AI 接受度还是 AI 采用广度？对“低素养/高使用”关联的工具特异性再分析

背景

近期，Tully、Longoni 和 Appel（2025）发表的研究提出了一项引人注目的发现：人工智能（AI）素养较低的人群，往往对 AI 表现出更高的接受度（receptivity）。这一结论在公众和政策制定者中引发了广泛讨论，因为它挑战了传统的“数字鸿沟”直觉——即通常认为技术素养越高，对新技术的采纳和接受程度越高。

然而，这一基于自我报告数据的结论是否经得起推敲？Hristo Inouzhe Valdes 于 2026 年 6 月提交至 arXiv 的一篇新论文对此提出了质疑。该研究重新审视了 Tully 等人原始研究（Study 3）中的公开数据，旨在厘清“低 AI 素养导致高 AI 接受度”这一因果关系背后的真实机制。研究重点在于区分“整体接受度”与“特定工具类型的采用行为”，并探讨这种关联是否被聚合数据掩盖了异质性。

核心内容

本研究基于 Tully 等人（2025）Study 3 的公开数据，该数据通过五点频率量表测量了参与者过去对五类 AI 工具的使用情况。作者首先复现了原始研究中的核心发现，即 AI 素养与总体 AI 使用量之间存在负相关关系。随后，通过更细致的计量经济学模型，作者揭示了这种聚合关系背后隐藏的工具特异性差异。

1. 复现与初步验证

作者使用普通最小二乘法（OLS）、二元逻辑回归（Binary Logit）、有序逻辑回归（Ordered Logit）和多项逻辑回归（Multinomial Logit）等多种模型，在参与者层面的平均值上进行了分析。结果证实，AI 素养与聚合后的 AI 使用量之间确实存在显著的负向关联，这与 Tully 等人的原始结论一致。

2. 工具特异性的异质性分析

当将 AI 工具细分为“文本类”和“非文本类”时，情况发生了显著变化。在人口统计学调整后的主要模型中：

• 文本 AI 使用：AI 素养对文本类 AI 工具的使用没有显著预测作用（有序逻辑回归 $\beta$ = -0.090, p = .387）。
• 非文本 AI 采用：AI 素养对非文本类 AI 工具的采用仍是一个强有力的预测因子（$\beta$ = -0.377, p < .001）。

即使采用 Tully 等人原始 Study 3 的控制变量规范，非文本 AI 的效应依然稳健（$\beta$ = -0.502, p < .001）。

3. 采用模式：广度而非强度

通过二元、有序逻辑回归和多项逻辑回归模型的进一步分析，作者指出，非文本 AI 的负向关联主要体现为“采用/不采用”的二元模式，而非使用强度的差异。数据显示，在调整人口统计学因素后，曾经使用过非文本 AI 工具的几率比（Odds Ratio）为 0.68。这意味着，AI 素养较低的人群更有可能尝试使用非文本 AI 工具，但并不一定意味着他们使用得更频繁或更深入。

4. 结论修正

研究指出，在测量的是“自我报告的过去使用行为”而非“ stated preferences（陈述性偏好）”的研究背景下，证据并不支持“低 AI 素养普遍预测对 AI 更高接受度”这一简单论断。相反，证据指向一个更狭窄的模式：在渗透率较低的非文本 AI 工具中，低素养人群表现出更广泛的采用行为（Adoption Breadth）。

关键要点

• 聚合数据掩盖异质性：Tully 等人发现的“低素养-高接受”关系在聚合所有 AI 工具时成立，但拆解后发现，这种关系主要由非文本 AI 工具驱动，文本 AI 工具中并无显著关联。
• 非文本 AI 是驱动因素：AI 素养对非文本 AI 采用有显著负向预测作用，而对文本 AI 使用无显著影响。
• 采用广度 vs. 使用强度：低素养人群对非文本 AI 的高“接受度”更多体现为“尝试过”（Adoption/Non-adoption），而非高频或高强度使用。
• 行为数据 vs. 偏好数据：本研究基于实际使用行为（自我报告的使用频率），而非假设性偏好调查，因此结论更具现实行为学意义。
• 修正后的结论：不能简单地说低 AI 素养导致高 AI 接受度；更准确的说法是，低 AI 素养人群在渗透率较低的非文本 AI 工具上表现出更广泛的尝试行为。

意义与影响

这项再分析对于理解 AI 扩散的社会动力学具有重要意义：

1. 挑战“数字鸿沟”的简单叙事：传统观点认为技术素养低是阻碍技术采纳的因素。本研究揭示，在某些新兴、低渗透率的非文本 AI 工具上，低素养群体反而可能因为缺乏偏见或更高的好奇心而更倾向于尝试。这提示政策制定者和企业在推广新技术时，不应仅关注素养提升，还需考虑不同群体的心理和行为差异。
2. 工具类型的重要性：AI 并非单一技术实体。文本生成（如 LLMs）与非文本生成（如图像、音频、视频生成）在用户认知、使用门槛和社会接受度上存在巨大差异。未来的研究和产品设计必须区分工具类型，避免一概而论。
3. 方法论启示：在研究技术接受度时，聚合指标（Aggregate Metrics）可能误导结论。研究者应深入挖掘数据异质性，区分“采用行为”（Adoption）与“使用强度”（Intensity），以及不同工具类别的表现。
4. 对 Tully 等人研究的补充而非否定：本研究并非完全推翻 Tully 等人的发现，而是对其进行了细化和限定。它表明，原始结论在特定条件下（即主要指非文本工具）成立，但在更广泛的语境下需要谨慎解读。

总之，这项研究提醒我们，AI 的普及是一个复杂的过程，受工具特性、用户素养和社会背景的多重影响。低素养群体的高尝试率可能为 AI 技术的早期扩散提供动力，但也可能带来新的风险和挑战，需要更精细化的治理策略。