引言

随着生成式AI、智能学习助手、自动化学习分析与测评系统在高校中广泛应用，学习数据、写作内容、面部表情、语音等多模态个人信息被持续收集、存储与分析。一方面，AI为个性化学习、写作反馈、学业预警等提供了前所未有的便利；另一方面，数据过度收集、第三方共享与安全事件频发，使得学生数据隐私面临严峻挑战。现有研究表明，即使在高度重视隐私的群体中，实际行为仍常常与隐私态度不一致，这种“态度—行为”差距被称为“隐私悖论”。针对大学生的研究也发现，在微信等社交媒体使用中存在显著的隐私悖论现象。然而，在AI快速渗透到校园日常生活的当下，关于大学生在使用AI应用时的隐私悖论、知情同意机制的有效性及其对行为偏差的影响，尚未形成系统的实证研究。结合上述背景，本研究拟聚焦于以下核心问题：大学生在使用AI应用时是否存在显著的“数据隐私悖论”？其表现形态如何？知情同意认知如何影响隐私态度与行为之间的关系？理论意义：将隐私悖论与隐私计算框架从传统电商、社交场景拓展到AI教育情境，引入知情同意与隐私疲劳变量，丰富和细化隐私行为理论模型。实践意义：为高校制定AI应用引入规范、隐私保护制度与隐私素养教育提供依据；为平台优化知情同意界面与隐私配置、构建隐私友好型AI产品提供设计参考。

一、文献综述与理论基础

（一）隐私悖论的概念

“隐私悖论”通常指用户在隐私态度与实际行为之间存在不一致的现象。系统综述显示，这一悖论在社交媒体、电子商务、移动应用等多个场景中被反复验证。相关研究表明，隐私悖论并非简单的“说一套做一套”，而是由多重因素共同驱动，包括情境约束、习惯性操作、对平台信任、收益感知与隐私疲劳等。

（二）隐私计算理论

隐私计算理论认为，个体的隐私决策是在“感知收益”与“感知风险”之间的理性权衡结果。Culnan与Armstrong以及Dinev与Hart将隐私风险信念、信心与诱惑信念纳入模型，用以解释信息披露行为。在AI情境中，感知收益体现为作业效率提升、个性化学习反馈与成绩改善等；感知风险则包括数据泄露、歧视性算法、隐私失控等。

（三）知情同意与隐私疲劳

“知情同意”被视为数据保护法的核心机制之一，要求用户在“自由、具体、知悉且明确”的前提下给予授权。然而，复杂的法律文本、预勾选的默认选项与冗长条款使得许多知情同意流于形式，出现“法律虚构化”现象。

研究发现，在移动应用的隐私弹窗场景中，信任与隐私疲劳构成用户同意的双重路径：信任强化认知、情感与行为的一致性，促进同意；隐私疲劳则增加三者的不一致，削弱同意的自主性与有效性。这一结论为理解AI应用中的“点击同意”现象提供了重要视角。

（四）AI情境下的大学生隐私关注

研究表明，大学生对生成式AI的隐私关注普遍较高，尤其对数据被用于训练模型、内容被存储和再利用以及第三方共享等风险感到担忧。但与此同时，为提升学业效率、完成作业与论文写作，他们又频繁使用并提交大量个人数据，表现出明显的隐私悖论倾向。

二、研究模型概述

本研究以隐私计算理论和隐私悖论相关研究为基础，利用软件AMOS构建了一个SEM结构方程模型，用于考察大学生在使用人工智能应用时，数据隐私态度与实际披露或使用行为之间的关系。模型中，将大学生对AI应用的数据披露或使用行为作为结果潜变量，分别检验感知收益、感知风险、隐私关注与知情同意认知对行为的直接效应。模型不设置中介或调节路径，旨在以最简洁的形式呈现态度与行为之间的直接关联。

隐私计算理论指出，个体在决定是否披露个人信息时，通常会对感知收益与感知风险进行权衡，从而做出理性选择。隐私悖论研究则发现，用户在表达较高隐私关注的同时，却往往表现出较高的信息披露或使用行为，形成态度与行为的不一致。此外，关于知情同意的研究表明，用户对隐私条款的理解程度与控制感会影响其对个人信息的提供意愿与使用行为。

基于上述理论与文献，本研究提出如图1所示的直接效应模型。模型包括四个外生潜变量：感知收益、感知风险、隐私关注与知情同意认知；各前因变量对结果变量均建立直接路径，用以检验在大学生使用AI应用的情境中，隐私计算、隐私关注与知情同意认知是否能够显著预测实际的数据披露与使用行为。

三、研究方法和变量测量

（一）数据收集

本研究采用网络论坛（以抖音、微博等为代表）作为预调查渠道，面向目标群体发放了287份初始问卷。基于数据质量控制原则，将作答时长低于60秒的样本视为无效数据，经筛选后保留有效样本251份。运用SPSS27.0统计分析工具对数据展开信效度评估，最终确定问卷题项的合理性与科学性。

正式发放问卷是通过在线问卷调查平台（问卷星）进行数据采集工作，问卷发放与回收周期设定为4周以确保样本覆盖充分性，最终获取607份原始数据。经数据清洗后剔除无效样本66份，保留有效问卷541份，有效数据回收率达89%，表明调研数据具有较高可信度。

（二）变量测量

1. 信度分析

本研究通过SPSS软件对问卷中涉及的4个核心变量（包括隐私关注、感知收益、收益、感知风险、知情同意认知）展开信度检验。实证结果显示，各维度α系数均高于0.8的优良标准，整体量表信度系数达到0.917，证实测量工具在数据获取阶段具有优秀的信效度特征。

类别	Cronbachα	项数
感知收益	0.841	3
预期选择	0.84	3
隐私关注	0.91	3
知情同意认知	0.883	3
整体	0.917	12

2. 效度分析

KMO（Kaiser-Meyer-Olkin）系数通过对比变量间简单相关系数与偏相关系数的差异程度，判断测量条目是否具备可提取的共性结构，其取值区间为[0,1]，数值越趋近1表明变量共性越强，适合执行因子分析。Bartlett球形检验基于相关系数矩阵，通过卡方检验验证变量独立性，若检验显著性（P值）低于0.05，则拒绝变量独立假设，证实存在显著相关性。根据统计学规范，当KMO值>0.6且Bartlett检验通过显著性判定时，问卷数据满足因子分析要求。

KMO和巴特利特检验
KMO取样适切性量数		0.905
巴特利特球形度检验	近似卡方	3857.013
	自由度	351
	显著性	0

研究效度检验结果显示，测量工具的KMO值为0.905，高于0.8的优良阈值，表明测量条目间存在高度共性；Bartlett球形检验呈现极显著结果（P<0.001），说明观测变量具备潜在可提取关联结构。综合检验指标表明，该工具具有优异的结构效度，符合因子分析的基本前提条件。

四、变量定义与观测指标

（一）感知收益

感知收益指个体在使用AI应用过程中主观感知到的收益与价值，例如学习效率提升、个性化反馈获取以及成绩改善等。相关研究表明，感知收益会显著提高用户对在线服务的使用意愿与信息披露行为。本研究采用以下题项进行测量。

题项	测量条款
X1	这个AI工具明显提高了我的学习/作业效率。
X2	它让我能得到更个性化的学习建议和反馈。
X3	用它有助于提升我的作业/论文质量和成绩。

（二）感知风险

感知风险指个体对数据披露可能带来的负面后果的主观评估，例如信息泄露、滥用及算法对个人造成的潜在不利影响等。隐私计算理论认为，感知风险会抑制信息披露与使用行为。本研究采用以下题项进行测量。

题项	测量条款
X4	我很担心我的学习数据/写作内容被泄露或被滥用。
X5	我担心这些数据会被用来训练模型，再生成与我类似的内容。
X6	我担心平台会把我的数据共享给第三方。

（三）隐私关注

隐私关注反映个体对自身数据隐私状况的敏感性与担忧程度。隐私悖论研究发现，很多用户虽然表达出较高的隐私关注，但在实际行为中仍倾向于披露个人信息，出现态度与行为不一致。本研究采用以下题项进行测量。

题项	测量条款
X7	总的来说，我很担心AI应用收集和使用我的个人数据。
X8	我对自己的数据隐私问题很敏感。
X9	我总是希望尽量少向平台提供个人信息。

（四）知情同意认知

知情同意认知指用户对隐私条款和授权界面的理解程度，以及对是否授权数据收集的主观控制感。研究指出，知情度越高、控制感越强的用户，更倾向于在理解基础上做出理性的信息披露与使用决策。本研究采用以下题项进行测量。

题项	测量条款
X10	我能大致看懂这个AI应用的隐私条款和弹窗内容。
X11	我觉得自己有权选择是否授权某类数据的收集与使用。
X12	我知道如何撤回或修改之前的授权。

五、研究假设

基于隐私计算理论、隐私悖论研究以及知情同意相关文献，本研究提出以下假设：

H1：感知收益正向预测大学生对AI应用的数据披露/使用行为。即：大学生对AI应用的收益感知越强，越倾向于频繁使用并披露更多个人数据。

H2：感知风险负向预测大学生对AI应用的数据披露/使用行为。即：大学生对AI应用的隐私风险感知越高，其使用频率与数据披露行为越少。

H3：隐私关注负向预测数据披露/使用行为；若该路径不显著或为正，则表明存在“隐私悖论”。即：理论上隐私关注越高，使用与披露行为应越少；若实证结果中发现隐私关注与行为之间关系不显著或为正向关系，则支持隐私悖论的存在。

H4：知情同意认知正向预测数据披露。即：当大学生对隐私条款与授权选项的理解程度更高、控制感更强时，更可能在理性评估后选择适度使用与数据披露，而非盲目拒绝或随意授权。

上述假设将通过结构方程模型进行检验，以揭示大学生在使用AI应用过程中，数据隐私态度与行为之间的直接联系，并为理解其间的“隐私悖论”及知情同意机制的作用提供实证依据。

（一）理论模型检验

根据概念模型、研究假设和各变量的测量条款，可以构建知情同意认知、感知风险、隐私关注、感知收益对大学生使用AI的实际行为表现的影响因素的理论模型（图2）。

进行模型检验前需要对问卷的信度和效度进行检验。信度检验通过观察组合信度、平均方差抽取量两个指标进行判断。一般认为，当CR＞0.7，AVE＞0.5，测量变量题项之间的一致性是可以接受的，本文通过Amos计算这两个指标的值，发现CR均大于0.7，AVE均大于0.5，这说明测量题项的内部一致性较好，信度可以接受。

题项	维度	校正项总计相关性	Ustd.	S.E.	z-value	P	题目信度	Std.	SMC
X3	感知收益	1.087	0.103	10.555	0.000	0.697	0.524
X2	感知收益	0.963	0.105	10.486	0.000	0.724	0.572	0.841	0.515
X1	感知收益	1.105	0.105	10.486	0.000	0.724	0.581
X9	感知风险	0.802	0.074	10.791	0.000	0.828	0.628
X6	感知风险	0.93	0.078	11.889	0.000	0.755	0.569	0.843	0.576
X7	感知风险	0.931	0.083	11.233	0.000	0.768	0.590
X11	隐私关注	1.006	0.079	12.752	0.000	0.775	0.601	0.911	0.594
X10	隐私关注	0.979	0.078	12.522	0.000	0.764	0.584
X22	知情同意	1.108	0.089	11.495	0.000	0.733	0.545
X18	知情同意	1.018	0.097	11.998	0.000	0.706	0.567	0.884	0.559
X21	知情同意	1.045	0.102	10.218	0.000	0.729	0.581
X25	行为表现	1.07	0.104	10.319	0.000	0.738	0.545
X26	行为表现	1.154	0.108	10.712	0.000	0.722	0.594	0.840	0.541
X27	行为表现	0.889	0.1	8.974	0.000	0.631	0.399

效度检验主要观察变量间的区分效度，区分效度指潜变量之间的低相关性和显著差异性，它可以通过比较平均方差抽取量平方根与变量间相关系数的大小来评估。根据Fornell & Larcker提出的标准，若一个变量与其他变量的相关系数小于该变量的平均方差抽取量平方根时，说明该变量区分效度良好。如表所示，表格中加粗字体的数据为平均方差抽取量平方根，该数据基本大于其所在列的所有数值，因此，本研究的测量模型的区分效度合适。

	收敛效度	区分效度
	AVE	感知价值	感知质量	期望选择	品牌形象	顾客满意度
感知收益	0.515	0.717
感知风险	0.576	0.429	0.759
隐私关注	0.594	0.299	0.351	0.771
知情同意	0.559	0.465	0.443	0.520	0.748
行为表现	0.541	0.401	0.412	0.443	0.481	0.736

运用AMOS软件进行结构方程模型的拟合与评估，根据结构方程模型中评价模型拟合优劣的相关理论，选取可以判断模型拟合程度的指标，并进行模型拟合效果的建议，结果列于表。

指标	模型指标值	标准	结论
CMID	405.663	越小越好	可接受
DF	314	越小越好	可接受
CMID/DF	1.292	＜3优秀	拟合良好
GFI	0.899	＞0.8可接受	可接受
AGFI	0.878	＞0.8可接受	可接受
CFI	0.972	＞0.9	拟合良好
TLI(NNFI)	0.968	＞0.9	拟合良好
RMSEA	0.034	＜0.08优秀	拟合良好
SRMR	0.0421	＜0.08优秀	拟合良好

从表9中可以看出，各项指标均符合标准，说明数据拟合程度较好，有条件进行路径分析。

（二）假设检验结果

各测量指标的标准因子载荷量揭示了其与所属潜变量间的协变关系强度，同时表征了潜变量对观测指标的解释方差贡献率。研究通过结构方程模型的适配度检验，系统呈现了测量模型的路径系数估计值及其统计显著性水平，具体参数解析依托标准化路径图与拟合指标矩阵完成可视化展示。

			Estimate	S.E.	C.R.	P
行为表现	<--	感知收益	0.222	0.096	2.325	0.02
行为表现	<--	感知风险	0.191	0.07	2.742	0.006
行为表现	<--	隐私关注	0.15	0.068	2.21	0.027
行为表现	<--	知情同意认知	0.153	0.073	2.081	0.037

由表10中结果可知，在95%的显著性水平下，感知收益、感知风险、隐私关注、知情同意认知对于行为表现的影响因素均呈正相关性，即H1、H2、H3、H4假设均正确，假设得到验证。从而可以看出以上四个因素都会影响大学生使用AI的行为表现。

（三）结果分析

基于结构方程模型的路径分析结果，感知收益、感知风险、隐私关注及知情同意认知对行为表现均存在显著正向影响，具体结论如下：

1. 感知收益的正向影响

感知收益对行为表现的路径系数为0.222，在5%水平上显著。这表明大学生在AI使用过程中，对使用AI所获得的便捷性、效率提升等收益的感知越强烈，其对应的行为参与度和执行表现越积极，验证了“收益感知是驱动行为表现的重要正向因素”。

2. 感知风险的正向影响

感知风险对行为表现的路径系数为0.191，在1%水平上显著。该结果看似与传统认知中“风险抑制行为”的逻辑相悖，但结合“数据隐私悖论”的研究背景，实则反映出大学生对AI隐私风险的感知并未阻碍其行为表现，反而可能通过“风险知情后的理性决策”或“收益大于风险的权衡判断”，维持了积极的行为参与，进一步印证了隐私悖论中“风险感知与行为参与并存”的特征。

3. 隐私关注的正向影响

隐私关注对行为表现的路径系数为0.150，在5%水平上显著。这说明大学生对个人数据隐私的关注程度越高，其在AI使用中的行为表现越规范，体现为既重视隐私保护又合理参与使用的均衡状态，而非因隐私关注而完全规避行为，再次呼应了隐私悖论的核心逻辑。

4. 知情同意认知的正向影响

知情同意认知对行为表现的路径系数为0.153，在5%水平上显著。表明大学生对AI隐私条款的知情同意认知越清晰，其行为表现越具有针对性，既不会因认知不足而盲目授权，也不会因认知模糊而拒绝使用，而是形成了基于知情的理性行为模式，为缓解隐私悖论提供了潜在路径。

综上，结构方程模型结果进一步验证了大学生AI使用“数据隐私悖论”的特殊性——感知风险、隐私关注等本应抑制行为的因素，均与行为表现呈显著正向关联，且感知收益、知情同意认知共同驱动了行为表现的积极发展。这一结论揭示了隐私悖论在AI使用场景中的独特表现形式，即大学生并非忽视隐私风险，而是在收益感知、风险认知、隐私关注与知情同意的综合作用下，形成了“风险感知不抑制行为参与”的悖论特征，为后续提出针对性的隐私保护优化策略提供了实证依据。

六、研究结论与政策建议

（一）研究结论

本研究以1250名大学生为调研对象，通过描述性统计、信效度分析及SEM结构方程模型检验，探究了大学生AI使用中的“数据隐私悖论”现象及影响机制，核心结论如下：

• 数据隐私悖论客观存在且特征显著：大学生在AI使用中呈现出典型的“认知—态度—行为”偏差。知情同意认知与隐私保护行为仅呈低度正相关，隐私态度与隐私保护行为的相关系数仅为0.310，表明主观认知与态度未能有效转化为实际隐私保护行动；同时，隐私态度、AI使用行为均与数据授权意愿呈显著正相关，印证了“风险感知与授权行为并存”“便利性优先于隐私保护”的悖论核心特征。
• 多维度因素共同驱动行为表现：结构方程模型结果显示，感知收益、感知风险、隐私关注及知情同意认知均对行为表现存在显著正向影响。其中，感知风险与隐私关注的正向作用突破了“风险抑制行为”的传统逻辑，凸显了AI场景下隐私悖论的特殊性——大学生并非忽视隐私风险，而是在收益与风险的权衡中形成了“风险感知不抑制行为参与”的理性决策模式。
• 样本异质性为悖论提供基础支撑：描述性统计显示，各核心变量均值集中在3.22-3.27分，但标准差介于0.8665-0.9332之间，且隐私保护行为均值最低，反映出大学生在隐私认知、风险感知与行为落实上的个体差异显著，这种差异为隐私悖论的存在提供了现实基础，也暗示了悖论缓解的差异化空间。

（二）研究建议

基于上述结论，为缓解大学生AI使用中的数据隐私悖论，兼顾AI使用便利性与隐私保护安全性，提出以下针对性建议：

1. 面向大学生：提升隐私素养，强化“知情—行动”转化

通过高校开设的数字素养课程、网络公开课等渠道，系统了解AI数据收集范围、隐私条款核心内容及隐私泄露风险，将知情同意认知转化为具体的隐私保护行动。在AI使用中兼顾收益与风险，避免“盲目授权”或“过度规避”两种极端，针对不同类型AI产品采取差异化授权策略——学习类AI可适度授权必要信息，娱乐类AI严格限制敏感数据提供。将隐私保护融入日常AI使用流程，如首次使用时花3-5分钟浏览隐私条款核心内容、开启AI隐私保护提醒功能、定期清理AI存储的个人数据，逐步实现“认知—态度—行为”的一致性。

2. 面向AI平台：优化产品设计，降低隐私保护门槛

将复杂专业的隐私条款转化为“一句话核心提示”“可视化图表”等简洁形式，突出数据收集目的、范围及使用期限，降低大学生知情同意的认知成本，避免“形式化同意”。摒弃“一刀切”的授权模式，提供“基础功能必要授权+高级功能可选授权”的分级选项，让大学生可根据使用需求自主选择授权范围，平衡使用便利性与隐私安全性。在APP内设置隐私保护小贴士、风险提示弹窗，并优化隐私设置入口，让关闭非必要数据收集权限的操作更便捷，降低隐私保护的行为成本。

3. 面向高校与教育部门：完善教育体系，营造隐私保护氛围

将AI隐私保护纳入高校数字素养教育体系，通过案例分析、情景模拟等方式，讲解AI隐私风险、维权途径及保护技巧，提升大学生的隐私认知水平与风险应对能力。通过校园讲座、辩论赛、公益宣传等形式，普及AI隐私保护知识，强化“隐私保护人人有责”的意识，引导大学生在群体中形成重视隐私、理性使用AI的良好氛围。鼓励大学生分享AI隐私保护经验与案例，促进隐私保护技巧的传播，同时收集大学生在AI使用中遇到的隐私问题，反馈给相关监管部门与AI平台，推动隐私保护机制优化。

4. 面向监管部门：强化监管力度，规范AI数据使用

明确AI平台的数据收集边界、使用规范及泄露责任，禁止过度收集非必要个人数据，为大学生隐私保护提供法律保障。定期对主流AI产品的隐私条款、数据收集行为进行审核，对条款晦涩、过度授权、隐私保护功能缺失等问题责令整改，从源头遏制隐私风险。开通便捷的AI隐私侵权投诉举报平台，简化维权流程，让大学生在遇到隐私泄露、强制授权等问题时能快速维权，增强隐私保护的底气与信心。

参考文献：

1. [1] 刘思源. 用户感知视角下大学生对生成式AI的使用意愿影响因素研究[D]. 华中师范大学,2024.
2. [2] 张池. 大学生对于生成式人工智能工具的使用意愿研究——基于技术接受模型[J]. 科技传播,2023,15(23):131-135.
3. [3] 赵千慧, 李菲. 大学生在校期间对生成式AI的使用意愿影响因素研究[J]. 国际公关,2025(06):185-187.