教育领域中人工智能的阴暗面：以AI依赖为中介，联结学术自我效能感与教师支持对大学生学习倦怠的影响

《Frontiers in Psychology》：The dark side of AI in education: AI dependency as a mediator linking academic self-efficacy and teacher support to learning burnout among university students

　　

人工智能(AI)技术在高等教育中的快速融合重塑了大学生的学习体验，同时也引发了关于AI依赖及其心理后果的担忧。研究人员采用定量横断面研究设计，通过在线结构化问卷对大学生进行调查，并开展统计分析以评估测量构念的信度与效度及变量间关系。结果表明，学术自我效能感(academic self-efficacy)与教师支持(teacher support)均负向关联学习倦怠(learning burnout)，并负向关联AI依赖(AI dependency)；AI依赖则显著正向关联更高水平的学习倦怠。中介分析显示，AI依赖在学术自我效能感与学习倦怠之间、以及教师支持与学习倦怠之间起中介作用。这些发现通过把AI依赖确定为关联心理与情境因素同大学生学习倦怠关系的重要解释因素，深化了对AI辅助学习潜在心理过程的理解，并为教育者、高校与政策制定者促进负责任AI使用及缓解学习倦怠提供实践启示。

研究背景方面，人工智能（AI）由早期电子学习平台发展为大语言模型（large language model，LLM）类工具后，已深度进入高等教育，可提供个性化学习、实时反馈与灵活教学支持。但学生可能对AI辅助工具产生过度依赖，即AI依赖（AI dependency，对AI辅助完成学业任务的过度倚赖，对象由技术功能转向AI赋能认知能力）。现有文献多关注AI依赖的发展因素与行为后果，较少考察学术自我效能感（academic self-efficacy，个体对成功完成学业任务的信念）和教师支持（teacher support，含情感、结构与自主支持）如何经AI依赖影响学习倦怠（learning burnout，情绪耗竭、犬儒主义与学业效能降低）。因此研究人员在《Frontiers in Psychology》提出并检验一个中介模型，以厘清心理与情境资源、AI依赖和学习倦怠的关系。

关键技术方法方面，研究人员于中国成都几所综合大学本科生中采用方便抽样，经问卷星平台发放在线结构化问卷，回收311份、有效276份；使用改编学术自我效能感量表、教师支持量表、基于Young网络成瘾量表（Internet Addiction Test，IAT）改编的AI依赖量表、马斯勒倦怠量表学生版（Maslach Burnout Inventory-Student Survey，MBI-SS）简版；以探索性因子分析（exploratory factor analysis，EFA）、验证性因子分析（confirmatory factor analysis，CFA）检验测量结构，用SPSS 27回归分析直接效应，并以PROCESS宏Model 4、5000次bootstrap重抽样检验AI依赖的中介效应，同时做共同方法偏差、信效度、群体差异与稳健性检验。

研究结果部分，Common method bias小节显示，全共线性VIF均低于3.3，单因子CFA拟合差（CFI=0.372，RMSEA=0.179），未旋转主成分首因子解释30.16%方差，无显著共同方法偏差。Measurement model assessment小节中，KMO=0.912，Bartlett检验显著，四因子解释69.41%方差，CFA拟合优（χ²/df=1.13，RMSEA=0.04，CFI=0.99，TLI=0.98），各构念Cronbach's α为0.864至0.934，组合信度（composite reliability，CR）超0.70，平均方差提取（average variance extracted，AVE）为0.538至0.618，Fornell–Larcker与异质特质—同质特质比（heterotrait–monotrait ratio，HTMT）均支持判别效度。Descriptive statistics and correlations小节显示，AI依赖与学术自我效能感（r=?0.42）、教师支持（r=?0.22）负相关，与学习倦怠（r=0.45）正相关。Hypothesis testing小节中，学术自我效能感负向预测AI依赖（β=?0.424），教师支持负向预测AI依赖（β=?0.217），AI依赖正向预测学习倦怠（β=0.451）；中介检验里学术自我效能感→AI依赖→学习倦怠间接效应?0.239、教师支持→AI依赖→学习倦怠间接效应?0.143，直接效应不显著，呈完全中介。Alternative model analysis小节显示反向中介效应更小，部分中介模型中直接路径不显著，支持原模型。Group differences in AI dependency小节指出，AI依赖在性别上无差异，在年级上差异小（大四高于大三），在AI使用频率上差异大（η²=0.177）。Robustness checks小节表明，控制人口学变量后主效应与中介效应仍显著。

讨论部分总结为，研究人员认为学术自我效能感越高、教师支持越强，学生越少以AI替代自身认知努力，AI依赖越低；AI依赖会把AI由学习资源转为认知替代，逐步耗损批判思维、问题解决与自主学习能力，从而加剧情绪耗竭与学业效能感下降。理论上，研究把资源保存理论（Conservation of Resources Theory）、社会认知理论（Social Cognitive Theory）与认知卸载理论（Cognitive Offloading Theory）整合到AI辅助学习场景，将AI依赖作为技术相关行为因素纳入倦怠解释框架；实践上，应提升学生学术自我效能感、强化教师指导与情感支持、把AI素养教育纳入课程、由政策制定者明确负责任AI使用规范。

结论部分译为：随着AI技术越来越多地融入高等教育，大学生的学习过程与学业行为发生显著变化，AI依赖已成为可能塑造学生学习体验与结果的关键行为因素。本研究构建以AI依赖为中介变量、联结学术自我效能感、教师支持与学习倦怠的中介模型，采用定量横断面设计并通过在线结构化问卷调查大学生。分析显示，学术自我效能感与教师支持均负向关联学习倦怠且负向关联AI依赖；AI依赖显著正向关联学习倦怠；AI依赖在学术自我效能感、教师支持与学习倦怠关系中具显著中介作用。研究发现凸显AI依赖可作为解释AI支持学习环境中学习倦怠的重要因子，并为教育者、高校与政策制定者促进负责任AI使用及减少学习倦怠提供实践含义。