《Frontiers in Psychology》：How does artificial intelligence literacy affect university students’ innovative behavior? A serial mediation analysis based on latent profiles
编辑推荐：
目的：在生成式人工智能（AI）快速普及的背景下，大学生如何有效利用AI技术培养其创新行为已成为高等教育中的关键问题。本研究旨在探讨AI素养与大学生创新行为之间的关系及其潜在机制。方法：采用横断面调查，针对中国1040名大学生进行数据收集。使用AI素养（AIL）
目的：在生成式人工智能（AI）快速普及的背景下，大学生如何有效利用AI技术培养其创新行为已成为高等教育中的关键问题。本研究旨在探讨AI素养与大学生创新行为之间的关系及其潜在机制。方法：采用横断面调查，针对中国1040名大学生进行数据收集。使用AI素养（AIL）量表、AI焦虑（AIA）量表、认知灵活性（CF）量表和创新行为（IB）量表。结果：AIL与CF（r=0.346，p<0.001）和IB（r=0.329，p<0.001）呈显著正相关，与AIA（r=-0.319，p<0.001）呈显著负相关。中介分析揭示了三条显著的间接路径：AIA的独立中介效应占总效应的13.44%，CF的独立中介效应占14.15%，两者的链式中介效应占3.30%。此外，潜在剖面分析识别出AI素养的三个潜在剖面：低AI素养（15.29%）、中等AI素养（37.02%）和高AI素养（47.69%）。在这些不同剖面之间，链式中介路径存在显著差异。结论：AIL与大学生的IB直接相关，并通过AIA和CF的独立及链式中介作用间接关联。这些发现拓展了可供性理论在人机协作情境中的应用，并为高等教育机构实施差异化AI教育与创新培养策略提供了实证依据。
**论文解读：人工智能素养对大学生创新行为的影响机制——基于潜在剖面的链式中介分析**
**研究背景与问题**
随着生成式人工智能（AI）技术的飞速发展，特别是以ChatGPT、DeepSeek和Gemini为代表的大语言模型（Large Language Models, LLMs）的普及，AI已深刻改变了大学生的学习与知识获取方式。在此背景下，如何培养大学生的创新行为（Innovative Behavior, IB）成为高等教育的核心议题。现有研究已初步证实，AI素养（AI Literacy, AIL）在激发个体创新行为中发挥关键作用。然而，已有研究多集中于单一中介机制，缺乏对AI焦虑（AI Anxiety, AIA）与认知灵活性（Cognitive Flexibility, CF）共同作用路径的系统整合。同时，AIL作为涵盖知识、技能、价值观和伦理意识的多维度构念，具有显著的异质性，传统变量中心的研究方法可能掩盖其内在结构差异。基于此，该研究引入可供性理论（Affordance Theory），构建链式中介模型，旨在揭示AIL通过AIA和CF影响大学生IB的路径机制，并利用潜在剖面分析（Latent Profile Analysis, LPA）识别AIL的异质类别，从而为个性化干预提供理论依据。
**研究方法**
该研究采用横断面调查设计，通过在线问卷平台“问卷星”对中国多省份1040名大学生进行便利抽样（有效回收率87.0%）。样本中男性549人（52.79%），女性491人（47.21%），平均年龄21.80岁（SD=2.03）。主要测量工具包括：AIL量表（25题，四维度：知识、技能、价值观、伦理意识）、AIA量表（21题，四维度：学习焦虑、AI配置焦虑、工作替代焦虑、社会技术盲目性）、CF量表（13题，单维度）以及IB量表（5题，单维度）。数据分析使用SPSSAU和Mplus 8.3，先进行描述性统计、Pearson相关分析和Harman单因子检验（共同方法偏差检验），再采用Bootstrap法（5000次重抽样，95%置信区间）检验链式中介效应。随后，以AIL的25个题项为连续指标，在Mplus中拟合1至4个类别的潜在剖面模型，基于AIC、BIC、aBIC、熵值（Entropy）及LMR和BLRT检验确定最优分类，并进行多组链式中介分析。
**研究结果**
**4.1 共同方法偏差检验**：探索性因子分析显示，首个因子解释总变异19.893%，低于40%临界值，说明共同方法偏差不严重。
**4.2 描述性统计与相关分析**：AIL与IB（r=0.329, p<0.001）和CF（r=0.346, p<0.001）显著正相关，与AIA显著负相关（r=-0.319, p<0.001）；IB与CF显著正相关（r=0.283, p<0.001），与AIA显著负相关（r=-0.258, p<0.001）；AIA与CF显著负相关（r=-0.296, p<0.001）。
**4.3 链式中介分析**：AIL对IB的总效应为0.424。三条间接路径均显著：AIL→AIA→IB的间接效应为0.057（占总效应13.44%）；AIL→CF→IB的间接效应为0.060（占14.15%）；AIL→AIA→CF→IB的链式中介效应为0.014（占3.30%）。直接效应为0.293（占69.10%）。假设H1、H2、H3、H4均得到支持。
**4.4 潜在剖面分析**：比较1至4类模型，最终选择3类模型：C1（低AIL，159人，15.29%）、C2（中等AIL，385人，37.02%）、C3（高AIL，496人，47.69%）。方差分析显示，三类在IB上存在显著差异（F=51.045, p<0.001），且C3>C2>C1。
**4.5 基于潜在剖面的多组链式中介分析**：以C2为参照，C3组的三条间接路径均显著正向（AIA中介占12.84%，CF中介占18.66%，链式中介占3.25%）；C1组的三条间接路径均显著负向（AIA中介占-18.42%，CF中介占-10.26%，链式中介占-4.66%）。假设H5得到支持。
**讨论与结论**
该研究证实，AIL不仅直接促进大学生IB，还通过缓解AIA和增强CF的独立及链式中介路径间接发挥作用。链式中介效应（3.30%）虽较小但显著，表明AIL通过降低焦虑释放认知资源、提升认知灵活性，进而驱动创新行为。基于可供性理论，高AIL学生能更深刻感知AI工具的功能可能性（affordances），将AI视为协作伙伴而非威胁。潜在剖面分析揭示了AIL的异质性：低AIL组表现出高焦虑、低灵活性、低IB；中等AIL组虽有一定基础但缺乏系统技能，限制CF发展；高AIL组则能批判性灵活运用AI，持续激发IB。研究结论指出，教育机构应针对不同剖面实施差异化策略：对低AIL组提供基础技能培训与心理支持；对中等AIL组强化实践训练；对高AIL组提供高阶课程与创新项目。该研究拓展了可供性理论在人机协作中的应用，并为精准教育提供了实证依据。
**研究结论**（翻译原文Conclusion部分）：通过采用基于潜在剖面的链式中介模型并借鉴可供性理论，本研究探讨了AIL与大学生IB的关联。结果显示，AIL与IB直接正相关，并通过AIA和CF的独立及链式中介作用间接关联。研究识别出三个异质性的AIL潜在剖面——低、中、高，且这些剖面在链式中介路径上存在显著差异。这些发现表明，将AIL仅视为连续变量可能掩盖群体内部有意义异质性。因此，针对学生潜在剖面定制的差异化教育干预措施可能更有效地支持其IB的发展。
