AI聊天机器人感知支持与高职学生孤独感的短期三波纵向研究：社交互动焦虑与感知社会支持的作用

《Frontiers in Psychology》：Perceived support from AI chatbots and loneliness among higher vocational college students: a short-term three-wave study of social interaction anxiety and perceived social support

　　

生成式人工智能（Generative artificial intelligence）和人工智能伴侣工具（AI companion tools）正日益进入高职学生的学习、情绪调节和日常社交沟通情境。本研究将AI聊天机器人感知支持（perceived support from AI chatbots）定义为学生在使用AI聊天工具时获得支持的主观体验，而非来自真实人际来源的客观社会支持。研究采用短期三波设计。研究人员于2025–2026学年春季学期，通过班级微信群从中国江西省和广东省的四所高职院校招募学生。T₁、T₂和T₃之间的间隔约为8周。有效T₁样本包括1500名参与者，核心三波匹配样本包括1200名参与者。修正的观测合成交叉滞后面板模型（observed-composite cross-lagged panel model, CLPM）显示，T₂时的AI聊天机器人感知支持负向预测T₃时的孤独感。同时，T₁和T₂时的AI聊天机器人感知支持正向预测下一波次的社交互动焦虑，而社交互动焦虑进一步预测下一波次的孤独感。纵向中介分析表明，T₁时的AI聊天机器人感知支持通过T₂时的社交互动焦虑间接预测T₃时的孤独感。T₁时的感知社会支持调节了T₂时的AI聊天机器人感知支持与T₃时的孤独感及T₃时的社交互动焦虑之间的关联：在感知社会支持较高的情况下，AI聊天机器人感知支持更可能伴随随后的较低孤独感；在感知社会支持较低的情况下，这种补偿性关联不显著。这些发现表明，AI聊天机器人支持的心理意义是有条件的。高校的AI素养和心理健康教育应关注如何将基于AI的支持与现实社会支持网络相连接。

论文解读：AI聊天机器人感知支持与高职学生孤独感的三波纵向研究

一、研究背景与问题提出

孤独感并非仅仅是缺乏客观社交接触，而是个体期望的社会关系与现实感知之间的痛苦差距。已有研究表明，孤独感与情绪困扰、社交退缩、抑郁症状和功能损害密切相关，已成为重要的公共卫生问题。随着生成式人工智能（Generative AI）和AI伴侣工具的迅速普及，AI聊天机器人开始深度介入高职学生的学习、情绪调节和日常社交沟通。然而，AI系统提供的是即时、非评判且持续可得的回应，这种支持并不等同于来自家人、朋友或同伴的真实人际支持。因此，研究者将“AI聊天机器人感知支持”界定为学生使用AI聊天工具时获得支持的主观体验，而非传统意义上的客观社会支持。

在数字沟通研究领域，社会补偿假说认为线上互动可为现实资源不足者提供补偿；社会增强假说则认为已有高社会资源者更易从中获益；替代假说则担心线上互动挤占了线下交往。这些理论框架可谨慎拓展至AI支持情境，但AI支持的心理意义可能同时包含补偿性和风险性的双重路径。高职学生正处于离家适应、同伴网络重建、学业与职业准备等发展任务集中期，同时AI使用已逐渐常规化，是检验AI支持与孤独感短期纵向关联的合适群体。本研究基于上述背景，提出三个递进问题：AI聊天机器人感知支持是否预测随后孤独感的变化？该关联是否通过社交互动焦虑传导？现实生活中的感知社会支持是否构成边界条件？

二、研究设计与技术方法

本研究是一项短期三波纵向面板研究，于2025–2026学年春季学期在中国江西省和广东省四所高职院校开展。研究人员通过班级微信群发布问卷链接，采用整班抽样，以专业大类进行分层。T₁（学期第2–3周）、T₂（第10–12周）、T₃（第16–18周）相邻间隔约8周。有效T₁样本为1500人，核心三波匹配样本为1200人，三波保留率为80.0%。

关键技术方法包括：采用AI情境改编的网络社会支持量表中文简版（OSSS-CS）测量AI聊天机器人感知支持，UCLA孤独量表简版（ULS-8）测量孤独感，社交互动焦虑量表（SIAS）测量社交互动焦虑，多维感知社会支持量表（MSPSS，仅T₁测量）测量现实感知社会支持，病人健康问卷抑郁量表（PHQ-9）测量抑郁症状。统计分析方面，研究人员依次进行纵向测量不变性检验、构建观测合成交叉滞后面板模型（CLPM）、使用偏差校正bootstrap置信区间进行纵向中介分析，并通过交互项检验调节效应。由于原始数据未保留班级标识，所有模型在个体层面估计，且未使用多层模型或聚类稳健标准误。

三、主要研究结果

（一）初步分析与测量不变性

描述统计显示，AI聊天机器人感知支持、孤独感、社交互动焦虑等核心变量在三次测量中均表现出明显的时序稳定性。各量表内部一致性系数为0.84至0.94。基于子量表或条目打包的纵向测量不变性检验支持跨波总分的可比性。完整匹配样本与流失样本在人口学变量和基线心理变量上均无显著差异，最大效应量很小，未发现明显的损耗偏误。

（二）交叉滞后面板模型与纵向中介

初始CLPM拟合不佳，加入同构念T₁→T₃二阶自回归路径后，修正模型拟合改善（CFI=0.971，RMSEA=0.077）。修正模型结果显示：T₂AI聊天机器人感知支持显著负向预测T₃孤独感（β=-0.166，p<0.001），而T₁→T₂的不显著，提示补偿性预测关联主要在后半学期出现。同时，T₁和T₂感知支持均显著正向预测下一波次社交互动焦虑（β=0.161和0.158，p<0.001），社交互动焦虑又显著正向预测下一波次孤独感（β=0.198和0.232，p<0.001）。纵向中介分析表明，T₁感知支持通过T₂社交互动焦虑间接预测T₃孤独感，间接效应为0.038，95% bootstrap置信区间为（0.026，0.050）。

（三）现实感知社会支持的调节作用

基线现实感知社会支持（T₁MSPSS）显著负向预测T₃孤独感（β=-0.449，p<0.001）和T₃社交互动焦虑（β=-0.166，p<0.001），对T₂孤独感的预测较弱（β=-0.051，p=0.046），对T₂社交互动焦虑的预测不显著。调节效应分析显示，T₁感知社会支持显著调节T₂感知支持与T₃孤独感（交互项β=-0.132，p<0.001）及T₃社交互动焦虑（交互项β=-0.078，p<0.001）的关联。简单斜率分析表明，在高感知社会支持条件下，T₂感知支持显著负向预测T₃孤独感（斜率=-0.287，p<0.001）；在低感知社会支持条件下，该补偿性关联不显著（斜率=-0.023，p>0.05）。

四、讨论总结

研究人员指出，AI聊天机器人感知支持的心理意义具有条件性。补偿路径和风险路径并非相互排斥：一方面，AI支持可能通过情绪确认、信息引导和对话陪伴为部分学生提供暂时的支持补偿；另一方面，低压力、可控的AI互动可能减少真实社交实践的机会，进而与社交互动焦虑和后续孤独感风险相关。现实社会支持网络是AI支持发挥补偿作用的促进条件，高现实支持者更容易将AI回应转化为求助准备和关系沟通，而低现实支持者则缺乏这种转化基础。

理论层面，本研究将社会补偿/社会增强视角、替代假说和社会支持缓冲模型拓展至生成式AI支持情境，强调支持源是否为真实人际动机会改变社会支持的心理意义。实践层面，教育者应引导学生将AI用于表达演练、求助准备、情绪记录和问题澄清，鼓励学生把AI生成的求助提纲带入同伴讨论、导师沟通或心理咨询；AI平台可设置现实连接提醒和危机转介提示。但这些建议属于后续干预设计假设，尚需随机对照或准实验研究验证。

五、研究结论翻译

本研究表明，AI聊天机器人感知支持对高职学生孤独感既存在补偿性纵向预测关联，也存在社交互动焦虑相关的风险关联。补偿性关联主要体现在T₂感知支持预测T₃较低孤独感；风险关联表现为感知支持持续预测随后更高的社交互动焦虑，进而预测随后更高的孤独感。T₁现实感知社会支持增强了AI支持的补偿性关联，并削弱了其风险关联。理论上，本研究将社会补偿/社会增强视角、替代假说和社会支持缓冲模型从传统数字沟通扩展至生成式AI支持情境。实践上，核心启示是高校应引导学生将AI支持工具用于情绪组织、求助准备和沟通辅助，使AI支持成为通往现实社会连接的桥梁，而非替代。这一启示主要面向未来的AI素养教育和学生支持项目设计，其实际效果仍需干预研究检验。