文献：Sun, Y., Li, L., Zhang, X., Chen, X., Deng, S., & Hu, X. (2026). AI literacy and psychosocial factors shaping Chinese university students’ attitudes and behavioral intentions toward generative AI use. BMC Psychology, 14. DOI 10.1186/s40359-026-03989-6。

研究问题：生成式人工智能（Generative AI, GenAI）正在快速改写高等教育的日常——学生用它起草论文、调试代码、生成创意与答疑解惑，教师与管理者则在“拥抱工具”与“防范滥用”之间摇摆。但一个关键缺口是：为什么同样面对 GenAI，不同学生的态度与使用意向差异巨大？ 论文要回答的核心问题是：AI 素养（AI Literacy）与心理社会因素（自我效能、感知有用性、感知风险等）如何共同塑造中国大学生对生成式 AI 的态度与行为意向？ 具体而言：AI 素养是直接驱动使用意向，还是先经由态度这一“心理枢纽”再起作用？自我效能、感知有用性、感知风险等心理社会变量在其中扮演何种中介与调节角色？

论证思路：作者将“能力视角”（AI 素养）与“心理社会视角”（自我效能、感知有用性、感知风险）整合进一个研究模型中：以 AI 素养为能力性前因，以态度为核心中介枢纽，以行为意向为结果变量，同时纳入自我效能、感知有用性、感知风险等心理社会因素检验其直接、中介与调节作用，构建出“素养—心理—态度—意向”的完整传导链条（图1，原文 Figure 1）。研究以 1536 名中国大学生的大规模问卷调查为基础，采用**结构方程模型（SEM）**分两步检验：先验证测量模型（信度与效度），再检验结构模型中的假设路径；最终模型（图2，原文 Figure 2）以标准化路径系数与 p 值报告各条路径的强度与显著性，并辅以 1100 人左右的子样本进行稳健性/分群体复验。

一、理论框架：能力、心理与态度的三重整合

1. AI 素养：负责任使用的能力底座

论文将 AI 素养界定为个体理解 AI 技术原理、运用 AI 工具完成任务，并对 AI 的使用进行批判性评价与伦理判断的综合能力。在生成式 AI 情境下，素养不仅意味着“会用”，更意味着“知道 AI 能做什么、不能做什么、边界在哪、何时该怀疑”。这一构念回应了高等教育中的现实焦虑：学生的使用意向如果不以素养为底座，就容易滑向盲从（过度依赖）或盲拒（因恐惧而回避）两个极端。

2. 心理社会因素：三类中介与调节变量

模型纳入三类心理社会变量，各自承担不同的理论角色：

• 自我效能（Self-Efficacy）：源自社会认知理论，指个体对自己“能否成功使用 GenAI 完成任务”的信心。它既是素养的心理内化——懂 AI 的人更有底气动手——也是使用意向的直接心理资源；
• 感知有用性（Perceived Usefulness）：源自技术接受模型（TAM），指学生认为 GenAI “对学习、写作、科研是否真的有用”的功利性评价，是态度形成的经典上游；
• 感知风险（Perceived Risk）：涵盖隐私泄露、信息幻觉、学术诚信与就业替代等担忧，通常负向作用于态度与使用意向，构成“刹车”机制。

3. 态度：连接素养与意向的心理枢纽

模型的核心命题是：AI 素养并不只是“推着”意向走，更要先“改写”态度——学生越是理解 GenAI 的原理、能力与局限，越能形成理性、稳定的积极态度，进而转化为使用意向。 由此形成“AI 素养 → 态度 → 行为意向”的主传导链（图1 中的核心路径）；同时保留 AI 素养对使用意向的直接路径，用以检验“能力直接催生意愿”是否同样成立。心理社会因素则在这一主链两侧发挥作用：自我效能与感知有用性作为正向中介，感知风险作为负向中介/调节因素，共同决定传导链的强度与方向。

二、样本与方法

• 设计：横断面问卷调查 + 结构方程模型（SEM）检验，假设检验分两阶段：测量模型（信度、效度、区分效度）→ 结构模型（路径系数与显著性）。
• 样本：1536 名中国高校大学生（多校、多学科），并通过 1100 人左右的子样本进行稳健性/分群体复验，检验模型结论在不同群体间的稳定性。
• 测量：AI 素养、自我效能、感知有用性、感知风险、态度与行为意向均采用经过验证的量表，多题项测量、五级或七级计分，报告了信度系数（Cronbach’s α / CR）与效度指标（AVE 等）。
• 分析：描述统计 → 相关分析 → 测量模型验证 → 结构模型路径检验 → 中介效应检验（如 Bootstrap 法）→ 子样本稳健性检验。

模型拟合与报告：结构模型整体拟合良好，最终模型（图2）以标准化路径系数与 p 值标注每一条假设路径——读者可直接从图2 读出“哪条路径强、哪条路径显著、哪条路径不成立”。

三、核心发现：路径与机制

1. “AI 素养 → 态度 → 行为意向”主链成立

结构模型结果显示，AI 素养显著正向影响学生对 GenAI 的态度，态度又显著正向影响使用意向——“素养先塑造态度、态度再驱动意向”的传导机制得到实证支持。这是本文最核心的发现：素养的作用不是悬空的，而是经由态度这一心理枢纽“落地”。

2. AI 素养的直接路径同样显著

除间接路径外，AI 素养对行为意向的直接效应亦显著——能力本身构成一种独立于态度评价的意向来源。也就是说，AI 素养对使用意向的塑造是“双通道”的：一条经过态度（慢变量、认知评价通道），一条直达意向（快变量、能力信念通道）。两条通道并存，说明提升素养既能“改变想法”，也能“直接壮胆”。

3. 心理社会因素的中介与调节作用

• 自我效能：在 AI 素养与使用意向之间起显著中介作用——素养高的学生自我效能更强，从而更愿意使用 GenAI；
• 感知有用性：显著正向预测态度并中介素养的作用——“我懂 AI”让学生更能看见 AI 对学业的价值；
• 感知风险：对态度与使用意向起显著负向作用，构成使用决策中的“制动”因素——风险担忧越强，素养与态度向意向的转化越被抑制，呈现出典型的调节性制约。

4. 行为意向的解释力

整合模型（AI 素养 + 心理社会因素 + 态度）共同解释了大学生 GenAI 使用意向相当比例的方差（图2 中报告 R² 与各路径系数），且子样本（n ≈ 1100）复验结果与全样本一致，表明模型结论在分群体条件下稳健。

四、实践启示

对高校 GenAI 素养教育：既然素养经由态度与自我效能驱动使用意向，素养教育的重点就不应停留在“讲伦理、定禁令”，而应转向能力建设——让学生理解 GenAI 的原理、能力与局限，并通过上手实践提升自我效能；当学生“既懂又能”时，积极态度与负责任的使用意向会自然生长。

对教学管理与评价改革：感知风险（学术诚信、隐私、幻觉）会抑制态度向意向的转化，高校应提供清晰、具体、分场景的使用规范（什么作业可用 AI、如何标注 AI 辅助、哪些场景禁止），把模糊的恐惧转化为可操作的边界，而不是一刀切禁用。

对课程设计与支持服务：感知有用性是态度的重要上游，课程设计应示范 GenAI 的真实学业价值（文献综述、代码调试、创意发散等场景）；同时通过培训、工作坊与同伴互助提升学生的使用自我效能，尤其是对技术信心不足的学生群体。

对理论研究的启示：本文展示了“能力变量 × 心理社会变量 × 态度枢纽”的整合建模策略，为后续 AI 教育研究提供了一个可复用的 SEM 模板——既检验直接路径，也检验中介与调节机制，避免“单一路径”式的过度简化。

精读笔记

核心论点：中国大学生对生成式 AI 的态度与使用意向，由 AI 素养与心理社会因素共同塑造；AI 素养通过“双通道”作用于使用意向——直接通道（能力信念）与间接通道（先塑造态度，再由态度驱动意向）；自我效能与感知有用性是正向中介，感知风险是负向制约；“素养—心理—态度—意向”的传导链为高校 GenAI 素养教育提供了清晰的干预靶点。

方法要点：

• 大规模样本（N = 1536）中国大学生，统计效力充足；并以 1100 人左右的子样本做稳健性/分群体复验
• 两阶段 SEM 流程（测量模型 → 结构模型），图2 以标准化路径系数与 p 值完整报告假设检验结果
• 同时建模直接效应与中介/调节机制，区分“改变想法”（经态度）与“直接壮胆”（直达意向）两条通道
• 能力视角（AI 素养）与心理社会视角（自我效能、感知有用性、感知风险）的理论整合，避免单一框架的片面性

局限与边界：

• 行为意向 ≠ 实际使用行为，横断面自报数据无法闭合“意向—行为”鸿沟，亦难以确证因果方向
• 样本为中国大学生，向其他学段、职业群体与跨文化情境外推需谨慎
• AI 素养为多维构念，维度间结构与“素养→心理”的时序关系有待更精细的检验
• 感知风险等心理社会变量的调节作用以自报数据刻画，真实使用情境中的风险体验可能更强

可延伸方向：

• 纵向追踪“素养提升 → 态度变化 → 实际使用行为与学业成效”的完整链条
• 准实验/干预设计：将 GenAI 素养课程纳入教学，检验其对自我效能、态度与使用质量的因果影响
• 引入实际行为数据（使用日志、作品质量、AI 依赖程度），打通“意向—行为—效果”全链路
• 跨文化比较：对比不同国家高校的制度环境如何调节感知风险与主观规范的作用强度

原文地址

• DOI：10.1186/s40359-026-03989-6
• 期刊：BMC Psychology（Springer Nature），2026 年，第 14 卷（IF 3.0，Q1）
• 图表来源：原文 Figure 1（研究模型与假设路径）、Figure 2（最终结构模型，含标准化路径系数与 p 值）