高职学生生成式人工智能接受与使用的影响机制研究——基于8354份学生问卷数据的分析

　　生成式人工智能（Generative Artificial Intelligence, GenAI）凭借强大的深度学习技术与大模型语义建模预测能力，引发教育、科研等多个行业的颠覆性变革^[1]。作为与社会产业联系最为紧密、人才输出最为直接的教育类型，职业教育承担着为新质生产力培养“新工匠”的重要职责，是推动新质生产力发展的基础支撑力量。教育部部长怀进鹏在中国职业技术教育学会第六次会员代表大会中强调，“职业教育必须与新质生产力的发展紧密结合，通过改革与创新，培养更多适应新质生产力需求的高素质劳动者和高技能人才，为新质生产力发展持续赋能”^[2]。2024年3月，“人工智能＋”首次被写入政府工作报告，为催生新质生产力指明了新方向^[3]。同年8月，联合国教科文组织（UNESCO）推出全球首个面向教师与学生的“人工智能能力框架”，为全球教育系统如何将人工智能能力融入师生发展提供参考^[4]。麦肯锡2024年全球人工智能调查显示，已有65%的组织在至少一项业务功能中常规性地部署生成式人工智能^[5]。可见，生成式人工智能将深度融入高职学生的学习、生活与未来职业发展，成为其不可或缺的关键生产力工具。在此背景下，职业教育要紧跟新质生产力发展趋势，以生成式人工智能引领人才素质结构、课程体系、教学模式、评价方式等全方位的创新变革与转型重塑^[6]。作为核心应用主体，高职学生对生成式人工智能的接受程度与实际使用情况，是推动该技术在职业教育领域规模化、常态化应用的关键前提。系统探究当前生成式人工智能在职业教育中的应用现状及其影响因素，并着力培养学生的“愿用、会用、善用”，对构建面向未来的高素质技术技能人才素养体系至关重要。　　自以ChatGPT为代表的生成式人工智能火热“出圈”以来，很多机构和学者开展了关于学生生成式人工智能使用现状的调查研究。例如，清华大学教育研究院发布的《职业教育数字化发展报告（2023）》从课堂学习、课后问题解决、虚拟仿真实训、岗位实习等方面展现了职业教育学生基于人工智能的数字化学习现状^[7]；李艳等通过问卷调查，从课程学习、科研实践、日常生活与升学就业四个维度，对1190名浙江大学本科生使用生成式人工智能的现状展开了系统分析^[8]；杜布（Dube）等在系统性文献综述中指出，学生对ChatGPT在学习辅助、研究支持与个性化学习三大方面均展现出积极的使用评价^[9]；达斯（Das）等针对162名印度大学生开展的调查显示，大学生普遍认为ChatGPT能够在个性化学习、科学研究、课后学习任务完成等方面提供帮助^[10]。可见，学生群体已悄然参与生成式人工智能带来的学习革命，将其应用于课堂学习、自主学习、学术科研、求职就业、实习实训多个学习与发展场景中，为进一步探究影响其持续使用生成式人工智能的影响因素奠定实践基础。　　当前，关于学生接受和使用生成式人工智能影响因素的研究处于起步阶段，多基于技术接受模型（TAM）、技术接受与使用统一模型（UTAUT）、计划行为理论（TPB）等较为成熟的理论模型展开分析。例如，有研究结合TAM、TPB模型探究大学生在学业研究中接受和使用ChatGPT的影响因素^[11]；有研究在TAM、TPB模型基础上，进一步引入技术准备度，研究大学生对于ChatGPT接受度的影响因素^[12]；有研究基于UTAUT模型，开展学生生成式人工智能持续使用意向与使用行为影响因素的研究^[13-17]。　　然而，现有研究采用的模型主要侧重于预测用户在新技术推出初期的接受程度，关注感知有用性、感知易用性等外部认知因素，对驱动个体持续、深度投入的深层次内在动机挖掘不足^[18]。近期，已有研究开始引入自我决定理论（SDT），为深入探究学生生成式人工智能持续使用意向与实际使用行为的内在驱动机制，提供了重要的补充性分析视角^[19]。例如，有研究发现，大学生的自主需求和归属需求会通过影响其对ChatGPT的感知有用性和易用性，进而作用于其持续使用意向^[20]；有研究提出，三种基本心理需求动机和技术接受度相关因素，共同影响学生对ChatGPT的持续使用意向^[21]。可见，忽视内在动机因素，将难以全面理解高职学生持续使用生成式人工智能的深层驱动机制。　　综合来看，一方面，目前国内对学生生成式人工智能使用意向和行为的研究偏少，更缺乏对高等职业教育学生群体的关注；另一方面，多数研究在技术接受度相关模型下进行探究，相对缺乏对内在动机这一重要变量的进一步整合。为此，本研究聚焦高等职业教育学生群体，创新性地整合技术接受模型与自我决定理论，系统探究内在心理需求因素与外部认知因素如何共同影响、相互作用，最终驱动该群体在学习场景中对生成式人工智能的持续使用意向和实际使用行为，以期为构建更完善的理论解释框架、设计更具实效的学生持续使用激励策略、优化人工智能赋能职业教育的发展路径，提供坚实的实证研究基础。

　　（一）技术接受模型　　技术接受模型是信息系统理论中探讨人类如何接受和使用技术的最常用的模型之一^[22]，包括外部变量、感知有用性（Perceived Usefulness, PU）、感知易用性（Perceived Ease of Use, PEOU）、持续使用意向（Behavior Intention, BI）和实际使用（Actual Use, AU）等变量。其中，外部变量通过感知易用性与感知有用性来影响持续使用意向，进而促进实际使用行为的发生，且感知易用性对于感知有用性有直接影响^[23]。在本研究中，感知有用性指学习者感知到的使用生成式人工智能会提高自身学习表现的程度；感知易用性指学习者感知到的使用生成式人工智能开展学习活动的难易程度；持续使用意向指学习者对未来持续使用生成式人工智能进行学习的意愿强度，是衡量系统推广成功与否的关键标准；实际使用行为指学习者利用生成式人工智能进行学习这一行为的发生程度。技术接受模型的适用性已经在移动端学习^[24]、在线学习^[25]、VR学习^[26]等技术赋能教学应用场景下得到验证。　　在关于高校学生生成式人工智能接受度及其影响因素的研究中，感知有用性、感知易用性、持续使用意愿及实际使用行为之间的关联机制亦受到广泛关注与深入探讨。有研究表明，大学生对ChatGPT的感知易用性可以显著正向影响感知有用性；大学生对ChatGPT的感知有用性、感知易用性显著正向预测其持续使用意向^[27][28]；大学生对ChatGPT的持续使用意向直接正向预测其实际使用行为的发生^[29][30]。基于以上分析，本研究提出假设：　　H1：感知易用性对感知有用性具有正向影响。　　H2-H3：感知有用性、感知易用性对学生生成式人工智能持续使用意向具有正向影响。　　H4：行为使用意向对学生生成式人工智能实际使用行为具有正向影响。　　（二）自我决定理论　　自我决定理论是一种关于人类动机的心理学框架，探讨了驱动人类行为的潜在心理需求和动机因素^[31][32]。自我决定理论指出，人生来具有的自主需求（Perceived Autonomy, PA）、胜任需求（Perceived Competence, PC）与归属需求（Perceived Relatedness, PR）三种基本心理需求，驱动着人类行为的产生与发展。其中，自主需求指个体感到独立并能够以符合自己愿望的方式行动的能力。借助生成式人工智能，学生得以突破时空限制，通过文本、图像、文档等多种形式灵活交互与探索，从而在自主实践过程中感受到自主需求的满足。胜任需求指个人感受到自己能够胜任某项任务，并且能够有效地处理各种挑战而感受到的心理满足需求。生成式人工智能具有卓越的启发性内容生成能力、对话情境理解能力、序列任务执行能力和程序语言解析能力^[33]，能帮助学生更有效地解决学习问题、完成学习任务、达成学习目标，使其感受到使用新一代人工智能工具进行学习的胜任感和自信感。归属需求指个体希望与他人建立联系，并感受到社会归属感和关怀。在与生成式人工智能交互和对话时，学生可能会将自己的价值观、情感和身份认同投入其中，在这一过程中有助于培养其归属感和联结感^[34]。　　有学者将自我决定理论的三种基本需求动机直接作为影响学生接受和使用一项新技术的影响因素。有研究表明，自主需求、胜任需求、归属需求对学生使用Blackboard的意向具有显著正向影响^[35]；在科尔特斯（Cortez）等的研究中，归属需求显著正向影响学生使用对话型人工智能的持续使用意向^[36]；而休（Hew）等直接验证了三种基本心理需求对于实际使用行为有直接的显著影响^[37]；还有研究发现，三种基本心理需求既可以影响学生持续使用生成式人工智能工具的意向，也能直接预测学生的实际使用行为^[38]。基于以上分析，本研究提出假设：　　H5-H7：自主需求、胜任需求、归属需求对学生生成式人工智能持续使用意向具有正向影响。　　H8-H10：自主需求、胜任需求、归属需求对学生生成式人工智能实际使用行为具有正向影响。　　（三）技术接受度与自我决定理论整合模型　　个体本身的内在需求动机也是技术接受模型重要的外部变量之一，如果个体在使用技术时，其内在动机得到了满足，会更加享受使用技术的时刻，感受到技术带来的价值，不去关注使用技术所花费的时间和精力，促进个体使用技术的意愿^[39][40]。有研究将在线学习环境中的心理需求作为TAM模型的外部变量，发现自主需求、胜任需求与归属需求能显著影响学生使用数字技术的感知有用性和感知易用性，进而促进学生的持续使用意向和实际使用行为^[41]；有研究发现，三种基本心理需求被证实能通过显著影响学生E-learning的感知易用性，进而促进学生持续使用意向^[42]；还有研究发现，自主需求和归属需求能直接影响学生感知到的ChatGPT的易用性和有用性^[43]。基于以上分析，本研究提出假设：　　H11-H13：自主需求、胜任需求、归属需求对感知易用性具有正向影响。　　H14-H16：自主需求、胜任需求、归属需求对感知有用性具有正向影响。

　　（一）研究样本　　本研究采用便利抽样调查的方式，在铜仁职业技术学校、浙江东方职业技术学校两所高职院校发放网络问卷，共回收12040份问卷，清洗筛选后剩余8354份有效问卷，有效率69.38%。其中：女生5221人，约占62.5%；男生3133人，约占37.5%。一年级学生4503人，约占53.9%；二年级学生2740人，约占32.8%；三年级学生1147人，约占13.7%。社会科学类专业学生3406人，约占40.8%；工程技术类专业学生2389人，约占28.6%；医学类专业学生共1419人，约占17%；自然科学类、艺术类、文史类专业学生分别占2.8%、3.2%、7.7%。　　（二）研究工具　　研究工具分为四个部分。第一部分为学生基本信息。第二部分为自我决定动机量表，改编自已有研究，包括胜任需求、自主需求、归属需求三种基本心理需求^[44]。每个维度3道题目，共9个题目。第三部分为技术接受度量表，改编自已有研究，包括感知易用性、感知有用性、持续使用行为意向三个维度，每个维度3道题目，共9个题目^[45]。第二部分和第三部分均采用李克特5点计分法，从1（非常不同意）到5（非常同意）。第四部分为生成式人工智能实际使用行为量表，采用自编题目。该量表对高职学生在课堂学习、自主学习、实习实训、科学研究、求职就业五个场景中的生成式人工智能学习工具使用频率进行测量，共有45个题目。该量表采用李克特6点计分法，从1（未使用）到6（总是使用），分数越高，表明高职学生在学习与发展场景下使用生成式人工智能的频率越高。

　　（一）测量模型检验　　为确保研究工具的可靠性和有效性，本研究首先对生成式人工智能实际使用行为自编量表进行结构检验，并采用SPSS 27.0软件进行探索性因子分析。结果表明，KMO值为0.992（>0.7），巴特利球形检验结果显著（P=0.000<0.05），适合进行因子分析。本研究采用主成分分析法，选择最大正交旋转，抽取特征值大于1的公因子，得到5个公因子，累计方差贡献率为85.978%，表明公因子结构能够较好地解释量表总体方差，具有良好的结构合理性。随后，本研究使用Mplus 8.7软件，采用最大似然估计法对5因子模型进行验证性因子分析。模型拟合优度指标结果如下：χ2=52829.280、df=940、RMSEA=0.065、CFI=0.961、TLI=0.949、SRMR=0.018，均符合模型拟合的理想标准，表明5因子模型具有良好的拟合度。结合探索性与验证性因子分析结果及题项内容，本研究将5个公因子分别命名为课堂学习使用行为、自主学习使用行为、实习实训使用行为、科研创新使用行为、求职与职业发展使用行为，为高职学生生成式人工智能实际使用行为的整体测量奠定基础。最后，本研究采用SPSS 27.0和SmartPLS 3.0软件对整体测量模型的信度和效度进行检验，结果如表1所示。在信度检验方面，问卷整体的Cronbach’s α系数与组合信度CR均表现良好。各变量的Cronbach’s α系数介于0.920至0.996之间，组合信度CR值介于0.949至0.996之间，所有指标均高于0.8的可接受阈值，表明问卷具有较好的信度。在收敛效度方面，所有题项的标准化因子载荷量都在0.7以上，平均变异抽取量（Average Variance Extracted, AVE）均大于0.5，表明问卷具有良好的收敛效度。在区分效度检验中，通过比较各潜变量AVE的平方根与变量间相关系数，结果显示对角线加粗的AVE平方根值均大于该变量与其他变量的相关系数，表明问卷具有良好的区分效度。表1 测量模型的信度与效度（n=8354）

　　（二）模型拟合度检验　　为深入探讨学生生成式人工智能持续使用意向与实际使用行为的影响因素及其相互作用机制，本研究基于Mplus 8.7软件，采用结构方程模型分析法，利用稳健极大似然法对模型进行估计，路径模型如图1所示，其中生成式人工智能实际使用行为为五个维度的均值。模型拟合指数良好：χ2=4656.56、df=214、RMSEA=0.050、CFI=0.982、TLI=0.979、SRMR=0.020。可见，本研究初步建立的模型拟合度较好，适合开展进一步假设检验。

图1 高职学生生成式人工智能接受度的影响因素模型　　（三）假设检验　　对学生生成式人工智能持续使用意向与实际使用行为影响因素模型进行检验分析，结果如表2所示。由假设检验结果可知：除H8、H9、H14、H16四个假设不成立之外，其他假设均成立。表2 模型参数检验值及研究假设验证

　　就学生生成式人工智能持续使用意向而言，自主需求对其有显著负向影响，与原假设相反；胜任需求、归属需求、感知易用性、感知有用性均对其有显著正向影响。从影响程度来看，胜任需求（0.772）的作用最大，且远高于其他因素；自主需求、感知有用性、归属需求的作用次之，标准化路径系数分别是-0.212、0.200和0.164；感知易用性的作用最微弱（0.087）。　　就学生生成式人工智能实际使用行为而言，三种基本心理需求中，只有归属需求对其有显著正向影响，胜任需求和自主需求对其影响不显著。此外，持续使用意向也能显著正向影响实际使用行为。归属需求和持续使用意向的影响作用几乎一致，标准化路径系数分别为0.249和0.246。　　就感知有用性而言，三种基本心理需求中，只有胜任需求对其有显著正向影响，自主需求和归属需求的影响不显著。此外，感知易用性也能显著正向影响感知有用性，且感知易用性（0.722）的影响作用明显高于胜任需求（0.200）。　　就感知易用性而言，三种基本心理需求均对其有显著正向影响，影响作用从大到小依次为胜任需求（0.530）、自主需求（0.265）和归属需求（0.099）。　　（四）中介效应分析　　本研究采用Bootstrap算法进行1000次运算后，得出中介效应检验结果。结果显示，各95%置信区间均不包含0，表明各中介效应及其对应路径显著。　　三种基本心理需求到生成式人工智能持续使用意向的中介效应检验结果表明：①自主需求通过感知易用性的中介作用对持续使用意向产生正向影响（β=0.053, 95%CI[0.008, 0.096]）。需要说明的是，根据已有研究的观点，间接效应的符号可能和直接效应的符号相反，存在遮掩效应，使得总效应不显著，但中介效应仍然存在^[46][47]。本研究中，自主需求对持续使用意向的总效应不显著，而直接效应与间接效应显著，表明存在遮掩效应（遮掩效应中报告间接效应/直接效应）^[48]。其中，间接效应对持续使用意向的正向作用部分抵消了直接效应的负向作用，间接效应的效应量约为直接效应的25%。②归属需求通过感知易用性的中介作用显著正向影响持续使用意向（β=0.020, 95%CI[0.006, 0.032]），该中介效应占总效应的10.81%。③在胜任需求到持续使用意向的路径中，胜任需求主要通过感知易用性的中介作用对持续使用意向产生正向影响（β=0.106, 95%CI[0.067, 0.147]），该中介效应占总效应的11.42%。此外，胜任需求还分别通过感知有用性的中介作用（β=0.017, 95%CI[0.004, 0.030]），以及感知易用性→感知有用性的链式中介作用（β=0.033, 95%置信区间为[0.010, 0.055]）对持续使用意向产生正向影响，中介效应分别占总效应的1.83%和3.56%。　　三种基本心理需求到生成式人工智能实际使用行为的中介效应检验结果表明：①自主需求对实际使用行为的直接效应与间接效应均不显著。②归属需求通过持续使用意向的中介作用对实际使用行为产生影响（β=0.060, 95%CI[0.024, 0.097]），中介效应占总效应的13.64%。③胜任需求对实际使用行为的总效应与直接效应不显著，中介效应为完全中介^[49]。胜任需求主要通过持续使用意向的中介作用对实际使用行为产生影响（β=0.284, 95%CI[0.116, 0.453] ），占总间接效应的84.77%。此外，胜任需求还分别通过感知易用性→使用意向（β=0.039, 95%置信区间为 [0.012, 0.066] ），以及感知易用性→感知有用性→使用意向（β=0.012, 95%置信区间为 [0.003, 0.022] ）两条链式中介对实际使用行为产生影响，分别占总间接效应的11.64%、3.58%。

　　（一）胜任需求满足是高职学生生成式人工智能持续使用意向形成的主导性因素　　首先，在三种基本心理需求中，胜任需求对高职学生生成式人工智能持续使用意向影响的总效应、直接效应和间接效应都是最高的，且明显高于归属需求和自主需求。可见，胜任需求是影响高职学生生成式人工智能持续使用意向的主导性心理需求动机。这与已有关于学习管理系统使用意向^[50]、聊天人工智能使用意向^[51]的研究结论不一致，可能由不同智能教育工具侧重的学习支持和效能不同所导致。与学习管理系统和传统聊天机器人不同，生成式人工智能能在极短时间内搜集、整理并呈现特定主题的知识内容，并能根据学生反馈不断调整答案，以贴近人类对话的方式答疑解惑、探讨新知，能更大程度上满足高职学生的胜任需求^[52]。因此，当学生使用生成式人工智能时，能够感受到自己有能力完成各种任务，如快速获取准确信息、高效完成学习任务、有效解决学习疑问等，从中获得对自己能力的肯定和信心，产生内在的驱动力和成就感。这种积极的胜任感成为驱动学生愿意持续使用生成式人工智能的最主要核心动力。　　其次，归属需求对学生生成式人工智能持续使用意向的总效应正向显著，也能直接正向促进学生生成式人工智能持续使用意向（0.164）。而自主需求的总效应不显著，并且呈现出负向的直接影响作用（-0.212）。可见，归属需求对学生持续使用意向的正向促进作用明显高于自主需求。具体地，虽然归属需求对学生持续使用意向的影响以直接促进作用为主，但也能通过感知易用性的中介作用正向影响持续使用意向，与已有研究结果一致^[53][54]。一方面，生成式人工智能具备强大的自然语言情境理解和表达能力，能在学生寻求安慰、释放压力时提供即时的情感安慰和激励，一定程度上满足学习者的归属需求^[55]。另一方面，学生围绕生成式人工智能这一前沿话题展开交流、辩论与经验分享，能够真切感知到自己与同学身处同一群体之中，彼此有着共同的社交联系与集体归属感^[56]。　　最后，自主需求直接显著负向影响学生持续使用意向，这与奥塞（Osei）等^[57]、科尔特斯（Cortez）等^[58]的研究结论相反，与卡恩（Khan）等^[59]的研究结论一致。该结论的出现，可归因于样本群体间存在的异质性。已有研究指出，高职学生存在自主学习意识薄弱^[60]、学习主体意识缺失的问题^[61]。生成式人工智能能够满足学生的自主需求，其核心在于构建高度自主的学习环境，使学生在知识探索、问题解决及学习产出生成过程中，实现自由对话、探究和调节。然而，尽管高职学生普遍具备一定的学习意愿，但在“学什么”“怎样学”的问题上，仍较多依赖教师的引导，更习惯接受讲解式的传统教学方式^[62]。从自我决定理论视角来看，当学生自主能力不足时，自主环境的自由度与个体能力之间的不匹配，可能使自主需求无法有效转化为内在动机，即在缺乏明确学习路径和有效引导的情况下，高度自主的生成式人工智能学习环境可能增加认知负荷，导致高职学生在自主探索中产生迷茫情绪和挫败感，从而抑制持续使用意向。　　（二）归属需求满足是高职学生生成式人工智能实际使用行为产生最直接的动机来源　　归属需求对高职学生生成式人工智能实际使用行为影响的总效应、直接效应和间接效应都显著，胜任需求只有间接效应显著，自主需求直接效应、间接效应均不显著。可见，三种基本心理需求中，归属需求是高职学生实际使用行为的最直接动机。也就是说，在国内职业教育中，归属需求的满足程度越高，学生就越能够在心理层面感受到被接纳、被认同，以及自身与周围学习环境和群体之间的紧密联系。这种强烈的归属感会进一步转化为内在驱动力，激发高职学生主动、频繁地在多种学习场景中使用生成式人工智能工具。这与德西（Deci）^[63]的研究结论不同，虽然归属需求是影响美国大学生线上学习行为的最主要因素，但自主需求与胜任需求同样对其实际使用行为具有显著的直接影响。可能的原因是，亚洲人的行为动机在更大程度上源于对归属需求的满足^[64]，尤其国内更加强调集体主义文化，归属需求的满足对于实际使用行为尤为重要。　　（三）感知易用性是基本心理需求转化为生成式人工智能持续使用意向的核心中介变量　　一方面，在胜任需求和学生生成式人工智能持续使用意向之间，感知易用性的中介作用占总效应的11.42%，感知有用性的中介作用占总效应的1.83%，两者的链式中介作用占总效应的3.56%。可见，感知易用性对胜任需求影响高职学生使用意向的中介效应较强，而感知有用性的中介作用较弱，这一发现与已有研究结论一致^[65]。另一方面，感知易用性是自主需求、归属需求影响高职学生生成式人工智能持续使用意向的唯一显著中介变量，两条中介效应分别占总效应的25%和10.81%。可见，感知易用性在三种基本心理需求和学生持续使用意向之间均发挥显著的中介作用，感知易用性是学生持续使用意向产生与形成的核心中介变量。高职学生在生成式人工智能工具的使用过程中，感知到的归属需求、自主需求和胜任需求满足程度越高，越能促进其对生成式人工智能容易使用的感知，进而有效激发持续使用意向。　　（四）生成式人工智能持续使用意向是归属需求、胜任需求转化为实际使用行为的关键中介变量　　高职学生生成式人工智能持续使用意向在归属需求、胜任需求到生成式人工智能实际使用行为之间发挥显著的中介作用。一方面，从归属需求到学生实际使用行为，持续使用意向发挥着唯一的中介作用，占总效应的13.64%。另一方面，从胜任需求到学生实际使用行为，直接路径不显著，PC→BI→AU、PC→PEOU→BI→AU、PC→PEOU→PU→BI→AU三条中介路径显著，间接效应占总效应的比例依次为84.77%、11.64%、3.58%。可见，对高职学生而言，胜任需求的满足并非直接影响其使用行为，而是通过显著提升其使用意愿，进而促进与维持其使用生成式人工智能进行学习与发展的行为频率。同时，胜任需求还能通过感知易用性和持续使用意向，以及感知易用性、感知有用性和持续使用意向的链式中介作用促进学生实际使用行为，但链式中介作用都相对较弱。综合来看，持续使用意向是归属需求、胜任需求转化为高职学生实际使用行为的关键中介变量。

　　（一）以满足高职学生学习与发展胜任需求为核心路径，升级学伴智能体和技能模拟实训，激活高职学生生成式人工智能持续使用意向　　相较于自主需求与归属需求，胜任需求对高职学生生成式人工智能持续使用意向的直接影响作用最强，并且能够借助持续使用意向的中介作用，正向促进高职学生的实际使用行为。因此，为提升高职学生的持续使用意向和行为，要以满足其胜任需求为核心路径，以大模型、智能体等新兴技术，赋能课堂学习、自主学习、实习实训、科学研究、求职就业等多元场景，促进知识习得、技能训练、素养生成的满足感和成就感，从而在智能时代构建起不可替代的学习力、胜任力与竞争力。基于此，一方面，可以利用大模型构建测评诊断助手、规划建议助手、知识问答助手、实时学习反馈等学伴智能体，为高职学生提供个性化学习路径规划、适应性测评诊断反馈与即时性知识问答支持，通过提供有效的“脚手架”，赋能其知识建构与习得，并强化胜任感。另一方面，融合大模型、元宇宙、孪生体等人工智能技术，为高职学生职业技能实训提供数字虚拟人陪练、技能过程性诊断、个性化学习指导等一系列支持^[66]，创新专业技能模拟实训模式，模拟和再现真实的工作环境、任务和流程，提升其技能训练与习得的满足感和胜任感。　　（二）以满足情感交互归属需求为关键纽带，强化情感计算与智能感知，驱动高职学生生成式人工智能实际使用行为　　归属需求是高职学生生成式人工智能实际使用行为得以产生和维持的最直接、关键的动力源泉。该需求的满足来源于学生社会性交互学习过程中，与他人建立情感联系、感受到被他人关心和接纳的过程。可见，以情感交互为纽带，强化社会性学习与情感陪伴，对满足高职学生归属需求具有关键作用。一方面，利用大模型和智能体，创建元宇宙虚拟学习社区，并将生成式人工智能作为智能伙伴融入其中，与高职学生开展深度协作交互，助力归属需求满足。在虚拟社区中，高职学生之间可以自由地交流学习心得、讨论问题、分享兴趣爱好等，并能收到来自智能伙伴的针对性支持和反馈，从而满足其归属需求。另一方面，强化教育智能体的情感计算、感知与反馈功能^[67]，提升情感陪伴质量。通过基于教育智能体的学习陪伴，实时监测高职学生在学习过程中的表情、语音、语调等信息，动态识别其情绪状态和变化，提供陪伴式的情感激励与支持。这种陪伴式的学习体验，能让高职学生感到自己并非孤立无援，而是被学习系统所重视，增强了他们对学习环境的归属感。　　（三）以强化生成式人工智能易用性为基础保障，重塑人机交互方式和体验，催化高职学生心理需求转化为持续使用意向和行为　　感知易用性在三种基本心理需求和生成式人工智能持续使用意向，以及胜任需求和生成式人工智能实际使用行为之间均发挥着显著中介作用。可见，感知易用性是从需求满足到持续使用行为和实际行为产生历程中的“催化剂”，即在满足基本心理需求的基础上，还要兼顾高职学生在使用生成式人工智能开展学习、实训、科研和求职就业时的易用体验。智能时代，人类在学习等社会实践活动中，越发追求智能服务的实时性、交互式、个性化、主动性和人性化^[68]。因此，提升学生易用体验的核心，在于优化和赋能学生获得自然流畅的人机协同交互和学习体验。基于此，一方面，通过引入多模态交互技术，将沟通方式从单一文本扩展为语音、手势乃至表情的自然融合。例如，在虚拟实训中，高职学生可直接用语音下达指令，并辅以手势“操控”虚拟工具，将复杂的操作流程转化为直觉式的交互体验。另一方面，通过“人在回路”的设计，打通从“人类适应机器”到“机器学习人类行为”的机制，增强高职学生对大模型智能输出结果和反馈的选择性和调节性。在这一过程中，大模型通过对高职学生学习行为、习惯等的持续建模和学习，实现与人类的常识、认知、需求、价值观保持一致，从而更加高效地提供适应性学习服务，提升人机协同学习过程中的流畅性和可靠性^[69]。　　（四）以新质技能人才培养为目标，推动生成式人工智能教育教学应用，赋能高职教育高质量发展　　高职学生人工智能能力，是教师能否在教育教学活动中全面融入和创新应用生成式人工智能的基础条件，也是高职教育培养新质技能人才的抓手和目标归旨。有研究提出，当前职业教育领域中，学生对生成式人工智能的认可度、使用深度及适配能力尚存差距。这种人机适配性不足不仅制约了技术优势的充分释放，更深层地阻碍了职业教育向智能化转型过程中的质效提升^[70]。因此，应聚焦高职学生人工智能能力培养，引导其在常态化学习发展过程中实现“愿用、会用、善用”新一代人工智能技术，切实提升其与生成式人工智能的协同效能，最终达成新质技能人才的培养目标。一方面，以高职学生人工智能能力培养为抓手，围绕以人为本的人工智能思维方式、人工智能伦理、人工智能技术和应用、人工智能系统设计等能力层面，聚焦生成式人工智能的发展历程、技术原理、功能范畴、工具应用及伦理规范等方面，帮助高职学生在理解原理、认知功能、知晓风险、懂得规则的基础上，学会如何有效提问，掌握如何训练和使用大模型工具拓展自身认知广度和深度，创新开展各类实践活动，协同高效地完成学习任务，奠定高职学生在人工智能时代的核心竞争力^[71]。另一方面，高职教育应紧扣新质生产力发展需求，培养熟练掌握新质生产资料的应用型人才。高职院校要围绕发展新质生产力过程中涌现的新业态、新职业、新产业、新动能，主动适应产业、岗位迭代发展，建立和完善专业调整优化机制，动态更新课程体系和教学内容^[72]，将人工智能、大数据、云计算、数字孪生、机器学习等技术融入课程设置、专业实践等各环节，逐步培养学生在数智环境中运用先进技术解决实际问题的能力，培养一批“学AI、用AI、创AI”的高素质技术技能人才，为发展新质生产力奠定坚实的人力资本基础^[73]。