1. 引言
人工智能生成内容(Artificial Intelligence Generated Content, AIGC)技术是近年来人工智能领域发展最快和应用最广泛的技术，它利用深度神经网络、大语言模型和深度强化学习等技术从大量的不同类型的数据中学习[1]，只需输入指令便可自动地在一定程度上产生满足用户意图的文字、图片、音频和视频等内容。2022年以来，以ChatGPT为代表的AIGC工具在教育领域不断地改变着学生的学习方式[2]、教育环境[3]和教学模式[4]，其已成为国内外教育研究者关注的热点，尤其是高校领域，如影响高校学生使用AIGC工具因素[5] [6]。在新工科的背景下，以计算机技术为基础的计算机科学与技术、物联网工程和人工智能等信息类专业教育受AIGC影响最为深刻。原来的以教师为主导的传统教学模式必须要改革才能适应数智时代的教学要求，原因是：一是为提升效率，软件生产环境逐年变化，市场要求学生必须掌握充足的AIGC技术基础技能辅助专业工作，传统的教学忽略了AI工具的应用技能培养；二是经过近几十年的发展，互联网技术社区已积累了巨大的、综合的专业知识资源，学生借助AIGC技术可以快速地获取到比专业教师更符合实际要求、更规范和更全面的答案，教师已不是知识获取的主导者。AIGC技术生成的内容达到了专业水平，但技术本身存在的“幻觉”等缺点决定了其难以直接满足所有的实际业务需求，即AIGC产生内容需要检查、修改和确认后才能被应用，也就是说，AIGC工具只能是辅助工具，使用AIGC技术的人员还需具备深厚的专业知识。因为对工具信任度和使用技巧的缺乏、高经济成本和技术排斥的心理，甚至教师害怕学生利用AIGC工具应付学习任务而打压其积极性等因素的影响，AIGC技术在信息类专业教学中仍然没有得到高效利用。目前，鲜有专门对信息类学生使用AIGC工具进行实证分析和研究，为了准确把握影响信息类专业学生使用AIGC工具的显著因素，本文引入技术接受模型和期望失验理论构建复合模型，探讨不同因素对学生使用AIGC工具意愿的作用机制及影响程度，提出有针对性的策略，为推动新工科建设和数智时代背景下的“人工智能 + 教育”领域的有效发展提供理论借鉴和实践指导。
2. 理论背景
2.1. 技术接受模型
Davis [7]于1989年提出了解释用户使用信息技术的意图和行为的模型—技术接受模型(Technology Acceptance Model, TAM)，并在1996年对技术接受模型进行了修正[8]，最终模型如图1。模型认为感知有用性(Perceived Usefulness)和感知易用性(Perceived Ease of Use)是影响用户使用信息技术态度的两个主要因素。感知有用性是某人认为信息系统会提升其工作表现的程度，感知易用性是某人认为使用信息系统的不费力的程度。
Figure 1. Diagram of modified technology acceptance model
图1. 技术接受模型修正版
技术接受模型在不同领域的已有很多应用研究，李佳棋[9]等人基于技术接受模型对老年智慧学习路径进行探索和研究。吕澄欣[10]等人融合了信息生态理论和技术接受模型研究新闻从业者使用算法的意愿。崔宇红[6]等人分析人工智能素养背景下影响学生用户使用AIGC工具的因素，探究技术接受模型下的学生用户使用工具的影响因素与关联路径，为图书馆人工智能素养教育推进提供依据，与之不同的是，本文面向的是信息类学生使用AIGC工具辅助专业学习场景。
2.2. 期望失验理论
Oliver [11]于1980年提出期望失验理论(Expectation Disconfirmation Theory, EDT)解释消费者对产品及相应的服务的满意度/不满意度的决定因素。理论认为消费者消费前对产品或者服务会先形成初始期望，经过实际使用后获得感知绩效，失验(Disconfirmation)是初始期望与感知绩效的比较而产生不一致的结果。当实际感知绩效等于初始期望时，则无失验产生；当实际绩效大于、小于初始期望时，则会产生相应的正面、负面的失验。期望失验理论是一种基于用户体验研究的基础理论，常用于揭示用户对产品的预期、实际使用产生的心理感受和对产品满意程度之间的复杂关系，目前被用于服务设计用户体验[12]、在线服务满意度、在线购买行为和信息技术/系统使用[13]等方面。牟小波[14]使用期望失验理论解释抖音短视频APP用户的不持续使用现象。Shen [15]等人修正和扩展期望失验理论模型探索可穿戴健康信息系统使用的间歇性中断因素。Fan [16]等人基于期望失验理论提出一种通用技术转换模型时解释为什么IT用户从现在的技术转换到颠覆性技术。可以看到，期望失验理论已被有效地应用于信息技术系统使用的研究，AIGC是一种信息技术，相应的工具本质上是一种信息系统，采用其研究学生的AIGC工具使用行为具有一定的合理性。
目前，已有少数文献[6] [17]利用技术接受模型分析普通高校学生使用AIGC的行为。但是不同主体对智能技术掌握与应用能力上是存在差距的[18]，实际上不同专业的学生因其知识背景和使用AIGC工具的目的、条件和待解决问题等方面的不同，其实际感受会存在较大的差别。好感度(对系统的满意度)是学生是否愿意继续使用工具的重要因素。本文融合技术接受模型和期望失验理论针对新工科的信息技术类专业的学生应用AIGC技术的意愿和行为进行实证分析，揭示影响因素的内在关联路径，为新工科专业人才在数智时代的培育提供科学的建议。
3. 理论模型与研究假设
3.1. 理论模型的构成
本文基于技术接受模型和期望失验理论构建信息类专业学生应用AIGC技术的影响因素概念模型。模型设置了感知易用性、感知有用性、使用意愿、信息质量、期望失验、期望和感知绩效等维度，见图2。期望失验理论模型的输出“满意度”为技术接受模型“使用意愿”的输入。
Figure 2. Diagram of conceptual model of AIGC technology application for information technology majors
图2. 信息类专业学生应用AIGC技术概念模型
3.2. 理论模型的构成
感知有用性指的是学生使用AIGC工具时，希望能够使用工具提供的基本功能较快地解决其所提出的问题，例如产生正确的代码或者给出较为完善的技术设计方案。感知易用性是指学生使用AIGC工具时，希望无需复杂的技巧和步骤便可容易地与系统进行交互，且AIGC工具能较容易地理解用户输入的指令信息产生符合意愿的内容。当用户感知到工具的易用性时，往往也在某一方面感受到其有用性(因为易用，所以有用)。张晓丹等分析学术APP用户采纳意愿中，认为感知易用性对使用意愿与感知有用性存在显著正向影响[19]。提出假设：
H1：感知有用性正向影响AIGC工具的使用意愿。
H2：感知易用性正向影响感知有用性。
H3：感知易用性正向影响AIGC工具的使用意愿。
感知绩效是指学生使用AIGC工具后可以提升其学习效率的程度，本文关注的是正面感知绩效，即反映使用AIGC工具能有效帮助学生，产生持续使用工具的意愿。期望失验是指学生使用了AIGC工具后的实际收益感受与预期收益的心理比较，Oliver [11]认为超过、达不到和刚好达到预期收益会分别产生积极、消极和零失验。图2中的期望指的是学生使用AIGC工具前的预期收益，预期收益越低，期望失验越容易是积极失验，同时，学生对工具越容易产生满意感。孙挺等对社会化阅读用户不持续使用意愿实证研究表明期望失验对用户不满意有正向的影响[20]，在此，正向的期望失验会使学生对AIGC工具的满意度减弱，提出假设：
H4：期望失验对学生的满意度有负向的影响。
H5：正向的感知绩效对学生的满意度有正向影响。
H6：感知绩效对期望失验对有正向的影响。
H7：期望对期望失验有正向的影响。
H8：期望对满意度有负向的影响。
石婷婷[21]认为满意度会影响持续使用意愿，在此，满意度是指学生使用AIGC工具会因工具本身的质量、使用工具后的感知绩效、期望失验和期望因素而产生的满意情绪，信息质量是本文在期望失验理论模型加入的外部因素，因为在实际应用中，AIGC工具存在“幻觉”等问题(产生让人觉得是对的错误信息)，Bright等[22]认为大量过于复杂无关的信息不仅会影响用户的注意力，还会对用户造成压力。所以低质量的信息会极大的影响学生的不满情绪，提出假设：
H9：信息质量对满意度有正向的影响。
H10：满意度对学生AIGC工具使用意愿有正向的影响。
Davis [7]认为信息系统的使用意愿会直接影响信息系统的实际使用，刘劲达[23]等人基于UTAUT模型对用户使用线上办公APP的行为影响因素研究中验证了使用意愿对使用行为产生积极的正向影响。提出假设：
H11：用户使用AIGC工具的意愿正向影响其实际使用AIGC工具的行为。
4. 研究设计
4.1. 问卷设计
针对信息类的学生行为特点设计调查问卷，采用问卷星收集研究数据。问卷分为学生的个人基本信息(性别，专业和年级等)和计量表，计量表的所有变量主要基于技术接受模型、期望失验理论和本文参考的文献，部分为适应本研究进行了修改，主要涉及35个题项。计量表的观测变量主要采用李克特七级等距量表形式测定，回答方式从“完全不同意”至“完全同意”共7种，其值从1分至7分，设计计量表见表1。
Table 1. Questionnaire items on factors affecting students’ use of AIGC tools
表1. 学生应用AIGC工具影响因素变量测试题项
构念 |
题项 |
结构模型中的指标名称 |
感知有用性 |
使用AIGC可以提高我的学习效率 |
PU1 |
使用AIGC可以提升我的编程水平 |
PU2 |
使用AIGC可以帮助我提升分析和解决问题的能力 |
PU3 |
使用AIGC可以加速学习任务的完成(课后作业的完成) |
PU4 |
使用AIGC可以使用更加快速地获取学习中的AIGC问题的答案 |
PU5 |
总之，AIGC对我的学习有用 |
PU6 |
感知易用性 |
学习如何使用AIGC对我而言是很容易的 |
PE1 |
我觉得AIGC工具的界面很友好，使用前要更改的选项也很容易理解，与之交互的方式是很明确的 |
PE2 |
我已经掌握了与AIGC工具交互的技术(例如提示词工程)，因为对于我的问题AIGC都能给出满意的答案 |
PE3 |
我相信我可以使用AIGC工具去解决我学习中的问题 |
PE4 |
总之，我觉得AIGC工具很容易使用的 |
PE5 |
信息质量 |
我认为AIGC工具生成的内容是完整且可靠的 |
IQ1 |
我认为AIGC工具信息来源是权威且值得信任的 |
IQ2 |
使用意愿 |
我计划继续使用AIGC工具来学习新技术 |
UI1 |
我愿意继续使用AIGC工具来帮助我学习课程要求的编程技术 |
UI2 |
我计划使用AIGC工具来帮助我学习课程没要求但我觉得有用的编程技术 |
UI3 |
我计划在课堂内外继续使用AIGC工具帮助我学习、工作 |
UI4 |
我打算使用AIGC工具来帮助我完成作业 |
UI5 |
我会向其它同学推荐AIGC工具 |
UI6 |
期望 |
我希望使用AIGC工具能帮我学习新的技能和技术 |
EX1 |
我希望使用AIGC工具能帮我获取更好的成绩 |
EX2 |
我希望AIGC工具可以帮我实现按照自己的时间学习从而实现学习的灵活性 |
EX3 |
我希望AIGC工具可以使我具备按照自己已有的知识基础去学习新知识的能力 |
EX4 |
感知绩效 |
使用AIGC工具帮我学习了新的技能和技术 |
PP1 |
使用AIGC工具能帮我获取更好的成绩 |
PP2 |
AIGC工具帮我实现按照自己的时间学习从而实现学习的灵活性 |
PP3 |
AIGC工具使我具备按照自己已有的知识基础去学习新知识的能力 |
PP4 |
期望失验 |
相对于我自己的使用AIGC工具的原始期望： |
|
使用AIGC工具使我学习了更多的新的技能和技术 |
DF1 |
使用AIGC工具能帮我更好地提高了学习的成绩 |
DF2 |
AIGC工具帮我实现了更大地按照自己的时间学习从而实现学习的灵活性 |
DF3 |
AIGC工具使我具备了更高的按照自己的已有的知识基础去学习新知识的能力 |
DF4 |
满意度 |
我觉得使用AIGC工具__________。 很差–很好 |
SA1 |
我___________使用AIGC工具。 很不适应–很适应 |
SA2 |
我对现在的AIGC工具很________。 很不满意–满意 |
SA3 |
实际使用行为 |
我每天使用的AIGC工具的频率是_______次 |
RU1 |
4.2. 数据收集及处理
问卷调查发放给笔者所在学校的计算机科学与技术、物联网工程和人工智能三个专业的本科学生，共收回有效问卷178份，三个专业的样本数分别为74份、39份和65份；大学二年级、三年级和四年级的学生样本分别占比14%、52.3%和33.7%；男女占比分别为66.3%和33.7%。为了评估研究潜变量和结构的信效度并检验所提出的假设，使用以成分分析为基础的Partial Least Squares (PLS)软件SmartPLS4.1构建结构模型和实证分析，原因是PLS可以同时处理反映性(reflective)和形成性(formative)的指标，且适合处理小样本数据[24]。
4.3. 测量模型分析
Lewis [25]等人给出了测量模型的内部一致性、信度和效度评估指导。使用SmartPLS4.1的PLS-SEM算法运行分析，获得克朗巴赫系数(Cronbach’s Alpha)、因子负荷值(factor loadings)和组成信度(Composite reliability, CR)等值见表2。
Table 2. Reliability and convergent validity analysis
表2. 信度和收敛效度分析表
潜在变量 |
指标 |
因子负荷值 |
P值 |
克朗巴赫系数 |
组成信度 |
平均方差提取值 |
感知有用性 |
PU1 |
0.847 |
*** |
0.900 |
0.923 |
0.666 |
PU2 |
0.753 |
*** |
|
|
|
PU3 |
0.836 |
*** |
|
|
|
PU4 |
0.838 |
*** |
|
|
|
PU5 |
0.788 |
*** |
|
|
|
PU6 |
0.830 |
*** |
|
|
|
感知易用性 |
PE1 |
0.799 |
*** |
0.886 |
0.916 |
0.687 |
PE2 |
0.837 |
*** |
|
|
|
PE3 |
0.745 |
*** |
|
|
|
PE4 |
0.885 |
*** |
|
|
|
PE5 |
0.871 |
*** |
|
|
|
信息质量 |
IQ1 |
0.954 |
*** |
0.904 |
0.954 |
0.912 |
IQ2 |
0.956 |
*** |
|
|
|
使用意愿 |
UI1 |
0.866 |
*** |
0.893 |
0.919 |
0.656 |
UI2 |
0.870 |
*** |
|
|
|
UI3 |
0.822 |
*** |
|
|
|
UI4 |
0.836 |
*** |
|
|
|
UI5 |
0.767 |
*** |
|
|
|
UI6 |
0.685 |
*** |
|
|
|
期望 |
EX1 |
0.851 |
*** |
0.905 |
0.934 |
0.779 |
EX2 |
0.843 |
*** |
|
|
|
EX3 |
0.925 |
*** |
|
|
|
EX4 |
0.910 |
*** |
|
|
|
感知绩效 |
PP1 |
0.856 |
*** |
0.915 |
0.940 |
0.798 |
PP2 |
0.874 |
*** |
|
|
|
PP3 |
0.915 |
*** |
|
|
|
PP4 |
0.925 |
*** |
|
|
|
期望失验 |
DF1 |
0.858 |
*** |
0.933 |
0.952 |
0.833 |
DF2 |
0.933 |
*** |
|
|
|
DF3 |
0.938 |
*** |
|
|
|
DF4 |
0.920 |
*** |
|
|
|
满意度 |
SA1 |
0.895 |
*** |
0.788 |
0.877 |
0.705 |
SA2 |
0.880 |
*** |
|
|
|
SA3 |
0.736 |
*** |
|
|
|
(注：*：P < 0.05，**：P < 0.001，***：P < 0.001)
从表2可以看到，因子负荷值除了“使用意图”的最后一项是0.685以外，其它都大于0.7；各潜在变量的克朗巴赫系数和组成信度值均大于0.7，平均方差提取值(Average variance extracted, AVE)都大于0.5，基本符合模型的建议标准，表明测量模型具有较好的信度、内部一致性和收敛效度。
4.4. 结构模型分析
PLS强调可建构形成性指标的能力，判断模型好坏的指标是决定系数R2值和路径系数(Path coefficients) [26]。图3是使用SmartPLS4.1的Bootstrapping算法运行模型得到的分析结果。
Figure 3. Diagram of structural equation modeling analysis results
图3. 结构方程模型分析结果图
图中圆圈中的数字是R2值，潜在变量“使用意愿”的R2值是0.656，表示模型中“感知有用性”、“感知易用性”和“满意度”三项潜在变量可以解释65.6%使用的意愿。文献[26]认为0.19、0.33和0.67表示为薄弱、中等和具有实质性的解释能力。可以看到除了“实际使用行为”(R2 = 0.052)解释能力薄弱以外，其它的内生构念的R2都大于0.33，表明整个模型具有较强的解释能力。
表3是模型的路径系数及P值，可以看到除了路径“期望→满意度”(路径系数0.139，P值0.149)、“期望失验→满意度”(路径系数−0.011，P值0.957)不显著以外，其它均显著，表明模型结构较稳定。
Table 3. Path coefficients of the model
表3. 模型路径系数表
指标 |
路径系数 |
P值 |
使用意愿→实际使用行为 |
0.227 |
0.008 |
信息质量→满意度 |
0.180 |
0.002 |
感知易用性→使用意愿 |
0.344 |
0.001 |
感知易用性→感知有用性 |
0.767 |
0.000 |
感知有用性→使用意愿 |
0.330 |
0.000 |
感知绩效→期望失验 |
0.732 |
0.000 |
感知绩效→满意度 |
0.495 |
0.005 |
期望→期望失验 |
0.217 |
0.000 |
期望→满意度 |
0.139 |
0.149 |
期望失验→满意度 |
−0.011 |
0.957 |
满意度→使用意愿 |
0.232 |
0.001 |
5. 讨论与结论
5.1. 结果讨论
根据提出的概念模型，收集了笔者所在学校的专业学生的问卷数据，采用PLS分析获得了可信的研究结果，研究结果总结如下：
(1) 感知有用性(路径系数0.330，P值0.000)和感知易用性(路径系数0.344，P值0.001)正向影响AIGC工具的使用意愿，感知易用性(路径系数0.767，P值0.000)正向影响感知有用性，假设1~3得到支持。这与文献[8]的研究结果相近，表明AIGC工具兼容于技术接受模型，同时也能看到好用与否是学生愿意使用信息系统的重要因素。
(2) 期望(路径系数0.139，P值0.149)对学生的满意度有负向的影响没有呈现显著性。期望失验(路径系数−0.011，P值0.957)对学生的满意度有负向的影响没有呈现显著性。假设4和假设8没有得到支持。这与文献[11] [20]的研究不同，可能的原因：一是期望失验理论应用的消费产品或服务领域的场景中，“期望”和“实际体验”边界清晰，而AIGC因为“输出内容”的好坏没有明确的标准，使得学生体验感受个体差异大，存在较大的模糊性，验证难以量化；二是使用AIGC目的具有多样性(如写报告、辅助专业学习和回答普通知识问题)，不同目的下“期望失验”的作用逻辑不同，学生的多种目的的混合感受会稀释整体的显著性，从学生的问卷中也可以发现，其对AIGC工具就没有设定过高期望(回答的答案选项集中在“比较同意”左右，即没有强烈的一致性的正向或者反向期望)；三是工具使用阶段、认知特点可能成为“调节变量”，其掩盖了核心变量的显著关系。目前，AIGC技术应用处在初级阶段，许多学生是“初次或短期使用AIGC”，此时满意度更多受新鲜感和好奇心驱动，而非期望与体验的差异，这就会出现虽然体现效果一般，也因“尝鲜”给较高的满意度，导致期望失验的作用不明显；四是目前没有比AIGC更高效的可替代的工具，即使使用AIGC未达其设定的期望，也会因为“无更好选择”而保持满意度，削弱了负向影响。
(3) 感知绩效(路径系数0.495，P值0.005)对学生满意度有正向影响。感知绩效(路径系数0.732，P值0.000)对期望失验对有正向的影响。期望(路径系数0.217，P值0.000)对期望失验有正向的影响。假设5~7得到了支持。与假设4和假设8不同的是，学生更加关注对系统使用的直接获得感受，感知绩效对AIGC工具满意度是明显显著的。
(4) 信息质量(路径系数0.180，P值0.002)对满意度有正向的影响。满意度(路径系数0.232，P值0.001)对学生AIGC工具使用意愿有正向的影响。用户使用AIGC工具的意愿(路径系数0.227，P值0.008)正向影响其实际使用AIGC工具的行为。假设9~11得到支持。这与文献[22] [23]结论相近，信息质量越高，学生对系统的满意度就越高，当然使用就越频繁。
5.2. 实践启示
在问卷调查中发现，80.8%的学生是自己发现或者同学推荐而使用AIGC工具，只有19.2%是教师推荐，这表示人工智能技术并没有很好地融入到教师的教学中，这与教育管理部门希望通过大力宣传和推广“人工智能 + 教育”教学理念获得的理想结果有较大的距离。编程能力是信息专业类学生的重要核心技能，其中80%以上的学生使用DeepSeek和豆包，只有21.9%的学生使用通义灵码、copilot等编程专业插件，虽然DeepSeek等工具的编程能力很强，但是在现阶段，专业插件在主流编程软件中能起到更好的辅助作用，这也表明在平时的教学中，教师没有很好地指导学生如何运用AIGC工具提升专业学习和工作效率。调查中还发现53.5%的学生每天使用AIGC工具的频率大概是1~5次，使用频率较低，可能是学生使用意愿不强或者是其它客观原因的影响。建立的模型分析结果表明感知有用性和感知绩效对学生的使用意愿能起到较大的作用。为了更好地促进信息类学生利用AIGC技术辅助专业学习，提升教师的教学效率，提出以下3个措施：
(1) 破除学生使用AIGC的客观障碍，解决“想用不能用”的问题，专业教师向学生推荐免费或者学校采购合规的AIGC工具，并安装在实验室中，使得学生随时可以使用相应的服务，降低学生的“学习成本”。学校、学院和专业制定AIGC工具使用指南，教师在此基础上针对课程的大纲界定或者按挖掘AIGC工具使用的任务场景，让学生明确可以何时、何因以何种程度地使用工具。
(2) 为专业教师定期开展培训，提升其人工智能素养和使用AIGC解决问题的技能。目前很多高校都在开展“人工智能 + 教育”的教学培训，但是大都停留在PPT、大纲和评测教学等基础工作上，而教师的AIGC的专业应用能力却没有提升。目前基于外部大语言模型的AI代码编辑器Cursor在软件行业中开始大量应用，而许多高校的教师因为缺乏内在动力、新时代的人工智能理念和技能还在使用传统的工具、方法开展专业教学，导致教学与市场需求脱节，需要学校以多种途径和方式切实提升教师素质才能更加有效地指导学生更高效地、简易地利用AIGC工具。
(3) 开设AIGC技术应用课程或者讲座，建立效果反馈机制，让AIGC工具真正适配学生的学习需求。许多学生因为没有掌握“使用技巧”而不能通过AIGC获取满意的结果，使得技术的易用性和有用性都没有很好地体现，导致其使用意愿降低。这可以通过授课的形式解决学生的不会用或者用不好的问题。另外，学院或者专业层面，可以设置组建专业队伍，不定期收集学生的反馈，对“使用了工具而学习效率没有得到提升”的学生提供个性化的指导和建议，反之“使用了工具学习效率得到显著提升”的案例全面推广，营造正向影响的氛围。
5.3. 局限性和未来研究展望
本文从理论角度上，针对信息专业类的学生应用AIGC工具的领域，将技术接受模型和期望失验理论整合，构建了合理的、有效的学生应用AIGC技术概念模型，利用PLS-SEM算法分析模型的构念之间的结构，较好地揭示了影响学生使用AIGC工具意愿的关键因素及其作用机理，为后续的研究提供了理论借鉴和学术参考。通过实证结果，为教育管理者和教师根据具体情况制定方案提升学生的AIGC工具的使用意愿和实际行为提供实践参考。
受时间、空间和资源等的影响，研究仍然存在一些局限性。首先，AIGC技术已深度渗透教育领域，目前正在深刻地影响着高等教育的各项教学活动，在信息类专业的领域更是重塑着学生的学习和工作习惯，AIGC技术相关的算法也在不断地迭代前进、推进出新。本文基于目前的技术和教学现状设计的实证概念模型中的构念、指标肯定挂一漏万，它们之间的关系肯定还有调整的空间，如图3的结果显示“实际使用行为”的决定系数R2值为0.052，解析能力薄弱，原因应该是设计的模型未能覆盖学生使用AIGC 的关键驱动因素，尤其忽略了“情境条件约束”和“外部变量”对行为的直接影响，导致模型在构念“实际使用行为”上解释能力不足，事实上，学生使用行为还受到AIGC是否被限制访问(如ChatGPT)、使用成本和任务复杂度(简单任务无需工具辅助)等的影响。“使用意愿→实际使用行为”可能需要考虑加入诸如学生的“使用习惯”等中介变量优化模型。其次，研究只选择笔者所在的学校的部分信息类专业的学生样本进行调查，采样的样本范围、数量均有限，且不同专业的学生使用AIGC工具场景、目的和获取结果的满意度(毕竟每个AIGC工具的能力、特点和面向的领域存在较大的差异)也有可能不同，样本代表性有限。因此，在未来的研究中，需要优化结构方程模型、选取更加合理的抽样方法抽取研究样本，以进一步提升模型的有效性。
基金项目
广西高等教育本科教学改革工程项目：新工科建设背景下生成式人工智能对OBE教学模式的影响机制研究及其应用(2024JGA262)；广西高等教育本科教学改革工程项目：智能化背景下地方高校计算机专业学生学习能力与学习动力协同提升的探索与实践(2025JGB306)。