AI健康工具感知锻炼支持与大学生锻炼坚持性：锻炼自我效能与自主动机的三波序列路径研究

《Frontiers in Psychology》：Perceived support from AI health tools and exercise adherence among university students: a three-wave study of exercise self-efficacy and autonomous motivation

　　

维持规律锻炼对许多大学生具有挑战性，人工智能（artificial intelligence, AI）赋能的健康工具日益用于提供个体化锻炼指导与支持。本研究考察了来自AI健康工具的感知锻炼支持（perceived AI exercise support）是否与后续锻炼坚持性（exercise adherence）前瞻性相关，以及锻炼自我效能（exercise self-efficacy）与自主动机（autonomous motivation）是否参与该关联。研究人员对中国438名现有AI健康工具用户（具备锻炼支持功能）进行了三波调查。在T₁评估感知AI锻炼支持与基线锻炼坚持性，在T₂评估锻炼自我效能，在T₃评估自主动机与锻炼坚持性。采用结构方程模型（structural equation modeling, SEM）和偏差校正Bootstrap程序，并控制基线锻炼坚持性与相关协变量。T₁感知AI锻炼支持与T₂锻炼自我效能正相关（β =0.36，p <0.001），后者与T₃自主动机正相关（β =0.41，p <0.001）。T₃自主动机与T₃锻炼坚持性同期相关（β =0.29，p <0.001）。序列间接关联显著（β =0.04，95% CI（confidence interval，置信区间）[0.02, 0.06]），感知AI锻炼支持与T₃锻炼坚持性之间的直接关联仍显著（β =0.11，p =0.028）。这些发现与一种心理序列一致：感知AI锻炼支持与更高锻炼自我效能和更强自主动机相关，进而与锻炼坚持性相关。由于自主动机与坚持性在T₃同时测量，最终环节应解释为同波关联，而非完全纵向因果中介过程的证据。

论文主体解读

研究背景：大学生维持规律锻炼困难，大学阶段日常结构化程度较低、学业压力较大、时间与精力竞争较多。数字健康干预可改善部分身体活动结局，但效果并不一致。人工智能（artificial intelligence, AI）健康工具可提供自适应、互动、个体化支持，如定制锻炼建议、对话反馈、提醒、进展监测和健康数据解读。现有证据多集中于采用意图、拟人化特征或一般健身应用支持，较少检验用户从AI健康工具感知的锻炼支持。Bandura社会认知理论（Social Cognitive Theory, SCT）强调自我效能对健康行为坚持的作用；Deci and Ryan自我决定理论（Self-Determination Theory, SDT）强调自主动机。三个缺口是：感知AI锻炼支持与后续锻炼自我效能的前瞻证据少；锻炼自我效能与后续自主动机的时间关系少；感知AI锻炼支持、锻炼自我效能、自主动机和锻炼坚持性未整合于单一序列模型。因此研究人员开展三波时间滞后研究，检验T₁感知AI锻炼支持（perceived AI exercise support）是否通过T₂锻炼自我效能（exercise self-efficacy）和T₃自主动机（autonomous motivation）与T₃锻炼坚持性（exercise adherence）关联，并控制基线锻炼坚持性。结论为部分中介心理序列；因自主动机与坚持性同T₃测量，最终环节为同波关联，不能视为完全纵向因果中介。意义在于把AI锻炼支持从提醒或信息扩展到心理机制，提示支持性、个体化、自主相关体验对现有用户具有心理意义。

关键技术方法：采用观察性三波调查，样本来自广东药科大学和湖南第一师范学院，经大学在线渠道招募全日制本科和研究生现有AI健康工具用户。纳入标准包括18—26岁、过去30天使用具锻炼支持功能的AI健康工具、过去1个月至少3次获得支持并连续使用至少1个月。T₁为基线，T₂为第14±2天，T₃为第28±2天。测量包括T₁感知AI锻炼支持（15项，7点）和基线锻炼坚持性（14项）；T₂锻炼自我效能（8项，5点）；T₃自主动机（中文版行为调节运动问卷-3，Behavioral Regulation in Exercise Questionnaire-3, BREQ-3的11项）和锻炼坚持性。统计使用SPSS 27.0和Mplus 8.7，进行验证性因子分析（confirmatory factor analysis, CFA）、纵向测量不变性、Harman单因子检验、结构方程模型（SEM）和偏差校正Bootstrap（5000次），控制基线坚持性和协变量。最终分析438人。

结果：
4.1 样本特征与流失分析：T₁ 684人，T₂ 556人，T₃ 487人，最终438人，保留率64.0%。流失样本246人与保留样本在年龄、体质指数（body mass index, BMI）、T₁感知支持、T₁坚持性、性别、学年和学校上无显著差异（p>0.05）。结论：流失不太可能引入明显系统偏差。
4.2 随访期间AI工具使用连续性：T₂有397人（90.6%）继续使用AI锻炼支持功能，T₃有374人（85.4%）；使用频率中到高，略降。结论：多数参与者在研究期保持相关工具接触。
4.3 共同方法偏差检验：Harman单因子检验提取9个特征值大于1的因子，第一未旋转因子解释28.47%方差。结论：共同方法偏差不太可能实质影响结果。
4.4 测量模型评估与纵向不变性检验：五因子模型拟合可接受，χ²/df=2.31，比较拟合指数（comparative fit index, CFI）=0.935，Tucker-Lewis指数（TLI）=0.928，近似误差均方根（root mean square error of approximation, RMSEA）=0.055，标准化残差均方根（standardized root mean square residual, SRMR）=0.049；标准化载荷0.62—0.89。替代合并模型拟合更差，支持判别效度。T₁和T₃锻炼坚持性的构型、弱、强不变性模型拟合可接受，ΔCFI和ΔRMSEA较小。结论：测量模型和纵向可比性良好。
4.5 初步关系与结构模型检验：
4.5.1 描述统计与相关矩阵：T₁感知AI支持与T₂自我效能、T₃自主动机、T₁坚持性、T₃坚持性正相关（r=0.31—0.43，p<0.001）；T₂自我效能与T₃自主动机、T₃坚持性正相关（r=0.46—0.48，p<0.001）；T₃自主动机与T₃坚持性正相关（r=0.52，p<0.001）；T₁坚持性与T₃坚持性正相关（r=0.58，p<0.001）。克朗巴赫α系数（Cronbach's α）为0.89—0.94。结论：相关模式与假设一致。
4.5.2 结构模型拟合与假设检验：结构模型拟合可接受，χ²/df=2.18，CFI=0.941，TLI=0.934，RMSEA=0.052，SRMR=0.047。T₁支持→T₂自我效能β=0.36，p<0.001，支持H₂；T₂自我效能→T₃自主动机β=0.41，p<0.001，支持H₃；T₃自主动机→T₃坚持性β=0.29，p<0.001。控制基线坚持性和协变量后，T₁支持→T₃坚持性直接路径β=0.11，p=0.028；T₁坚持性→T₃坚持性β=0.47，p<0.001。协变量仅自评健康与T₃坚持性正相关β=0.09，p=0.037；性别、学年、BMI、学校、AI使用时长不显著。结论：支持部分中介和坚持性时间稳定性。
4.6 序列中介效应：总效应显著β=0.15，95% CI [0.05,0.25]，p=0.004，支持H₁；总间接效应显著β=0.04，95% CI [0.02,0.07]；假设序列间接效应T₁支持→T₂自我效能→T₃自主动机→T₃坚持性显著β=0.04，95% CI [0.02,0.06]，支持H₄；直接效应仍显著β=0.11，95% CI [0.01,0.21]，p=0.028。结论：部分而非完全中介。

讨论总结与结论翻译：讨论指出，感知AI锻炼支持与后续锻炼坚持性正相关，控制基线和协变量后仍成立；支持→自我效能→自主动机的序列间接关联显著，直接关联仍显著，提示部分中介。基线坚持性具有较强时间稳定性，且多数参与者继续使用AI锻炼支持功能。理论上，SCT解释T₁支持到T₂自我效能，SDT解释自我效能与自主动机的相邻阶段；两框架可能捕捉同一过程的相邻心理阶段而非竞争解释。实践上，AI工具不应仅提供通用提醒，而应通过定制推荐、自适应目标、进展可视化、障碍反馈和灵活互动，增强用户锻炼能力感与自主感；大学和校园健康服务可将AI辅助作为身体活动促进的补充，且早期支持对形成锻炼习惯尤其重要。局限包括：最终自主动机与坚持性同T₃测量，不能建立完全纵向因果；自报数据；两所中国大学现有用户样本有选择偏差；未区分AI工具类型；不能作强因果推断。未来需更完整时间分离、实验设计、行为轨迹、可穿戴指标和系统日志，并比较不同AI工具与支持功能。结论翻译：总之，本研究提供部分时间滞后证据，表明在已使用AI健康工具进行锻炼支持的大学生中，更强的感知AI锻炼支持与后续锻炼坚持性相关。观察模式与涉及锻炼自我效能和自主动机的序列心理过程一致：T₁感知支持与T₂自我效能相关，T₂自我效能与T₃自主动机相关，而T₃自主动机与T₃锻炼坚持性同期相关。由于最后两个构念在同一波测量，最后环节应解释为同波关联，而非完全纵向因果中介路径的证据。总体而言，支持性、个性化和自主相关的AI锻炼工具体验可能对现有用户具有心理意义，但更强因果结论需要更完整时间分离以及实验或客观行为证据的设计。