人工智能辅助心理情绪调节量表（ERP-IA-6）的开发与验证

《Frontiers in Psychology》：Development and validation of the AI-assisted psychoemotional regulation scale (ERP-IA-6)

　　

摘要

背景：对话式和生成式人工智能工具越来越多地被用于组织思维、澄清情绪体验以及应对日常困扰。然而，评估感知性人工智能辅助心理情绪调节的简短工具仍然匮乏。

目的：开发人工智能辅助心理情绪调节量表（ERP-IA-6），并检验其在秘鲁成年人中的初步心理测量学特性。

方法：初始的八个条目池由五位心理学家进行评审，所有条目的Aiken’s V值均高于0.80。共538名成年人参与研究（M年龄=24.51岁，SD=7.48；范围为18–81岁）；其中81.6%年龄在18–29岁之间，52.0%为女性，93.1%报告使用人工智能。采用可重复的按性别分层程序，将样本分为探索性子样本（n=266）和验证性（confirmatory）子样本（n=272）。探索性因子分析使用多分格相关（polychoric correlations）和未加权最小二乘法；验证性因子分析对有序指标采用WLSMV估计。研究还检验了信度、基于AVE的收敛效度证据、敏感性分析、共同方法诊断以及跨性别的有序测量不变性。

结果：探索性分析支持基于概念冗余和简约性将量表从八个条目缩减为六个条目。最终版本显示充分的因子可适性（KMO=0.910；Bartlett’s χ2(15)=1128.37, p<0.001），单因子解解释67.4%的标准化条目方差，载荷范围为0.750至0.872。在验证性子样本中，载荷范围为0.839至0.930。稳健增量拟合和残差拟合良好（CFI=0.981；TLI=0.968；SRMR=0.019），但稳健RMSEA偏高，为0.118，90% CI [0.093, 0.145]。敏感性分析显示单因子结构持续存在，而局部残差依赖部分解释了RMSEA偏高。信度高（α=0.935；ordinal α=0.945；ω=0.948），组合信度（CR=0.959）和平均方差抽取量（AVE=0.794）同样较高。阈值、度量（metric）和标量（scalar）模型提供了跨性别不变性的有利但谨慎的证据。

结论：ERP-IA-6作为一个简短测量工具，为评估秘鲁成年人感知性人工智能辅助心理情绪调节提供了有利的初步证据，其主要结构为单维。分数应解释为感知的调节支持，而非临床有效性、治疗安全性或与专业照护等效性的证据。

**论文解读：《人工智能辅助心理情绪调节量表（ERP-IA-6）的开发与验证》**

**一、研究背景与问题**

近年来，对话式和生成式人工智能（AI）工具已深度融入人们的日常生活，被广泛用于信息搜寻、思维整理、情绪表达与日常困扰应对。新一代情感计算系统不仅能进行对话，还能通过多模态整合、个性化画像和社会情感内容生成来识别、建模并回应情绪状态。在教育和心理健康领域，ChatGPT、Bing等AI支持环境已被观察到与人际情绪调节、行为情绪调节策略改善、绝望感降低等相关；基于认知行为疗法的聊天机器人也减少了中国大学生的抑郁和孤独感。然而，现有综述指出，这些效应仍需谨慎解读，因为研究存在方法异质性、高流失率、依赖自我报告以及临床验证不足等问题。

理论层面，Gross的情绪调节过程模型及其扩展形式强调，调节情绪涉及对情绪产生、发生时机和表达方式的持续影响，包括识别、选择、实施和监控等阶段。本研究将AI并非看作是情绪本身、自主情感代理或治疗替代品，而是可能辅助特定调节任务（如命名感受、组织想法、重新解释情境、调整冲动反应）的外部脚手架。然而，当前心理测量工具存在明显缺口：经典量表如情绪调节过程模型问卷（PMERQ）和情绪调节问卷-8（ERQ-8）测量的是通用情绪调节策略，与技术资源无关；新近开发的AI相关量表则集中于依赖、依恋或问题性使用，如对话式AI依赖量表（CAIDS）、问题性ChatGPT使用量表、生成式AI依赖量表、AI依恋量表和AI情感信任量表（CEIA）。这些工具均未评估AI作为认知和情感脚手架在识别、澄清、重新解释和调节情绪状态中的功能性使用。因此，在“评估与AI的潜在问题关系”和“评估AI在心理情绪自我调节中的感知工具性整合”之间存在明确的概念与测量空白。本研究旨在开发人工智能辅助心理情绪调节量表（ERP-IA-6），并检验其在秘鲁成年人中的初步心理测量学特性。

**二、主要关键技术方法**

研究人员开展了一项工具性、横断面心理测量学研究。采用非概率便利抽样，招募了538名秘鲁成年人（M年龄=24.51岁，SD=7.48；范围18–81岁；52.0%为女性；93.1%报告使用AI）。初始八条目池经五名心理学家评审，所有条目Aiken’s V值>0.80。采用固定随机种子（“20,260,803”）的可重复性别分层程序，将样本分为探索性子样本（n=266）和独立验证性子样本（n=272）。条目缩减仅在探索性子样本中进行。探索性因子分析基于多分格相关矩阵和未加权最小二乘法（ULS）；验证性因子分析使用WLSMV估计并设定theta参数化。信度评估包括Cronbach’s α、ordinal α、基于模型的ω、组合信度（CR）和平均方差抽取量（AVE）。采用敏感性分析（排除一致应答者、改用ULSMV估计、自由估计残差协方差）检验模型稳健性。测量不变性通过跨性别的序贯模型（configural→threshold→metric→scalar）进行检验。研究方案经秘鲁联合大学伦理委员会批准（编号2026-CE-FACIHED-00001）。

**三、研究结果**

**（1）探索性因子结构与条目缩减**

初步探索性分析显示，初始八条目版本的单因子解载荷范围为0.773–0.894，解释69.0%的标准化方差，但TLI（0.932）和RMSEA（0.128）提示存在一定模型失拟。条目re7和re8因与已保留条目的功能概念重叠而被删除，主要基于概念冗余和量表简洁性考虑，而非载荷不足。最终六条目版本（ERP-IA-6）的KMO=0.910，Bartlett’s球形检验χ2(15)=1128.37（p<0.001）；平行分析支持单一因子，第一特征值4.19，第二特征值0.09；单因子解释67.4%的标准化方差，载荷0.750–0.872，残差RMSR=0.020，TLI=0.969，RMSEA=0.093。相较于八条目版本，六条目版本解释了稍低的方差（下降1.6个百分点），但拟合更优。

**（2）验证性因子分析与敏感性分析**

在独立验证性子样本（n=272）中，单因子六条目模型稳健拟合指数为：χ2(9)=72.03（p<0.001），CFI=0.981，TLI=0.968，SRMR=0.019；稳健RMSEA偏高，为0.118（90% CI [0.093, 0.145]）。标准化载荷范围0.839–0.930，指标R2范围为0.704–0.866。敏感性分析结果显示：使用ULSMV估计时结果几乎相同（RMSEA仍为0.118）；自由估计re1与re2之间的残差协方差（MI=11.20）后，诊断模型拟合明显改善（CFI=0.993，RMSEA=0.077，标准化残差相关=0.304），但该参数为事后识别，故保留无相关残差模型作为主要模型；排除48.5%的一致应答者后，载荷降至0.646–0.837，CFI=0.975，TLI=0.958，SRMR=0.038，RMSEA降至0.097但仍偏高。这表明一致应答倾向增强了条目间关联，但不足以完全解释单因子结构。

**（3）信度与收敛效度**

在总样本中，Cronbach’s α=0.935，标准化α=0.935，ordinal α=0.945，基于模型的ω=0.948，平均条目间相关为0.705。基于验证性模型计算的CR=0.959，AVE=0.794，均超过推荐阈值（CR≥0.70，AVE≥0.50），表明六个指标共享较大比例的共同方差，为总分解释提供了支持。但高信度可能伴随语义冗余或共同方法影响，不能单独作为效度证据。

**（4）跨性别测量不变性**

在验证性子样本中，女性（n=142）和男性（n=130）的configural、threshold、metric和scalar模型均正常收敛。稳健尺度化卡方差异检验全部不显著：threshold vs configural Δχ2(12)=16.59（p=0.166），metric vs threshold Δχ2(5)=8.57（p=0.128），scalar vs metric Δχ2(5)=2.10（p=0.835）。CFI变化量分别为0.0106、?0.0032、0.0021，SRMR变化量均≤0.0002。尽管RMSEA在序列中保持升高且呈非单调变化（0.165→0.202→0.170→0.170），但基于差异检验的显著性和CFI、SRMR的稳定性，可认为阈值、度量及标量不变性得到有利但谨慎的支持。

**（5）共同方法诊断**

单因子多分格诊断显示，总样本中主导因子解释74.0%的标准化方差，载荷范围0.834–0.896。由于实证分析支持主导性单维结构，该诊断无法区分实质整合与共同方法方差，故不能作为共同方法偏差的决定性检验。结合高条目间相关（0.705）、一致应答普遍性和高信度估计，方法相关影响不能被排除；但排除一致应答后因子结构仍可解释。

**四、讨论与结论**

研究讨论部分指出，ERP-IA-6测量的是AI在日常心理情绪调节过程中的感知支持，而非临床疗效或客观症状改善。其单维结构表明参与者未将AI辅助调节区分为独立子成分，而是将其感知为涉及情绪识别、认知组织、体验解释、重新评价和反应调节的整体经验。该量表与AI依赖、依恋、情感信任或问题性使用等构念在概念空间上不同，避免了将情绪导向的AI使用自动病理性。理论上，结果支持AI作为情绪调节的外部脚手架的观点，但研究未证明AI客观改善了情绪调节，仅表明用户感知到调节支持。

研究局限性包括：横断面设计无法确定方向性或因果性；便利抽样导致样本集中于18–29岁（81.6%）和大学教育人群，外推至更广泛的秘鲁成年人群需谨慎；完全依赖自我报告，存在共同方法偏差风险；主要CFA和跨组模型的RMSEA升高提示绝对拟合欠佳；re1–re2的局部残差依赖需进一步审查条目措辞；未检验时间稳定性和外部效度（如通用情绪调节、心理困扰、AI依赖等）。未来研究应检验重测信度、预测效度、聚合与区分效度，以及不同年龄、教育、技术和文化群体中的表现，并可结合认知访谈和项目反应理论。

**结论翻译**：总之，ERP-IA-6在秘鲁成年人中显示出内容效度、单维内部结构、分数信度、收敛效度和跨性别测量不变性的良好初步证据。研究结果支持其作为感知性人工智能在日常生活心理情绪调节过程中（包括情绪体验的识别、组织、理解、重新解释和调节）支持性使用的简短测量工具。然而，RMSEA值偏高、局部残差依赖、高条目同质性、便利抽样以及缺乏外部标准测量要求谨慎解读。ERP-IA-6分数应理解为感知调节支持的指标，而非有效情绪调节、临床获益、治疗安全性或与专业心理照护等效性的证据。因此，该量表代表了研究人机交互中新兴现象的一个简约且具有心理测量学前景的工具，但需要复制研究以及时间稳定性、外部效度和跨年龄、文化及技术使用群体测量等价性的进一步证据。