《Psychology Research and Behavior Management》：The Dark Side of Generative AI: Sequential Psychological Mechanisms and Heterogeneous Responses Underlying Teachers’ Innovative Behavior
编辑推荐：
目的：尽管生成式人工智能（GAI）已日益融入高等教育，但其对教师潜在的心理成本仍未被充分理解。基于压力与应对的交易模型（TMSC），本研究考察了GAI使用如何通过序列认知与情感机制影响教师的创新行为，同时探索了教师心理反应的异质性。方法：对来自中国东北地区公立
目的：尽管生成式人工智能（GAI）已日益融入高等教育，但其对教师潜在的心理成本仍未被充分理解。基于压力与应对的交易模型（TMSC），本研究考察了GAI使用如何通过序列认知与情感机制影响教师的创新行为，同时探索了教师心理反应的异质性。方法：对来自中国东北地区公立高校的898名大学教师进行了三项时滞调查。采用结构方程模型（SEM）检验所提出的序列中介模型，并运用潜在剖面分析（LPA）识别不同的心理反应模式。结果：在本研究中，更频繁的生成式人工智能使用与教师创新行为水平降低相关。工作不安全感与AI焦虑各自独立中介了这一关系，并共同形成了显著的序列中介路径。此外，识别出五种不同的心理剖面。与经历更高心理风险的教师相比，工作不安全感与AI焦虑水平较低的教师表现出显著更高的创新行为水平。结论：通过在TMSC框架内整合变量中心与个体中心方法，本研究增进了对教师适应生成式人工智能过程中心理机制与异质性反应的理解。研究结果有助于新兴的AI采纳心理后果文献，并为在AI驱动的教育转型中促进可持续的教师创新与有效的心理管理提供了实践启示。
**论文解读文章**
**研究背景与问题**
生成式人工智能（GAI）作为变革力量，正在重塑高等教育中的教学方式。尽管GAI能提升教学效率、促进个性化学习并激发教育创新，但其快速融入也带来了教师心理挑战。现有研究主要关注GAI的教育益处，而对其潜在心理成本（如工作不安全感、AI焦虑）关注不足。根据压力与应对的交易模型（TMSC），教师对同一AI相关需求的评估可能不同，导致心理与行为反应的异质性。变量中心研究虽揭示了一般机制，但可能忽略教师在心理适应上的异质性。因此，本研究旨在整合变量中心与个体中心方法，探讨GAI使用如何通过工作不安全感（认知评估）与AI焦虑（情绪反应）的序列中介影响教师创新行为，并识别不同的心理反应剖面。
**研究内容与结论**
研究人员对中国东北地区公立高校的898名大学教师进行了三项时滞调查（2026年2月至4月），采用结构方程模型（SEM）检验序列中介模型，并使用潜在剖面分析（LPA）识别心理反应模式。结论显示：GAI使用与教师创新行为负相关；工作不安全感与AI焦虑分别及序列中介了这一关系；识别出五种心理剖面，不同剖面的教师创新行为水平存在显著差异。该研究发表在《Psychology Research and Behavior Management》，为理解AI采纳的心理后果及促进教师可持续创新提供了理论与实践启示。
**主要关键技术方法**
1. **三项时滞调查设计**：分别于2026年2月、3月、4月收集GAI使用、工作不安全感与AI焦虑、创新行为数据，样本来源为中国东北地区（黑龙江、吉林、辽宁）公立高校的898名全职教师，采用比例分层随机抽样。
2. **结构方程模型（SEM）**：使用AMOS 26.0检验假设路径，并通过偏差校正自助法（5000次重抽样，95%置信区间）检验中介效应。
3. **潜在剖面分析（LPA）**：使用Mplus 8.3基于工作不安全感与AI焦虑的8个问卷项目识别异质性心理反应模式，并通过方差分析（ANOVA）比较不同剖面间的创新行为差异。
**研究结果**
**测量模型评估**：验证性因子分析（CFA）显示，所有测量模型拟合良好（CFI=0.976），各构念的Cronbach‘s α（0.864-0.876）、组合信度（CR，0.865-0.877）及平均方差提取（AVE，0.545-0.694）均满足心理测量学标准，区分效度良好。
**结构模型与假设检验**：结构方程模型（SEM）拟合良好（χ2/df=3.646，CFI=0.943，RMSEA=0.054）。GAI使用正向预测工作不安全感（β=0.456，p<0.001）与AI焦虑（β=0.162，p<0.001）；工作不安全感（β=-0.410，p<0.001）与AI焦虑（β=-0.474，p<0.001）均负向预测创新行为；GAI使用对创新行为的直接效应显著（β=-0.080，p=0.023）。中介效应分析表明，工作不安全感（效应值=-0.155，95% CI [-0.198，-0.122]）与AI焦虑（效应值=-0.064，95% CI [-0.099，-0.032]）独立中介GAI使用与创新行为的关系，且序列中介路径（工作不安全感→AI焦虑）显著（效应值=-0.015，95% CI [-0.031，-0.001]），支持H1-H4。
**潜在剖面分析**
基于工作不安全感与AI焦虑的8个题项，识别出五种心理剖面：
- 低工作不安全感-中等AI焦虑剖面（C1，9.13%）：最低工作不安全感，中等AI焦虑。
- 中等工作不安全感-低AI焦虑剖面（C2，12.58%）：中等工作不安全感，最低AI焦虑。
- 中等工作不安全感-中等AI焦虑剖面（C3，38.42%）：两者均中等。
- 高工作不安全感-高AI焦虑剖面（C4，24.94%）：两者均高。
- 高工作不安全感-中等AI焦虑剖面（C5，14.92%）：最高工作不安全感，中等AI焦虑。
人口学变量（年龄、性别、学历、职称）对剖面归属无显著预测作用。方差分析（ANOVA）显示，不同剖面间创新行为差异显著（F(4,893)=105.06，p<0.001）：C1与C2创新行为最高（M=4.81），C4与C5最低（M=3.45），C3居中。
**讨论与结论**
**讨论总结**：本研究整合变量中心与个体中心方法，揭示了GAI使用通过工作不安全感与AI焦虑的序列中介负向影响教师创新行为，并识别出五种心理反应剖面。工作不安全感与AI焦虑水平较低的教师创新行为更高，而高心理风险的教师创新行为显著较低。研究强调，教育机构应关注教师对GAI的心理适应，提供差异化支持（如持续AI培训、心理支持服务），以缓解AI相关威胁感知，促进创新行为。
**研究结论翻译**：本研究通过变量中心与个体中心方法，考察了生成式人工智能使用与教师创新行为之间的心理机制，为生成式AI的阴暗面相关文献做出了贡献。基于压力与应对的交易模型，研究结果表明，生成式AI使用与创新行为之间的负相关由工作不安全感与AI焦虑序列中介。此外，潜在剖面分析揭示了教师对AI心理反应的显著异质性，不同剖面配置对应不同水平的创新行为。这些发现强调了在理解教师对AI适应时，需同时考虑一般心理机制与个体差异。总体而言，本研究为理解教师对生成式AI的心理反应提供了更全面的视角，并为寻求在生成式AI时代促进教师可持续创新的高等教育机构提供了实践指导。
