📄 social_science

Profiling Faculty Adoption of Generative AI: A Latent Profile Analysis of Platform Engagement and Inferred Drivers

本研究利用针对 358 名教职人员客观平台日志数据的潜在剖面分析（Latent Profile Analysis），识别出两种截然不同的生成式人工智能使用剖面——“教学辅助型”与“研究支持型”——从而弥合自我报告意图与实际行为之间的差距，以为差异化的机构支持策略提供依据。

原作者： Lin SUN

发布于 2026-07-21

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Lin SUN

原始论文采用 CC BY 4.0 许可（https://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

想象一下，你正试图了解一群人是如何使用一种新的、神奇的工具。在科学界，这通常被称为“技术采纳”。长期以来，研究人员一直在问人们：“你喜欢这个工具吗？你使用它的频率如何？”但问题在于：人们并不总是诚实的。他们可能会说自己每天都使用这个工具，仅仅是因为觉得这听起来很酷，或者他们可能会忘记自己实际使用过的次数。这种人们“所说的”与“实际做的”之间的差距是一个大问题。为了解决这个问题，科学家们开始关注“数字足迹”——即我们在电脑上点击、打字和滚动时留下的无形痕迹。通过研究这些足迹而不是提问，研究人员可以看到真实的故事。本文深入探讨了这个领域，观察大学教师如何使用一种被称为“生成式人工智能（Generative AI）”的新型“神奇大脑”。它提出了疑问：老师们只是用它来让写作业变得更容易，还是在用它来发现宇宙的新秘密？以及，他们的计算机水平高低是否会对使用方式产生影响？

这项名为《剖析教职人员对生成式人工智能的采纳情况》的研究，从一个全新的角度审视了 2025 年 1 月至 6 月期间，中国大连 358 名大学教师如何实际使用一个智能学习平台。研究人员并没有发送调查问卷并寄希望于得到真相，而是扮演了“数字侦探”的角色。他们分析了“日志”——即记录老师每一次点击、每一分钟停留时间以及所使用功能的自动记录。他们想要观察这些老师的行为中是否存在隐藏的模式。

通过使用一种被称为“潜在剖面分析（Latent Profile Analysis）”的特殊数学技术（可以将其想象为一种根据习惯将人进行分类的超级聪明的方法），研究人员发现，教师们自然而然地分成了两个截然不同的阵营。他们不仅仅是使用 AI 的程度多或少的问题，而是出于完全不同的目的在使用它。

第一类是**“教学辅助型（Teaching-Assistance Type）”**。把这些老师想象成“课堂小助手”。他们大多在工作日、也就是正常的上课时间出现，就像一个常规的工作日一样。他们使用 AI 来完成辅助教学的任务：生成教案、批改作业以及创建学习材料。这些老师往往是该技术的初学者。他们使用这个工具是为了让日常教学工作更顺畅、更快速，但通常不会深入进行复杂的科研任务。他们是可靠的劳动者，利用这个工具来完成其本职工作。

第二类是**“科研支持型（Research-Support Type）”**。这些人是“深度潜水者”。他们在晚上和周末（即大多数人休息的时间）表现得活跃得多。他们不仅仅将 AI 用于简单的任务，而是将其用于繁重的体力活，比如撰写学术论文、管理复杂的知识以及分析研究数据。这一群体主要由对技术非常精通的专家组成。他们将 AI 视为强大的合作伙伴，用于科学发现，并在长时间内持续使用它来解决难题。

研究表明，这两个群体是非常独特的。 “教学辅助型”的老师就像是乘坐火车准时上班的通勤者，而“科研支持型”的老师则像是利用火车在深夜前往未开发之地的探险家。数据显示，虽然两个群体都在使用这个工具，但他们的习惯、时间安排和技能水平却大不相同。

研究中一个有趣的发现是，计算机水平非常重要。“深度潜水者”（科研支持型）更有可能是专家，而“课堂小助手”则大多是初学者。这表明，如果你希望教师将 AI 用于深度研究，他们可能需要先接受更多的培训并建立信心。

研究人员谨慎地指出，由于这项研究仅基于一所大学的数据，因此我们不能 100% 确定这适用于世界上的每一所学校。然而，在他们的数据中，发现的模式是清晰且强力的。他们认为，学校不应该对所有教师一视同仁。学校不应提供同样枯燥的统一培训，而应该提供不同类型的帮助：为那些只想更快批改作业的“课堂小助手”提供快速、简便的小贴士；为那些想要突破科学边界的“深度潜水者”提供进阶式的深度研讨会。

通过观察实际的数字足迹而非仅仅听取人们的说法，本文为我们打开了一扇窗，让我们得以窥见教师们如何适应未来的真实世界。它表明，尽管大家使用的是同一个工具，但他们正以两种截然不同的方式，去解决两个截然不同的问题。

技术摘要：教师生成式人工智能采用情况的画像研究

问题陈述
目前关于高校教师采用生成式人工智能（GAI）的研究主要依赖于自我报告数据（问卷调查和访谈）。这种依赖性造成了教师意向与实际行为之间的显著“认知差距”，这种差距往往被社会期望偏差、回忆偏差以及无法捕捉无意识或习惯性使用模式所掩盖。因此，目前缺乏对教师在真实情境下如何实际使用 GAI 工具的客观、基于证据的理解，这阻碍了精准化机构支持政策的发展。本研究通过从主观感知转向客观行为分析，旨在解决这一“行为黑箱”问题。

研究方法
本研究采用基于潜在剖面分析（LPA）框架的定量、回顾性日志数据分析方法。

数据来源： 来自某大学内部“智能学习平台”2025年1月至6月的匿名使用日志。数据集包含358名来自不同学科（人文、科学、工程、医学等）及不同学术职级的教师。
伦理协议： 所有数据均经过严格匿名化处理，去除了个人身份信息（姓名、ID、具体内容），仅保留操作元数据。本研究已获得大连纽松大学（Dalian Neusoft University）的伦理委员会（IRB）批准。
指标构建： 提取了十个行为指标，并将其分为四个维度：
1. 使用强度： 总使用频率、总时长、活跃天数及日均频率。
2. 功能广度与深度： 使用的不同模块数量、各模块使用比例（教学型 vs. 研究型）以及核心功能连续使用周数。
3. 时间模式： 工作日/周末使用比例及主要使用时段。
4. 演进趋势： 首次交互后的使用持续性以及使用频率随时间变化的趋势。
分析流程：
1. 相关性分析： 计算皮尔逊相关系数，以筛选影响因素并考察行为指标与教师特征（如技术背景、学术职级）之间的关系。
2. 降维处理： 利用主成分分析（PCA）来缓解高度相关指标之间的多重共线性问题。
3. 聚类分析： 对标准化数据进行 K-Means 聚类。利用轮廓系数（Silhouette Score）和肘部法（Elbow Method）确定最佳聚类数（ $K$ ），最终得到一个具有 0.45 轮廓系数的二分类方案（ $K=2$ ）。

核心结果
聚类分析识别出教师用户中两种截然不同的、由经验驱动的行为特征谱系：

教学辅助型 (Teaching-Assistance Type)：
- 行为特征： 主要在标准工作时间（工作日）使用平台，活动集中在上午和下午。
- 功能应用： 高度侧重于教学相关功能，如 AI 教案生成、学习分析和自动化作业评分。
- 群体特征： 该群体表现出明显的初级技术背景（占比超过 50%），其使用模式随学期周期而波动。
- 分布情况： 占据了用户群体的较大份额。
研究支持型 (Research-Support Type)：
- 行为特征： 展现出更高的时空灵活性，在非工作时间（晚上和周末）有显著活动，且连续活跃周数较长。
- 功能应用： 深度参与研究辅助工具，包括学术写作助手、生产力代理和知识管理系统。
- 群体特征： 该群体的特征是拥有显著更高比例的专家级技术背景（超过 50%），且主要由理工科教师组成。
- 分布情况： 虽然属于较小的用户子集，但表现出更高的活跃度和更深的功能探索度。

相关性分析进一步表明，使用强度、功能广度和持续性之间存在强相关性，这暗示了一个强化循环：即持续的参与会导致更广泛的工具探索。虽然技术背景与使用强度相关，但它并非唯一决定因素，这表明个体属性与专业任务之间存在复杂的相互作用。

主要贡献
本文提出了三个主要贡献：

分析框架： 提出了一种完全基于客观日志数据而非自我报告指标来刻画教师 GAI 使用行为的新型框架。
驱动因素推断： 展示了直接从客观行为模式中推断并验证技术采用影响因素（如绩效期望和个人创新性）的能力。
政策实证依据： 为实现从“一刀切”的机构政策向针对特定用户谱系的差异化、精准化培训与支持策略转型提供了数据驱动的证据。

意义与主张
研究断言，通过揭示教师参与度的“黑箱”，本研究为高等教育机构实施智能化技术整合的循证策略提供了坚实的经验基础。研究结果挑战了“教师采用行为是统一的”这一假设，揭示了技术熟练度和专业角色（教学型 vs. 研究型）驱动着截然不同的行为轨迹。文章总结认为，识别这些差异化的谱系对于设计针对性干预措施至关重要——例如为“教学辅助型”提供精简的教学法培训，为“研究支持型”提供高级研究工作流支持——从而促进 GAI 在高等教育中的有效且深度的集成。作者承认研究存在单一机构数据源以及日志数据缺乏语境丰富性的局限性，并建议未来开展混合方法研究，以将这些行为发现与用户感知进行三角互证。

技术摘要：教师生成式人工智能采用情况的画像研究

类似论文