学术研究报告：PAILQ-6量表的心理测量学验证

作者及机构
本研究由挪威卑尔根大学（University of Bergen）心理社会科学系的Simone Grassini独立完成，成果发表于2024年10月的*Nordic Conference on Human-Computer Interaction (NordiCHI 2024)*会议论文集。

学术背景
随着人工智能（AI）技术在日常生活中的广泛应用，理解AI的伦理影响和技术特性变得至关重要。然而，现有研究显示，公众对AI的认知存在显著差距——例如，仅30%的受访者能识别常见的AI驱动技术（如智能手表、聊天机器人）。为填补这一空白，本研究开发并验证了感知人工智能素养问卷（Perceived Artificial Intelligence Literacy Questionnaire, PAILQ-6），旨在通过简短的6项量表评估个体对自身AI素养的主观认知。

研究流程
1. 量表开发
- 理论基础：基于Ng等（2021）提出的AI素养四维框架（知识理解、技术应用、评估创造、伦理考量）及Wang等（2022）的AI素养量表（AILS），设计了6个Likert七级评分项，涵盖AI概念理解、项目贡献信心、技术利弊判断、信息追踪、沟通自信及工具创新应用。
- 量表特点：采用七级评分以提高数据区分度，并通过数字设备兼容性优化用户体验。

1. 参与者与数据收集

   • 样本：通过Prolific平台招募232名英国成年人（男女各116人，年龄18-72岁，平均41.4岁），67.2%具大学学历。
     
   • 实验设计：在线调查中，参与者先接触AI应用示例以减少误解，随后完成PAILQ-6、AI态度量表（AIAS-4）及技术使用态度量表（MTUAS-P）。
     

2. 数据分析方法

   • 探索性因子分析（EFA）：采用最大似然提取和斜交旋转（Oblimin），通过平行分析确定因子结构。
     
   • 信效度检验：计算Cronbach’s α与McDonald’s ω评估内部一致性，通过单项目AI素养评分验证收敛效度。
     
   • 回归分析：考察人口统计学变量（年龄、性别、教育水平）对PAILQ-6得分的预测作用。
     

主要结果
1. 因子结构
- EFA揭示双因子模型：
- “认知素养”因子（α=0.814）：包含AI概念理解、技术评估及沟通自信（如“我能判断AI的优缺点”）。
- “参与素养”因子（α=0.837）：涵盖项目贡献、信息追踪及工具创新（如“我能为AI项目做贡献”）。
- 两因子相关性显著（r=0.685），全量表一致性优异（α=0.869）。

1. 效度与相关性

   • PAILQ-6与单项目AI素养评分高度相关（r=0.76），证实收敛效度。
     
   • 对AI的积极态度（AIAS-4）与技术态度（MTUAS-P）均与PAILQ-6正相关（r=0.531 vs. 0.464），支持区分效度。
     

2. 人口学差异

   • 性别差异：男性自评AI素养显著高于女性（β=-0.76, p<0.001），反映技术领域的性别刻板印象。
     
   • 教育影响：大学学历者得分更高（β=-0.29, p=0.028），表明教育可能提升AI接触机会。
     

结论与价值
1. 科学意义
- PAILQ-6是首个专注于主观感知AI素养的简短工具，弥补了现有量表（如32项的AILQ）的冗长缺陷，适用于快速筛查与非学术场景。
- 双因子模型为AI素养的认知与行为维度提供了实证支持，呼应了理论框架中的“知识-应用”二分法。

1. 应用价值
   
   • 教育领域：可识别学生AI素养短板，针对性设计课程（如加强女性参与度）。
     
   • 政策制定：为缩小数字鸿沟（Digital Divide）提供量化依据，推动包容性技术普及。
     

研究亮点
- 创新性：首次将“沟通自信”纳入AI素养评估，扩展了传统维度。
- 方法学严谨性：通过EFA与多量表交叉验证，确保工具信效度。
- 社会洞察：揭示性别与教育对AI认知的结构性影响，呼吁政策干预。

其他发现
研究指出，主观感知可能与实际技能存在偏差（如低分项集中于需主动参与的条目），建议未来结合客观测试进一步验证。此外，样本局限（仅英国）提示需跨文化研究以增强普适性。

数据与工具公开
作者公开了数据集（Zenodo存档）及问卷评分指南，鼓励后续研究使用与改进。