医学研究生在学术研究中使用人工智能生成内容工具的意愿的影响因素：定性分析

《Journal of Medical Internet Research》：The Influencing Factors of Medical Postgraduates’ Usage Intention Toward Artificial Intelligence–Generated Content Tools in Academic Research: Qualitative Analysis

　　陈王|刘王|张学娇|齐慧英
北京大学健康人文学院健康信息与管理系
中国北京市海淀区学园路38号

**背景**
将人工智能生成的内容（AIGC）工具整合到学术研究中，具有提升生产力和创新的潜力。然而，在高度监管且伦理敏感的医疗领域，使用AIGC面临诸多挑战。作为医学科学的未来先锋，医学研究生在推动数字健康发展方面发挥着关键作用，他们使用AIGC工具的意愿将显著影响这些新兴技术在医学研究中的应用。尽管AIGC工具越来越受欢迎，但人们对影响医学研究生在学术研究中使用这些工具的驱动因素或阻碍因素仍缺乏深入理解。明确这些影响因素对于促进AIGC在医学研究中的负责任、有效和可持续整合至关重要。

**目的**
本研究旨在系统探讨影响医学研究生在学术研究中使用AIGC工具的关键因素，以期提出策略来促进其伦理使用并提升学术研究能力。

**方法**
我们采用了基于扎根理论的定性研究设计。对30名来自不同专业的医学研究生进行了半结构化访谈，所有参与者均有研究经验并对AIGC工具有所了解。为了确保观点的多样性，参与者是经过有目的招募的。数据分析通过系统编码过程进行，以归纳出概念模型，并通过技术接受与使用统一理论（UTAUT）的视角对其进行进一步构建和解释。

**结果**
分析确定了7个直接影响使用意愿的核心因素：绩效期望、努力期望、社会影响、促进条件、个体特征、任务特征和技术特征。进一步分析表明，绩效期望在任务特征和技术特征与使用意愿之间的关系中起中介作用。此外，社会影响调节了任务特征与绩效期望之间的关系。研究结果表明，虽然AIGC工具有助于日常研究任务，但医学研究生在学术研究中使用这些工具的意愿受到技术缺陷、高认知负荷以及医学领域严格的伦理风险和数据治理要求的制约。

**结论**
本研究构建了一个概念模型，旨在阐明影响医学研究生在学术研究中使用AIGC意愿的因素。基于研究结果提出的建议包括：（1）培养医学研究生的人工智能素养和批判性思维能力；（2）优化AIGC工具，以更好地满足健康研究中特定的需求、准确性和安全性问题；（3）建立明确的学术监督和伦理治理机制，以确保其负责任的使用。这些措施对于发挥AIGC的潜力同时保护医学学术研究的严谨性和完整性至关重要。

**引言**
随着人工智能（AI）技术的发展，如ChatGPT等AIGC工具应运而生。这些工具能够有效生成内容并理解上下文，为用户快速高效地获取知识、提高学习和工作效率提供有力支持，对许多行业的发展产生了重大影响。在学术研究领域，AIGC工具在研究设计、学术搜索、数据处理、数据分析和论文润色等方面发挥了重要作用，成为研究人员的宝贵辅助工具[1]。然而，AIGC工具也带来了学术诚信、学术研究伦理和数据隐私保护等问题[2]。因此，如何在合理利用AIGC优势的同时有效应对风险并确保学术研究的标准化和可持续性，已成为AIGC驱动的学术研究领域的重要研究方向。

在此背景下，学者们开展了多项关于AIGC工具在学术研究中应用的研究，包括AIGC如何赋能不同学科、如何在不同的学术研究环节中应用以及如何应对AIGC工具带来的变化。然而，在文献回顾过程中我们发现，现有研究尚未深入分析影响医学研究生在学术研究中使用AIGC工具意愿的因素。鉴于研究生是研究团队的未来支柱，培养他们的研究能力对其所在行业的发展至关重要。探索影响他们在学术研究中使用AIGC工具的因素将有助于指导他们合理使用这些工具，从而提升学术研究能力和效率。医学研究生是医学领域的主力军，他们对AIGC工具的态度、需求和行为特征也将影响AIGC在医学领域的可持续发展和推广。

**目的**
本研究将探讨医学研究生在学术研究中使用AIGC工具的动机、需求、障碍和顾虑；分析不同因素如何影响他们对AIGC工具的意愿；为培养医学研究生的学术研究能力提供依据；并促进AIGC工具在医学教育和学术研究领域的优化应用。

**相关研究**
在学术研究领域，AIGC工具（如ChatGPT和DeepSeek）越来越受到关注。这些工具凭借模拟人类智能的能力，能够高效处理和生成大量内容，为科学研究提供了新的可能性。研究表明，ChatGPT可以通过快速搜索和整理大量文献显著提高研究效率，有效减少研究人员收集材料的时间[3]。此外，AIGC工具还能为研究人员提供新的研究视角和途径[4-6]。在学术写作中，AIGC工具也有助于提高文章的标准化和质量[7,8]。在医学研究领域，AIGC工具在辅助医学文本撰写[9]、图像分析[10]以及疾病诊断和治疗[11,12]方面展现出潜在应用。

尽管AIGC工具在学术研究中具有显著优势，但也存在一些局限性和潜在风险。一些研究指出，在进行文献综述时，AIGC工具可能缺乏自主性，无法独立产生新想法[4]；此外，AIGC工具可能无法有效区分信息的可靠性，从而引入不准确或误导性的数据，威胁研究质量和学术诚信[13,14]。此外，AIGC工具还面临数据偏见、信息泄露和伦理问题等挑战，特别是随着研究人员对AI依赖性的增加，可能会进一步削弱学术研究的独立性[15]。

在医学领域，学术研究涉及大量敏感数据，直接关系到患者的健康和安全。因此，确保医学研究中的隐私保护和伦理考量尤为重要[2,16]。鉴于医学研究的特性，AIGC工具的精确性、可信度和安全性必须经过严格测试和评估。因此，探索如何在医学研究中合理安全地应用AIGC工具，以确保研究的准确性、完整性和学术诚信，同时充分保护患者隐私和数据安全，成为一个亟待解决的紧迫问题。

**关于影响使用AIGC工具意愿的因素的研究**
使用AIGC的意愿是其广泛应用的前提。学者们通过多种方法和理论模型探讨了人们对AIGC工具的接受度、采纳度和使用意愿。一些研究使用技术接受模型（Technology Acceptance Model）揭示了影响不同用户群体使用意愿的因素。研究发现，感知风险、感知有用性、感知易用性和对技术的态度在ChatGPT的采纳中起着重要作用[17]。其他研究指出，使用意愿受个人能力、社会影响、对AI有用性的感知、使用体验、对AI智能的信任以及元认知自我调节学习的影响[18]。基于技术接受与使用统一理论（UTAUT）模型的研究进一步扩展了研究视角。相关研究表明，绩效期望、社会影响和努力期望显著影响使用意愿，而促进条件与使用意愿无直接关系[19]。Menon和Shilpa[20]发现UTAUT的4个核心因素（绩效期望、努力期望、社会影响和促进条件）以及2个扩展因素（感知互动性和隐私顾虑）能有效解释用户与ChatGPT的互动。Tao等人[21]基于UTAUT模型增加了3个因素：感知风险、抗拒偏见和个人创新性，并发现这些因素与使用AI聊天的意愿呈显著正相关。此外，研究越来越多地从学生视角出发，分析不同教育环境中影响AIGC工具使用的因素。一些研究发现，学生对ChatGPT的感知价值显著影响其使用意愿，其中感知有用性、使用体验和感知成本是重要影响因素[22]。一项关于医学生在跨学科编程课程中使用ChatGPT意愿的研究从个人（如学习动机）、技术（如工具可靠性）、信息（如内容准确性）和环境（如教学支持）四个方面分析了影响因素[23]。

尽管现有研究从多个角度分析了使用AIGC的意愿及其影响因素，但以往较少关注医学研究生在学术研究中使用AIGC的因素。由于医学研究生是医学研究和实践的主力军，他们对AIGC的接受度和使用意愿将直接影响AIGC在医学领域的长期发展。因此，本研究以医学研究生为研究对象，探讨他们在学术研究中应用AIGC的情况及其影响因素。

**方法**
目前，关于影响学术研究中AIGC工具使用因素的研究尚未建立成熟的理论模型、变量或量表。因此，本研究采用Glaser等人提出的经典扎根理论[24]作为研究方法。扎根理论是一种归纳性定性研究方法，致力于从实证数据中构建稳健的理论。通过编码收集的原始数据并进行多次连续比较，该方法使研究人员在整个概念和类别演变过程中保持高度的理论敏感性，从而揭示医学研究生在学术研究中使用AIGC工具的影响因素。

根据上述研究方法，研究设计包括以下五个步骤：
基于预先建立的理论框架，本研究制定了抽样策略，以确保纳入具有丰富临床经验和多样化视角的医学研究生。
研究参与者能够提供关于研究现象的全面信息，有助于研究人员深入理解。
数据收集和分析将持续进行，直到新信息不再有助于理论扩展，即达到数据饱和。
随着理论见解的逐步清晰，数据收集策略将相应调整。
通过持续比较、整合和反思，最终构建基于实证数据的理论模型。

**参与者招募**
参与者根据以下标准选拔：（1）具有研究经验和系统学术研究培训的医学相关领域研究生；（2）熟悉并曾使用过AIGC工具；（3）自愿参与、沟通能力强、独立思考能力强，并愿意提供详细信息。
招募通过三种渠道进行：（1）在微信群组和微信时刻发布的广告；（2）滚雪球抽样，即初始参与者推荐其他符合条件的人；（3）通过知乎、微博和Rednote等平台进行推广。
样本量为30名医学研究生，选择标准是“信息价值”，优先考虑深度和多样性而非数量代表性。为了捕捉广泛的体验，有目的的抽样策略确保了在关键维度上的多样性，如性别、学科背景（例如，内科、外科、基础科学）以及研究培训阶段。数据收集主要采用半结构化访谈的方法。访谈大纲的制定分为三个阶段：（1）基于先前研究和UTAUT理论进行初步起草；（2）与两位具有AIGC工具应用经验的研究人员讨论后进行修订；（3）对5名用户进行试点测试，并根据反馈进行完善。UTAUT被作为本研究的基础框架。尽管UTAUT最初是为了解释组织环境中的技术接受度而开发的[25]，但其核心概念——包括绩效期望、努力期望、社会影响和促进条件——广泛适用于各个领域中的个人技术采纳。在学术研究的背景下，这些概念与研究生在使用新工具时必须平衡的效率、努力、同伴影响和机构支持等关键驱动因素高度契合。

每次访谈持续30到40分钟。在参与者的同意下，所有访谈都被录音。随后将录音逐字转录为原始文本数据以供分析。所有参与者都提供了知情同意，并同意他们的引述被匿名使用。

在编码访谈数据之前，根据两个主要标准进行了严格的筛选过程：（1）描述的清晰度；（2）描述与主题的相关性。这个过程由CW和HQ完成，他们还整合了相似的描述以便后续分析。为了确保对数据的全面熟悉和敏感度，研究人员反复阅读了转录文本和描述，从而最大限度地减少了丢失关键信息的风险。本研究遵循了Venkatesh等人[25]提出的三步编码流程（开放编码、轴心编码和选择性编码）进行定性分析，并通过理论饱和度测试评估了编码结果的稳定性。具体分析过程如下：

- **开放编码**：首先对原始数据进行了组织和语义解构。通过逐行编码提取基本概念单元。研究人员使用常量比较法对原始句子进行概念注释，经过多轮分类和整合形成了初步的类别系统。
- **轴心编码**：基于开放编码形成的主要类别，通过类别关系分析来识别潜在的逻辑关系。通过维度比较和属性归纳，建立了类别之间的层次结构，最终构建了一个具有解释逻辑的主要类别框架。
- **选择性编码**：围绕核心类别进行理论整合，系统地梳理主要类别与核心类别之间的逻辑关系。通过故事情节分析形成了一个理论上一致的框架。
- **理论饱和度验证**：通过迭代的数据收集和分析过程确认饱和度。在对大多数访谈进行初步编码后，采用了样本追加方法，即依次分析大约10%的新转录文本。当这些新样本不再产生新的类别、属性或显著关系时，认为达到了理论饱和度。整个分析过程通过研究者三角验证（独立编码和共识讨论）和同行评审来增强发现的可靠性和有效性。

LW和XZ分别对访谈文本进行了编码，过程中出现的编码分歧通过LW和XZ之间的讨论解决。如果无法达成共识，CW将作为仲裁者来确定编码结果。数据分析使用了NVivo 11.0软件。

**伦理考虑**：本研究的参与者是医学院的硕士和博士生。访谈是面对面进行的，并获得了知情同意。在访谈前，向参与者宣读了知情同意书的内容和访谈大纲，所有参与者都签署了知情同意书。参与者因参与研究获得了50元人民币（7.33美元）的报酬。北京大学的机构审查委员会批准了知情同意书和完整的研究提案（IRB00001052-24025）。

**研究样本**：本研究的参与者包括30名医学研究生，其中18名（60%）为女性，12名（40%）为男性，来自不同的医学专业。所有参与者都有学术研究经验，并且熟悉AIGC工具，之前也有使用经验。表1显示了所有参与者的 demographic 特征。

**使用意图的影响因素模型框架**：基于扎根理论并结合UTAUT模型的理论框架，本研究构建了一个影响医学研究生在学术研究中使用AIGC工具的使用意图的因素模型。该模型综合考虑了7个维度：绩效期望、努力期望、社会影响、促进条件、个体特征、任务特征和技术特征（图1），旨在全面揭示影响医学研究生有效使用AIGC工具进行学术研究活动的关键因素。

**绩效期望**：绩效期望指的是个体在使用特定工具或技术后预期的工作效果和收益[26]，包括两个关键组成部分：学术研究绩效和学术创新。在学术研究绩效方面，AIGC工具可以帮助用户进行文献收集、材料阅读、数据处理和论文写作，减少时间成本并提高研究质量。此外，AIGC工具在文本润色和学术翻译方面的能力可以提高文章的标准化和科学严谨性。这些功能增强了用户的绩效期望，从而增加了医学研究生使用AIGC工具的意愿和频率。

**努力期望**：努力期望指的是用户在使用特定系统时感知到的难度水平[25]，包括两个概念：使用门槛和认知负荷。使用门槛涉及AIGC工具的界面设计清晰度和操作简便性，这些因素影响用户体验。设计良好且易于使用的AIGC工具可以显著提高使用意愿。相反，如果需要用户反复熟悉工具功能，会增加操作负担并降低使用意愿。使用AIGC的主要障碍是问题提示的设置。在提问过程中，AIGC常常会误解你的意图，你需要不断调整才能得到想要的结果。

**社会影响**：社会影响指的是用户在使用技术或服务时受到周围环境和人群影响的程度[25]。这一类别包括两个概念：学术研究环境态度和学术伦理与规范。在学术研究环境中，团队成员对新技术的接受度及其对使用结果的认可直接影响个人的使用意愿。相反，一些受访者指出，由于导师或团队成员对使用AIGC工具的顾虑，他们减少了使用频率。许多实验室为他们的学生购买了AIGC工具会员。试用后，我们互相推荐了这些工具，并普遍认为它们非常实用。

**促进条件**：本研究中的促进条件指的是AIGC工具的社会资源支持和政策推广。研究发现，资源支持的不足限制了医学研究生广泛使用AIGC工具。访谈结果显示，资源支持的缺乏体现在两个方面：首先，缺乏专门课程使得用户难以获得系统的指导和培训，影响了他们掌握和使用AIGC工具的能力；其次，资源推广程度低导致AIGC工具的覆盖范围有限。

**结论**：总体而言，AIGC工具在医学研究生学术研究中的使用受到多种因素的影响，包括绩效期望、努力期望、社会影响、促进条件、个体特征、任务特征和技术特征。这些因素共同作用，决定了研究生是否愿意以及如何有效地使用AIGC工具。为了进一步提高AIGC工具在学术研究中的应用，需要加强资源支持、完善相关政策，并提高用户对工具的认知和接受度。知识储备丰富的学生能够更高效地利用AIGC工具提供的信息，并准确判断和验证结果。相反，知识不足的学生可能会发现难以区分生成的信息，从而失去使用AIGC工具的兴趣。通常，当我提出探索性问题时，我已经对该领域有一定的了解或背景知识。当GPT给出答案时，我可以根据我的现有知识来判断其可靠性。

**任务特征**
任务特征指的是影响医学研究生使用AIGC工具的研究任务属性，这些属性直接决定了使用意图，并通过性能预期和社会影响间接影响使用行为。这一类别分为两个概念：任务类型和任务复杂性。医学研究生根据学术研究任务的类型和难度选择性地使用AIGC工具来提高工作效率。大多数受访者倾向于使用AIGC工具进行语言表达优化，因为这些工具可以有效提高文本质量并帮助呈现结果。然而，面对像R语言编程这样高度专业化的学术研究任务时，一些受访者表示不会优先选择AIGC工具，这是因为他们在这些场景下的表现不佳，有时甚至无法完成任务，因此难以满足学术研究的需求。我使用AIGC功能的主要目的是辅助写作，而不是生成文本，而是让它帮助润色我的写作。此外，我还用它来辅助文献搜索，比如快速掌握论文的要点、实验方法和结论，从而节省大量时间。

此外，受访者更倾向于将AIGC工具用于简单任务（如文献搜索和翻译），这些任务可以显著提高效率并减少重复性工作。然而，对于涉及创造力或高度专业化的任务，AIGC工具的输出可能不令人满意，这使得医学研究生在使用时更加谨慎。在科学插图方面，AI仍然存在不足，尤其是在需要细致注意细节的医学插图领域，目前AI似乎还无法完全替代人类操作。

显然，简单或具体的任务直接促使医学研究生使用AIGC工具。此外，任务类型和复杂性会影响他们对任务成功的预期。简单任务由于难度较低，医学研究生预计AIGC工具可以轻松高效地完成任务。对于特定的研究任务，医学研究生会评估任务特征，以确定它们是否在AIGC工具能够有效发挥作用的范围内。这种评估形成了对任务目标实现的预期，进而使他们能够评估AIGC工具的适用性并决定是否使用它们。基于不同任务特征带来的不同性能预期，医学研究生会优先选择使用AIGC工具能够带来预期收益的研究任务，例如高效完成任务和获得高质量结果。因此，任务特征影响性能预期，而性能预期又反过来影响使用意图。

我拥有大量的肌肉减少数据，但不知道如何分析它。我将问题和数据输入AIGC工具，它列出了许多研究方向。我觉得这些方向可以提供灵感，最终帮助我确定研究方向。

**技术特征**
技术特征指的是影响医学研究生使用AIGC工具的属性，包括三个关键组成部分：技术缺陷、隐私和安全。关于隐私保护，一些受访者明确表达了对于AIGC工具相关隐私风险的担忧，并在实际使用中表现出谨慎态度。如果我将一些患者数据输入其中，我不确定它会如何使用这些数据，或者其他人是否会出于未知目的访问这些数据，这让我感到不安。

在技术缺陷方面，访谈结果显示，AIGC工具在复杂的数学计算、更新专业领域知识以及保持多轮对话的连贯性方面表现不佳。对于高度专业化的知识，GPT可能无法提供令人满意的回答，并且对医学术语缺乏特别的偏好。事实上，我认为它在队列研究、对照组设计和流行病学等专业领域仍然存在不足。

显然，技术特征作为外部因素影响医学研究生使用AIGC工具进行研究，直接塑造了使用意图。当出现隐私问题或AIGC工具因固有的技术缺陷而无法保证生成结果的质量时，医学研究生往往会避免使用这些工具。此外，性能预期在技术特征和使用意图之间起到中介作用。AIGC工具在准确性、安全性和其他技术属性上的差异会影响受访者对其使用这些工具实现研究目标的预期结果。如果技术特征使医学研究生相信这些工具能够有效促进研究并产生预期结果，性能预期就会上升，从而促使他们选择使用AIGC工具。相反，如果技术特征削弱了他们对实现研究目标的信心，性能预期就会下降，进而抑制使用意图。

在讨论ChatGPT生成的创意时，临床同学提到这些想法可能在临床环境中不适用，也无法准确满足临床需求。因此，我认为ChatGPT提供的想法更具学术性，但我不会在临床实践中广泛使用它们。

通过半结构化访谈和扎根理论分析，本研究系统地探讨了医学研究生在学术研究中使用AIGC工具的动机、需求、障碍和担忧。研究结果表明，他们的动机主要来源于性能预期，如提高研究效率、协助论文写作和扩展研究思路。使用障碍包括努力预期（如高使用门槛和认知负荷）以及技术特征的不足（如专业知识的覆盖不足和多轮对话中的连贯性差）。此外，学术伦理和规范（包括学术诚信、数据隐私和版权风险）也是重要的社会考量因素，极大地限制了他们使用这些工具的意愿。

研究进一步确定了7个直接影响医学研究生使用AIGC工具意图的关键因素：性能预期和努力预期是核心的内部驱动因素，而社会影响和促进条件则作为重要的外部环境和支持因素，通过提供外部支持和便利性来促进上述元素的功能。个体特征、任务特征和技术特征不同程度地影响工具选择、使用深度和信任度。关于潜在机制，研究发现性能预期介导了任务特征和技术特征与使用意图之间的关系。这表明任务和技术的特点通过影响性能预期间接影响使用意图。此外，社会影响调节了任务特征与性能预期之间的关系，最终影响医学研究生在学术研究中使用AIGC工具的强度。基于这些发现，研究将个体、任务和技术因素整合到UTAUT理论框架中，构建了一个更全面且针对特定学科的模型来解释医学研究生使用AIGC工具的意图。

与以往的研究一致，性能预期是使用意图的主要决定因素。AIGC在文献处理、数据组织和手稿完善方面的能力提高了研究效率和输出质量，从而增强了使用意图。然而，这些工具在支持高级学术创新方面的能力仍然有限，这表明需要进一步的技术优化。努力预期是使用意图的关键决定因素。设计良好、用户友好的工具显著增强了使用意图，而反复熟悉功能或调整提示会增加操作负担并降低效率，从而减少持续使用的意愿。由于医学研究中的专业术语和结构化逻辑特点，医学研究生通常面临更高的初始学习门槛。相比之下，计算机科学或人文学科的学生可能发现AIGC工具更符合他们的自然语言处理或创造性写作任务。

社会影响显著影响使用意图。在研究团队中，使用行为受到同行和导师态度的影响；支持会促进使用，而怀疑则起到阻碍作用。除了人际影响之外，严格遵守学术诚信和版权标准也限制了AIGC在正式写作中的使用。此外，医学研究环境具有严格的伦理监督和机构审查委员会，与工程和设计领域更为灵活的创新驱动文化相比，这种规范压力更大。促进条件也影响使用意图。关键的限制包括资源支持不足和不完善的政策。与数据隐私和知识产权相关的风险进一步限制了在正式研究中的使用。此外，医学研究生面临更严格的数据治理和伦理监督（如健康保险可携带性和责任法案、通用数据保护条例），与资源获取和政策环境更为支持的创新领域相比，这增加了合规障碍。

个体特征显著影响AIGC的使用意图。与以往的研究一致，学术背景影响了使用必要性和频率，而较高的技术敏感性与更高的使用意图和功能掌握度相关。用户的知识储备对于有效验证和利用AIGC输出至关重要；知识不足会削弱信任并抑制持续使用。值得注意的是，医学研究生的专业身份使他们比创造性学科更加怀疑，更重视诊断准确性和证据的可靠性而非生成的便利性。任务特征直接影响使用意图，并通过性能预期和社会影响间接影响使用意图。用户更倾向于在文献搜索和语言润色等常规任务中使用AIGC，而在创造性或高度专业化的任务中则更为谨慎。此外，与非医学学科不同，医学研究任务通常涉及多模态数据整合、纵向研究设计和严格的伦理协议，但AIGC工具在临床试验设计或诊断图像解释等领域的能力有限，这抑制了使用意图。

技术特征直接影响使用意图，并通过性能预期间接影响使用意图。诸如领域知识深度不足、复杂计算错误和数据隐私风险等限制直接限制了工具的使用，并降低了性能预期，促使用户采取谨慎策略，如数据匿名化或选择性避免。值得注意的是，医疗环境中的严格患者保密性和监管要求使得隐私问题更加突出，使得医学研究生更倾向于使用本地化或安全的AIGC解决方案。

为了有效应对医疗领域中AI技术带来的机会和风险，优先提高医学研究生的AI素养至关重要。因此，加强AI素养教育并确保AIGC工具的规范和有效使用是关键目标。一方面，应通过开发与AI相关的课程和整合开放教育资源来培养使用AIGC工具的实际能力。具体关注点包括掌握提示工程和批判性评估信息可信度；此外，参与AIGC辅助的医学研究项目可以加深学生对AI应用的理解。另一方面，教育者必须引导研究生反思AIGC的社会影响。培养对伦理原则的深刻理解至关重要，这些原则包括透明度、公平性、不伤害原则、责任追究和隐私保护，并在涉及人工智能的医疗决策中明确责任归属，以确保符合医疗伦理标准。

**优化AIGC服务**
我们的研究结果表明，医学研究生使用AIGC的意愿受到信息不准确性、数据延迟、操作复杂性和安全问题的阻碍。为了提高研究的实用性，AIGC工具可以整合医学知识图谱并开发专门的大型模型，以增强领域特定的理解能力。AIGC与文献数据库的连接能够快速筛选和总结医学文献，帮助医学研究生掌握前沿研究成果。此外，整合AIGC工具功能并简化流程可以降低使用障碍和认知负担。通过加密和匿名化等技术措施来保护数据安全，确保符合伦理规范和数据安全[60]。

**建立学术研究监督机制**
在推动AIGC技术创新的同时，应采取平衡创新鼓励与审慎评估的监管原则，根据医学研究中的应用场景和风险水平实施分层监管。对于涉及核心数据的AIGC应用，实施身份验证和生成记录追踪是确保可追溯性和患者隐私的关键。为防止学术不端行为，机构应严格执行伦理审查，并要求在研究成果中披露AIGC的使用情况[61]。此外，使用AI检测工具来筛查研究成果并识别违规行为，同时制定和完善行业标准与法规，明确应用边界、责任主体和监管要求，为医学研究人员提供行动指南，从而提升AIGC工具在医学研究中的作用。

**研究局限性**
本研究存在一些局限性。一方面，样本量相对较小，且仅限于医学研究生。另一方面，尽管提出的影响因素模型在理论上是合理的，但尚未通过系统的实证验证和统计检验，这构成了本研究的主要局限性。

**结论与未来研究方向**
本研究采用扎根理论定性研究范式进行分析，并基于UTAUT模型构建了医学研究生在学术研究中使用AIGC工具的影响因素模型。分析了各影响因素之间的逻辑关系和机制，从而加深了对医学研究生使用AIGC工具体验和认知的理解，并填补了现有文献的空白。研究结果表明，绩效期望、努力期望、社会影响、促进条件、个人特征、任务特征和技术特征直接或间接影响了医学研究生在学术研究中使用AIGC工具的意愿。为了支持这些新兴技术负责任且有效地融入医学研究生态系统，我们提出了针对性的策略：提升医学研究生的AI素养，优化AIGC服务以满足领域特定需求，以及建立健全的学术监督机制。这些建议旨在为促进AIGC在医学研究中的积极作用提供实际指导，同时保持学术严谨性和伦理标准。

鉴于现有研究的局限性，未来的研究可以扩大参与者范围，以提高研究结果的普遍适用性。此外，研究还可以结合问卷数据和实验，结合定量和定性方法，收集更丰富的数据，进行更深入的分析，验证中介和调节效应，并明确其背后的具体机制。