AI信息偶遇与大学生数字倦怠：认知灵活性的中介作用与AI学习信任的调节效应

《Frontiers in Psychology》：AI information encounters and university students’ digital burnout: the mediating role of cognitive flexibility and the moderating effect of AI learning trust

　　

生成式人工智能（AI）已成为教育环境中不可或缺的一部分，大学生经常意外遇到算法推荐的信息，即AI信息偶遇（AI information encounters）。此类互动常常导致认知负荷增加，目前尚不清楚这些认知资源的持续消耗是否在统计学上与大学生数字倦怠（digital burnout）相关。本研究以刺激–机体–反应（Stimulus–Organism–Response, SOR）框架为分析基础，运用认知负荷理论阐明认知灵活性（cognitive flexibility）的中介作用，并运用社会认知理论解释AI学习信任（AI learning trust）的调节作用，从而构建了一个有调节的中介模型。一项基于566份有效问卷的横断面问卷调查，使用PROCESS宏程序（模型4、15）检验中介效应及有调节的中介效应。结果表明：（1）AI信息偶遇与数字倦怠呈显著正相关；（2）认知灵活性部分中介这一关系，即AI信息偶遇与认知灵活性呈负相关，而认知灵活性与数字倦怠呈负相关；（3）AI学习信任负向调节AI信息偶遇与数字倦怠之间的直接路径，即较高的AI学习信任水平削弱了二者之间的正相关关系；（4）AI学习信任还负向调节认知灵活性与数字倦怠之间的联系，表明较高的AI学习信任削弱了认知灵活性与数字倦怠之间的负相关关系。本研究强调了非自愿技术使用所伴随的心理代价，并提示高等教育工作者应关注AI信息偶遇导致的认知资源消耗，以及AI学习信任在其中的交互效应。此外，教育工作者应鼓励学生建立合理的AI学习信任，并认识到与AI信息偶遇相关的数字倦怠风险。

随着生成式人工智能（Generative AI, GenAI）深度融入高等教育，大学生在利用AI进行学习时经常非计划性地遭遇算法推荐信息，即AI信息偶遇。这种被动信息接触虽可能拓展知识视野，但因其突发性和碎片化，容易造成持续认知负荷。数字倦怠作为数字学习环境中的负性心理状态，在大学生群体中日益凸显。然而，既有研究多聚焦于主动技术使用或一般性信息暴露，尚未系统阐明AI信息偶遇对数字倦怠的作用方向及其内在机制。为填补这一空白，研究人员基于刺激–机体–反应（Stimulus–Organism–Response, SOR）框架，整合认知负荷理论与社会认知理论，构建了有调节的中介模型，考察认知灵活性在二者间的中介效应以及AI学习信任的调节效应。该研究成果发表于《Frontiers in Psychology》。

研究人员采用横断面问卷调查设计，于2026年2月至4月期间，以中国吉林省五所高校的全日制本科生为样本，通过方便抽样法招募，最终纳入566份有效问卷（有效回收率87.08%）。测量工具为改编自既有量表的AI信息偶遇、认知灵活性、AI学习信任和数字倦怠量表，均采用5点Likert计分。数据分析采用SPSS 27.0、Amos 26.0及PROCESS宏（v4.3）；通过Harman单因子检验和未测潜在方法构念法（ULMC）评估共同方法偏差；采用Fornell–Larcker标准和HTMT比率检验区分效度；使用PROCESS模型4检验简单中介，模型15检验有调节的中介，并采用偏差校正Bootstrap法（5000次）计算置信区间。

研究结果部分主要包括以下发现：

5.1 共同方法偏差检验：Harman单因子检验第一因子方差解释率为28.919%，低于50%临界值；ULMC分析显示ΔTLI=0.008、ΔCFI=0.009、ΔRMSEA=0.004、ΔSRMR=0.013，均未达到显著变化标准，表明数据不存在严重共同方法偏差。

5.2 组合信度与收敛效度检验：各潜变量的组合信度（CR）介于0.871至0.914之间，均大于0.70；平均方差抽取量（AVE）介于0.685至0.723之间，均大于0.50，表明量表具有良好的收敛效度。

5.3 区分效度检验：各潜变量AVE平方根（0.828–0.850）均大于其与其他变量的相关系数绝对值（0.156–0.521），且HTMT值（0.223–0.754）均低于0.85，表明区分效度良好。

5.4 信度与效度分析：各量表的Cronbach's α系数介于0.836至0.902之间，VIF介于1.065至1.453，无严重多重共线性；KMO值为0.897，Bartlett球形检验显著（χ²=11509.714, df=561, p<0.001）；验证性因子分析显示模型拟合可接受（χ²/df=2.211, GFI=0.894, AGFI=0.878, NFI=0.904, TLI=0.939, CFI=0.945, RMSEA=0.046, SRMR=0.048）。

5.5 描述统计与相关分析：AI信息偶遇（M=3.537, SD=0.729）、数字倦怠（M=3.490, SD=1.221）和AI学习信任（M=3.423, SD=0.803）均处于中高水平，而认知灵活性得分较低（M=2.299, SD=0.799）。相关分析显示，AI信息偶遇与认知灵活性呈显著负相关（r=-0.486, p<0.01），与数字倦怠呈显著正相关（r=0.461, p<0.01）；认知灵活性与数字倦怠呈显著负相关（r=-0.457, p<0.01）。

5.6 主效应与中介效应：在控制年级、专业、AI使用时长和AI使用经验后，AI信息偶遇对数字倦怠的总效应显著（β=0.482, p<0.001），直接效应亦显著（β=0.335, p<0.001），间接效应为0.146（95% CI [0.094, 0.196]），表明认知灵活性部分中介AI信息偶遇与数字倦怠的关系，支持假设H1和H2。

5.7 调节效应检验：AI信息偶遇与AI学习信任的交互项对数字倦怠的系数显著为负（β=-0.186, p<0.001），支持H3；认知灵活性与AI学习信任的交互项系数显著为正（β=0.179, p<0.001），表明AI学习信任负向调节认知灵活性与数字倦怠的负向关系，支持H4。

5.8 有调节的中介效应检验：在低、中、高AI学习信任水平下，间接效应分别为0.214（95% CI [0.145, 0.297]）、0.128（95% CI [0.077, 0.176]）和0.099（95% CI [0.025, 0.163]），均有统计学意义；有调节的中介指数为-0.038（95% CI [-0.082, -0.004]），表明AI学习信任显著削弱了中介路径的强度。

讨论部分围绕