陰陽調和視角下AIGC使用與科研創造力的非線性關系：多重調節與三重交互效應研究

摘要

隨著人工智能生成內容（AIGC）技術在科研領域的快速發展，其對科研創造力的影響逐漸引起學界關注。本文基于319份有效樣本，構建理論模型并引入批判性掌控（CC）、技術依賴（TD）和反饋尋求（FS）作為調節變量，探討AIGC使用程度（AU）與科研創造力（RC）之間的關系。研究以“陰陽調和認知”作為悖論分析框架，結合分層回歸分析與三重交互效應檢驗，發現：（1）AU與RC之間存在顯著倒U型關系，即適度使用AIGC最有利于科研創造力提升；（2）CC和FS對倒U型關系具有正向調節作用，TD具有負向調節作用；（3）三重交互效應表明，高FS情境下CC的促進作用與TD的抑制作用更為突出。研究結果不僅驗證了AIGC與科研創造力關系的非線性特征，也揭示了認知特質與行為策略的復雜交互機制。理論上，本研究拓展了悖論管理理論與陰陽調和視角在科研領域的應用；實踐上，為科研人員和機構制定AIGC使用策略、優化科研創新提供了參考。

關鍵詞

AIGC；科研創造力；陰陽調和；批判性掌控；技術依賴；反饋尋求；倒U型關系

Abstract

With the rapid development of Artificial Intelligence Generated Content (AIGC) technology in the scientific research domain, its impact on scientific creativity has attracted increasing scholarly attention. Drawing on 319 valid survey responses, this study constructs a theoretical model incorporating critical control (CC), technological dependence (TD), and feedback seeking (FS) as moderating variables to examine the relationship between the degree of AIGC use (AU) and scientific creativity (RC). Guided by the “Yin–Yang harmony cognition” as a paradox analysis framework, and employing hierarchical regression analysis and triple-interaction effect testing, the results reveal that: (1) AU and RC exhibit a significant inverted U-shaped relationship, indicating that moderate use of AIGC is most conducive to enhancing scientific creativity; (2) CC and FS positively moderate this inverted U-shaped relationship, whereas TD exerts a negative moderating effect; and (3) the triple interaction results suggest that, under high FS conditions, the facilitating role of CC and the inhibiting role of TD are both amplified. These findings not only confirm the nonlinear nature of the AIGC–scientific creativity relationship but also uncover the complex interplay between cognitive traits and behavioral strategies. Theoretically, this study extends paradox management theory and the Yin–Yang harmony perspective to the context of digital science; practically, it provides guidance for researchers and institutions to formulate AIGC usage strategies and optimize research innovation.

Keywords

AIGC; scientific creativity; Yin–Yang harmony; critical control; technological dependence; feedback seeking; inverted U-shaped relationship

1引言

近年來，人工智能生成內容（Artificial Intelligence Generated Content, AIGC）技術在科研領域的快速滲透，引發了廣泛的關注與爭議。無論是文獻綜述、數據建模，還是學術寫作輔助，AIGC工具正以前所未有的方式重塑科研人員的認知過程與創作機制。一方面，這類技術為研究人員提供了前所未有的信息加工與創意激發手段，有助于提高研究效率與創新潛力（Dwivedi, 2021）[1]。另一方面，AIGC的深度介入亦可能弱化研究人員對問題的獨立思考，誘發對技術的過度依賴，從而對創造性產出產生潛在抑制（Parasuraman & Colby, 2015；Sweller, 1988）[2][3]。這一賦能與抑制并存的張力現象，提示我們必須超越線性思維，以更具張力辨識力的理論視角對AIGC使用與科研創造力之間的關系進行深入剖析。

已有文獻主要從技術接受模型（TAM）出發，強調技術感知有用性與易用性如何促進個體對AIGC的采納行為（Davis, 1989；Venkatesh & Davis, 2000）[4][5]，以及自我決定理論對自主性激發與創新動機的解釋路徑（Ryan & Deci, 2000）[6]。與此同時，認知負荷理論指出技術信息輸入的邊界與過載風險（Sweller, 1988）[3]，技術依賴研究也揭示了過度倚賴可能造成的“懶惰認知”現象（Parasuraman & Colby, 2015）[2]。然而，上述理論多采取“單向因果”或“線性影響”視角，較少揭示在科技使用行為中同時存在正負影響的雙重結構張力。此外，在調節路徑方面，相關研究亦缺乏對行為性調節因子（如反饋尋求）與認知性調節因子（如批判性思維）交互作用機制的深入刻畫。

本文引入“陰陽調和認知理論”（Yin–Yang Cognition Theory）作為分析框架，嘗試打破傳統西方思維中二元對立的思維慣性，從動態統一的辯證視角重新理解AIGC技術的雙向作用機制，構建兼具辯證性與系統性的多重調節機制模型，拓展了悖論管理與技術認知融合研究的邊界。本文提出，AIGC工具使用與科研創造力之間存在非線性的倒U型關系：適度使用AIGC有助于激發創造性，但過度使用則可能削弱獨立思維與認知負荷調節能力。在此基礎上，本文以“批判性掌控”與“技術依賴”作為代表“賦能—依賴”悖論張力的陰陽變量，進而引入“反饋尋求行為”作為行為層面的關鍵調節機制，形成“陰陽認知 × 外部調節”的復合互動路徑，回應組織行為學中“自我調節—外部反饋”雙元路徑的最新趨勢（Ashford et al., 2003；Wang et al., 2022）[7][8]，增強模型對現實科研場景復雜性的解釋力。

2理論背景與研究假設

2.1陰陽調和認知作為悖論分析框架

在高度不確定性與技術快速變革的當代科研情境中，科研人員在使用AIGC工具時面臨著賦能與依賴并存、控制與被控交織的復雜心理張力。傳統的西方管理理論多通過對立范疇（如二元范式）處理組織悖論問題，而中國哲學中的“陰陽調和認知”提供了一種更具動態性、整體性與系統性的理論范式，為理解科技使用中復雜悖論現象提供了扎實的認知基礎（Chin et al., 2023；Redding, 2017）[9]。

陰陽調和認知源于中國古典哲學，強調對立統一、動靜相生、互嵌互生，具有包容性、系統性和發展性的特征（Lai, 2008）[10]。在該認知結構中，“陰”與“陽”并非絕對對立，而是互為條件、動態轉換的統一整體。相較于西方的悖論理論（paradox theory）所強調的張力（tension）與二元平衡（Smith & Lewis, 2011）[11]，陰陽范式更關注沖突元素之間的“互嵌—轉化”機制，是一種典型的“動態平衡觀”。

在AIGC技術廣泛嵌入科研情境后，科研人員在體驗到認知賦能（如快速生成、增強創新）同時，也面臨認知惰性與依賴風險（如削弱判斷力、模糊原創邊界）。這一過程體現了典型的“掌控—依賴”二元悖論。將AIGC工具使用行為置于陰陽調和框架中，可將“批判性掌控”理解為陽極向上、自主驅動的認知力量，而“技術依賴”則代表陰極向下、外在替代的被動傾向。二者在AIGC使用過程中交織演化，形成螺旋式的動態關系，最終影響科研創造力的生成邊界。

最新研究亦指出，陰陽調和視角為管理實踐中的非線性關系和多元反饋路徑提供了有效解釋框架。例如，在遠程工作背景下，Chin 等（2023）[9]發現知識分享與隱藏的交互作用可通過陰陽認知視角系統刻畫，揭示其對職業發展路徑的倒U型影響。同理，在AIGC使用場域中，科研人員對AI輸出既可能激發再創造動能，也可能形成思維固化與“認知卸責”現象（Parasuraman & Colby, 2015）[2]，這與“陽盛則陰生，陰盛則陽化”的原理高度契合。

綜上所述，陰陽調和認知不僅提供了一種理解AIGC技術悖論影響的哲學框架，也有助于構建動態非線性關系的理論基礎，支撐本文提出的倒U型模型與多重交互調節機制。通過將陰陽認知范式嵌入科技使用研究中，我們得以揭示科技工具賦能背后的認知悖論結構，深化對科研人員創造力生成機制的理論理解。

2.2 AIGC工具使用對科研創造力的影響：基于陰陽調和認知分析框架

科研創造力（Researcher Creativity, RC）通常被定義為“在特定領域內生成既新穎又適用的想法或解決方案的能力”（Amabile, 1983）[12]。隨著生成式人工智能（AIGC）工具（如ChatGPT、Gemini、DeepSeek、文心一言等）在科研中的廣泛應用，它們既能快速提供外部靈感，也可能削弱研究者的獨立思考，從而對科研創造力產生雙重影響。

研究表明，適度使用AIGC工具可作為“創意觸發器”，刺激研究者突破思維定式。Doshi和Hauser（2023）[13]在一項在線實驗中發現，獲得生成式AI輔助后，創作者的作品質量顯著提升。然而，過度依賴AIGC亦帶來“創意同質化”問題：Wadinambiarachchi等（2024）[14]通過視覺設計實驗指出，頻繁使用AI圖像生成器會加劇設計固著（design fixation），導致想法數量減少、原創性和多樣性下降。上述雙重效應揭示了AIGC使用的“過猶不及”悖論。

認知負荷理論（Cognitive Load Theory, CLT）認為，工作記憶具有有限容量，過多外部信息或提示會增加“外部負荷”，從而抑制深度加工與發散性思維（Sweller, 1988）[3]。在AIGC輔助下，研究者可能將大量思考任務“卸載”給工具，一方面釋放了部分認知資源，促進初始的創意生成；但當AI提示過多時，工作記憶被頻繁切換與整合，反而抑制了自發聯想與深度思考。

基于陰陽調和認知框架我們將AIGC使用量視作一個陰陽統一體。陽（動）元素：適度使用AIGC帶來外部靈感、知識擴散與工具賦能，激發科研創造力；陰（靜）元素：過度依賴AIGC則可能削弱內在動機、導致思維懈怠與創意同質化。陰陽在不斷平衡與轉化中共生，其“曲線化”關系恰與前述促進—抑制的雙向效應相呼應（Smith & Lewis, 2011）[11]。

綜合以上理論與實證證據，并采用陰陽調和的辯證視角，我們提出：

H1. AIGC工具使用與科研創造力之間呈倒U型關系：在適度使用水平下，AIGC工具能夠通過提供外部靈感和節省認知資源，促進科研創造力的提高；當使用過度時，因認知負荷過高與內在動機削弱，將抑制創造力的進一步發展。

2.3批判性掌控與技術依賴的共生邏輯：陰陽視角下的正負互動機制

批判性掌控指科研人員在使用AIGC工具時，對AI生成內容進行審慎評估、主動質疑并適度校正的能力。系統性文獻綜述表明，AIGC工具若能配合高水平的批判性思考，科研者能夠避免“認知卸載”（cognitive offloading）帶來的淺層加工，反而提升深度探究與原創性（Melisa et al., 2025）[15]。從陰陽調和的視角看，批判性掌控相當于“陰中之陽”：在激勵（陽）的AIGC提示之外，引入內在反思（陰）的阻力，二者合力促進創造性認知的平衡發展。

與之相對，技術依賴指科研人員因AIGC工具的便利性而逐漸喪失自主思考，過度依賴AI生成的現象。數字依賴（digital dependence）被定義為“個體難以自我調節對數字工具的使用，形成高度依賴狀態”（Adisa et al., 2017）[16]；同時，信息系統研究指出，過度技術依賴常導致“技術壓力”——即因頻繁使用數字工具而產生的認知負荷與焦慮（Tarafdar et al., 2007）[17]。在陰陽框架中，技術依賴為“陽中之陰”：其創新賦能（陽）易轉化為惰性阻力（陰），若不加節制，反而抑制深度創造。

結合上述兩極，批判性掌控與技術依賴在AIGC使用的不同強度水平下，分別強化或削弱科研創造力的倒U型曲線。當批判性掌控水平高時，科研者能夠甄別并優化AI提示，將認知資源聚焦于深度加工，使倒U型關系的峰值上移、正向增益最大化；當技術依賴水平高時，AI生成內容易被直接采納，認知卸載加劇，倒U型曲線的峰值下移，且創新增益拐點提前出現。

立足上述陰陽共生機理，我們提出以下調節假設：

H2. 批判性掌控顯著正向調節AIGC工具使用與科研創造力之間的倒U型關系。

H3. 技術依賴顯著負向調節AIGC工具使用與科研創造力之間的倒U型關系。

2.4反饋尋求在AIGC使用:科研創造力關系中的調節作用

反饋尋求被定義為“個體主動從外部環境獲取評價信息，以調整自身行為表現并實現績效改進的行為”（Ashford et al.,?1983）[18]；后續研究進一步強調，反饋尋求是一種關鍵的自我調節策略，能夠幫助個體在復雜任務中校準方向、增強學習和創新（Ashford et al.,?2003）[7]。

大量實證研究表明，積極的反饋尋求行為能夠促進創造性績效。例如，在四家企業456個領導—員工樣本中，被試的反饋詢問傾向與主管評價的創造性表現呈顯著正相關（De?Stobbeleir,?2011）[19]；最近的研究也發現，從團隊成員處主動獲取多元視角反饋，可有效提升員工的創意數量與質量（Wang,?2022）[8]。這些結果表明，反饋尋求在創造力生成過程中具有不可或缺的激勵與校準功能。

批判性掌控依賴于科研人員對AIGC輸出的反思與審視。FS通過提供及時的同伴和上級評估，促使研究者不斷修正對AI結果的判斷，提升對輸出質量的批判性認知（De?Stobbeleir,?2008）[20]。在陰陽視角下，FS行為相當于在“陰”中注入更多反思能量，使批判性掌控——作為“陰”的一極——得到進一步強化。

相反，技術依賴往往源于對AIGC提示的被動接受。FS行為通過主動詢問和環境監測，增加了研究者對工具局限性的認識與警覺（Ashford et al.,?2003）[7]，從而抑制過度依賴帶來的認知懈怠和同質化風險。在陰陽框架中，FS為“陽”帶來“陰”的校正，削弱技術依賴這一“陽中之陰”。

鑒于以上機理，我們提出：

H4. 反饋尋求行為顯著正向調節AIGC工具使用與科研創造力之間的倒U型關系。

反饋尋求不僅單獨調節AIGC—創造力曲線，還可通過增強批判性掌控與削弱技術依賴的雙重路徑，共同放大正向效應與抑制負向效應。這種三元聯動體現了陰陽調和中的“多維平衡”思路。因此，我們進一步提出：

H5.1. 反饋尋求行為顯著增強批判性掌控對AIGC工具使用與科研創造力關系的正向調節效應；

H5.2. 反饋尋求行為顯著弱化技術依賴對AIGC工具使用與科研創造力關系的的負向調節效應。

綜上，本文的研究模型如圖 1所示。

圖 1 研究模型

3數據收集與分析

3.1量表設計

本文的研究模型包含5個潛在變量，每個潛在變量包含4個測量變量（題項）。為保證潛在變量和測量變量的內容效度，本文研究模型中的所有潛在變量和題項均改編自國際權威文獻，并結合AIGC情境進行了適度修訂。測量變量采用Likert七點評分（1=“完全不同意”至7=“完全同意”），所有量表均進行了雙向翻譯與預測試驗證（n=30），Cronbach’s α值均超過0.8，說明量表內部一致性良好。本文研究的量表見表 1。

表 1 量表及來源

3.2數據收集

在進行大規模調查前，先進行了預調查，以確保測量工具與研究假設的適切性與清晰度。我們選取并邀請了30名碩士和博士研究生參與預調查，根據他們的反饋，對問卷中一些題項的表述進行了適當的修改與完善。

在正式開展線上問卷調查階段，我們面向具有科研背景的學術人員（包括在高校、研究院所的教師、在讀博士和碩士研究生群體）發放問卷，選用國內可靠的在線問卷服務平臺“問卷星”（https://www.wjx.cn/）作為數據收集工具，制定了詳細的填寫指南，明確說明問卷填答規范與受訪者隱私保護措施。最終獲得319名科研人員的有效數據，有效回收率為70.3%。樣本構成如下：男性147人，女性172人；碩士217人，博士102人；平均年齡33.5歲；研究領域占比分別為：自然科學35.1%，社會科學41.7%，人文科學15.7%，其他7.5%；研究年限分別為：1~5年68.3%，6~10年16.3%，10年以上15.4%。

3.3測量模型評估

在正式開展假設檢驗前，本文首先對測量模型的信度與效度進行了檢驗。結果顯示（見表 2），各潛變量的Cronbach’s α系數均大于0.8，組合信度（CR）均超過0.8，表明量表具有較高的內部一致性。收斂效度方面，各潛變量的平均方差提取量（AVE）均大于0.5，且各潛變量AVE平方根均大于其與其他變量的相關系數（見表 3），說明本文量表具備良好的收斂效度與判別效度。

表 2 測量模型的AVE 、CR 、Cronbach’s α值

表 3 AVE的平方根和潛變量間的相關系數

為檢驗共同方法變異（Common Method Variance, CMV）對研究結果的潛在影響，本文采用了三種方法，包括Harman 單因子檢驗、完全共線性方法、驗證性因子分析標記變量法，三種檢驗結果均顯示共同方法變異對本文結論的威脅較小。

3.4假設檢驗

為檢驗倒U型主效應及多重調節效應，本文采用分層回歸分析（Hierarchical Regression Analysis）逐步引入變量進行建模，分析結果見表 4。

表 4 分層回歸分析結果

3.4.1主效應與倒U型關系（H1）

Model 1 僅包含控制變量，R2=0.012。加入自變量 AU 及其二次項 AU2 后（Model 2），模型的解釋力顯著提升至 R2=0.678（ΔR2=0.666，p<0.001）。AU 一次項系數顯著為正（β=4.273, t=18.310, p<0.001），AU2 二次項系數顯著為負（β=-3.881, t=13.405, p<0.001），說明AIGC使用程度與科研創造力之間存在顯著倒U型關系，支持假設H1。

3.4.2批判性掌控的調節作用（H2）

Model 3在Model 2的基礎上引入 CC 及其與 AU、AU2 的交互項后，模型解釋力進一步提升（R2=0.711，ΔR2=0.033，p<0.001）。AU2×CC 交互項顯著為正（β=0.623, t=3.064, p=0.002），表明批判性掌控顯著正向調節了AU與RC之間的倒U型關系：批判性掌控水平高時，AU對RC的促進作用更強，且峰值更高、下降更緩慢（見圖 2）。

圖 2 批判性掌控（CC）的調節效應

3.4.3技術依賴的調節作用（H3）

Model 4 在Model 2的基礎上引入 TD 及其與 AU、AU2 的交互項后，模型解釋力為（R2=0.702，ΔR2=0.024，p<0.001）。AU2×TD 交互項顯著為負（β=-0.460, t=2.147, p=0.032），表明技術依賴水平越高，AU與RC之間的倒U型關系峰值越低且下降更陡峭，支持假設H3（見圖 3）。

圖 3 技術依賴（TD）的調節效應

3.4.4反饋尋求的調節作用（H4）

Model 5 在Model 2的基礎上引入 FS 及其與 AU、AU2 的交互項后，R2=0.694（ΔR2=0.016，p<0.001）。AU2×FS 交互項顯著為正（β=0.660, t=2.065, p=0.039），說明反饋尋求水平越高，倒U型關系的峰值更高且下降更緩慢，支持假設H4（見圖 4）。

圖 4 反饋尋求行為（FS）的調節效應

3.4.5雙調節效應

Model 6在Model 2的基礎上同時引入CC與FS，模型解釋力顯著提升（R2=0.715，ΔR2=0.021）。結果顯示，AU2×CC（β=1.046, t=3.079, p=0.002）保持顯著，而AU2×FS（β=0.031, t=0.094, p=0.002）不再顯著，說明批判性掌控的調節作用更為穩健，FS效應可能被CC部分吸收或存在重疊機制，即二者表現出競爭性調節。

Model 7在Model 2的基礎上同時引入TD與FS后，模型解釋力為R2=0.703（ΔR2=0.009）。此時AU2×TD（β=-0.425, t=1.568, p=0.117）和AU2×FS（β=0.28, t=0.871, p=0.384）均不顯著，而在單獨模型中二者均顯著，表明其效應在統計上相互抵消或稀釋。這提示調節變量之間可能存在共享方差和作用方向差異，導致聯合建模下效應減弱。

3.4.6三重交互效應（H5）

Model 8在Model 6的基礎上加入三重交互項AU2×CC×FS后，模型解釋力進一步提升（R2=0.727，ΔR2=0.012）。結果表明交互項AU2×CC×FS顯著為正（β=1.114, t=2.626, p=0.009），說明反饋尋求能夠放大批判性掌控對AIGC使用與科研創造力倒U型關系的調節作用（H5.1）。如圖 5所示，在高FS條件下，高CC個體的創造力峰值更高且作用區間更寬，因為他們善于批判性評估AIGC輸出，當他們同時積極尋求反饋時，可以結合外部多元信息與自身批判性加工，形成更高質量的創新思路。

圖 5 反饋尋求水平下批判性掌控調節AIGC使用與科研創造力關系的三重交互效應

Model 9在Model 7基礎上加入AU2×TD×FS，R2為0.718（ΔR2=0.015）。結果表明交互項AU2×TD×FS顯著為正（β=0.922, t=2.611, p=0.009），表明反饋尋求削弱了技術依賴的負向調節作用（H5.2）。如圖 6所示，在高反饋尋求條件下，高技術依賴的負向調節效應明顯被削弱，倒 U 型曲線的峰值下降幅度減小，從而體現了“弱化負向調節”的假設效果。這是因為高FS能引入多元觀點與信息，彌補因依賴技術導致的思維狹窄，使高 TD 個體在信息來源上不完全依賴 AIGC，從而維持創造力的多元性。同時也幫助個體意識到自身的依賴傾向，從而在使用 AIGC 時主動調整策略，保持適度使用。

圖 6 反饋尋求水平下技術依賴調節AIGC使用與科研創造力關系的三重交互效應

4討論與啟示

4.1主要研究發現

基于319份有效樣本的多層次回歸分析結果顯示：

（1）AIGC使用程度（AU）與科研創造力（RC）之間呈顯著倒U型關系，即適度使用AIGC最有利于科研創造力的提升，過低或過高的使用均可能抑制創造力。這一模式與“陰陽調和”理論中強調的“中道”思想相契合，也與Amabile（1996）[25]和Florida（2002）[26]關于適度技術使用促進創造力的結論一致。

（2）批判性掌控（CC）對AU–RC倒U型關系具有顯著正向調節作用，表現為在高CC條件下，AIGC使用的最佳水平更高、峰值效應更強。這與Paul和Elder（2013）[27]關于批判性加工提升創新的觀點相符，并體現了“陽中有陰”的認知調節作用。

（3）技術依賴（TD）對倒U型關系呈顯著負向調節作用，即高TD情境下，AIGC的積極效應被削弱，這符合Kishore等（2013）[28]提出的依賴—自主沖突模型，亦印證了“陽過則陰生”的風險提示。

（4）反饋尋求（FS）對倒U型關系具有顯著正向調節作用，表明積極的外部信息獲取可緩解過度技術使用帶來的認知視野收窄，這與Ashford等（2003）[7]關于反饋促進創新的結論一致，體現了“以外補內”的陰陽互濟邏輯。

（5）三重交互效應分析表明，AU2×CC×FS和AU2×TD×FS均顯著為正。這表明，在高反饋尋求（FS）情境下，批判性掌控（CC）的促進作用得到進一步增強——高CC+高FS的科研人員更容易在適度使用AIGC時獲得更高的創造力峰值，并拓寬創造力維持的有效區間。這種效應反映了認知特質與行為策略的協同作用：高質量的內部加工與高頻外部信息獲取相結合，能夠有效放大AIGC的積極效應。與此同時，技術依賴（TD）在高FS情境下的抑制作用也被顯著放大——高TD+高FS的科研人員，即便頻繁獲取外部意見，也可能因高度依賴技術而固化已有的思維路徑，降低創新的靈活性與突破性。這一結果揭示了多重調節效應的雙刃劍特征：反饋尋求在不同認知與依賴水平下可能呈現截然相反的作用模式，強調了在數字科研環境中認知—行為—依賴的動態匹配性的重要性。

4.2理論意義

本文的理論貢獻體現在三個方面：

（1）擴展了技術使用與創造力關系的非線性理解——通過引入陰陽調和框架，將倒 U 型效應解釋為技術賦能與認知風險的動態平衡，為數字科研情境下的創造力研究提供了文化特定的理論支撐。

（2）整合了認知特質與行為策略的交互機制——揭示了 CC、TD 與 FS 的匹配性是影響技術使用效果的關鍵，這在現有關于技術 — 創造力關系的研究中尚屬首次。

（3）連接本土與國際理論 —— 研究結果不僅印證了資源—需求平衡理論、批判性思維促進創造力的觀點，也與西方辯證思維理論相呼應，顯示了跨文化框架對科研創造力的解釋潛力。

4.3實踐意義

本文的實踐貢獻主體現在三個方面：

（1）科研人員層面。 AIGC 使用與創造力之間呈倒U型關系，提示個體應遵循“適度原則”：既避免低使用導致的資源浪費，也防止高使用帶來的依賴與創造力下降。批判性掌控高的科研人員可更好發揮工具優勢，但仍需保持獨立思考；而技術依賴高的群體應警惕過度使用風險，通過人工探索和跨領域信息整合維持創新活力。

（2）科研機構層面。 反饋尋求顯著提升創造力峰值，尤其在高批判性掌控情境下作用更強。因此，機構應建立跨學科交流、同行評議和反饋機制，幫助科研人員優化對AI生成內容的加工。同時，應對高技術依賴群體進行培訓，推動多工具結合使用，避免認知慣性。

（3）政策制定層面。 三重交互結果顯示，高技術依賴在高反饋情境下負效應被放大，提示政策制定者應在推動數字化科研的同時關注個體差異。可在科研資助和人才評價中引入AIGC使用指引，如在科研倫理中強調“創造力自主性”，或在項目中要求設置反饋與批判機制，以平衡技術賦能與創新獨立性。

4.4局限性與未來研究方向

盡管本研究取得了一定創新，但仍存在局限。首先，數據來自319份橫截面問卷，雖揭示了顯著的非線性與調節效應，但因果關系仍難以確認。未來可采用縱向追蹤或實驗設計，以驗證AIGC使用與科研創造力的動態關系。其次，研究主要依賴自陳量表，雖然通過多種方法控制了共同方法偏差，但社會期許與回憶偏差難以避免。后續研究可結合客觀產出指標與多源評價，以提升信度與效度。再次，陰陽調和框架在中國文化背景下契合度較高，其跨文化適用性有待檢驗。未來可對比西方辯證思維或悖論管理理論，以拓展理論解釋的國際普適性。最后，本文的調節變量主要集中在個體層面，尚未考慮團隊與組織情境。后續可結合多層次分析，探索組織文化與科研資源配置對AIGC—創造力關系的作用機制。

5研究結論

本文以“陰陽調和認知”作為理論基石，探討了 AIGC 使用在科研創造力生成過程中的作用機制及其邊界條件。通過引入批判性掌控、技術依賴與反饋尋求三個關鍵調節因素，揭示了技術賦能與認知主體性之間并非線性遞進的簡單關系，而是一種需要動態平衡與多方匹配的復雜系統。

整體而言，研究表明：適度使用 AIGC 是科研創造力的最佳區間；批判性掌控與反饋尋求是放大技術正效應的“陽性力量”；技術依賴則可能成為侵蝕創造力的“陰性因素”。三重交互效應進一步凸顯，個體特質與行為策略的匹配，是實現技術賦能與自主創造力共生的核心路徑。

這一結論在理論上回應了數字化科研背景下關于技術與創造力關系的悖論問題，驗證了“陰陽調和”作為解釋框架的適用性與解釋力，也為 AI 與人類認知協同的跨文化研究提供了新的思路。它提示我們：在技術快速演進的時代，創造力不在于工具的堆砌，而在于主體如何在便利與自主、效率與深思之間保持張力與平衡。

在更廣泛的層面上，本文的發現不僅適用于科研領域，也對教育、創意產業、政策制定等多個場景具有啟示意義。它呼吁學界與實踐界共同思考：如何構建一個既能利用 AI 助力創新，又能守護人類獨立思維與批判精神的知識生態。

正如陰陽相生相克，科研創造力的未來，不在于一味擁抱或抗拒技術，而在于于動靜之間、取舍之中，找到人機共生的最佳尺度。

基金項目：湖北省教育廳哲學社會科學研究重點項目“價值和公平視角下虛擬學術社區中科研人員持續性知識共享行為研究”（20D023）；湖北省教育廳哲學社會科學研究重點項目“在線學術社區科研人員信息行為轉化機制研究”（20D024）;湖北省教育廳人文社會科學研究項目“不對稱信息視角下的區塊鏈技術在碳排放交易中的應用研究”（20Y013)

作者簡介

秦嶺 武漢科技大學管理學院碩士，副教授

嚴紅 武漢科技大學管理學院碩士，副教授

殷志平 武漢科技大學管理學院博士，副教授

參考文獻