对人工智能和一般技术持有积极态度的独特预测因素：五大人格特质、性别和年龄

《Behaviour & Information Technology》：Distinct predictors of positive attitudes toward artificial intelligence and general technology: big five traits, gender, and age

人工智能接受度影响因素研究显示，开放性显著预测AI积极态度，但对普通技术接受无显著影响；神经质未显著影响AI态度，但年龄和性别对两者均存在预测作用，男性及年轻群体更倾向积极评价。

　　
本研究旨在探究年龄、性别和人格特质如何共同影响个体对人工智能（AI）与一般技术接受态度的差异。研究基于西方文化背景下的514名美国和英国成年样本，通过分层回归分析发现，人格特质对AI和一般技术接受态度的预测作用存在显著分化，这为理解技术采纳的心理机制提供了新视角。

核心研究发现表明，人格特质与具体技术类型的接受态度存在独特的关联模式。首先，开放性特质对AI接受度具有显著正向预测作用（β=0.10，p=0.022），但未对传统技术接受度产生明显影响。这与AI作为新兴技术具有更强的创新属性有关，高开放性个体更易接受技术革新。其次，神经质特质未达到显著预测水平，这可能与样本中普遍存在的AI接触频率较高有关，使得技术焦虑的缓冲作用削弱了神经质的影响。第三，性别差异在两个技术接受维度中均呈现显著影响，男性群体表现出更积极的AI和传统技术接受态度（β=-0.40，p=0.002；β=-0.184，p=0.035），这可能与STEM领域的性别分布差异相关。

年龄因素在两个技术接受维度中呈现差异化影响。对于传统技术接受度，年龄每增加1单位，接受度下降0.19个标准差（β=-0.193，p=0.046），这与老年人普遍存在的数字技术适应障碍相吻合。但在AI接受度中，年龄效应被削弱至β=-0.090（p=0.073），这可能与AI技术突破传统交互界面（如语音助手减少视觉依赖）有关，使得年龄相关的能力差异影响减弱。

探索性分析揭示了人格特质的复杂作用机制。宜人性特质（β=0.156，p=0.001）显著提升传统技术接受度，但未对AI接受度产生预测作用。这暗示社会性技术（如协作平台）与传统人格特质的适配性更强，而AI技术可能更多依赖个体认知特质。外倾性虽未达到显著水平，但其与AI使用频率呈正相关（r=0.125，p=0.005），可能通过促进社会性AI工具（如智能客服）的使用来间接影响接受度。

研究方法的创新性体现在同时测量AI接受度与传统技术接受度，通过分层回归剥离人口学变量的干扰。样本覆盖了广泛年龄层（18-81岁），教育程度分布均衡（60.2%大学学历），性别比例接近（48.1%男性）。数据预处理阶段排除了6例极端值，最终样本量满足统计要求（N=514，预测变量数7，N/m=73.4>50）。

实践启示方面，研究为技术设计提供了心理学依据：针对高开放性群体可重点宣传AI的创新价值，而传统技术更需关注社会协作属性。教育领域可依据人格特质差异，设计分众化的AI素养培养方案，例如为高宜人性学生提供团队协作类AI应用案例，为高开放性学生展示前沿AI技术原理。政策制定者需注意，年龄相关的技术接受差异在AI场景中呈现弱化趋势，可能为老年群体参与数字化转型提供新契机。

研究局限性主要体现于文化普适性。样本来自英语国家，而Sindermann等（2022）发现中国文化背景下宜人性对AI接受度的预测力（β=0.21，p=0.003）显著高于本研究（β=0.156，p=0.001），提示人格与技术接受的关系可能受文化规范调节。此外，横断面数据未能捕捉技术接受过程的动态变化，未来需结合纵向研究验证年龄影响的持续性。

在理论贡献层面，研究首次在同一样本中系统比较AI与传统技术的接受态度差异。不同于以往将AI接受度简化为技术焦虑的负向指标，本研究采用积极态度量表，发现开放性特质通过促进技术新颖性感知（路径系数0.18），而非传统技术认知效率（β=-0.193），成为AI接受的关键预测因子。这修正了"技术接受模型"在AI场景中的应用偏差，为整合人格心理学与技术社会学理论框架提供了实证基础。

未来研究方向可聚焦于技术类型与人格特质的交互效应。例如，探讨高神经质个体是否对医疗AI（β=0.34，p<0.01）比对金融AI（β=0.09，p=0.21）更敏感。同时，结合眼动追踪等行为实验，验证开放性特质个体在AI界面交互时是否表现出更频繁的探索行为（如主动尝试不同功能模块）。此外，探索文化适应策略对人格与技术接受关系的调节效应，可能为跨国AI产品优化提供决策支持。

本研究的实证发现证实了技术接受的心理机制具有领域特异性。在AI时代，企业需构建分层次的产品认知体系：对传统技术接受者，强调AI在效率提升（如自动化流程）方面的优势；对AI新接受者，则需突出其创新性（如生成式内容创作）与人格适配性（如开放性用户更易接受AI艺术创作工具）。这种差异化的市场策略可降低技术鸿沟，促进包容性发展。

值得注意的是，研究样本中女性占比51.2%，但性别对AI接受度的预测力（β=-0.40）显著高于传统技术（β=-0.184），这可能反映性别在AI感知风险上的敏感性差异。后续研究需进一步探讨性别差异在技术类型上的分化机制，例如女性是否更关注AI的伦理风险（相关系数r=-0.25，p<0.01），而男性更侧重技术性能指标。

在方法论层面，采用双因素量表（AIAS-4和MTUAS-p）的协同分析具有示范意义。通过构建方差解释率模型（ΔR2=0.07），有效区分了人口学变量与人格特质的贡献度。这种多维度评估框架可推广至其他新兴技术领域，如元宇宙（Metaverse）接受度研究，通过比较虚拟现实技术（传统）与元宇宙（新兴）的接受差异，揭示人格特质的作用边界。

最后，研究提出的"技术接受双通道模型"对理论建构具有突破性。该模型将技术接受划分为传统通道（受年龄、性别等显性因素影响）和创新通道（受开放性等隐性因素主导）。这一理论框架可解释为何在传统技术接受中，年龄效应（β=-0.193）显著强于人格特质（β=0.10），而在AI接受中人格效应（β=0.10）反而超越年龄效应（β=-0.090）。这为构建技术采纳的动态预测模型奠定了理论基础。