《Computers in Human Behavior Reports》:Prospective predictors of generative AI initiation, engagement, and problematic use among Japanese adults: a two-wave study
编辑推荐:
生成式人工智能(generative AI)的普及速度超过以往任何消费技术,但其使用深度、使用目的及问题性参与模式的不平等现象尚不明确。本研究利用日本新冠肺炎疫情与社会互联网调查(JACSIS)2024至2025年两个连续波次的数据,考察了由资源与占用理论
生成式人工智能(generative AI)的普及速度超过以往任何消费技术,但其使用深度、使用目的及问题性参与模式的不平等现象尚不明确。本研究利用日本新冠肺炎疫情与社会互联网调查(JACSIS)2024至2025年两个连续波次的数据,考察了由资源与占用理论(Resources and Appropriation Theory, RAT)组织的、在生成式AI使用开始前测量的49项基线预测因素,对2025年AI启动(在基线未使用者中的新发启动,N = 9,411)、使用强度、三种使用目的复合指标及问题性AI使用(新发使用者中,n = 2,490)的前瞻性预测作用。在20项方向性预期中,有17项获得支持。各关联呈现高度的结局特异性:孤独感、大学教育程度及家庭收入主要作为启动的筛选因素;心理困扰及性别仅与使用者内部参与度相关;年龄、研究生教育程度、就业角色及设备类型则同时预测启动与参与。问题性AI使用的概念区分于重度使用:异特质-单特质比率(heterotrait–monotrait ratio, HTMT)为0.51(95%置信区间[CI] 0.47–0.55),且问题性使用与强度方程的预测因子系数向量存在显著差异(χ2(49) = 207.9, p < 0.001);男性性别、低宜人性及重度个人电脑/平板电脑使用在调整使用强度后仍与较低的问题性使用相关,且与男性较高的问题性使用之间存在关联。日常生活/信息类使用在人口统计学及社会经济学层面基本无显著分化。这些研究结果表明,AI启动、生产性参与及问题性参与风险具有领域特异性的不同关联模式,应区别对待,而非视为“使用多寡”的单一维度。
## 论文解读
### 一、研究背景
生成式人工智能(generative AI)指能够依据自然语言提示生成文本、图像、音频或代码的机器学习系统,以大语言模型(large language model)最为常见。自2022年11月ChatGPT公开发布以来,生成式AI以远超个人计算机和互联网的速度迅速扩散。截至2025年,64%的美国青少年报告使用过AI聊天机器人;2024年日本政府调查显示,美国、德国和日本成年人的生成式AI使用率分别为68.8%、59.2%和26.7%。然而,采纳仅是更大现象的表层。对约110万条ChatGPT对话的描述性分析发现,实用指导、信息检索和写作合计占消费者使用的近80%,而陪伴和个人反思类使用不足2%。工作场所证据进一步表明,管理层和计算机相关职业的采纳率约为个人服务行业工作者的两倍,且知识密集型职业中女性、低收入和资深工作者的使用率相对滞后。由于实验和现场证据显示生成式AI对经验较少和技能较低的劳动者的生产力提升最为显著,不平等的采纳可能转化为生产力、学习和幸福感方面的持续性差距。
这一多维模式契合AI鸿沟(AI divide)框架。该框架将传统数字鸿沟的三级层次——接入(第一级)、技能与使用(第二级)、可感知结果(第三级)——拓展至生成式AI领域。资源与占用理论(Resources and Appropriation Theory, RAT)将这些鸿沟的决定因素分为个人(如年龄、性别、健康、人格)、位置(如教育、就业)和资源基础(如收入、社会网络、数字素养)三类。本研究的理论框架即采用RAT作为组织和解释预测因素的工具。
既有AI鸿沟研究存在两个主要局限。第一,现有研究绝大多数为横断面设计,无法确立基线特征与后续AI使用之间的时间先后关系,而这是迈向因果解释的基本要求。第二,关于第二级鸿沟——使用强度、使用目的和问题性参与——的证据仍然稀缺,且据研究者所知,尚无研究在大规模一般人口样本中以AI使用之前测量的预测因素来考察第二级鸿沟。其中,问题性AI使用属于第二级鸿沟的第三个维度(质量维度):如果其特征分层线与使用强度不同,那么仅围绕“使用多或少”来界定鸿沟将遗漏这一维度。
生成式AI全天候可用、即时响应、不带评判并以拟人化方式对话,使其具备缓解负面情绪和替代人际互动的能力。补偿性理论认为,痛苦或孤独者会转向数字媒体寻求缓解;成瘾行为的过程模型描述了寻求缓解的使用如何演变为全神贯注、失控和不顾损害持续使用的模式。本研究中“问题性AI使用”(problematic AI use)指全神贯注、戒断、耐受、失控、冲突和情绪调节这一模式,采用问题性ChatGPT使用量表(Problematic ChatGPT Use Scale, PCUS)以连续指标而非临床诊断的方式测量。一个尤为未充分探索的问题是:问题性AI使用究竟只是重度使用的线性延伸,还是具有自身预测因素的行为上独立的构念。频率与病理在其他数字行为领域中并不完全重合:重度使用者可能不符合问题性参与的标准,而病理模式更宜由心理过程和功能损害而非使用量来定义。新出现的证据与这一观点一致:社交焦虑和孤独感等心理社会脆弱性可预测问题性AI使用。然而,与第一级和第二级AI鸿沟研究相同,关于问题性AI使用的既有证据几乎全部为横断面设计。
因此,本研究利用JACSIS 2024至2025年两个连续波次,开展据研究者所知首个在AI使用开始前测量候选决定因素的第二级生成式AI鸿沟的大规模研究。研究目标包括:(a)基线未使用者中2025年的新发AI启动;(b)使用强度;(c)三种使用目的复合指标(生产性/创造性、日常生活/信息性、社会性/情感性);(d)问题性AI使用。预测因素按RAT框架组织为个人、位置和资源基础三个领域,检验四项假设:个人因素假设(H1,10项方向性预期)、位置因素假设(H2,6项方向性预期)、资源基础因素假设(H3,4项方向性预期),以及问题性使用与重度使用相分离的假设(H4,采用测量层面非同一性和预测因子概况偏离两个互补标准)。
### 二、研究方法概述
研究对象来自日本新冠肺炎疫情与社会互联网调查(Japan COVID-19 and Society Internet Survey, JACSIS),这是一个通过Rakuten Insight Corporation在线小组(约220万人)实施的全日本互联网调查,按性别、年龄和地理区域的配额近似日本人口结构。2024波次于2024年12月至2025年1月实施,2025波次于2025年12月至2026年2月实施。完成两波调查的有效受访者共12,194人,排除921名过去使用但已戒断者及1,862名2025年前已启动者后,启动风险样本为9,411名基线未使用者,其中2,490人(26.5%)在调查间隔期间启动了生成式AI使用,构成使用者内部样本。
研究采用的主要关键技术方法包括:(1)修正泊松回归(modified Poisson regression)建模AI启动,以风险比(risk ratio)度量关联强度;(2)普通最小二乘(OLS)回归建模五个连续结局(使用强度、三种使用目的复合指标、问题性AI使用),所有结局标准化后进行分析;(3)探索性因子分析(exploratory factor analysis, EFA,基于多分格相关矩阵、最小残差提取和斜交旋转)与验证性因子分析(confirmatory factor analysis, CFA,采用对角线加权最小二乘法WLSMV)对九项使用频率条目进行目的结构的构建与验证,以2025年前启动者作为独立保留样本进行交叉验证;(4)异特质-单特质比率(HTMT)和双因子相关模型检验问题性使用与强度在测量层面的非同一性;堆叠回归与Wald联合检验直接比较不同结局间预测系数的差异;(5)Benjamini-Hochberg错误发现率(false-discovery rate, FDR)校正控制多重比较;(6)四组敏感性分析:分布形式设定(比例优势序数回归、对数变换、分位数回归)、时间设定(排除2025年1月后完成基线者、调整启动半年)、选择进入使用者样本的逆概率加权和两波面板流失的逆概率加权。
### 三、主要研究结果
**样本特征与粗分布。** 新发使用者较持续未使用者更年轻(平均年龄45.5岁对54.3岁)、教育程度更高(拥有大学或研究生学历者80.7%对68.4%)、更多为正规就业(50.1%对31.3%)、任职于事务性或专业/技术性职业(43.7%对27.4%)且家庭收入更高(≥1000万日元者15.1%对7.7%),同时报告了更高的严重心理困扰(K6≥13者13.6%对9.8%)和孤独感(UCLA-3均值2.93对2.60)。
**个人因素。** 个人因素的关联覆盖所有结局维度。年龄是最突出的前瞻性关联因素:较年轻的年龄与更高的启动、强度、生产性/创造性使用、社会性/情感性使用和问题性使用相关,且最年轻队列(<35岁)在调整强度后仍保持较高的问题性使用水平。性别效应呈现领域分化:女性在社会性/情感性和日常生活/信息性使用上更高,在生产性/创造性和问题性使用上更低(后者在调整强度后持续存在),与启动和总体强度无显著关联。严重心理困扰(K6≥13)在启动上无显著关联,但与使用强度、全部三种目的复合指标及问题性使用呈正相关,在调整强度后问题性使用关联衰减至不显著。孤独感仅与启动相关,不预测任何使用内部结局。开放性(openness)与所有结局正相关;宜人性(agreeableness)与启动正相关,但与问题性使用呈强烈且持续的负相关,且其系数在强度方程与问题性使用方程之间差异显著。
**位置因素。** 位置因素强烈分层启动,并在使用内部产生分化,尤其是生产性/创造性轴线。大学和研究生教育均与更高启动相关;研究生教育与生产性/创造性使用正相关、与社会性/情感性使用负相关,两系数差异显著。就业状态产生四种对比鲜明的概况:管理层在强度、生产性/创造性、社会性/情感性和问题性使用上均呈广泛正相关(问题性使用关联在调整强度后衰减);非正规就业者启动和生产性/创造性使用更低,但社会性/情感性使用更高;学生更可能启动并用于生产性/创造性目的;体力劳动者和未就业者启动率低于事务性工作者,未就业者的生产性/创造性使用也较低。
**资源基础因素。** 家庭收入仅与启动存在剂量-反应关系(600万至<1000万日元:风险比1.19;≥1000万日元:风险比1.39),在使用内部结局上无显著关联。有限朋友网络与较低的启动(风险比0.92)、较低的使用强度、生产性/创造性和日常生活/信息性使用相关,但与问题性使用无显著关联。设备类型产生最鲜明的对比性概况:重度智能手机使用(≥5小时/天)与更高的启动和社会性/情感性使用相关,而重度PC/平板使用(≥5小时/天)与更高的启动、使用强度和生产性/创造性使用相关;重度PC/平板使用者在调整强度后问题性使用反而较低。
**问题性使用与重度使用的分离。** H4的两个标准均获得满足。测量层面:PCUS条目与强度条目之间的HTMT比率为0.51(自举95%置信区间0.47–0.55),远低于常规0.85和0.90阈值;20个条目的相关双因子模型拟合显著优于单因子模型,潜在相关为0.55(95%置信区间0.52–0.59)。预测因子概况层面:49个系数在强度与问题性使用方程间的联合相等性检验被拒绝(χ2(49) = 207.9, p < 0.001),女性性别、宜人性和重度PC/平板使用在FDR校正后存在显著差异,均与较低的问题性使用但非较低的强度相关;男性性别在调整强度后仍与较高的问题性使用相关。
**敏感性分析。** 比例优势序数模型、对数变换和90百分位分位数模型复现了OLS概况;排除2025年1月后完成基线问卷者及调整启动半年度未改变任何结论;选择加权和流失加权均复现了主要模型结果(各设定间z统计量的Spearman秩相关为0.92–1.00),两波小组保留与基线特征仅有弱相关(pseudo-R2 = 0.02)。
### 四、讨论与结论
研究人员讨论指出三项突出发现。第一,AI采纳与使用者内部参与的相关性仅部分重叠,且每种模式都从个人、位置和资源基础三个领域招募预测因素:部分因素主要作为采纳过滤器运作(孤独感、大学教育、家庭收入),部分因素仅与使用者内部参与相关(心理困扰、性别),另一些因素同时区分采纳与参与,有时在使用目的复合指标间呈现相反符号的概况(年龄、研究生教育、就业角色、设备类型、有限朋友网络)。第二,日常生活/信息性使用在新采纳者中基本未被年龄、教育、收入、就业角色或设备类型所分化,提示一个平等的领先型用例领域,与更具分层性的生产性、社会性/情感性和问题性使用领域形成对比。第三,问题性AI使用在两项互补标准上均区别于重度使用,与“病理性数字参与不可还原为使用量”的长期论点一致。
研究的实际意义在于:采纳差距——集中于老年人、低教育和低收入者、非正规和体力劳动者及未就业者——是AI素养项目和延伸至非正规员工的工作场所培训的自然目标;使用目的的层级化提示这些课程不仅应涉及如何使用生成式AI,还应涵盖其适用于什么任务;社会性/情感性使用群体(年轻人、女性、心理困扰者、非正规就业者和重度智能手机用户)应从比例化风险沟通中受益;问题性使用概况(低宜人性的年轻男性、心理困扰者——后者的较高分数反映更重的总体使用——以及低宜人性特征)提示可在工作场所和大学幸福感调查中加入简短的PCUS条目,并进行非污名化的监测。由于问题性使用特征不同于重度使用特征,仅依据使用日志的监测将遗漏风险较高的群体。
研究局限包括:结局仅在随访时测量一次,首次使用日期为回溯性报告,研究设计确立时间优先性但非严格面板设计;所有数据均为自我报告,存在测量误差和潜在社会期望偏倚;AI使用以单一自报条目确定,嵌于搜索引擎或生产力软件中未被识别的AI功能使用可能导致将实际使用者归类为未使用者;使用者内部分析以采纳为条件,存在撞碰偏倚(collider bias)风险;参与者来自商业在线小组的非概率配额抽样,结果描述的是大型在线小组而非日本总体人口;PCUS为非正式翻译且尚无验证的临床切点。结论部分指出,本研究将AI鸿沟框架从第一级采纳拓展至第二级使用模式,体现出三项含义:问题性AI使用在两项互补标准上区别于重度使用;采纳与参与的关联在全部三个RAT领域中仅部分重叠;日常生活/信息性领域较生产导向、社会性/情感性和问题性使用领域更为平等。研究人员强调,领域特异性的采纳差距、生产性参与不平等和问题性参与风险需要区别对待,而非视为“使用多或少”的单一维度。据研究者所知,这是首个以AI使用开始前测量的决定因素考察第二级生成式AI鸿沟的大规模研究;以重复测量AI使用为下一步方向,可允许直接研究个体内变化和进入使用的选择效应。