生成式人工智能依赖量表（GAI-DS）的开发与验证：心理需求满足与行为失调的交叉视角

本研究针对缺乏专门评估生成式AI依赖的有效工具这一问题，开发并验证了多维度的生成式人工智能依赖量表（GAI-DS）。该量表在三因素结构（认知 preoccupation、负面后果、戒断）上表现出良好的信效度，并揭示了依赖与较低的基本心理需求满足度、较高拖延症及认知失败等行为问题显著相关，为理解和管理生成式AI的潜在风险提供了重要测量工具。

　　

随着生成式人工智能（Generative AI）的迅猛发展，诸如ChatGPT、DALL-E等工具已深入渗透到日常工作、学习和个人生活的方方面面。它们通过机器学习和大语言模型技术，能够生成文本、图像、音乐等内容，甚至提供决策支持和情感陪伴。数据显示，顶级生成式AI工具的月访问量接近30亿次，其预计年经济影响高达6.1至7.9万亿美元。这些工具能将员工生产力提升高达66%，自动化日常任务，并在人类互动有限或不可用时增强可及性，提供非评判性和一致的陪伴。

然而，生成式AI的广泛使用也引发了对其潜在心理和社会风险的深切担忧，包括削弱人类能动性、导致创造性停滞以及侵蚀批判性思维能力。尽管这些担忧日益受到关注，但专门针对生成式AI使用风险的实证研究仍然有限且缺乏系统性。现有的评估工具大多是从其他技术（如社交媒体）改编而来，未能充分考虑生成式AI的独特功能，如内容生成、决策支持、问题解决和情感陪伴。这种构建上的不匹配可能导致测量偏差，无法准确捕捉用户对生成式AI的依赖程度及其后果。

为了填补这一空白，新加坡管理大学的研究团队进行了一项系列研究，旨在开发并验证一个专门用于评估生成式人工智能依赖（Generative AI Dependency）的心理测量工具——生成式人工智能依赖量表（Generative AI Dependency Scale, GAI-DS），并在此基础上深入探讨其与一系列动机、行为和心理学结果的关系。该研究发表于《Computers in Human Behavior: Artificial Humans》。

研究人员为了开展这项研究，主要运用了多种关键的技术方法。研究跨越了六项子研究，共涉及1,333名来自美国和新加坡的参与者。研究过程包括：通过理论驱动和试点测试进行量表项目开发与初步修订；利用探索性因子分析（EFA）和验证性因子分析（CFA）来确立和验证量表的结构效度；通过计算组内相关系数（ICC）评估量表的跨时间稳定性（重测信度）；通过考察其与既有AI成瘾量表和大五人格特质的关系来检验聚合效度和区分效度；采用多组验证性因子分析来检验量表在不同性别和文化群体间的测量等值性（Measurement Invariance）；最后，通过相关分析探讨了生成式AI依赖与多种心理动机（如基本心理需求满足、Fear of Missing Out）、行为表现（如拖延、认知失败、任务绩效）和心理健康指标（如自我概念清晰性、孤独感）之间的关联。

研究结果

1. 量表的开发与因子结构（研究1-3）

通过初步研究（研究1a-1c）对初始项目池进行修订，删除了与经典行为成瘾模型中的“心境调节”和“耐受性”维度相关的项目，因为前者与“负面后果”概念重叠，后者在生成式AI效率不断提升的背景下不适用。最终形成了包含11个项目的量表。探索性因子分析（研究2）和验证性因子分析（研究3）共同支持了一个稳定的三因子高阶结构。这三个因子分别是：认知 preoccupation（反映对AI的持续心理投入和冲动性使用，例如“即使不必要，我也感到有使用生成式AI的冲动”）、负面后果（反映因依赖AI而产生的功能损害和自我效能感下降，例如“没有生成式AI，我完成工作或其他职责有困难”）、以及戒断（反映当无法使用AI时体验到的心理不适，例如“当我无法使用生成式AI时，我会感到不安或心烦意乱”）。CFA模型拟合良好，且在不同性别间显示了标量等值性。

2. 量表的信度与效度（研究4-5）

研究4表明，量表在一周间隔的重测信度良好（ICC = .87），表明其测量的是相对稳定的个体差异。研究5证明了量表的聚合效度，其与现有的生成式AI成瘾量表存在高度正相关（r = .85）。同时，其区分效度也得到支持，量表总分与五大人格特质（外向性、宜人性、尽责性、神经质、开放性）的相关系数均低于各人格特质自身的平均方差抽取量（AVE）的平方根，说明生成式AI依赖是一个独立于基本人格特质的构念。

3. 生成式AI依赖的相关因素（研究6）

研究6系统地考察了生成式AI依赖与多种变量的关系，结果揭示了深刻的模式：

• •
  动机相关因素：生成式AI依赖与基本心理需求（依据自我决定理论）的满足度呈负相关，包括自主性（r = -.26）、能力感（r = -.21）和关系性（r = -.18）。同时，它与错失恐惧症（FoMO）呈正相关（r = .21）。这表明，依赖AI的个体可能正经历着心理需求的挫折，并可能将AI作为一种补偿机制。
• •
  行为与认知相关因素：依赖程度越高，拖延行为（r = .16）和认知失败（r = .26）越多，而任务绩效（r = -.15）和批判性思维倾向（r = -.14）则越低。这提示过度依赖AI可能会损害个体的自我调节能力和认知功能。
• •
  心理相关因素：最显著的关联之一是依赖与自我概念清晰性的强烈负相关（r = -.46），意味着依赖AI的个体对自身身份和信念的认识更模糊。依赖也与较高的孤独感（r = .15）相关，支持了AI companionship可能削弱真实人际联系的担忧。一个有趣的发现是，依赖与生活满意度呈正相关（r = .25），这可能反映了AI使用带来的即时便利和情感慰藉提升了短期的主观幸福感，但这可能与长期的心理成本并存。

子量表分析进一步细化了这些关系。例如，“负面后果”子量表与几乎所有不良结果（如较低的需求满足、较高的拖延和孤独感）都显示出最强的关联。“认知 preoccupation”与较低的自主动机、较多的认知失败和较低的自我概念清晰性相关。“戒断”则与较低的生活满意度和较高的错失恐惧相关，但也与较高的积极情绪相关，暗示了与AI互动相关的情绪复杂性。

研究结论与意义

本研究成功开发并验证了生成式人工智能依赖量表（GAI-DS），证实其是一个具有良好心理测量学特性、跨性别和跨文化（新加坡与美国）标量等值性的可靠工具。该量表的三维结构（认知 preoccupation、负面后果、戒断）根植于行为依赖理论，并针对生成式AI的特性进行了优化。

更重要的是，研究结果从自我决定理论（SDT）的视角深刻揭示了生成式AI依赖的本质。研究发现，依赖并非仅仅是技术使用过度的问题，更反映了个体基本心理需求（自主性、能力感、关系性）得不到满足时，所采取的一种可能适得其反的补偿策略。个体可能通过AI寻求即时的能力感（快速解决问题）、自主感（随时可用的工具）和关系感（AI陪伴），但这种外在的、浅层的满足可能无法真正填补内心的需求，反而可能削弱个体内在的动机和自我调节能力，导致拖延、认知功能下降、自我概念模糊以及真实社会连接的减弱。

这项研究具有重要的理论和实践意义。理论上，它将生成式AI依赖的概念化提升到了一个更深的心理动机层面，为理解人-AI交互的复杂心理后果提供了新框架。实践上，GAI-DS为研究人员、临床医生、教育工作者和政策制定者提供了一个有效的工具，用于评估个体对生成式AI的依赖风险，从而能够早期识别问题、开展有针对性的干预，并引导负责任的AI设计和使用，以确保技术在增强人类能力的同时，不致损害其心理福祉和核心人力资本。随着生成式AI日益融入生活，这项研究为在AI驱动环境中促进健康的人机共生关系奠定了重要的基础。