AI Receptivity or AI Adoption Breadth? A Tool-Specific Reanalysis of the Lower-Literacy/Higher-Usage Link

📄 arXiv: 2606.13734v1 📥 PDF

作者: Hristo Inouzhe

分类: cs.AI

发布日期: 2026-06-11

备注: 11 pages, 2 tables, 1 figure

💡 一句话要点

重新分析AI素养与工具使用的关系，揭示非文本工具的广泛采用

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 人工智能素养 工具使用 非文本AI 接受度 统计分析 用户行为 技术推广

📋 核心要点

  1. 现有研究表明，较低的AI素养与更高的AI接受度相关，但未考虑工具类型的差异。
  2. 本文通过重新分析Tully等人的数据，探讨AI素养与不同类型AI工具使用之间的关系。
  3. 研究发现，AI素养对文本AI使用的影响不显著，但对非文本AI的采用具有显著预测能力。

📝 摘要（中文）

近期Tully等人（2025）的研究表明，较低的人工智能（AI）素养预测对AI的更高接受度。本文利用该研究的公共数据重新审视这一观点，发现AI素养与整体AI使用之间的负相关关系掩盖了工具类型的显著异质性。经过人口统计学调整后，AI素养对文本AI使用的预测并不显著，而对非文本AI采用则表现出强预测能力。因此，研究结果并不支持较低AI素养普遍预测更高接受度的简单说法，而是指向了在低渗透率的非文本AI工具中更广泛的采用模式。

🔬 方法详解

问题定义：本文旨在解决现有研究中未考虑工具类型差异的问题，探讨AI素养与AI工具使用之间的真实关系。现有方法未能揭示不同工具类型的异质性，导致结论的片面性。

核心思路：通过对Tully等人研究数据的重新分析，采用多种统计模型（如OLS、二元Logit、序数Logit和多项Logit），揭示AI素养与不同类型AI工具使用之间的关系，特别是文本与非文本工具的区别。

技术框架：研究首先重现了AI素养与整体AI使用之间的负相关关系，随后通过人口统计学调整，分析不同工具类型的使用情况，最终得出AI素养对文本和非文本工具的不同影响。

关键创新：本文的创新在于揭示了AI素养与工具使用之间的异质性，特别是强调了非文本AI工具的采用模式，而非简单的接受度提升。

关键设计：研究中使用了多种统计模型进行分析，特别是在控制人口统计变量后，发现文本AI使用与AI素养的关系不显著，而非文本AI的采用则显著相关，提供了更细致的视角。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，经过人口统计学调整后，AI素养对文本AI使用的预测不显著（β = -0.090, p = .387），而对非文本AI采用则表现出强预测能力（β = -0.377, p < .001），表明非文本工具的采用模式更为显著，且这一结果在多种模型下均保持稳健。

🎯 应用场景

该研究的潜在应用领域包括教育、技术推广和政策制定等。通过理解不同AI工具的接受度，可以为低素养群体提供更有针对性的培训和支持，促进AI技术的普及与应用。未来，研究结果可能影响AI工具的设计和推广策略，以适应不同用户群体的需求。

📄 摘要（原文）

Recent evidence reported by Tully, Longoni, and Appel (2025) suggests that lower artificial intelligence (AI) literacy predicts greater receptivity toward AI. We revisit this claim using the public data from Study 3 of that article, which measures past usage of five AI tool categories on a five-point frequency scale. We first reproduce the negative association between AI literacy and aggregate AI usage using OLS on participant-level averages, binary logit, ordered logit, and multinomial logit specifications. We then show that the aggregate relationship masks substantial heterogeneity by tool type. In our demographic-adjusted primary specification, AI literacy does not significantly predict text AI usage (ordered-logit $β$ = -0.090, p = .387), whereas it remains a strong predictor of non-text AI adoption ($β$ = -0.377, p < .001). The non-text effect is also robust under Tully et al.'s original Study 3 control specification ($β$ = -0.502, p < .001). Binary, ordered-logit, and multinomial specifications suggest that the non-text relationship is primarily an adoption/non-adoption pattern rather than evidence of intensive use: the demographic-adjusted odds ratio of ever having used a non-text AI tool is 0.68. Thus, in the study that measures self-reported past usage rather than stated preferences, the evidence does not support a simple claim that lower AI literacy predicts greater receptivity to AI in general. It points instead to a narrower pattern of broader adoption across lower-penetration, non-text AI tools.