大学生感知人工智能依赖与焦虑症状：经验性回避与数字素养的三波追踪研究

《Frontiers in Psychiatry》：Perceived artificial intelligence dependence and anxiety symptoms among university students: a three-wave study of experiential avoidance and digital literacy

　　

中文翻译：
大学生日益使用人工智能（artificial intelligence, AI）工具进行学习、决策和学术工作，这使得感知人工智能依赖（perceived artificial intelligence dependence, AID）不仅是一个教育技术问题，也是一个公共心理健康与数字公共卫生议题。这项三波时间滞后调查检验了经验性回避（experiential avoidance, EA）是否作为连接感知人工智能依赖与后续焦虑症状（anxiety symptoms, ANX）的假定解释过程，以及数字素养（digital literacy, DL）是否调节上述路径。在线问卷数据收集自1,451名具有AI使用经验的大学生；感知人工智能依赖、数字素养和基线人口学变量于2026年1月测量，经验性回避于2026年3月测量，焦虑症状于2026年6月测量。偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）结果显示，经验性回避与后续焦虑症状呈强正相关（β=0.677, p<0.001），而感知人工智能依赖与焦虑症状的直接关联不显著（β=-0.030, p=0.147）；感知人工智能依赖与经验性回避呈负相关（β=-0.114, p<0.001），由此产生一个统计显著但理论上出乎意料的负向时序间接关联（β=-0.077, p<0.001）；数字素养对所检验路径的调节作用不显著。研究结果表明，在AI中介的学习情境中，焦虑症状与回避相关的心理过程密切相关，而感知人工智能依赖的含义取决于情境，不应自动等同于有害使用或临床成瘾；因此，校园心理健康促进应将负责任的人工智能教育与心理灵活性、不确定性容忍和自主学习支持相结合。

论文解读：

随着高等教育进入人工智能（artificial intelligence, AI）密集应用阶段，AI工具已嵌入教学、学习分析、反馈、写作与学生支持系统。与此同时，大学生焦虑症状高发，全球系统综述和meta分析估计大学生焦虑症状汇总患病率为39.0%。既有AI教育研究多关注采纳、学术诚信、教学法和伦理治理，较少将AI依赖作为心理风险因素加以考察；且多为横断面设计，难以厘清预测变量、心理过程与结局之间的时间顺序；数字素养的保护作用也未得到充分检验。因此，研究人员采用三波时间滞后设计，考察感知人工智能依赖（perceived artificial intelligence dependence, AID）与后续焦虑症状（anxiety symptoms, ANX）的关联，引入经验性回避（experiential avoidance, EA）作为假定解释过程，并检验数字素养（digital literacy, DL）的调节作用。该研究将AI依赖视为公共心理健康与数字公共卫生议题，而非单纯教育技术问题，有助于理解AI使用情境中焦虑症状的心理机制。

研究人员在中国两所大学（一所城区高校、一所郊区高校）通过在线问卷收集了1,451名有AI使用经验的大学生的数据，分三波测量：T1（2026年1月）测AID、DL和人口学变量，T2（2026年3月）测EA，T3（2026年6月）测ANX。偏最小二乘结构方程模型（partial least squares structural equation modeling, PLS-SEM）结果显示，EA与ANX强正相关（β=0.677, p<0.001），而AID与ANX直接关联不显著；AID与EA呈负相关，产生负向时序间接关联；DL的调节作用不显著。这表明焦虑症状与回避过程密切相关，AI依赖的意义取决于情境，不应自动等同于有害使用或临床成瘾。该研究以三波时间滞后设计改善了横断面研究的局限，为AI相关心理依赖与焦虑的关联提供了更有时序依据的证据，提示大学应将心理灵活性、不确定性容忍和自主学习纳入负责任的AI教育与校园心理健康促进。

关键技术方法：研究样本来自中国两所大学经目的性招募的1,451名有AI使用经验的一至四年级文理科大学生，数据通过问卷星在班级面授课堂中收集。测量工具包括：T1使用Morales-Garcia等开发的人工智能依赖量表（5条目）和Ng开发、Ustundag等改编的数字素养量表（10条目）；T2使用AAQ-II（7条目）测量经验性回避；T3使用GAD-7（7条目）测量焦虑症状；其中AID和数字素养量表经翻译回译。统计上采用PLS-SEM，结合5,000次自助抽样、PLSpredict预测诊断、乘积指标调节效应分析，并以协变量调整的复合分数回归作为敏感性分析。

3.1 初步分析：研究人员通过Harman单因子检验发现，第一未旋转因子仅解释30.63%的总方差，低于50%阈值；全共线性方差膨胀因子（variance inflation factor, VIF）均低于3.3，提示共同方法偏差不太可能主导研究变量间的协方差。描述统计和相关分析显示，EA与ANX呈强正相关（r=0.680, p<0.001），AID与EA、ANX呈弱负相关，DL与EA、ANX呈弱负相关。

3.2 测量模型：通过因子载荷、信度和效度检验，四个构念的Cronbach α在0.845至0.939之间，组合信度在0.885至0.951之间，平均方差抽取量（average variance extracted, AVE）在0.608至0.733之间，满足内部一致性和收敛效度标准；异质-单质比率（heterotrait-monotrait ratio, HTMT）最高为0.725（EA与ANX），低于判别效度推荐阈值；内模型VIF在1.006至1.048之间，共线性可接受。

3.3 结构模型与假设检验：路径检验显示，AID到ANX的直接路径不显著（β=-0.030, p=0.147），假设H1未获支持；AID到EA的路径显著但为负（β=-0.114, p<0.001），与简单风险升级预期相反，H2虽获统计支持但方向为负；EA到ANX的路径显著且较强（β=0.677, p<0.001），H3获得支持；经由EA的间接关联为负且显著（β=-0.077, p<0.001），H4被确认为负向时序间接关联；三项数字素养调节效应均不显著，H5a-H5c未获支持。模型解释了ANX方差的46.6%，但仅解释EA方差的2.5%；EA→ANX的效应量（f²=0.827）最大；Q²_predict值虽为正但很小，表明预测相关性有限。协变量调整的敏感性分析显示，核心路径模式未发生实质性改变。

讨论部分总结：研究人员指出，最稳健的发现是EA与后续ANX的强关联，这与经验性回避作为焦虑跨诊断过程的理论一致。AID产生的负向间接效应不应被解读为保护机制，而是反映出该量表测量的是感知心理依赖而非病理性成瘾，AI可能在某些情境中作为认知脚手架而非回避工具。DL未呈现调节作用，可能因为一般数字素养过于宽泛，未能捕捉AI特定能力，且高数字素养可能同时增加使用能力和暴露压力。研究强调，AI使用的心理健康后果不能仅由使用行为推断，应区分AI使用、AI素养、AI依赖、AI安抚寻求和AI驱动的能力威胁。实践上，大学应避免将AI单纯视为有益学习技术或将其等同于成瘾，应在AI素养教育中整合批判性评价、不确定性容忍和情绪自我调节。

研究结论：本研究考察了感知人工智能依赖、经验性回避、数字素养与后续焦虑症状之间的时间滞后关联。最稳健的发现是T2经验性回避与T3焦虑症状之间的强关联；相比之下，感知人工智能依赖和数字素养仅解释了经验性回避2.5%的方差，与焦虑症状的直接关联不显著，调节效应未获支持，Q²_predict值很小。因此，研究结果并未建立因果机制或强预测能力，而是识别出一个需在基线症状和重复测量条件下加以复验的时序模式。感知人工智能依赖不应自动等同于使用频率或成瘾，而应与情绪反应、应对方式、数字能力和心理健康结局联合考察。大学应促进负责任的AI参与，同时帮助学生保持自主性、容忍不确定性，并在AI中介的学习环境中发展灵活的应对策略。