典型科研場(chǎng)景下生成式人工智能使用的差異性分析

摘要：以生成式人工智能（GenAI）為代表的智能技術(shù)推動(dòng)了科研范式的轉(zhuǎn)型，有助于復(fù)雜科研問(wèn)題的解決。分析GenAI在科研場(chǎng)景中的使用差異及其影響因素，有利于高校智能化科研建設(shè)。基于對(duì)浙江大學(xué)1226位研究生的問(wèn)卷調(diào)查發(fā)現(xiàn)：在科研中使用GenAI占比最多的前四個(gè)場(chǎng)景為文獻(xiàn)翻譯、信息檢索、文獻(xiàn)綜述和潤(rùn)色降重；學(xué)科背景在信息檢索、頭腦風(fēng)暴和代碼生成三個(gè)場(chǎng)景中顯著影響研究生使用GenAI；而人工智能素養(yǎng)在文獻(xiàn)翻譯、頭腦風(fēng)暴、文獻(xiàn)綜述、選擇研究問(wèn)題、實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)處理、代碼生成和潤(rùn)色降重8個(gè)場(chǎng)景中顯著影響研究生使用GenAI。此外，針對(duì)其中部分研究生的訪談分析發(fā)現(xiàn)：研究生認(rèn)為能評(píng)估GenAI生成內(nèi)容質(zhì)量高低是合理使用GenAI的前提；GenAI應(yīng)用技巧決定了GenAI輔助科研的效率；除學(xué)科背景和人工智能素養(yǎng)水平外，導(dǎo)師對(duì)GenAI的態(tài)度與使用水平以及高校GenAI資源開發(fā)與集成情況同樣影響其在科研中使用GenAI。為促進(jìn)研究生更好地利用GenAI賦能高質(zhì)量科研創(chuàng)新，建議高校開發(fā)適配各專業(yè)教科研所需的垂直領(lǐng)域大模型，面向不同學(xué)科背景研究生設(shè)計(jì)融入GenAI使用的課程，全面提升高校師生人工智能素養(yǎng)。

關(guān)鍵詞：生成式人工智能；人工智能素養(yǎng)；科研場(chǎng)景；學(xué)科背景

中圖分類號(hào)：G434 " 文獻(xiàn)標(biāo)識(shí)碼：A " "文章編號(hào)：1009-5195（2025）02-0092-11 "doi10.3969/j.issn.1009-5195.2025.02.010

基金項(xiàng)目：2024年度國(guó)家自然科學(xué)基金面上項(xiàng)目“基于垂直領(lǐng)域大語(yǔ)言模型的智能中文寫作平臺(tái)設(shè)計(jì)、研發(fā)與應(yīng)用研究”（62477040）；浙江大學(xué)研究生教育研究課題“基于生成式人工智能（AI）的研究生科研訓(xùn)練及學(xué)術(shù)寫作行為研究”（YJSJY20240101）。

作者簡(jiǎn)介：李艷，博士，教授，博士生導(dǎo)師，浙江大學(xué)教育學(xué)院（浙江杭州 310058）；朱雨萌（通信作者），博士研究生，浙江大學(xué)教育學(xué)院（浙江杭州 310058）；孫丹，博士，副教授，碩士生導(dǎo)師，杭州師范大學(xué)經(jīng)亨頤教育學(xué)院（浙江杭州 311121）；許潔，博士研究生，浙江大學(xué)教育學(xué)院（浙江杭州 310058）；翟雪松，博士，特聘研究員，博士生導(dǎo)師，浙江大學(xué)教育學(xué)院（浙江杭州 310058）。

一、問(wèn)題提出

以生成式人工智能（Generative Artificial Intelligence，簡(jiǎn)稱GenAI）為代表的人工智能技術(shù)正在推動(dòng)全球科研范式發(fā)生深刻變革，實(shí)現(xiàn)從數(shù)據(jù)密集型的第四范式向“智能化科研”（AI for Research，簡(jiǎn)稱AI4R）新范式轉(zhuǎn)變（李國(guó)杰，2024）。AI4R有助于研究者從海量數(shù)據(jù)中快速篩選、分析和定位有價(jià)值信息，發(fā)現(xiàn)研究趨勢(shì)，模擬實(shí)驗(yàn)過(guò)程，創(chuàng)新研究方法，提升科研效率和創(chuàng)造力。它將人類獨(dú)有推理優(yōu)勢(shì)與機(jī)器的高效率搜索完美融合，促進(jìn)了復(fù)雜科研問(wèn)題的解決。

1.GenAI對(duì)科研的影響

在傳統(tǒng)的高校科研工作中，師生通過(guò)搜索引擎、數(shù)據(jù)處理軟件等工具完成文獻(xiàn)查閱、數(shù)據(jù)分析等活動(dòng)。在AI4R范式下，GenAI在內(nèi)容創(chuàng)作方面的強(qiáng)大能力使其有可能成為高校師生的得力助手（徐嵐等，2023）。為推動(dòng)高校使用GenAI，聯(lián)合國(guó)教科文組織拉丁美洲及加勒比海地區(qū)國(guó)際高等教育研究所（UNESCO IESALC）在2023年發(fā)布的《在高等教育中利用ChatGPT和人工智能：快速入門指南》中指出，以ChatGPT為代表的人工智能能夠在科研構(gòu)思、文獻(xiàn)綜述、數(shù)據(jù)分析、論文撰寫等科研場(chǎng)景中輔助科研人員，提升其科研效率（UNESCO IESALC，2023）。

已有研究顯示：基于大語(yǔ)言模型的工具在文獻(xiàn)翻譯和信息檢索場(chǎng)景中能夠幫助研究人員快速理解多語(yǔ)種文獻(xiàn)內(nèi)容，降低外文文獻(xiàn)閱讀門檻（Rahman et al.，2023）；其通過(guò)自然語(yǔ)言生成技術(shù)提供多樣化的啟發(fā)性建議，引導(dǎo)研究人員從多維視角分析問(wèn)題，激發(fā)科研靈感（周文輝等，2024）；在文獻(xiàn)綜述階段能夠自動(dòng)生成研究的概述性內(nèi)容，協(xié)助研究人員高效整理和提煉文獻(xiàn)中的關(guān)鍵主題（Imran et al.，2023）；此類工具還可以通過(guò)對(duì)已有研究方法的整合與自動(dòng)化解釋，為研究人員提供系統(tǒng)化和易于理解的技術(shù)指引（趙悅，2024）。在研究問(wèn)題選擇方面，GenAI的語(yǔ)義理解能力能夠?qū)蒲蓄I(lǐng)域進(jìn)行系統(tǒng)性分析，促進(jìn)研究人員深度思考，幫助其發(fā)現(xiàn)具有理論意義和實(shí)踐價(jià)值的研究問(wèn)題（周文輝等，2024）。在實(shí)驗(yàn)設(shè)計(jì)環(huán)節(jié)，GenAI憑借強(qiáng)大的數(shù)據(jù)分析能力和模擬功能，可以優(yōu)化實(shí)驗(yàn)流程，分析海量生物數(shù)據(jù)（陳銘，2024）。在數(shù)據(jù)處理環(huán)節(jié)，GenAI能夠進(jìn)行初步的數(shù)據(jù)分析和結(jié)果闡釋，甚至幫助研究人員發(fā)現(xiàn)復(fù)雜模式和潛在關(guān)系；其生成基礎(chǔ)代碼的能力還為研究人員專注于高層次的邏輯設(shè)計(jì)和理論創(chuàng)新提供了可能（吳青等，2023）。GenAI還可以對(duì)論文進(jìn)行語(yǔ)言潤(rùn)色和降重處理，在提高寫作質(zhì)量的同時(shí)確保內(nèi)容的學(xué)術(shù)規(guī)范性（Atlas，2023）。

綜上，GenAI可以在文獻(xiàn)翻譯、信息檢索、頭腦風(fēng)暴、文獻(xiàn)綜述、方法介紹、選擇研究問(wèn)題、實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)處理、代碼生成以及潤(rùn)色降重等場(chǎng)景中幫助研究人員開展科研。不過(guò)，GenAI在助力科研創(chuàng)新的同時(shí)，也有可能給科研帶來(lái)負(fù)面影響。在實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)分析、寫作等場(chǎng)景中使用GenAI可能會(huì)損害高校師生的創(chuàng)造性、獨(dú)立性和學(xué)術(shù)誠(chéng)信，甚至可能導(dǎo)致學(xué)術(shù)抄襲剽竊等問(wèn)題（Atlas，2023）。過(guò)度使用GenAI還可能讓學(xué)生產(chǎn)生工具依賴，帶來(lái)高階思維發(fā)展不足以及認(rèn)知能力退化等問(wèn)題（徐嵐等，2023）。

2.學(xué)科背景對(duì)GenAI使用的影響

由于不同的學(xué)科在研究問(wèn)題、研究?jī)?nèi)容、研究方法上差異較大，高校不同學(xué)科師生在科研中使用GenAI的行為可能存在較大差異（Qu et al.，2024）。李艷等人（2024）調(diào)查發(fā)現(xiàn)浙江大學(xué)不同學(xué)科背景的大學(xué)生對(duì)GenAI有不同的體驗(yàn)和看法。Qu等人（2024）按照硬/軟和理論/應(yīng)用維度將學(xué)科分為四個(gè)類別，即硬理論（理學(xué)）、硬應(yīng)用（工學(xué)）、軟理論（人文藝術(shù)和社會(huì)科學(xué)）以及軟應(yīng)用（商學(xué)），探究本科生的GenAI知識(shí)水平、使用意愿及其在認(rèn)知任務(wù)和日常任務(wù)中使用GenAI的程度。結(jié)果表明，學(xué)生對(duì)GenAI的使用存在顯著學(xué)科差異：與理論學(xué)科背景的學(xué)生相比，應(yīng)用學(xué)科背景學(xué)生的GenAI知識(shí)水平和使用意愿均較高。此外，不同學(xué)科的本科生在科研、寫作、編程和頭腦風(fēng)暴等認(rèn)知任務(wù)中使用GenAI存在顯著差異，應(yīng)用學(xué)科學(xué)生使用GenAI更多。羅怡帆等人（2024）對(duì)26名信息資源管理方向的研究生進(jìn)行半結(jié)構(gòu)化深度訪談發(fā)現(xiàn)，被訪者傾向于在潤(rùn)色英文論文、生成代碼、閱讀文獻(xiàn)等場(chǎng)景中使用GenAl。陳銘（2024）指出，生物信息學(xué)研究者更多在分析海量生物數(shù)據(jù)、預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)、自動(dòng)化實(shí)驗(yàn)等場(chǎng)景使用人工智能來(lái)提升科研效率。

3.人工智能素養(yǎng)對(duì)GenAI使用的影響

人工智能素養(yǎng)起初是指未來(lái)工作者應(yīng)了解的人工智能相關(guān)知識(shí)與技術(shù)（Kandlhofer et al.，2016）。隨著以GenAI為代表的人工智能技術(shù)對(duì)人類社會(huì)的影響日益深化，學(xué)界對(duì)人工智能素養(yǎng)的定義進(jìn)一步轉(zhuǎn)向了一種綜合素質(zhì)，不僅包括人工智能相關(guān)的知識(shí)和能力，還包括與人工智能技術(shù)使用相關(guān)的情感、態(tài)度、價(jià)值觀和倫理等。Ng等人（2021）提出了一個(gè)包含有認(rèn)識(shí)和理解人工智能、應(yīng)用人工智能、評(píng)估和創(chuàng)造人工智能以及人工智能倫理等四維度內(nèi)容的人工智能素養(yǎng)框架，基于此框架，有學(xué)者設(shè)計(jì)了人工智能素養(yǎng)評(píng)價(jià)量表（Zhao et al.，2022）。現(xiàn)有研究發(fā)現(xiàn)，大學(xué)生的人工智能素養(yǎng)水平對(duì)其人工智能產(chǎn)品接受度和使用意愿有顯著影響（Chan et al.，2023；Acosta-Enriquez et al.，2024；Jiang et al.，2024）。Al-Abdullatif（2024）研究發(fā)現(xiàn)人工智能素養(yǎng)水平顯著正向影響大學(xué)教師對(duì)GenAI的接受程度。

4.研究問(wèn)題

綜上所述，現(xiàn)有研究較多聚焦GenAI在大學(xué)生科研或?qū)W習(xí)中的整體使用意愿或使用行為，對(duì)GenAI賦能科研的討論往往局限于單專業(yè)視角（羅怡帆等，2024）或僅從理論層面進(jìn)行探討（周文輝等，2024），對(duì)于研究生群體在典型科研場(chǎng)景中如何使用GenAI、學(xué)科背景和人工智能素養(yǎng)如何影響其對(duì)GenAI的使用有待深入探究。科研活動(dòng)是一個(gè)系統(tǒng)性的研究過(guò)程，涉及從知識(shí)輸入和積累到創(chuàng)新成果輸出與轉(zhuǎn)化等多個(gè)環(huán)節(jié)，不同環(huán)節(jié)對(duì)科研技能的要求不同，GenAI賦能各環(huán)節(jié)的方式也可能存在差異。基于此，本研究擬采用混合研究方法，通過(guò)問(wèn)卷調(diào)查和訪談數(shù)據(jù)，探究學(xué)科背景和人工智能素養(yǎng)水平是否以及如何影響研究生使用GenAI，以期為高校更好地制定GenAI使用規(guī)范和開展人機(jī)協(xié)同科研活動(dòng)提供實(shí)證依據(jù)，并為國(guó)家和高校出臺(tái)優(yōu)化智能化科研環(huán)境的政策提供思路與對(duì)策。

二、研究設(shè)計(jì)

1.研究工具設(shè)計(jì)

（1）問(wèn)卷工具

研究編制了“研究生GenAI使用狀況調(diào)查問(wèn)卷”，共三個(gè)模塊（見(jiàn)表1）：①研究生的基本信息，包括性別、學(xué)段和學(xué)科背景；②研究生在科研中使用GenAI的情況，包括使用GenAI的概況以及在科研的10個(gè)典型場(chǎng)景中是否使用GenAI；③研究生人工智能素養(yǎng)，參考Zhao等人（2022）和Wang等人（2023）編制的人工智能素養(yǎng)量表工具，根據(jù)研究生在科研中使用GenAI的語(yǔ)境，改編已有量表工具的題項(xiàng)內(nèi)容并合并表意相同題項(xiàng)，最終形成了包含4個(gè)維度12個(gè)題項(xiàng)的研究生人工智能素養(yǎng)量表。

（2）訪談工具

半結(jié)構(gòu)化訪談時(shí)的提問(wèn)主要聚焦學(xué)科背景和人工智能素養(yǎng)水平兩大因素對(duì)研究生在典型科研場(chǎng)景中使用GenAI的影響，例如“你認(rèn)為你所在專業(yè)相比于其他專業(yè)，在科研中使用GenAI的特殊點(diǎn)在哪里？”“你認(rèn)為對(duì)人工智能的了解程度會(huì)如何影響你在科研中使用GenAI？”“除學(xué)科背景、人工智能素養(yǎng)水平（了解程度、使用熟練度等因素）外，你認(rèn)為還有哪些因素影響你在科研中使用GenAI？如何影響？”等。

2.研究對(duì)象與數(shù)據(jù)采集

（1）研究對(duì)象

本研究選取浙江大學(xué)研究生作為研究對(duì)象。浙江大學(xué)涵蓋哲學(xué)、文學(xué)、歷史學(xué)、藝術(shù)學(xué)、經(jīng)濟(jì)學(xué)、法學(xué)、教育學(xué)、管理學(xué)、理學(xué)、工學(xué)、農(nóng)學(xué)、醫(yī)學(xué)、交叉學(xué)科等13個(gè)學(xué)科門類，這些學(xué)科按學(xué)科大類又分別歸屬在7個(gè)學(xué)部，包括人文學(xué)部、社會(huì)科學(xué)學(xué)部、理學(xué)部、工學(xué)部、信息學(xué)部、農(nóng)業(yè)生命環(huán)境學(xué)部和醫(yī)學(xué)部。截至2023年12月底，浙江大學(xué)在校中國(guó)籍研究生有4.4萬(wàn)余人，為研究提供了較大的樣本基數(shù)。

（2）問(wèn)卷數(shù)據(jù)

調(diào)查問(wèn)卷通過(guò)問(wèn)卷星于2023年11月15日至11月25日向浙江大學(xué)研究生群體隨機(jī)發(fā)放，問(wèn)卷起初發(fā)布于學(xué)校論壇，采用滾雪球和方便抽樣的方法收集樣本。發(fā)放一周后，研究團(tuán)隊(duì)根據(jù)問(wèn)卷填寫情況，兩次有針對(duì)性地向樣本量較少的院系進(jìn)行問(wèn)卷發(fā)放，以保證問(wèn)卷抽樣的代表性。被調(diào)查者在填寫問(wèn)卷之前，被告知調(diào)研目的并知情同意。研究共收集問(wèn)卷1436份，剔除未指定學(xué)部（學(xué)科背景）、作答時(shí)間過(guò)短（通過(guò)計(jì)算回答時(shí)間的均值和標(biāo)準(zhǔn)差，按照“3σ原則”剔除）或反向題不一致的樣本，保留1226份有效問(wèn)卷，有效率為85.38%。研究者通過(guò)AMOS檢驗(yàn)問(wèn)卷信效度并通過(guò)SPSS26軟件對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)及邏輯回歸分析。

（3）訪談數(shù)據(jù)

2024年7—8月，采用滾雪球和方便抽樣的方法進(jìn)行對(duì)象選擇，邀請(qǐng)參與過(guò)問(wèn)卷調(diào)查的16位研究生進(jìn)行訪談，被訪者的基本信息見(jiàn)表2。每位被訪者的訪談時(shí)長(zhǎng)為45～60分鐘。訪談在征得被訪者同意后進(jìn)行全程錄音，最終獲得14.59小時(shí)的錄音資料，經(jīng)“訊飛語(yǔ)記”轉(zhuǎn)錄后獲得19.22萬(wàn)字的文本資料，研究者將所有文本資料導(dǎo)入Nvivo11進(jìn)行編碼分析。

3.變量設(shè)置及方法模型

本研究將研究生在10個(gè)典型科研場(chǎng)景（Ai，i＝1，i＝2，…，10）中是否使用GenAI作為因變量，將學(xué)科背景及人工智能素養(yǎng)作為自變量，性別和學(xué)段作為控制變量。

研究采用混合研究方法，首先進(jìn)行問(wèn)卷調(diào)研，再通過(guò)訪談細(xì)化、擴(kuò)充、解釋和澄清問(wèn)卷調(diào)研結(jié)果，提高調(diào)查結(jié)果的可解釋性、意義性和有效性（陳娬，2010）。對(duì)于調(diào)研數(shù)據(jù)，由于因變量為二分類變量（是或否），研究使用二元邏輯回歸方程進(jìn)行建模。二元邏輯回歸是一種用于二元分類的統(tǒng)計(jì)方法，其目標(biāo)是將事件發(fā)生的概率作為一個(gè)或多個(gè)預(yù)測(cè)變量的函數(shù)來(lái)建模（Hayes et al.，2009），適合描述和檢驗(yàn)分類結(jié)果變量與一個(gè)或多個(gè)分類（連續(xù)）預(yù)測(cè)變量之間的關(guān)系假設(shè)。本研究構(gòu)建的二元邏輯回歸方程為：

其中，P（在科研場(chǎng)景Ai中使用GenAI）表示研究生在科研場(chǎng)景Ai（如文獻(xiàn)綜述）中使用GenAI的概率，其值介于0～1；β0～β4為回歸系數(shù)；X0～X4分別為性別、學(xué)段、學(xué)科背景和人工智能素養(yǎng)水平。由于性別、學(xué)段、學(xué)科背景是無(wú)序多分類自變量，需將其處理為啞變量以納入回歸分析方程中。考慮到信息學(xué)部研究生科研內(nèi)容與GenAI聯(lián)系密切，選擇信息學(xué)部作為參考類別；人工智能素養(yǎng)水平通過(guò)研究生人工智能素養(yǎng)量表12道題目求平均值獲得，為連續(xù)自變量。

4.數(shù)據(jù)處理與分析

研究使用描述性統(tǒng)計(jì)分析研究生在科研中使用GenAI的概況及其人工智能素養(yǎng)水平，使用驗(yàn)證性因子分析檢驗(yàn)人工智能素養(yǎng)問(wèn)卷信效度。對(duì)10個(gè)典型場(chǎng)景分別建立二元邏輯回歸方程，以分析學(xué)科背景以及人工智能素養(yǎng)水平是否以及如何影響研究生在各個(gè)場(chǎng)景中使用GenAI。為了檢驗(yàn)自變量之間是否存在多重共線性問(wèn)題，研究通過(guò)計(jì)算公差或方差膨脹因子（VIF）來(lái)診斷自變量之間的多重共線性；如果公差小于0.1或VIF大于10，則表明存在多重共線性（Kock et al.，2012）。最終，采用前向似然比（LR）法構(gòu)建邏輯回歸模型。通過(guò)綜合測(cè)試（The Omnibus Tests）衡量邏輯回歸模型的顯著性；通過(guò)霍斯默—萊梅休檢驗(yàn)（Hosmer and Lemeshow Test）評(píng)估邏輯回歸模型的擬合優(yōu)度（Menard，2002）。本研究報(bào)告了包括偏回歸系數(shù)、顯著性、優(yōu)勢(shì)比等回歸結(jié)果，通過(guò)優(yōu)勢(shì)比減1計(jì)算并報(bào)告了自變量對(duì)因變量的影響，即當(dāng)連續(xù)變量增加一個(gè)單位或當(dāng)虛擬（類別）變量切換到相反類別時(shí)，P（在科研場(chǎng)景Ai中使用GenAI）的變化情況。最后，研究總結(jié)訪談結(jié)果，并對(duì)回歸分析結(jié)果進(jìn)行進(jìn)一步驗(yàn)證。

三、研究發(fā)現(xiàn)

1.問(wèn)卷信效度檢驗(yàn)和模型驗(yàn)證

人工智能素養(yǎng)量表各子維度的Cronbach系數(shù)信度分析結(jié)果均大于0.86，表明內(nèi)容一致性良好。所有量表的AVE值均大于0.5，CR值均大于0.7，表明量表具有良好的收斂效度和組合信度。根據(jù)驗(yàn)證性因子分析，卡方比自由度（CMIN/DF）值為7.618，筆者認(rèn)為是由于樣本量導(dǎo)致該指標(biāo)過(guò)大。進(jìn)行多次樣本量為300的隨機(jī)抽樣后發(fā)現(xiàn)，每次模型CMIN/DF均小于3且其他擬合指標(biāo)均達(dá)標(biāo)，因此造成CMIN/DF過(guò)大的原因確實(shí)是樣本量過(guò)大，本研究遂選取其他擬合指標(biāo)來(lái)檢驗(yàn)量表效度。如表3所示，擬合指標(biāo)RSMEA小于0.80，CFI、AGFI、GFI、TLI和NFI均大于0.90，模型擬合較好，證實(shí)研究模型適合進(jìn)行詳細(xì)解釋分析。

根據(jù)多重共線性分析，10個(gè)邏輯回歸模型的容差（TOL）值從0.800到0.989不等，遠(yuǎn)高于閾值0.1。VIF值從1.011到1.250不等，低于閾值10，表明預(yù)測(cè)變量之間不存在多重共線性。根據(jù)綜合測(cè)試，所有回歸模型的p值均小于0.05，表明模型整體顯著。根據(jù)霍斯默—萊梅休檢驗(yàn)，除“方法介紹”場(chǎng)景外的9個(gè)回歸方程模型的p值最小為0.059，最大為0.919，均大于顯著性水平（0.05），表明當(dāng)前數(shù)據(jù)中的信息已被充分提取，模型的擬合程度較高。因此，得到的邏輯回歸模型（除“方法介紹”場(chǎng)景）具有統(tǒng)計(jì)學(xué)意義，適合進(jìn)一步分析。

2.描述性統(tǒng)計(jì)

參與問(wèn)卷調(diào)查的研究生中，男生562人（45.84%），女生664人（54.16%）；碩士生832人（67.86%），博士生394人（32.14%）。共有244人（19.9%）來(lái)自農(nóng)業(yè)生命環(huán)境學(xué)部，299人（24.4%）來(lái)自醫(yī)學(xué)部，150人（12.2%）來(lái)自信息學(xué)部，136人（11.1%）來(lái)自理學(xué)部，101人（8.2%）來(lái)自社會(huì)科學(xué)學(xué)部，99人（8.1%）來(lái)自人文學(xué)部，197人（16.1%）來(lái)自工學(xué)部。

調(diào)查發(fā)現(xiàn)，近三分之一的研究生在OpenAI發(fā)布ChatGPT-3.5（2022年11月30日）之前就初次使用GenAI，5.55%的研究生尚未使用過(guò)GenAI。研究生使用的GenAI產(chǎn)品按使用頻率排序?yàn)镃hatGTP、New Bing、文心一言、訊飛星火、NotionAI、ChatGLM和Gamma。研究生在科研中使用GenAI最多的場(chǎng)景是文獻(xiàn)翻譯（70.47%），之后依次是信息檢索（69.41%）、文獻(xiàn)綜述（39.97%）、潤(rùn)色降重（39.97%）、方法介紹（31.24%）、代碼生成（31.00%）、頭腦風(fēng)暴（27.08%）、選擇研究問(wèn)題（26.10%）、數(shù)據(jù)處理（21.45%）以及實(shí)驗(yàn)設(shè)計(jì)（11.50%）。

參與問(wèn)卷調(diào)查的研究生的人工智能素養(yǎng)處于一般水平（M＝2.74，SD＝0.92）。在人工智能素養(yǎng)的4個(gè)子維度中，研究生在“倫理”維度（M＝3.14，SD＝1.15）和“應(yīng)用”維度（M＝3.10，SD＝1.15）水平相對(duì)較高，在“認(rèn)識(shí)和理解”（M＝2.73，SD＝1.73）以及“評(píng)估和創(chuàng)建”維度（M＝2.01，SD＝1.06）水平較低。

3.學(xué)科背景的影響

如表4所示，學(xué)科背景對(duì)于研究生在信息檢索、頭腦風(fēng)暴和代碼生成3個(gè)場(chǎng)景中是否使用GenAI有顯著影響，在其他7個(gè)場(chǎng)景中則沒(méi)有顯著影響。與來(lái)自信息學(xué)部的研究生相比，其他學(xué)部研究生在信息檢索和代碼生成場(chǎng)景中使用GenAI的概率存在顯著差異。

在信息檢索場(chǎng)景中，來(lái)自農(nóng)業(yè)生命環(huán)境學(xué)部、醫(yī)學(xué)部、理學(xué)部、人文學(xué)部、社會(huì)科學(xué)學(xué)部和工學(xué)部的研究生使用GenAI的概率比來(lái)自信息學(xué)部的研究生分別低61.5%、55.0%、47.2%、44.3%、33.0%和13.9%。訪談結(jié)果顯示，在信息檢索場(chǎng)景中，部分來(lái)自農(nóng)業(yè)生命環(huán)境學(xué)部和醫(yī)學(xué)部的被訪者（3/16）表示習(xí)慣于使用專業(yè)的數(shù)據(jù)庫(kù)或直接查閱論文來(lái)進(jìn)行信息檢索，如蛋白質(zhì)名稱及結(jié)構(gòu)、致病基因位點(diǎn)等，GenAI在特定專業(yè)領(lǐng)域無(wú)法達(dá)到現(xiàn)有數(shù)據(jù)庫(kù)及論文本身的準(zhǔn)確度和時(shí)效性。

在頭腦風(fēng)暴場(chǎng)景中，學(xué)科背景整體對(duì)研究生是否使用GenAI有顯著影響，但非信息學(xué)部研究生與信息學(xué)部研究生（參照組）在該場(chǎng)景中使用GenAI的概率無(wú)顯著差異。訪談結(jié)果發(fā)現(xiàn)，來(lái)自不同學(xué)部的研究生開展頭腦風(fēng)暴的形式各不相同。人文學(xué)部和社會(huì)科學(xué)學(xué)部的部分被訪者（4/16）表示，他們需要對(duì)一個(gè)研究問(wèn)題進(jìn)行多方面的論證和解釋，因此，他們經(jīng)常使用GenAI來(lái)提出、分析、解釋問(wèn)題以發(fā)散思維，讓自己的思考更全面；來(lái)自理學(xué)部的研究生（2/16）表示，他們的研究側(cè)重公式或證明方法的邏輯推理，GenAI生成的內(nèi)容往往具有一定的不確定性或發(fā)散性，導(dǎo)致他們對(duì)該工具在頭腦風(fēng)暴場(chǎng)景中的依賴程度較低；部分來(lái)自農(nóng)業(yè)生命環(huán)境學(xué)部和醫(yī)學(xué)部的研究生（3/16）認(rèn)為，GenAI無(wú)法生成小眾專業(yè)研究領(lǐng)域的“新鮮”內(nèi)容，因此，他們傾向于采用與導(dǎo)師和同門討論的方式開闊思路。

在代碼生成場(chǎng)景中，相較于來(lái)自信息學(xué)部的研究生，來(lái)自人文學(xué)部、社會(huì)科學(xué)學(xué)部、農(nóng)業(yè)生命環(huán)境學(xué)部、醫(yī)學(xué)部、理學(xué)部和工學(xué)部的研究生使用GenAI的概率分別低88.6%、80.3%、79.4%、73.1%、65.9%和49.3%。訪談結(jié)果部分驗(yàn)證了這一結(jié)果。來(lái)自信息學(xué)部的被訪者表示，他們的研究往往涉及大量編程工作，GenAI能夠有效幫助其生成基礎(chǔ)性代碼。來(lái)自社會(huì)科學(xué)學(xué)部和人文學(xué)部的被訪者（3/16）表示，他們的科研任務(wù)較少涉及生成代碼，除少數(shù)交叉研究需要編寫代碼外，其科研活動(dòng)更多需要翻譯、點(diǎn)擊式軟件分析或?qū)懽飨嚓P(guān)應(yīng)用。部分來(lái)自農(nóng)業(yè)生命環(huán)境學(xué)部和醫(yī)學(xué)部的被訪者（2/16）表示，生物信息學(xué)等交叉研究領(lǐng)域需要編寫代碼來(lái)分析生物問(wèn)題，因此可能會(huì)用到代碼生成，然而，大多數(shù)研究仍采用傳統(tǒng)實(shí)驗(yàn)室做實(shí)驗(yàn)的方式，沒(méi)有生成代碼的需求。

4.人工智能素養(yǎng)水平的影響

如表5所示，人工智能素養(yǎng)水平對(duì)于研究生在科研的文獻(xiàn)翻譯、頭腦風(fēng)暴、文獻(xiàn)綜述、選擇研究問(wèn)題、實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)處理、代碼生成和潤(rùn)色降重8個(gè)場(chǎng)景中是否使用GenAI有顯著影響。

在文獻(xiàn)翻譯場(chǎng)景中，人工智能素養(yǎng)水平每增加一個(gè)單位，研究生使用GenAI的概率會(huì)增加29.4%。訪談結(jié)果顯示，在文獻(xiàn)翻譯場(chǎng)景中使用GenAI需要研究生應(yīng)用GenAI和評(píng)估其生成內(nèi)容的能力；部分被訪者（5/16）表示大語(yǔ)言模型的出現(xiàn)能夠提升翻譯文字的質(zhì)量，用詞更加符合語(yǔ)境，但要人工審查翻譯文字是否為原文表意。

在頭腦風(fēng)暴場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率增加81.9%。訪談結(jié)果顯示，部分被訪者（2/16）認(rèn)為在掌握了提示工程方法后，可以利用GenAI快速生成多視角觀點(diǎn)和想法，拓展自己的思路；部分被訪者（2/16）強(qiáng)調(diào)頭腦風(fēng)暴的目的以及所提供思路是否有幫助應(yīng)由使用者來(lái)評(píng)估。

在文獻(xiàn)綜述場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率增加17.0%。訪談結(jié)果顯示，部分被訪者（2/16）認(rèn)為，在使用GenAI生成文獻(xiàn)綜述之前，應(yīng)花一些時(shí)間來(lái)構(gòu)思提示語(yǔ)，這樣能夠提高生成內(nèi)容質(zhì)量，幫助其更好地了解某一領(lǐng)域概況；另一部分被訪者（4/16）擔(dān)憂GenAI生成錯(cuò)誤信息而選擇通過(guò)閱讀綜述論文來(lái)了解某一領(lǐng)域的研究現(xiàn)狀。

在選擇研究問(wèn)題場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率增加54.0%。訪談結(jié)果顯示，多數(shù)被訪者（13/16）認(rèn)為，能夠評(píng)估GenAI生成內(nèi)容質(zhì)量好壞是合理使用GenAI幫助選擇研究問(wèn)題的前提；自身不能評(píng)估GenAI生成內(nèi)容質(zhì)量的被訪者（4/16）偏向于僅通過(guò)文獻(xiàn)及與導(dǎo)師討論的方式選擇研究問(wèn)題；越是對(duì)GenAI持批判性態(tài)度和有倫理考量的被訪者（4/16），其在選擇研究問(wèn)題場(chǎng)景時(shí)更加強(qiáng)調(diào)研究者自身分析與選擇研究問(wèn)題的重要性，并認(rèn)為研究者的邏輯難以被GenAI取代。

在實(shí)驗(yàn)設(shè)計(jì)場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率增加74.8%。訪談結(jié)果顯示，部分被訪者（3/16）提及因無(wú)法應(yīng)用GenAI生成其所需實(shí)驗(yàn)設(shè)計(jì)而放棄使用的經(jīng)歷；能夠評(píng)估GenAI生成實(shí)驗(yàn)設(shè)計(jì)質(zhì)量的被訪者會(huì)分配部分時(shí)間對(duì)GenAI生成內(nèi)容進(jìn)行人工評(píng)估并在與導(dǎo)師討論前完善自己的實(shí)驗(yàn)設(shè)計(jì)（S3）。

在數(shù)據(jù)處理場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率提升128.5%。訪談結(jié)果顯示，部分被訪者（3/16）認(rèn)為需要具備提示工程或?qū)懘a的能力來(lái)調(diào)用GenAI的接口，才能使用GenAI完成特定的數(shù)據(jù)處理任務(wù)；被訪者S15表示，其導(dǎo)師鼓勵(lì)用GenAI的接口來(lái)進(jìn)行文本數(shù)據(jù)標(biāo)注，最后進(jìn)行人工抽查。

在代碼生成場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率提升122.1%。訪談結(jié)果顯示，工學(xué)部和信息學(xué)部的被訪者（3/16）往往具有更強(qiáng)的人工智能基礎(chǔ)知識(shí)和應(yīng)用技能，而其科研任務(wù)往往涉及代碼編寫，因此更可能在該場(chǎng)景中使用GenAI。

在潤(rùn)色降重場(chǎng)景中，人工智能素養(yǎng)每增加一個(gè)單位，研究生使用GenAI的概率提升51.7%。訪談結(jié)果顯示，應(yīng)用GenAI的能力決定了研究生是否能在科研寫作中利用GenAI提升效率。例如，被訪者S12表示盡管初步嘗試在寫作中使用GenAI，但認(rèn)為大模型生成內(nèi)容偏向于人文社科專業(yè)的論文風(fēng)格，對(duì)于理工科來(lái)說(shuō)“寫得太文藝”；而部分被訪者（3/16）表示會(huì)利用大模型來(lái)改進(jìn)理工科學(xué)術(shù)論文寫作。訪談還發(fā)現(xiàn)，是否使用GenAI進(jìn)行潤(rùn)色降重還受到導(dǎo)師的GenAI使用態(tài)度與狀況的影響。對(duì)GenAI持保守和觀望態(tài)度的導(dǎo)師（5/16），其科研組往往并未過(guò)多在科研中使用GenAI。例如，被訪者S9表示“我導(dǎo)師從來(lái)不用GenAI，都是自己來(lái)（寫論文）的，所以我們課題組的人也沒(méi)用。”相反，部分被訪者（7/16）表示導(dǎo)師鼓勵(lì)并支持在科研中使用GenAI，推薦特定產(chǎn)品，甚至科研組統(tǒng)一購(gòu)買付費(fèi)賬戶。例如，被訪者S1表示導(dǎo)師鼓勵(lì)自己先用GenAI潤(rùn)色一遍再交給其進(jìn)行修改討論。

四、結(jié)論與建議

1.研究結(jié)論

基于對(duì)浙江大學(xué)1226名研究生進(jìn)行問(wèn)卷調(diào)研以及對(duì)16名被調(diào)查者進(jìn)行半結(jié)構(gòu)化訪談，本研究探析了研究生的GenAI使用現(xiàn)狀以及學(xué)科背景和人工智能素養(yǎng)水平對(duì)其在10個(gè)典型科研場(chǎng)景中使用GenAI的影響。研究發(fā)現(xiàn)：絕大多數(shù)研究生都使用過(guò)GenAI，使用頻率最高的GenAI是ChatGTP，其次是New Bing和文心一言。研究生在科研中使用GenAI最多的場(chǎng)景是文獻(xiàn)翻譯，之后依次是信息檢索、文獻(xiàn)綜述、潤(rùn)色降重、方法介紹、代碼生成、頭腦風(fēng)暴、選擇研究問(wèn)題、數(shù)據(jù)處理以及實(shí)驗(yàn)設(shè)計(jì)。研究生的學(xué)科背景對(duì)其在信息檢索、頭腦風(fēng)暴和代碼生成三個(gè)場(chǎng)景中是否使用GenAI有顯著影響。整體而言，研究生的人工智能素養(yǎng)處于一般水平。個(gè)體的人工智能素養(yǎng)對(duì)其在文獻(xiàn)翻譯、頭腦風(fēng)暴、文獻(xiàn)綜述、選擇研究問(wèn)題、實(shí)驗(yàn)設(shè)計(jì)、數(shù)據(jù)處理、代碼生成和潤(rùn)色降重8個(gè)場(chǎng)景中是否使用GenAI有顯著影響。訪談結(jié)果顯示，研究生認(rèn)為能夠評(píng)估GenAI產(chǎn)生的結(jié)果質(zhì)量高低是合理使用GenAI的前提，應(yīng)用GenAI的技巧決定了GenAI輔助科研的效率。除學(xué)科背景和人工智能素養(yǎng)水平外，導(dǎo)師對(duì)GenAI的態(tài)度與使用水平以及高校GenAI資源的開發(fā)與集成情況同樣影響研究生在科研中對(duì)GenAI的使用。

2.研究建議

基于上述發(fā)現(xiàn)，本研究從開發(fā)適配各專業(yè)教科研所需的垂直領(lǐng)域大模型、面向不同學(xué)科背景研究生設(shè)計(jì)融入GenAI使用的課程、全面提升高校師生人工智能素養(yǎng)三方面提出以下建議。

（1）國(guó)內(nèi)高校亟須開發(fā)適配各專業(yè)教科研所需的垂直領(lǐng)域大模型

調(diào)研結(jié)果顯示，超過(guò)八成的研究生最常使用的GenAI產(chǎn)品是ChatGPT，接近四成的研究生還使用了New Bing和國(guó)產(chǎn)通用大語(yǔ)言模型。該結(jié)果與我國(guó)大學(xué)生GenAI使用的調(diào)研結(jié)果一致（李艷等，2024；馬銀琦等，2024）。然而，ChatGPT和New Bing等大模型是面向全球用戶的通用模型，訓(xùn)練的語(yǔ)料以英文為主，內(nèi)容并非專門為教育和科研場(chǎng)景而設(shè)計(jì)，國(guó)產(chǎn)通用大語(yǔ)言模型也是為“通用”而研制的，語(yǔ)料庫(kù)龐雜，很多專業(yè)教育和科研所需內(nèi)容并未涉及。訪談結(jié)果發(fā)現(xiàn)，不同學(xué)科背景學(xué)生（尤其是理工科）一致認(rèn)為，GenAI生成的文字內(nèi)容和風(fēng)格不一定符合其學(xué)術(shù)寫作需求；當(dāng)大模型無(wú)法生成符合預(yù)期的內(nèi)容時(shí)，他們會(huì)放棄使用大模型；高校GenAI資源的開發(fā)與集成情況均影響研究生科研中GenAI的使用。此外，大多數(shù)被訪者均提及以ChatGPT為代表的GenAI的潛在負(fù)面影響，這與前人研究一致（Daher et al.，2024），即大模型被發(fā)現(xiàn)存在幻覺(jué)（Hallucination）、用戶諂媚（Sycophancy）等現(xiàn)象，若研究生未經(jīng)驗(yàn)證和審查就將生成內(nèi)容用于文獻(xiàn)綜述、數(shù)據(jù)處理等科研場(chǎng)景中，可能會(huì)導(dǎo)致學(xué)術(shù)造假（Hwang et al.，2023），其對(duì)研究生科研能力和創(chuàng)新的影響?yīng)q未可知（Sharma et al.，2023）。

由此可見(jiàn)，為充分發(fā)揮GenAI在高校教學(xué)和科研中的作用，國(guó)內(nèi)高校亟須加強(qiáng)合作，通過(guò)最大程度地匯聚專業(yè)優(yōu)質(zhì)資源，開展有利于各專業(yè)教科研的垂直領(lǐng)域大語(yǔ)言模型的研制和開發(fā)。盡管幻覺(jué)現(xiàn)象難以徹底根除，但可以通過(guò)精細(xì)調(diào)試（Fine-Tune）大型語(yǔ)言模型來(lái)減少幻覺(jué)現(xiàn)象的出現(xiàn)頻率，例如優(yōu)化輸入/輸出架構(gòu)、增設(shè)用戶反饋機(jī)制、采用檢索增強(qiáng)生成（RAG）技術(shù)、特定領(lǐng)域的微調(diào)以及結(jié)合帶有人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）等方法（Minaee et al.，2024）。Sovrano等人（2023）將ChatGPT與Achinstein提出的解釋哲學(xué)理論相結(jié)合，設(shè)計(jì)了名為ExplanatoryGPT的模型。該模型不僅生成了互動(dòng)性強(qiáng)、以用戶為中心的解釋，而且在減少幻覺(jué)現(xiàn)象和克服記憶限制方面取得了顯著成效。另一方面，雖然GenAI的幻覺(jué)現(xiàn)象可能會(huì)阻礙學(xué)生對(duì)知識(shí)的準(zhǔn)確理解，但其也可能激發(fā)學(xué)生的創(chuàng)造力（Jiang et al.，2024）。同時(shí)，未來(lái)的研究可以調(diào)研各專業(yè)學(xué)生在科研各環(huán)節(jié)的具體提示需求，通過(guò)將各專業(yè)科研中常用的提示工程封裝在垂直領(lǐng)域大模型中，減少使用大模型的壁壘，更好地提升人機(jī)協(xié)同科研的效率和效果。

（2）高校應(yīng)面向不同學(xué)科背景研究生設(shè)計(jì)融入GenAI使用的課程

本研究發(fā)現(xiàn)，絕大多數(shù)研究生都有過(guò)使用GenAI的經(jīng)歷，其GenAI使用行為呈現(xiàn)出自發(fā)性和先導(dǎo)性的特點(diǎn)，研究生在科研中使用GenAI最多的場(chǎng)景是文獻(xiàn)翻譯和信息檢索，而數(shù)據(jù)處理和實(shí)驗(yàn)設(shè)計(jì)等科研關(guān)鍵步驟中使用GenAI的頻率并不高，這表明當(dāng)前研究生在科研中的GenAI使用還停留在較為淺表的層次。此外，不同學(xué)科背景的研究生在信息檢索、頭腦風(fēng)暴、代碼生成等科研場(chǎng)景中是否使用GenAI存在顯著差異。

考慮到不同學(xué)科背景研究生的先驗(yàn)知識(shí)和對(duì)人工智能知識(shí)技巧需求的差異，高校可以為不同學(xué)科背景的研究生設(shè)計(jì)不同難度的GenAI課程，在不同學(xué)科課程中使用具有學(xué)科特色的GenAI，并鼓勵(lì)研究生自主學(xué)習(xí)相關(guān)知識(shí)技能。例如，來(lái)自信息學(xué)部的研究生通過(guò)已有專業(yè)課程和大量專業(yè)資源了解并學(xué)會(huì)了GenAI的基本知識(shí)和技能。對(duì)于這些學(xué)生，高校可以通過(guò)構(gòu)建學(xué)習(xí)社區(qū)來(lái)發(fā)展他們使用GenAI的高級(jí)技能（Fischer et al.，2006；Hur et al.，2013）。對(duì)于GenAI知識(shí)基礎(chǔ)和應(yīng)用技能較薄弱的研究生，高校可通過(guò)提供分層人工智能選修課程、講座、研討會(huì)及工作坊，將GenAI基本知識(shí)和使用技能融入其教學(xué)活動(dòng)中。

（3）高校應(yīng)全面提升師生人工智能素養(yǎng)以激發(fā)科研創(chuàng)新

調(diào)研和訪談結(jié)果顯示，研究生人工智能素養(yǎng)處于一般水平。而研究生的人工智能素養(yǎng)顯著影響8個(gè)典型科研場(chǎng)景中研究生是否使用GenAI。該結(jié)果表明提升大學(xué)生人工智能素養(yǎng)是智能時(shí)代高校科研轉(zhuǎn)型的關(guān)鍵路徑之一（Kelly et al.，2023）。訪談結(jié)果還發(fā)現(xiàn)，研究生導(dǎo)師對(duì)GenAI的態(tài)度及使用水平也會(huì)影響其科研中GenAI的使用。GenAI對(duì)研究生導(dǎo)師在知識(shí)傳授方面的要求逐漸弱化，對(duì)導(dǎo)師的角色和能力結(jié)構(gòu)提出了新的要求（王喆等，2023）。在智能時(shí)代，研究生導(dǎo)師一方面需要通過(guò)學(xué)習(xí)培訓(xùn)、開展教改和科研項(xiàng)目來(lái)持續(xù)提升自身的人工智能素養(yǎng)水平，以適應(yīng)新時(shí)代的教學(xué)和科研創(chuàng)新需求。另一方面，研究生導(dǎo)師需要持續(xù)引導(dǎo)學(xué)生對(duì)GenAI的正確使用并關(guān)注其人工智能素養(yǎng)的提升。例如，研究生導(dǎo)師可以引導(dǎo)研究生辯證思考GenAI對(duì)研究工作帶來(lái)的變革，討論如何發(fā)揮GenAI的潛在優(yōu)勢(shì)以提升科研創(chuàng)新能力和質(zhì)量；通過(guò)強(qiáng)調(diào)學(xué)術(shù)道德和學(xué)術(shù)誠(chéng)信，引導(dǎo)研究生在科研中正確使用GenAI。

訪談結(jié)果顯示，被訪者會(huì)通過(guò)社交媒體等渠道自主學(xué)習(xí)GenAI相關(guān)知識(shí)技能。這說(shuō)明研究生群體有提升自身人工智能素養(yǎng)的要求。高校可以通過(guò)組織課程和培訓(xùn)活動(dòng)來(lái)全面提升研究生人工智能素養(yǎng)。例如，教師可以鼓勵(lì)研究生在課程中使用GenAI，報(bào)告其使用體驗(yàn)并引導(dǎo)其思考使用GenAI的利弊。以代碼生成場(chǎng)景為例，問(wèn)卷和訪談顯示信息學(xué)部和工學(xué)部的多數(shù)研究生會(huì)利用GenAI生成代碼來(lái)提升效率。已有研究建議使用者在利用GenAI生成代碼時(shí)，不僅應(yīng)注解其生成的代碼，還應(yīng)解釋GenAI模型本身，如使用約束的信息、生成代碼正確性指標(biāo)、代碼效率等（Sun et al.，2022；Prather et al.，2023）。此外，高校圖書館也可以開展面向研究生群體的GenAI使用培訓(xùn)，幫助研究生在科研中合理規(guī)范地使用GenAI。如在針對(duì)潤(rùn)色降重（寫作）的培訓(xùn)中，培訓(xùn)者可以初步介紹GenAI的基本原理，指導(dǎo)研究生有效提示大語(yǔ)言模型潤(rùn)色其寫作，比較和反思個(gè)人原創(chuàng)寫作與潤(rùn)色后內(nèi)容差異，進(jìn)而提升研究生學(xué)術(shù)寫作能力（Tseng et al.，2023）。通過(guò)各種校內(nèi)教育和培訓(xùn)活動(dòng)，全面提升高校各學(xué)科背景師生的人工智能素養(yǎng)，對(duì)于智能時(shí)代高校科研創(chuàng)新和人才培養(yǎng)意義重大。

參考文獻(xiàn)：

[1]陳銘（2024）.人工智能時(shí)代生物信息學(xué)學(xué)科發(fā)展和人才培養(yǎng)模式研究[J].人民論壇·學(xué)術(shù)前沿，（16）：21-27.

[2]陳娬（2010）.混合方法研究：遠(yuǎn)程教育值得推廣的研究范式[J].現(xiàn)代遠(yuǎn)距離教育，（5）：26-29.

[3]李國(guó)杰（2024）.智能化科研（AI4R）：第五科研范式[J].中國(guó)科學(xué)院院刊，39（1）：1-9.

[4]李艷，許潔，賈程媛等（2024）.大學(xué)生生成式人工智能應(yīng)用現(xiàn)狀與思考——基于浙江大學(xué)的調(diào)查[J].開放教育研究，30（1）：89-98.

[5]羅怡帆，劉一迪，儲(chǔ)節(jié)旺（2024）.信息資源管理研究生使用AIGC工具的科研行為影響因素研究[J/OL].[2024-12-22].圖書館雜志：1-13.http：//kns.cnki.net/kcms/detail/31.1108.G2.

20241218.1648.004.html.

[6]馬銀琦，黃恒，毋磊等（2024）.“技術(shù)賦能”還是“工具依賴”：生成式人工智能對(duì)研究生科研創(chuàng)新力的影響研究[J].電化教育研究，45（12）：58-66.

[7]王喆，夏清泉（2023）.生成式人工智能對(duì)研究生師生角色的消解與重構(gòu)[J].研究生教育研究，（5）：48-54.

[8]吳青，劉毓文（2023）.ChatGPT時(shí)代的高等教育應(yīng)對(duì)：禁止還是變革[J].高校教育管理，17（3）：32-41.

[9]徐嵐，魏慶義，嚴(yán)弋（2023）.學(xué)術(shù)倫理視角下高校使用生成式人工智能的策略與原則[J].教育發(fā)展研究，43（19）：49-60.

[10]趙悅（2024）.如何監(jiān)管生成式人工智能在科學(xué)研究中的應(yīng)用：風(fēng)險(xiǎn)與策略——基于歐盟和美國(guó)人工智能政策的分析[J].現(xiàn)代遠(yuǎn)程教育研究，36（6）：20-29.

[11]周文輝，趙金敏（2024）.ChatGPT對(duì)研究生創(chuàng)新能力培養(yǎng)的價(jià)值與挑戰(zhàn)[J].高校教育管理，18（2）：42-52.

[12]Acosta-Enriquez， B. G.， Farro?an， E. V. R.， amp; Zapata， L. I. V.， et al. （2024）. Acceptance of Artificial Intelligence in University Contexts： A Conceptual Analysis Based on UTAUT2 Theory[J]. Heliyon， 10（9）：e11750.

[13]Al-Abdullatif， A. M. （2024）. Modeling Teachers’ Acceptance of Generative Artificial Intelligence Use in Higher Education： The Role of AI Literacy， Intelligent TPACK， and Perceived Trust[J]. Education Sciences， 14（11）：1209.

[14]Atlas， S. （2023）. ChatGPT for Higher Education and Professional Development： A Guide to Conversational AI[EB/OL]. [2023-07-10]. https：//digitalcommons.uri.edu/cba_facpubs/548.

[15]Chan， C. K. Y.， amp; Zhou， W. （2023）. An Expectancy Value Theory （EVT） Based Instrument for Measuring Student Perceptions of Generative AI[J]. Smart Learning Environment， 10（64）：1-22.

[16]Daher， W.， amp; Hussein， A. （2024）. Higher Education Students’Perceptions of GenAI Tools for Learning[J]. Information（2078-2489）， 15（7）：416.

[17]Fischer， G.， amp; Sugimoto， M. （2006）. Supporting Self-Directed Learners and Learning Communities with Sociotechnical Environments[J]. Research and Practice in Technology Enhanced Learning， 1（1）：31-64.

[18]Hayes， A. F.， amp; Matthes， J. （2009）. Computational Procedures for Probing Interactions in OLS and Logistic Regression： SPSS and SAS Implementations[J]. Behavior Research Methods， 41（3）：924-936.

[19]Hur， Y. J.， amp; Lee， S. Y. （2013）. Difference in Characteristics of Self-Directed Learning Readiness in Students Participating in Learning Communities[J]. Health Science， 33：135-140.

[20]Hwang， S. I.， Lim， J. S.， amp; Lee， R. W. et al. （2023）. Is ChatGPT a “Fire of Prometheus”for Non-Native English-Speaking Researchers in Academic Writing？[J]. Korean Journal of Radiology， 24（10）：952.

[21]Imran， M.， amp; Almusharraf， N. （2023）. Analyzing the Role of ChatGPT as a Writing Assistant at Higher Education Level： A Systematic Review of the Literature[J]. Contemporary Educational Technology， 15（4）： ep464.

[22]Jiang， X.， Li.， J.， amp; Chen， C. H. （2024）. Enhancing Critical Thinking Skills with ChatGPT-Powered Activities in Chinese Language Classrooms[J]. International Journal of Chinese Language Teaching， 5（1）：47-73.

[23]Kandlhofer， M.， Steinbauer， G.， amp; Hirschmugl-Gaisch， S. et al. （2016）. Artificial Intelligence and Computer Science in Education： From Kindergarten to University[C]// 2016 IEEE Frontiers in Education Conference （FIE）. San Diego： IEEE：1-9.

[24]Kelly， A.， Sullivan， M.， amp; Strampel， K. （2023）. Generative Artificial Intelligence： University Student Awareness， Experience， and Confidence in Use Across Disciplines[J]. Journal of University Teaching amp; Learning Practice， 20（6）：1-16.

[25]Kock， N.， amp; Lynn， G. S. （2012）. Lateral Collinearity and Misleading Results in Variance-Based SEM： An Illustration and Recommendations[J]. Journal of the Association for information Systems， 13（7）：546-580.

[26]Menard， S. （2002）. Applied Logistic Regression Analysis （No. 106）[M]. Thousand Oaks： Sage Publications：17-24.

[27]Minaee， S.， Mikolov， T.， amp; Nikzad， N. et al. （2024）. Large Language Models： A Survey[EB/OL]. [2024-12-01].

https：//doi.org/10.48550/arXiv.2402.06196.

[28]Ng， D. T. K.， Leung， J. K. L.， amp; Chu， S. K. W. et al. （2021）. Conceptualizing AI Literacy： An Exploratory Review[J]. Computers and Education： Artificial Intelligence， 2：100041.

[29]Prather， J.， Denny， P.， amp; Leinonen， J. et al. （2023）. The Robots Are Here： Navigating the Generative AI Revolution in Computing Education[C]// Proceedings of the 2023 Working Group Reports on Innovation and Technology in Computer Science Education. New York： ACM：108-159.

[30]Qu， Y.， Tan， M. X. Y.， amp; Wang， J. （2024）. Disciplinary Differences in Undergraduate Students’Engagement with Generative Artificial Intelligence[J]. Smart Learning Environments， 11（1）：1-18.

[31]Rahman， M. M.， amp; Watanobe， Y. （2023）. ChatGPT for Education and Research： Opportunities， Threats， and Strategies[J]. Applied Sciences， 13（9）：1-12.

[32]Sharma， M.， Tong， M.， amp; Korbak， T. et al. （2023）. Towards Understanding Sycophancy in Language Models[EB/OL]. [2023-12-01]. https：//doi.org/10.48550/arXiv.2310.13548.

[33]Sovrano， F.， Ashley， K.， amp; Bacchelli， A. （2023）. Toward Eliminating Hallucinations： GPT-Based Explanatory AI for Intelligent Textbooks and Documentation[C]// CEUR Workshop Proceedings （Vol. 3444）. Aachen： CEUR-WS：54-65.

[34]Sun， J.， Liao， Q. V.， amp; Muller， M. et al. （2022）. Investigating Explainability of Generative AI for Code Through Scenario-Based Design[C]// Proceedings of the 27th International Conference on Intelligent User Interfaces. New York： ACM：212-228.

[35]Tseng， W.， amp; Warschauer， M. （2023）. AI-Writing Tools in Education： If You Can’t Beat Them， Join Them[J]. Journal of China Computer-Assisted Language Learning， 3（2）：258-262.

[36]UNESCO IESALC （2023）. ChatGPT and Artificial Intelligence in Higher Education： Quick Start Guide[EB/OL]. [2024-12-23]. https：//unesdoc.unesco.org/ark：/48223/pf0000385146.

[37]Wang， B.， Rau， P. L. P.， amp; Yuan， T. （2023）. Measuring User Competence in Using Artificial Intelligence： Validity and Reliability of Artificial Intelligence Literacy Scale[J]. Behaviour amp; Information Technology， 42（9）：1324-1337.

[38]Zhao， L.， Wu， X.， amp; Luo， H. （2022）. Developing AI Literacy for Primary and Middle School Teachers in China： Based on a Structural Equation Modeling Analysis[J]. Sustainability， 14（21）：1-16.

收稿日期 2024-09-30 責(zé)任編輯 楊銳

Analysis of Variability in the Use of Generative Artificial Intelligence in Typical Research Scenarios： The Influence of Disciplinary Background and AI Literacy

LI Yan， ZHU Yumeng， SUN Dan， XU Jie， ZHAI Xuesong

Abstract： The advancement of intelligent technologies， represented by generative artificial intelligence （GenAI）， has facilitated a paradigm shift in scientific research and contributed to the resolution of complex research problems. Analyzing the variability in the use of GenAI in research contexts and its influencing factors is essential for fostering the development of intelligent research in higher education institutions. Based on a survey of 1，226 graduate students at Zhejiang University， the study reveals that the four most frequently utilized research scenarios for GenAI are literature translation， information retrieval， literature review， and language refinement and text simplification. Disciplinary background significantly influences graduate students’ use of GenAI in the scenarios of information retrieval， brainstorming and code generation. AI literacy exerts a significant impact on its use in literature translation， brainstorming， literature review， research question selection， experimental design， data processing， code generation， and language refinement and text simplification. Furthermore， interviews with a subset of graduate students indicate that the ability to assess the quality of GenAI-generated content is a prerequisite for its appropriate use; proficiency in GenAI application techniques determines its efficiency in supporting research. In addition to disciplinary background and AI literacy， factors such as advisors’ attitudes toward and proficiency in GenAI， as well as universities’ efforts in developing and integrating GenAI resources， also shape its adoption in research. To enhance graduate students’ ability to leverage GenAI for high-quality research and innovation， it is recommended that universities develop domain-specific large models tailored to the needs of various disciplines， design courses that integrate GenAI use based on students’ disciplinary backgrounds， and comprehensively enhance AI literacy among faculty and students.

Keywords： Generative AI; AI literacy; Research Scenario; Disciplinary Background