Do Artificial Intelligence Ethical Anxiety, Perceived Ethical Risks and Ethical Awareness Affect College Students' Use of Generative Artificial Intelligence Products-- Research from an Ethical Perspective
Notice bibliographique
Résumé
This study aims to explore the factors influencing college students' behavioral intentions (BI) and usage behaviors (UB) of using Generative AI products from an ethical perspective. Based on ethical decision-making theory, the research extends the UTAUT2 model and introduces three key variables: ethical awareness (EA), perceived ethical risk (PER), and AI ethical anxiety (AIEA). The data of 253 college students were analyzed through the partial least squares structural equation model (PLS-SEM).The research results verified the effectiveness of the UTAUT2 model and indicated that performance expectation (PE), hedonic motivation (HM), price value (PV), and social impact (SI) have a positive impact on college students' behavioral intentions to use generative artificial intelligence products, while effort expectation (EE) has no significant effect. Furthermore, convenience conditions (FC) and habits (HB) do not directly affect BI, but they play a decisive role in UB.Among the ethics-related factors, AlEA and PER are not the main determinants of BI, but AIEA can directly inhibit UB. Furthermore, although PER does not directly affect UB, it can have a negative impact indirectly through AIEA. Ethical awareness (EA) can positively influence BI, but it will also increase PER. These findings help to encourage college students to better accept and use generative artificial intelligence products in an ethical manner.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».