基于潜在剖面分析的中国农村大学生AI工具使用经历与抑郁—焦虑症状特征关联研究

《Psychology Research and Behavior Management》：Any Artificial Intelligence Tool Use Experience and Depression–Anxiety Symptom Profiles Among Rural University Students in China

　　

目的：人工智能（AI）工具使用经历与农村大学生并发抑郁与焦虑症状之间的关联仍不确定。研究人员探讨了任何AI工具使用经历与抑郁—焦虑症状特征之间的关联。

方法：这项横断面调查纳入了来自中国浙江省三所大学的1529名农村户籍学生。广泛性焦虑障碍量表（GAD-7）和患者健康问卷抑郁量表（PHQ-9）评分用于潜在剖面分析（LPA）；五个概念上有序的多项回归模型将剖面成员与低症状剖面进行比较。

结果：症状特征包括低症状（n=896；58.6%）、焦虑为主症状（n=587；38.4%）和抑郁为主症状（n=46；3.0%）。在报告的完全调整模型中，与低症状成员相比，AI使用经历与焦虑为主成员（比值比[OR]=0.764，95%置信区间[CI]0.654–0.893）和抑郁为主成员（OR=0.239，95%CI 0.101–0.566）的较低几率相关。

结论：在这个探索性样本中，AI使用经历与症状模式相关。这些观察结果值得采用更详细的AI参与度测量进行纵向评估。

中国农村大学生AI工具使用经历与抑郁—焦虑症状特征：一项横断面潜在剖面分析解读

大学人群中的抑郁和焦虑症状是重要的心理健康议题，已有系统综述显示中国和意大利大学生抑郁症状负担显著，跨国家研究亦表明心理困扰在大学环境中的普遍性。近期中国研究进一步描述了抑郁症状的异质性及焦虑症状的共病现象。但将抑郁和焦虑分开考虑可能掩盖二者共现时呈现的不同模式，因此有必要采用以人为中心的方法（如潜在剖面分析）识别共病症状特征。与此同时，农村大学生在教育机会、家庭资源、社会支持及学业求助方面面临特殊背景，已有研究描述了农村留守经历、家庭社会经济状况与心理健康的关系。生成式AI工具在大学中广泛用于写作、编程及信息检索，但多数调查仅将是否使用ChatGPT等工具作为二元采纳变量，难以反映使用频率、目的、依赖与互动质量等维度。目前尚不清楚任何AI工具使用经历与抑郁—焦虑症状特征之间的关联，本研究即在这一背景下展开。

研究人员在浙江省三所高校（温州医科大学、温州大学、温州职业技术学院）开展横断面调查，于2025年9—10月通过问卷星平台收集数据。在线问卷要求电子知情同意并完整提交，最终纳入1529名农村户籍学生（占有效回复的66.4%），其中女性占57.9%。研究使用广泛性焦虑障碍量表（GAD-7）和患者健康问卷抑郁量表（PHQ-9）分别评估前两周焦虑和抑郁症状频率；以是否使用至少一种列出的AI应用（如ChatGPT、DeepSeek、豆包、Midjourney等）定义为“任何AI工具使用经历”。分析主要采用潜在剖面分析（LPA）识别焦虑—抑郁症状模式，并以低症状剖面为参照，通过五个概念上有序的多项logistic回归模型逐步加入人口学、家庭、学校与社会支持协变量；敏感性分析使用Firth惩罚二元logistic回归处理稀疏结局。家庭环境与学校体验使用研究团队自行编制的条目测量，社会支持采用10项社会支持评定量表（SSRS）。

研究结果呈现以下四个部分。第一，内部一致性与因子可析性。家庭问卷Cronbach α=0.801，KMO=0.811，Bartlett检验χ²=1,245.36（df=15，P<0.001）；学校问卷α=0.757，KMO=0.743，χ²=876.52（df=6，P<0.001），表明两项自编工具具有良好的内部一致性和因子可析性。第二，潜在症状剖面。比较一至五剖面解后，三剖面解因简约性和可解释性被保留，其熵值为0.966，最小剖面占比3.0%。三个剖面分别为低症状组（n=896，58.6%；PHQ-9均值1.19，GAD-7均值1.35）、焦虑为主组（n=587，38.4%；PHQ-9均值6.97，GAD-7均值16.60）和抑郁为主组（n=46，3.0%；PHQ-9均值16.96，GAD-7均值13.90）。焦虑为主剖面在焦虑得分上明显高于抑郁为主组，而抑郁为主剖面在抑郁得分上远超焦虑为主组，呈现“交叉”模式，表明两个症状总分不能简单合并排序。第三，各剖面样本特征。AI使用经历总体报告率为72.6%，在低症状组为79.5%，焦虑为主组为63.0%，抑郁为主组为60.9%，组间差异显著（χ²=51.413，P<0.001）。不同剖面在性别、年龄、入学队列、父母婚姻状态和独生子女状态方面存在描述性差异；家庭因子均值在低症状组、焦虑为主组和抑郁为主组依次下降，学校因子均值依次上升（该问卷反向计分，较高得分表示较不利的学校体验），社会支持均值亦依次下降。第四，与症状剖面成员的关联。在完全调整模型中，任何AI工具使用经历与焦虑为主（OR=0.764，95%CI 0.654–0.893）和抑郁为主（OR=0.239，95%CI 0.101–0.566）相对于低症状剖面的较低几率相关；对应Firth敏感性分析估计分别为OR=0.775（95%CI 0.646–0.930）和OR=0.267（95%CI 0.105–0.679），方向一致。排除最小剖面或合并两个升高剖面的额外敏感性分析亦支持同一方向。所报告的预测变量方差膨胀因子（VIF）介于1.08至2.86，未提示严重共线性问题。

讨论部分指出，AI使用经历与两个升高症状剖面呈负相关这一发现为后续研究提供了聚焦的实证问题；焦虑为主与抑郁为主的交叉模式说明，合并症状总分可能掩盖具有不同支持需求的学生亚组。描述性梯度显示，女性和父母婚姻状态欠稳定者在升高症状剖面中占比更大，家庭与社会支持得分更低，学校体验更差，提示家庭环境和校园经历与症状特征相伴存在。研究人员同时强调，本研究为探索性横断面设计，无法确定时间顺序或因果效应；二元AI变量无法区分单次尝试与频繁使用，也未能测量使用目的、依赖和互动质量；样本仅来自浙江省三所高校，最小剖面仅有46人，分类误差未被纳入模型中。未来需在独立、更大样本中使用更详细的AI参与度量表，并在纵向设计中记录基线与重复测量的症状及AI使用信息。研究结论为：三个症状剖面描述了浙江省三所高校农村大学生中的症状异质性；在调整多种协变量后，任何AI工具使用经历与低症状剖面相关，而焦虑为主与抑郁为主的区分显示合并症状总分可能掩盖相关变异。这些发现有待前瞻性研究验证其时间顺序、可重复性及实际意义。