《Frontiers in Public Health》：Problematic generative AI use and mental health risks among Chinese university students: latent profiles, network structure, and health literacy as a modifiable resource
编辑推荐：
摘要
目的：生成式人工智能（Generative Artificial Intelligence, GenAI）已成为大学生常规学术工具，但失调使用可能伴随焦虑、睡眠问题、心理困扰和学业功能受损。本研究将GenAI相关数字行为视为公共卫生问题，并评估健康素
摘要
目的：生成式人工智能（Generative Artificial Intelligence, GenAI）已成为大学生常规学术工具，但失调使用可能伴随焦虑、睡眠问题、心理困扰和学业功能受损。本研究将GenAI相关数字行为视为公共卫生问题，并评估健康素养（Health Literacy, HL）和自我调节学习（Self-Regulated Learning, SRL）是否与较低风险剖面相关。
方法：在中国东部、中部和西部六所大学的中国大学生中开展横断面调查。共提交2140份问卷；经四步数据质量筛选后，保留1872份有效回应。研究测量了GenAI失调使用、学业焦虑、睡眠问题、心理困扰、健康素养、自我调节学习、学业投入以及人口学和与使用相关的协变量。潜在剖面分析（Latent Profile Analysis, LPA）识别了GenAI使用与心理健康风险剖面。通过全局检验和事后检验考察剖面差异，多项逻辑回归分析剖面归属的外部因素，正则化网络分析（Regularized Network Analysis）识别中心节点和桥接节点。
结果：四剖面方案在拟合度、熵值、类别规模和可解释性方面达到最佳平衡（熵值 = 0.891）。这些剖面为：低风险适应型使用者（39.9%）、焦虑依赖型使用者（25.7%）、睡眠紊乱过度使用者（19.8%）和高风险失调型使用者（14.6%）。验证性因子分析（Confirmatory Factor Analysis, CFA）支持了改编和选用量表的测量结构（CFI = 0.958, TLI = 0.951, RMSEA = 0.036, SRMR = 0.041），Harman单因子检验未显示严重的共同方法偏差。较高的健康素养和自我调节学习与属于低风险而非高风险剖面的几率增加相关。网络分析识别出失控、学业担忧、延迟就寝和学业回避为中心或桥接节点，而可信度评估和时间管理则显示负向桥接期望影响。
结论：大学生中GenAI相关数字行为以涉及失调使用、学业焦虑、睡眠问题、困扰和学业功能的不同方式存在。这些发现可能有助于大学识别那些报告难以控制AI使用、学业担忧、延迟就寝、学业回避或难以设定AI使用限制的学生。它们还指向健康素养、自我调节和时间管理作为未来纵向和干预研究的候选资源。
**论文解读：中国大学生问题性生成式人工智能使用与心理健康风险——潜在剖面、网络结构与健康素养的资源角色**
**研究背景与问题**
生成式人工智能（Generative Artificial Intelligence, GenAI）以大型语言模型为代表，已迅速融入大学生的学术日常，用于信息检索、提纲起草、文本翻译润色、阅读总结、答案核对及反馈获取等。这些使用不仅是教育技术实践，也塑造了年轻人在数字环境中管理信息、不确定性、学业压力和日常决策的方式。尽管GenAI可降低信息获取障碍，但对其幻觉、信任错位、过度依赖及削弱独立判断的担忧日益加剧。尤其在健康与医学领域，LLMs虽被考虑用于信息支持和决策辅助，但其可靠性和工作流程整合仍在评估中。因此，对大学而言，GenAI带来的挑战超越了学术诚信与评估设计——学生可能在疲惫、焦虑、不确定或孤独时与AI互动，或将其用于逃避困难学习任务、获取安慰或熬夜学习。公共卫生问题不在于学生是否频繁使用GenAI，而在于使用是否变得难以调节、维持压力或与睡眠受损、心理健康及自我管理能力下降相关。
问题性GenAI使用可概念化为一种特定形式的失调数字行为，包括对使用失去控制、反复减少使用未成功、强迫性检查、过度投入时间、学业回避、独立思维减少以及对AI回应的情感依赖。GenAI与以往数字技术有三点关键差异：其对话性可即时提供安慰，其流畅且看似权威的回应可能增加对未核实内容的盲目信任，其能完成或支撑认知工作从而鼓励无边界使用下的思维任务回避。因此，相关机制可能涉及行为过度使用、认知外包和焦虑驱动的应对，而非单纯工具访问频率。
大学生群体面临学业压力、职业不确定性、同伴比较日益依赖数字平台的过渡期，心理健康问题已广泛记录，焦虑、睡眠障碍和心理困扰与学业功能及日常健康行为紧密相关。GenAI的兴起创造了新的背景：一方面AI支持可减轻即时任务负担并提供可及帮助；另一方面，已存在学业焦虑的学生可能更依赖GenAI作为应对策略，而深夜或长时间使用GenAI可能导致睡眠延迟和日间功能受损。健康素养（Health Literacy, HL）——即获取、理解、评估和应用健康信息以维持或改善健康的能力——为本研究提供了相关公共卫生视角。本研究聚焦健康素养而非AI素养，因为框架围绕心理健康、睡眠健康及数字环境中负责任的健康相关决策，而非一般AI能力或技术知识。
现有关于数字行为与学生心理健康的研究多为变量中心型，估计使用强度与焦虑、睡眠、投入间的平均关联，但可能掩盖有意义异质性。具有相似GenAI使用水平的学生可能差异显著：有些是高度自我调节的适应型使用者，有些因学业焦虑而依赖，另一些则表现为睡眠相关过度使用，少数同时存在多重问题。潜在剖面分析（Latent Profile Analysis, LPA）能识别此类个体中心模式，而网络分析可识别症状、行为与资源间的中心节点和桥接节点，从而超越剖面描述走向可在后续纵向或干预研究中检验的候选指标。
**研究内容与结论**
研究人员开展了一项横断面调查，从中国东部、中部和西部六所大学招募大学生，经四步数据质量筛选后获得1872份有效问卷。测量工具涵盖GenAI失调使用、学业焦虑、睡眠问题、心理困扰、健康素养、自我调节学习、学业投入及人口学和频率协变量。通过LPA识别GenAI使用与心理健康风险剖面，并运用多项逻辑回归和正则化网络分析进一步刻画剖面差异与节点关系。
该研究获伊犁师范大学伦理委员会批准（批准号：XJPL2026010），所有参与者在线签署知情同意书。
**主要关键技术方法**（不超过250字）
研究采用横断面调查设计，样本来自中国东部、中部和西部六所大学的全日制本科生（年龄≥18岁），共收集2140份问卷，经四步数据质量筛选（排除不完整、注意力检查失败、作答时间过短和模式化回答）后保留1872份有效回应。关键方法包括：①潜在剖面分析（LPA），以六个标准化指标（失控、强迫性GenAI使用、学业回避、学业焦虑、睡眠问题、心理困扰）界定剖面；②多项逻辑回归，以高风险失调型剖面为参照组，分析健康素养、自我调节学习、学业投入、性别、年龄和每日GenAI使用频率等外部因素与剖面归属的关联；③正则化网络分析（EBICglasso），估计条件关联并计算节点期望影响和桥接期望影响，识别连接不同概念社区的桥接节点。网络稳定性通过非参数自举法和案例删除自举法评估。
**研究结果**
**3.2 潜在剖面的识别**
经比较1至5剖面模型，确定4剖面方案最佳（AIC=23541.3, BIC=23750.2, aBIC=23630.3, 熵值=0.891, LMR p=0.015, BLRT p<0.001），最小类别占比14.6%，平均后验分类概率范围0.902~0.942。四个剖面被标记为：低风险适应型使用者（39.9%）、焦虑依赖型使用者（25.7%）、睡眠紊乱过度使用者（19.8%）和高风险失调型使用者（14.6%）。高风险组在失控、强迫性使用、学业回避、学业焦虑、睡眠问题和心理困扰上得分最高，健康素养、自我调节学习和学业投入得分最低；低风险组呈相反模式。两个中间剖面配置不同：焦虑依赖型使用者学业焦虑和学业回避较高，睡眠紊乱过度使用者睡眠问题得分更高。
**3.3 不同潜在剖面的差异**
全局检验显示所有核心变量存在显著差异。高风险失调型使用者在所有剖面定义指标上得分最高，健康素养、自我调节学习和学业投入最低。低风险适应型使用者得分最低，外部资源最高。事后比较支持各剖面标签：问题性GenAI使用总分按P1
**3.4 与剖面归属相关的因素**
多项逻辑回归以高风险失调型为参照组，结果显示：较高的健康素养（OR=2.41, 95%CI: 1.82-3.20）、自我调节学习（OR=2.86, 95%CI: 2.11-3.87）和学业投入（OR=1.65, 95%CI: 1.25-2.18）与属于低风险适应型剖面的几率增加显著相关；每日或几乎每日GenAI使用则与低风险（OR=0.38）、焦虑依赖型（OR=0.53）和睡眠紊乱过度型（OR=0.71）的几率降低相关。
**3.5 网络结构与桥接节点**
正则化网络分析显示，最强边出现在睡眠、问题性使用和心理健康指标集群内，如延迟就寝与日间功能障碍之间的边最强，其次为失控与强迫性GenAI使用之间、学业担忧与心理困扰之间。跨域边中，失控与学业担忧条件关联，强迫性使用与延迟就寝关联，学业回避与自我调节学习和学业投入负向关联。期望影响方面，失控、学业担忧、延迟就寝和情绪耗竭最高；桥接期望影响中，学业担忧、延迟就寝、失控和学业回避具有最高正向桥接期望影响，表明这些节点统计上连接了问题性GenAI使用与心理健康指标及学业功能。相反，信息可信度评估和时间管理显示负向桥接期望影响，体现资源相关桥接位置。网络稳定性良好（期望影响相关系数稳定性=0.750，桥接期望影响=0.596）。
**讨论总结与结论翻译**
**讨论总结**：主要发现是频繁GenAI使用本身并非关键公共卫生信号，更令人担忧的模式出现在失控、学业担忧、延迟就寝、困扰和自我调节资源薄弱同时出现时。四个剖面分离了不同配置，回归结果显示健康素养和自我调节学习与低风险归属相关，网络分析随后识别出失控、学业担忧、延迟就寝和学业回避为跨域节点。该模式避免了对GenAI使用的简单好坏判定。研究建议大学校园实践应关注控制受损、应对动机、功能干扰和可修改技能，而非全面禁止。结果也提示，焦虑依赖型使用者可能通过GenAI获取短期安慰但伴随学习回避，睡眠紊乱过度使用者可能反映深夜AI辅助学习或屏幕脱离困难，高风险失调型使用者需早期监测和针对性支持。网络分析中，失控是中心节点，学业担忧和延迟就寝是重要桥接节点，而可信度评估和时间管理显示负向桥接期望影响，支持信息验证和计划性AI使用与较低风险特征反向关联。公共卫生启示包括将负责任的GenAI教育融入现有健康促进工作，根据学生报告困难模式考虑分级支持，并强调数字健康素养项目需关注GenAI内容验证。研究局限性包括横断面设计、自我报告、便利抽样及未考察机构政策等背景因素。
**结论翻译**：大学生中的问题性GenAI使用是一个新兴的数字公共卫生问题，其特征在于异质性的GenAI使用与心理健康风险剖面。本研究识别了四个剖面，并显示高风险失调型使用者在GenAI使用问题、学业焦虑、睡眠问题和心理困扰方面报告升高，同时健康素养、自我调节学习和学业投入较低。在网络中，失控、学业担忧、延迟就寝和学业回避是关键节点，而可信度评估和时间管理显示负向桥接期望影响。研究结果指向一种审慎的公共卫生应对措施：大学可监测学生难以控制AI使用、焦虑驱动的依赖、深夜AI使用和学业回避，同时未来研究应测试加强数字健康素养、自我调节和睡眠健康实践是否与GenAI使用模式和学生福祉的变化相关。
