Using a nationally representative UK survey (N≈8,000), the paper shows women use generative AI substantially less than men and that gender-differentiated societal-risk perceptions (mental health, privacy, climate, labour-market) are a primary driver—explaining roughly 9–18% of variation in adoption and outranking many skill/demographic predictors; synthetic-twin analyses indicate raising societal AI optimism can substantially increase young women's GenAI use (e.g., from ~13% to ~33%), narrowing the gender gap .
| Feature | Women (%) | Men (%) | Gender Gap (pp) | N |
|---|---|---|---|---|
| AI risk: mental health | 14.1 | 31.0 | 16.8 | 487 |
| Age 18–24 | 22.0 | 35.9 | 13.9 | 515 |
| Age 25–34 | 26.4 | 37.3 | 10.9 | 859 |
| Age 35–44 | 16.7 | 27.0 | 10.2 | 843 |
| AI risk: climate impact | 18.2 | 27.5 | 9.3 | 420 |
元数据与概览(引言与报告概览)
逐节深度解读
描述性统计与交互(Figure 1 与交叉样本)——图表与表格详解见下图分析段落(图 1 位于第 3 页).
“Evidence: Risk Perceptions Matter as Much as Skills”(模型化分析)
图表深度解读(每图逐一解析并嵌入图片)
图 1(Gendered Patterns in Gen-AI Usage / Intersectional Patterns),位于第 3 页,展示个人与工作场景下不同特征/态度子样本的性别差与使用率分布。见下图。
解读要点:图上绿色点表示个人使用、橙色表示工作使用,男性与女性的点用不同符号区分,竖直线与注记显示性别差(pp)。整体看出:
交叉热图(Figure 1 底部 / Supplementary Figure A1),位于第 3 页与第 14 页,展示两因素交叉时的性别差(百分比点),对个人与工作使用分别呈现。见下图(主图与补充图 A1 均提供交互热图),A1 在第 14 页提供更完整视图 .
解读要点:
Figure 2(Gen-AI Adoption Predictors by Age and Gender),位于第 5 页,展现按年龄与性别分层的随机森林特征重要性条形图。见下图.
解读要点:
Figure 3(Synthetic intervention effects,年轻成人 18–35 的干预结果),位于第 7 页,显示数字素养提升与社会性 AI 乐观提升两类“合成干预”对男女使用率变化的不同影响。见下图.
解读要点:
Figure A2(时间序列:2023 vs 2024 性别差异变化),位于第 15 页,说明个人使用差距从 +3.7 pp 扩大到 +5.3 pp,而工作使用差距略缩小(+2.9→+2.3 pp)。见下图并注意数值.
解读要点:男性在个人场景的采纳速度快于女性,从而在 2024 年加剧了个人使用的不平等,而工作场景则出现小幅收敛.
表格(Supplementary Table 1)深度解读(第 10–13 页)
估值/方法论说明(适用于本报告的模型与指标解释)
风险因素评估(报告列出的局限与风险)
批判性视角与细微差别(审慎评价)
结论性综合(综合要点与图表洞见)
引用与数据溯源提示
(完)
2601.03880.pdf