《Computers》:Drivers and Barriers to the Use of Generative Artificial Intelligence in the Spanish Active Population: Insights from Artificial Neural Network Modeling and Shapley Additive Explanations
Teresa Torres-Coronas,
Jorge de Andrés-Sánchez,
Orlando Lima Rua and
álvaro Carrasco-Aguilar
编辑推荐:
本研究分析了西班牙在职人口使用生成式人工智能(GAI)强度的决定因素,并探讨了其采用过程中可能存在的性别差距。为此,研究人员提出了一个概念模型,该模型整合了感知经济与生产效用(PEU)、感知社会效用(PSU)、技术准备度指数(TRI)的三个维度——技术乐观主义
本研究分析了西班牙在职人口使用生成式人工智能(GAI)强度的决定因素,并探讨了其采用过程中可能存在的性别差距。为此,研究人员提出了一个概念模型,该模型整合了感知经济与生产效用(PEU)、感知社会效用(PSU)、技术准备度指数(TRI)的三个维度——技术乐观主义(OPTI)、创新性(INNOV)和不安全感(INSEC),以及三个社会人口统计学变量:创业状态、性别和世代队列。该模型通过具有可解释性能力的人工神经网络(ANNs)来实现,并借助SHAP可解释性分析(SHAP)进行解释。SHAP的应用使得评估解释变量在全局和局部层面的重要性成为可能,并能检验其在解释GAI使用时是否存在性别偏见。结果表明,最重要的变量是PEU、世代队列和INNOV。尽管性别在全局重要性排名中并非最关键变量,但女性的GAI使用水平较低,并且在多个解释变量的贡献中观察到与性别相关的差异。具体而言,在PSU、OPTI、INSEC、创业状态和Y世代成员身份方面观察到实质性效应量。相比之下,在PEU和INNOV等特别重要的变量以及Z世代成员身份方面,差异未显示出有意义的效应量。
**一、 研究背景与问题**
自2020年代初以来,生成式人工智能(GAI)的兴起已深刻改变了经济、商业流程和日常生活。在生产领域,GAI为自动化认知和知识密集型服务活动开辟了道路,意味着劳动力市场的深刻变革,并推动跨行业组织结构和流程的实质性变化。其潜力也延伸至日常生活,如改善医疗保健质量、优化管理、加强健康素养,并通过个性化支持工具促进获取信息、教育和公共服务的民主化。然而,这一改善社会经济状况的承诺也伴随着职业替代、劳动力市场两极分化以及技术权力日益集中于大公司等风险。此外,算法偏见再现、虚假信息生成、数字内容信任侵蚀等问题也令人担忧。鉴于GAI的兴起同时影响日常生活和众多职业的实践,分析塑造在职人口使用的社会驱动因素和阻碍因素具有特殊意义。在西班牙社会学研究中心关于生成式人工智能在西班牙社会中使用情况的宏观调查数据的基础上,本研究旨在:1)构建并验证一个解释GAI采用的理论模型,确定各解释变量在解释GAI使用时的相关性层次;2)估算GAI使用中性别差距的大小,包括量化性别对使用的影响,并确定变量影响结果的方式是否存在结构性的性别差异。
**二、 研究方法与关键技术**
本研究数据来源于西班牙社会学研究中心于2025年2月上半旬进行的宏观调查,目标人群为18岁及以上居住在西班牙的个体,最终获得4004个有效样本。研究聚焦于其中的在职人口,其职业根据西班牙国家职业分类(CNO-11)进行划分,且受访者声明熟悉GAI,最终样本量为2432人。研究采用的核心分析方法是机器学习与可解释性技术的结合。首先,研究人员构建了多个多层感知器(MLP)架构的人工神经网络模型,将GAI使用强度作为连续因变量,以PEU、PSU、OPTI、INNOV、INSEC、创业状态、性别(FEM)及世代(Z世代与Y世代)等九个变量作为输入,通过在独立测试集上的性能比较选定最优模型。其次,采用SHAP可解释性分析方法对神经网络模型进行解释,以评估各变量在全局和局部层面对GAI使用强度的贡献方向与大小,并通过分层分析检验性别差异在不同世代和变量上的具体表现。为构建潜变量,研究还运用了主成分分析(PCA)对相关题项进行降维和合成。
**三、 研究结果**
**1. 神经网络模型拟合与预测评估**
研究人员比较了五种不同架构(从单隐藏层到漏斗形双隐藏层)的神经网络模型。训练阶段结果显示,所有神经网络的解释力(R2)在0.235至0.252之间,表现优于线性回归基准模型。在外部测试集上,通过自举法评估,所有神经网络的预测系数Q2均为正值(介于0.276至0.295之间),显示出稳健的样本外预测能力。最终,结构最简单(9→4→1)的神经网络(ANN3)因其在测试集上取得最高的平均Q2和最低的平均均方根误差(RMSE),且配对比较显示其在多数情况下相对于更复杂架构具有较大的效应量,而被选定为用于后续解释的最终模型。
**2. SHAP变量重要性分析**
通过蜂群图可视化与平均绝对SHAP值(mean|SHAP|)计算,研究确定了变量重要性层级。**感知经济与生产效用(PEU)** 是预测GAI使用强度的绝对主导因素,高PEU值系统性地与正向SHAP贡献相关,证实了H1。**世代变量** 位居其后,Z世代和Y世代成员身份均与正向使用强度相关,且Z世代效应更强,支持H8。**创新性(INNOV)** 同样占据显著位置,高创新性水平与更高的预测使用强度相关,支持H4。**技术乐观主义(OPTI)** 显示出较小但一致的正向效应,支持H3。**不安全感(INSEC)** 呈现反向模式,与抑制使用相关,支持H5。**感知社会效用(PSU)** 虽然效应为正(支持H2),但其全局重要性相对较低。**性别(FEM)** 表现出以负向为主的贡献,表明女性使用强度较低,支持H7。**创业状态(ENTREP)** 未产生清晰或系统性的效应,未能支持H6。分层分析显示,PEU的重要性在不同使用强度群体中保持稳定,而Z世代、INNOV和OPTI的重要性随使用强度增加而上升。
**3. 性别差距的深入评估**
研究发现存在显著的性别差距:女性平均使用强度低于男性。这一差距在解释变量的贡献上也存在差异。对于PEU、INNOV和Z世代身份这三个最重要变量,尽管男女间差异具有统计学意义,但效应量极小,表明性别并未实质性地改变这些核心因素对使用的影响。相比之下,对于PSU、OPTI、INSEC、创业状态和Y世代身份,男性与女性之间的影响差异呈现中到大的效应量,说明性别显著影响了这些次要变量对GAI使用的贡献程度。跨代际比较进一步揭示,这种与次要变量相关的性别差距在各代际中相对稳定,而PEU和INNOV的性别差异在Z世代中变得不显著,这解释了为何总体性别差距在Z世代中有所减弱。
**四、 讨论与结论**
**讨论** 部分指出,本研究构建了一个整合不同技术接受理论元素的GAI使用解释模型,并通过神经网络与SHAP方法进行了验证。主要发现在于,感知经济与生产效用(PEU)是GAI使用的首要驱动力,这表明在专业背景下,GAI采用主要遵循工具性逻辑。代际状态是关键结构性因素,数字原生代使用更频繁,且Z世代强于Y世代,凸显了与GAI相关的新数字鸿沟风险。创新性(INNOV)在技术准备度相关因素中最具影响力,且驱动因素比阻碍因素解释力更强。研究证实了性别差距的存在,尤其在千禧一代及更年长人群中更为明显,但在Z世代中因核心驱动因素(PEU和INNOV)的性别差异消失而有所缓和。方法上,研究表明神经网络结合SHAP是分析技术行为的有效工具,能识别传统线性模型难以发现的非线性关系和结构异质性。
**结论** 部分总结如下:GAI的使用主要由感知经济与生产效用驱动。代际状态是另一个核心决定因素,数字原生代使用强度更高,其中Z世代又高于Y世代。创新性是技术倾向因素中最重要的。性别差距确实存在,表现为女性使用更少,且在部分次要变量的贡献上存在差异,但在Z世代中,这一差距因核心变量性别差异不显著而减弱。从方法论看,本研究证明人工神经网络与SHAP结合是分析技术采用行为的强大工具。同时,研究存在局限,如横截面数据无法确证因果关系、依赖度变量未区分具体应用场景、创业状态操作化较为粗略、仅关注二元性别差异以及局限于西班牙背景等,这些为未来研究指明了方向,例如采用纵向设计、细化使用情境分析、采用更精细的创业指标、引入交叉性视角以及进行跨国比较研究。