摘要
随着人工智能生成内容（AIGC）技术在科研领域的快速发展，其对科研创造力的影响逐渐引起学界关注。本文基于319份有效样本，构建理论模型并引入批判性掌控（CC）、技术依赖（TD）和反馈寻求（FS）作为调节变量，探讨AIGC使用程度（AU）与科研创造力（RC）之间的关系。研究以“阴阳调和认知”作为悖论分析框架，结合分层回归分析与三重交互效应检验，发现：（1）AU与RC之间存在显著倒U型关系，即适度使用AIGC最有利于科研创造力提升；（2）CC和FS对倒U型关系具有正向调节作用，TD具有负向调节作用；（3）三重交互效应表明，高FS情境下CC的促进作用与TD的抑制作用更为突出。研究结果不仅验证了AIGC与科研创造力关系的非线性特征，也揭示了认知特质与行为策略的复杂交互机制。理论上，本研究拓展了悖论管理理论与阴阳调和视角在科研领域的应用；实践上，为科研人员和机构制定AIGC使用策略、优化科研创新提供了参考。
关键词
AIGC；科研创造力；阴阳调和；批判性掌控；技术依赖；反馈寻求；倒U型关系
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
近年来，人工智能生成内容（Artificial Intelligence Generated Content, AIGC）技术在科研领域的快速渗透，引发了广泛的关注与争议。无论是文献综述、数据建模，还是学术写作辅助，AIGC工具正以前所未有的方式重塑科研人员的认知过程与创作机制。一方面，这类技术为研究人员提供了前所未有的信息加工与创意激发手段，有助于提高研究效率与创新潜力（Dwivedi, 2021）[1]。另一方面，AIGC的深度介入亦可能弱化研究人员对问题的独立思考，诱发对技术的过度依赖，从而对创造性产出产生潜在抑制（Parasuraman & Colby, 2015；Sweller, 1988）[2][3]。这一赋能与抑制并存的张力现象，提示我们必须超越线性思维，以更具张力辨识力的理论视角对AIGC使用与科研创造力之间的关系进行深入剖析。
已有文献主要从技术接受模型（TAM）出发，强调技术感知有用性与易用性如何促进个体对AIGC的采纳行为（Davis, 1989；Venkatesh & Davis, 2000）[4][5]，以及自我决定理论对自主性激发与创新动机的解释路径（Ryan & Deci, 2000）[6]。与此同时，认知负荷理论指出技术信息输入的边界与过载风险（Sweller, 1988）[3]，技术依赖研究也揭示了过度倚赖可能造成的“懒惰认知”现象（Parasuraman & Colby, 2015）[2]。然而，上述理论多采取“单向因果”或“线性影响”视角，较少揭示在科技使用行为中同时存在正负影响的双重结构张力。此外，在调节路径方面，相关研究亦缺乏对行为性调节因子（如反馈寻求）与认知性调节因子（如批判性思维）交互作用机制的深入刻画。
本文引入“阴阳调和认知理论”（Yin–Yang Cognition Theory）作为分析框架，尝试打破传统西方思维中二元对立的思维惯性，从动态统一的辩证视角重新理解AIGC技术的双向作用机制，构建兼具辩证性与系统性的多重调节机制模型，拓展了悖论管理与技术认知融合研究的边界。本文提出，AIGC工具使用与科研创造力之间存在非线性的倒U型关系：适度使用AIGC有助于激发创造性，但过度使用则可能削弱独立思维与认知负荷调节能力。在此基础上，本文以“批判性掌控”与“技术依赖”作为代表“赋能—依赖”悖论张力的阴阳变量，进而引入“反馈寻求行为”作为行为层面的关键调节机制，形成“阴阳认知 × 外部调节”的复合互动路径，回应组织行为学中“自我调节—外部反馈”双元路径的最新趋势（Ashford et al., 2003；Wang et al., 2022）[7][8]，增强模型对现实科研场景复杂性的解释力。
2理论背景与研究假设
2.1阴阳调和认知作为悖论分析框架
在高度不确定性与技术快速变革的当代科研情境中，科研人员在使用AIGC工具时面临着赋能与依赖并存、控制与被控交织的复杂心理张力。传统的西方管理理论多通过对立范畴（如二元范式）处理组织悖论问题，而中国哲学中的“阴阳调和认知”提供了一种更具动态性、整体性与系统性的理论范式，为理解科技使用中复杂悖论现象提供了扎实的认知基础（Chin et al., 2023；Redding, 2017）[9]。
阴阳调和认知源于中国古典哲学，强调对立统一、动静相生、互嵌互生，具有包容性、系统性和发展性的特征（Lai, 2008）[10]。在该认知结构中，“阴”与“阳”并非绝对对立，而是互为条件、动态转换的统一整体。相较于西方的悖论理论（paradox theory）所强调的张力（tension）与二元平衡（Smith & Lewis, 2011）[11]，阴阳范式更关注冲突元素之间的“互嵌—转化”机制，是一种典型的“动态平衡观”。
在AIGC技术广泛嵌入科研情境后，科研人员在体验到认知赋能（如快速生成、增强创新）同时，也面临认知惰性与依赖风险（如削弱判断力、模糊原创边界）。这一过程体现了典型的“掌控—依赖”二元悖论。将AIGC工具使用行为置于阴阳调和框架中，可将“批判性掌控”理解为阳极向上、自主驱动的认知力量，而“技术依赖”则代表阴极向下、外在替代的被动倾向。二者在AIGC使用过程中交织演化，形成螺旋式的动态关系，最终影响科研创造力的生成边界。
最新研究亦指出，阴阳调和视角为管理实践中的非线性关系和多元反馈路径提供了有效解释框架。例如，在远程工作背景下，Chin 等（2023）[9]发现知识分享与隐藏的交互作用可通过阴阳认知视角系统刻画，揭示其对职业发展路径的倒U型影响。同理，在AIGC使用场域中，科研人员对AI输出既可能激发再创造动能，也可能形成思维固化与“认知卸责”现象（Parasuraman & Colby, 2015）[2]，这与“阳盛则阴生，阴盛则阳化”的原理高度契合。
综上所述，阴阳调和认知不仅提供了一种理解AIGC技术悖论影响的哲学框架，也有助于构建动态非线性关系的理论基础，支撑本文提出的倒U型模型与多重交互调节机制。通过将阴阳认知范式嵌入科技使用研究中，我们得以揭示科技工具赋能背后的认知悖论结构，深化对科研人员创造力生成机制的理论理解。
2.2 AIGC工具使用对科研创造力的影响：基于阴阳调和认知分析框架
科研创造力（Researcher Creativity, RC）通常被定义为“在特定领域内生成既新颖又适用的想法或解决方案的能力”（Amabile, 1983）[12]。随着生成式人工智能（AIGC）工具（如ChatGPT、Gemini、DeepSeek、文心一言等）在科研中的广泛应用，它们既能快速提供外部灵感，也可能削弱研究者的独立思考，从而对科研创造力产生双重影响。
研究表明，适度使用AIGC工具可作为“创意触发器”，刺激研究者突破思维定式。Doshi和Hauser（2023）[13]在一项在线实验中发现，获得生成式AI辅助后，创作者的作品质量显著提升。然而，过度依赖AIGC亦带来“创意同质化”问题：Wadinambiarachchi等（2024）[14]通过视觉设计实验指出，频繁使用AI图像生成器会加剧设计固着（design fixation），导致想法数量减少、原创性和多样性下降。上述双重效应揭示了AIGC使用的“过犹不及”悖论。
认知负荷理论（Cognitive Load Theory, CLT）认为，工作记忆具有有限容量，过多外部信息或提示会增加“外部负荷”，从而抑制深度加工与发散性思维（Sweller, 1988）[3]。在AIGC辅助下，研究者可能将大量思考任务“卸载”给工具，一方面释放了部分认知资源，促进初始的创意生成；但当AI提示过多时，工作记忆被频繁切换与整合，反而抑制了自发联想与深度思考。
基于阴阳调和认知框架我们将AIGC使用量视作一个阴阳统一体。阳（动）元素：适度使用AIGC带来外部灵感、知识扩散与工具赋能，激发科研创造力；阴（静）元素：过度依赖AIGC则可能削弱内在动机、导致思维懈怠与创意同质化。阴阳在不断平衡与转化中共生，其“曲线化”关系恰与前述促进—抑制的双向效应相呼应（Smith & Lewis, 2011）[11]。
综合以上理论与实证证据，并采用阴阳调和的辩证视角，我们提出：
H1. AIGC工具使用与科研创造力之间呈倒U型关系：在适度使用水平下，AIGC工具能够通过提供外部灵感和节省认知资源，促进科研创造力的提高；当使用过度时，因认知负荷过高与内在动机削弱，将抑制创造力的进一步发展。
2.3批判性掌控与技术依赖的共生逻辑：阴阳视角下的正负互动机制
批判性掌控指科研人员在使用AIGC工具时，对AI生成内容进行审慎评估、主动质疑并适度校正的能力。系统性文献综述表明，AIGC工具若能配合高水平的批判性思考，科研者能够避免“认知卸载”（cognitive offloading）带来的浅层加工，反而提升深度探究与原创性（Melisa et al., 2025）[15]。从阴阳调和的视角看，批判性掌控相当于“阴中之阳”：在激励（阳）的AIGC提示之外，引入内在反思（阴）的阻力，二者合力促进创造性认知的平衡发展。
与之相对，技术依赖指科研人员因AIGC工具的便利性而逐渐丧失自主思考，过度依赖AI生成的现象。数字依赖（digital dependence）被定义为“个体难以自我调节对数字工具的使用，形成高度依赖状态”（Adisa et al., 2017）[16]；同时，信息系统研究指出，过度技术依赖常导致“技术压力”——即因频繁使用数字工具而产生的认知负荷与焦虑（Tarafdar et al., 2007）[17]。在阴阳框架中，技术依赖为“阳中之阴”：其创新赋能（阳）易转化为惰性阻力（阴），若不加节制，反而抑制深度创造。
结合上述两极，批判性掌控与技术依赖在AIGC使用的不同强度水平下，分别强化或削弱科研创造力的倒U型曲线。当批判性掌控水平高时，科研者能够甄别并优化AI提示，将认知资源聚焦于深度加工，使倒U型关系的峰值上移、正向增益最大化；当技术依赖水平高时，AI生成内容易被直接采纳，认知卸载加剧，倒U型曲线的峰值下移，且创新增益拐点提前出现。
立足上述阴阳共生机理，我们提出以下调节假设：
H2. 批判性掌控显著正向调节AIGC工具使用与科研创造力之间的倒U型关系。
H3. 技术依赖显著负向调节AIGC工具使用与科研创造力之间的倒U型关系。
2.4反馈寻求在AIGC使用:科研创造力关系中的调节作用
反馈寻求被定义为“个体主动从外部环境获取评价信息，以调整自身行为表现并实现绩效改进的行为”（Ashford et al., 1983）[18]；后续研究进一步强调，反馈寻求是一种关键的自我调节策略，能够帮助个体在复杂任务中校准方向、增强学习和创新（Ashford et al., 2003）[7]。
大量实证研究表明，积极的反馈寻求行为能够促进创造性绩效。例如，在四家企业456个领导—员工样本中，被试的反馈询问倾向与主管评价的创造性表现呈显著正相关（De Stobbeleir, 2011）[19]；最近的研究也发现，从团队成员处主动获取多元视角反馈，可有效提升员工的创意数量与质量（Wang, 2022）[8]。这些结果表明，反馈寻求在创造力生成过程中具有不可或缺的激励与校准功能。
批判性掌控依赖于科研人员对AIGC输出的反思与审视。FS通过提供及时的同伴和上级评估，促使研究者不断修正对AI结果的判断，提升对输出质量的批判性认知（De Stobbeleir, 2008）[20]。在阴阳视角下，FS行为相当于在“阴”中注入更多反思能量，使批判性掌控——作为“阴”的一极——得到进一步强化。
相反，技术依赖往往源于对AIGC提示的被动接受。FS行为通过主动询问和环境监测，增加了研究者对工具局限性的认识与警觉（Ashford et al., 2003）[7]，从而抑制过度依赖带来的认知懈怠和同质化风险。在阴阳框架中，FS为“阳”带来“阴”的校正，削弱技术依赖这一“阳中之阴”。
鉴于以上机理，我们提出：
H4. 反馈寻求行为显著正向调节AIGC工具使用与科研创造力之间的倒U型关系。
反馈寻求不仅单独调节AIGC—创造力曲线，还可通过增强批判性掌控与削弱技术依赖的双重路径，共同放大正向效应与抑制负向效应。这种三元联动体现了阴阳调和中的“多维平衡”思路。因此，我们进一步提出：
H5.1. 反馈寻求行为显著增强批判性掌控对AIGC工具使用与科研创造力关系的正向调节效应；
H5.2. 反馈寻求行为显著弱化技术依赖对AIGC工具使用与科研创造力关系的的负向调节效应。
综上，本文的研究模型如图 1所示。
图 1 研究模型
3数据收集与分析
3.1量表设计
本文的研究模型包含5个潜在变量，每个潜在变量包含4个测量变量（题项）。为保证潜在变量和测量变量的内容效度，本文研究模型中的所有潜在变量和题项均改编自国际权威文献，并结合AIGC情境进行了适度修订。测量变量采用Likert七点评分（1=“完全不同意”至7=“完全同意”），所有量表均进行了双向翻译与预测试验证（n=30），Cronbach’s α值均超过0.8，说明量表内部一致性良好。本文研究的量表见表 1。
表 1 量表及来源
3.2数据收集
在进行大规模调查前，先进行了预调查，以确保测量工具与研究假设的适切性与清晰度。我们选取并邀请了30名硕士和博士研究生参与预调查，根据他们的反馈，对问卷中一些题项的表述进行了适当的修改与完善。
在正式开展线上问卷调查阶段，我们面向具有科研背景的学术人员（包括在高校、研究院所的教师、在读博士和硕士研究生群体）发放问卷，选用国内可靠的在线问卷服务平台“问卷星”（https://www.wjx.cn/）作为数据收集工具，制定了详细的填写指南，明确说明问卷填答规范与受访者隐私保护措施。最终获得319名科研人员的有效数据，有效回收率为70.3%。样本构成如下：男性147人，女性172人；硕士217人，博士102人；平均年龄33.5岁；研究领域占比分别为：自然科学35.1%，社会科学41.7%，人文科学15.7%，其他7.5%；研究年限分别为：1~5年68.3%，6~10年16.3%，10年以上15.4%。
3.3测量模型评估
在正式开展假设检验前，本文首先对测量模型的信度与效度进行了检验。结果显示（见表 2），各潜变量的Cronbach’s α系数均大于0.8，组合信度（CR）均超过0.8，表明量表具有较高的内部一致性。收敛效度方面，各潜变量的平均方差提取量（AVE）均大于0.5，且各潜变量AVE平方根均大于其与其他变量的相关系数（见表 3），说明本文量表具备良好的收敛效度与判别效度。
表 2 测量模型的AVE 、CR 、Cronbach’s α值
表 3 AVE的平方根和潜变量间的相关系数
为检验共同方法变异（Common Method Variance, CMV）对研究结果的潜在影响，本文采用了三种方法，包括Harman 单因子检验、完全共线性方法、验证性因子分析标记变量法，三种检验结果均显示共同方法变异对本文结论的威胁较小。
3.4假设检验
为检验倒U型主效应及多重调节效应，本文采用分层回归分析（Hierarchical Regression Analysis）逐步引入变量进行建模，分析结果见表 4。
表 4 分层回归分析结果
3.4.1主效应与倒U型关系（H1）
Model 1 仅包含控制变量，R²=0.012。加入自变量 AU 及其二次项 AU² 后（Model 2），模型的解释力显著提升至 R²=0.678（ΔR²=0.666，p<0.001）。AU 一次项系数显著为正（β=4.273, t=18.310, p<0.001），AU² 二次项系数显著为负（β=-3.881, t=13.405, p<0.001），说明AIGC使用程度与科研创造力之间存在显著倒U型关系，支持假设H1。
3.4.2批判性掌控的调节作用（H2）
Model 3在Model 2的基础上引入 CC 及其与 AU、AU² 的交互项后，模型解释力进一步提升（R²=0.711，ΔR²=0.033，p<0.001）。AU²×CC 交互项显著为正（β=0.623, t=3.064, p=0.002），表明批判性掌控显著正向调节了AU与RC之间的倒U型关系：批判性掌控水平高时，AU对RC的促进作用更强，且峰值更高、下降更缓慢（见图 2）。
图 2 批判性掌控（CC）的调节效应
3.4.3技术依赖的调节作用（H3）
Model 4 在Model 2的基础上引入 TD 及其与 AU、AU² 的交互项后，模型解释力为（R²=0.702，ΔR²=0.024，p<0.001）。AU²×TD 交互项显著为负（β=-0.460, t=2.147, p=0.032），表明技术依赖水平越高，AU与RC之间的倒U型关系峰值越低且下降更陡峭，支持假设H3（见图 3）。
图 3 技术依赖（TD）的调节效应
3.4.4反馈寻求的调节作用（H4）
Model 5 在Model 2的基础上引入 FS 及其与 AU、AU² 的交互项后，R²=0.694（ΔR²=0.016，p<0.001）。AU²×FS 交互项显著为正（β=0.660, t=2.065, p=0.039），说明反馈寻求水平越高，倒U型关系的峰值更高且下降更缓慢，支持假设H4（见图 4）。
图 4 反馈寻求行为（FS）的调节效应
3.4.5双调节效应
Model 6在Model 2的基础上同时引入CC与FS，模型解释力显著提升（R²=0.715，ΔR²=0.021）。结果显示，AU²×CC（β=1.046, t=3.079, p=0.002）保持显著，而AU²×FS（β=0.031, t=0.094, p=0.002）不再显著，说明批判性掌控的调节作用更为稳健，FS效应可能被CC部分吸收或存在重叠机制，即二者表现出竞争性调节。
Model 7在Model 2的基础上同时引入TD与FS后，模型解释力为R²=0.703（ΔR²=0.009）。此时AU²×TD（β=-0.425, t=1.568, p=0.117）和AU²×FS（β=0.28, t=0.871, p=0.384）均不显著，而在单独模型中二者均显著，表明其效应在统计上相互抵消或稀释。这提示调节变量之间可能存在共享方差和作用方向差异，导致联合建模下效应减弱。
3.4.6三重交互效应（H5）
Model 8在Model 6的基础上加入三重交互项AU²×CC×FS后，模型解释力进一步提升（R²=0.727，ΔR²=0.012）。结果表明交互项AU²×CC×FS显著为正（β=1.114, t=2.626, p=0.009），说明反馈寻求能够放大批判性掌控对AIGC使用与科研创造力倒U型关系的调节作用（H5.1）。如图 5所示，在高FS条件下，高CC个体的创造力峰值更高且作用区间更宽，因为他们善于批判性评估AIGC输出，当他们同时积极寻求反馈时，可以结合外部多元信息与自身批判性加工，形成更高质量的创新思路。
图 5 反馈寻求水平下批判性掌控调节AIGC使用与科研创造力关系的三重交互效应
Model 9在Model 7基础上加入AU²×TD×FS，R²为0.718（ΔR²=0.015）。结果表明交互项AU²×TD×FS显著为正（β=0.922, t=2.611, p=0.009），表明反馈寻求削弱了技术依赖的负向调节作用（H5.2）。如图 6所示，在高反馈寻求条件下，高技术依赖的负向调节效应明显被削弱，倒 U 型曲线的峰值下降幅度减小，从而体现了“弱化负向调节”的假设效果。这是因为高FS能引入多元观点与信息，弥补因依赖技术导致的思维狭窄，使高 TD 个体在信息来源上不完全依赖 AIGC，从而维持创造力的多元性。同时也帮助个体意识到自身的依赖倾向，从而在使用 AIGC 时主动调整策略，保持适度使用。
图 6 反馈寻求水平下技术依赖调节AIGC使用与科研创造力关系的三重交互效应
4讨论与启示
4.1主要研究发现
基于319份有效样本的多层次回归分析结果显示：
（1）AIGC使用程度（AU）与科研创造力（RC）之间呈显著倒U型关系，即适度使用AIGC最有利于科研创造力的提升，过低或过高的使用均可能抑制创造力。这一模式与“阴阳调和”理论中强调的“中道”思想相契合，也与Amabile（1996）[25]和Florida（2002）[26]关于适度技术使用促进创造力的结论一致。
（2）批判性掌控（CC）对AU–RC倒U型关系具有显著正向调节作用，表现为在高CC条件下，AIGC使用的最佳水平更高、峰值效应更强。这与Paul和Elder（2013）[27]关于批判性加工提升创新的观点相符，并体现了“阳中有阴”的认知调节作用。
（3）技术依赖（TD）对倒U型关系呈显著负向调节作用，即高TD情境下，AIGC的积极效应被削弱，这符合Kishore等（2013）[28]提出的依赖—自主冲突模型，亦印证了“阳过则阴生”的风险提示。
（4）反馈寻求（FS）对倒U型关系具有显著正向调节作用，表明积极的外部信息获取可缓解过度技术使用带来的认知视野收窄，这与Ashford等（2003）[7]关于反馈促进创新的结论一致，体现了“以外补内”的阴阳互济逻辑。
（5）三重交互效应分析表明，AU²×CC×FS和AU²×TD×FS均显著为正。这表明，在高反馈寻求（FS）情境下，批判性掌控（CC）的促进作用得到进一步增强——高CC+高FS的科研人员更容易在适度使用AIGC时获得更高的创造力峰值，并拓宽创造力维持的有效区间。这种效应反映了认知特质与行为策略的协同作用：高质量的内部加工与高频外部信息获取相结合，能够有效放大AIGC的积极效应。与此同时，技术依赖（TD）在高FS情境下的抑制作用也被显著放大——高TD+高FS的科研人员，即便频繁获取外部意见，也可能因高度依赖技术而固化已有的思维路径，降低创新的灵活性与突破性。这一结果揭示了多重调节效应的双刃剑特征：反馈寻求在不同认知与依赖水平下可能呈现截然相反的作用模式，强调了在数字科研环境中认知—行为—依赖的动态匹配性的重要性。
4.2理论意义
本文的理论贡献体现在三个方面：
（1）扩展了技术使用与创造力关系的非线性理解——通过引入阴阳调和框架，将倒 U 型效应解释为技术赋能与认知风险的动态平衡，为数字科研情境下的创造力研究提供了文化特定的理论支撑。
（2）整合了认知特质与行为策略的交互机制——揭示了 CC、TD 与 FS 的匹配性是影响技术使用效果的关键，这在现有关于技术 — 创造力关系的研究中尚属首次。
（3）连接本土与国际理论 —— 研究结果不仅印证了资源—需求平衡理论、批判性思维促进创造力的观点，也与西方辩证思维理论相呼应，显示了跨文化框架对科研创造力的解释潜力。
4.3实践意义
本文的实践贡献主体现在三个方面：
（1）科研人员层面。 AIGC 使用与创造力之间呈倒U型关系，提示个体应遵循“适度原则”：既避免低使用导致的资源浪费，也防止高使用带来的依赖与创造力下降。批判性掌控高的科研人员可更好发挥工具优势，但仍需保持独立思考；而技术依赖高的群体应警惕过度使用风险，通过人工探索和跨领域信息整合维持创新活力。
（2）科研机构层面。 反馈寻求显著提升创造力峰值，尤其在高批判性掌控情境下作用更强。因此，机构应建立跨学科交流、同行评议和反馈机制，帮助科研人员优化对AI生成内容的加工。同时，应对高技术依赖群体进行培训，推动多工具结合使用，避免认知惯性。
（3）政策制定层面。 三重交互结果显示，高技术依赖在高反馈情境下负效应被放大，提示政策制定者应在推动数字化科研的同时关注个体差异。可在科研资助和人才评价中引入AIGC使用指引，如在科研伦理中强调“创造力自主性”，或在项目中要求设置反馈与批判机制，以平衡技术赋能与创新独立性。
4.4局限性与未来研究方向
尽管本研究取得了一定创新，但仍存在局限。首先，数据来自319份横截面问卷，虽揭示了显著的非线性与调节效应，但因果关系仍难以确认。未来可采用纵向追踪或实验设计，以验证AIGC使用与科研创造力的动态关系。其次，研究主要依赖自陈量表，虽然通过多种方法控制了共同方法偏差，但社会期许与回忆偏差难以避免。后续研究可结合客观产出指标与多源评价，以提升信度与效度。再次，阴阳调和框架在中国文化背景下契合度较高，其跨文化适用性有待检验。未来可对比西方辩证思维或悖论管理理论，以拓展理论解释的国际普适性。最后，本文的调节变量主要集中在个体层面，尚未考虑团队与组织情境。后续可结合多层次分析，探索组织文化与科研资源配置对AIGC—创造力关系的作用机制。
5研究结论
本文以“阴阳调和认知”作为理论基石，探讨了 AIGC 使用在科研创造力生成过程中的作用机制及其边界条件。通过引入批判性掌控、技术依赖与反馈寻求三个关键调节因素，揭示了技术赋能与认知主体性之间并非线性递进的简单关系，而是一种需要动态平衡与多方匹配的复杂系统。
整体而言，研究表明：适度使用 AIGC 是科研创造力的最佳区间；批判性掌控与反馈寻求是放大技术正效应的“阳性力量”；技术依赖则可能成为侵蚀创造力的“阴性因素”。三重交互效应进一步凸显，个体特质与行为策略的匹配，是实现技术赋能与自主创造力共生的核心路径。
这一结论在理论上回应了数字化科研背景下关于技术与创造力关系的悖论问题，验证了“阴阳调和”作为解释框架的适用性与解释力，也为 AI 与人类认知协同的跨文化研究提供了新的思路。它提示我们：在技术快速演进的时代，创造力不在于工具的堆砌，而在于主体如何在便利与自主、效率与深思之间保持张力与平衡。
在更广泛的层面上，本文的发现不仅适用于科研领域，也对教育、创意产业、政策制定等多个场景具有启示意义。它呼吁学界与实践界共同思考：如何构建一个既能利用 AI 助力创新，又能守护人类独立思维与批判精神的知识生态。
正如阴阳相生相克，科研创造力的未来，不在于一味拥抱或抗拒技术，而在于于动静之间、取舍之中，找到人机共生的最佳尺度。
基金项目：湖北省教育厅哲学社会科学研究重点项目“价值和公平视角下虚拟学术社区中科研人员持续性知识共享行为研究”（20D023）；湖北省教育厅哲学社会科学研究重点项目“在线学术社区科研人员信息行为转化机制研究”（20D024）;湖北省教育厅人文社会科学研究项目“不对称信息视角下的区块链技术在碳排放交易中的应用研究”（20Y013)
作者简介
秦岭 武汉科技大学管理学院硕士，副教授
严红 武汉科技大学管理学院硕士，副教授
殷志平 武汉科技大学管理学院博士，副教授
参考文献
热门跟贴