[论文解读] Gender, Age, and Technology Education Influence the Adoption and Appropriation of LLMs

Fiona Draxler, Daniel Buschek+5 more|arXiv (Cornell University)|Oct 10, 2023

Artificial Intelligence in Healthcare and Education被引用 13

一句话总结

本研究分析性别、年龄和技术教育如何影响在美国代表性样本中1,495名成人对LLM的采用，显示性别差距、年龄效应，以及技术教育在缩小差异中的作用，并提供对使用场景与采用障碍的见解。

ABSTRACT

Large Language Models (LLMs) such as ChatGPT have become increasingly integrated into critical activities of daily life, raising concerns about equitable access and utilization across diverse demographics. This study investigates the usage of LLMs among 1,500 representative US citizens. Remarkably, 42% of participants reported utilizing an LLM. Our findings reveal a gender gap in LLM technology adoption (more male users than female users) with complex interaction patterns regarding age. Technology-related education eliminates the gender gap in our sample. Moreover, expert users are more likely than novices to list professional tasks as typical application scenarios, suggesting discrepancies in effective usage at the workplace. These results underscore the importance of providing education in artificial intelligence in our technology-driven society to promote equitable access to and benefits from LLMs. We urge for both international replication beyond the US and longitudinal observation of adoption.

研究动机与目标

• 评估性别和年龄是否能够预测在美国代表性样本中的LLM使用。
• 考察性别和年龄之间的交互效应如何影响采用。
• 探讨技术教育是否调节性别在LLM采用中的差距。
• 识别初学者与专家用户的常见使用场景以及采用障碍。

提出的方法

• 含社会人口学信息及LLM使用问题的在线问卷调查。
• 贝叶斯回归（逻辑回归模型）用于预测LLM使用及使用频率。
• 对开放式使用情景与不使用原因进行归纳编码与主题建模。

实验结果

研究问题

• RQ1 性别是否能预测LLM使用，是否存在与年龄的交互？
• RQ2 更年轻的年龄是否预测更高的LLM采用率，年龄在采用模式中如何与性别互动？
• RQ3 是否具备技术教育背景（尤其是大学水平的技术学位）能够缩小LLM使用中的性别差异？
• RQ4 初学者与专家用户的典型使用场景是什么？
• RQ5 未使用者给出不使用LLMs的原因有哪些？

主要发现

• 41.5% 的参与者报告曾使用过 LLM。
• 存在性别差距，女性用户使用过LLMs的概率低于男性用户（34.3% vs 49.1%）。
• 使用可能性随年龄下降；年轻组采用度更高，部分中年组的使用频率甚至高于最年轻组。
• 在大学毕业者中，技术相关领域的性别差距得到缓解（学习科技时性别使用几乎相等）。
• 专家更可能将LLMs用于专业任务（正式文本和编码），而初学者则更具探索性。
• 未使用者将知识不足、感知需求、伦理问题以及偏好人工写作为障碍。