Multi-Level Barriers to Generative AI Adoption Across Disciplines and Professional Roles in Higher Education
该研究通过对一所罗素集团大学 272 名教职工的多方法分析，揭示了生成式人工智能的采纳障碍并非仅源于个人因素，而是深植于学科背景与职业角色之中，表现为人文学科更关注伦理文化挑战，而理工科及行政人员则更受限于制度治理与基础设施约束，因此高校需超越通用培训，构建角色特定的治理与支持框架。
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
这篇论文就像是在给大学里的一场“大体检”，目的是搞清楚：为什么大家面对生成式人工智能（GenAI，比如 ChatGPT） 时，有的想拥抱，有的却想躲开？
以前的研究总喜欢怪“个人”：是不是你不够聪明？是不是你太懒？是不是你不懂技术？
但这篇论文的作者们（来自华威大学等机构）说："等等，问题可能不在个人，而在‘位置’和‘环境’。"他们调查了 272 位大学员工（包括教书的教授和做行政、后勤的专业服务人员），发现大家遇到的“拦路虎”完全不同，就像不同职业的人面对同一场暴雨，感受也截然不同。
我们可以用几个生动的比喻来理解他们的发现：
1. 不同的“职业角色”，面对不同的“怪兽”
想象大学是一个巨大的游乐园。
非理工科老师（文科、社科等）：像是“故事讲述者”和“灵魂工程师”。
- 他们的担忧： 他们最怕的是**“作弊”和“灵魂丧失”**。
- 比喻： 就像一位厨师担心客人用预制菜冒充自己亲手做的菜，或者担心学生用 AI 写的文章代替自己思考。他们觉得 AI 会破坏学术诚信，让学生变懒，不再锻炼批判性思维。
- 结论： 他们的障碍主要是**“道德和文化”**层面的（“这不对”、“这不诚实”）。
理工科老师（STEM）和行政人员（PS）：像是“工程师”和“规则守护者”。
- 他们的担忧： 他们最怕的是**“系统崩溃”和“没规矩”**。
- 比喻： 就像修路工担心没有铺路机，或者保安担心没有明确的停车规定。他们不担心 AI 会不会“骗人”，他们担心的是：学校有没有买正版软件？数据会不会泄露？有没有人管？如果出了事谁负责？
- 结论： 他们的障碍主要是**“制度和基础设施”**层面的（“没工具”、“没政策”、“没权限”）。
2. 以前只盯着“个人”，现在看到了“舞台”
以前的研究像是在问：“你为什么不敢上台表演？”然后回答：“因为我害羞（个人能力）。”
但这篇论文说：“不，是因为舞台灯光没开（制度支持），或者剧本没写好（政策不明），甚至不同角色的演员被分配了不同的任务。”
- 行政人员（PS）： 他们就像游乐园的运营团队。他们发现最大的问题是：学校给的工具太旧了，或者规定太模糊（比如“只能用微软 Copilot，不能用别的”），导致他们想干活却干不了。
- 学术人员： 他们就像演员。他们发现最大的问题是：如果用了 AI，观众（学生）会不会觉得表演没诚意？
3. 核心发现：不能“一刀切”
作者们用了一种很聪明的方法，把大家的回答像拼图一样拼起来，发现：
- 如果你给所有老师发一样的“AI 培训课”，那是没用的。
- 对文科老师，你需要解决的是**“信任”和“伦理”**问题（怎么保证学生是真的在思考？）。
- 对行政和理工科人员，你需要解决的是**“工具”和“规则”**问题（赶紧买好软件，把使用规定写清楚，别让大家不敢用）。
4. 总结：给大学的建议
这篇论文最后给大学管理者提了一个醒：
不要试图用一把钥匙开所有的锁。
大学不能只搞那种“大家一起来学怎么用 AI"的大锅饭式培训。相反，应该**“量体裁衣”**：
- 给老师提供关于“如何设计防作弊作业”和“如何引导学生正确使用”的指南。
- 给行政人员提供清晰的“数据合规指南”、“软件采购流程”和“技术支持”。
一句话总结：
AI 在大学里推不动，不是因为大家“笨”或“懒”，而是因为不同岗位的人站在不同的“坑”里。只有把坑填平（解决具体的制度、工具问题），或者给不同岗位的人发不同的“登山装备”，AI 才能真正帮到大学。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。