《Frontiers in Psychology》：Heterogeneity in AI attitudes, anxiety, and acceptance among psychology students and psychotherapy trainees: a domain-specific latent class analysis
编辑推荐：
引言：人工智能（artificial intelligence, AI）越来越多地被提议作为心理治疗中的支持工具，然而，除了总体接受度得分之外，关于心理学学生和心理治疗受训者如何在心理上定位此类工具，目前所知甚少。方法：本研究采用潜在类别分析（latent c
引言：人工智能（artificial intelligence, AI）越来越多地被提议作为心理治疗中的支持工具，然而，除了总体接受度得分之外，关于心理学学生和心理治疗受训者如何在心理上定位此类工具，目前所知甚少。方法：本研究采用潜在类别分析（latent class analysis, LCA）来探索心理学学生与心理治疗受训者（N = 286）对人工智能的态度、技术接受度、准备度以及焦虑方面的异质性，涉及两种AI支持临床工具：自动反馈工具和治疗推荐工具。研究人员在一般AI态度、技术接受度、准备度、工作相关焦虑、学习焦虑以及对AI风险与自主性的担忧等领域分别估计了六个独立的潜在类别模型。结果：在各领域中，一致出现了三至四类解，表明参与者无法用单一、统一的人工智能取向来描述。在几个领域中，中度或混合的反应模式较为突出，而其他类别则反映出更有利或更不利的取向，包括怀疑态度、升高的学习或工作相关焦虑，或对AI风险的更高担忧。由于每个领域分别建模，这些结果描述的是领域特异性的潜在反应模式，而非同时涵盖接受度和焦虑的单一整合心理剖面。讨论：研究结果结合技术接受与使用统一理论（Unified Theory of Acceptance and Use of Technology, UTAUT）、技术压力（technostress）和职业身份威胁（professional-identity-threat）视角进行了讨论，并提示针对AI支持心理治疗工具的培训可能需要针对不同的亚组进行定制，而非面向统一的受训者群体。鉴于本研究的探索性、横断面和二手数据设计，研究结果应被视为产生假设而非验证性结论。
随着人工智能（artificial intelligence, AI）在心理健康领域的快速整合，AI支持的临床工具如自动反馈工具和治疗推荐工具正逐步进入心理治疗与训练场景。然而，现有研究大多采用变量中心方法，将接受度、感知有用性和焦虑视为独立的、线性相关的变量，并通过样本平均值加以描述。这种方法隐含假设受训者群体相对同质，无法揭示不同个体中“有用性信念—焦虑—准备度”可能呈现的多样化组合。基于技术接受与使用统一理论（Unified Theory of Acceptance and Use of Technology, UTAUT）、技术压力（technostress）和职业身份威胁（professional-identity-threat）的理论视角，个体对AI的反应可能同时包含积极与消极成分，因此需要采用人中心方法识别不同的潜在线索。本研究正是基于这一缺口，旨在利用潜在类别分析（latent class analysis, LCA）检验心理学学生与心理治疗受训者是否在不同领域内存在异质性亚组。
研究人员使用Kleine（2023）公开的二次调查数据，样本为286名心理学学生和心理治疗受训者，他们被询问对两种AI支持的临床工具的看法：一种用于提供治疗师表现反馈的反馈工具（FB tool），另一种基于语音自动分类生成情绪分数的治疗推荐工具（TR tool）。数据通过ICPSR获取，原始收集于2022年10月至2023年1月，参与者来自德国、美国、英国和加拿大。研究人员采用R软件poLCA包进行六项独立的LCA，分别对应一般AI态度、技术接受度、准备度、工作相关焦虑、学习焦虑和AI风险与自主性担忧。模型比较依据AIC、BIC、似然比检验、类别规模、简约性和可解释性。预处理中将五点和七点李克特量表三分重编码（学习焦虑保留原始7点粒度），负向题反向计分以使高分代表更积极取向。由于每个领域独立建模，研究旨在描述领域内部的异质性而非跨领域整合剖面。
研究结果按领域分述如下：
一般AI态度：四类模型拟合最优（AIC = 3670.93，BIC = 4032.88）。其中“均匀中等反应者”占37.3%，“矛盾评价者”占8.8%，“消极/抗拒组”占12%，“混合低至中等反应者”占41.9%。这表明一般态度存在从矛盾到抗拒的明显分化。
工作相关焦虑：反向计分后，三类解最优（AIC = 1832.474，BIC = 1949.466）。“高焦虑/受威胁组”占37.4%，对应较高的职业相关不安；“较低焦虑组”占17.6%，但在依赖AI和丧失推理能力等项目上仍显示担忧；“中等反应组”为最大类别，占44.9%。
学习焦虑：四类解最优（AIC = 4234.69，BIC = 4947.61）。“中等焦虑/自信学习者”占38.1%，“低学习焦虑”占25.5%，“选择性学习焦虑”占19.9%（仅部分项目焦虑较高），“高学习焦虑”占16.4%。
技术接受度：针对反馈工具，三类解最优（AIC = 2389.51，BIC = 2616.18）。“高接受/谨慎用户”占13.6%，“中等接受/热情采用者”占66%，“低接受/怀疑用户”占20.4%。大部分参与者对反馈工具持中等偏积极态度。
准备度：三类解最优（AIC = 3284.37，BIC = 3532.98）。“中等准备/谨慎开放”占47.4%，“高准备/完全准备”占9.7%，“混合/较低准备”占42.9%，显示大部分人对AI采用既非完全抵触也非充分自如。
AI风险与自主性担忧：三类解最优（AIC = 1441.79，BIC = 1536.85）。“混合/项目特异性担忧”占11.8%，“均匀中等担忧”占45.8%，“较高担忧组”占42.4%，表明担忧水平存在广泛差异。
总体上，六个领域均涌现三至四类解，说明该群体在任何单一测量维度上都不可被视为同质。讨论部分结合UTAUT、技术压力和职业身份威胁视角解释这些类型：技术接受度中的感知有用性和易用性变化与UTAUT一致；高焦虑或高担忧类别则与技术和职业角色压力相关。由于各领域独立建模，当前数据无法判断同一人是否同时具有高接受和低焦虑，未来需要联合模型或纵向设计加以验证。研究还提示，心理治疗培训项目中的AI教育不应假定统一受训者群体，而应根据不同亚组提供针对性内容，例如对低准备者加强技术熟悉，对高焦虑者处理心理和伦理担忧。研究局限包括二次分析、自我报告、横断面设计、缺失值重编码为中间值、量程三分重编码损失信息、领域独立建模以及样本局限于西方国家等。
结论翻译：这项探索性二次分析识别出心理学学生和心理治疗受训者对两种AI支持临床工具的态度、焦虑、准备度和接受度存在领域特异性潜在类别。在六个独立建模的领域中，一致出现三至四类解，表明该群体在任何单一测量维度上的反应均非同质。结合技术接受、技术压力和职业身份威胁视角，这些发现提示心理治疗教育中的AI相关培训可能需要考虑这种异质性，而非假定统一的受训者群体。鉴于探索性、横断面、二次数据设计和领域特异性建模方法，上述结论应被视为初步的，有待通过联合或纵向人中心设计加以确认。
