《Acta Psychologica》:From anxiety to adaptation: A study on the relationship between college students' AI interaction experience and mental health in higher education
编辑推荐:
在高等教育数字化转型背景下,人工智能(AI)焦虑负向预测大学生的心理健康。AI适应性和效能作为关键部分中介变量在AI焦虑与心理健康之间发挥作用。AI使用经验与焦虑水平呈现显著的U型非线性关系。本研究将AI教育研究拓展至数据合规与法律治理维度。
在高等教育数字化转型背景下,人工智能(AI)焦虑负向预测大学生的心理健康。AI适应性和效能作为关键部分中介变量在AI焦虑与心理健康之间发挥作用。AI使用经验与焦虑水平呈现显著的U型非线性关系。本研究将AI教育研究拓展至数据合规与法律治理维度。
随着人工智能(AI)技术与高等教育的深度融合,传统的教学模式正在经历深刻变革。AI技术虽能提供个性化学习路径并提升自我效能,但其算法的不可解释性及对未来就业市场的冲击,也引发了学生群体的心理健康隐患。以往研究多聚焦于教育技术接受度或单一维度的负面心理评估,缺乏对个体应对策略内部作用机制的系统性探究。为此,研究人员基于工作要求-资源(JD-R)模型与资源保存(COR)理论,将生成式AI带来的不确定性定义为新型“技术要求”,将个体的技术焦虑概念化为“资源损耗威胁”。本研究致力于探讨AI焦虑、AI适应性与效能以及心理健康之间的因果路径,并创新性地将分析视域延伸至数据合规与法律治理风险层面,旨在为构建安全健康的AI教育生态系统提供理论支撑。该研究成果已发表于《Acta Psychologica》。
在关键技术方法方面,研究人员采用问卷法对国内多所高校的本科生开展在线调查,经严格筛选最终获得902份有效问卷。研究使用AI焦虑量表、AI适应性与效能量表及华威-爱丁堡积极心理健康量表(WEMWBS)测量核心变量。数据处理阶段运用SPSS 29.0与AMOS 29.0软件进行信效度检验与验证性因子分析(CFA);利用独立样本t检验与单因素方差分析(ANOVA)探究人口学差异;构建层次回归模型验证非线性关系;借助PROCESS 4.2宏程序并采用Bootstrap法检验中介效应。
研究结果具体如下:
共同方法偏差检验
通过将所有测量项目纳入未旋转的探索性因子分析,发现首个未旋转主成分解释的方差为32.616%,未超过40%的临界阈值,表明本研究的数据不存在严重的共同方法偏差问题。
描述性统计与相关性分析
核心变量的描述性统计表明,大学生AI焦虑整体呈中等偏低水平,AI适应性与效能及心理健康状态均处于较好水平。Pearson相关分析显示,AI焦虑与AI适应性、效能及心理健康均呈显著负相关;AI适应性与效能则与心理健康呈显著正相关,验证了后续中介效应分析的前提条件。
人口学特征与AI使用行为差异分析
研究发现不同性别在心理反应上存在显著差异,女大学生的AI焦虑显著高于男大学生。在AI交互行为方面,每日使用AI的学生展现出更高的适应性。在历时性分析中,使用年限与焦虑水平呈U型非线性关系:焦虑水平在使用前三年逐渐下降至最低点,但在使用满四年及以上时显著回升。层次回归分析证实了这一U型轨迹,表明新手焦虑多源于操作困难,而资深使用者的焦虑则转向深层技术伦理、数据合规及职业替代等宏观社会问题。
间接关联检验
逐步回归分析表明,AI焦虑显著负向预测适应性与效能(假设1成立),适应性与效能显著正向预测心理健康(假设3成立),在控制中介变量后AI焦虑对心理健康仍具显著负向影响(假设2成立)。Bootstrap法检验结果显示,AI适应性与效能在AI焦虑与心理健康之间起显著的部分中介作用,中介效应量占总效应绝对值的28.49%(假设4成立)。
在讨论部分,研究人员总结了如下研究结论:首先,当前大学生在面对AI时表现出高适应性与潜在焦虑并存的特质,潜在的技术焦虑是威胁其心理健康的危险因素。其次,AI适应性与效能作为核心缓冲资源,能够缓解技术焦虑对福祉的负面影响,证实了内部认知资源损耗在技术压力与心理健康间的关键机制。再次,技术使用经验与焦虑的演进动态呈现非线性特征,长期使用者的压力源从微观操作摩擦转移至算法黑箱与数据合规等宏观层面。最后,教育场景下的AI应用不仅是技术适应问题,更涉及法律治理层面,建立完善的数据合规与隐私保护体系是从结构上缓解资深用户技术焦虑的必要举措。本研究拓展了JD-R模型在数字化教育中的应用边界,为理解个体心理适应机制提供了新的实证依据。