《Psychology Research and Behavior Management》：Academic Stress, Self-Efficacy, and Generative AI Dependency: A Cross-Sectional Study at a Saudi University
编辑推荐：
背景：生成式人工智能（GenAI）带来了学术上的益处，但也引发了对学生依赖性的担忧。有限的研究探讨了大学生中GenAI依赖性背后的心理因素。
目的：本研究考察了学术自我效能感和学术压力如何与GenAI依赖性相关联，将绩效期望作为中介变量进行检验，并将学术自我效
背景：生成式人工智能（GenAI）带来了学术上的益处，但也引发了对学生依赖性的担忧。有限的研究探讨了大学生中GenAI依赖性背后的心理因素。
目的：本研究考察了学术自我效能感和学术压力如何与GenAI依赖性相关联，将绩效期望作为中介变量进行检验，并将学术自我效能感作为压力与GenAI依赖性关系的调节变量。
方法：这项横断面研究于2026年3月至5月期间，通过便利抽样法从沙特阿拉伯东部省的一所公立大学招募了305名本科生。参与者完成了一套阿拉伯语版的GenAI依赖性、学术自我效能感、学术压力和绩效期望量表。研究人员采用偏最小二乘结构方程模型（PLS-SEM），结合5000次自助重抽样并辅以控制人口统计学协变量的稳健性检验，对直接路径、中介路径和调节路径进行了检验。
结果：学术自我效能感与GenAI依赖性呈负相关（β = ?0.245, p <0.001），与绩效期望呈正相关（β = 0.237, p <0.001）。学术压力与绩效期望（β = 0.315, p <0.001）和GenAI依赖性（β = 0.287, p <0.001）均呈正相关。绩效期望与GenAI依赖性呈正相关（β = 0.411, p <0.001），并且在学术自我效能感（β = 0.098, p <0.001）和学术压力（β = 0.130, p <0.001）与GenAI依赖性的关联中显示出统计上显著的间接效应。学术自我效能感显著调节了学术压力与GenAI依赖性之间的关系（β = 0.102, p =0.010, 95% CI (0.024, 0.179)；与假设的缓冲效应相反，这种正相关关系在高自我效能感水平下变得更强。该模型解释了GenAI依赖性36.3%的方差和绩效期望13.8%的方差。
结论：GenAI依赖性与学术压力和学术自我效能感相关，而绩效期望显示出显著的间接关联。自我效能感直接降低了依赖性，但却放大了压力与依赖性之间的关系。这些结果支持鼓励平衡使用GenAI、管理学术压力以及校准学生对GenAI的期望。
论文解读
研究背景与问题
随着生成式人工智能（GenAI）在高等教育中的快速普及，学生的使用行为已从单纯的采纳转向如何调节和依赖这些系统。然而，现有文献多聚焦于技术接受度和使用意向，对于导致学生过度依赖GenAI的心理机制探究不足。特别是，学生的内部学术资源（如学术自我效能感）与学业压力如何共同塑造其依赖行为，以及绩效期望在其中扮演何种角色，尚缺乏清晰的理论解释。因此，有必要超越技术中心论，建立整合学生心理特征、学业体验与技术认知的模型。
研究概述与意义
本研究基于“个体-情感-认知-执行”（I-PACE）交互模型，在沙特阿拉伯一所公立大学开展横断面调查，共纳入305名有GenAI使用经验的本科生。研究发现：学术自我效能感（ASE）与GenAI依赖性直接负相关，但与绩效期望（PE）正相关；学术压力（AS）则与两者均正相关；绩效期望是连接上述心理因素与依赖性的重要中介路径。值得注意的是，学术自我效能感并未如预期般缓冲压力带来的依赖风险，反而增强了压力与依赖性之间的正向关联。这一发现挑战了自我效能感单纯保护作用的传统观点，揭示了其在特定情境下的复杂性，为高校制定差异化干预策略提供了实证依据。
关键技术方法
本研究采用问卷调查法收集数据，样本来源于沙特阿拉伯东部省一所公立大学的本科生群体（N=305），通过电子邮箱和学生社交网络进行便利抽样。测量工具改编自Acosta-Enriquez等人报告的问卷，包含四个构念：GenAI依赖性（5题）、学术自我效能感（7题）、学术压力（5题）和绩效期望（5题），所有条目采用李克特五点量表计分。数据分析采用偏最小二乘结构方程模型（PLS-SEM），通过5000次自助重抽样评估直接、中介和调节路径，并使用PLSpredict和交叉验证预测能力测试（CVPAT）评估模型预测性能。
研究结果
测量模型评估：各构念的克隆巴赫α系数介于0.820至0.886，组合信度（CR）介于0.873至0.917，平均方差抽取量（AVE）均超过0.50，表明具有良好的内部一致性和收敛效度。区分效度通过福奈尔-拉克准则和异质-单质比率（HTMT）得到确认，所有HTMT值低于0.85。标准化均方根残差（SRMR）为0.077，低于推荐阈值0.08，模型整体拟合可接受。
结构模型与假设检验：
- •
H1：学术自我效能感与GenAI依赖性呈显著负相关（β = -0.245, p < 0.001）。
- •
H2：学术自我效能感与绩效期望呈显著正相关（β = 0.237, p < 0.001）。
- •
H3：学术压力与绩效期望呈显著正相关（β = 0.315, p < 0.001）。
- •
H4：学术压力与GenAI依赖性呈显著正相关（β = 0.287, p < 0.001）。
- •
H5：绩效期望与GenAI依赖性呈最强正相关（β = 0.411, p < 0.001）。
中介效应分析：
- •
H6：绩效期望显著中介了学术自我效能感与GenAI依赖性的关系（间接效应β = 0.098, p < 0.001）。
- •
H7：绩效期望显著中介了学术压力与GenAI依赖性的关系（间接效应β = 0.130, p < 0.001）。
调节效应分析：
- •
H8：学术自我效能感对学术压力与GenAI依赖性关系的调节作用显著（β = 0.102, p = 0.010），但方向与假设相反。简单斜率分析显示，在低（-1 SD）、均值和高（+1 SD）学术自我效能感水平下，学术压力对GenAI依赖性的正向效应分别为β = 0.184、0.287和0.389，表明高自我效能感反而强化了压力与依赖性之间的关联。
结构模型质量：模型解释了绩效期望13.8%的方差和GenAI依赖性36.3%的方差。绩效期望对依赖性的效应量最大（f2 = 0.223），达到中等水平。PLS predict结果显示模型具有预测相关性。
稳健性分析：纳入年龄、性别、年级、家庭收入和居住地等协变量后，所有假设路径的显著性保持不变，表明结果稳健。
讨论与结论
讨论：本研究的发现呈现了一幅分化图景。学术自我效能感直接降低依赖性，但同时提升绩效期望，并通过后者产生正向间接效应，形成竞争性中介模式，说明自我效能感并非单一的“保护因素”。学术压力既直接又通过绩效期望间接增加依赖性，符合I-PACE框架中情感状态驱动技术认知进而影响行为的理论预期。最意外的发现是自我效能感的调节作用：它非但没有缓冲压力带来的依赖风险，反而加剧了这一关系。一种可能的解释是，高自我效能感的学生在面对学业压力时，更倾向于将GenAI视为一种积极的工具性资源加以利用，而非出于无助感。但这一解释尚需未来研究验证。
结论：GenAI依赖性与学术压力和学术自我效能感相关，而绩效期望显示出显著的间接关联。自我效能感直接降低了依赖性，但却放大了压力与依赖性之间的关系。这些结果支持鼓励平衡使用GenAI、管理学术压力以及校准学生对GenAI的期望。
