: 基于双系统视角理解大学生生成式人工智能的强迫性使用：一种整合SEM-ANN-NCA的方法

《Acta Psychologica》：Understanding compulsive generative AI use among college students through a dual system perspective: An integrated SEM-ANN-NCA approach

　　

生成式人工智能（GAI）的强大能力推动了近年来其在高等教育中的应用。GAI提供了可观的益处，但其快速整合引发了对其强迫性使用的日益担忧，其特征为持续且无法控制的沉迷。强迫性GAI使用与不良的心理和学业结果有关，突显了理解与这种适应不良使用相关的因素的重要性。然而，大多数现有研究侧重于GAI的功能及其应用如何支持各个领域（如教育），以及与GAI的采纳和持续使用相关的因素。相比之下，对识别强迫性GAI使用的前因关注甚少。基于双系统理论（DST），本研究开发了一个模型，以检验GAI特征（智能性、交互性和个性化）、感知有用性、冲动性冲动、习惯和冲动性是否与强迫性GAI使用相关。数据收集自一所中国大学的593名大学生，并使用整合了结构方程模型（SEM）、人工神经网络（ANN）和必要条件分析（NCA）的方法进行分析。PLS-SEM结果显示，感知交互性和个性化与感知有用性呈正相关，后者进一步与冲动性冲动和习惯相关。冲动性冲动和习惯也与强迫性GAI使用相关。ANN结果揭示，习惯具有最高的标准化重要性，其次是冲动性和冲动性冲动。NCA确定感知交互性、感知有用性、习惯和冲动性冲动是强迫性GAI使用出现的必要条件。本研究为开发减少大学生强迫性GAI使用的干预措施提供了重要的实践见解。

研究人员指出，与依赖预定义数据和算法的传统分析型人工智能不同，生成式人工智能（GAI，Generative Artificial Intelligence）能够基于多维度提示自主生成原创内容。这种多功能性使其在教育、编程和医疗等领域被迅速采纳。在高等教育中，GAI被用于头脑风暴、报告撰写和自动化任务，作为智能导师提供个性化解释。然而，GAI的易用性和多功能性使得自我调节能力较弱的大学生群体极易过度使用，从而产生持续、重复且无法控制的强迫性GAI使用。这种现象已引发一系列心理和学业问题，包括社会回避、孤独感、心理困扰、职业倦怠、焦虑、睡眠障碍以及学业表现下降。尽管学界对GAI的关注度持续增加，但现有研究大多聚焦于其功能应用、采纳意愿及持续使用意愿。针对强迫性GAI使用的前因及其潜在形成机制的研究仍较为匮乏。因此，为了填补这一研究空白，研究人员开展了本研究，旨在基于双系统视角识别与大学生强迫性GAI使用相关的因素。这项研究不仅有助于深入理解该行为的形成机制，还为开发旨在减少强迫性GAI使用的针对性干预策略提供了重要实践启示。该研究成果已发表在《Acta Psychologica》上。

在样本队列来源方面，研究人员通过中国某高校的讲师在微信上分发在线问卷链接，采用目的性抽样招募了593名具有GAI使用经验的中国大学生作为研究队列。在技术方法上，研究采用了一种整合了三种方法的创新分析框架：首先利用偏最小二乘法-结构方程模型（PLS-SEM，Partial Least Squares-Structural Equation Modelling）检验变量间理论指定的线性关系并识别统计学上支持的预测因子；其次运用人工神经网络（ANN，Artificial Neural Network）捕捉非线性关系，并对预测因子的相对重要性进行排序；最后引入必要条件分析（NCA，Necessary Condition Analysis）补充前两种方法的充分性逻辑局限，识别强迫性GAI使用出现所必需的条件及其最低门槛水平。在进行假设检验前，研究人员通过G*Power进行了先验功效分析，设定中等效应量f² = 0.15及显著性水平0.05，确认样本量充足。

研究结果如下：
4.1. Profile of the respondents（受访者概况）：通过对593名受访者的数据分析，发现受访者以女性为主，年龄多在19至21岁之间。在GAI使用方面，主要用于搜索或整理学习材料、生成大纲以及学术写作。最常使用的平台为Doubao和ChatGPT。
4.2. Measurement model assessment（测量模型评估）：通过计算组合信度（CR，Composite Reliability）和平均方差抽取量（AVE，Average Variance Extracted）等指标，证实了测量模型具有良好的内部一致性和收敛效度。同时，通过异质-单质比率（HTMT，heterotrait–monotrait ratio of correlations）检验了判别效度，所有置信区间上限均小于1，确认了判别效度。通过Harman单因子检验排除了常见的共同方法偏差（CMV，common method variance）问题。
4.3. Structural model assessment（结构模型评估）：在通过方差膨胀因子（VIF，Variance Inflation Factor）排除多重共线性后，进行假设检验。结果显示，感知交互性（PY，Perceived Interactivity）和感知个性化（PP，Perceived Personalisation）与感知有用性（PU，Perceived Usefulness）呈显著正相关；PU与冲动性冲动（IMU，Impulsive Urge）和习惯（HT，Habit）呈显著正相关；IMU和HT均与强迫性GAI使用（COM，Compulsive Generative AI Use）呈显著正相关，其中HT的作用最为显著。然而，感知智能性（PI，Perceived Intelligence）与PU无显著关系。此外，冲动性（IMP，Impulsivity）对IMU及HT与COM之间关系的调节作用均不显著。交叉验证预测能力测试（CVPAT，cross-validated predictive ability test）证实了模型的预测效度。
4.4. Artificial neural network（人工神经网络）：为解决非线性关系，采用双阶段SEM-ANN方法。通过10折交叉验证计算均方根误差（RMSE，root mean squared error），模型平均RMSE为0.416，表现出良好的预测精度。基于公式R² = 1 - RMSE_s² / y计算出模型可解释82.8%的COM方差，显著优于PLS-SEM模型。敏感性分析显示，HT的标准化重要性最高（100%），IMP次之（36%），IMU最低（15%）。
4.5. Necessary condition analysis（必要条件分析）：分析结果显示，HT（d = 0.314）、IMU（d = 0.395）、PU（d = 0.231）和PY（d = 0.246）达到了效应量标准且p < 0.05，被识别为COM出现的必要条件。瓶颈分析进一步揭示了达到特定强度COM所需的最低阈值，例如要达到60%的COM水平，HT至少需达到2.651。
4.6. Consolidating the PLS-SEM and NCA results（综合PLS-SEM和NCA结果）：综合分析表明，HT和IMU既是充分也是必要条件，是缓解甚至预防COM的核心；IMP是充分但非必要条件，仅降低IMP不足以预防COM；PU和PY是非充分但必要条件，未达到最低阈值时COM难以发生；而PI和感知个性化（PP）既非充分也非必要条件，对干预的相关性较小。

在讨论与结论部分，研究人员总结道，本研究基于双系统理论（DST，Dual-System Theory）探讨了大学生强迫性GAI使用的影响因素。研究结果证实了反射系统（冲动性冲动和习惯）在驱动强迫性GAI使用中的主导作用，但未支持冲动性作为调节变量的假设，这可能受限于样本中冲动性得分变异性不足的限制。研究发现感知有用性无法直接导致强迫性使用，而是通过习惯和冲动性冲动间接产生影响。感知交互性和个性化能显著提升感知有用性，而感知智能性可能已成为基线期望，故未表现出显著关联。在方法学上，整合的SEM-ANN-NCA方法不仅检验了假设，还对预测因子进行了重要性排序并识别了必要条件。研究结论指出，干预措施应优先针对习惯和冲动性冲动等关键因素，而对于感知智能性等次要因素无需过多投入资源。本研究受限于横截面设计、单一队列、性别比例失衡及GAI平台过于集中等局限，未来研究应采用纵向设计，招募更具多样性的跨地区样本，并纳入更直接的自我调节指标，以进一步验证DST不平衡假说。