差异化的培训内容。

建立完善的GAI推广生态系统。

通过工作坊和一对一指导，增强师生的技术自信。

搭建反馈平台，及时响应技术使用中的问题和诉求。

创造一个包容、支持性的技术应用环境，是缓解焦虑、推动创新的根本之道。