💻 computer science

Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Purposes

该研究基于 UTAUT2 模型，通过对 188 名软件工程师的问卷调查和结构方程模型分析，揭示了个体认知与行为因素如何差异化地影响大型语言模型在软件工程不同具体任务（如生成工件、决策支持等）中的采纳行为。

原作者： Stefano Lambiase, Gemma Catolino, Fabio Palomba, Filomena Ferrucci, Daniel Russo

发布于 2026-04-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Stefano Lambiase, Gemma Catolino, Fabio Palomba, Filomena Ferrucci, Daniel Russo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一份**“软件工程师使用 AI 助手（大语言模型，LLM）的‘使用心理地图’"**。

想象一下，软件工程师们正在使用一种超级智能的“数字副驾驶”（比如 GitHub Copilot 或 ChatGPT）来写代码、查资料或做决定。以前，大家只关心“大家用不用这个副驾驶”，但这篇论文问了一个更深层的问题：“为什么有的工程师喜欢用它来‘写代码’，有的却只喜欢用它来‘查资料’？到底是什么心理在驱动这些不同的选择？”

为了回答这个问题，作者们调查了 188 位软件工程师，并画出了一张复杂的“心理地图”。以下是用大白话和比喻为你解读的核心发现：

1. 核心发现：习惯是“万能钥匙”，但不同任务需要不同的“钥匙孔”

研究发现，虽然大家使用 AI 的原因各不相同，但有一个因素在所有情况下都是最强的驱动力：

习惯（Habit）： 就像你每天早上刷牙不需要思考一样，如果工程师已经习惯了在写代码时顺手问 AI 一句，他们就会一直用。这是最强大的力量，无论用来干什么（写代码、查资料、做决定），“用惯了”比“觉得它好”更重要。

2. 五种不同的“使用场景”与背后的心理

作者把工程师用 AI 的目的分成了五类，每一类背后的心理逻辑都不一样：

🛠️ 场景一：生成或修改代码（像“自动组装乐高”）

现象： 这是最普遍的使用方式。
心理： 几乎不需要什么特别的理由。只要习惯了，或者工具方便（比如直接插在代码编辑器里），大家就会用。
比喻： 这就像你开车时自动踩刹车。不需要思考“刹车好不好用”，只要车里有刹车，你习惯了就会用。
建议： 把 AI 工具像“螺丝钉”一样无缝嵌入到工程师的日常工具（IDE）里，让大家无感地习惯它。

🔄 场景二：生成代码的“替代方案”（像“让 AI 帮你换个发型”）

现象： 让 AI 提供几种不同的写法。
心理： 这里**“好不好用”（易用性）**变得很重要。如果让 AI 换个写法太麻烦、步骤太多，工程师就不愿意用了。
比喻： 就像你想换个发型，如果理发师说“先填表、再排队、等三天”，你肯定不去了。但如果理发师就在你旁边，说“换个发型？点一下就行”，你马上就会试。
建议： 工具设计要极其简单，点一下就能出结果，不要增加额外负担。

📚 场景三：查资料（像“在图书馆问图书管理员”）

现象： 用 AI 搜索技术文档或论坛信息。
心理： 这里**“别人怎么说”（社会影响）**起了大作用！如果同事或领导说“这个 AI 查资料很准”，大家就会跟着用。
比喻： 就像你想知道哪家餐厅好吃，如果你看到大家都排队，你也会去。如果没人推荐，你可能不敢随便进一家新馆子。
建议： 公司里要培养“意见领袖”，让资深工程师带头分享“用 AI 查资料”的成功案例，带动大家。

⚖️ 场景四：辅助做决定（像“让 AI 当军师”）

现象： 在架构设计或技术选型时，让 AI 给建议。
心理： 这是一个高风险场景。大家非常看重**“习惯”和“易用性”，但有趣的是，“公司支持度”**反而成了负面因素！
反直觉发现： 如果公司提供了太多现成的传统资源（比如完善的内部文档库、老专家），工程师反而不太愿意用 AI 做决定。
比喻： 如果你家里有个无所不知的“老管家”（传统资源），你就不太会去问那个“新来的 AI 机器人”该不该买股票。只有当老管家不在，或者你习惯了问 AI 时，你才敢让它做主。
建议： 要让 AI 的建议看起来非常可靠（比如标注来源、给出置信度），并且要让大家觉得“问 AI"是决策流程中自然的一部分。

🎓 场景五：学习新技能（像“让 AI 当私教”）

现象： 用 AI 学习新概念。
心理： 这是最难解释的。除了习惯，其他因素都不太明显。而且，如果公司提供了很多传统培训资源，大家反而不太用 AI 来学习。
比喻： 就像如果你学校里有专门的图书馆和名师，你可能就不太愿意去问那个“智能问答机器人”怎么学微积分了。
建议： 需要更多研究，但目前的策略是鼓励大家养成“遇到问题先问 AI"的习惯。

3. 总结与启示

这篇论文告诉我们：不要试图用一种方法让所有人用 AI 做所有事。

对于写代码： 只要方便和习惯就好。
对于查资料： 要靠同事推荐和口碑。
对于做决定： 要靠信任和可靠性，且要注意不要让大家觉得“传统方法”比 AI 好太多。

给管理者的“大白话”建议：
如果你想让团队用好 AI，别只发一个通用的通知。

想让他们写代码？把工具装进他们的电脑，让他们用得顺手。
想让他们查资料？找几个技术大牛带头用，让大家看到效果。
想让他们做决定？确保 AI 给出的建议靠谱，并且告诉大家“问 AI"是安全的。

一句话总结：
AI 在软件行业不是“一刀切”的神器，它更像是一个多面手。只有当工程师习惯了它，并且觉得它在特定场景下既好用又可信（或者大家都用）时，它才能真正发挥魔力。

论文技术总结：探索软件工程中特定目的采用大语言模型（LLM）的个人因素

1. 研究背景与问题 (Problem)

随着大语言模型（LLM）在软件工程（SE）领域的广泛应用，研究已从关注整体采用趋势转向理解其在具体开发任务中的角色。尽管现有文献（如 Khojah 等人提出的框架）已识别出 LLM 在 SE 中的五种主要用途（如工件生成、决策支持、信息检索等），但缺乏对驱动这些特定用途采用的个人认知和行为因素的深入理解。

现有的研究多集中于通用的技术接受模型（如 UTAUT2）在整体 LLM 采用上的应用，忽略了不同开发目的（Purpose-specific）下，影响工程师决策的个人因素可能存在显著差异。这种知识空白阻碍了：

开发符合工程师特定需求的定制化 LLM 系统（如生成式 AI 代理）。
团队领导者制定针对特定工作流的有效采用策略。

核心研究问题 (RQ)： 哪些个人因素影响了开发人员选择将 LLM 用于特定的软件工程目的？

2. 研究方法 (Methodology)

本研究采用定量研究方法，基于结构方程模型（SEM）进行假设检验。

理论框架：
- 自变量（个人画像）： 采用 UTAUT2（技术接受与使用统一理论 2）模型，包含七个核心构念：绩效期望 (PE)、努力期望 (EE)、社会影响 (SI)、享乐动机 (HM)、促进条件 (FC)、习惯 (Hb) 和行为意向 (BI)。
- 因变量（特定用途）： 基于 Khojah 等人的框架，将 LLM 在 SE 中的用途细分为五个具体类别：
  1. 操纵工件 (UB1)： 生成或修改代码、文档等。
  2. 生成替代方案 (UB2)： 生成同一工件的不同版本。
  3. 信息检索 (UB3)： 从外部来源提取和综合信息。
  4. 决策支持 (UB4)： 辅助决策制定。
  5. 培训 (UB5)： 学习新概念。
数据收集：
- 样本： 通过 Prolific 平台招募了 188 名 具有 LLM 使用经验的软件工程师（涵盖开发者、项目经理、数据工程师等角色）。
- 工具： 使用经过验证的问卷，结合 PLS-SEM（偏最小二乘法结构方程模型）进行分析。
- 分析工具： SmartPLS。
分析策略：
- 评估测量模型（信度、效度）。
- 评估结构模型，分析直接效应、间接效应（通过 BI 和通用使用行为 UB 中介）及总效应。
- 特别关注不同用途下各驱动因素的显著性差异。

3. 关键贡献 (Key Contributions)

目的特异性视角的突破： 首次系统性地揭示了 UTAUT2 构念对 LLM 在五种不同 SE 用途上的差异化影响，证明了“一刀切”的采用模型不足以解释复杂的 LLM 集成现象。
习惯的核心地位： 确认了习惯 (Habit) 是预测所有类型 AI 支持行为的最强指标，超越了传统的绩效期望或社会影响。
社会影响的边界条件： 修正了以往认为社会影响在 LLM 采用中作用有限的观点，发现其在信息检索和决策支持等需要共享上下文或信任验证的场景中起关键作用。
促进条件的非一致性影响： 揭示了促进条件（组织/技术支持）对实际使用有直接影响，但并不总是正向影响采用意向，甚至在某些决策场景下呈现负相关。
实践指南： 为组织提供了针对不同开发任务（如代码生成 vs. 决策制定）的差异化推广策略。

4. 主要研究结果 (Results)

通过 PLS-SEM 分析，得出了以下关键发现（详见表 4 和表 5）：

用途类别	关键驱动因素	关键发现与反直觉现象
UB1: 操纵工件 (生成/修改代码)	习惯 (Hb) 促进条件 (FC) (间接)	受外部因素影响最小。这是一个高度惯例化的场景，主要依赖习惯和通用使用频率。
UB2: 生成替代方案	习惯 (Hb) 努力期望 (EE)	努力期望起关键作用：如果认为工具难用，工程师会拒绝生成替代方案。绩效期望 (PE) 在此处呈现竞争性中介的负向影响。
UB3: 信息检索	社会影响 (SI) 习惯 (Hb) 努力期望 (EE)	社会影响 (SI) 具有显著的直接正向影响（非中介）。这意味着在检索信息时，同伴的推荐和认可至关重要。
UB4: 决策支持	习惯 (Hb) 努力期望 (EE) 社会影响 (SI)	与 UB3 类似，但促进条件 (FC) 呈现显著的负向直接关系。在支持性强的环境中，工程师可能更倾向于依赖传统资源而非 AI 进行关键决策。
UB5: 培训/学习	习惯 (Hb)	模型解释力 ( $R^2$ ) 最低。习惯和通用使用频率是主要因素，但促进条件同样呈现负向影响，表明在有丰富传统培训资源时，AI 培训采用率较低。

总体统计指标：

习惯 (Habit) 是所有用途中最强的预测因子。
通用使用行为 (UB) 在所有路径中均起核心中介作用，验证了模型的稳健性。
绩效期望 (PE) 仅在“生成替代方案”中表现出显著的负向影响（通过竞争性中介），表明高绩效期望若未转化为实际易用性，可能反而抑制特定用途。

5. 研究意义与启示 (Significance)

对学术界的意义

理论细化： 证明了技术接受模型在 AI 领域的应用必须考虑“任务特异性”。UTAUT2 中的构念在不同任务中的权重和方向（正/负）存在显著差异。
模型扩展： 提出了将通用使用行为 (UB) 作为特定用途中介的建模方法，为未来研究提供了新的分析路径。

对实践界的启示

工具设计策略：
- 代码生成/修改： 重点在于无缝集成（如 IDE 插件），降低摩擦，培养习惯。
- 信息检索/决策支持： 重点在于建立信任和社会验证。工具应提供来源引用、置信度评分，并鼓励团队内的知识共享和同伴背书。
- 替代方案生成： 必须极度关注易用性，任何感知到的困难都会阻碍采用。
组织管理策略：
- 差异化推广： 不要试图用一种策略推广所有 LLM 用途。对于决策支持类任务，需警惕过度依赖外部支持资源可能导致的 AI 采用倒退。
- 利用“边界跨越者”： 在信息检索和决策场景中，利用团队中的意见领袖（Boundary Spanners）进行同伴推荐，比自上而下的指令更有效。
- 培训场景： 需开发结构化的 AI 驱动学习体验，以克服传统资源对 AI 采用的替代效应。

局限性与未来方向

研究依赖自我报告数据，未来可结合日志数据。
未深入探讨 LLM 幻觉（Hallucinations）对信任的具体影响机制。
模型对“培训”用途的解释力较低，需引入学习自我效能感等新变量。
未来研究应关注组织政策、团队动态对特定用途采用的长期影响。

总结： 该论文通过实证研究打破了 LLM 采用是单一过程的迷思，揭示了习惯是通用的基石，而社会影响和易用性则是特定高认知负荷任务（如决策、检索）的关键变量。这一发现为构建更智能、更贴合工程师工作流的 AI 辅助系统提供了坚实的理论基础。