心理健康状态如何影响人工智能在心理社会护理中的接受度：一项跨领域分析

为解决人工智能(AI)在心理健康领域应用接受度的影响因素问题，德国美因茨大学等机构研究人员开展了一项关于个体因素(人格特质、心理健康状态等)如何影响AI在心理社会护理中感知有用性(PU)及心理健康应用程序使用频率的研究。通过302人样本的横断面分析发现，开放性、悲观性等人格特质降低PU，而数字能力、心理困扰等因素促进应用程序使用。该研究为开发个性化AI心理健康工具提供了重要依据，发表于《BMC Psychology》。

　　

在数字医疗快速发展的今天，人工智能(AI)技术已逐步渗透到心理健康服务领域。从智能聊天机器人到基于机器学习(ML)算法的个性化干预工具，AI为心理治疗带来了革命性可能。然而一个关键问题始终悬而未决：究竟哪些因素会影响人们对AI心理健康应用的接受程度？这个问题不仅关乎技术推广效果，更直接影响到数百万潜在用户的治疗可及性。现有研究多聚焦于技术本身，却忽视了使用者个体差异这一关键变量，特别是心理健康状态与AI接受度之间的复杂关系。

针对这一研究空白，德国美因茨大学、莱布尼茨韧性研究所等机构的研究人员Birthe Fritz、Lena Eppelmann等开展了一项开创性研究。他们基于技术接受模型(TAM)框架，首次系统考察了人格特质、心理健康状态等多维度因素对AI在心理社会护理中感知有用性(PU)的影响，并揭示了这些因素与实际应用程序使用行为的关系。这项发表在《BMC Psychology》的研究，为开发更符合用户需求的AI心理健康工具提供了重要实证依据。

研究团队采用了多阶段研究方法。首先通过在线问卷收集了302名德国参与者的数据，包括137名牧师护理人员、114名普通人群和51名心理/教育专业人员。采用逐步回归分析方法，分三个模块考察了人口统计学变量、人格因素(BFI-10量表)和心理健康相关变量(GHQ-12、K10等量表)对PU和应用程序使用频率的影响。最后通过调节效应分析，探讨了心理困扰对PU与应用程序使用关系的调节作用。

研究结果部分呈现了丰富发现。"人工智能在心理社会护理中的感知有用性"方面，回归分析显示：具有心理学/教育学培训背景的个体PU显著较低(β=-0.17,p=0.007)，这可能源于专业人群对AI伦理问题的敏感性。数字能力和AI意识是PU的最强预测因子(β=0.36,p<0.001)，而治疗经验则呈现负面影响(β=-0.14,p=0.016)。人格特质中，宜人性正向预测PU(β=0.12,p=0.035)，而开放性(β=-0.13,p=0.023)、悲观性(β=-0.17,p=0.011)和尽责性(β=-0.15,p=0.010)则显示负相关。心理健康素养(MHL)中的"态度与技能"维度(反映低污名化和高信息寻求能力)显著提升PU(β=0.24,p=0.001)。

"心理健康应用程序使用"方面则呈现不同模式。数字能力仍是关键预测因子(β=0.79,p=0.003)，但人格特质不再显著。心理困扰(K10量表)是使用频率的最强预测因素(β=0.11,p=0.001)，寻求正式非专业帮助的倾向也有显著影响(β=1.06,p=0.003)。特别值得注意的是调节分析发现：心理困扰显著调节PU与应用程序使用的关系(ΔR²
=4.36%,p=0.001)，对于中高困扰人群，PU能有效预测使用行为，而低困扰人群则无此关联。

在讨论部分，作者强调了这些发现的创新价值。研究发现PU和实际使用行为受不同因素影响，这对技术接受模型(TAM)在心理健康领域的应用提出了重要修正。心理健康状态相关变量(如心理困扰)主要影响使用行为，而心理健康素养(MHL)因素则更直接影响PU。这种"双路径"模式提示，推广AI心理健康工具需要差异化策略：对普通人群应着重改善对AI的认知和态度，而对实际使用者则需关注其即时心理需求。

该研究的实践意义尤为突出。结果表明AI心理健康工具可能更适合作为中高心理困扰人群的低门槛干预选择，这为精准定位目标用户提供了依据。同时，专业人群对AI的保留态度提示，在医疗系统推广时需要特别关注伦理培训和透明度建设。研究采用的跨群体设计(包含专业人员和普通用户)也使发现具有更广的适用性。

这项研究也存在若干局限。样本以高学历、数字化程度高的人群为主，可能限制结果的普适性。自我报告法可能存在回忆偏差，未来研究可采用生态瞬时评估(EMA)等更客观的方法。此外，由于德国对AI医疗的数据保护限制，研究未能区分含AI和不含AI的应用程序使用情况。

总体而言，这项研究首次系统揭示了心理健康状态与AI技术接受度的复杂关系，为数字心理健康领域提供了重要的理论基础和实践指导。其创新性在于将传统技术接受模型与心理健康特异性因素相结合，开辟了"心理健康技术接受研究"的新方向。随着AI在医疗领域的加速渗透，这些发现将帮助开发者创建更符合用户心理特征的工具，最终提升数字心理健康干预的可及性和有效性。