《Frontiers in Psychology》：Latent profile analysis of AI anxiety among medical imaging students: a cross-sectional study based on emotional flexibility and future employment anxiety
编辑推荐：
目的：本研究旨在识别医学影像学生人工智能焦虑的潜在剖面，并考察情绪灵活性、未来就业焦虑及人口学变量与剖面成员关系的关联，从而为差异化的心理干预策略提供实证依据。
方法：采用便利抽样法，从中国四川省川北医学院招募488名医学影像学生进行横断面调查。研究人员使用人
目的：本研究旨在识别医学影像学生人工智能焦虑的潜在剖面，并考察情绪灵活性、未来就业焦虑及人口学变量与剖面成员关系的关联，从而为差异化的心理干预策略提供实证依据。
方法：采用便利抽样法，从中国四川省川北医学院招募488名医学影像学生进行横断面调查。研究人员使用人工智能焦虑量表（AI Anxiety Scale）、情绪灵活性量表（Emotional Flexibility Scale）、未来就业焦虑量表（Future Employment Anxiety Scale）及一份人口学问卷收集数据。采用潜在剖面分析（Latent Profile Analysis, LPA）识别人工智能焦虑的剖面，并使用三步BCH法和R3STEP法在考虑分类不确定性的情况下检验远端结果和协变量。
结果：潜在剖面分析识别出三个按严重程度排序的人工智能焦虑剖面：中等人工智能焦虑剖面（65.78%）、高人工智能焦虑剖面（22.75%）和低人工智能焦虑剖面（11.48%）。高焦虑剖面在工作替代（Job Replacement）和社会技术盲点（Sociotechnical Blindness）焦虑维度上得分最为突出。情绪灵活性在各剖面间呈非线性分布：低焦虑剖面最高（BCH M = 3.975），中等焦虑剖面最低（3.282），高焦虑剖面居中（3.805）。未来就业焦虑在各剖面间单调递增（低：2.285；中等：3.255；高：4.126；所有两两比较p < 0.001），并且在经分类误差校正的R3STEP分析中独立区分了所有剖面。情绪灵活性在中等焦虑剖面中最低，在高焦虑与低焦虑剖面之间无显著差异（p = 0.271）；在经分类误差校正的分析中，它能区分高焦虑与中等焦虑剖面，但不能区分低焦虑与中等焦虑剖面。
结论：研究结果支持针对不同人工智能焦虑剖面制定差异化的心理支持方案，并建议将人工智能素养教育和职业规划指导系统地整合到医学影像课程体系中。
论文解读：医学影像学生人工智能焦虑的潜在剖面及其影响因素
一、研究背景与研究问题
随着人工智能（Artificial Intelligence, AI）技术在医疗领域的深度渗透，尤其在医学影像领域，深度学习算法在肺结节检测、乳腺癌筛查、视网膜疾病识别及骨折分类等任务中的诊断准确性已接近甚至超越放射科医师。同时，AI在图像后处理、图像重建和质量控制等技术环节也展现出巨大潜力。这一技术变革对医学影像专业学生——无论是诊断放射学还是医学影像技术方向——构成了严峻挑战，他们面临着职业角色被重新定义甚至被部分取代的压力。作为未来的核心从业者，医学影像学生对AI技术的心理感知和情绪反应不仅关乎个体心理健康与学业适应，更深刻影响着人才培养模式的转型和临床队伍的可持续发展。然而，现有研究多将AI焦虑视为同质性连续变量，忽视了其可能存在的个体间质性差异模式，且专门针对医学影像学生这一专业身份与AI技术高度交织人群的研究极为匮乏。因此，有必要采用以人为中心的分析策略，揭示该群体内部是否存在不同的AI焦虑亚群，并探究情绪灵活性和未来就业焦虑等因素对这些亚群归属的预测作用。
二、研究方法概述
本研究采用横断面调查设计，于2026年3月至4月期间，通过便利抽样法从中国四川省川北医学院招募全日制本科医学影像相关专业学生。最终纳入488份有效问卷（有效回收率86.99%），其中男性233人（47.7%），女性255人（52.3%）。研究工具包括：王和王（Wang and Wang, 2022）开发的中文版AI焦虑量表（21题，含学习、工作替代、社会技术盲点和AI配置四个维度），傅等人（Fu et al., 2018）开发的中文版情绪灵活性量表（10题），以及王等人（Wang X. et al., 2025）开发的中文版未来就业焦虑量表（17题，含个人能力、知识应用、职业可替代性和社会关系四个维度）。数据分析采用Mplus 8.3和SPSS 27.0软件。主要统计方法包括：描述性统计、共同方法偏差检验（Harman单因素检验）、验证性因子分析（Confirmatory Factor Analysis, CFA）、潜在剖面分析（Latent Profile Analysis, LPA）以及三步法（BCH法和R3STEP法）用于校正分类不确定性下的远端结果比较和协变量分析。
三、研究结果
3.1 共同方法偏差检验与描述性统计
Harman单因素检验显示，未旋转探索性因子分析提取出特征值大于1的因子共5个，第一个因子解释总方差的32.508%，低于40%临界阈值，表明共同方法偏差不严重。核心变量的偏度和峰度绝对值均满足近似正态分布假设。
3.2 判别效度
双因子CFA模型拟合显著优于单因子模型（Δχ2(1) = 791.85, p < 0.001），表明AI焦虑与未来就业焦虑并非完全冗余。但两个构念的潜变量相关系数为r = 0.792（r2 = 0.627），且各自平均方差提取量（Average Variance Extracted, AVE）均低于此平方相关系数，未满足Fornell-Larcker判别效度标准，提示两者共享较大方差，尤其体现在工作替代与职业可替代性维度之间。相关性分析显示，AI焦虑总分与未来就业焦虑总分强相关（r = 0.741, p < 0.001），而情绪灵活性与AI焦虑（r = -0.032）及未来就业焦虑（r = -0.022）的相关均不显著。
3.3 AI焦虑的潜在剖面分析
以AI焦虑量表四个维度得分为连续指标，依次拟合1至5个剖面的模型。综合考虑信息准则、似然比检验、熵值和理论可解释性，最终保留三剖面解。三个剖面按严重程度命名：C1为“中等AI焦虑组”（321人，65.78%），表现出相对稳定的焦虑模式；C2为“高AI焦虑组”（111人，22.75%），在工作替代和社会技术盲点焦虑维度上得分特别高；C3为“低AI焦虑组”（56人，11.48%），在所有四个维度上得分均较低。三个剖面的平均潜在类别后验概率分别为0.939、0.901和0.946。
3.4 剖面特征（指标均值）
三个剖面主要在严重程度而非形状上存在差异。剖面内各维度均值排序一致：工作替代和社会技术盲点焦虑最高，其次是AI配置和学习焦虑（低焦虑剖面中学习略高于AI配置）。中等、高和低焦虑剖面的平均潜在类别后验概率分别为0.939、0.901和0.946。
3.5 保留潜在剖面的差异分析
卡方检验和单因素方差分析显示，除独生子女状况外（χ2 = 11.942, p = 0.003），性别、年级、学制、专业、实习经历和AI使用频率在各剖面间均无显著差异。情绪灵活性在三组间差异极显著（F = 45.299, p < 0.001）：中等AI焦虑组的情绪灵活性最低（M = 3.316, SD = 0.431），高焦虑组居中（M = 3.753, SD = 0.589），低焦虑组最高（M = 3.937, SD = 1.001）。未来就业焦虑同样差异极显著（F = 210.954, p < 0.001），且呈单调递增趋势：低焦虑组最低（M = 2.337, SD = 0.726），中等组居中（M = 3.291, SD = 0.485），高焦虑组最高（M = 4.039, SD = 0.463）。
3.6 潜在剖面成员关系的独立预测因素（经分类误差校正）
BCH远端结果分析证实了上述模式：情绪灵活性在低剖面最高（M = 3.975），中等剖面最低（3.282），高剖面居中（3.805），中等剖面显著低于高和低剖面（p均<0.001），但高与低剖面无显著差异（p = 0.271）。未来就业焦虑从低（2.285）到中等（3.255）再到高（4.126）单调递增（所有两两比较p < 0.001）。R3STEP多项逻辑回归（以中等剖面为参照）显示，未来就业焦虑是最稳健的独立预测因素：其每增加一个单位，属于高（vs.中等）剖面的几率比（Odds Ratio, OR）为44.902（p < 0.001）；较低的未来就业焦虑则与属于低（vs.中等）剖面显著相关（OR = 0.036, p = 0.010）。情绪灵活性可显著区分高与中等剖面（OR = 3.733, p = 0.006），但不能区分低与中等剖面（p = 0.511）。独生子女状况在多变量模型中不再显著。
3.7 稳健性检验与敏感性分析
四剖面解将中等类进一步细分为两个相邻严重程度的亚类，但并未改变主要结论：未来就业焦虑仍单调递增，情绪灵活性仍呈非线性模式。排除未来就业焦虑量表中职业可替代性维度后的敏感性分析表明，未来就业焦虑与AI焦虑剖面成员关系的关联依然显著，排除了测量内容重叠的假象。
四、讨论与结论
讨论总结：
研究发现医学影像学生的AI焦虑呈现三种按严重程度区分的剖面，且以工作替代和社会技术盲点焦虑为核心，表明该群体的焦虑本质是社会职业性而非技术性的。情绪灵活性与AI焦虑呈非线性关联，中等焦虑剖面情绪灵活性最低，这可能反映了该群体采用了相对僵化的情绪调节策略（如回避或压抑）来维持表面的中等焦虑水平，而非真正的心理适应。未来就业焦虑是区分各剖面最稳健的独立预测因素，提示AI焦虑的核心驱动力可能是技术变革引发的存在性职业威胁，而非单纯的学习适应困难。这些发现支持实施基于剖面分类的差异化干预策略：对中等焦虑组重点开展基于接纳承诺疗法的心理灵活性训练；对高焦虑组侧重职业认知重构和AI赋能教育；并将AI素养教育和职业规划系统融入医学影像课程体系。
研究结论翻译：
本研究采用潜在剖面分析，在医学影像学生中识别出三个按严重程度排序的AI焦虑剖面：中等、高和低。情绪灵活性与这些剖面呈非线性关联，其中中等焦虑剖面的情绪灵活性最低。在经分类误差校正的分析中，未来就业焦虑是区分各剖面最稳健的独立预测因素，并且与AI焦虑密切相关，这种关联在排除概念重叠的职业可替代性条目后仍然存在。这些发现支持基于剖面的差异化心理干预，以及将AI素养和职业规划系统性地整合到医学影像课程中。
