摘要

隨著人工智能生成內(nèi)容（AIGC）技術(shù)在科研領(lǐng)域的快速發(fā)展，其對科研創(chuàng)造力的影響逐漸引起學(xué)界關(guān)注。本文基于319份有效樣本，構(gòu)建理論模型并引入批判性掌控（CC）、技術(shù)依賴（TD）和反饋尋求（FS）作為調(diào)節(jié)變量，探討AIGC使用程度（AU）與科研創(chuàng)造力（RC）之間的關(guān)系。研究以“陰陽調(diào)和認(rèn)知”作為悖論分析框架，結(jié)合分層回歸分析與三重交互效應(yīng)檢驗，發(fā)現(xiàn)：（1）AU與RC之間存在顯著倒U型關(guān)系，即適度使用AIGC最有利于科研創(chuàng)造力提升；（2）CC和FS對倒U型關(guān)系具有正向調(diào)節(jié)作用，TD具有負(fù)向調(diào)節(jié)作用；（3）三重交互效應(yīng)表明，高FS情境下CC的促進(jìn)作用與TD的抑制作用更為突出。研究結(jié)果不僅驗證了AIGC與科研創(chuàng)造力關(guān)系的非線性特征，也揭示了認(rèn)知特質(zhì)與行為策略的復(fù)雜交互機(jī)制。理論上，本研究拓展了悖論管理理論與陰陽調(diào)和視角在科研領(lǐng)域的應(yīng)用；實踐上，為科研人員和機(jī)構(gòu)制定AIGC使用策略、優(yōu)化科研創(chuàng)新提供了參考。

關(guān)鍵詞

AIGC；科研創(chuàng)造力；陰陽調(diào)和；批判性掌控；技術(shù)依賴；反饋尋求；倒U型關(guān)系

Abstract

With the rapid development of Artificial Intelligence Generated Content (AIGC) technology in the scientific research domain, its impact on scientific creativity has attracted increasing scholarly attention. Drawing on 319 valid survey responses, this study constructs a theoretical model incorporating critical control (CC), technological dependence (TD), and feedback seeking (FS) as moderating variables to examine the relationship between the degree of AIGC use (AU) and scientific creativity (RC). Guided by the “Yin–Yang harmony cognition” as a paradox analysis framework, and employing hierarchical regression analysis and triple-interaction effect testing, the results reveal that: (1) AU and RC exhibit a significant inverted U-shaped relationship, indicating that moderate use of AIGC is most conducive to enhancing scientific creativity; (2) CC and FS positively moderate this inverted U-shaped relationship, whereas TD exerts a negative moderating effect; and (3) the triple interaction results suggest that, under high FS conditions, the facilitating role of CC and the inhibiting role of TD are both amplified. These findings not only confirm the nonlinear nature of the AIGC–scientific creativity relationship but also uncover the complex interplay between cognitive traits and behavioral strategies. Theoretically, this study extends paradox management theory and the Yin–Yang harmony perspective to the context of digital science; practically, it provides guidance for researchers and institutions to formulate AIGC usage strategies and optimize research innovation.

Keywords

AIGC; scientific creativity; Yin–Yang harmony; critical control; technological dependence; feedback seeking; inverted U-shaped relationship

1引言

近年來，人工智能生成內(nèi)容（Artificial Intelligence Generated Content, AIGC）技術(shù)在科研領(lǐng)域的快速滲透，引發(fā)了廣泛的關(guān)注與爭議。無論是文獻(xiàn)綜述、數(shù)據(jù)建模，還是學(xué)術(shù)寫作輔助，AIGC工具正以前所未有的方式重塑科研人員的認(rèn)知過程與創(chuàng)作機(jī)制。一方面，這類技術(shù)為研究人員提供了前所未有的信息加工與創(chuàng)意激發(fā)手段，有助于提高研究效率與創(chuàng)新潛力（Dwivedi, 2021）[1]。另一方面，AIGC的深度介入亦可能弱化研究人員對問題的獨立思考，誘發(fā)對技術(shù)的過度依賴，從而對創(chuàng)造性產(chǎn)出產(chǎn)生潛在抑制（Parasuraman & Colby, 2015；Sweller, 1988）[2][3]。這一賦能與抑制并存的張力現(xiàn)象，提示我們必須超越線性思維，以更具張力辨識力的理論視角對AIGC使用與科研創(chuàng)造力之間的關(guān)系進(jìn)行深入剖析。

已有文獻(xiàn)主要從技術(shù)接受模型（TAM）出發(fā)，強(qiáng)調(diào)技術(shù)感知有用性與易用性如何促進(jìn)個體對AIGC的采納行為（Davis, 1989；Venkatesh & Davis, 2000）[4][5]，以及自我決定理論對自主性激發(fā)與創(chuàng)新動機(jī)的解釋路徑（Ryan & Deci, 2000）[6]。與此同時，認(rèn)知負(fù)荷理論指出技術(shù)信息輸入的邊界與過載風(fēng)險（Sweller, 1988）[3]，技術(shù)依賴研究也揭示了過度倚賴可能造成的“懶惰認(rèn)知”現(xiàn)象（Parasuraman & Colby, 2015）[2]。然而，上述理論多采取“單向因果”或“線性影響”視角，較少揭示在科技使用行為中同時存在正負(fù)影響的雙重結(jié)構(gòu)張力。此外，在調(diào)節(jié)路徑方面，相關(guān)研究亦缺乏對行為性調(diào)節(jié)因子（如反饋尋求）與認(rèn)知性調(diào)節(jié)因子（如批判性思維）交互作用機(jī)制的深入刻畫。

本文引入“陰陽調(diào)和認(rèn)知理論”（Yin–Yang Cognition Theory）作為分析框架，嘗試打破傳統(tǒng)西方思維中二元對立的思維慣性，從動態(tài)統(tǒng)一的辯證視角重新理解AIGC技術(shù)的雙向作用機(jī)制，構(gòu)建兼具辯證性與系統(tǒng)性的多重調(diào)節(jié)機(jī)制模型，拓展了悖論管理與技術(shù)認(rèn)知融合研究的邊界。本文提出，AIGC工具使用與科研創(chuàng)造力之間存在非線性的倒U型關(guān)系：適度使用AIGC有助于激發(fā)創(chuàng)造性，但過度使用則可能削弱獨立思維與認(rèn)知負(fù)荷調(diào)節(jié)能力。在此基礎(chǔ)上，本文以“批判性掌控”與“技術(shù)依賴”作為代表“賦能—依賴”悖論張力的陰陽變量，進(jìn)而引入“反饋尋求行為”作為行為層面的關(guān)鍵調(diào)節(jié)機(jī)制，形成“陰陽認(rèn)知 × 外部調(diào)節(jié)”的復(fù)合互動路徑，回應(yīng)組織行為學(xué)中“自我調(diào)節(jié)—外部反饋”雙元路徑的最新趨勢（Ashford et al., 2003；Wang et al., 2022）[7][8]，增強(qiáng)模型對現(xiàn)實科研場景復(fù)雜性的解釋力。

2理論背景與研究假設(shè)

2.1陰陽調(diào)和認(rèn)知作為悖論分析框架

在高度不確定性與技術(shù)快速變革的當(dāng)代科研情境中，科研人員在使用AIGC工具時面臨著賦能與依賴并存、控制與被控交織的復(fù)雜心理張力。傳統(tǒng)的西方管理理論多通過對立范疇（如二元范式）處理組織悖論問題，而中國哲學(xué)中的“陰陽調(diào)和認(rèn)知”提供了一種更具動態(tài)性、整體性與系統(tǒng)性的理論范式，為理解科技使用中復(fù)雜悖論現(xiàn)象提供了扎實的認(rèn)知基礎(chǔ)（Chin et al., 2023；Redding, 2017）[9]。

陰陽調(diào)和認(rèn)知源于中國古典哲學(xué)，強(qiáng)調(diào)對立統(tǒng)一、動靜相生、互嵌互生，具有包容性、系統(tǒng)性和發(fā)展性的特征（Lai, 2008）[10]。在該認(rèn)知結(jié)構(gòu)中，“陰”與“陽”并非絕對對立，而是互為條件、動態(tài)轉(zhuǎn)換的統(tǒng)一整體。相較于西方的悖論理論（paradox theory）所強(qiáng)調(diào)的張力（tension）與二元平衡（Smith & Lewis, 2011）[11]，陰陽范式更關(guān)注沖突元素之間的“互嵌—轉(zhuǎn)化”機(jī)制，是一種典型的“動態(tài)平衡觀”。

在AIGC技術(shù)廣泛嵌入科研情境后，科研人員在體驗到認(rèn)知賦能（如快速生成、增強(qiáng)創(chuàng)新）同時，也面臨認(rèn)知惰性與依賴風(fēng)險（如削弱判斷力、模糊原創(chuàng)邊界）。這一過程體現(xiàn)了典型的“掌控—依賴”二元悖論。將AIGC工具使用行為置于陰陽調(diào)和框架中，可將“批判性掌控”理解為陽極向上、自主驅(qū)動的認(rèn)知力量，而“技術(shù)依賴”則代表陰極向下、外在替代的被動傾向。二者在AIGC使用過程中交織演化，形成螺旋式的動態(tài)關(guān)系，最終影響科研創(chuàng)造力的生成邊界。

最新研究亦指出，陰陽調(diào)和視角為管理實踐中的非線性關(guān)系和多元反饋路徑提供了有效解釋框架。例如，在遠(yuǎn)程工作背景下，Chin 等（2023）[9]發(fā)現(xiàn)知識分享與隱藏的交互作用可通過陰陽認(rèn)知視角系統(tǒng)刻畫，揭示其對職業(yè)發(fā)展路徑的倒U型影響。同理，在AIGC使用場域中，科研人員對AI輸出既可能激發(fā)再創(chuàng)造動能，也可能形成思維固化與“認(rèn)知卸責(zé)”現(xiàn)象（Parasuraman & Colby, 2015）[2]，這與“陽盛則陰生，陰盛則陽化”的原理高度契合。

綜上所述，陰陽調(diào)和認(rèn)知不僅提供了一種理解AIGC技術(shù)悖論影響的哲學(xué)框架，也有助于構(gòu)建動態(tài)非線性關(guān)系的理論基礎(chǔ)，支撐本文提出的倒U型模型與多重交互調(diào)節(jié)機(jī)制。通過將陰陽認(rèn)知范式嵌入科技使用研究中，我們得以揭示科技工具賦能背后的認(rèn)知悖論結(jié)構(gòu)，深化對科研人員創(chuàng)造力生成機(jī)制的理論理解。

2.2 AIGC工具使用對科研創(chuàng)造力的影響：基于陰陽調(diào)和認(rèn)知分析框架

科研創(chuàng)造力（Researcher Creativity, RC）通常被定義為“在特定領(lǐng)域內(nèi)生成既新穎又適用的想法或解決方案的能力”（Amabile, 1983）[12]。隨著生成式人工智能（AIGC）工具（如ChatGPT、Gemini、DeepSeek、文心一言等）在科研中的廣泛應(yīng)用，它們既能快速提供外部靈感，也可能削弱研究者的獨立思考，從而對科研創(chuàng)造力產(chǎn)生雙重影響。

研究表明，適度使用AIGC工具可作為“創(chuàng)意觸發(fā)器”，刺激研究者突破思維定式。Doshi和Hauser（2023）[13]在一項在線實驗中發(fā)現(xiàn)，獲得生成式AI輔助后，創(chuàng)作者的作品質(zhì)量顯著提升。然而，過度依賴AIGC亦帶來“創(chuàng)意同質(zhì)化”問題：Wadinambiarachchi等（2024）[14]通過視覺設(shè)計實驗指出，頻繁使用AI圖像生成器會加劇設(shè)計固著（design fixation），導(dǎo)致想法數(shù)量減少、原創(chuàng)性和多樣性下降。上述雙重效應(yīng)揭示了AIGC使用的“過猶不及”悖論。

認(rèn)知負(fù)荷理論（Cognitive Load Theory, CLT）認(rèn)為，工作記憶具有有限容量，過多外部信息或提示會增加“外部負(fù)荷”，從而抑制深度加工與發(fā)散性思維（Sweller, 1988）[3]。在AIGC輔助下，研究者可能將大量思考任務(wù)“卸載”給工具，一方面釋放了部分認(rèn)知資源，促進(jìn)初始的創(chuàng)意生成；但當(dāng)AI提示過多時，工作記憶被頻繁切換與整合，反而抑制了自發(fā)聯(lián)想與深度思考。

基于陰陽調(diào)和認(rèn)知框架我們將AIGC使用量視作一個陰陽統(tǒng)一體。陽（動）元素：適度使用AIGC帶來外部靈感、知識擴(kuò)散與工具賦能，激發(fā)科研創(chuàng)造力；陰（靜）元素：過度依賴AIGC則可能削弱內(nèi)在動機(jī)、導(dǎo)致思維懈怠與創(chuàng)意同質(zhì)化。陰陽在不斷平衡與轉(zhuǎn)化中共生，其“曲線化”關(guān)系恰與前述促進(jìn)—抑制的雙向效應(yīng)相呼應(yīng)（Smith & Lewis, 2011）[11]。

綜合以上理論與實證證據(jù)，并采用陰陽調(diào)和的辯證視角，我們提出：

H1. AIGC工具使用與科研創(chuàng)造力之間呈倒U型關(guān)系：在適度使用水平下，AIGC工具能夠通過提供外部靈感和節(jié)省認(rèn)知資源，促進(jìn)科研創(chuàng)造力的提高；當(dāng)使用過度時，因認(rèn)知負(fù)荷過高與內(nèi)在動機(jī)削弱，將抑制創(chuàng)造力的進(jìn)一步發(fā)展。

2.3批判性掌控與技術(shù)依賴的共生邏輯：陰陽視角下的正負(fù)互動機(jī)制

批判性掌控指科研人員在使用AIGC工具時，對AI生成內(nèi)容進(jìn)行審慎評估、主動質(zhì)疑并適度校正的能力。系統(tǒng)性文獻(xiàn)綜述表明，AIGC工具若能配合高水平的批判性思考，科研者能夠避免“認(rèn)知卸載”（cognitive offloading）帶來的淺層加工，反而提升深度探究與原創(chuàng)性（Melisa et al., 2025）[15]。從陰陽調(diào)和的視角看，批判性掌控相當(dāng)于“陰中之陽”：在激勵（陽）的AIGC提示之外，引入內(nèi)在反思（陰）的阻力，二者合力促進(jìn)創(chuàng)造性認(rèn)知的平衡發(fā)展。

與之相對，技術(shù)依賴指科研人員因AIGC工具的便利性而逐漸喪失自主思考，過度依賴AI生成的現(xiàn)象。數(shù)字依賴（digital dependence）被定義為“個體難以自我調(diào)節(jié)對數(shù)字工具的使用，形成高度依賴狀態(tài)”（Adisa et al., 2017）[16]；同時，信息系統(tǒng)研究指出，過度技術(shù)依賴常導(dǎo)致“技術(shù)壓力”——即因頻繁使用數(shù)字工具而產(chǎn)生的認(rèn)知負(fù)荷與焦慮（Tarafdar et al., 2007）[17]。在陰陽框架中，技術(shù)依賴為“陽中之陰”：其創(chuàng)新賦能（陽）易轉(zhuǎn)化為惰性阻力（陰），若不加節(jié)制，反而抑制深度創(chuàng)造。

結(jié)合上述兩極，批判性掌控與技術(shù)依賴在AIGC使用的不同強(qiáng)度水平下，分別強(qiáng)化或削弱科研創(chuàng)造力的倒U型曲線。當(dāng)批判性掌控水平高時，科研者能夠甄別并優(yōu)化AI提示，將認(rèn)知資源聚焦于深度加工，使倒U型關(guān)系的峰值上移、正向增益最大化；當(dāng)技術(shù)依賴水平高時，AI生成內(nèi)容易被直接采納，認(rèn)知卸載加劇，倒U型曲線的峰值下移，且創(chuàng)新增益拐點提前出現(xiàn)。

立足上述陰陽共生機(jī)理，我們提出以下調(diào)節(jié)假設(shè)：

H2. 批判性掌控顯著正向調(diào)節(jié)AIGC工具使用與科研創(chuàng)造力之間的倒U型關(guān)系。

H3. 技術(shù)依賴顯著負(fù)向調(diào)節(jié)AIGC工具使用與科研創(chuàng)造力之間的倒U型關(guān)系。

2.4反饋尋求在AIGC使用:科研創(chuàng)造力關(guān)系中的調(diào)節(jié)作用

反饋尋求被定義為“個體主動從外部環(huán)境獲取評價信息，以調(diào)整自身行為表現(xiàn)并實現(xiàn)績效改進(jìn)的行為”（Ashford et al.,?1983）[18]；后續(xù)研究進(jìn)一步強(qiáng)調(diào)，反饋尋求是一種關(guān)鍵的自我調(diào)節(jié)策略，能夠幫助個體在復(fù)雜任務(wù)中校準(zhǔn)方向、增強(qiáng)學(xué)習(xí)和創(chuàng)新（Ashford et al.,?2003）[7]。

大量實證研究表明，積極的反饋尋求行為能夠促進(jìn)創(chuàng)造性績效。例如，在四家企業(yè)456個領(lǐng)導(dǎo)—員工樣本中，被試的反饋詢問傾向與主管評價的創(chuàng)造性表現(xiàn)呈顯著正相關(guān)（De?Stobbeleir,?2011）[19]；最近的研究也發(fā)現(xiàn)，從團(tuán)隊成員處主動獲取多元視角反饋，可有效提升員工的創(chuàng)意數(shù)量與質(zhì)量（Wang,?2022）[8]。這些結(jié)果表明，反饋尋求在創(chuàng)造力生成過程中具有不可或缺的激勵與校準(zhǔn)功能。

批判性掌控依賴于科研人員對AIGC輸出的反思與審視。FS通過提供及時的同伴和上級評估，促使研究者不斷修正對AI結(jié)果的判斷，提升對輸出質(zhì)量的批判性認(rèn)知（De?Stobbeleir,?2008）[20]。在陰陽視角下，F(xiàn)S行為相當(dāng)于在“陰”中注入更多反思能量，使批判性掌控——作為“陰”的一極——得到進(jìn)一步強(qiáng)化。

相反，技術(shù)依賴往往源于對AIGC提示的被動接受。FS行為通過主動詢問和環(huán)境監(jiān)測，增加了研究者對工具局限性的認(rèn)識與警覺（Ashford et al.,?2003）[7]，從而抑制過度依賴帶來的認(rèn)知懈怠和同質(zhì)化風(fēng)險。在陰陽框架中，F(xiàn)S為“陽”帶來“陰”的校正，削弱技術(shù)依賴這一“陽中之陰”。

鑒于以上機(jī)理，我們提出：

H4. 反饋尋求行為顯著正向調(diào)節(jié)AIGC工具使用與科研創(chuàng)造力之間的倒U型關(guān)系。

反饋尋求不僅單獨調(diào)節(jié)AIGC—創(chuàng)造力曲線，還可通過增強(qiáng)批判性掌控與削弱技術(shù)依賴的雙重路徑，共同放大正向效應(yīng)與抑制負(fù)向效應(yīng)。這種三元聯(lián)動體現(xiàn)了陰陽調(diào)和中的“多維平衡”思路。因此，我們進(jìn)一步提出：

H5.1. 反饋尋求行為顯著增強(qiáng)批判性掌控對AIGC工具使用與科研創(chuàng)造力關(guān)系的正向調(diào)節(jié)效應(yīng)；

H5.2. 反饋尋求行為顯著弱化技術(shù)依賴對AIGC工具使用與科研創(chuàng)造力關(guān)系的的負(fù)向調(diào)節(jié)效應(yīng)。

綜上，本文的研究模型如圖 1所示。

圖 1 研究模型

3數(shù)據(jù)收集與分析

3.1量表設(shè)計

本文的研究模型包含5個潛在變量，每個潛在變量包含4個測量變量（題項）。為保證潛在變量和測量變量的內(nèi)容效度，本文研究模型中的所有潛在變量和題項均改編自國際權(quán)威文獻(xiàn)，并結(jié)合AIGC情境進(jìn)行了適度修訂。測量變量采用Likert七點評分（1=“完全不同意”至7=“完全同意”），所有量表均進(jìn)行了雙向翻譯與預(yù)測試驗證（n=30），Cronbach’s α值均超過0.8，說明量表內(nèi)部一致性良好。本文研究的量表見表 1。

表 1 量表及來源

3.2數(shù)據(jù)收集

在進(jìn)行大規(guī)模調(diào)查前，先進(jìn)行了預(yù)調(diào)查，以確保測量工具與研究假設(shè)的適切性與清晰度。我們選取并邀請了30名碩士和博士研究生參與預(yù)調(diào)查，根據(jù)他們的反饋，對問卷中一些題項的表述進(jìn)行了適當(dāng)?shù)男薷呐c完善。

在正式開展線上問卷調(diào)查階段，我們面向具有科研背景的學(xué)術(shù)人員（包括在高校、研究院所的教師、在讀博士和碩士研究生群體）發(fā)放問卷，選用國內(nèi)可靠的在線問卷服務(wù)平臺“問卷星”（https://www.wjx.cn/）作為數(shù)據(jù)收集工具，制定了詳細(xì)的填寫指南，明確說明問卷填答規(guī)范與受訪者隱私保護(hù)措施。最終獲得319名科研人員的有效數(shù)據(jù)，有效回收率為70.3%。樣本構(gòu)成如下：男性147人，女性172人；碩士217人，博士102人；平均年齡33.5歲；研究領(lǐng)域占比分別為：自然科學(xué)35.1%，社會科學(xué)41.7%，人文科學(xué)15.7%，其他7.5%；研究年限分別為：1~5年68.3%，6~10年16.3%，10年以上15.4%。

3.3測量模型評估

在正式開展假設(shè)檢驗前，本文首先對測量模型的信度與效度進(jìn)行了檢驗。結(jié)果顯示（見表 2），各潛變量的Cronbach’s α系數(shù)均大于0.8，組合信度（CR）均超過0.8，表明量表具有較高的內(nèi)部一致性。收斂效度方面，各潛變量的平均方差提取量（AVE）均大于0.5，且各潛變量AVE平方根均大于其與其他變量的相關(guān)系數(shù)（見表 3），說明本文量表具備良好的收斂效度與判別效度。

表 2 測量模型的AVE 、CR 、Cronbach’s α值

表 3 AVE的平方根和潛變量間的相關(guān)系數(shù)

為檢驗共同方法變異（Common Method Variance, CMV）對研究結(jié)果的潛在影響，本文采用了三種方法，包括Harman 單因子檢驗、完全共線性方法、驗證性因子分析標(biāo)記變量法，三種檢驗結(jié)果均顯示共同方法變異對本文結(jié)論的威脅較小。

3.4假設(shè)檢驗

為檢驗倒U型主效應(yīng)及多重調(diào)節(jié)效應(yīng)，本文采用分層回歸分析（Hierarchical Regression Analysis）逐步引入變量進(jìn)行建模，分析結(jié)果見表 4。

表 4 分層回歸分析結(jié)果

3.4.1主效應(yīng)與倒U型關(guān)系（H1）

Model 1 僅包含控制變量，R2=0.012。加入自變量 AU 及其二次項 AU2 后（Model 2），模型的解釋力顯著提升至 R2=0.678（ΔR2=0.666，p<0.001）。AU 一次項系數(shù)顯著為正（β=4.273, t=18.310, p<0.001），AU2 二次項系數(shù)顯著為負(fù)（β=-3.881, t=13.405, p<0.001），說明AIGC使用程度與科研創(chuàng)造力之間存在顯著倒U型關(guān)系，支持假設(shè)H1。

3.4.2批判性掌控的調(diào)節(jié)作用（H2）

Model 3在Model 2的基礎(chǔ)上引入 CC 及其與 AU、AU2 的交互項后，模型解釋力進(jìn)一步提升（R2=0.711，ΔR2=0.033，p<0.001）。AU2×CC 交互項顯著為正（β=0.623, t=3.064, p=0.002），表明批判性掌控顯著正向調(diào)節(jié)了AU與RC之間的倒U型關(guān)系：批判性掌控水平高時，AU對RC的促進(jìn)作用更強(qiáng)，且峰值更高、下降更緩慢（見圖 2）。

圖 2 批判性掌控（CC）的調(diào)節(jié)效應(yīng)

3.4.3技術(shù)依賴的調(diào)節(jié)作用（H3）

Model 4 在Model 2的基礎(chǔ)上引入 TD 及其與 AU、AU2 的交互項后，模型解釋力為（R2=0.702，ΔR2=0.024，p<0.001）。AU2×TD 交互項顯著為負(fù)（β=-0.460, t=2.147, p=0.032），表明技術(shù)依賴水平越高，AU與RC之間的倒U型關(guān)系峰值越低且下降更陡峭，支持假設(shè)H3（見圖 3）。

圖 3 技術(shù)依賴（TD）的調(diào)節(jié)效應(yīng)

3.4.4反饋尋求的調(diào)節(jié)作用（H4）

Model 5 在Model 2的基礎(chǔ)上引入 FS 及其與 AU、AU2 的交互項后，R2=0.694（ΔR2=0.016，p<0.001）。AU2×FS 交互項顯著為正（β=0.660, t=2.065, p=0.039），說明反饋尋求水平越高，倒U型關(guān)系的峰值更高且下降更緩慢，支持假設(shè)H4（見圖 4）。

圖 4 反饋尋求行為（FS）的調(diào)節(jié)效應(yīng)

3.4.5雙調(diào)節(jié)效應(yīng)

Model 6在Model 2的基礎(chǔ)上同時引入CC與FS，模型解釋力顯著提升（R2=0.715，ΔR2=0.021）。結(jié)果顯示，AU2×CC（β=1.046, t=3.079, p=0.002）保持顯著，而AU2×FS（β=0.031, t=0.094, p=0.002）不再顯著，說明批判性掌控的調(diào)節(jié)作用更為穩(wěn)健，F(xiàn)S效應(yīng)可能被CC部分吸收或存在重疊機(jī)制，即二者表現(xiàn)出競爭性調(diào)節(jié)。

Model 7在Model 2的基礎(chǔ)上同時引入TD與FS后，模型解釋力為R2=0.703（ΔR2=0.009）。此時AU2×TD（β=-0.425, t=1.568, p=0.117）和AU2×FS（β=0.28, t=0.871, p=0.384）均不顯著，而在單獨模型中二者均顯著，表明其效應(yīng)在統(tǒng)計上相互抵消或稀釋。這提示調(diào)節(jié)變量之間可能存在共享方差和作用方向差異，導(dǎo)致聯(lián)合建模下效應(yīng)減弱。

3.4.6三重交互效應(yīng)（H5）

Model 8在Model 6的基礎(chǔ)上加入三重交互項AU2×CC×FS后，模型解釋力進(jìn)一步提升（R2=0.727，ΔR2=0.012）。結(jié)果表明交互項AU2×CC×FS顯著為正（β=1.114, t=2.626, p=0.009），說明反饋尋求能夠放大批判性掌控對AIGC使用與科研創(chuàng)造力倒U型關(guān)系的調(diào)節(jié)作用（H5.1）。如圖 5所示，在高FS條件下，高CC個體的創(chuàng)造力峰值更高且作用區(qū)間更寬，因為他們善于批判性評估AIGC輸出，當(dāng)他們同時積極尋求反饋時，可以結(jié)合外部多元信息與自身批判性加工，形成更高質(zhì)量的創(chuàng)新思路。

圖 5 反饋尋求水平下批判性掌控調(diào)節(jié)AIGC使用與科研創(chuàng)造力關(guān)系的三重交互效應(yīng)

Model 9在Model 7基礎(chǔ)上加入AU2×TD×FS，R2為0.718（ΔR2=0.015）。結(jié)果表明交互項AU2×TD×FS顯著為正（β=0.922, t=2.611, p=0.009），表明反饋尋求削弱了技術(shù)依賴的負(fù)向調(diào)節(jié)作用（H5.2）。如圖 6所示，在高反饋尋求條件下，高技術(shù)依賴的負(fù)向調(diào)節(jié)效應(yīng)明顯被削弱，倒 U 型曲線的峰值下降幅度減小，從而體現(xiàn)了“弱化負(fù)向調(diào)節(jié)”的假設(shè)效果。這是因為高FS能引入多元觀點與信息，彌補(bǔ)因依賴技術(shù)導(dǎo)致的思維狹窄，使高 TD 個體在信息來源上不完全依賴 AIGC，從而維持創(chuàng)造力的多元性。同時也幫助個體意識到自身的依賴傾向，從而在使用 AIGC 時主動調(diào)整策略，保持適度使用。

圖 6 反饋尋求水平下技術(shù)依賴調(diào)節(jié)AIGC使用與科研創(chuàng)造力關(guān)系的三重交互效應(yīng)

4討論與啟示

4.1主要研究發(fā)現(xiàn)

基于319份有效樣本的多層次回歸分析結(jié)果顯示：

（1）AIGC使用程度（AU）與科研創(chuàng)造力（RC）之間呈顯著倒U型關(guān)系，即適度使用AIGC最有利于科研創(chuàng)造力的提升，過低或過高的使用均可能抑制創(chuàng)造力。這一模式與“陰陽調(diào)和”理論中強(qiáng)調(diào)的“中道”思想相契合，也與Amabile（1996）[25]和Florida（2002）[26]關(guān)于適度技術(shù)使用促進(jìn)創(chuàng)造力的結(jié)論一致。

（2）批判性掌控（CC）對AU–RC倒U型關(guān)系具有顯著正向調(diào)節(jié)作用，表現(xiàn)為在高CC條件下，AIGC使用的最佳水平更高、峰值效應(yīng)更強(qiáng)。這與Paul和Elder（2013）[27]關(guān)于批判性加工提升創(chuàng)新的觀點相符，并體現(xiàn)了“陽中有陰”的認(rèn)知調(diào)節(jié)作用。

（3）技術(shù)依賴（TD）對倒U型關(guān)系呈顯著負(fù)向調(diào)節(jié)作用，即高TD情境下，AIGC的積極效應(yīng)被削弱，這符合Kishore等（2013）[28]提出的依賴—自主沖突模型，亦印證了“陽過則陰生”的風(fēng)險提示。

（4）反饋尋求（FS）對倒U型關(guān)系具有顯著正向調(diào)節(jié)作用，表明積極的外部信息獲取可緩解過度技術(shù)使用帶來的認(rèn)知視野收窄，這與Ashford等（2003）[7]關(guān)于反饋促進(jìn)創(chuàng)新的結(jié)論一致，體現(xiàn)了“以外補(bǔ)內(nèi)”的陰陽互濟(jì)邏輯。

（5）三重交互效應(yīng)分析表明，AU2×CC×FS和AU2×TD×FS均顯著為正。這表明，在高反饋尋求（FS）情境下，批判性掌控（CC）的促進(jìn)作用得到進(jìn)一步增強(qiáng)——高CC+高FS的科研人員更容易在適度使用AIGC時獲得更高的創(chuàng)造力峰值，并拓寬創(chuàng)造力維持的有效區(qū)間。這種效應(yīng)反映了認(rèn)知特質(zhì)與行為策略的協(xié)同作用：高質(zhì)量的內(nèi)部加工與高頻外部信息獲取相結(jié)合，能夠有效放大AIGC的積極效應(yīng)。與此同時，技術(shù)依賴（TD）在高FS情境下的抑制作用也被顯著放大——高TD+高FS的科研人員，即便頻繁獲取外部意見，也可能因高度依賴技術(shù)而固化已有的思維路徑，降低創(chuàng)新的靈活性與突破性。這一結(jié)果揭示了多重調(diào)節(jié)效應(yīng)的雙刃劍特征：反饋尋求在不同認(rèn)知與依賴水平下可能呈現(xiàn)截然相反的作用模式，強(qiáng)調(diào)了在數(shù)字科研環(huán)境中認(rèn)知—行為—依賴的動態(tài)匹配性的重要性。

4.2理論意義

本文的理論貢獻(xiàn)體現(xiàn)在三個方面：

（1）擴(kuò)展了技術(shù)使用與創(chuàng)造力關(guān)系的非線性理解——通過引入陰陽調(diào)和框架，將倒 U 型效應(yīng)解釋為技術(shù)賦能與認(rèn)知風(fēng)險的動態(tài)平衡，為數(shù)字科研情境下的創(chuàng)造力研究提供了文化特定的理論支撐。

（2）整合了認(rèn)知特質(zhì)與行為策略的交互機(jī)制——揭示了 CC、TD 與 FS 的匹配性是影響技術(shù)使用效果的關(guān)鍵，這在現(xiàn)有關(guān)于技術(shù) — 創(chuàng)造力關(guān)系的研究中尚屬首次。

（3）連接本土與國際理論 —— 研究結(jié)果不僅印證了資源—需求平衡理論、批判性思維促進(jìn)創(chuàng)造力的觀點，也與西方辯證思維理論相呼應(yīng)，顯示了跨文化框架對科研創(chuàng)造力的解釋潛力。

4.3實踐意義

本文的實踐貢獻(xiàn)主體現(xiàn)在三個方面：

（1）科研人員層面。 AIGC 使用與創(chuàng)造力之間呈倒U型關(guān)系，提示個體應(yīng)遵循“適度原則”：既避免低使用導(dǎo)致的資源浪費(fèi)，也防止高使用帶來的依賴與創(chuàng)造力下降。批判性掌控高的科研人員可更好發(fā)揮工具優(yōu)勢，但仍需保持獨立思考；而技術(shù)依賴高的群體應(yīng)警惕過度使用風(fēng)險，通過人工探索和跨領(lǐng)域信息整合維持創(chuàng)新活力。

（2）科研機(jī)構(gòu)層面。 反饋尋求顯著提升創(chuàng)造力峰值，尤其在高批判性掌控情境下作用更強(qiáng)。因此，機(jī)構(gòu)應(yīng)建立跨學(xué)科交流、同行評議和反饋機(jī)制，幫助科研人員優(yōu)化對AI生成內(nèi)容的加工。同時，應(yīng)對高技術(shù)依賴群體進(jìn)行培訓(xùn)，推動多工具結(jié)合使用，避免認(rèn)知慣性。

（3）政策制定層面。 三重交互結(jié)果顯示，高技術(shù)依賴在高反饋情境下負(fù)效應(yīng)被放大，提示政策制定者應(yīng)在推動數(shù)字化科研的同時關(guān)注個體差異?？稍诳蒲匈Y助和人才評價中引入AIGC使用指引，如在科研倫理中強(qiáng)調(diào)“創(chuàng)造力自主性”，或在項目中要求設(shè)置反饋與批判機(jī)制，以平衡技術(shù)賦能與創(chuàng)新獨立性。

4.4局限性與未來研究方向

盡管本研究取得了一定創(chuàng)新，但仍存在局限。首先，數(shù)據(jù)來自319份橫截面問卷，雖揭示了顯著的非線性與調(diào)節(jié)效應(yīng)，但因果關(guān)系仍難以確認(rèn)。未來可采用縱向追蹤或?qū)嶒炘O(shè)計，以驗證AIGC使用與科研創(chuàng)造力的動態(tài)關(guān)系。其次，研究主要依賴自陳量表，雖然通過多種方法控制了共同方法偏差，但社會期許與回憶偏差難以避免。后續(xù)研究可結(jié)合客觀產(chǎn)出指標(biāo)與多源評價，以提升信度與效度。再次，陰陽調(diào)和框架在中國文化背景下契合度較高，其跨文化適用性有待檢驗。未來可對比西方辯證思維或悖論管理理論，以拓展理論解釋的國際普適性。最后，本文的調(diào)節(jié)變量主要集中在個體層面，尚未考慮團(tuán)隊與組織情境。后續(xù)可結(jié)合多層次分析，探索組織文化與科研資源配置對AIGC—創(chuàng)造力關(guān)系的作用機(jī)制。

5研究結(jié)論

本文以“陰陽調(diào)和認(rèn)知”作為理論基石，探討了 AIGC 使用在科研創(chuàng)造力生成過程中的作用機(jī)制及其邊界條件。通過引入批判性掌控、技術(shù)依賴與反饋尋求三個關(guān)鍵調(diào)節(jié)因素，揭示了技術(shù)賦能與認(rèn)知主體性之間并非線性遞進(jìn)的簡單關(guān)系，而是一種需要動態(tài)平衡與多方匹配的復(fù)雜系統(tǒng)。

整體而言，研究表明：適度使用 AIGC 是科研創(chuàng)造力的最佳區(qū)間；批判性掌控與反饋尋求是放大技術(shù)正效應(yīng)的“陽性力量”；技術(shù)依賴則可能成為侵蝕創(chuàng)造力的“陰性因素”。三重交互效應(yīng)進(jìn)一步凸顯，個體特質(zhì)與行為策略的匹配，是實現(xiàn)技術(shù)賦能與自主創(chuàng)造力共生的核心路徑。

這一結(jié)論在理論上回應(yīng)了數(shù)字化科研背景下關(guān)于技術(shù)與創(chuàng)造力關(guān)系的悖論問題，驗證了“陰陽調(diào)和”作為解釋框架的適用性與解釋力，也為 AI 與人類認(rèn)知協(xié)同的跨文化研究提供了新的思路。它提示我們：在技術(shù)快速演進(jìn)的時代，創(chuàng)造力不在于工具的堆砌，而在于主體如何在便利與自主、效率與深思之間保持張力與平衡。

在更廣泛的層面上，本文的發(fā)現(xiàn)不僅適用于科研領(lǐng)域，也對教育、創(chuàng)意產(chǎn)業(yè)、政策制定等多個場景具有啟示意義。它呼吁學(xué)界與實踐界共同思考：如何構(gòu)建一個既能利用 AI 助力創(chuàng)新，又能守護(hù)人類獨立思維與批判精神的知識生態(tài)。

正如陰陽相生相克，科研創(chuàng)造力的未來，不在于一味擁抱或抗拒技術(shù)，而在于于動靜之間、取舍之中，找到人機(jī)共生的最佳尺度。

基金項目：湖北省教育廳哲學(xué)社會科學(xué)研究重點項目“價值和公平視角下虛擬學(xué)術(shù)社區(qū)中科研人員持續(xù)性知識共享行為研究”（20D023）；湖北省教育廳哲學(xué)社會科學(xué)研究重點項目“在線學(xué)術(shù)社區(qū)科研人員信息行為轉(zhuǎn)化機(jī)制研究”（20D024）;湖北省教育廳人文社會科學(xué)研究項目“不對稱信息視角下的區(qū)塊鏈技術(shù)在碳排放交易中的應(yīng)用研究”（20Y013)

作者簡介

秦嶺 武漢科技大學(xué)管理學(xué)院碩士，副教授

嚴(yán)紅 武漢科技大學(xué)管理學(xué)院碩士，副教授

殷志平 武漢科技大學(xué)管理學(xué)院博士，副教授

參考文獻(xiàn)