生成式人工智能（GAI）正在成为改变游戏规则的力量，通过支持代码生成、完成、重构、调试、测试创建和文档编写等方式影响软件开发生命周期。诸如GitHub Copilot和OpenAI的Codex等工具利用大型语言模型帮助开发者编写和修改代码，从而加速工作流程并减少人为错误[[1], [2], [3]]。这种AI在软件开发中的整合提高了效率，同时使编码变得更加简单，让新手开发者也能轻松上手。然而，尽管有这些好处，但由于对生成式输出的有效性、稳定性和多样性的担忧，GAI在工作流程中的整合仍持谨慎态度[4,5]。
最新证据表明，使用GAI工具并不总能带来生产力的提升，因为有经验的开发者在审查和修正AI生成的代码时可能会遇到更多时间消耗，尤其是在现有的代码库中[6]。此外，现有实证证据挑战了GAI工具普遍能提高有经验开发者生产力的普遍假设。最近的一项研究发现，与预期相反，对于在熟悉的开源代码库中工作的有经验开发者来说，使用流行的AI编码助手实际上使任务完成时间增加了19%。这种减速是由于需要审查和修正AI生成的建议，尽管这些建议方向正确，但往往需要大量修改。尽管如此，开发者仍然认为AI加快了他们的工作速度，这表明他们可能高估了实际的生产力提升[7]。
GAI有望使这种强大但隐藏在优秀编程解决方案设计背后的技术变得更加普及。GAI工具提高了开发者的生产力，也改善了学生的体验。实际上，对GAI工具的需求永远都不为过，因为它们是现代软件开发过程中的关键工具。研究表明，像Codex这样的工具可以减轻开发者的认知负担，从而提高代码的精确性和一致性[8]。Ebert和Louridas[5]提供了关于采纳实践的补充见解。
GAI工具的使用表明，各行各业对其兴趣日益浓厚。企业和学术机构已经开始意识到这些技术在提高创新和工作流程方面的潜力。然而，尽管它们带来了诸多好处，但仍存在安全顾虑、依赖性和不信任等问题[5,9,10]。克服这些挑战需要深入了解用户采纳行为，并形成关于这些工具专业使用的用户观点，以及分享将原则和实践融入工作生活的经验。
以往关于软件开发中GAI的研究主要集中在这些工具的特性上，如代码生成能力、工作流程自动化以及它们如何减少人为错误[11,12]。然而，可能影响采纳的用户中心因素（如易用性感知、社会支持和安全性）尚未得到充分研究[13,14]。鉴于行为和心理因素在技术采纳过程中的关键作用，这一空白突显了全面探讨与生成式AI采纳相关的行为和心理因素的必要性。
为了解决这些用户中心因素和行为因素，需要利用现有的理论框架来深入理解技术采纳。统一技术接受和使用理论（UTAUT）在研究技术采纳过程中发挥了重要作用。然而，在研究生成式AI的采纳时，UTAUT的应用仍然不够充分。虽然UTAUT已被用于传统软件工具的研究，但其应用于新兴的生成式AI技术的研究仍较少[15]。因此，目前缺乏关于不同用户群体（如学生和专业开发者）采纳促进因素的理论探索。
在这项研究中，我们基于UTAUT框架实证探讨了GAI工具的采纳动态，以填补文献中的知识空白。在此背景下，“GAI工具”一词特指这些以代码为中心的辅助工具，而非一般意义上的AI系统。因此，本研究的关键采纳决定因素包括绩效期望、努力期望、社会影响和促进条件。此外，我们还将安全顾虑作为一个新的决定因素纳入考量，从而强调了信任和对风险感知在AI采纳中的作用。这种整合不仅增强了研究的理论基础，还解决了当代软件开发中的相关问题。
本研究比较了学生和专业开发者之间的采纳驱动因素和障碍。学生更看重易用性和熟悉度，而专业人士则更关注工作流程整合和安全性。研究结果为开发人员提供了针对不同用户群体定制辅助工具的指导原则。
该研究为教育工作者和组织提供了实用建议。GAI工具的开发者可以提升实时安全性和可用性。同时，建议教育工作者将这些工具纳入课程，以促进早期采纳并增强信心。本研究考察了生成式AI在软件开发中的应用情况，明确了技术创新和实证实践之间的界限。研究的动机有两个方面：首先，缺乏关于行为和安全相关因素如何影响不同用户群体采纳GAI的实证证据；其次，有迹象表明学生和专业开发者使用GAI工具的方式不同，需要比较性见解来指导教育和工作场所的整合。具体来说，本研究旨在回答以下研究问题：RQ1：哪些UTAUT决定因素和安全顾虑可以预测学生和专业开发者采纳GAI工具的行为意向？RQ2：这些决定因素在不同群体间有何差异？
