AI Receptivity or AI Adoption Breadth? A Tool-Specific Reanalysis of the Lower-Literacy/Higher-Usage Link

Door publieke gegevens van Tully et al. (2025) opnieuw te analyseren, toont deze studie aan dat de gerapporteerde link tussen een lagere AI-geletterdheid en een grotere AI-receptiviteit geen algemeen fenomeen is, maar een specifiek patroon waarbij een lagere geletterdheid een bredere adoptie van niet-tekstgebaseerde AI-tools voorspelt, terwijl er geen significante associatie wordt aangetoond met het gebruik van tekstgebaseerde AI.

De kern

Stel je een studie voor die beweerde: "Mensen die minder weten over hoe een automotor werkt, zijn eigenlijk eerder geneigd om auto's te besturen." De oorspronkelijke onderzoekers vonden dit waar wanneer ze naar alle rijgewoonten gecombineerd keken.

Dit nieuwe artikel is als een monteur die bij diezelfde studie aankomt en zegt: "Wacht eens even. Laten we eens beter kijken naar wat voor soort rijden ze doen."

De auteur, Hristo Inouzhe, neemt de originele gegevens en verdeelt deze in twee zeer verschillende categorieën van "rijden":

1. De "Snelweg" (Tekst AI): Tools zoals ChatGPT die voor je schrijven. Deze zijn erg populair; bijna iedereen heeft ze wel eens geprobeerd, en mensen gebruiken ze vaak.
2. De "Off-road paden" (Niet-Tekst AI): Tools die afbeeldingen genereren, websites bouwen of gezondheidsapps beheren. Deze zijn veel nieuwer en minder bekend; de meeste mensen hebben ze nog nooit eens geprobeerd.

Dit is wat de heranalyse heeft gevonden, met behulp van eenvoudige analogieën:

1. Het "Gemiddelde" Verhulde de Waarheid

De oorspronkelijke studie nam de antwoorden voor al deze verschillende tools en middelde deze tot één grote score, zoals het mengen van rode, blauwe en gele verf om een modderbruine kleur te krijgen. Ze zagen een duidelijk patroon: Lagere kennis = Meer gebruik.

Maar de auteur stelt dat het mengen van deze verven de feiten verbergt, aangezien de kleuren eigenlijk heel verschillend zijn. Wanneer je de "Tekst AI"-verf scheidt van de "Niet-Tekst AI"-verf, verandert het beeld volledig.

2. Het "Tekst AI"-resultaat: Een Vlakke Weg

Wanneer er alleen naar schrijfassistenten (zo zoals ChatGPT) wordt gekeken, verdwijnt de link tussen lage kennis en hoog gebruik bijna volledig.

• De Analogie: Stel je een vlakke weg voor. Of je nu een rij-expert bent of een absolute beginner, je bent even waarschijnlijk om op deze specifieke snelweg een auto te besturen. Weten hoe de motor werkt, verandert er voor deze specifieke taak niet echt iets aan of je wel of niet in de auto stapt.

3. Het "Niet-Tekst AI"-resultaat: Een Steile Heuvel

Wanneer men naar de andere tools kijkt (afbeeldingsgeneratoren, gezondheidsapps, etc.), is het oorspronkelijke patroon erg sterk, maar met een draai.

• De Analogie: Stel je een steile heuvel voor. Mensen met lage kennis zijn veel eerder geneigd om een stap op het pad te zetten en deze tools te proberen. Mensen met hoge kennis zijn veel eerder geneigd om onderaan te blijven staan en te zeggen: "Dat heb ik nog nooit geprobeerd."
• De Nuance: De studie laat zien dat mensen met een lage kennis eerder geneigd zijn om deze tools te proberen (adoptie), maar het bewijst niet dat ze ze ook vaker of intensiever gebruiken zodra ze ermee beginnen. Het is het verschil tussen een kaartje kopen voor een pretpark (het proberen) versus elke achtbaan vijf keer per dag rijden (intensief gebruik). De groep met lage kennis is beter in het kopen van het kaartje, niet noodzakelijkerwijs in het rijden op de attracties.

De Belangrijkste Conclusie

De oorspronkelijke studie beweerde: "Mensen die minder weten van AI, staan over het algemeen meer open voor het gebruik ervan."

Dit artikel zegt: "Dat is slechts de helft van het verhaal. Het is nauwkeuriger om te zeggen: Mensen die minder weten van AI, zijn eerder geneigd om de nieuwere, vreemdere en minder bekende AI-tools uit te proberen."

Wanneer het gaat om de tools die iedereen al kent en gebruikt (zoals schrijfassistenten), maakt het niet uit of mensen veel of weinig weten over AI voor het gebruik ervan. De "magie" van AI lijkt alleen de minder ingewijde groep aan te trekken wanneer het instrument iets nieuws en onbekends is, zoals een beeldgenerator of een gezondheidsbot.

Kortom: De oorspronkelijke studie zag een menigte mensen die naar een gebouw liepen. Dit artikel wijst erop dat de menigte eigenlijk uit twee verschillende groepen bestaat: de ene groep loopt naar binnen omdat ze van het gebouw houden (Tekst AI), en de andere groep loopt naar binnen omdat ze nieuwsgierig zijn naar een vreemde, nieuwe deur die ze nog nooit eerder hebben gezien (Niet-Tekst AI). De "nieuwsgierige" groep is degene die wordt gedreven door lage kennis, niet de "liefhebbers"-groep.

Technische samenvatting

Technische Samenvatting: AI-receptiviteit of AI-adoptiebreedte?

Probleemstelling
Dit artikel heranalyseert gegevens uit Studie 3 van Tully et al. (2025), die een contra-intuïtieve negatieve associatie rapporteerden tussen AI-geletterdheid en AI-receptiviteit (d.w.z. lagere geletterdheid voorspelt hoger gebruik). De oorspronkelijke studie aggregeerde zelfgerapporteerde gebruiksfrequenties over vijf heterogene AI-toolcategorieën (afbeeldingsgeneratoren, productiviteitstools, designservices, gezondheidsapps en schrijfassistenten) tot een enkele continue index. De auteurs van deze heranalyse stellen dat deze aggregatie substantiële heterogeniteit maskeert. Specifiek verzwakt de oorspronkelijke methodologie twee verschillende gedragsprocessen: (1) de intensiteit van gebruik voor bekende tools (tekst-AI) en (2) de adoptiebreedte voor minder bekende tools (niet-tekst AI). Bovendien behandelt de oorspronkelijke benadering ordinale Likert-schaalgegevens (1–5 frequentie) als metrisch, een praktijk die volgens de methodologische literatuur (Liddell & Kruschke, 2018; Agresti, 2010) de effectschattingen kan verstoren.

Methodologie
De auteurs hebben de publieke gegevens van Tully et al.'s Studie 3 ($N=401$) opnieuw onderzocht met een meer genuanceerde, tool-specifieke aanpak.

• Data: Vijf gebruiksfrequentie-items (1=Nooit tot 5=Wekelijks) en een AI-geletterdheidsscore (som van 17 correcte antwoorden).
• Modelfamilies: Om de ordinale aard van de gegevens en het aggregatieprobleem aan te pakken, pasten de auteurs vier modelfamilies toe:
  1. OLS: Op gemiddelden op deelnemersniveau (replicatie van de oorspronkelijke specificatie).
  2. Binair Logit: Op item-niveau met taak-fixed effects, waarbij twee drempels werden getest: "frequent gebruik" ($Y>3$) en "adoptie" ($Y>1$).
  3. Geordend Logit (Proportional-Odds): De primaire specificatie voor ordinale Likert-responsen.
  4. Multinomiaal Logit: Een stresstest waarbij categorieën als nominaal werden behandeld zonder ordeningsaannames.
• Controles: De primaire specificatie corrigeerde voor leeftijd, inkomen, algemene kennis, motivatie voor autonomie en geslacht. Een robuustheidscontrole maakte gebruik van de controle-set uit de oorspronkelijke studie (technologische gereedheid, algemene kennis, motivatie voor autonomie, geslacht).
• Decompositie: De analyse splitste de data op in "Tekst-AI" (schrijfassistenten) en "Niet-Tekst AI" (de overige vier categorieën), waarbij werd erkend dat tekst-AI een goed gevulde distributie had over alle frequentieniveaus, terwijl niet-tekst tools sterk geconcentreerd waren bij de "Nooit"-respons.

Belangrijkste Resultaten

1. Replicatie van het geaggregeerde effect: De auteurs reproduceerden succesvol de oorspronkelijke negatieve associatie tussen AI-geletterdheid en geaggregeerd AI-gebruik over alle modelfamilies (OLS, binair, geordend en multinomiaal logit).
2. Heterogeniteit naar type tool: Bij decompositie week de relatie significant af:
   • Tekst-AI: AI-geletterdheid was geen significante voorspeller van tekst-AI-gebruik in de demografisch aangepaste specificatie (Geordend Logit $\beta = -0,090, p = ,387$). De relatie was zwak en specificatiesensitief, en werd pas significant onder de specifieke controle-set van de oorspronkelijke studie.
   • Niet-Tekst AI: AI-geletterdheid was een sterke, robuuste negatieve voorspeller van niet-tekst AI-gebruik (Geordend Logit $\beta = -0,377, p < ,001$ in de primaire specificatie; $\beta = -0,502, p < ,001$ in de oorspronkelijke controle-specificatie).
3. Adoptie versus Intensiteit: Het niet-tekst effect wordt primair gedreven door de adoptiemarge (of een gebruiker een tool ooit heeft geprobeerd) in plaats van de intensiteitsmarge (frequentie van gebruik). De odds ratio voor het ooit hebben gebruikt van een niet-tekst AI-tool was 0,68 per standaarddeviatie toename in geletterdheid.
4. Voorspelde Waarschijnlijkheden: Visuele analyse toonde aan dat voor niet-tekst tools een hogere geletterdheid sterk voorspelde dat de kans op nooit gebruik maken van de tool toenam (stijgend van 50% naar 82% over het bereik van geletterdheid). Voor tekst-AI bleef de waarschijnlijkheid van niet-gebruik relatief vlak.

Belangrijkste Bijdragen

• Methodologisch: Het artikel demonstreert dat het middelen van heterogene ordinale items in een enkele index verschillende gedragsmechanismen kan verhullen. Het pleit voor het modelleren van ordinale adoptiegegevens met geordende-logit of binaire-logit specificaties in plaats van OLS op gemiddelde indices.
• Inhoudelijk: Het verfijnt de interpretatie van de claim "lagere geletterdheid, hogere receptiviteit". Het bewijs ondersteunt niet de algemene tendens dat consumenten met een lage geletterdheid breder ontvankelijk zijn voor AI. In plaats daarvan wijst het op een specifiek patroon: consumenten met een lagere geletterdheid zijn eerder geneigd om (geadopteerd te hebben) laag-penetratie, niet-tekst AI-tools (bijv. afbeeldingsgeneratoren, gezondheidsapps) te proberen, maar dit strekt zich niet uit tot intensief gebruik van hoog-penetratie teksttools.

Betekenis en Claims
Het artikel claimt dat Studie 3, die zelfgerapporteerd historisch gebruik meet in plaats van geuite voorkeuren, de breedste interpretatie van de theoretische claim van Tully et al. (dat lagere geletterdheid de algemene AI-receptiviteit verhoogt door "magische" percepties) niet ondersteunt.

• Interpretatie: De geaggregeerde coëfficiënt is een composiet van een zwak tekst-AI intensiteitseffect en een sterk niet-tekst AI adoptie-effect.
• Manageriale Implicatie: De bevinding verfijnt de strategische aanbeveling voor bedrijven. Het targeten van consumenten met een lage geletterdheid kan effectief zijn voor het werven van gebruikers voor nieuwe of laag-penetratie niet-tekst AI-categorieën, maar het voorspelt niet noodzakelijkerwijs een hogere intensiteit van gebruik of receptiviteit voor gevestigde tekstgebaseerde assistenten.
• Constructvaliditeit: Het artikel suggereert dat "AI-receptiviteit" mogelijk geen unitaire latente eigenschap is, maar een familie van tool-specifieke beslissingen met verschillende drijfveren.

De auteurs concluderen dat hoewel de geaggregeerde statistische associatie reëel is, de inhoudelijke betekenis verandert wanneer deze wordt gedecomposeerd, waarbij de focus verschuift van een algemene psychologische eigenschap naar een specifiek patroon van adoptiebreedte over heterogene toolcategorieën.